基于深度学习的视觉SLAM闭环检测方法
针对在摄像机视角、光照、气候、地貌等条件的大幅度变化或者存在快速移动物体的复杂场景下,视觉即时定位与地图构建(simultaneous localization and mapping,SLAM)的精确性和鲁棒性较低等问题,闭环检测作为解决SLAM位姿漂移的重要环节,提出了一种基于神经网络的闭环检测方法.该方法通过传感器获取视觉图像的数据,不同于传统方法的特征提取,采用改进三重约束损失函数训练Darknet提取图像特征,构造对应特征向量矩阵.由于Darknet借鉴了残差网络(resnet)的思想,在具有较深网络层数的同时,仍保持较高的准确率,减少了特征提取误差.经过自编码器方法对数据进行降维处理,通过余弦相似度计算,设定合理阈值,能够更快的得到闭环检测结果.最后通过在两个公开视觉SLAM闭环检测数据集,New College数据集和光照及角度变化更明显的City Centre数据集上进行实验,结果表明复杂环境下本文提出的方法比现有闭环检测方法,能够得到更高准确率和速率,更好满足了视觉SLAM系统对消除累计误差和实时性的要求.
视觉即时定位与地图构建;复杂场景;三重约束损失函数;闭环检测;自编码器
32
TP391(计算技术、计算机技术)
天津市教委科研重点项目2017ZD13
2021-10-08(万方平台首次上网日期,不代表论文的发表时间)
共9页
628-636