前言

在视觉里程计设计中应用CNN，可通过创建具有仿生效果的视知觉机制，进行学习，在CNN层内，可共享卷积核参数，层间稀疏连接，基于此特点，可以少量计算学习音频或像素，效果稳定，数据要求有限，无须另行特征工程支持，常被应用于计算机视觉（如识图或识物等）和自然语言处理。

1 研究思路

以CNN构建视觉里程计，预处理目标数据集，串联图片序列内的相邻RGB图片，单图设置3个通道，获取6通道张量，将其输入到神经网络，提取特征，并在全连接层输入特征，压缩张量，使用KITTI数据集实验比较。

2 理论支持

（1）经典几何算法。经典几何算法应用时间较久，计算方式为帧间估算，可应用于方案设计。在应用之初，该算法是以系数特征跟踪为计算基础，相关研究者针对点特征提取方案，并设计与之相适应的算法，可进行角点处理、边缘点处理以及区块处理，提取相应特征。基于相关特征，预测相机运动，了解ORB、SIFT以及SURF的状态。在众多方法中，较为经典且可直接应用的即为LSD-SLAM。该方法得到诸多关注。ORB-SLAM为稀疏特征跟踪式算法，鲁棒性良好，精度较高[1]。

（2）深度学习。在该部分中，执行“端-端”模式，开展大数量自动学习，进行数据推断。采取监督和无监督两种学习模式，前者有明确标签，后者无明确标签，使用聚类思想。有研究者基于CNN进行相机姿态估计，对CNN进行训练，使其由RGB图像转化回归，呈现相机姿态，同时进行场景实验，包括室内外两种场景环境实验。

3 算法研究

（1）特征提取。在以CNN为基础进行特征提取时，需要6个通道支持，且这些通道是以2个连续图片进行串联而成，然后实施特征提取。在卷积层，卷积核为3×3，池化核为2×2，串联3×3卷积层2个，约等于5×5卷积层，3个3×3卷积层串联后约等于7×7卷积层，但前者参数量仅为1/2后者参数量，可实现参数量降低，从大特征捕捉过渡至小特征捕捉。堆叠多个小规格卷积核，以其取代大卷积核，促进非线性激活函数增量，使特征学习能力提升。

（2）降维处理。将全连接层设置于卷积层后，可实现特征张量降维，进而实现6维度相机位姿的有效输出。隐藏部分单元，进行图片压缩，进行6维表示，分析图片相对位姿，获取特征向量。在全连接层后，有非线性激活函数与之连接，形成整体网络结构。

（3）损失函数处理。位移损失和旋转损失以加权耦合作为结合方式，将临近RGB图片输入，该图片在公式中显示为，根据相邻图片的相对位置，分析图片姿态，以其为标签。其中姿态公式表示为。通过前向网络传输，获取预测姿态，表示为。从而可知第i组样本损失函数如下（公式1）。在该公式中，损失函数内，旋转权重占比和函数位置占比因子表示为β。训练M对样本，获取最优参数（公式2）。

4 应用分析

（1）特征提取处理。以系统作为操作系统，显卡型号为RTX2080ti，构建实验平台。使用pytorch开源框架。使用KITTI数据集，进行监督学习。在数据集内获取变换矩阵，转化位姿，使其进行三维平移，表示为三维欧拉角，提升传输反向梯度的效率。利用数据集进行图片均值计算，确定标准差，并实施归一化处理，提取特征。

（2）训练。训练网络，将训练集中的数据进行0.2比例分割，验证数据集。执行Adam优化算法，初始学习率参数设置为0.0005。降低batch梯度，Batchsize参数设置为16。网络训练的时间为epoch训练5min/个，整体收敛网络训练误差，验证模型误差，总计约130 epoch，共计26h左右。获取训练损失曲线并进行验证。迭代次数递进，损失随之增加。分析函数曲线，可知训练损失和验证损失收敛良好，两项收敛效果相近。

5 未来发展展望

结合本次实验分析视觉里程计设计中的卷积神经网络应用，可知在设计应用时，应优化参数，对经典几何算法进行性能补充，促进性能提升。利用试验扩充原有数据集，确保相机可提升运动图像的捕捉效果。在未来，可应用性能更优越的视觉传感器，提升天气变化敏感度和光线敏感度，还应加强传感器融合研究。在该领域，后端优化研究有限，也应拓展以深度学习为基础的整体过程研究，加强闭环检测，在深度学习基础上进行相机位姿性能增强研究，创造更多可能[2]。

如果一个设备想要提供3D效果的AR，显然运动追踪模块是必备的。如果想让虚拟物体和场景交互，或是想要扫描一个真实物体，那么（稠密）三维地图可以提供场景的三维几何信息。而定位（运动追踪）和建图（稀疏或者稠密地图）构成了SLAM的核心功能。因此，SLAM可以说是AR中最基础的模块，属于设备感知周边环境的范畴。

上一篇：气相色谱仪在天然气组分分析中的应用
下一篇：没有了