+

1.基于DeepLabv3_SLAM的动态对象检测方法，其特征在于，包括以下步骤：S1，对输入的图像进行关键帧的筛选，生成关键帧队列；

+

S2，利用DeepLabv3算法结合上下文信息分割出潜在的先验动态对象；

S3，采用多视图几何的方法，依据相邻关键帧检测图像中物体的运动状态信息，判断其是否为动态对象；

S4，利用新蚁群策略，通过最优路径找到所有的动态特征点所在组，避免遍历所有特征点；

S5，融合物体的先验信息和运动状态信息检测其是否为动态对象并进行剔除。

+

2.根据权利要求1所述基于DeepLabv3_SLAM的动态对象检测方法，其特征在于：步骤S1所述关键帧的筛选包括，当前帧图像跟踪到的特征点较上一帧的特征点，两者特征点的重合度小于75％，或者当前帧跟踪的地图点少于50个时，插入关键帧。

+

3.根据权利要求1所述基于DeepLabv3_SLAM的动态对象检测方法，其特征在于：步骤S2所述利用DeepLabv3+算法分割出潜在的先验动态对象，具体包括以下步骤：采用ResNest网络替换原分类网络ResNet来提取图像特征并获得图像的分类，将得到的分类结果送入空洞空间金字塔池化模块提取多尺度的特征图信息，并将得到的特征图信息在通道维度上拼接融合，然后经过1×1卷积降维，得到含有高级语义特征的特征图，最后将ResNest的特征图与含有高级语义特征的特征图进行拼接融合，获得最终的语义分割结果，即获得潜在先验动态对象所处的区域分布情况。

+

4.根据权利要求3所述基于DeepLabv3_SLAM的动态对象检测方法，其特征在于：所述空洞空间金字塔池化模块，通过在不同的分辨率上进行深度可分离卷积及全局平均池化操作以捕获丰富的上下文信息，其输出表示为：其中x是输入，y是输出， 表示为卷积核大小为k，空洞速率为r的卷积操作；

将不同空洞率的空洞卷积平行堆叠以获取多尺度的信息增益；

同时，保持空洞率的大小不变，将3×3的空洞卷积进行2D分解，分解为3×1和1×3的卷积。

+

5.根据权利要求4所述基于DeepLabv3_SLAM的动态对象检测方法，其特征在于：所述空洞率的一维数学表达式为

其中x[i]表示输入信号，y[i]表示输出信号，i表示空洞卷积的位置，r表示空洞速率，w(s)表示卷积核大小为s位置的参数，S表示卷积核的尺寸。

+

6.根据权利要求1所述基于DeepLabv3_SLAM的动态对象检测方法，其特征在于：步骤S3所述多视图几何的方法通过计算每一个关键点p从先前的关键帧到当前帧的投影点p'之间的深度值之差Δzproj，同时计算p和p'之间的视角差 通过Δzproj和 的变化来判断物体是否为动态对象，视角相似度v的计算公式为：v＝0.7×Δd+0.3×Δr其中Δd为移动变化量，Δr为旋转变化量；

如果计算p和p'之间的视角差 或者深度值之差Δzproj大于其设定的阈值，该特征点被判定为动态点。

+

7.根据权利要求1所述基于DeepLabv3_SLAM的动态对象检测方法，其特征在于：步骤S4所述新蚁群策略具体为，根据特征点在图像中的分布情况，设计一条从起始点start到目的地target的路径l，蚁群从路径上的特征点ki＝0连续移动到ki(i＝0,1,…,n)，直到到达目的地，在移动的路径上每个特征点ki将会以自身为原点，搜索半径为R内的特征点，如果没有发现有动态点，则继续在路径l上前进；当找到动态点时，以Δz的带宽向外扩展，如果找到下一个新的动态点，再继续以Δz向外扩展，直到在扩展的区域内找不到动态点为止，然后重新回到路径l中，继续依次搜索下一个符合动态特征的特征点ki，直到走完整条路径l。

+

8.根据权利要求1所述基于DeepLabv3_SLAM的动态对象检测方法，其特征在于：所述步骤S5具体包括，如果通过多视图几何方法和新蚁群策略检测到一定数量的特征点为动态点，且这些动态点位于先验动态对象所在的区域内，则删除该区域内的所有特征点。