论文部分内容阅读
位置识别在计算机视觉领域是一个非常具有挑战性的问题,同时位置识别也是机器人即时定位与建图(Simultaneous Localization and Mapping,SLAM)技术中的核心模块回环检测(Loop Closure)的重要组成部分,位置识别是实现移动机器人自主导航任务的关键组成技术之一,对SLAM技术中即时定位和地图的全局校正起到重要作用,同时也是目前的热点研究方向之一。位置识别任务中经常会遭遇如光照、天气、角度等剧烈环境变化,基于传统手工特征(例如SIFT、ORB等)的位置识别算法往往难以取得理想的效果。随着深度学习在计算机视觉领域取得的巨大成功,本文利用在大数据集上预训练的卷积神经网络(Convolution Neural Network,CNN)特征的强大表征能力作为位置图像的特征描述子,提出了一种利用卷积神经网络提取图像特征,结合卷积区域最大激活(Regional Maximum Activation of Convolutions,RMAC)以及分层可通航小世界图(Hierarchical Navigable Small World graphs,HNSW)等算法实现的位置识别算法。针对维度过高的CNN特征进行相似性计算的时间复杂度过高的问题,本文通过引入RMAC算法对位置图像提取的CNN特征描述子进行降维处理,降低相似性计算时间复杂度,从而提高位置识别算法的实时性,同时为了避免CNN特征降维出现信息丢失所带来的算法性能下降,在算法中引入了利用降维后的特征进行粗略匹配和未降维特征进行精确匹配的过程来提高算法的准确性。此外为了解决当前位置图像特征描述子与之前经过的位置图像描述子进行相似性匹配查询的时间复杂度过高的问题,提出了基于HNSW的快速位置识别算法,从而大幅度的提高了算法实时性。另外本文针对回环检测任务提出了快速回环检测算法,为了避免检测出假回环,加入了时序判断和序列匹配过程提高了算法准确性。最后为了验证本文所提出的算法的有效性,在目前公开的具有挑战性的数据集上进行了对比实验,通过实验证明了本文所提出了的算法在可接受范围内降低算法小部分准确性的前提下,大幅度的提高了算法实时性,证明了本文所提出的算法在理论创新和实际应用上都具有一定的意义和价值,希望本文所研究内容能够对未来的位置识别研究发展做出一定的启发作用。