大规模复杂场景下基于ResNet的回环检测技术研究

回环检测(LCD)是同步定位与地图构建(SLAM)中的重要环节,对SLAM的精度和鲁棒性具有显著影响。由于大规模复杂场景下光照、摄像机视角、存在移动物体、气候、地貌特征等条件的大幅变化,使得回环检测的精度和鲁棒性受限。为解决此问题,提出一种基于深度残差网络(Deep Residual Network,ResNet),利用信息熵(Information Entropy)改进的局部聚合描述符向量(Vector of Locally Aggregated Descriptors,VLAD)的回环检测方法RIV-LCD。采用弱监督迁移训练算法训练ResNet来提取图像特征;使用信息熵加权的VLAD对图像特征进行处理;通过词袋法进行匹配,得到匹配结果。在Nordlandsbanen数据集上进行的验证和对比实验表明:在大规模复杂场景中剧烈环境条件变化下,RIV-LCD具有良好的精度和鲁棒性。

具有子串检索功能的可扩展分布式数据结构

EH*S是可扩展分布式数据结构EH*的一个改进，增加了子串检索功能。通过对子串和关键字计算描述符向量，为EH*文件中的每个桶添加一个桶描述符向量，然后把子串描述符向量分别与关键字和桶的描述符向量进行比较，得到包含子串的关键字集。