基于Mask R-CNN的回环检测算法

本文针对SLAM问题中的回环检测算法进行研究,结合深度学习技术,提出了基于Mask R-CNN的回环检测算法。该算法利用MaskR-CNN检测得到的掩膜表示图像特征,定义了一种基于物体掩膜的计算图像相似度的方法。本文还将该算法与经典的BOW算法进行了融合,提出了2种融合算法的方式。本文在2个开放的数据集NewCollege和CityCentre对提出的算法进行了实验。实验结果表明,融合算法有着比BOW算法更高的性能,而且随着图像中可识别物体数量的增加,性能也会增加。     

基于全局描述符的回环检测激光SLAM算法

回环检测是同时定位与制图(SLAM)中一个重要且具有挑战性的问题。目前多数研究集中在视觉位置识别上,即通过外观来识别是否位置重复。为此,提出一种基于全局描述符的环路激光SLAM检测算法。利用全局描述符来提高回环检测的效率,使用相似度评分来计算两个扫描上下文之间的距离,并利用两阶段搜索算法来有效地检测回环。在公开数据集KITTI上测试,对算法进行评价。该算法与现有的LeGO-LOAM算法相比,表现出了更好的效果。     

基于最小回环检测的多车协同SLAM框架

为了提升自动驾驶车辆的感知效率和准确率,解决协同感知算法中对协同条件的限制和多源数据融合等问题,本文引入基于激光雷达的即时定位与建图(Simultaneous Localization and Mapping,SLAM)算法,提出面向自动驾驶的多车协同SLAM框架.首先,车辆运行单车SLAM,构建本地约束并共享地图和位姿数据.同时车辆接收并处理其他车的数据,若其他车辆与本车已建立坐标系转换关系则直接完成数据融合,否则基于重叠区域相似点云配准解算多车坐标系转换关系.采用图的连通分支和生成森林理论跟踪数据融合情况并构建多车回环约束,基于通用图优化(General Graph Optimization,G2O)理论对全局地图优化.真实场景与KITTI数据集的实验结果表明,本文的框架无需构建包含所有车辆相对位姿的全局坐标系或满足多车相遇等约束条件,即可实现多车协同SLAM,并在SLAM的效率和准确率等指标上具有优势.     

基于注意力ResNet模型的小麦锈病检测方法研究

针对小麦锈病识别率不高和病症难以判断问题,提出一种基于注意力机制(Attention Mechanism, AT)的残差网络模型(Residual Network, ResNet)。该模型利用ResNet网络能够抑制梯度弥散的优势,并引入注意力机制对小麦锈病特征因子赋予权重。对输入的小麦锈病图像进行通道注意力权重赋值,并提取图像空间细粒度特征完成小麦锈病检测。研究结果表明：该网络模型在Wheat-data数据集上平均识别精确率为95.20%,F₁-score为96.35%;与非注意力ResNet网络模型相比其平均识别精确率和F₁-score平均提高0.63%和1.03%。通过对网络模型参数和识别准确率分析,表明AT-ResNet100网络模型具有较好的性能。     

基于单帧-子地图描述子匹配的回环检测算法

针对固态激光雷达视场小导致建图过程中回环检测困难的问题,提出了一种基于单帧-子地图描述子匹配的回环检测算法。首先,利用前端里程计提供的位姿将若干帧点云拼接得到子地图后获取描述子,并将其位置加入K维树中。其次,对于每一个当前帧,利用K维树搜索候选子地图,依次按照里程计位姿投影至子地图坐标系后获取描述子,以实现描述子旋转、平移不变性。然后,利用二进制描述子进行对齐,并利用掩模方法计算当前帧描述子和子地图描述子的相似度。最后,对于符合条件的回环对,使用CFB-ICP算法进行配准获得回环因子,并执行因子图优化。在公开数据集以及真实室外环境中分别进行实验测试,结果显示此算法在满足实时性的前提下,可以减小长程建图时的累积误差,提高定位与建图精度。     

基于ORB词袋模型的SLAM回环检测研究

即时定位与地图构建(SLAM)是解决移动机器人在未知非结构化环境中自主导航与控制的关键,一个完整的SLAM系统包括传感器数据处理、位姿估计、构建地图、回环检测四个部分。其中回环检测机制是解决移动机器人的闭环重定位,提高SLAM系统鲁棒性的重要环节。该研究提出一种基于ORB词袋模型的SLAM系统框架,通过研究与分析了使用FLANN算法选取关键帧与匹配帧间特征点,ORB特征描述子对检测速度的提高,通过k-means++算法对特征点进行训练生成含有视觉单词的词袋模型,使用高斯金字塔的直方图交叉核的SVM分类器,使用e PNP算法的增量式帧间位姿估计,回环检测重定位机制等环节,实现了单目视觉SLAM系统的初始化与位姿优化,实现了在丢帧状况下通过词袋模型进行重定位。最后通过搭建实验平台和标准数据集的测试得到的数据结果表明,基于ORB词袋模型的SLAM系统,具有良好的实时性,能够有效提高SLAM系统的重定位准确性,增强了系统的鲁棒性。     

基于改进LBD和数据依赖度量的视觉SLAM回环检测

为提高视觉同时定位与建图(SLAM)回环检测的准确率和召回率,提出一种基于改进线带描述符(LBD)和数据依赖度量的点线特征视觉SLAM回环检测算法.首先,针对现有LBD二进制转换操作只在各个条带之间比较大小而忽略条带内部属性,从而导致匹配正确率低的问题,增加了条带描述子内部对比操作.然后,考虑到视觉单词词频分布信息对相...     

基于多径指纹信号子空间的室内回环检测算法研究

移动机器人的SLAM过程中,相机追踪得到的位姿会产生误差。针对随着误差累积导致后续得到的轨迹和地图在世界坐标系中产生尺度漂移的问题,提出一种基于信号子空间的多径指纹的室内单站定位算法与视觉里程计定位算法进行融合用于回环检测。用基于格拉斯曼判别投影分析的无线电指纹定位算法对位置信息特征进行辨识,并且引入格拉斯曼投影尺度函数构建代价函数,将各位置空间进行离散化进而降低类间特征的相似性。仿真实验结果表明,无线电指纹重定位算法可以改善位置模糊问题,提高位置指纹鲁棒性以及辨识正确率,从而判断出机器人是否运动到之前某一位置附近从而消除累积误差。     

基于HHO算法的SLAM闭环检测方法研究

在视觉同时定位与地图构建(SLAM)中,闭环检测模块主要用来消除位姿漂移,得到全局一致的轨迹和地图.针对传统SLAM闭环检测方法中效率与准确率低的问题,首次提出一种基于HHO算法的SLAM闭环检测方法.首先,对FAST算法进行改进,用于提取图像特征,生成图像特征的鲁棒描述子;然后,将闭环检测中求解当前帧图像和历史帧图像...     

YOLO-NKLT视觉SLAM回环检测方法

针对存在明显光照变化或遮挡物等室外复杂场景下,现有基于深度学习的视觉即时定位与地图构建(visual simultaneous localization and mapping,视觉SLAM)回环检测方法没有很好地利用图像的语义信息、场景细节且实时性差等问题,本文提出了一种YOLO-NKLT视觉SLAM回环检测方法。采用改进损失函数的YOLOv5网络模型获取具有语义信息的图像特征,构建训练集,对网络重训练,使提取的特征更加适用于复杂场景下的回环检测。为了进一步提高闭环检测的实时性,提出了一种基于非支配排序的KLT降维方法。通过在New College数据集和光照等变化更复杂的Nordland数据集上进行实验,结果表明：室外复杂场景下,相较于其他传统和基于深度学习的方法,所提方法具有更高的鲁棒性,可以取得更佳的准确率和实时性表现。     

SDN跨层回环攻击的检测与防御

软件定义网络（Software Define Network,SDN）将控制层和数据层进行分离,给网络带来灵活性、开放性以及可编程性.然而,分离引入了新的网络安全问题.我们发现通过构造特定规则可以构造跨层回环攻击,使得数据包在控制器和交换机之间不断循环转发.跨层回环会造成控制器拥塞,并导致控制器无法正常工作.现有的策略一致性检测方案并不能检测跨层回环攻击.为此,本文提出了一种实时检测和防御跨层回环的方法.通过构造基于Packet-out的转发图分析规则路径,从而快速检测和防御回环.我们在开源控制器Floodlight上实现了我们提出的回环检测和防御方案,并在Mininet仿真器上对其性能进行了评估,结果表明本方案能够实时检测并有效防御跨层回环攻击.     

基于ResNet的大坝变形预测研究

为提高大坝变形预测模型的性能,提出将基于残差神经网络模型（ResNet）引入大坝变形预测领域,建立基于ResNet的大坝变形预测模型。以丰满大坝坝30#坝段1985-01-04～1988-07-13共200期监测数据为例,将全连接神经网络、传统卷积神经网络与本文ResNet进行实验对比。研究表明,文章基于ResNet的大坝变形预测模型收敛速度快、预测精度高,可为大坝监测数据分析提供参考。     

移动机器人视觉SLAM回环检测现状研究

同步定位与建图(Simultaneous Localization and Mapping, SLAM)是移动机器人实现自主定位与导航的关键技术,已成为该领域研究的热点。视觉SLAM是指相机作为仅有的外部传感器,进行同步定位与建图的技术,随着计算机视觉的迅速发展,视觉SLAM因为信息量大、成本低廉、适用范围广和可提取语义信息等优点受到广泛关注,而回环检测(Loop Closure Detection, LCD)作为其重要的一个环节,受到学者的广泛研究。对视觉SLAM系统进行简单概述,对LCD的原理、传统的LCD算法分类和主流的LCD算法进行总结归纳,介绍了LCD的性能评估标准,对LCD当前面临的挑战及未来前景进行展望。     

基于激光点云NDT特征的两步回环检测

针对传统激光雷达配准算法进行大规模同时定位与建图(SLAM)时,存在较大累计误差的问题,本文提出一种基于正态分布变换(NDT)的两步回环检测方法,充分利用NDT配准中点云均值与方差特征,并将所提方法加入SLAM完整框架。点云匹配中采用重叠网格,首先根据各网格特征值,构建点云外观描述,进行粗回环检测。符合粗回环条件后,计算点云网格均值到坐标原点距离的方法使点云具有旋转不变性,进行精确回环检测。本文提出算法在“小旋风”智能车平台进行验证,实验表明,所提算法可以有效减小大规模建图中的累计误差,系统的鲁棒性更强,跟踪性能更好。     

基于SSD算法的行人检测技术研究

行人检测技术的应用十分普遍,包括人工智能的研究、智能监控的应用、智能交通、无人驾驶汽车中对行人的检测、对人体行为进行分析后做出预判等,应用深度学习的方法对行人进行检测就是人工智能发展的一个十分重要的方向。文章主要研究的内容有3部分,对原SSD算法进行了改进,探讨了神经网络的根本组成与特性,将原SSD算法的基础VGG16改为ResNet50,提高了检测速度和精确度。     

基于视觉模型的图像边缘检测算法

文章提出了一种基于视觉模型的图像边缘检测算法.作者采用具有反馈和前项控制连接的侧抑制模型进行图像信息进行处理,用零阶和二阶厄米特(Hermite)函数的组合产生系统的控制模板,组合系数通过梯度下降学习算法确定.这种以生物视觉感知机理为基础的神经计算方法可有效地均衡滤除噪声和增强边缘,同时将系统高维参数的学习问题转化为对少数几个参数的确定,降低了问题的维数和计算的复杂性.     

基于ResNet50改进模型的图像分类研究

针对深度学习中残差网络ResNet50存在的信息丢失、特征提取不充分、网络过拟合和训练困难等问题,文中提出一种基于改进ResNet50的图像分类算法。针对残差网络ResNet50在提取特征时存在丢失输入特征映射情况,造成信息丢失的问题,对主干网络中Stage4的下采样块添加平均池化层,进一步提高网络特征提取能力;针对ResNet50训练过程中存在网络过拟合以及泛化能力差的问题,使用标签平滑方法对交叉熵损失函数进行修改,有效缓解网络损失值震荡幅度;针对ResNet50计算量大、训练困难的问题,使用混合精度和余弦退火衰减方法对模型进行训练,在加快网络收敛速度的同时提高模型的分类精度。实验结果表明,与原ResNet50网络相比,文中算法在ImageNet-1k数据集上Top1和Top5的精度分别提升3.2%和1.6%,能够更好地应用于图像分类任务。