基于CNN特征提取和增量式字典的VSLAM回环检测

在视觉SLAM系统中,传统的回环检测方法难以同时满足通用性和实时性。通过标志区域提取和CNN特征提取,提出在线构建增量式字典的回环检测方法。通过对图像进行随机扭曲来模拟运动产生的视角变化,结合GIST特征实现无监督的模型快速训练。通过局部标志区域的二进制特征实现快速检索,全局浮点特征实现选择最优匹配。实验表明,与传统方法相比,在100%准确率前提下,召回率提升约30%,整体查询时间约200 ms,内存占用约30 MB。在不同场景下检测更稳定,能够实现快速鲁棒的回环检测。

隐子空间聚类算法的改进及其增量式算法

基于稀疏表示的隐子空间聚类(latent subspace clustering,LSC)算法,相对于传统的子空间聚类算法,具有更快的聚类速度,使其适用于更大的数据集,但是其存在字典训练具有随机性,占用内存过多等缺陷。参照LC-KSVD字典训练算法的思想,通过将一部分信号的标签信息添加进字典训练阶段,以此提高了字典的判别性,进而提出了聚类精度更好的ILSC(improved LSC)算法。但相比于LSC算法,ILSC算法在字典训练阶段的耗时却大幅增加,针对此缺陷,参照增量字典训练的思想,提出了ILSC算法的增量式聚类算法I2LSC(incremental ILSC),在确保聚类精度、NMI(normalized mutual information)、RI(Rand index)值高于LSC且与ILSC相当的同时,较之ILSC具有更快的运行速度。