移动机器人闭环检测的视觉字典树金字塔TF-IDF得分匹配方法

针对移动机器人视觉闭环检测中,基于视觉字典本的场景外观表征性能受制于有限单词个数以及算法效率低的不足,本文对机器人视觉特征分层量化,构建视觉字典树,计算树节点的TF-IDF熵作为对应视觉单词的权重,生成图像–单词逆向文档索引.为消除视觉字典本的单尺度量化误差,并克服基于字典树投影路径的平面匹配模式中不区分不同层次节点的区分度对闭环检测的影响,本文融合字典树低层单词的强表征性和高层单词的强鲁棒性,提出由下而上逐层计算图像间相似性增量的金字塔得分匹配方法.将不同时刻相似性大于阈值的图像位置提取为候选闭环,通过后验确认操作剔除误正闭环.在移动机器人视觉闭环检测实验中,本文算法提高了图像相似性计算的效率和准确性,提高了闭环检测的准确率和召回率.

基于场景外观建模的移动机器人视觉闭环检测研究

针对移动机器人视觉闭环检测问题,基于图像BoVW(bag of visual words)外观进行场景建模,通过图像预处理、贝叶斯滤波等步骤实现闭环检测。为提高准确率,采用模糊C均值聚类方法建立视觉字典树,将图像视觉特征投影到视觉字典树上,分层计算相似性得分,用总相似性得分表征图像间的匹配度;同时将当前场景图像外观与历史图像外观进行比较,实时更新闭环检测后验概率;为解决海量图像在线处理问题,借鉴人工神经网络记忆存储方式,缩短在线处理时间。

加入特征空间信息的视觉SLAM闭环检测改进方法

针对移动机器人同步定位与地图构建(SLAM)的闭环检测问题,提出改进闭环检测准确率的特征空间全排列向量匹配方法。使用ORB(Oriented FAST and Rotated BRIEF)方法提取图像特征点,创建基于视觉字典树的词袋,初步筛选出候选闭环图像。将图像分成4块大小均匀的区域,计算各区域视觉单词向量并全排列,作为特征空间信息。比较特征空间信息方法和词袋方法计算出的图像间距离值,选取最小值对应的图像对作为最佳闭环。相比词袋方法,特征空间信息方法可有效地改善图像特征匹配的感知混淆问题,在保证较高效率的同时,提高了闭环检测的准确率。

基于特征地图的改进回环检测算法

为提高移动机器人回环检测模块的准确率和实时性,提出一种基于特征地图的改进回环检测算法。在传统模型的基础上,对关键帧的特征点进行筛选,选取高效特征点构建特征地图,利用视觉字典树对特征地图和关键帧进行场景描述;对词袋模型进行改进,将场景分割用在图像信息的提取和特征聚类上;建立基于分层K++均值的视觉字典树,得到改进的基于分层金字塔TF-IDF(term frequency inverse document frequency)的匹配方法。实验结果证明:相比FAB-MAP(fast appearance-based mapping)和RGB-D SLAM v2,改进算法在特征点规模、实时性、召回率方面性能更优。