基于哈希检索与路标筛选的视觉SLAM地点识别研究

发布时间：2021-10-08 03:48

　　地点识别是判断移动机器人是否到达先前经过的场景,常被应用在视觉SLAM的回环检测优化环节。随着视觉传感器在移动机器人中的广泛应用,复杂场景下的视觉地点识别是一个长期未解决的具有挑战性的问题,挑战主要来自两个方面,第一,由光照、季节、天气等发生剧烈变化造成的图像外观变化,第二,由相机拍摄角度不同造成的图像视角变化。利用基于卷积神经网络路标的描述方式来进行图像路标之间的匹配,已取得了一定的效果。但仍由于低效率的路标检索机制和图像中存在大量的动态路标作为对图像的描述而导致误匹配、弱匹配、识别实时性差的问题。据此,本文利用Mutip Cp LSH算法和动态路标筛选对基于卷积神经网络路标的视觉地点识别算法进行改进,本文详细内容如下:（1）介绍一种基于卷积神经网络路标的视觉地点识别技术,详细分析了该技术的优缺点。（2）提出一种基于哈希检索的视觉地点识别技术,利用一种近似最近邻搜索的Mutip Cp LSH算法替换双向最近邻搜索将视觉地点识别系统分为离线和在线两个部分。离线构建哈希表与查询表来存储参考图像集中的路标特征,在线检索查询图像路标在哈希表与查询表中的全局最优解。最后在三个具有挑战性的数据集... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

视觉SLAM框架

回环检测前后结果

杭州电子科技大学硕士学位论文9件之一，都会被检测出来。图2.1通用对象估计提取候选框对于一张图像，通用对象估计方法可以在图像中提取一系列的候选框，针对每个候选框都有响应的评分，评分代表着候选框中包含任意物体的概率。如图2.1所示，图像中包含红色和青色候选框，红色的候选框表示评分最高，就是该候选框内包含任何物体的概率最大。青色的候选框评分最低，通常该候选框内包含的是一些树木、天空等背景信息。候选框只表示在该框内是否包含物体，但是至于具体是什么物体并不进行检测。接下来介绍在视觉地点识别系统中最常用的一种通用对象估计方法来进行图像路标的提龋2.1.2EdgeBoxes算法Edgeboxes算法是视觉地点识别系统中最常用的路标提取算法，EdgeBoxes算法是利用图像边缘信息生成候选框并且具有高计算效率的目标检测算法，边缘信息提供了图像中丰富的稀疏信息。由于图像中可能存在大量的候选框，EdgeBoxes算法提供了有效的候选框评分机制，选取评分高的候选框作为对图像的描述。候选框评分是利用文献[57][58]中提出的快速、公开的结构化边缘检测器来获得初始边缘图，为了提高后续计算效率，将相似方向的相邻边缘像素聚集在一起形成边缘组，通过计算边缘组之间的相对位置和方向来计算边缘组之间的相似度。因此，对于形成长连续轮廓边缘组之间具有较高的相似度，一个候选框的得分就是通过将候选框内所有边缘组的边缘强度加起来，减去跨越候选框边界的轮廓的边缘组强度来计算的。如图2.2为EdgeBoxes算法的详细流程图。

【参考文献】：
硕士论文
[1]室内复杂环境下基于闭环检测技术优化的SLAM算法研究[D]. 吴奇.北京邮电大学 2019
[2]应用于移动机器人视觉SLAM的地点识别研究[D]. 刘威.杭州电子科技大学 2019
[3]面向动态环境的移动机器人视觉SLAM算法研究[D]. 王志昊.北京邮电大学 2018
[4]基于通用对象估计的目标检测与模糊车牌识别算法研究[D]. 赵丹凤.南京邮电大学 2016
[5]基于卷积神经网络的场景理解方法研究[D]. 吴裔慧.清华大学 2015



本文编号：3423373