基于图像对齐和不确定估计的深度视觉里程计

作者：秦超; 闫子飞

来源：计算机工程与应用, 2021, 1-10.

• 视觉里程计
• 深度学习
• 不确定性估计网络

基于深度学习的视觉里程计方法(Deep Visual Odometry， DVO)通过神经网络直接估计单目图像的深度和相邻图像之间的相机运动，在保证精度的同时大大提高了运行的速度。但这是基于灰度不变假设的，作为一个很强的假设，灰度不变假设在现实场景中往往难以满足。为此，提出一种基于图像对齐(Image Alignment， IA)的直接视觉里程计方法AUDVO(Aligned U-CNN Deep VO)，通过不确定性估计网络(Uncertainty CNN， U-CNN)引入正则项进行约束，使得估计的结果更具鲁棒性。为了处理大面积纹理缺失区域上因估计不准确带来的空洞，在设计深度估计模块时通过嵌入超分辨率网络进行上采样。在公开的KITTI数据集上的实验证明了AUDVO在深度和相机位姿估计上的有效性。

• 单位
  哈尔滨工业大学