CN109409418A - 一种基于词袋模型的回环检测方法 - Google Patents
一种基于词袋模型的回环检测方法 Download PDFInfo
- Publication number
- CN109409418A CN109409418A CN201811151984.8A CN201811151984A CN109409418A CN 109409418 A CN109409418 A CN 109409418A CN 201811151984 A CN201811151984 A CN 201811151984A CN 109409418 A CN109409418 A CN 109409418A
- Authority
- CN
- China
- Prior art keywords
- winding
- candidate
- similarity score
- image
- bag
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004804 winding Methods 0.000 title claims abstract description 107
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000010606 normalization Methods 0.000 claims abstract description 35
- 230000000007 visual effect Effects 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000002045 lasting effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 11
- 230000001419 dependent effect Effects 0.000 abstract description 3
- 229910002056 binary alloy Inorganic materials 0.000 abstract description 2
- 230000004438 eyesight Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于词袋模型的回环检测方法。该词袋模型采用具有旋转不变性和尺度感知能力的二进制视觉特征ORB，这种视觉特征能够具有同SIFT特征和SURF特征相似的性能同时具有与由FAST关键点和BRIEF描述子构成的视觉特征相同的计算效率，是一种兼顾了低计算复杂度和高特征显著性的视觉特征。本发明采用依赖于该视觉特征的词袋模型，因而能够在具有平面旋转和尺度缩放的场景中有效的进行回环检测。同时改进了相似度分数的归一化方法，通过计算和保持一个归一化因子的均值并在归一化因子数值异常时代替该异常归一化因子执行归一化。这种归一化方法使得系统能够在主体运动过快或过慢以及发生转向的情况下有效的进行回环检测。
Description
技术领域
本发明涉及视觉SLAM领域，更具体地，涉及一种基于词袋模型的回环检测方法。
背景技术
基于词袋模型的回环检测是当前视觉SLAM中的主流做法，词袋模型能够根据从图像中提取的视觉特征在视觉词典中的分布将图像转化为数值向量进而实现图像间快速有效的比较。
词袋模型的表现依赖于它所采用的视觉特征，早期采用SIFT特征和SURF特征的做法在特征提取和匹配上消耗大量时间从而加剧了系统负担。在“D.Galvez-Lopez,andJ.D.Tardos,“Real-time loop detection with bags of binary words,”IEEE/RSJInternational Conference on Intelligent Robots and Systems,pp.51–58,2011”中采用了由FAST关键点和BRIEF描述子构成的视觉特征从而有效的克服了这种缺陷，但由于这种视觉特征缺乏旋转不变性和尺度不变性导致系统只能应用于平面相机运动场景而无法在具有平面旋转和尺度缩放的场景下有效工作。
在基于词袋模型的回环检测中，使用相似度分数来反映图像之间的相似性，但是原始的相似度分数的数值取值范围非常依赖于图像所描述的场景以及视觉特征在视觉词典中的分布，因此该数值的绝对大小无法作为统一的相似性衡量标准。以往方法会利用当前图像与其前一张图像间的相似度分数作为归一化因子对其他相似度分数执行归一化。但当视觉传感器获取当前图像时运动过快或者过缓以及发生转向，就会导致归一化因子的数值过大或过小从而无法正确的执行归一化，通常的做法就是跳过在这种情况下的回环检测，这导致了系统在主体运动过快或者过慢以及转向的情况下无法很好的进行回环检测。
发明内容
为了克服由于词袋模型采用由FAST关键点和BRIEF描述子构成的视觉特征而导致系统无法在含有平面旋转和尺度缩放的场景中有效进行回环检测以及由于回避了由异常归一化因子引发的错误归一化而导致系统无法在主体运动过快或过慢以及转向的情况下有效的进行回环检测的问题，本发明提出一种基于词袋模型的回环检测方法，本发明采用的技术方案是：
一种基于词袋模型的回环检测方法，包括以下步骤：
S10.词袋模型向量转化：从系统所获取的图像中提取ORB视觉特征，根据ORB视觉特征在词袋模型视觉词典中的分布将图像转化为数值向量；
S20.图像间相似度分数计算：依据当前图像和先前获取每幅图像的数值向量计算对应相似度分数；
S30.相似度分数归一化：以当前图像同其前一幅图像间的相似度分数作为归一化因子对其他相似度分数致性归一化并计算归一化后的相似度分数η：
其中，vc为当前图像，vr为参考图像；vc-Δt为与vc的上一幅图像，s(vc,vc-Δt)为当前图像同其上一幅图像间的相似度分数；s(vc,vr)为当前图像同参考图像间的相似度分数；
S40.确定回环候选并分类：若归一化后的相似度分数η(vc,vr)达到给定阈值，可将图像vr作为当前图像vc的一个回环候选，再将相邻的回环候选组合到一起作为一类回环候选；
S50.时间一致性验证：在时间一致性验证阶段，需验证一类回环候选是否在一段时间内持续的被检测到，若是则保留该类回环候选；若否则不保留该类回环候选；
S60.几何一致性验证：在每类保留下来的回环候选中选取具有最大相似度分数的回环候选作为该类的代表进入几何一致性验证阶段，计算从当前图像对应相机坐标系到该回环候选对应相机坐标系的空间变换并验证其合理性，如果该空间变换合理，则该回环候选最终被确认为当前图像的真正回环。
本发明的技术关键点在于，提出了一种基于词袋模型的回环检测方法，该方法能够在视觉SLAM中消除累积误差从而构建全局一致的轨迹和地图。其中最为关键的两点在于采用了具有旋转不变性和尺度感知能力的二进制视觉特征ORB以及通过归一化因子均值代替异常归一化因子的相似度分数归一化方法。
优选的，S20的步骤具体为：
利用对应数值向量的L1范数计算相应图像之间的相似度分数：
这个相似度分数的取值分布在0和1之间，当两幅图像完全没有相似性时对应的相似度分数为0，当两幅图像完全一致时对应的相似度分数为1。
优选的，在S30步骤中考虑到异常归一化因子的存在，计算并保持一个归一化因子s(vc，vc-Δt)的均值ε(vc，vc-Δt)：
若归一化因子s(vc，vc-Δt)高于或低于均值ε(vc，vc-Δt)的一个给定范围，则利用该均值代替归一化因子执行归一化。
优选的，S40.的步骤具体为：
S401.在归一化完成后，若相似度分数η(vc，vr)达到一个给定的最小阈值α，就将参考图像Ir作为的当前图像Ic的一个回环候选；
S402.为了去除冗余和错误的回环候选，将相邻回环候选组合在一起作为一类回环候选；对于当前图像Ic，使用Ir，Ir+Δt，Ir+2Δt，…，Ir+nΔt表示它的一类回环候选，使用Vr表示这些回环候选所对应的数值向量vr，vr+Δt，vr+2Δt，…，vr+nΔt；
S403.通过加和这些回环候选的相似度分数来获得该类回环候选的整体相似度分数H(vc，Vr)：
当所有的回环候选都被分配到对应类别后，若一类回环候选的整体相似度分数达到一个给定的最小阈值β，就保留该类回环候选。
与现有技术相比，本发明技术方案的有益效果是：
本发明的有益效果主要体现在两个方面，即在场景中存在平面旋转和尺度缩放以及当主体移动过快、过慢或是转向的情况下，相比当前类似的回环检测方法，本发明提供的方法能够在100％的准确率下获得更高的召回率，这就说明本发明提供的方法能更为准确有效的检测回环。
附图说明
图1为本发明提供的基于词袋模型的回环检测方法的方法流程图；
图2为本发明提供的基于词袋模型的回环检测方法的相机位姿轨迹估计对比图(上方：未使用回环检测；下方：使用回环检测；红色：真实轨迹；蓝色：估计轨迹)；
图3为本发明提供的基于词袋模型的回环检测方法的重建场景稠密点云图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，仅用于示例性说明，不能理解为对本专利的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
图1所示，一种基于词袋模型的回环检测方法，包括以下步骤：
S10.词袋模型向量转化：从系统所获取的图像中提取ORB视觉特征，根据ORB视觉特征在词袋模型视觉词典中的分布将图像转化为数值向量；为之后实现图像间快速有效比较提供了依据；
S20.图像间相似度分数计算：依据当前图像和先前获取每幅图像的数值向量计算对应相似度分数，对于任意的两个数值向量v1和v2，利用L1范数评估的相似性：
这个相似度分数的取值分布在0和1之间，当两幅图像完全没有相似性时对应的相似度分数为0，当两幅图像完全一致时对应的相似度分数为1；
S30.相似度分数归一化：以当前图像同其前一幅图像间的相似度分数作为归一化因子对其他相似度分数致性归一化，对于当前图像Ic和参考图象Ir，其对应数值向量为vc和vr，计算归一化后的相似度分数η(vc，vr)：
其中，vc为当前图像，vr为参考图像；vc-Δt为与vc的上一幅图像。s(vc，vc-Δt)为当前图像同其上一幅图像间的相似度分数；s(vc，vr)为当前图像同参考图像间的相似度分数；
但由于异常归一化因子的存在，计算并保持一个归一化因子s(vc，vc-Δt)的均值ε(vc，vc-Δt)：
若归一化因子s(vc，vc-At)高于或低于均值ε(vc，vc-Δt)的一个给定范围，则利用该均值代替归一化因子执行归一化；
S40.确定回环候选：在归一化完成后，若相似度分数η(vc，vr)达到一个给定的最小阈值α，就将参考图像Ir作为的当前图像Ic的一个回环候选；为了去除冗余和错误的回环候选，将相邻回环候选组合在一起作为一类并为每类回环候选计算一个整体相似度分数。对于当前图像Ic的一类回环候选，使用Ir，Ir+Δt，Ir+2Δt，…，Ir+nΔt表示这些回环候选，使用Vr表示所对应的数值向量vr，vr+Δt，vr+2Δt，…，vr+nΔt。可通过加和这些回环候选的相似度分数来获得该类回环候选的整体相似度分数H(vc，Vr)：
当所有的回环候选都被分配到对应类别后，若一类回环候选的整体相似度分数达到一个给定的最小阈值β，就保留该类回环候选；
S50.时间一致性验证：在时间一致性验证阶段，需验证一类回环候选是否在一段时间内持续的被检测到，若是则保留该类回环候选；若否则不保留该类回环候选；
S60.几何一致性验证：在每类保留下来的回环候选中选取具有最大相似度分数的回环候选作为该类的代表进入几何一致性验证阶段，计算从当前图像对应相机坐标系到该回环候选对应相机坐标系的空间变换并验证其合理性，如果该空间变换足够的合理，该回环候选最终被确认为当前图像的真正回环。
实施例2
本实施例提供基于词袋模型的回环检测方法，将本发明对应的基于词袋模型的回环检测方法应用在一个以RGB-D相机为传感器的基于关键帧技术的视觉SLAM系统中，并在公开数据集TUM数据集中选取多个图像序列评估算法的表现。
从每幅图像中提取1000个ORB视觉特征并根据其在视觉词典中的分布将这些视觉特征转化为词袋模型向量来表示该图像。然后将该数值向量同之前获取图像对应的数值向量进行比较以获得图像间的归一化相似度分数。将置信度参数α设置为0.8从而得到初始的回环候选并将相邻的回环候选组合在一起作为一类。对每类回环候选计算一个整体相似度分数并保留那些整体相似度分数达到5α的回环候选类。对于每个被保留的回环候选类，从那些通过时间一致性验证的回环候选中选取具有最大相似度分数的回环候选作为该类的代表。最后验证该回环候选代表的几何一致性，若通过则将该回环候选代表作为一个真正的回环。
如图2所示给出了在四个不同图像序列上所获得的相机位姿轨迹估计，其中红色线条代表轨迹的真值，蓝色线条代表轨迹的估计。对比上方未使用回环检测的结果，下方使用回环检测方法所获取的轨迹估计更加接近TUM数据集给出的真值。如图3为本实施例提供的基于词袋模型的回环检测方法在图像序列(freiburg1_room)中重建得到的场景稠密点云。在上方未使用回环检测的结果中，由于累积误差导致重建场景中存在大量的错位现象。对比来看，下方使用回环检测重建得到的场景在整体上更为一致且不存在错位现象。综合以上实验结果，本实施例提供的回环检测算法能够有效的消除累积误差从而构建全局一致的轨迹和地图。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种基于词袋模型的回环检测方法，其特征在于，包括以下步骤：
S10.词袋模型向量转化：从系统所获取的图像中提取ORB视觉特征，根据ORB视觉特征在词袋模型视觉词典中的分布将图像转化为数值向量；
S20.图像间相似度分数计算：依据当前图像和先前获取每幅图像的数值向量计算对应相似度分数；
S30.相似度分数归一化：以当前图像同其前一幅图像间的相似度分数作为归一化因子对其他相似度分数致性归一化并计算归一化后的相似度分数η：
其中，vc为当前图像，vr为参考图像；vc-Δt为与vc的上一幅图像，s(vc，vc-Δt)为当前图像同其上一幅图像间的相似度分数；s(vc，vr)为当前图像同参考图像间的相似度分数；
S40.确定回环候选并分类：若归一化后的相似度分数η(vc，vr)达到给定阈值，可将图像vr作为当前图像vc的一个回环候选，再将相邻的回环候选组合到一起作为一类回环候选；
S50.时间一致性验证：在时间一致性验证阶段，需验证一类回环候选是否在一段时间内持续的被检测到，若是则保留该类回环候选；若否则不保留该类回环候选；
S60.几何一致性验证：在每类保留下来的回环候选中选取具有最大相似度分数的回环候选作为该类的代表进入几何一致性验证阶段，计算从当前图像对应相机坐标系到该回环候选对应相机坐标系的空间变换并验证其合理性，如果该空间变换合理，则该回环候选最终被确认为当前图像的真正回环。
2.根据权利要求1所述的基于词袋模型的回环检测方法，其特征在于，S20的步骤具体为：
利用对应数值向量的L1范数计算相应图像之间的相似度分数：
这个相似度分数的取值分布在0和1之间，当两幅图像完全没有相似性时对应的相似度分数为0，当两幅图像完全一致时对应的相似度分数为1。
3.根据权利要求1所述的基于词袋模型的回环检测方法，在S30步骤中考虑到异常归一化因子的存在，计算并保持一个归一化因子s(vc，vc-Δt)的均值ε(vc，vc-Δt)：
若归一化因子s(vc，vc-Δt)高于或低于均值ε(vc，vc-Δt)的一个给定范围，则利用该均值代替归一化因子执行归一化。
4.根据权利要求1所述的基于词袋模型的回环检测方法，其特征在于，S40.的步骤具体为：
S401.在归一化完成后，若相似度分数η(vc，vr)达到一个给定的最小阈值α，就将参考图像Ir作为的当前图像Ic的一个回环候选；
S402.为了去除冗余和错误的回环候选，将相邻的回环候选组合在一起作为一类回环候选；对于当前图像Ic，使用Ir，Ir+Δt，Ir+2Δt，…，Ir+nΔt表示它的一类回环候选，使用Vr表示这些回环候选所对应的数值向量vr，vr+Δt，vr+2Δt，…，vr+nΔt；
S403.通过加和这些回环候选的相似度分数来获得该类回环候选的整体相似度分数H(vc，Vr)：
当所有的回环候选都被分配到对应类别后，若一类回环候选的整体相似度分数达到一个给定的最小阈值β，就保留该类回环候选。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811151984.8A CN109409418B (zh) | 2018-09-29 | 2018-09-29 | 一种基于词袋模型的回环检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811151984.8A CN109409418B (zh) | 2018-09-29 | 2018-09-29 | 一种基于词袋模型的回环检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109409418A true CN109409418A (zh) | 2019-03-01 |
| CN109409418B CN109409418B (zh) | 2022-04-15 |
Family
ID=65465680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811151984.8A Active CN109409418B (zh) | 2018-09-29 | 2018-09-29 | 一种基于词袋模型的回环检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109409418B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934857A (zh) * | 2019-03-04 | 2019-06-25 | 大连理工大学 | 一种基于卷积神经网络与orb特征的回环检测方法 |
| CN110188809A (zh) * | 2019-05-22 | 2019-08-30 | 浙江大学 | 一种基于图像分块的回环检测方法 |
| CN110514199A (zh) * | 2019-08-28 | 2019-11-29 | 爱笔（北京）智能科技有限公司 | 一种slam系统的回环检测方法及装置 |
| CN111553975A (zh) * | 2020-04-27 | 2020-08-18 | 武汉易维晟医疗科技有限公司 | 一种手持式三维扫描系统的实时回环检测方法 |
| CN112507778A (zh) * | 2020-10-16 | 2021-03-16 | 天津大学 | 一种基于线特征的改进词袋模型的回环检测方法 |
| CN117496346A (zh) * | 2023-11-03 | 2024-02-02 | 浙江大学 | 一种基于增量式词袋模型的三维场景回环检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636341A (zh) * | 2012-04-11 | 2012-08-15 | 东华大学 | 一种基于波形拟合的迟滞检测方法 |
| CN102747919A (zh) * | 2012-06-18 | 2012-10-24 | 浙江工业大学 | 基于全方位计算机视觉的人行自动门安全和节能控制装置 |
| CN105426914A (zh) * | 2015-11-19 | 2016-03-23 | 中国人民解放军信息工程大学 | 一种面向位置识别的图像相似度检测方法 |
| CN106548486A (zh) * | 2016-11-01 | 2017-03-29 | 浙江大学 | 一种基于稀疏视觉特征地图的无人车位置跟踪方法 |
| CN106909877A (zh) * | 2016-12-13 | 2017-06-30 | 浙江大学 | 一种基于点线综合特征的视觉同时建图与定位方法 |
| CN108108716A (zh) * | 2017-12-29 | 2018-06-01 | 中国电子科技集团公司信息科学研究院 | 一种基于深度信念网络的回环检测方法 |
-
2018
- 2018-09-29 CN CN201811151984.8A patent/CN109409418B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636341A (zh) * | 2012-04-11 | 2012-08-15 | 东华大学 | 一种基于波形拟合的迟滞检测方法 |
| CN102747919A (zh) * | 2012-06-18 | 2012-10-24 | 浙江工业大学 | 基于全方位计算机视觉的人行自动门安全和节能控制装置 |
| CN105426914A (zh) * | 2015-11-19 | 2016-03-23 | 中国人民解放军信息工程大学 | 一种面向位置识别的图像相似度检测方法 |
| CN106548486A (zh) * | 2016-11-01 | 2017-03-29 | 浙江大学 | 一种基于稀疏视觉特征地图的无人车位置跟踪方法 |
| CN106909877A (zh) * | 2016-12-13 | 2017-06-30 | 浙江大学 | 一种基于点线综合特征的视觉同时建图与定位方法 |
| CN108108716A (zh) * | 2017-12-29 | 2018-06-01 | 中国电子科技集团公司信息科学研究院 | 一种基于深度信念网络的回环检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| D .GALVEZ-LOPEZ ET AL: "Real-time loop detection with bags of binary words", 《IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 * |
| NISHANT KEJRIWAT ET AL: "Hight performance loop closure detection using bag of word pairs", 《ROBOTICS AND AUTONOMOUS SYSTEMS》 * |
| 李同 等: "基于ORB 词袋模型的SLAM 回环检测研究", 《信息通信》 * |
| 董海霞 等: "视觉SLAM 中闭环检测算法的研究", 《微型机与应用》 * |
| 金亦东: "结合路网地图的视觉定位优化方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934857A (zh) * | 2019-03-04 | 2019-06-25 | 大连理工大学 | 一种基于卷积神经网络与orb特征的回环检测方法 |
| CN109934857B (zh) * | 2019-03-04 | 2021-03-19 | 大连理工大学 | 一种基于卷积神经网络与orb特征的回环检测方法 |
| CN110188809A (zh) * | 2019-05-22 | 2019-08-30 | 浙江大学 | 一种基于图像分块的回环检测方法 |
| CN110514199A (zh) * | 2019-08-28 | 2019-11-29 | 爱笔（北京）智能科技有限公司 | 一种slam系统的回环检测方法及装置 |
| CN110514199B (zh) * | 2019-08-28 | 2021-10-22 | 爱笔（北京）智能科技有限公司 | 一种slam系统的回环检测方法及装置 |
| CN113670300A (zh) * | 2019-08-28 | 2021-11-19 | 爱笔（北京）智能科技有限公司 | 一种slam系统的回环检测方法及装置 |
| CN111553975A (zh) * | 2020-04-27 | 2020-08-18 | 武汉易维晟医疗科技有限公司 | 一种手持式三维扫描系统的实时回环检测方法 |
| CN111553975B (zh) * | 2020-04-27 | 2022-04-22 | 武汉易维晟医疗科技有限公司 | 一种手持式三维扫描系统的实时回环检测方法 |
| CN112507778A (zh) * | 2020-10-16 | 2021-03-16 | 天津大学 | 一种基于线特征的改进词袋模型的回环检测方法 |
| CN112507778B (zh) * | 2020-10-16 | 2022-10-04 | 天津大学 | 一种基于线特征的改进词袋模型的回环检测方法 |
| CN117496346A (zh) * | 2023-11-03 | 2024-02-02 | 浙江大学 | 一种基于增量式词袋模型的三维场景回环检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109409418B (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109409418A (zh) | 一种基于词袋模型的回环检测方法 | |
| WO2022002150A1 (zh) | 一种视觉点云地图的构建方法、装置 | |
| CN108052896B (zh) | 基于卷积神经网络与支持向量机的人体行为识别方法 | |
| WO2022002039A1 (zh) | 一种基于视觉地图的视觉定位方法、装置 | |
| CN106952288B (zh) | 基于卷积特征和全局搜索检测的长时遮挡鲁棒跟踪方法 | |
| CN109190446A (zh) | 基于三元组聚焦损失函数的行人再识别方法 | |
| CN108960211A (zh) | 一种多目标人体姿态检测方法以及系统 | |
| CN109785370B (zh) | 一种基于空间时间序列模型的弱纹理图像配准方法 | |
| Gu et al. | Efficient multi-person hierarchical 3d pose estimation for autonomous driving | |
| CN112163588A (zh) | 基于智能进化的异源图像目标检测方法、存储介质及设备 | |
| CN112395977A (zh) | 基于身体轮廓和腿部关节骨架的哺乳动物姿态识别方法 | |
| CN112595322A (zh) | 一种融合orb闭环检测的激光slam方法 | |
| Zach et al. | What can missing correspondences tell us about 3d structure and motion? | |
| CN112287802A (zh) | 人脸图像检测方法、系统、存储介质及设备 | |
| Zhou et al. | Hemlets posh: Learning part-centric heatmap triplets for 3d human pose and shape estimation | |
| Mu et al. | Salient object detection in low contrast images via global convolution and boundary refinement | |
| Dai et al. | Oamatcher: An overlapping areas-based network for accurate local feature matching | |
| CN114067128A (zh) | 一种基于语义特征的slam回环检测方法 | |
| Cao et al. | A tracking registration method for augmented reality based on multi-modal template matching and point clouds | |
| CN116958958A (zh) | 基于图卷积双流形状先验自适应类别级物体姿态估计方法 | |
| CN112036250A (zh) | 基于邻域协同注意力的行人重识别方法、系统、介质及终端 | |
| CN110826575A (zh) | 一种基于机器学习的水下目标识别方法 | |
| Fu et al. | DAFT: Differential feature extraction network based on adaptive frequency transformer for remote sensing change detection | |
| CN109753896A (zh) | 一种基于共性自动编码器的无监督异源遥感图像变化检测方法 | |
| Harithas et al. | FinderNet: A Data Augmentation Free Canonicalization aided Loop Detection and Closure technique for Point clouds in 6-DOF separation. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |