排序方式: 共有2条查询结果,搜索用时 15 毫秒
1
1.
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。 相似文献
2.
针对存在快速移动物体等大型复杂场景下,现有基于卷积神经网络的视觉即时定位与地图构建(视觉SLAM)闭环检测方法没有很好的利用图像的局部空间特性且闭环位置预测困难、实时性差问题,本文提出了一种Darknet-NVPP视觉SLAM快速闭环检测方法.本文所用网络保留了CSP-Darknet的部分结构,增添了NetVLAD池化层,对所提取的图像特征进行编码.VLAD(局部空间聚合描述符)能够考虑特征点每一维的值,进而保留图像的空间信息.且根据闭环检测特性,改进其损失函数,构建训练集,对网络重训练,使提取的特征更加适用于闭环检测.又为了避免在不发生或很少发生闭环的情况下,浪费时间于检测,提出了一种基于概率预测与贪心算法的闭环检测方法.通过在New College数据集和目前最具挑战的Nordland数据集上进行实验,结果表明大型复杂场景下,相较于其他传统和基于深度学习的方法,本文方法具有更高的鲁棒性,可以在视觉SLAM中达到更高准确率和效率. 相似文献
1