江苏大学学报(自然科学版)

作者：牛杰，钱堃，卜雄洙

单位：1. 常州信息职业技术学院 电子工程学院， 江苏 常州 213164；   2. 南京理工大学 机械工程学院， 江苏 南京 210094；  3. 东南大学 自动化学院， 江苏 南京 210096

关键词： CNN特征,  动态环境, 显著性检测, 移动机器人, 地点识别

基金：国家自然科学基金资助项目（F030902）； 江苏省青蓝工程项目（苏教师〔2019〕3 号）； 常州市重点实验室项目（CM20183004）； 常州信息职业技术学院校级科技平台项目（KYPT201803Z）<br />

针对视点、外观等因素变化给地点识别应用带来的不利影响，设计了1种基于显著路标及深度特征的地点识别方法.首先分割图像中的显著物体作为候选路标；然后设计YOLOv3算法网络，对候选路标进行识别，以删除不适合环境建模的特定对象类型；最后在图像相似度测量中，利用中层卷积层的性能特点，提取候选路标的卷积神经网络（convolutional neural networks,CNN）特征，并结合降维操作，提升匹配效率.在3个具有挑战性的公开数据集上进行了试验，与FABMAP、SeqSLAM和PlaceCNN等先进方法进行了比较，该方法的平均识别精度达到7122％，优于其他3种方法，表明经过筛选的显著路标的CNN特征可以抵御强烈的视点和外观变化.

来源：2021年第6期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2021年第6期