1.基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于，包括以下步骤：S1，使用K-means聚类法，将RGB-D相机采集到的图像分为24个簇；

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，分别得到光度及几何一致性残差、边缘对齐残差和补偿残差；

S3，将所述光度及几何一致性残差和边缘对齐残差进行数据融合，构建基于边缘信息的聚类残差模型；

S4，引入平均背景深度进行运动分割，基于步骤S3构建的模型引入平均背景深度构建引入平均背景深度聚类残差模型；

S5，计算步骤S2中的补偿残差；

S6，将步骤S2中的补偿残差和S5构建的残差模型与面元3D重建算法结合，得到加权聚类残差；

根据聚类残差分布的普遍特征，通过使用面元3D重建算法分离高动态簇和静态簇，伪代码如下：算法中，

式中，x

通过面元3D算法构建场景分割模型，残差高于残差平均值的簇判定为动态部分，低于阈值的簇作为静态部分或赋权部分加入到位姿估算中，具体公式如下：式中，

S7，将步骤S6得到的加权聚类残差加入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。

2.根据权利要求1所述基于边缘信息的RGB-D相机动态视觉里程计方法，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簇中心点的距离，来确定该空间点属于哪一个簇。

3.根据权利要求1所述基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于：所述步骤S2包括：S21：将聚类后的当前帧F

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。

4.根据权利要求3所述基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于：所述构建的光度及几何一致性残差模型为：式中，

所述边缘对齐残差模型具体公式如下：

式中，

5.根据权利要求1-4任一项所述基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于：步骤S3所述基于边缘信息的聚类残差模型，具体公式如下：式中，r

6.根据权利要求5所述基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于：所述DT误差在残差模型中所占权重α式中，v

7.根据权利要求6所述基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于：步骤S4所述构建引入平均背景深度聚类残差模型，具体包括：S41：定义平均背景深度公式为：

式中，

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，δ

8.根据权利要求7所述基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于：步骤S5所述补偿残差S(b)分为SS(b)＝S

式中，K

9.根据权利要求8所述基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于：所述步骤S7具体包括：S71：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，用来准确的估计帧间运动，具体公式如下：式中，M表示所有深度有效的点的数量，通过最小化非线性优化函数求得最佳的帧间运动；

S72：采用边缘信息来评估跟踪质量，将跟踪过W帧的边缘投影到当前帧中，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，γ