摘要
闭环检测通过查找轨迹中的闭环来修正轨迹误差，是视觉SLAM系统获取全局一致性地图和轨迹的关键技术。但是在遇到光照、季节变化等使场景发生强烈变化的复杂场景时，基于传统特征点的闭环检测的精度难以保证。现有的基于深度学习的闭环检测算法依靠卷积特征对图像强大的表征能力可以应对复杂场景，但是由于卷积网络复杂的模型结构，使得算法计算量大、实时性不佳。为保持基于深度学习的闭环检测算法性能，提高实时性，本文以实际科研项目为依托，完成了以下工作: (1)针对基于深度学习模型场景描述实时性差的问题，本文提出了一种基于轻量化VGG16的场景描述算法。该算法将VGG16与NetVLAD结合并使用输出的VLAD特征来实现场景描述，使用ThiNet对VGG16冗余的filter进行裁剪对网络进行轻量化来提高特征提取的速度，同时使用PCA对输出的高维VLAD特征进行特征降维来提高相似度计算的速度，从而大幅度提高了闭环检测算法在进行场景描述的实时性。 (2)针对特征匹配时间复杂度高且容易误判闭环的问题，本文提出了一种基于分层可通航小世界图的特征匹配算法。该算法通过对提取的VLAD特征建立分层可通航小世界图来加快场景描述库建立和场景特征匹配的速度，同时引入时序分析和序列判断过程，通过跳过判断相邻时间帧的场景、与周围场景不相似的场景来减少误判闭环的情况，从而减少闭环检测算法在进行特征匹配的时间复杂度以及闭环的误判。 (3)为了进一步验证所提出的算法在SLAM系统中的整体表现，将本文提出的算法应用于ORB-SLAM2的闭环检测模块，并在公开的数据集TUMRGB-D上进行了对比试验，实验结果表明改进后轨迹效果更贴合真实轨迹，产生的绝对轨迹误差和相对轨迹误差更小，性能优于原ORB-SLAM2。
NETL