摘要：室外场景中特征点丰富且具有多样的几何形状和尺度，但因光照变化明显、纹理重复性较高，导致传统的视觉同步定位与建图算法在进行场景的三维重建过程时，存在特征点提取与匹配精度低的问题。为了提升系统在复杂环境中的建图精度和鲁棒性，本文提出一种融合注意力机制的视觉SLAM算法，对SLAM系统中的特征提取和匹配方式进行改进。首先，将通道-空间融合的卷积注意力模块融合到SuperPoint网络编码器的卷积层中，以增强模型的特征提取和匹配能力;然后，将改进后的SuperPoint网络与ORB-SLAM2算法的后端相结合，实现在复杂场景中更准确的位姿估计和地图构建;最后，在KITTI数据集上进行验证。结果显示，融合通道-空间卷积注意力模块的SuperPoint网络在保持特征点稳定性和描述子判别性的基础上，有效提升了图像间特征匹配的精度，本文所提出的SLAM算法与ORB-SLAM2算法相比，绝对轨迹误差减少了30.05%，相对位姿误差减少了14.49%，实验结果表明，本文方法在光照变化明显和纹理重复性高的室外环境中具有更强的鲁棒性和稳定性，有效地提升了SLAM系统在室外复杂环境中的建图精度。
文章目录
0 引言
1 算法结构
2 融合注意力机制的特征提取和匹配网络
2.1融合注意力机制的特征提取网络模型
2.2损失函数构建
2.3模型与训练
3 实验结果与分析
3.1特征提取效果对比实验
3.2特征匹配效果对比实验
3.3公开数据集轨迹对比实验
4 结论
