1.一种动态环境下融合边缘信息的稠密视觉里程计方法，其特征在于：包括以下步骤：S1，使用K‑means聚类法，将图像分为N个集群；

S2，将聚类后的边缘图与灰度图分别坐标变换到关键帧及其DT图上，分别计算出光度及几何一致性误差与边缘对齐误差，具体包括：S21：将聚类后的当前帧Fc的灰度图坐标变换到关键帧Fk，根据光度及几何一致性构建残差模型，计算光度及几何一致性误差，基于光度及几何一致性的残差模型具体公式如下：式中， 和 分别表示点i对应的光度误差与深度误差， 为当前帧的第i个像素点，Ik和Zk表示关键帧的灰度图与深度图，Ic和Zc表示当前帧的灰度图与深度图，|·|Z表示三维坐标点的Z坐标值，Tkc表示从当前帧到关键帧的坐标变换矩阵，ξkc为当前帧到关键帧坐标‑1变换的李代数，π 为逆投影函数，ω为坐标变换函数；

S22：将聚类后的边缘图坐标变换到关键帧的DT图，得到基于边缘对齐的残差模型，计算边缘对齐误差，所述基于边缘对齐的残差模型具体公式如下：式中， 表示边缘点i对应的DT误差，DTk表示关键帧的DT误差函数；

S3，将S2中的两种误差进行数据融合，构建融合边缘信息的聚类残差模型，并将其正则化；所述构建融合边缘信息的聚类残差模型，将边缘对齐误差引入到光度及几何一致性误差中构建融合边缘信息的残差模型，具体公式如下：式中，rn表示第n个集群的残差值，Sn表示第n个集群中所有深度有效的像素个数，On表示第n个集群中遮挡的像素个数，En表示第n个集群中所有深度有效的边缘点， 为第n个群的平均深度，αI与αE分别表示光度误差与DT误差在残差模型中所占权重， 表示边缘点i对应的DT误差；

所述正则化，具体公式如下：

式中，E(rn)为非线性优化求解的最小误差，Gmn为聚类连通函数，为1表示m与n集群连通，rn与rm分别表示第n个集群和第m个集群的残差值，rn,c‑1表示上一帧中第n个集群的残差值，λR与λT表示对非线性优化函数求解的权重；

S4，引入平均背景深度进行运动分割，基于S3构建引入平均背景深度的聚类残差模型，具体包括：S41：定义平均背景深度公式为：

式中， 表示当前帧平均背景深度， 表示上一帧平均背景深度，dc‑1为上一帧所分割出的动态集群数量， 表示第n个集群的平均深度，λD为上一帧平均背景深度对计算当前帧平均背景深度影响的权重；

S42：根据S41构建的公式构建引入平均背景深度后的残差模型为：式中，δn为引入平均背景深度后的第n个集群的残差值， 表示第n个集群与背景的距离；

S5，构建基于t分布的非参数统计模型，根据自适应阈值构建场景分割模型，并计算得到加权聚类残差，具体包括：S51：构建基于t分布的非参数统计模型为：

σ＝1.4826Median{|δn‑μ|}

式中，wn为t分布的概率值，v0为t分布的自由度，平均值μ决定分布中心所处位置，σ为统计方差，通过中位数绝对偏差估算得到；

S52：根据自适应阈值构建场景分割模型，残差高于自适应阈值的集群判定为动态部分，低于阈值的集群作为静态部分或赋权部分加入到位姿估算中；

S6，将步骤S5得到的加权聚类残差加入到优化函数中进行位姿估算，并将得到的位姿进行跟踪质量检查，更新下次迭代的变换矩阵或关键帧，具体包括：S61：采用Cauchy M‑estimator模型，通过加权聚类残差来构建非线性优化函数，具体公式如下：式中，M表示所有深度有效的点的数量， 表示属于第n个集群的点i的权重，ξ为所求最优位姿的李代数，c定义了F(r)的拐点，调整c可增加对高残差的鲁棒性；

S62：采用边缘信息来评估跟踪质量，通过将先前跟踪过的N帧的边缘投影到当前帧，得到像素点重叠计数图，通过对相同重叠数构建直方图，来获取图像重叠情况，具体公式如下：式中H(j)表示重叠数为j的点的数量，H(0)表示未重叠的点的数量，γj与γ0分别表示重叠数为j和0的点在跟踪质量评估中所占的权重。

2.根据权利要求1所述一种动态环境下融合边缘信息的稠密视觉里程计方法，其特征在于：所述K‑means聚类法，通过计算每一个三维空间点距离集群中心点的距离，来确定该空间点属于哪一个集群。

3.根据权利要求1所述一种动态环境下融合边缘信息的稠密视觉里程计方法，其特征在于：权重αI与αE满足以下公式：式中，vc为相机运动速度，N为集群总数量，μ为由αI到αE的尺度系数。