卷积神经网络在SLAM视觉里程计中的研究与应用

发布时间：2021-11-23 10:34

　　视觉里程计是同时定位与地图构建（简称SLAM）系统中的关键技术。SLAM中视觉里程计包括特征提取、特征匹配、帧间估计三部分。特征提取的稳定性和帧间估计的准确性直接影响SLAM系统的性能。由于受噪声、光照等不确定因素的影响以及特征点类型、数量的约束,传统基于人工的特征提取方法具有一定局限性。近来,有学者开始研究用卷积神经网络替代传统人工的方法提取特征和估计帧间运动。但是卷积神经网络结构复杂,需要庞大的训练数据集来训练。目前并不存在解决视觉里程计的训练数据集,针对这个问题本文设计了特征提取和帧间估计的训练数据集,来训练神经网络。第一个神经网络完成特征点的提取,第二个神经网络是对提取的特征点进行匹配、估计帧间变换关系。第一个神经网络对图片序列中单张图片进行处理,提取图片的角点特征。角点特征位置明确,是具有代表性的稳定可靠的特征。传统人工提取方法,提取的特征点数量太多,并且提取的是类角点特征而不是准确的角点特征。本文通过对经典VGG类卷积神经网络进行调整,来提取图像的特征点。为了确保提取稳定的角点特征,本文用OpenCV函数产生了数以万计的几何图片来训练网络结构。本文还将该网络与经典角点检测器... 

【文章来源】：山东科技大学山东省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

图１．３视觉里程计系统基本流程??Ｆｉｇ．?１．３?Ｂａｓｉｃ?ｆｌｏｗ?ｏｆ?ｖｉｓｉｏｎ?ｏｄｏｍｅｔｅｒ?ｓｙｓｔｅｍ??

以大致分为输入层、隐含层、输出层。相邻的两层神经元之间全都有连接的被??称之为全连接神经网络。神经网络中不存在循环，且同一层神经元也不存在连??接。其结构示意图如图２．２。??输入层一一??隐ｉ层?隐含层??图２．２神经网络结构示意图??Ｆｉｇ．?２．２?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??１１??

??Ｘ〇?＝?－ｌ??图２．１神经元示意图??Ｆｉｇ．?２．１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｎｅｕｒｏｎｓ??２．２．２神经网络结构??神经网络可以看成是一定数量的神经元按照一定规则排列连接形成的，可??以大致分为输入层、隐含层、输出层。相邻的两层神经元之间全都有连接的被??称之为全连接神经网络。神经网络中不存在循环，且同一层神经元也不存在连??接。其结构示意图如图２．２。??输入层一一??隐ｉ层?隐含层??图２．２神经网络结构示意图??Ｆｉｇ．?２．２?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??１１??

【参考文献】：
期刊论文
[1]车载视觉里程计发展现状与趋势研究[J]. 吴腾,赵军阳,张志利,路志勇,常振军.  电光与控制. 2017(10)
[2]检测图像角点自适应确定跟踪模板的方法[J]. 王德胜,吴钟建,姚秀娟,金代中,卢宏超.  红外技术. 2017(07)
[3]基于改进Harris-SIFT算子的快速图像配准算法[J]. 许佳佳,张叶,张赫.  电子测量与仪器学报. 2015(01)
[4]基于图优化的同时定位与地图创建综述[J]. 梁明杰,闵华清,罗荣华.  机器人. 2013(04)
[5]基于Harris与改进SIFT算法的图像匹配算法[J]. 冯政寿,王美清.  福州大学学报(自然科学版). 2012(02)

博士论文
[1]车辆运动特性约束的智能车辆视觉里程计系统研究[D]. 江燕华.北京理工大学 2014

硕士论文
[1]图像角点提取及匹配方法的研究[D]. 高建林.南京航空航天大学 2016
[2]基于单目视觉的四旋翼无人机位姿估计与控制[D]. 宋昱慧.哈尔滨工业大学 2016
[3]室外机器人单目视觉里程计研究[D]. 段京易.南京信息工程大学 2014
[4]基于特征点提取的单目视觉里程计的研究[D]. 吕强.浙江大学 2007



本文编号：3513702