基于CNN的復雜變化環(huán)境下的位置識別方法.pdf

1、近年來隨著自動駕駛、無人機、虛擬現實等應用領域的興起，基于視覺的位置識別在計算機視覺、機器人等領域備受關注。隨著研究的深入，位置識別任務所要應對的場景也愈加復雜。目前絕大部分位置識別方法還主要是基于SIFT、ORB等傳統(tǒng)手工特征的方法，然而這類方法已無法滿足復雜變化環(huán)境下的位置識別要求。深度卷積神經網絡（CNN）已經在圖像分類、人臉識別等多個領域展現出遠優(yōu)于傳統(tǒng)手工特征的性能。因此，本文考慮將CNN應用于位置識別任務中以更好地解決復雜場

2、景下的位置識別問題。
　　首先，在詞袋模型的基礎上，提出了卷積特征袋（BCF）模型，并將其用于位置識別。同時，本文利用Faster R-CNN來對全局特征和局部特征進行聯合提取，提出了基于Faster R-CNN的位置識別方法。為進一步提升位置識別的效果，本文對基于CNN的端到端的位置識別方法進行了探討，設計了一種全新的網絡結構——BoWNet，用以對詞袋模型進行模擬，并將其與常用的CNN網絡相結合，設計了可用于位置識別任務的Bo

3、W-CNN網絡，并采用孿生三重網絡結構對其進行了訓練。此外，將BoWNet與Faster R-CNN網絡相結合，設計并實現了BR-CNN網絡，以期達到更好的位置識別效果。
　　本文提出的一系列基于CNN的位置識別方法均表現出顯著優(yōu)于傳統(tǒng)手工特征方法的識別效果，且在復雜變化環(huán)境下具有更好的魯棒性。其中，基于BCF和基于Faster R-CNN的位置識別方法并不依賴于特定的網絡層及網絡結構，且可直接使用預訓練好的網絡模型，而無須針對特