Improving RGB-D SLAM in dynamic environments: A motion removal approach

1、貢獻

（1）提出一種針對RGB-D的新的運動分割算法

（2）運動分割採用矢量量化深度圖像

（3）數據集測試，並創建RGB-D SLAM系統

2、Related work

[1]R.K. Namdev, A. Kundu, K.M. Krishna, C. Jawahar, Motion segmentation of multiple objects from a freely moving monocular camera, in: Robotics and Automation(ICRA), 2012 IEEE International Conference on, IEEE, 2012, pp. 4092–4099.

利用多幾何約束與密集光流分割運動物體，並整合至SLAM系統。

[2]T. Lim, B. Han, J.H. Han, Modeling and segmentation of floating foreground and background in videos, Pattern Recognit. 45 (4) (2012) 1696–1706.

經過檢查具備極線約束的密集光流，從圖像第一幀得到運動提示，最初的運動分割做爲種子向後傳播。將一幀圖像切割成等大的塊，在覈密度模型中利用傳播的運動分割結果以塊爲單位學習背景和前景外觀。運動分割與傳播模型反覆迭代獲得當前結果。

[3]K. Moo Yi, K. Yun, S. Wan Kim, H. Jin Chang, J. Young Choi, Detection of moving objects with non-stationary cameras in 5.8 ms: Bringing motion detection to your mobile device, in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, 2013, pp. 27–34.

速度快，硬件要求低。採用了塊技術，採用雙模單高斯模型對每一個塊進行描述，一個單高斯模型做爲顯性的模型，另外一個做爲候選模型。雙模單高斯模型提供了兩個容器來接收數據，從而避免了前景點污染了真實的背景模型。當一個模型的age大於另外一個時，兩個模型做交換。使用從單應性計算的自我運動將塊與傳播混合。

[4]A. Teichman, J.T. Lussier, S. Thrun, Learning to Segment and Track in RGBD, IEEE Trans. Autom. Sci. Engrg. 10 (4) (2013) 841–852.

提出了基於RGB-D數據的運動去除算法，結合大量分割線索來構造條件隨機場(CRF)模型，分割線索包括光流，視覺外觀，顏色，深度的不連續性等。該方法的訓練過程是肯定能量函數中每一個線索的權重。假設在第一次迭代時給出了初始的手動標記分割。當前幀的CRF分割結果做爲下一幀中CRF模型的運動似然。利用傳遞的方式將運動物體從每一幀裏遞增式得分割出來。

[5]D. Giordano, F. Murabito, S. Palazzo, C. Spampinato, Superpixel-based video object segmentation using perceptual organization and location prior, in: The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June
2015.

運動線索是經過檢查超像素在連續幀中變化得到的，做者發現超分像素的改變通常是在運動的物體上，將超分像素從當前幀傳播到上一幀。使用上一幀中重疊最大部分的超分像素與傳遞的超分像素來計算Jaccard距離。採用自適應閾值以經過計算的Jaccard距離肯定傳播的超像素是否屬於移動物體。 使用高斯混合（MOG）技術將超分像素分類以創建前景與背景外觀模型。 使用圖形切割框架進一步優化運動分割。

[6]Y. Wang, S. Huang, Towards dense moving object segmentation based robust dense RGB-D SLAM in dynamic scenarios, in: Control Automation Robotics & Vision (ICARCV), 2014 13th International Conference on, IEEE, 2014.
pp. 1841–1846.

與本文關聯最大。採用了[7]中提出的運動分割方法，並將其集成到RGB-D SLAM系統中，結果是基於TUM數據集。

[7]J. Sturm, N. Engelhard, F. Endres, W. Burgard, D. Cremers, A benchmark for the evaluation of RGB-D SLAM systems, in: 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems, IEEE, 2012, pp. 573–580.

3、方法

一、基於自我運動補償圖像差分粗略地檢測運動物體運動。

二、經過使用粒子濾波器跟蹤運動來加強運動檢測。

三、對矢量量化深度圖像應用最大後驗（MAP）估計，以精確地肯定前景。

應該注意的是，該論文方法中跟蹤的是運動補丁但不是移動物體。 咱們的方法不一樣於大多數跟蹤技術，它們構建移動對象的模型並跟蹤構建的模型。

利用RGB經過RANSAC求出兩幀之間H單應矩陣，經過用運動補償的最後RGB幀減去當前RGB幀來粗略地檢測運動對象運動。 不在3D中補償RGB-D點雲幀的緣由是當距離增長時，深度測量偏差呈二次方增長。