發(fā)布時間：2021-10-23 20:01

　　在機器人學(xué)的領(lǐng)域中,視覺同步定位與地圖構(gòu)建技術(shù)（VSLAM）應(yīng)用于室內(nèi)外機器人定位、機器人導(dǎo)航與避障、機器人人機交互等領(lǐng)域。特征點法VSLAM由于其定位精度好的特點得到廣泛應(yīng)用,但是由于攝像頭拍攝光照變化、視角變化、噪聲干擾等因素,導(dǎo)致所提取的特征點位置漂移和匹配錯誤,使得VSLAM在攝像頭拍攝條件復(fù)雜的室內(nèi)環(huán)境和室外環(huán)境下定位精度降低甚至跟蹤丟失。為了解決VSLAM魯棒性不足這一問題,本課題從特征檢測角度入手,使用自監(jiān)督學(xué)習(xí)方法,設(shè)計并訓(xùn)練特征檢測網(wǎng)絡(luò)對特征點進行定位及描述,以此搭建自監(jiān)督特征VSLAM,提高VSLAM系統(tǒng)在復(fù)雜環(huán)境下的魯棒性和定位準(zhǔn)確性。本課題主要工作如下:首先,本課題以特征檢測算法為切入點對VSLAM系統(tǒng)的魯棒性提升方法進行研究�；赩SLAM相關(guān)理論及問題,本課題通過對VSLAM不同部分的分析和對國內(nèi)外研究現(xiàn)狀的了解,發(fā)現(xiàn)特征檢測算法對于特征點法VSLAM系統(tǒng)有重要意義。因此,本課題提出使用具有高魯棒性的深度卷積神經(jīng)網(wǎng)絡(luò)作為特征檢測算法,從而有效提升VSLAM系統(tǒng)在復(fù)雜視覺環(huán)境下的性能。其次,本課題設(shè)計自監(jiān)督學(xué)習(xí)策略訓(xùn)練特征檢測網(wǎng)絡(luò)對圖像特征點進行提取。該特征檢... 

【文章來源】：華東理工大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：99 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．丨機器人應(yīng)用領(lǐng)域??

華東理工大學(xué)碩士學(xué)位論文?第７頁??內(nèi)存占用量。因此，對于特征點法ＶＳＬＡＭ來說，需要一種實時性高，內(nèi)存占用小，匹??配性能好的高魯棒性特征檢測算法。??ｆｌｓｓ?ａａｉ：??圖１．２特征檢測算法示例??Ｆｉｇ．?１．２?Ａｎ?Ｅｘａｍｐｌｅ?ｏｆ?Ｉｎｔｅｒｅｓｔ?Ｐｏｉｎｔ?Ｄｅｔｅｃｔｉｏｎ?Ａｌｇｏｒｉｔｈｍ??現(xiàn)階段深度學(xué)習(xí)對于特征檢測算法同樣有著豐富的前沿研究成果，ＬＩＦＴＰＵ，ＵＣＮｉｍ，??ＴＩＬＤＥＰｌ等算法證明了使用ＤＣＮｉｍ進行監(jiān)督學(xué)習(xí)能夠提取性能出眾的特征點和描述子。??Ｌ１ＦＴ［７１］旨在通過監(jiān)督學(xué)習(xí)提取經(jīng)過ＳＦＭ１７４］Ｓ濾后的ＤｏＧ１１３】輸出特征，ＴＩＬＤＥｌ７３］同樣使??用ＤＣＮ【１５］建立訓(xùn)練集數(shù)據(jù)。然而，上述深度學(xué)習(xí)特征檢測算法均需要較大規(guī)模的特征??點數(shù)據(jù)集，一般通過３Ｄ物體建模后投影至數(shù)字圖像匹配，或是通過人工設(shè)定標(biāo)簽完成，??耗時耗力。??１．２．４自監(jiān)督學(xué)習(xí)算法研宄現(xiàn)狀??深度學(xué)習(xí)的學(xué)習(xí)機制大致可分為監(jiān)督學(xué)習(xí)（Ｓｕｐｅｒｖｉｓｅｄ?Ｌｅａｒｎｉｎｇ），非監(jiān)督學(xué)習(xí)??（Ｕｎｓｕｐｅｒｖｉｓｅｄ?Ｌｅａｒｎｉｎｇ），半監(jiān)督學(xué)習(xí)（Ｓｅｍｉ－Ｓｕｐｅｒｖｉｓｅｄ?Ｌｅａｒｎｉｎｇ）三大類別，而自監(jiān)督??學(xué)習(xí)（Ｓｅ丨ｆ－Ｓｕｐｅｒｖｉｓｅｄ?Ｌｅａｒｎｉｎｇ）是非監(jiān)督學(xué)子類之一■，Ｌｏｎｇｌｏｎｇ｜７：）ｌ為這些學(xué)習(xí)機制做??了如下定義：??（１）監(jiān)督學(xué)習(xí)：指使用經(jīng)過人工進行精密標(biāo)定的數(shù)據(jù)對深度神經(jīng)網(wǎng)絡(luò)等模型進行訓(xùn)??練的學(xué)習(xí)機制；??（２）非監(jiān)督學(xué)習(xí)：指使用完全不需要人工進行標(biāo)定的數(shù)據(jù)對深度神經(jīng)網(wǎng)絡(luò)等模型進??行訓(xùn)練的學(xué)習(xí)機制；??（３）半監(jiān)督學(xué)習(xí)：指使用較少數(shù)量的人工標(biāo)

第１４頁?華東理工大學(xué)碩士學(xué)位論文??信息進行觀測，隨著圖像處理技術(shù)的提升和硬件成本的降低，視覺傳感器，即攝像頭，??正逐漸發(fā)展為環(huán)境感知的關(guān)鍵途徑。在ＶＳＬＡＭ的運行過程中，視覺傳感器以一定的速??率對周遭的環(huán)境進行拍攝，拍攝圖像形成一段連續(xù)的視頻流，普通的民用級攝像頭能夠??以將近３０幀每秒（ＦＰＳ）的速率采集７２０ｐ圖像并輸出，而專業(yè)級的高速攝像頭甚至能??夠達到數(shù)千幀每秒的速率。如圖２．２所示，根據(jù)工作原理和輸出模式，視覺傳感器可分??為單目攝像頭（Ｍｏｎｏｃｕｌａｒ?Ｃａｍｅｒａ?）、雙目攝像頭（Ｓｔｅｒｅｏ?Ｃａｍｅｒａ）和ＲＧＢ－Ｄ攝像頭（ＲＧＢ－??Ｄ?Ｃａｍｅｒａ）三種基本類別，而隨著ＶＳＬＡＭ技術(shù)和圖像處理技術(shù)的發(fā)展，魚眼攝像頭??（Ｆｉｓｈ?ＥｙｅＣａｍｅｒａ）和全景攝像頭（Ｐａｎｏｒａｍｉｃ?ｃａｍｅ丨－ａ）也開始被研宄應(yīng)用于ＶＳＬＡＭ和??其他機器人學(xué)領(lǐng)域＝??２．２．１單目攝像頭成像原理??單目攝像頭，即ＲＧＢ攝像頭，優(yōu)點在于結(jié)構(gòu)簡單，成本低廉，也是雙目攝像頭和??ＲＧＢ－Ｄ攝像頭的基礎(chǔ)元件之一。ＲＧＢ攝像頭的幾何模型多為針孔模型（ＰｉｎｈｏｌｅＣａｍｅｒａ??Ｍｏｄｅｌ）或是鏡頭模型（Ｌｅｎｓ?Ｍｏｄｅｌ），如圖２．３所示。??目標(biāo)?屏障?、圖像??（ａ）針孔模型??目標(biāo)?鏡片?＾圖像??（ｂ）鏡頭模型??圖２．３攝像頭幾何模型??Ｆｉｇ．?２．３?Ｃａｍｅｒａ?Ｍｏｄｅｌｓ??視覺傳感器主要負責(zé)觀測周圍環(huán)境，所謂觀測即對攝像頭視域范圍內(nèi)的環(huán)境成像的??過程，針孔模型能夠?qū)ⅲ常氖澜缦履繕?biāo)上各個點投影到２Ｄ平面形成圖像，其成像關(guān)系??如２．４（ａ）所不。攝像頭平面以坐標(biāo)系表

【參考文獻】：
期刊論文
[1]基于單目視覺的移動機器人SLAM系統(tǒng)構(gòu)建[J]. 鄧明華,陳云紅,王晶晶.  南方農(nóng)機. 2019(01)
[2]基于雙三次插值算法的圖像縮放引擎的設(shè)計[J]. 張阿珍,劉政林,鄒雪城,向祖權(quán).  微電子學(xué)與計算機. 2007(01)

碩士論文
[1]SLAM中圖像特征匹配算法研究及其硬件實現(xiàn)[D]. 何茜.西安理工大學(xué) 2019
[2]基于ORB的大視角變化下V-SLAM魯棒性研究[D]. 祁亮亮.西安理工大學(xué) 2019
[3]基于CNN與多源圖像的場景識別算法研究[D]. 劉小艷.桂林電子科技大學(xué) 2019
[4]基于VSLAM的移動機器人研究[D]. 柯宇.電子科技大學(xué) 2019
[5]基于RGB-D圖像的SLAM問題關(guān)鍵技術(shù)研究[D]. 王劍楠.南京航空航天大學(xué) 2017



本文編號：3453819