论文部分内容阅读
视觉SLAM是SLAM技术的一个分支,它以相机为传感器,是机器人在未知区域进行自主导航与建图的重要技术。视觉SLAM系统在经过前端帧间运动估计和后端优化后会输出相应的地图,由于大范围的长期运动会导致误差累积,因此需要闭环检测来实时验证机器人是否到达过该场景,从而及时修正建图。传统的闭环检测方法多基于视觉词袋模型,其提取的场景特征都是人为设定,因此传统方法准确率不高,且耗时长。为满足闭环检测准确性和实时性的要求,本文进行了如下研究。针对传统算法提取特征准确率不高的问题,本文使用了改进的轻量级卷积神经网络MobileNetv3模型,将待测图像输入到经ImageNet预训练后的MobileNetv3中提取特征,构造特征向量矩阵,然后使用余弦距离对图像进行相似度匹配,从而完成闭环检测。实验证明,与传统算法以及现有的基于其它卷积神经网络的算法相比,闭环检测算法准确率显著提高。针对传统算法耗时多的问题,本文使用了3种经典的降维方法来纵向比较,发现核主成分分析法(KPCA)具有良好效果。因此,本文提出了MobileNetv3-KPCA闭环检测算法,使用核主成分分析法(KPCA),在保证高准确率的情况下,将MobileNetv3输出的高维图像特征矩阵由1000维降到500维,实验证明,降维后的算法时间性能提高了约40%。此外,再进行横向比较,本文将提出的算法与现有文献中性能较好的6种闭环检测算法进行综合对比,再次论证本文提出的MobileNetv3-KPCA算法具有较高准确性和较好的实时性。综上所述,本文提出的MobileNetv3-KPCA算法表现优异,可以满足视觉SLAM系统对闭环检测准确性和实时性的要求。