CN112990195A - 一种面向复杂环境下融入语义信息的slam回环检测方法 - Google Patents

一种面向复杂环境下融入语义信息的slam回环检测方法 Download PDF

Info

Publication number
CN112990195A
CN112990195A CN202110241012.3A CN202110241012A CN112990195A CN 112990195 A CN112990195 A CN 112990195A CN 202110241012 A CN202110241012 A CN 202110241012A CN 112990195 A CN112990195 A CN 112990195A
Authority
CN
China
Prior art keywords
semantic
loop detection
information
key frame
image
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.)
Pending
Application number
CN202110241012.3A
Other languages
English (en)
Inventor
吴俊君
朱小满
施清武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan University
Original Assignee
Foshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan University filed Critical Foshan University
Priority to CN202110241012.3A priority Critical patent/CN112990195A/zh
Publication of CN112990195A publication Critical patent/CN112990195A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种面向复杂环境下融入语义信息的SLAM回环检测方法，包括如下步骤：获取移动机器人运动过程中拍摄的图像；选择图像的关键帧；提取关键帧中的图像特征信息，并根据图像特征信息获取语义目标位置信息；将语义目标位置信息转换成场景描述符集，并根据场景描述符集构建语义表示模型；对语义表示模型的向量进行降维处理后导入最优投影指导的迁移哈希中以获取二进制哈希码，并通过二进制哈希码进行相似度计算；根据相似度对关键帧进行回环检测，判断回环检测是否发生。本发明可以有效解决传统的实时在线语义回环检测方法存在因离线数据库容量大而导致检索时间较长、回环检测效率低的问题，提高了回环检测效率。

Description

一种面向复杂环境下融入语义信息的SLAM回环检测方法
技术领域
本发明涉及图像数据处理技术领域，具体而言，涉及一种面向复杂环境下融入语义信息的SLAM回环检测方法。
背景技术
视觉SLAM(simultaneous localization and mapping，同步定位与建图)作为移动机器人自主导航的关键技术，能适用于自然环境中大范围长周期的机器人定位与环境地图构建，近年来一直受到全球学术界和工业界的重视和广泛关注。机器人对环境的理解与认知程度决定了其自主导航的智能化水平，而构建高精度的环境语义地图是实现机器人自主导航的关键。机器人只有从目前“基于底层感知信息构建环境地图”的层次进入到“基于认知信息构建智能化语义地图”的层次，才能使机器人实现真正意义上的类人自主导航。
视觉SLAM的核心环节——回环检测，对于提高SLAM系统的精度和减小误差具有重要意义。在现有的视觉SLAM算法框架中，实时在线的语义回环检测是机器人定位与环境地图构建的核心问题，也是最具挑战性的科学问题。由于环境语义信息具有比较稳定的特性，故而实时在线的语义回环检测效果有助于构建高精度的移动机器人环境语义地图。然而，传统的实时在线语义回环检测方法存在因离线数据库容量大而导致检索时间较长、回环检测效率低的问题。
发明内容
基于此，为了解决传统的实时在线语义回环检测方法存在因离线数据库容量大而导致检索时间较长、回环检测效率低的问题，本发明提供了一种面向复杂环境下融入语义信息的SLAM回环检测方法，其具体技术方案如下：
一种面向复杂环境下融入语义信息的SLAM回环检测方法，包括如下步骤：
获取移动机器人运动过程中拍摄的图像；
选择所述图像的关键帧；
提取所述关键帧中的图像特征信息，并根据所述图像特征信息获取语义目标位置信息；
将所述语义目标位置信息转换成场景描述符集，并根据所述场景描述符集构建语义表示模型；
对所述语义表示模型的向量进行降维处理后导入最优投影指导的迁移哈希中以获取二进制哈希码，并通过所述二进制哈希码进行相似度计算；
根据所述相似度对所述关键帧进行回环检测，判断回环检测是否发生。
上述面向复杂环境下融入语义信息的SLAM回环检测方法针对大规模复杂多变环境下语义地图增量式构建所产生的海量语义信息，考虑回环检测计算复杂性问题，通过提取所述关键帧中的图像特征信息并根据所述图像特征信息获取语义目标位置信息，然后将所述语义目标位置信息转换成场景描述符集并根据所述场景描述符集构建语义表示模型，最后对所述语义表示模型的向量进行降维处理后导入最优投影指导的迁移哈希中以获取二进制哈希码并通过所述二进制哈希码计算相似度来对所述关键帧进行回环检测，判断回环检测是否发生，可以有效解决传统的实时在线语义回环检测方法存在因离线数据库容量大而导致检索时间较长、回环检测效率低的问题，提高了回环检测效率。
进一步地，所述选择所述图像的关键帧的具体方法包括如下步骤：
利用滑动窗将所述图像分块；
分别从亮度、对比度和结构三方面度量所述图像；
采用高斯加权计算每一窗口的均值、方差以及协方差；
计算两幅所述图像对应块的结构相似度；
将两幅所述图像结构相似度的平均值作为结构相似性度量；
当相邻两帧的结构相似度小于阈值时，选取前一帧作为所述关键帧。
进一步地，所述提取所述关键帧中的图像特征信息，并根据所述图像特征信息获取语义目标位置信息的具体方法包括如下步骤：
对所述关键帧进行预处理；
通过卷积神经网络RepVGG对预处理后的所述关键帧进行语义分割以提取图像特征信息；
区域生成网络根据所述图像特征信息以及先验标注信息获取所述语义目标位置信息。
进一步地，所述对所述语义表示模型的向量进行降维处理后导入最优投影指导的迁移哈希中以获取二进制哈希码，并通过所述二进制哈希码进行相似度计算的具体方法包括如下步骤：
对所述语义表示模型的向量进行降维处理；
将降维处理后的所述语义表示模型的向量导入最优投影指导的迁移哈希中，寻求目标域以及源域的散列函数的最大似然估计解；
通过哈希函数对降维处理后的所述语义表示模型的向量进行离散化处理，获取二进制哈希码；
通过所述二进制哈希码进行相似度计算。
进一步地，所述通过所述二进制哈希码进行相似度计算的具体方法包括如下步骤：
计算查询图像的二进制哈希码与带检索图像的二进制哈希码之间的汉明距离；
根据所述汉明距离计算所述相似度。
进一步地，所述根据所述相似度对所述关键帧进行回环检测，判断回环检测是否发生的具体方法包括如下步骤：
若所述相似度大于或等于预设比例时，判断回环检测已经发生；
若所述相似度小于预设比例时，判断回环检测没有发生。
进一步地，所述面向复杂环境下融入语义信息的SLAM回环检测方法还包括如下步骤：
若回环检测已经发生，调整地图的偏移并更新全局地图；
若回环检测没有发生，新建关键帧并扩充地图。
进一步地，所述预处理包括增强处理以及裁剪处理。
相应地，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述所述的一种面向复杂环境下融入语义信息的SLAM回环检测方法。
相应地，本发明提供一种存储设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述计算机程序被处理器执行时实现如上述所述的一种面向复杂环境下融入语义信息的SLAM回环检测方法。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明一实施例中一种面向复杂环境下融入语义信息的SLAM回环检测方法的整体流程示意图；
图2是本发明一实施例中一种面向复杂环境下融入语义信息的SLAM回环检测方法的提取所述关键帧中的图像特征信息并根据所述图像特征信息获取语义目标位置信息的具体方法的流程示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明中所述“第一”、“第二”不代表具体的数量及顺序，仅仅是用于名称的区分。
如图1所示，本发明一实施例中的一种面向复杂环境下融入语义信息的SLAM回环检测方法，包括如下步骤：
获取移动机器人运动过程中拍摄的图像；
选择所述图像的关键帧；
提取所述关键帧中的图像特征信息，并根据所述图像特征信息获取语义目标位置信息；
将所述语义目标位置信息转换成场景描述符集，并根据所述场景描述符集构建语义表示模型；
对所述语义表示模型的向量进行降维处理后导入最优投影指导的迁移哈希中以获取二进制哈希码，并通过所述二进制哈希码进行相似度计算；
根据所述相似度对所述关键帧进行回环检测，判断回环检测是否发生。
可通过不同算法将所述语义目标位置信息转换成场景描述符集，所述算法可以根据实际情况进行选择，在此不再赘述。
上述面向复杂环境下融入语义信息的SLAM回环检测方法针对大规模复杂多变环境下语义地图增量式构建所产生的海量语义信息，考虑回环检测计算复杂性问题，通过提取所述关键帧中的图像特征信息并根据所述图像特征信息获取语义目标位置信息，然后将所述语义目标位置信息转换成场景描述符集并根据所述场景描述符集构建语义表示模型，最后对所述语义表示模型的向量进行降维处理后导入最优投影指导的迁移哈希中以获取二进制哈希码并通过所述二进制哈希码计算相似度来对所述关键帧进行回环检测，判断回环检测是否发生，可以有效解决传统的实时在线语义回环检测方法存在因离线数据库容量大而导致检索时间较长、回环检测效率低的问题，提高了回环检测效率。
在其中一个实施例中，所述选择所述图像的关键帧的具体方法包括如下步骤：
利用滑动窗将所述图像分块；
分别从亮度、对比度和结构三方面度量所述图像；
采用高斯加权计算每一窗口的均值、方差以及协方差；
计算两幅所述图像对应块的结构相似度；
将两幅所述图像结构相似度的平均值作为结构相似性度量；
当相邻两帧的结构相似度小于阈值时，选取前一帧作为所述关键帧。
在其中一个实施例中，如图2所示，所述提取所述关键帧中的图像特征信息，并根据所述图像特征信息获取语义目标位置信息的具体方法包括如下步骤：
对所述关键帧进行预处理；
通过卷积神经网络RepVGG(Re-parameterization Visual Geometry Group，结构重新参数化视觉几何组)对预处理后的所述关键帧进行语义分割以提取图像特征信息；
所述区域生成网络根据所述图像特征信息以及先验标注信息获取所述语义目标位置信息。
具体而言，先构建区域生成网络，然后所述区域生成网络利用所述图像特征信息以及先验标注信息生成候选区域框，所述候选区域框即所述语义目标位置信息。
先通过结构简单功能强大的卷积神经网络RepVGG对预处理后的所述关键帧进行语义分割以提取图像特征信息，再通过区域生成网络并基于所述图像特征信息以及先验标注信息获取所述语义目标位置信息，最后将所述语义目标位置信息转换成场景描述符集并根据所述场景描述符集构建语义表示模型，相比于当前人工特征的回环检测，所述面向复杂环境下融入语义信息的SLAM回环检测方法具有更强的鲁棒性，解决了复杂环境下机器人识别场景能力不足的问题，可以有效避免复杂环境噪声带来的干扰，有利于移动机器人构建高精度语义地图。
在其中一个实施例中，所述对所述语义表示模型的向量进行降维处理后导入最优投影指导的迁移哈希中以获取二进制哈希码，并通过所述二进制哈希码进行相似度计算的具体方法包括如下步骤：
对所述语义表示模型的向量进行降维处理；
将降维处理后的所述语义表示模型的向量导入最优投影指导的迁移哈希中，寻求目标域以及源域的散列函数的最大似然估计解；
通过哈希函数对降维处理后的所述语义表示模型的向量进行离散化处理，获取二进制哈希码；
通过所述二进制哈希码进行相似度计算。
其中，在将降维处理后的所述语义表示模型的向量导入最优投影指导的迁移哈希中，寻求目标域以及源域的散列函数的最大似然估计解的基础上，采用交替优化的方法获取目标域的投影以及源域的投影，以逐步减少目标域以及源域的哈希差。
在其中一个实施例中，所述通过所述二进制哈希码进行相似度计算的具体方法包括如下步骤：
计算查询图像的二进制哈希码与带检索图像的二进制哈希码之间的汉明距离；
根据所述汉明距离计算所述相似度。
具体而言，所述汉明距离越小，表明两幅图像的相似度越高。
在其中一个实施例中，所述根据所述相似度对所述关键帧进行回环检测，判断回环检测是否发生的具体方法包括如下步骤：
若所述相似度大于或等于预设比例时，判断回环检测已经发生；
若所述相似度小于预设比例时，判断回环检测没有发生。
在其中一个实施例中，所述面向复杂环境下融入语义信息的SLAM回环检测方法还包括如下步骤：
若回环检测已经发生，调整地图的偏移并更新全局地图；
若回环检测没有发生，新建关键帧并扩充地图。
在其中一个实施例中，所述预处理包括增强处理以及裁剪处理。通过对所述关键帧进行增强处理以及裁剪处理，可以提高图像特征信息提取的效率与速度。
在其中一个实施例中，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述所述的一种面向复杂环境下融入语义信息的SLAM回环检测方法。
在其中一个实施例中，本发明提供一种存储设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述计算机程序被处理器执行时实现如上述所述的一种面向复杂环境下融入语义信息的SLAM回环检测方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种面向复杂环境下融入语义信息的SLAM回环检测方法，其特征在于，包括如下步骤：
获取移动机器人运动过程中拍摄的图像；
选择所述图像的关键帧；
提取所述关键帧中的图像特征信息，并根据所述图像特征信息获取语义目标位置信息；
将所述语义目标位置信息转换成场景描述符集，并根据所述场景描述符集构建语义表示模型；
对所述语义表示模型的向量进行降维处理后导入最优投影指导的迁移哈希中以获取二进制哈希码，并通过所述二进制哈希码进行相似度计算；
根据所述相似度对所述关键帧进行回环检测，判断回环检测是否发生。
2.如权利要求1所述的一种面向复杂环境下融入语义信息的SLAM回环检测方法，其特征在于，所述选择所述图像的关键帧的具体方法包括如下步骤：
利用滑动窗将所述图像分块；
分别从亮度、对比度和结构三方面度量所述图像；
采用高斯加权计算每一窗口的均值、方差以及协方差；
计算两幅所述图像对应块的结构相似度；
将两幅所述图像结构相似度的平均值作为结构相似性度量；
当相邻两帧的结构相似度小于阈值时，选取前一帧作为所述关键帧。
3.如权利要求1所述的一种面向复杂环境下融入语义信息的SLAM回环检测方法，其特征在于，所述提取所述关键帧中的图像特征信息，并根据所述图像特征信息获取语义目标位置信息的具体方法包括如下步骤：
对所述关键帧进行预处理；
通过卷积神经网络RepVGG对预处理后的所述关键帧进行语义分割以提取图像特征信息；
区域生成网络根据所述图像特征信息以及先验标注信息获取所述语义目标位置信息。
4.如权利要求1所述的一种面向复杂环境下融入语义信息的SLAM回环检测方法，其特征在于，所述对所述语义表示模型的向量进行降维处理后导入最优投影指导的迁移哈希中以获取二进制哈希码，并通过所述二进制哈希码进行相似度计算的具体方法包括如下步骤：
对所述语义表示模型的向量进行降维处理；
将降维处理后的所述语义表示模型的向量导入最优投影指导的迁移哈希中，寻求目标域以及源域的散列函数的最大似然估计解；
通过哈希函数对降维处理后的所述语义表示模型的向量进行离散化处理，获取二进制哈希码；
通过所述二进制哈希码进行相似度计算。
5.如权利要求4所述的一种面向复杂环境下融入语义信息的SLAM回环检测方法，其特征在于，所述通过所述二进制哈希码进行相似度计算的具体方法包括如下步骤：
计算查询图像的二进制哈希码与带检索图像的二进制哈希码之间的汉明距离；
根据所述汉明距离计算所述相似度。
6.如权利要求1所述的一种面向复杂环境下融入语义信息的SLAM回环检测方法，其特征在于，所述根据所述相似度对所述关键帧进行回环检测，判断回环检测是否发生的具体方法包括如下步骤：
若所述相似度大于或等于预设比例时，判断回环检测已经发生；
若所述相似度小于预设比例时，判断回环检测没有发生。
7.如权利要求6所述的一种面向复杂环境下融入语义信息的SLAM回环检测方法，其特征在于，还包括如下步骤：
若回环检测已经发生，调整地图的偏移并更新全局地图；
若回环检测没有发生，新建关键帧并扩充地图。
8.如权利要求3所述的一种面向复杂环境下融入语义信息的SLAM回环检测方法，其特征在于，所述预处理包括增强处理以及裁剪处理。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的一种面向复杂环境下融入语义信息的SLAM回环检测方法。
10.一种存储设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，当所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的一种面向复杂环境下融入语义信息的SLAM回环检测方法。
CN202110241012.3A 2021-03-04 2021-03-04 一种面向复杂环境下融入语义信息的slam回环检测方法 Pending CN112990195A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110241012.3A CN112990195A (zh) 2021-03-04 2021-03-04 一种面向复杂环境下融入语义信息的slam回环检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110241012.3A CN112990195A (zh) 2021-03-04 2021-03-04 一种面向复杂环境下融入语义信息的slam回环检测方法

Publications (1)

Publication Number Publication Date
CN112990195A true CN112990195A (zh) 2021-06-18

Family

ID=76352782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110241012.3A Pending CN112990195A (zh) 2021-03-04 2021-03-04 一种面向复杂环境下融入语义信息的slam回环检测方法

Country Status (1)

Country Link
CN (1) CN112990195A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781563A (zh) * 2021-09-14 2021-12-10 中国民航大学 一种基于深度学习的移动机器人回环检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711365A (zh) * 2018-12-29 2019-05-03 佛山科学技术学院 一种融合语义信息的视觉slam回环检测方法及装置
US20200073968A1 (en) * 2018-09-04 2020-03-05 Inception Institute of Artificial Intelligence, Ltd. Sketch-based image retrieval techniques using generative domain migration hashing
CN111462135A (zh) * 2020-03-31 2020-07-28 华东理工大学 基于视觉slam与二维语义分割的语义建图方法
CN111860297A (zh) * 2020-07-17 2020-10-30 厦门理工学院 一种应用于室内固定空间的slam回环检测方法
CN111882663A (zh) * 2020-07-03 2020-11-03 广州万维创新科技有限公司 一种融合语义信息完成视觉slam闭环检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200073968A1 (en) * 2018-09-04 2020-03-05 Inception Institute of Artificial Intelligence, Ltd. Sketch-based image retrieval techniques using generative domain migration hashing
CN109711365A (zh) * 2018-12-29 2019-05-03 佛山科学技术学院 一种融合语义信息的视觉slam回环检测方法及装置
CN111462135A (zh) * 2020-03-31 2020-07-28 华东理工大学 基于视觉slam与二维语义分割的语义建图方法
CN111882663A (zh) * 2020-07-03 2020-11-03 广州万维创新科技有限公司 一种融合语义信息完成视觉slam闭环检测方法
CN111860297A (zh) * 2020-07-17 2020-10-30 厦门理工学院 一种应用于室内固定空间的slam回环检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘震: "基于语义地图的视觉SLAM系统设计", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
吴俊君等: "室外环境下移动机器人视觉SLAM算法改进", 《计算机工程与设计》 *
柳吉: "图像特征的判别与紧凑表达方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781563A (zh) * 2021-09-14 2021-12-10 中国民航大学 一种基于深度学习的移动机器人回环检测方法
CN113781563B (zh) * 2021-09-14 2023-10-24 中国民航大学 一种基于深度学习的移动机器人回环检测方法

Similar Documents

Publication Publication Date Title
CN110223324B (zh) 一种基于鲁棒特征表示的孪生匹配网络的目标跟踪方法
CN107563313B (zh) 基于深度学习的多目标行人检测与跟踪方法
CN109584302B (zh) 相机位姿优化方法、装置、电子设备和计算机可读介质
CN104200495B (zh) 一种视频监控中的多目标跟踪方法
CN111060115A (zh) 一种基于图像边缘特征的视觉slam方法及系统
CN112489081B (zh) 一种视觉目标跟踪方法及装置
CN111311708B (zh) 一种基于语义光流和逆深度滤波的视觉slam方法
CN109740537B (zh) 人群视频图像中行人图像属性的精确标注方法及系统
CN111311611B (zh) 一种实时三维大场景多对象实例分割的方法
KR20220004009A (ko) 키 포인트 검출 방법, 장치, 전자 기기 및 저장 매체
Gündüz et al. Efficient multi-object tracking by strong associations on temporal window
CN115546116A (zh) 全覆盖式岩体不连续面提取与间距计算方法及系统
Yan et al. Dual-template adaptive correlation filter for real-time object tracking
Lee et al. Robust real-time RGB-D visual odometry in dynamic environments via rigid motion model
CN112990195A (zh) 一种面向复杂环境下融入语义信息的slam回环检测方法
CN108985375B (zh) 考虑粒子权值空间分布的多特征融合跟踪方法
CN102201060B (zh) 一种基于形状语义的非参数轮廓跟踪评价方法
CN112836611A (zh) 确定身体部位语义图、模型训练和行人重识别方法及设备
CN110390336B (zh) 一种提高特征点匹配精度的方法
CN111291785A (zh) 目标检测的方法、装置、设备及存储介质
CN115880332A (zh) 一种低空飞行器视角的目标跟踪方法
CN114943741A (zh) 一种动态场景下基于目标检测和几何概率的视觉slam方法
CN112561956B (zh) 视频目标跟踪方法、装置、电子设备及存储介质
CN115359468A (zh) 一种目标网站识别方法、装置、设备及介质
CN113129332A (zh) 执行目标对象跟踪的方法和装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210618