相機在未知的環(huán)境中運動,自主地確定自身位置和構建空間地圖,是基于視覺的即時定位和建圖(Simultaneous Localization And Mapping,SLAM)要解決的主要問題。在視覺SLAM前端,特征點法是目前的主流方法之一,其存在匹配效率不高、匹配效果不好以及受圖像質量影響較大的問題。深度學習在視覺領域的發(fā)展一騎絕塵,但視覺SLAM存在大量的代數優(yōu)化問題,很難用深度學習方法設計出效果出眾的端到端SLAM模型。本文避開端到端SLAM,利用深度學習方法去解決視覺SLAM中的特征點檢測問題,這也是深度學習方法的優(yōu)勢。本文訓練了一個基于卷積神經網絡的特征檢測器,進一步利用該特征檢測器構建了單目視覺SLAM系統(tǒng),并加入相關優(yōu)化算法,主要研究內容如下:(1)針對傳統(tǒng)手工設計的特征點提取與匹配易受光照、視角、噪聲、圖像模糊等因素的影響,本文采用深度學習的方法解決特征點檢測問題。將傳統(tǒng)的關鍵點特征進行融合,并針對性地加入魯棒性優(yōu)化,解決無數據集的問題;使用MobileNet輕量化技巧改進的VGG樣式的全卷積神經網絡作為編碼器,分別使用兩個并行的解碼器檢測關鍵點和計算描述子,采用雙網絡架...

【文章頁數】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的背景和意義
        1.1.1 課題介紹與研究背景
        1.1.2 課題研究意義
    1.2 國內外研究現狀
        1.2.1 特征檢測器
        1.2.2 開源視覺SLAM方案
    1.3 本文的主要研究內容及創(chuàng)新點
        1.3.1 主要研究內容
        1.3.2 創(chuàng)新點
    1.4 論文結構安排
    1.5 本章小結
第2章 視覺SLAM及深度學習相關研究
    2.1 SLAM問題的數學表述
    2.2 視覺SLAM類型簡述
    2.3 位姿估計
        2.3.1 特征點的提取與匹配
        2.3.2 對極幾何
        2.3.3 三角化
        2.3.4 PnP求解運動
    2.4 捆集約束
    2.5 閉環(huán)檢測
        2.5.1 閉環(huán)檢測的作用
        2.5.2 詞袋模型
    2.6 深度學習方法在視覺SLAM中的應用
        2.6.1 卷積神經網絡概述
        2.6.2 網絡模型選擇
        2.6.3 訓練中的損失函數
    2.7 本章小結
第3章 基于傳統(tǒng)特征融合與輕量化CNN的特征檢測器
    3.1 總體框架
    3.2 傳統(tǒng)特征融合
        3.2.1 特征提取
        3.2.2 篩選與融合
    3.3 魯棒性調整
        3.3.1 模糊與噪聲
        3.3.2 光度變換
    3.4 網絡架構
        3.4.1 輕量化改進的編碼器
        3.4.2 關鍵點解碼器
        3.4.3 描述子解碼器
    3.5 損失函數
    3.6 實驗細節(jié)
        3.6.1 實驗環(huán)境
        3.6.2 訓練過程與測試
        3.6.3 MVP特征檢測器評價指標
        3.6.4 結果對比與分析
        3.6.5 特征點檢測與匹配可視化
    3.7 本章小結
第4章 基于MVP特征檢測器的單目SLAM算法優(yōu)化
    4.1 總體框架
    4.2 基于MVP特征檢測器的視覺里程計
        4.2.1 關鍵點的四叉樹均勻化策略
        4.2.2 描述子二進制化
        4.2.3 雙向最鄰近匹配
        4.2.4 視覺里程計實現
    4.3 基于MVP特征檢測器的閉環(huán)檢測
        4.3.1 字典訓練
        4.3.2 K叉樹表征字典
        4.3.3 圖像相似度計算
    4.4 實驗細節(jié)
        4.4.1 實驗環(huán)境
        4.4.2 實驗設計
        4.4.3 VO及 SLAM的評價指標
        4.4.4 結果對比與分析
    4.5 本章小結
第5章 論文總結與展望
    5.1 論文總結
    5.2 論文展望
參考文獻
致謝
附錄 攻讀碩士學位期間研究成果



本文編號：3810515