在外部环境和图像视角变化的情况下,传统视觉闭环检测算法的精度和稳健性变得很差。为此,提出一种融合多层次卷积神经网络特征的闭环检测算法。高层次的卷积特征包含较多的语义信息,可以应对图像视角的变化;中等层次卷积特征包含更多的几何空间信息,对光照等变化具有更好的稳健性。通过充分利用中高等层次卷积特征的特性进行组合式相似性度量,提高了闭环检测的精度与稳健性。由于卷积特征向量的维度特别大,因此,首先对卷积特征向量进行降维处理。在Gardens Point数据集上的实验结果证明,利用多层次卷积特征的图像匹配检测效果好于其他单一层。针对不同时刻所拍摄图像中的动态干扰因素,进一步提出图像动态干扰语义滤波机制,利用过滤掉动态干扰的图像进行匹配,在Tokyo24/7数据集上的实验证实了此方法的可行性和有效性。

介绍了利用深度学习从图像或视频中恢复三维结构、进行深度估计和实现视觉传感器实时定位方面的研究与应用;对深度学习的研究概况进行了介绍;深入分析和比较了有无监督情况下具有代表性的深度学习算法和系统;对近年来深度学习方面的研究热点进行了讨论,并进行了总结和展望。

为了解决地下工程场景下巡逻机器人的定位与建图问题,提出了一种基于点线特征融合的半直接单目视觉里程计(SVO)算法。本文算法可分为特征提取、状态估计和深度滤波器3个线程。特征提取线程负责图像点、线特征的提取;状态估计线程利用点、线特征不同的匹配与跟踪策略获得相机的6自由度位姿,并通过帧与帧、特征与特征、局部帧之间的约束关系进一步优化相机位姿;而深度滤波器线程通过概率分布的方式刻画三维路标点相对于相机光心的深度信息,该方式相对于固定深度值的方式能够提高深度估计的稳健性。本文算法在Euroc公开数据集运行的平均定位精度相对于LSD-SLAM算法提高了17.6%,而在Tum公开数据集上运行的平均定位精度相对于SVO 算法提高了6.4%。利用加载摄像头的机器人平台进行测试,实际运行的定位误差大约为1.17%,满足实际需求。