同步定位与建图(Simultaneous Localization and Mapping,SLAM)问题近年来已成为机器人导航领域的热门研究话题,作为其重要环节之一,回环检测用以消除整个过程中的累积误差.针对该环节高效率的需求,本文提出了一种基于局部特征ORB和全...同步定位与建图(Simultaneous Localization and Mapping,SLAM)问题近年来已成为机器人导航领域的热门研究话题,作为其重要环节之一,回环检测用以消除整个过程中的累积误差.针对该环节高效率的需求,本文提出了一种基于局部特征ORB和全局描述符VLAD组合的快速回环检测算法.首先,使用一种全新的二值特征的VLAD量化算法(Binary-VLAD)提取全局特征,在保持描述符代表性的同时加快运行速度.然后,在全局粗搜索阶段,改进倒排索引结构,有效地减少了计算量和存储空间.其次,在几何验证阶段,使用一种基于空间相似性的偏移稳定模型,无需像RANSAC一样恢复基本矩阵,简捷高效.最后,在3个数据集上进行了验证实验,并与经典的词袋模型方法以及最新的基于深度学习的方法进行对比.实验结果表明,本文所提出的算法仅耗时19ms,明显优于经典的词袋模型算法,相比于最新的深度学习算法,时间效率更是提升近10倍,并且在保持100%准确率的前提下,召回率优于两者.展开更多
针对图像分类问题进行了研究,提出一种改进的局部聚合描述符(vector of locally aggregated descriptors,VLAD)算法以得到高效的图像特征表示。采用卷积神经网络提取图像的密集局部特征。正态分布式选取子集训练视觉字典,提高字典质量;...针对图像分类问题进行了研究,提出一种改进的局部聚合描述符(vector of locally aggregated descriptors,VLAD)算法以得到高效的图像特征表示。采用卷积神经网络提取图像的密集局部特征。正态分布式选取子集训练视觉字典,提高字典质量;然后,采用多近邻分配代替最近邻匹配,将特征量化到多个视觉字典且赋予不同的权重;最后,基于VLAD原理对图像局部特征进行编码,并用支持向量机对目标进行分类。在多个数据集上的实验结果表明,与近年提出的几种经典的图像分类算法相比,所提方法取得了较高的分类正确率。展开更多
针对生产流水线监控视频中存在的大量冗余及当前关键帧提取方法中存在的动作语义缺失、提取帧数不可控、实时性差等问题,通过深入分析视频中单行为体的动作特性,提出一种基于动作语义的关键帧提取方法。首先,提取视频的ORB(oriented FAS...针对生产流水线监控视频中存在的大量冗余及当前关键帧提取方法中存在的动作语义缺失、提取帧数不可控、实时性差等问题,通过深入分析视频中单行为体的动作特性,提出一种基于动作语义的关键帧提取方法。首先,提取视频的ORB(oriented FAST and rotated BRIEF)局部特征训练动作语义词典,将局部特征映射到动作语义空间,增强特征表示的语义信息。其次,构造VLAD(vector of locally aggregated descriptors)编码生成视频全局特征。最后,结合Kmeans聚类使得提取结果精准可控。实验结果表明,所提方法在压缩比例极低至3.33%的情况下,仍能保留完整的动作语义,相较基准方法 F1分数提高52.16%,与多种方法对比综合性能表现优异。该方法能够快速、均匀、稳定地提取关键帧,对不同压缩率具有较强的适应性和鲁棒性,具备低冗余度、高还原度等优势。展开更多
文摘本文提出一种采用尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)和局部聚合向量(Vector of Locally Aggregated Descriptors,VLAD)特征编码的布匹检索算法。首先,提取图像的SIFT特征,以对图像进行特征表达。但是,每张图像SIFT特征点数量可能不同,导致不同图像的特征向量维度不一致,无法直接进行图像之间的相似度计算。为此,本文进一步对图像的SIFT特征进行VLAD编码,在保证不同图像的特征维度一致的同时,改进SIFT特征对图像的表达能力。在VLAD编码方面,先用K-means聚类算法生成视觉词典;再进行特征向量局部聚合。局部聚合过程包括:首先,计算图像中SIFT特征向量与对应视觉词之间的残差;然后,将每个视觉词相应的残差求和;最后,把各个视觉词上的残差求和值进行串联得到图像的VLAD编码。本文实验采用十次平均的累计匹配特性(Cumulative Match Characteristic,CMC)曲线作为性能指标。结果表明,本文所提出的方法能提高检索速度,且具有较高的识别率,其平均Rank 1识别率达到95.03%。
文摘同步定位与建图(Simultaneous Localization and Mapping,SLAM)问题近年来已成为机器人导航领域的热门研究话题,作为其重要环节之一,回环检测用以消除整个过程中的累积误差.针对该环节高效率的需求,本文提出了一种基于局部特征ORB和全局描述符VLAD组合的快速回环检测算法.首先,使用一种全新的二值特征的VLAD量化算法(Binary-VLAD)提取全局特征,在保持描述符代表性的同时加快运行速度.然后,在全局粗搜索阶段,改进倒排索引结构,有效地减少了计算量和存储空间.其次,在几何验证阶段,使用一种基于空间相似性的偏移稳定模型,无需像RANSAC一样恢复基本矩阵,简捷高效.最后,在3个数据集上进行了验证实验,并与经典的词袋模型方法以及最新的基于深度学习的方法进行对比.实验结果表明,本文所提出的算法仅耗时19ms,明显优于经典的词袋模型算法,相比于最新的深度学习算法,时间效率更是提升近10倍,并且在保持100%准确率的前提下,召回率优于两者.
文摘针对图像分类问题进行了研究,提出一种改进的局部聚合描述符(vector of locally aggregated descriptors,VLAD)算法以得到高效的图像特征表示。采用卷积神经网络提取图像的密集局部特征。正态分布式选取子集训练视觉字典,提高字典质量;然后,采用多近邻分配代替最近邻匹配,将特征量化到多个视觉字典且赋予不同的权重;最后,基于VLAD原理对图像局部特征进行编码,并用支持向量机对目标进行分类。在多个数据集上的实验结果表明,与近年提出的几种经典的图像分类算法相比,所提方法取得了较高的分类正确率。
文摘针对生产流水线监控视频中存在的大量冗余及当前关键帧提取方法中存在的动作语义缺失、提取帧数不可控、实时性差等问题,通过深入分析视频中单行为体的动作特性,提出一种基于动作语义的关键帧提取方法。首先,提取视频的ORB(oriented FAST and rotated BRIEF)局部特征训练动作语义词典,将局部特征映射到动作语义空间,增强特征表示的语义信息。其次,构造VLAD(vector of locally aggregated descriptors)编码生成视频全局特征。最后,结合Kmeans聚类使得提取结果精准可控。实验结果表明,所提方法在压缩比例极低至3.33%的情况下,仍能保留完整的动作语义,相较基准方法 F1分数提高52.16%,与多种方法对比综合性能表现优异。该方法能够快速、均匀、稳定地提取关键帧,对不同压缩率具有较强的适应性和鲁棒性,具备低冗余度、高还原度等优势。
