基于双目视觉的三维语义地图构建

发布时间：2021-10-07 23:55

　　近年来,随着计算机硬件水平的提高和人工智能技术的发展,智能机器人在多种场景中得到应用,如工业机器人、扫地机器人等。对环境的感知与理解是智能机器人进行自主探索、行为决策、人机交互等任务的基础。机器人一般通过激光雷达、摄像机等传感器捕捉周边环境信息,使用算法进行分析,最后实现对环境的理解。如何利用图像中视觉数据使机器人拟人化地感知环境且进行决策是计算机视觉领域中热门的研究问题,针对这个问题,本文提出了结合双目视觉SLAM技术与语义分割技术的三维语义地图构建方法,使智能机器人可以根据相机图片构建三维语义地图,帮助其更好地理解环境信息,更智能化地进行自主工作。本文以基于双目视觉信息的三维语义地图构建方法为研究目标,首先对语义分割技术进行研究,针对传统语义分割神经网络模型在分割效率和精度方面存在的不足,分析了高效神经网络的设计方法。结合分解卷积、残差连接、卷积通道重排序和多尺度膨胀卷积的方法设计了网络卷积单元,利用多尺度金字塔级联结构构建基于注意力机制的解码器,组成实时语义分割神经网络模型。通过实验对比分析,证明了该语义分割网络在参数量、分割精度和运行速度上都有较好的表现,在语义分割任务的精度要... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

实例语义地图[25]

哈尔滨工业大学工程硕士学位论文-9-图像进行处理，面对高分辨率图像会导致网络无法进行有效的运算处理，计算缓慢。卷积神经网络是在计算机视觉和图像处理领域中应用最为广泛和成功的模型，最开始在手写数字的研究中取得了较高的识别准确率，后续被推广到其他分割、识别、跟踪等领域广泛应用。与传统的神经元不同，传统神经元的计算通常是二维的，卷积输出也是二维的向量，而卷积神经元多了卷积通道的维度，可以将多通道的输入的二维图像进行卷积，得到多通道的卷积特征图。卷积神经网络通常包含有输入层、卷积层、下采样层、全连接层、输出层等，其结构组成如图2-1所示。图2-1卷积神经网络图2-1各层网络作用如下：（1）卷积层：在卷积层中，卷积核对上一层传来的特征图进行操作，得到输出的特征图，卷积操作如图2-2所示。图2-2卷积操作卷积核中的参数值是网络训练的核心，不同参数的卷积核对特征图进行卷积后得到的特征图也完全不同，因此参数的训练调整的过程就是网络学习的过程。卷积核卷积会导致图片维度发生变化，为此通常在输入的特征图周围加上和卷积核宽度大小相对应的值进行扩充，称为padding。卷积核的卷积操作体现了卷积神经网络与传统人工神经网络的不同之处，由于卷积核大小通常是固定的并且远远小于输入的特征图的分辨率，因此每次卷积中上一层的特征图中只有部分区域的特征会被聚集且传到下一层的对应位置，实现了神经网络的局部连接，有效保证了网络信息的传递，对比全连接的方法计算量和参数量都大大

哈尔滨工业大学工程硕士学位论文-9-图像进行处理，面对高分辨率图像会导致网络无法进行有效的运算处理，计算缓慢。卷积神经网络是在计算机视觉和图像处理领域中应用最为广泛和成功的模型，最开始在手写数字的研究中取得了较高的识别准确率，后续被推广到其他分割、识别、跟踪等领域广泛应用。与传统的神经元不同，传统神经元的计算通常是二维的，卷积输出也是二维的向量，而卷积神经元多了卷积通道的维度，可以将多通道的输入的二维图像进行卷积，得到多通道的卷积特征图。卷积神经网络通常包含有输入层、卷积层、下采样层、全连接层、输出层等，其结构组成如图2-1所示。图2-1卷积神经网络图2-1各层网络作用如下：（1）卷积层：在卷积层中，卷积核对上一层传来的特征图进行操作，得到输出的特征图，卷积操作如图2-2所示。图2-2卷积操作卷积核中的参数值是网络训练的核心，不同参数的卷积核对特征图进行卷积后得到的特征图也完全不同，因此参数的训练调整的过程就是网络学习的过程。卷积核卷积会导致图片维度发生变化，为此通常在输入的特征图周围加上和卷积核宽度大小相对应的值进行扩充，称为padding。卷积核的卷积操作体现了卷积神经网络与传统人工神经网络的不同之处，由于卷积核大小通常是固定的并且远远小于输入的特征图的分辨率，因此每次卷积中上一层的特征图中只有部分区域的特征会被聚集且传到下一层的对应位置，实现了神经网络的局部连接，有效保证了网络信息的传递，对比全连接的方法计算量和参数量都大大


本文编号：3423027