基于VGG16模型的快速闭环检测算法.doc

基于VGG16模型的快速闭环检测算法
摘要:深度卷积神经网络在图像特征表示方面优于传统手工特征,将其用于闭环检测时还存在计算时间随着数据增长不断增加的问题。为了解决这一问题,提出了一种基于VGGl6模型的快速闭环检测算法。該算据处理速度的目的。通过VGGl6网络提取的图像特征描述符维度较高,在计算图像特征相似度时需要消耗大量时间。高维度的图像描述符存在信息冗余,可以通过降维将数据进行压缩。
主成分分析(principal component analysis,PCA)方法是一种使用最广泛的数据压缩算法。本文使用PCA算法对原始特征进行降维处理,将原来高维的特征描述符压缩到较低的维度,从而减少计算相似度需要的时间,同时也减少保存特征描述符需要的内存空间。

由于闭环检测是从过去图像数据中搜寻与当前观测图像所匹配的图像,这与图像检索十分相似,所以在过去的许多研究中,将闭环检测问题看作是一个图像检索问题。然而所使用的图像数据具有一定的时间连续性,因为这些图像是用相机连续拍摄得到的,而图像检索并不具备这一特性。考虑到闭环检测这一特点,本文使用粒子滤波算法来模拟相机拍摄的连续性。粒子滤波算法通过非参数化的蒙特卡罗(Monte Carlo)模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型描述的非线性系统。在这一基础上,本文提出了一种自适应的粒子滤波算法(adaptiveparticle filter,APF),该算法在原来的粒子滤波算法中加入了自适应粒子扩散步骤以增加算法对潜在闭环的搜索能力。 使用节点(Node)来表示曾经到达过的地点,即相机获取的每一张图像。如图3所示,三角形表示过去路过的节点,圆形表示现在经过的地点,虚线表示检测到的回环。算法开始时,所有粒子被重置为起始位置(第一个节点),即
经过不断重采样之后,粒子会聚集在一个小范围内并保持不变,再也不能检测到潜在的回环。为了增强粒子分布的多样性,在完成粒子重采样之后,随机抽取一部分粒子,并将其重设为其他已经经过的节点位置。
选择粒子数最多的节点作为回环候选,并进行回环验证。因为相邻位置的图像总是有较高的相似度,所以要求当前结点与回环候选节点足够远。同时为了避免错误检测回环,还要求当前帧与候选参考帧的相似度足够大。同时满足这两个条件则判定该回环候选为正确回环。
2實验

本文选用牛津大学移动机器人研究小组公开的City Centre和NewCollege数据集进行测试。 m拍摄的场景图像,用两个车载相机分别拍摄了2474和2146张图像。图4为两个数据集提供的GPS信息,其中深灰色线为车载相机运动轨迹,浅灰色线表示正确的闭环位置。
实验所用计算机为戴尔t5810工作站,其配置为:CPU为E5-v1660v3处理器,,内存32 G。算法运行环境为MATLAB。

准确率(precision)和召回率(recall)是评价闭环检测算法常使用的两个指标。本文采用准确率一召回率曲线来验证本文算法的准确性。准确率和召回率的计算公式如下:
式中:p和R分别为准确率和召回率;NTP为正确检测到的闭环数;N