由上海交通大学发表于2020 Robotics and Autonomous Systems
这篇论文提出了新的回环检测方法，利用所提出的超级字典代替原有的词袋字典，同时通过深度学习方法来提取特征。所提出的方法直接存储特征，而不需要创建字典，与传统ＢｏＷ方法相比，节省了内存空间。论文使用两个神经网络来加速回环检测，并可以忽略掉动态对象对回环检测产生的影响。实验在５个常用数据集上，与DBoW2, DBoW3 和iBoW-LCD方法相比，所提出的方法在回环检测上更具鲁棒性，在计算效率上，所提方法比其他方法速度快８倍以上。
概述
图 1 论文提出的框架概览
在这篇工作中，论文通过忽略掉例如自行车、行人等带有移动属性的物体，从而提升回环检测的效果。在场景特征提取上，使用深度学习的方法提取特征，代替传统人工设计的特征。论文提出监督与无监督结合的方法，加快场景比较的速度。利用自动编码器检测新场景，提高了回环检测的效率。利用深度学习在特征提取方面的优势，引入了超级字典的概念，通过减少帧间比较，加快回环检测过程。
背景知识
回环检测是ＳＬＡＭ系统中重要的一环，回环检测是检验相机是否回到历史轨迹的一种机制，需要对环境相似性进行检验。ＳＬＡＭ前端通过连续帧之间的特征匹配关系，计算相机的位姿变换与地图点的位置，这个过程会不断的累积误差，而正确的回环检测，可以为后端提供有效约束，得到拓扑一致的相机轨迹以及场景模型。通常的回环是利用特征点提取与词袋模型方法进行检测的，但人工设计的特征对光照、视角等因素不具备鲁棒性，导致ＳＬＡＭ系统在复杂环境中的性能下降。同时词袋模型需要一个事先生成的字典，为保证字典的通用性，一般用大量不同场景的图像训练字典，导致训练好的字典存储消耗空间较大。
方法介绍
论文的回环检测网络如图１所示，主要分为移动对象检测与特征提取部分、特征存储与相似性比较部分和新场景检测部分。下面对这几个部分分别介绍：
移动对象检测与特征提取层：
场景中移动的物体容易引不同场景的混淆对应现象。利用移动对象检测网络可以剔除场景中存在动态因素的对象。该层由一个CNN分类器组成，这个分类器有两个作用：其一为将场景中的物体分类成动态或静态两类，另一个作用是从分类器的中间层提取出静态对象的特征。
CNN分类器的设计是基于VGG16网络结构，具体结构如图２。将图像分成ｎ个子图像块，分别送入分类网络，只保留包含分类为静态物体的图像块进行后续处理。
图 2 CNN分类器结构
静态对象的特征提取自CNN分类器的倒数第二层的全连接层，每张输入图像得到128×ｊ维特征（128为全连接层输出维度，ｊ为输入图像中包含静态子图像块个数）。下列公式为图像提取的特征表示：
新场景检测层：
用自动编码器来检验图像帧是否包含新场景。自动编码器是一种无监督网络，其输出可以恢复出输入，作者提出的方法在回环检测过程中进行自动编码网络训练，根据输出与输入之间的重构误差的大小，来检测是否回到之前场景。
将从CNN分类器提取出的128×ｊ维特征送入自动编码器，如果当前帧包含之前达到的场景，则重构误差小于一定阈值；若未到到历史场景，则训练得到的重构误差应大于这个阈值。下图为随图像帧序列的输入，重构误差的变化，可见在64帧重构误差突然减小，说明64帧出现回环：
图 3 重构误差的变化
特征存储与相似性比较：
每张图像中提取的特征组成了字典Ｄ，以便后续的图像相似性比较。作者使用了两个字典：超级字典与普通字典。
超级字典：为避免当前帧图像与之前所有帧图像进行比较，提出了超级字典的概念。超级字典只保留相似性较小的少量关键帧，一般少于所有关键帧数量的２０％。普通字典：保留所有关键帧。
回环帧查询：当前帧通过新场景检测网络后，若被定义为非新场景后，则进行回环帧查询。为当前帧查找回环帧的过程中，先在超级字典中进行查找，找到相似性评分最高的一帧后，再在普通字典中对最高评分帧附近的关键帧进行查找。查找过程如下图：
图 ４ 回环帧查找过程
相似性比较：利用两帧提取的特征进行相似性比较，算法如图４，其中相似度测量公式为：
图 ５相似性计算
实验结果
作者所提出的回环检测方法融合了CNN分类、自动编码器、超级字典等内容，获得了更加快速、鲁棒的表现。提出的方法在５个室外数据集上进行检验，并与现阶段在回环检测中广泛使用的DBoW2, DBoW3和最新的iBoW方法 进行比较，下表为比较啊结构，可以看出作者所提方法性能更好。
在计算速度方面，作者所提出的方法更具有优势
联系客服
