基于CNN的復(fù)雜變化環(huán)境下的位置識(shí)別方法.pdf

1、近年來(lái)隨著自動(dòng)駕駛、無(wú)人機(jī)、虛擬現(xiàn)實(shí)等應(yīng)用領(lǐng)域的興起，基于視覺(jué)的位置識(shí)別在計(jì)算機(jī)視覺(jué)、機(jī)器人等領(lǐng)域備受關(guān)注。隨著研究的深入，位置識(shí)別任務(wù)所要應(yīng)對(duì)的場(chǎng)景也愈加復(fù)雜。目前絕大部分位置識(shí)別方法還主要是基于SIFT、ORB等傳統(tǒng)手工特征的方法，然而這類(lèi)方法已無(wú)法滿(mǎn)足復(fù)雜變化環(huán)境下的位置識(shí)別要求。深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）已經(jīng)在圖像分類(lèi)、人臉識(shí)別等多個(gè)領(lǐng)域展現(xiàn)出遠(yuǎn)優(yōu)于傳統(tǒng)手工特征的性能。因此，本文考慮將CNN應(yīng)用于位置識(shí)別任務(wù)中以更好地解決復(fù)雜場(chǎng)

2、景下的位置識(shí)別問(wèn)題。
　　首先，在詞袋模型的基礎(chǔ)上，提出了卷積特征袋（BCF）模型，并將其用于位置識(shí)別。同時(shí)，本文利用Faster R-CNN來(lái)對(duì)全局特征和局部特征進(jìn)行聯(lián)合提取，提出了基于Faster R-CNN的位置識(shí)別方法。為進(jìn)一步提升位置識(shí)別的效果，本文對(duì)基于CNN的端到端的位置識(shí)別方法進(jìn)行了探討，設(shè)計(jì)了一種全新的網(wǎng)絡(luò)結(jié)構(gòu)——BoWNet，用以對(duì)詞袋模型進(jìn)行模擬，并將其與常用的CNN網(wǎng)絡(luò)相結(jié)合，設(shè)計(jì)了可用于位置識(shí)別任務(wù)的Bo

3、W-CNN網(wǎng)絡(luò)，并采用孿生三重網(wǎng)絡(luò)結(jié)構(gòu)對(duì)其進(jìn)行了訓(xùn)練。此外，將BoWNet與Faster R-CNN網(wǎng)絡(luò)相結(jié)合，設(shè)計(jì)并實(shí)現(xiàn)了BR-CNN網(wǎng)絡(luò)，以期達(dá)到更好的位置識(shí)別效果。
　　本文提出的一系列基于CNN的位置識(shí)別方法均表現(xiàn)出顯著優(yōu)于傳統(tǒng)手工特征方法的識(shí)別效果，且在復(fù)雜變化環(huán)境下具有更好的魯棒性。其中，基于BCF和基于Faster R-CNN的位置識(shí)別方法并不依賴(lài)于特定的網(wǎng)絡(luò)層及網(wǎng)絡(luò)結(jié)構(gòu)，且可直接使用預(yù)訓(xùn)練好的網(wǎng)絡(luò)模型，而無(wú)須針對(duì)特