本文综述了复杂环境下视觉SLAM闭环检测的挑战，包括场景描述、决策模型和性能评价。局部特征如SIFT、SURF、ORB与视觉词袋模型在实时检测中起关键作用，但面临环境变化的挑战。全局描述子如Gist和深度学习方法提高了鲁棒性，但视角变化仍是问题。结合深度信息和时变描述能增强环境认知，而决策模型如概率模型和序列匹配影响检测效果。未来研究方向包括深度学习融合、与后端优化的协同及多描述子融合。
原文链接
复杂环境下视觉SLAM闭环检测方法综述
-
本文针对复杂环境下视觉SLAM闭环检测的3个主要问题：场景描述、决策模型和闭环检测性能评价展开综述；
-
与激光SLAM相比，视觉SLAM具有感知能力和重定位能力更强、安装方式多元化、更加廉价等优势；
-
场景描述方法主要包括：局部特征描述子、全局描述子、局部区域的全局描述子、结合深度信息的场景描述、场景的时变描述；
- 局部特征描述子是指以特征点为中心生成的图像局部区域描述；
- SIFT特征提取算法是目前广为使用的一种图像特征算法，对尺度、旋转和光照都具有一定的不变性，存在的问题是其特征点的提取和描述子的计算非常耗时；
- SURF算法、ORB算法大多以牺牲性能为代价来提高效率；
- 基于局部特征描述子的闭环检测技术能够在SLAM系统中实时运行的一项关键技术是视觉词袋模型；
- 由于视觉词汇都是预训练的，在不同场景下的泛化能力是一个很重要的问题。除了增加词汇数量的方法外，还可以根据观测模型信息进行在线更新词汇，这种方法不需要对视觉词汇进行预训练，从而获得了对环境的自适应能力；
- 基于局部特征描述的方法并不能应对较强的环境条件变化，解决思路有：引入几何信息来加强对场景的描述；或者研究更具鲁棒性的特征点和描述子，通过大量的数据让机器自己学习合适的特征表示，是目前常用的一种途
- 局部特征描述子是指以特征点为中心生成的图像局部区域描述；
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
