發(fā)布時間：2021-10-08 03:48

　　地點識別是判斷移動機器人是否到達先前經(jīng)過的場景,常被應(yīng)用在視覺SLAM的回環(huán)檢測優(yōu)化環(huán)節(jié)。隨著視覺傳感器在移動機器人中的廣泛應(yīng)用,復(fù)雜場景下的視覺地點識別是一個長期未解決的具有挑戰(zhàn)性的問題,挑戰(zhàn)主要來自兩個方面,第一,由光照、季節(jié)、天氣等發(fā)生劇烈變化造成的圖像外觀變化,第二,由相機拍攝角度不同造成的圖像視角變化。利用基于卷積神經(jīng)網(wǎng)絡(luò)路標的描述方式來進行圖像路標之間的匹配,已取得了一定的效果。但仍由于低效率的路標檢索機制和圖像中存在大量的動態(tài)路標作為對圖像的描述而導(dǎo)致誤匹配、弱匹配、識別實時性差的問題。據(jù)此,本文利用Mutip Cp LSH算法和動態(tài)路標篩選對基于卷積神經(jīng)網(wǎng)絡(luò)路標的視覺地點識別算法進行改進,本文詳細內(nèi)容如下:（1）介紹一種基于卷積神經(jīng)網(wǎng)絡(luò)路標的視覺地點識別技術(shù),詳細分析了該技術(shù)的優(yōu)缺點。（2）提出一種基于哈希檢索的視覺地點識別技術(shù),利用一種近似最近鄰搜索的Mutip Cp LSH算法替換雙向最近鄰搜索將視覺地點識別系統(tǒng)分為離線和在線兩個部分。離線構(gòu)建哈希表與查詢表來存儲參考圖像集中的路標特征,在線檢索查詢圖像路標在哈希表與查詢表中的全局最優(yōu)解。最后在三個具有挑戰(zhàn)性的數(shù)據(jù)集... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

視覺SLAM框架

回環(huán)檢測前后結(jié)果

杭州電子科技大學(xué)碩士學(xué)位論文9件之一，都會被檢測出來。圖2.1通用對象估計提取候選框?qū)τ谝粡垐D像，通用對象估計方法可以在圖像中提取一系列的候選框，針對每個候選框都有響應(yīng)的評分，評分代表著候選框中包含任意物體的概率。如圖2.1所示，圖像中包含紅色和青色候選框，紅色的候選框表示評分最高，就是該候選框內(nèi)包含任何物體的概率最大。青色的候選框評分最低，通常該候選框內(nèi)包含的是一些樹木、天空等背景信息。候選框只表示在該框內(nèi)是否包含物體，但是至于具體是什么物體并不進行檢測。接下來介紹在視覺地點識別系統(tǒng)中最常用的一種通用對象估計方法來進行圖像路標的提齲2.1.2EdgeBoxes算法Edgeboxes算法是視覺地點識別系統(tǒng)中最常用的路標提取算法，EdgeBoxes算法是利用圖像邊緣信息生成候選框并且具有高計算效率的目標檢測算法，邊緣信息提供了圖像中豐富的稀疏信息。由于圖像中可能存在大量的候選框，EdgeBoxes算法提供了有效的候選框評分機制，選取評分高的候選框作為對圖像的描述。候選框評分是利用文獻[57][58]中提出的快速、公開的結(jié)構(gòu)化邊緣檢測器來獲得初始邊緣圖，為了提高后續(xù)計算效率，將相似方向的相鄰邊緣像素聚集在一起形成邊緣組，通過計算邊緣組之間的相對位置和方向來計算邊緣組之間的相似度。因此，對于形成長連續(xù)輪廓邊緣組之間具有較高的相似度，一個候選框的得分就是通過將候選框內(nèi)所有邊緣組的邊緣強度加起來，減去跨越候選框邊界的輪廓的邊緣組強度來計算的。如圖2.2為EdgeBoxes算法的詳細流程圖。

【參考文獻】：
碩士論文
[1]室內(nèi)復(fù)雜環(huán)境下基于閉環(huán)檢測技術(shù)優(yōu)化的SLAM算法研究[D]. 吳奇.北京郵電大學(xué) 2019
[2]應(yīng)用于移動機器人視覺SLAM的地點識別研究[D]. 劉威.杭州電子科技大學(xué) 2019
[3]面向動態(tài)環(huán)境的移動機器人視覺SLAM算法研究[D]. 王志昊.北京郵電大學(xué) 2018
[4]基于通用對象估計的目標檢測與模糊車牌識別算法研究[D]. 趙丹鳳.南京郵電大學(xué) 2016
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的場景理解方法研究[D]. 吳裔慧.清華大學(xué) 2015



本文編號：3423373