检索结果-南通市图书馆

基于YOLOv3算法和深度特征的地点识别方法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

江苏大学学报（自然科学版） 2021年第6期42卷 733-737页

作者：牛杰钱堃卜雄洙常州信息职业技术学院电子工程学院江苏常州213164 南京理工大学机械工程学院江苏南京210094 东南大学自动化学院江苏南京210096

针对视点、外观等因素变化给地点识别应用带来的不利影响,设计了1种基于显著路标及深度特征的地点识别方法.首先分割图像中的显著物体作为候选路标;然后设计YOLOv3算法网络,对候选路标进行识别,以删除不适合环境建模的特定对象类型;最... 详细信息

针对视点、外观等因素变化给地点识别应用带来的不利影响,设计了1种基于显著路标及深度特征的地点识别方法.首先分割图像中的显著物体作为候选路标;然后设计YOLOv3算法网络,对候选路标进行识别,以删除不适合环境建模的特定对象类型;最后在图像相似度测量中,利用中层卷积层的性能特点,提取候选路标的卷积神经网络(convolutional neural networks,CNN)特征,并结合降维操作,提升匹配效率.在3个具有挑战性的公开数据集上进行了试验,与FAB-MAP、SeqSLAM和Place-CNN等先进方法进行了比较,该方法的平均识别精度达到71.22%,优于其他3种方法,表明经过筛选的显著路标的CNN特征可以抵御强烈的视点和外观变化.

关键词： CNN特征动态环境显著性检测移动机器人地点识别

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

一种基于个人位置信息的重要地点识别方法

小型微型计算机系统 2013年第3期34卷 503-507页

作者：丰江帆熊雨虹重庆邮电大学计算机学院重庆400065

基于位置的服务(LBS)正在从被动服务向主动服务的方向发展.因此,地点识别已成为LBS领域一个重要的研究方向.为提高现有地点识别方法的效率和准确性,本文提出了一种新的地点识别方法.一方面算法在数据预处理阶段采用了速度剪枝、时间剪... 详细信息

基于位置的服务(LBS)正在从被动服务向主动服务的方向发展.因此,地点识别已成为LBS领域一个重要的研究方向.为提高现有地点识别方法的效率和准确性,本文提出了一种新的地点识别方法.一方面算法在数据预处理阶段采用了速度剪枝、时间剪枝和空间剪枝相结合的VSTPruning算法,能够有效减少后续阶段的聚类处理时间,提高聚类精度.另一方面,在数据预处理的基础上,综合R*-树空间索引机制、密度相交以及DBSCAN聚类算法,提出了基于密度的RTcluster聚类算法,更为迅速挖掘出用户的重要地点.仿真结果显示,相比于已有方法,VSTPruning和RTcluster的相互配合可以在有效保证聚类结果的前提下,花费与DBSCAN算法相比更少的时间,得到更准确的结果.

关键词：地点识别 GPS位置信息时空数据预处理聚类 R*-树密度相交

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于机器视觉和激光雷达的室内地点识别研究

基于机器视觉和激光雷达的室内地点识别研究

作者：王志强淮阴工学院

学位级别：硕士

机器人需要对周围环境进行了解,才可以发挥作用,对室内的目标地点进行识别则是机器人认知与理解工作环境的一个主要手段,许多领域对地点识别都存在需求,尤其是对化工场所的地点识别。由于化工厂地点的有毒性和腐蚀性以及发生事故需要救... 详细信息

机器人需要对周围环境进行了解,才可以发挥作用,对室内的目标地点进行识别则是机器人认知与理解工作环境的一个主要手段,许多领域对地点识别都存在需求,尤其是对化工场所的地点识别。由于化工厂地点的有毒性和腐蚀性以及发生事故需要救援时的高效性等特殊性质,导致对已安装地点识别装置的机器人需求的必要性加大和对地点识别装置的精度要求变高,因此对室内地点识别方法的研究势在必行。以往的室内地点方法的研究都是基于视觉或者基于单一的传感器测量,这种方法非常有局限性,容易受到外界环境的影响从而导致测量精度不高甚至无法识别,一旦这种情况发生将会对在化工厂执行任务的工作人员造成伤害,无法完成任务,危及企业和工作人员的生命财产。为此,本课题是基于机器视觉和激光雷达的室内地点识别研究,并应用于化工工业场所识别,既能满足测量精度要求和人员安全的保障也能保证任务的高效完成。本课题研发的室内地点识别装置包括计算机树莓派、激光雷达、CMOS相机、超声波传感器、第一微控制器、伺服电机;首先计算机树莓派通过控制第一微控制器控制超声波传感器测量出室内高度;计算机树莓派控制激光雷达在水平方向上扫描室内环境,伺服电机控制激光雷达从水平方向按照固定角度向上移动进一步扫描,每向上移动一次得到激光雷达与墙壁或周围物体之间距离的一个集合;直到在每一个距离集合中找到两个最大的距离,获得激光雷达到天花板与墙壁之间的顶角的距离,再根据这两者距离直线之间的夹角以及余弦公式,从而计算出室内的宽度和长度;之后计算机树莓派控制CMOS相机使用图像处理相关技术对采集的图像进行处理,并通过SOM分类器对室内的门等物体进行识别,达到预想的精度,该装置和方法与传统测量方法相比可以实现在多种环境下进行测量,不容易受到光照强度等一些外界环境因素的影响,因此在复杂环境下的识别率高。该方法准确率高且成本低,在现实生活中可靠性很强。

关键词：地点识别激光测量图像处理物体识别测量精度

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于视觉特征匹配的地点识别

基于视觉特征匹配的地点识别

作者：郭锐东南大学

学位级别：硕士

基于图像检索、匹配的地点识别是用于智能系统的一项关键技术,涉及到图像特征提取、特征匹配及大规模索引等问题,该技术在无人系统的智能导航、视觉定位等方面有极其重要的应用价值,是计算机视觉与人工智能领域的研究热点。论文针对基... 详细信息

基于图像检索、匹配的地点识别是用于智能系统的一项关键技术,涉及到图像特征提取、特征匹配及大规模索引等问题,该技术在无人系统的智能导航、视觉定位等方面有极其重要的应用价值,是计算机视觉与人工智能领域的研究热点。论文针对基于建筑物图像的地点识别问题,从特征提取、特征匹配、图像索引三个方面,围绕图像局部特征的理论与算法展开研究。主要工作包括:针对传统手工特征在图像模糊、视角或光照变化剧烈时特征点不变性减弱的问题,论文分析几种常用的局部特征提取方法,在卷积神经网络的基础上,提出利用特征选择层提取显著性的局部特征点及其描述子,使用带标注的建筑物数据集训练模型。该方法用图像分类模型解决图像特征点提取问题,通过在公开数据集上的定量分析以及实际应用场景的对比实验,验证该特征提取方法在光照、视角等变化的情况下,具有很强的鲁棒性和可区分性。针对常用的特征匹配算法只考虑特征描述子的相似度而造成大量的误匹配现象,论文提出将局部区域一致性的概念引入到特征点匹配中,实现更为稳定的匹配算法。与传统匹配算法相比,加入图像的空间一致性信息,筛选符合局部区域一致性的匹配结果。通过大量对比实验,该方法在匹配准确率和运算速度上均优于传统特征点匹配算法。在大规模图像检索时,利用特征聚合编码技术形成的图像描述子,当图像背景复杂时会影响检索的准确性。论文提出将特征编码技术与显著性的深度描述子相结合,形成更为准确的建筑物图像向量。通过在Oxford5k和Paris6k两个公开数据集的检索对比实验,本文的检索方法可达到很高的检索精度。

关键词：地点识别特征提取特征匹配图像检索深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的视觉地点识别算法研究

基于卷积神经网络的视觉地点识别算法研究

作者：王博华南理工大学

学位级别：硕士

地点识别是机器人同步定位与地图构建技术中非常重要的环节。随着视觉识别任务的复杂程度越来越高,传统地点识别算法识别效果差的缺点越来越突出。准确快速的地点识别算法可以提高机器人定位建图的鲁棒性。近年来深度学习方法取得了众... 详细信息

地点识别是机器人同步定位与地图构建技术中非常重要的环节。随着视觉识别任务的复杂程度越来越高,传统地点识别算法识别效果差的缺点越来越突出。准确快速的地点识别算法可以提高机器人定位建图的鲁棒性。近年来深度学习方法取得了众多成果,在应对大范围的光照变化以及图像中对象的遮挡情况有更好的表现。本文首先介绍了传统地点识别算法,然后介绍了基于深度学习的地点识别算法流程,对比了传统地点识别方法和深度学习方法的优缺点,提出了基于卷积神经网络的提高精确度和提高推理速度的地点识别算法模型。（1）.针对已有地点识别算法精度不高的问题,设计了融合深层语义特征的地点识别算法。首先设计深层卷积模块提取图像更丰富的语义信息,然后将卷积特征送入局部聚合向量模块生成地点描述符,最后在数据集训练得到最优模型参数。使用东京街景数据集和匹兹堡数据集训练模型,验证了本方案在对应测试集上召回率优于对比算法。在通用地点检索数据集上测试所得模型的泛化性能,测试结果表明了本方案所得模型的泛化能力优于对比算法。（2）.考虑到地点识别算法部署的实时性,设计了融合注意力模块的轻量化地点识别算法。首先将特征提取网络替换为轻量化网络结构,然后融合高效通道注意力算法得到图像特征提取模块,最后将提取到的图像特征送入局部聚合向量模块得到地点描述符,在匹兹堡数据集上训练得到最优模型参数。通过对比现有地点识别算法,验证了本方案在保证精度的情况下压缩了模型参数,明显提升了地点识别算法的推理速度,显著减少了模型的参数量,实验表明算法可以在实时性要求较高的场景下使用。

关键词：卷积神经网络地点识别图像描述符轻量化模型

基于语义星座的多机器人终生学习地点识别方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于语义星座的多机器人终生学习地点识别方法

作者：范少康燕山大学

学位级别：硕士

地点识别在计算机视觉领域是一个非常具有挑战性的问题,同时也是机器人同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术中的核心模块回环检测的重要组成部分。多个机器人探索和绘制未知环境比单机器人能提供更好的鲁... 详细信息

地点识别在计算机视觉领域是一个非常具有挑战性的问题,同时也是机器人同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术中的核心模块回环检测的重要组成部分。多个机器人探索和绘制未知环境比单机器人能提供更好的鲁棒性和效率,但是多机器人地点识别需要面临不同视角的环境外观变化的鲁棒性问题。因此,本文提出了基于语义星座的多机器人终生学习地点识别方法。具体研究内容如下:首先,针对不同角度下观测相同地点识别精度的问题,提出了基于语义星座的多机器人地点识别方法。当机器人探索过一个场景时,使用YOLOv3网络识别其场景内的物体并根据其空间相对位置、语义信息来构建语义星座图。同时,提取空间内检测目标的语义描述符,当从不同角度观察时,同一语义星座图可以被识别为同一地点,将紧凑的语义描述符传送给各个机器人,以确定观测过此场景的其余机器人编号,再将完整语义星座图发送给匹配的机器人,以使用几何信息验证匹配。在TUM数据集上的实验表明,所提算法提高了多机器人在不同角度下地点识别的精度,同时降低了机器人之间数据包传送所需的内存。其次,针对环境外观变化影响地点识别精度的问题,提出了融合图像信息和激光雷达点云的分布式语义描述符方法。使用Seg Net网络生成图像中的语义分割图并进行训练,并对点云中的一些特征点空间位置进行量化,用三维体素表示,在三维空间中表示特征点,并输出它们的坐标,通过几何一致性匹配,将点云中的所有相关点映射到图像中,从而将视觉特征信息与Li DAR点云信息相结合。通过CARLA模拟器,可以自行生成各种气候条件下的城市实验环境。实验表明,使用图像信息和Li DAR点云相结合的描述符,提高了系统在3D空间中对特征点的识别精度,并提高了对光照、天气等条件变化的鲁棒性。最后,针对大范围运行环境下系统容错率较低的问题,提出多任务终生学习SLAM算法。由于长周期环境下系统所占用内存过大,采用基于多部分地图框架的SLAM算法,对子地图进行及时更新;并采用位姿图稀疏化、基于Chow-Liu树的子地图修剪等方法,降低了计算复杂度并提高了定位精度。对于地点识别过程中可能出现的新加入的未训练过的类别,提出了基于终生学习的目标检测算法,为所有任务模型保持了一个稀疏共享的基础,将以前观测到的地点作为基础知识转移到每个新任务模型中,并随着时间的推移重新定义基础,以最大限度地提高所有任务的性能。实验表明,所提的算法能够很大程度上降低内存、CPU资源的使用率,同时避免了灾难性遗忘的问题,提高了系统地点识别精度。

关键词：地点识别多机器人系统目标检测终生学习

基于激光雷达的移动机器人地点识别与闭环检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于激光雷达的移动机器人地点识别与闭环检测方法研究

作者：黄文超东南大学

学位级别：硕士

随着无人平台技术的发展,其自主感知和导航问题逐渐被视为实现真正自主化、无人化的关键所在,其中地点识别和闭环检测又是组成导航系统的基本模块之一。特别是在同步定位和建图(SLAM)领域,为了消除前端里程计的漂移,构造一个具有空间一... 详细信息

随着无人平台技术的发展,其自主感知和导航问题逐渐被视为实现真正自主化、无人化的关键所在,其中地点识别和闭环检测又是组成导航系统的基本模块之一。特别是在同步定位和建图(SLAM)领域,为了消除前端里程计的漂移,构造一个具有空间一致性的地图,往往需要用地点识别的方法进行闭环检测。基于二维视觉的地点识别方法是目前的主流方案,但视觉方法本身受光照条件变化的影响较大,且视野有限,从而限制了其在诸如长时间、跨领域、跨季节等复杂场景中的使用。与之相比,三维激光雷达则不受光照条件的影响,能够精确测量距离,且测量范围广、距离远,因而是室外复杂环境下完成地点识别任务的有力替代。目前基于三维激光雷达的三维视觉技术尚未发展成熟,对三维数据的处理、特征提取、语义分析等仍是开放性问题。以此为背景,本文针对基于激光雷达的室外移动机器人地点识别与闭环检测问题进行了深入研究,具体内容如下:针对基于三维激光雷达的室外移动机器人环境理解问题,本文提出了一种基于深度学习的点云对象语义分类方法,实现环境中存在对象的提取和语义分类。该方法借助聚类分割等操作,将场景级别的点云分割为对象级别的点云,以降低学习的难度;基于一维卷积和对称函数构建能够直接处理三维点云的深度神经网络,该网络无需投影、网格划分等常规操作,因此能够最大程度地利用点云的结构信息;将分割出来的对象点云按照语义特性进行分类,分为车、人、骑行者和其他四类,训练语义分类网络,以实现对三维点云的语义理解。在KITTI数据集上进行的实验证明了所提出的方法具有较好的准确性和实时性。针对在大规模、高动态的复杂室外场景下基于三维点云的地点识别难题,本文提出了一种基于稀疏语义特征图(Sparse Semantic Feature Map,SSFM)的地点表示和粗到精的地点匹配方法。其中稀疏语义特征图中的每个点都包括点云对象的几何中心并附带语义类别和高维特征。首先由基于多任务学习策略训练的深度神经网络获取类别信息和对象特征,并且附加对象的几何中心构建稀疏语义特征图。随后在进行地点匹配时,利用稀疏语义特征图剔除点云对象中语义上属于可移动的对象,提高算法的鲁棒性;并且利用形状相似的对象其特征距离接近的特性,可以快速准确完成匹配。本文在KITTI,Oxford和Mul Ran等多个数据集上进行了实验,实验证明本文所提出的算法相比现有主流算法具有更高的准确率和召回率。针对室外移动机器人定位和建图问题,在前两章研究内容的基础上本文提出了一种新的通用激光雷达SLAM框架,借助稀疏语义特征图提高算法鲁棒性。在此基础上本文提出一种基于多尺度混合地图表示的激光雷达SLAM方法(Multi Metric Maps based SLAM,M3-SLAM),该方法能够构建稀疏语义特征图以及高精度点云地图。引入语义信息在帧间配准和局部地图配准的步骤中排除可移动物体的影响,提高配准的精度和鲁棒性;基于极坐标编码点云背景信息环状关键值索引实现快速的闭环候选提取,并在此基础上完成准确的闭环检测;后端优化基于闭环约束消除累计误差,并建立具有一致性的高精度点云地图;利用全局的稀疏语义特征图和高精度点云地图实现了先粗后精的两步式的全局重定位。在KITTI数据集以及自采的数据集上进行的实验证明了所提出的方法的有效性,达到了平均0.83%的定位误差。在上述研究的基础之上,本文利用多个公开数据集对所提出的算法进行了实验验证和分析。还以配备有GPS/IMU导航系统,Hesai 40线激光雷达等传感器的室外移动机器人Bulldog作为实验平台在校园环境内进行了大量的实验。结果表明了本文的方法具有较好的准确性、实时性和鲁棒性。

关键词：激光雷达语义分类多任务学习地点识别 SLAM

应用于移动机器人视觉SLAM的地点识别研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

应用于移动机器人视觉SLAM的地点识别研究

作者：刘威杭州电子科技大学

学位级别：硕士

地点识别作为移动机器人视觉SLAM后端中不可或缺的一部分,它在消除地图累计误差和机器人重定位上发挥着巨大的作用。同时,它又是一个长期未完全解决的问题,尤其是在存在视角和外观变化的场景下。最近基于卷积神经网络路标的地点识别工... 详细信息

地点识别作为移动机器人视觉SLAM后端中不可或缺的一部分,它在消除地图累计误差和机器人重定位上发挥着巨大的作用。同时,它又是一个长期未完全解决的问题,尤其是在存在视角和外观变化的场景下。最近基于卷积神经网络路标的地点识别工作在场景外观和视角同时变化时展现出了很有前景的性能,本文在详细分析此类算法的基础上对进一步提升地点识别技术鲁棒性和快速性上展开了研究,本文具体内容如下:(1)详细介绍了典型的基于卷积神经网络路标的地点识别的框架及其使用的相关算法,分析了基于卷积神经网络路标的图像描述的特点,并指出了这种方法存在的不足。(2)提出一种基于时间先验信息的序列匹配方法代替原有方法中的单帧匹配。基于序列匹配的方法利用了单帧匹配的结果,其将序列的评分作为序列中心图像之间的相似评分。该方法使用一种比值检查策略来衡量匹配序列的特异性,并根据序列的特异性来判断回环的存在情况。(3)提出一种基于哈希的全局路标匹配方法取代原有方法中基于双向最近邻检索的路标匹配方法,该方法首先离线构建关于参考数据集图像路标的哈希索引,这种索引的理论时间复杂度为O(1),通过哈希索引可以快速地为检索路标找到全局的最优匹配路标,同时该方法在哈希检索的结果上为每一个检索图像构建了一个候选图像优势集以缩减序列匹配的范围,除此之外该算法还定义了基于哈希的相似度计算和评价方法,最后通过大量试验验证了算法的有效性。本文提出的两种算法,在视角和外观变化时的数据集上都表现出了很好的效果,算法的鲁棒性也要优于原有算法,基于哈希加速的算法将原有方法的平均检索速度提升了至少两个数量级。

关键词：地点识别视觉SLAM 序列匹配哈希卷积神经网络路标提取

基于多模态感知的室外跨场景地点识别与导航应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多模态感知的室外跨场景地点识别与导航应用研究

作者：于翔东南大学

学位级别：硕士

机器人在单一场景下的导航在近几年取得了极大的进展,考虑到现实场景是复杂多样的,跨场景导航的研究价值和应用前景日渐凸显出来。地点识别作为机器人导航应用的关键环节,是其中亟需解决的问题。然而,现有的地点识别算法大多基于单独的... 详细信息

机器人在单一场景下的导航在近几年取得了极大的进展,考虑到现实场景是复杂多样的,跨场景导航的研究价值和应用前景日渐凸显出来。地点识别作为机器人导航应用的关键环节,是其中亟需解决的问题。然而,现有的地点识别算法大多基于单独的视觉或者激光LiDAR感知方式,这些单模态感知方法在跨场景应用时往往呈现出鲁棒性差、泛化能力弱的缺陷。考虑到环境的几何信息和纹理信息具有互补性,因此将两种模态感知方式进行融合构建多模态感知方法引入到地点识别领域中有望取得更好的鲁棒性。然而,当前多模态地点识别算法尚处于起步状态,且多基于决策级融合框架,这些方法在面对诸如昼夜、天气、场景变化时长期导航性能下滑严重。有鉴于此,本文围绕新的面向跨场景应用的多模态（视觉和LiDAR）地点识别方法进行了深入研究,提出了基于深度信息融合的多模态地点识别方法,并将其应用至机器人导航的SLAM系统和全局重定位中,具体研究内容如下:针对单模态地点识别方法和现有的决策级融合多模态地点识别方法在跨场景应用时缺乏鲁棒性的问题,提出了一种基于多模态深度特征（Multi-Modal Deep Feature,MMDF）的全局描述跨场景地点识别框架。该框架由四类模块组成:点云模块、图像模块、特征融合模块和特征聚合模块。其中,点云模块使用类似PointNet的多层感知机提取点云特征。图像模块使用轻量级的卷积神经网络提取图像特征。融合模块使用图像语义特征来增强点云特征,然后使用NetVLAD对增强后的点云局部特征进行聚合,得到最终的增强描述符。最后,构建了基于孪生网络的地点识别框架,通过对比损失训练模型来减小特征空间中相似地点的距离,增大不同地点的特征距离,以完成机器人分辨是否曾经到过当前地点的地点识别任务。在KITTI、OxfordRobotCar和USVInland数据集上进行的大量实验表明,MMDF在地点识别的耗时仅为12.46ms的情况下,取得了0.927的平均最大F得分,优于其他方法,证明该方法具有良好的鲁棒性和实时处理能力。针对基于全局特征描述的地点识别方法在高动态场景中鲁棒性下降和常规的多模态融合无法有效利用全部传感器信息的问题,进一步提出了引入Transformer自注意力机制的多模态特征（Transformer-Based Multi-Modal Feature,TMMF）的地点识别框架。首先,该框架使用轻量级的卷积神经网络提取图像特征,并通过图像点云之间的空间对应关系生成图像伪点云;之后使用点云Transformer对完整点云和图像伪点云进行自注意力特征提取;最后,将两种特征聚合后与完整的图像描述子结合完成完整的地点表征。实验中,TMMF在三个数据集上的平均最大F得分提高到了0.975。在以上研究的基础上,本文将多模态地点识别的方法应用于机器人导航中,完成SLAM系统构建和全局重定位应用。首先,提出了一种基于地点聚类的粗-精闭环检测算法;其次,将该闭环检测算法与课题组之前提出的S4-SLAM结合,完成了SLAM系统构建;最后,将地点识别方法应用于全局重定位中,并进行了充足的实验验证,证明了地点聚类的闭环检测算法有着更好的召回性能和实时性,SLAM系统在相应的定位和建图实验中取得了接近0.6%的平均定位误差,证明了本文提出的地点识别算法在机器人导航中取得了良好的应用效果。

关键词：机器人导航多模态融合地点识别闭环检测全局重定位