本文關(guān)鍵詞：基于RSOM聚類樹的視覺SLAM閉環(huán)檢測關(guān)鍵技術(shù)研究

  更多相關(guān)文章： 即時定位與同步建圖 閉環(huán)檢測 SIFT特征 RSOM樹 圖像檢索

【摘要】：隨著人工神經(jīng)網(wǎng)絡(luò)和機器人技術(shù)的飛速發(fā)展,具有即時定位和同步建圖(Simultaneous Localization and Mapping, SLAM)能力的移動機器人成為了當今人工智能領(lǐng)域的研究熱點之一。當機器人處在未知環(huán)境中時,由于缺乏周圍環(huán)境的先驗信息,因此需要判斷當前所處的位置之前是否訪問過,并以此作為定位誤差和地圖更新的依據(jù),即閉環(huán)檢測問題。基于計算機視覺的SLAM閉環(huán)檢測的主要任務(wù)是尋找數(shù)據(jù)庫中與當前采集圖像最相似的歷史圖像,并判斷這兩幅圖像是否來自于同一場景。本文首先概述了國內(nèi)外導(dǎo)航機器人技術(shù)的研究現(xiàn)狀和SLAM閉環(huán)檢測研究的核心問題,并分析了典型圖像局部不變特征和兩種圖像建模方法的基礎(chǔ)理論,為閉環(huán)檢測算法中的圖像表征、圖像匹配和圖像檢索提供了理論依據(jù)。由于實時采集的圖像序列中相鄰圖像間的相似度較高,若將即時采集的圖像直接存入數(shù)據(jù)庫,則容易導(dǎo)致的錯誤閉環(huán)檢測。針對該問題,本文設(shè)計了一種序列圖像分組算法對輸入圖像進行篩選。同時,當前大部分閉環(huán)檢測算法的運算時間隨著數(shù)據(jù)庫增大而快速增加,從而使得檢測系統(tǒng)不具有實時性能�？紤]到自組織映射神經(jīng)網(wǎng)絡(luò)樹(Recursive Self-organizing Map, RSOM)在大規(guī)模圖像檢索領(lǐng)域的優(yōu)異性能,本文提出了一種基于RSOM樹的視覺場景建模方法,為訪問的場景建立路標；同時提出一種于RSOM樹的路標檢索算法,實時檢索數(shù)據(jù)庫內(nèi)的相似路標。在運行時,系統(tǒng)還將實時刪除數(shù)據(jù)庫內(nèi)的冗余路標和冗余圖像。在閉環(huán)檢測中,感知混淆是導(dǎo)致誤檢的主要原因之一,本文結(jié)合各場景之間的相似性關(guān)系和幾何約束提出了一種閾值加權(quán)方法來最大程度避免該問題。同時,算法通過增量學(xué)習(xí)的方式來實時學(xué)習(xí)各場景中的信息,以提高檢測精度。在六種不同環(huán)境下的實驗測試結(jié)果表明：本文設(shè)計的SLAM閉環(huán)檢測算法在室內(nèi)和室外多種環(huán)境下均有實時檢測能力,具有較高的檢測召回率,同時對動態(tài)目標有一定的自適應(yīng)性。
【關(guān)鍵詞】：即時定位與同步建圖 閉環(huán)檢測 SIFT特征 RSOM樹 圖像檢索
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;TP242
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-16
• 1.1 論文背景及研究意義10-12
• 1.2 視覺SLAM閉環(huán)檢測的研究現(xiàn)狀及核心問題12-15
• 1.2.1 視覺SLAM閉環(huán)檢測的研究現(xiàn)狀12-13
• 1.2.2 視覺SLAM閉環(huán)檢測的核心問題13-15
• 1.3 論文的主要工作與結(jié)構(gòu)安排15-16
• 第2章 典型圖像建模方法與屬性圖模型16-33
• 2.1 典型圖像局部不變特征方法16-26
• 2.1.1 典型局部不變特征的檢測和描述16-18
• 2.1.2 SIFT特征的檢測與描述18-26
• 2.2 視覺詞匯包模型分析26-29
• 2.2.1 視覺詞匯包模型26-28
• 2.2.2 基于視覺詞匯包的閉環(huán)檢測算法28-29
• 2.3 屬性圖模型的構(gòu)建與匹配29-31
• 2.3.1 屬性圖模型的構(gòu)建30-31
• 2.3.2 屬性圖相似度量31
• 2.4 本章小結(jié)31-33
• 第3章 基于RSOM樹的視覺SLAM的場景建模33-45
• 3.1 視覺場景建模方法分析33-34
• 3.2 序列圖像分組34-36
• 3.3 基于RSOM聚類樹的場景建模36-44
• 3.3.1 RSOM樹原理和訓(xùn)練算法概述37-41
• 3.3.2 基于RSOM樹的視覺場景建模41-44
• 3.4 本章小結(jié)44-45
• 第4章 基于RSOM樹的單目視覺SLAM閉環(huán)檢測算法45-59
• 4.1 基于RSOM樹的近鄰路標檢索45-49
• 4.1.1 基于RSOM樹的圖像檢索45-47
• 4.1.2 基于RSOM樹的近鄰路標檢索47-49
• 4.2 閉環(huán)檢測閾值分量加權(quán)49-52
• 4.2.1 相似性路標閾值分量加權(quán)49-51
• 4.2.2 幾何近鄰閾值分量加權(quán)51-52
• 4.3 數(shù)據(jù)庫管理52-56
• 4.3.1 場景信息的完善53-54
• 4.3.2 無效路標精簡54-56
• 4.4 閉環(huán)檢測的判定56-58
• 4.5 本章小結(jié)58-59
• 第5章 閉環(huán)檢測實驗設(shè)計與結(jié)果分析59-71
• 5.1 閉環(huán)檢測平臺搭建與實驗場景59-62
• 5.2 閉環(huán)檢測實時性能實驗62-65
• 5.2.1 閉環(huán)檢測室內(nèi)環(huán)境下實時性能實驗62-63
• 5.2.2 閉環(huán)檢測室外環(huán)境下實時性能實驗63-65
• 5.3 閉環(huán)檢測召回率實驗65-70
• 5.3.1 閉環(huán)檢測室內(nèi)環(huán)境下召回率實驗66-67
• 5.3.2 閉環(huán)檢測室外環(huán)境下召回率實驗67-70
• 5.4 本章小結(jié)70-71
• 結(jié)論71-73
• 參考文獻73-80
• 致謝80-81
• 附錄A 攻讀學(xué)位期間所發(fā)表學(xué)術(shù)論文目錄81-82
• 附錄B 攻讀學(xué)位期間所獲得的獎勵82-83
• 附錄C 序列圖像分組部分代碼83-90
• 附錄D 增量學(xué)習(xí)部分代碼90-96

，

本文編號：700772