slam算法假设的环境中的物体都是处于静态或者低运动状态的，然而，现实世界是复杂多变的，因此这种假设对于应用 环境有着严格的限制，同时影响视觉slam系统在实际场景中的应用性。当环境中存在动态物体时，会给系统带来错误的观测数据，同时降低系统的精度和鲁棒性。通过RANSAC算法（随机采样一致性）的外点处理机制能够解决部分异常点对于算法的影响。但是当动态物体占据空间的大部分时，依然会影响位姿跟踪，所以需要检测运动的物体、剔除动态区域的特征点，亦或者是降低在优化位姿的权重，减少对视觉定位的影响。
人身上为动态特征点，要尽可能的去除。
开源的系统（DS-SLAM、Dyna-SLAM、Co-Fusion）目前大部分的动态SLAM系统都是在ORB-SLAM2或者KinectFusion基础上改进得到的，很少部分会涉及到边缘SLAM的方法。
用于检测动态区域或者特征点的常用方法有以下几种：
利用深度学习技术能够很好地识别图像中特定的物体，结合运动物体的先验知识（汽车、行人、动物），能够很好的去除潜在的动态区域。 需要注意的是，对于移动的椅子、停在路边的汽车，该方法往往会做出错误的判断。
深度学习在动态SLAM中的应用有两种形式：目标检测与实例分割（语义分割）。
目标检测的目标是找到图像中所有的待检测物体，并用边界框标出该物体的位置，该方法的优点是检测速度快，但是缺点也很明显，其只能用方框标出物体大概位置，不能实现精确分割，如果直接将方框内的特征点去掉，会因特征点过少而影响定位精度。为了克服此问题，会通过图割法对方框中的图像进行进一步修剪，以得到更加准确的物体区域。yolo和SSD
语义分割的目标是对物体进行像素级别的分割，该方法的优点在于精度较高，但是分割速度并不高，一般来说达不到实时的要求。为了解决效率问题，一些论文提到只在关键帧中进行实例分割，然后通过传播模型得到普通帧的结果。SegNet、Mask-RCNN
检测动态特征点的原理是用多帧图像的位姿约束,剔除误差较大的特征点。
极线约束:需要注意的是，当物体沿着极线的方向运动时，该方法会失效。
对于两张图像，稠密光流很好地描述了每个像素在二维平面中运动的情况，是检测运动区域很好的方法，一般来说运动物体的区域所产生的光流会远高于静态的背景区域。但是除了物体本身运动会产生光流，相机的运动也会产生光流，为了消除相机运动的影响，通常会采用以下两种方案：
1.通过特征匹配计算二者之间的仿射变换，对第一张图像进行校正，用校正后的图像与第二张图像计算稠密光流。
2.结合语义信息得到初始静态背景的区域；计算两张图像之间的光流场；计算初始背景区域光流场的平均运动方向；光流场减去背景光流场得到最后的光流结果。
OpenCV有很多关于稠密光流的函数，如DeepFlow。
所谓场景流（Scene Flow），就是光流（Optical Flow）的三维版本，表述了图像点云中每个点在前后两帧的变化情况。光流由两帧图像即可得到，场景流则需要两帧双目图像或者RGBD图像来得到。目前对场景流的研究还局限在实验室阶段，由于缺乏实际数据（打标成本太高）以及客观的评价指标，离工程应用还有不小的距离。
正如论文FlowFusion中所介绍的，场景流反映了世界坐标系下物体点云的3D运动情况，也就是我们想要检测的东西；光流是二维图像中像素运动产生的，并不简单是场景流投影至二维平面的结果，其还受相机运动（Ego motion）的影响，也就是说，相机运动产生的Ego Flow和物体本身运动产生的Secne Flow叠加，并投影至相机图像平面上，便得到了我们观测的Optical Flow。
OpticalFlow=SceneFlow+EgoFlow
Secne Flow反应了物体的真实运动情况，求得场景流便知道了运动的物体。具体方法为：
1.计算两帧图像的初始位置，并进一步计算Ego Flow（相机）
2.计算两帧图像的光流场
3.二者相减得到3D场景流，投影至2D图像平面即得到了运动区域
最朴素的想法是计算每个点的误差大小（光度、重投影误差等）。可以应用在特征点上也可以应用在整个图像上，因为要计算误差，所以需要计算一个初始的位姿，计算位姿时一般会将当前图像与所维护的静态地图进行比较，因为每一帧图像都会对静态地图进行更新和维护，所以位姿计算也是比较准确地。
首先计算整张图像的残差，然后通过自适应阈值分割即可得到大致的动态区域，最后经过形态学处理去除噪声影响即可。
传统SLAM算法与动态SLAM算法的轨迹对比。
作者：Mr Qin。如若转载，请注明出处：古月居 https://www.guyuehome.com/34296
