在自動駕駛領(lǐng)域中,SLAM被用于進行精確定位和3D重建�；丨h(huán)檢測被用于矯正SLAM視覺里程計長期運行中產(chǎn)生的漂移誤差,從而對車身軌跡和位姿進行優(yōu)化。基于深度學習的回環(huán)檢測方法已經(jīng)被證實能夠在光線變化明顯的環(huán)境下取得更好的效果,且所提取特征富含豐富的語義信息。本文利用深度學習方法分別從背景特征提取和背景特征匹配兩個角度對自動駕駛場景下的SLAM閉環(huán)檢測方法進行了以下研究:首先,提出了一種應用于自動駕駛室外場景下的基于背景目標檢測的圖像背景特征提取方法。該方法基于一個目標檢測網(wǎng)絡實現(xiàn),通過對室外場景特定的背景目標進行檢測,提取只與背景物體種類和位置有關(guān)的圖像特征。然后,提出了一個基于背景特征提取和人工相似度度量來實現(xiàn)回環(huán)檢測的方法。在上述背景特征提取方法的基礎上,提出一個基于L₂距離和最近鄰搜索的相似度度量方法,并基于該相似度度量方法在帶有位置信息標注的數(shù)據(jù)集上對不同圖像提取了背景特征并計算該相似度來進行圖像匹配。最后,針對特征之間的相似度度量和匹配,提出了一個基于背景特征提取和度量學習的回環(huán)檢測方法。該回環(huán)檢測方法在特征匹配中利用了度量學習的方法,通過度量學習對背景... 

【文章來源】：浙江大學浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：83 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景和研究意義
    1.2 SLAM回環(huán)檢測的研究現(xiàn)狀
        1.2.1 基于人工圖像特征的傳統(tǒng)回環(huán)檢測方法研究
        1.2.2 基于深度學習的回環(huán)檢測方法研究
    1.3 本文研究內(nèi)容
第2章 室外場景下基于背景目標檢測的背景特征提取
    2.1 引言
    2.2 相關(guān)基礎知識
        2.2.1 卷積神經(jīng)網(wǎng)絡基礎
        2.2.2 目標檢測網(wǎng)絡基礎
        2.2.3 非極大值抑制
    2.3 室外場景圖像的背景特征提取
        2.3.1 背景目標檢測網(wǎng)絡
        2.3.2 背景特征與背景目標檢測
    2.4 實驗過程與結(jié)果分析
        2.4.1 實驗數(shù)據(jù)
        2.4.2 實驗過程
        2.4.3 實驗結(jié)果與分析
    2.5 本章小結(jié)
第3章 基于背景特征與相似度度量的視覺回環(huán)檢測
    3.1 引言
    3.2 基于背景特征與相似度度量的回環(huán)檢測
        3.2.1 特征預處理
        3.2.2 特征向量組的L2距離矩陣計算
        3.2.3 相似度計算
        3.2.4 最近鄰特征匹配與回環(huán)檢測
    3.3 實驗過程與結(jié)果分析
        3.3.1 實驗數(shù)據(jù)
        3.3.2 實驗過程
        3.3.3 實驗結(jié)果與分析
    3.4 本章小結(jié)
第4章 基于背景特征與度量學習的視覺回環(huán)檢測
    4.1 引言
    4.2 度量學習與三元組損失訓練理論基礎
        4.2.1 度量學習
        4.2.2 三元組損失
    4.3 基于度量學習的背景特征匹配與回環(huán)檢測
        4.3.1 數(shù)據(jù)預處理
        4.3.2 度量特征生成網(wǎng)絡
        4.3.3 回環(huán)檢測
    4.4 實驗過程與結(jié)果分析
        4.4.1 實驗過程
        4.4.2 實驗結(jié)果與分析
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 內(nèi)容總結(jié)
    5.2 研究展望
參考文獻
作者簡介
致謝



本文編號：3451292