基于RSOM聚类树的视觉SLAM闭环检测关键技术研究

发布时间：2017-08-19 12:39

  本文关键词：基于RSOM聚类树的视觉SLAM闭环检测关键技术研究

  更多相关文章： 即时定位与同步建图 闭环检测 SIFT特征 RSOM树 图像检索

【摘要】：随着人工神经网络和机器人技术的飞速发展,具有即时定位和同步建图(Simultaneous Localization and Mapping, SLAM)能力的移动机器人成为了当今人工智能领域的研究热点之一。当机器人处在未知环境中时,由于缺乏周围环境的先验信息,因此需要判断当前所处的位置之前是否访问过,并以此作为定位误差和地图更新的依据,即闭环检测问题。基于计算机视觉的SLAM闭环检测的主要任务是寻找数据库中与当前采集图像最相似的历史图像,并判断这两幅图像是否来自于同一场景。本文首先概述了国内外导航机器人技术的研究现状和SLAM闭环检测研究的核心问题,并分析了典型图像局部不变特征和两种图像建模方法的基础理论,为闭环检测算法中的图像表征、图像匹配和图像检索提供了理论依据。由于实时采集的图像序列中相邻图像间的相似度较高,若将即时采集的图像直接存入数据库,则容易导致的错误闭环检测。针对该问题,本文设计了一种序列图像分组算法对输入图像进行筛选。同时,当前大部分闭环检测算法的运算时间随着数据库增大而快速增加,从而使得检测系统不具有实时性能。考虑到自组织映射神经网络树(Recursive Self-organizing Map, RSOM)在大规模图像检索领域的优异性能,本文提出了一种基于RSOM树的视觉场景建模方法,为访问的场景建立路标；同时提出一种于RSOM树的路标检索算法,实时检索数据库内的相似路标。在运行时,系统还将实时删除数据库内的冗余路标和冗余图像。在闭环检测中,感知混淆是导致误检的主要原因之一,本文结合各场景之间的相似性关系和几何约束提出了一种阈值加权方法来最大程度避免该问题。同时,算法通过增量学习的方式来实时学习各场景中的信息,以提高检测精度。在六种不同环境下的实验测试结果表明：本文设计的SLAM闭环检测算法在室内和室外多种环境下均有实时检测能力,具有较高的检测召回率,同时对动态目标有一定的自适应性。
【关键词】：即时定位与同步建图 闭环检测 SIFT特征 RSOM树 图像检索
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP242
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-16
• 1.1 论文背景及研究意义10-12
• 1.2 视觉SLAM闭环检测的研究现状及核心问题12-15
• 1.2.1 视觉SLAM闭环检测的研究现状12-13
• 1.2.2 视觉SLAM闭环检测的核心问题13-15
• 1.3 论文的主要工作与结构安排15-16
• 第2章 典型图像建模方法与属性图模型16-33
• 2.1 典型图像局部不变特征方法16-26
• 2.1.1 典型局部不变特征的检测和描述16-18
• 2.1.2 SIFT特征的检测与描述18-26
• 2.2 视觉词汇包模型分析26-29
• 2.2.1 视觉词汇包模型26-28
• 2.2.2 基于视觉词汇包的闭环检测算法28-29
• 2.3 属性图模型的构建与匹配29-31
• 2.3.1 属性图模型的构建30-31
• 2.3.2 属性图相似度量31
• 2.4 本章小结31-33
• 第3章 基于RSOM树的视觉SLAM的场景建模33-45
• 3.1 视觉场景建模方法分析33-34
• 3.2 序列图像分组34-36
• 3.3 基于RSOM聚类树的场景建模36-44
• 3.3.1 RSOM树原理和训练算法概述37-41
• 3.3.2 基于RSOM树的视觉场景建模41-44
• 3.4 本章小结44-45
• 第4章 基于RSOM树的单目视觉SLAM闭环检测算法45-59
• 4.1 基于RSOM树的近邻路标检索45-49
• 4.1.1 基于RSOM树的图像检索45-47
• 4.1.2 基于RSOM树的近邻路标检索47-49
• 4.2 闭环检测阈值分量加权49-52
• 4.2.1 相似性路标阈值分量加权49-51
• 4.2.2 几何近邻阈值分量加权51-52
• 4.3 数据库管理52-56
• 4.3.1 场景信息的完善53-54
• 4.3.2 无效路标精简54-56
• 4.4 闭环检测的判定56-58
• 4.5 本章小结58-59
• 第5章 闭环检测实验设计与结果分析59-71
• 5.1 闭环检测平台搭建与实验场景59-62
• 5.2 闭环检测实时性能实验62-65
• 5.2.1 闭环检测室内环境下实时性能实验62-63
• 5.2.2 闭环检测室外环境下实时性能实验63-65
• 5.3 闭环检测召回率实验65-70
• 5.3.1 闭环检测室内环境下召回率实验66-67
• 5.3.2 闭环检测室外环境下召回率实验67-70
• 5.4 本章小结70-71
• 结论71-73
• 参考文献73-80
• 致谢80-81
• 附录A 攻读学位期间所发表学术论文目录81-82
• 附录B 攻读学位期间所获得的奖励82-83
• 附录C 序列图像分组部分代码83-90
• 附录D 增量学习部分代码90-96

，

本文编号：700772