单眼同时定位和映射(SLAM)在先进的驾驶员辅助系统和自主驾驶中出现,因为单个相机便宜且易于安装。传统的单眼猛击有两个主要挑战,导致定位和映射不准确。首先,估计本地化和映射中的尺度是挑战性的。其次,传统单眼SLAM在映射中使用诸如动态对象和低视差区域的不适当的映射因子。本文提出了一种改进的实时单眼血液,通过有效地使用基于深度学习的语义分割来解决上述挑战。为了实现所提出的方法的实时执行,我们仅用映射进程并行地应用于下采样的关键帧的语义分段。此外,所提出的方法校正相机姿势和三维(3D)点的尺度,使用从道路标记的3D点和真实相机高度的估计接地平面。该方法还删除了标记为移动对象和低视差区域的不恰当的角色功能。八个视频序列的实验表明,与现有的最先进的单眼和立体声猛击系统相比,所提出的单眼血压系统达到显着提高和可比的轨迹跟踪精度。该建议的系统可以通过标准GPU支持,在标准CPU上实现实时跟踪,而现有的分段辅助单眼血液则不会。
translated by 谷歌翻译