基于卷積神經(jīng)網(wǎng)絡(luò)的視覺里程計(jì)

摘 要：經(jīng)典的視覺里程計(jì)系統(tǒng)提取稀疏或密集的特征并匹配以執(zhí)行幀到幀的運(yùn)動估計(jì)，但是都需要針對它們所處的特定環(huán)境進(jìn)行仔細(xì)的參數(shù)調(diào)整。受深度網(wǎng)絡(luò)的最新進(jìn)展和以前關(guān)于應(yīng)用于 VO 的學(xué)習(xí)方法的啟發(fā)，探索了使用卷積神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)視覺位姿估計(jì)任務(wù)。通過對公開數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，驗(yàn)證方法性能。最后，對算法進(jìn)行總結(jié)分析并對展望其發(fā)展趨勢。

關(guān)鍵詞：視覺里程計(jì);位姿估計(jì);深度學(xué)習(xí); 卷積神經(jīng)網(wǎng)絡(luò)

DOI：10.16640/j.cnki.37-1222/t.2019.21.083

0 引言

視覺里程計(jì)[1]，也稱為幀間估計(jì)，是視覺SLAM[2]（simultaneous localization and mapping）中的核心內(nèi)容。經(jīng)典的基于幾何的視覺里程計(jì)方法分為特征點(diǎn)法與直接法。但是其依據(jù)于大量的計(jì)算，并且估計(jì)結(jié)果對相機(jī)參數(shù)極為敏感。近年來，人工智能、深度學(xué)習(xí)再次掀起了熱潮，基于深度學(xué)習(xí)的視覺任務(wù)豐富多樣，在分類、跟蹤等問題上都取得了很好的效果。但是多學(xué)習(xí)外觀特征，而視覺里程計(jì)需要學(xué)習(xí)圖片的幾何特征。

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的視覺里程計(jì)方法，將數(shù)據(jù)集進(jìn)行預(yù)處理，將圖片序列中相鄰的兩張RGB圖片進(jìn)行串聯(lián)，每張圖片的通道數(shù)為3，得到一個通道數(shù)為6的張量，輸入到神經(jīng)網(wǎng)絡(luò)中。參考Vgg網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行特征提取工作。將提取的特征輸入到全鏈接層將張量壓縮為位姿特征向量。通過KITTI數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，輸出圖片之間的相對位姿，并轉(zhuǎn)化為絕對位姿和地面真實(shí)軌跡進(jìn)行對比。

1 相關(guān)內(nèi)容

1.1 經(jīng)典的幾何方法

經(jīng)典的幾何幀間估計(jì)方法有著悠久的解決方案設(shè)計(jì)的歷史。最開始是基于稀疏的特征跟蹤，研究者們設(shè)計(jì)了很多具有魯棒性的角點(diǎn)、邊緣點(diǎn)、區(qū)塊等比較有代表性的點(diǎn)的特征提取與匹配的算法，在這些特征的基礎(chǔ)上估計(jì)相機(jī)的運(yùn)動，如SIFT，SURF，ORB等。Eigel[3]等人開發(fā)了最經(jīng)典的直接方法之一LSD-SLAM。直接方法在過去幾年中得到了最多的關(guān)注，Mur-Artal等人的ORB-SLAM[4]算法進(jìn)行稀疏特征的跟蹤也達(dá)到了令人印象深刻的魯棒性和準(zhǔn)確性。

1.2 深度學(xué)習(xí)法

深度學(xué)習(xí)采用端到端的方式進(jìn)行大量的自動學(xué)習(xí)，并嘗試從數(shù)據(jù)中推斷它們。從學(xué)習(xí)方式分為有著明確標(biāo)簽的有監(jiān)督學(xué)習(xí)（supervised learning）與沒有明確標(biāo)簽采用聚類的思想的無監(jiān)督學(xué)習(xí)（unsupervised learning）。Posenet[5]利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）實(shí)現(xiàn)相機(jī)姿態(tài)估計(jì)，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)從一個單一的RGB圖像回歸相機(jī)的姿態(tài)，并在大型室外場景與室內(nèi)場景進(jìn)行實(shí)驗(yàn)。Walch[6]在其去掉全連接層2048維的輸出向量基礎(chǔ)上加入循環(huán)神經(jīng)網(wǎng)絡(luò)架構(gòu)實(shí)現(xiàn)相機(jī)姿態(tài)回歸，捕捉像素關(guān)系。DeepVO[7]由兩個并行AlexNet的級聯(lián)卷積層組成并在末端串聯(lián)，提取圖片的低級特征到高級特征。

2 算法結(jié)構(gòu)

2.1 基于CNN的特征提取部分

將連續(xù)的兩張圖片串聯(lián)為6個通道進(jìn)行特征提取，卷積層卷積核全部使用3×3的卷積核和2×2的池化核，其中兩個3×3卷積層的串聯(lián)相當(dāng)于1個5×5的卷積層，3個3×3的卷積層串聯(lián)相當(dāng)于1個7×7的卷積層。其中3個3×3的卷積層參數(shù)量只有7×7的一半左右，有效的減少了參數(shù)量。由捕捉大的特征逐漸到捕捉小的特征進(jìn)行過渡。

通過多個小的卷積核堆疊來替代大的卷積核，增加了非線性激活函數(shù)，這有效的增加了特征學(xué)習(xí)的能力。

2.2 全連接層

在卷積層后面加入全連接層，將特征張量的維度降下來。以輸出6維度的相機(jī)位姿。隱藏單元數(shù)為4096，1024，512，128，最后壓縮為6維的表示圖片之間相對位姿的特征向量。全連接層后面也連接著非線性激活函數(shù)。整體的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

2.3 損失函數(shù)

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)平臺與特征提取過程

實(shí)驗(yàn)平臺為顯卡RTX2080ti一塊，ubuntu16.04操作系統(tǒng)。在開源框架pytorch上實(shí)現(xiàn)。

選擇KITTI數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，采用有監(jiān)督的學(xué)習(xí)方法。將數(shù)據(jù)集中g(shù)ps等采集的變換矩陣表示的位姿轉(zhuǎn)化為3維的平移與3維的歐拉角表示，更利于反向梯度傳輸。首先將數(shù)據(jù)集計(jì)算圖片的均值與標(biāo)準(zhǔn)差，對其進(jìn)行歸一化處理。

3.2 訓(xùn)練過程

網(wǎng)絡(luò)在00，01，02，08上進(jìn)行訓(xùn)練，驗(yàn)證數(shù)據(jù)集按照0.2的比例分割來源于訓(xùn)練集的。采用Adam優(yōu)化算法，設(shè)置初始學(xué)習(xí)率為0.0005。batch梯度下降方法，Batchsize為16。網(wǎng)絡(luò)訓(xùn)練一個epoch大概需要5分鐘，模型的驗(yàn)證誤差與訓(xùn)練誤差整體收斂到一個較小的范圍大概需要130epoch，約26小時。訓(xùn)練與驗(yàn)證的損失曲線如圖2所示，其中紅色代表隨著迭代次數(shù)增加的訓(xùn)練損失，藍(lán)色代表隨著迭代次數(shù)增加的驗(yàn)證損失，可以從損失函數(shù)曲線看出，兩個損失都可以收斂到較好的范圍并且相差不多。

3.3 測試過程

按照場景由訓(xùn)練得到的模型進(jìn)行測試，在每個文件夾所處的序列圖像中，將圖片堆疊輸入到網(wǎng)絡(luò)中，得到預(yù)測的相對姿態(tài)，有姿態(tài)解算將得出的相對姿態(tài)轉(zhuǎn)化為絕對姿態(tài)，并計(jì)算平移損失、旋轉(zhuǎn)損失以及總損失。

如圖3所示。綠色的為KITTI上GPS等得出的位姿作為真實(shí)地面軌跡。紅色的為KITTI數(shù)據(jù)集通過深度神經(jīng)網(wǎng)絡(luò)測試得到相對姿態(tài)并進(jìn)行姿態(tài)解算得到的相對于第一幀的絕對姿態(tài)。

隨著訓(xùn)練epoch的增加，測試模型的誤差一直在減少，畫出的軌跡收斂性也有明顯的提升，圖3中的軌跡是訓(xùn)練到130epoch時，得到的均勻較好的軌跡曲線。從幾個測試的序列看出，基于卷積神經(jīng)網(wǎng)絡(luò)的位姿估計(jì)方法都獲得了準(zhǔn)確的軌跡形狀，但都存在軌跡漂移的現(xiàn)象，和經(jīng)典的位姿估計(jì)方法如ORB得到的軌跡準(zhǔn)確度還有差距。基于深度神經(jīng)網(wǎng)絡(luò)的視覺位姿估計(jì)精度仍需提升。

4 結(jié)論與發(fā)展趨勢

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的視覺位姿估計(jì)方法。將兩張?jiān)嫉腞GB圖片以串聯(lián)的方式輸入到神經(jīng)網(wǎng)絡(luò)中。經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)在訓(xùn)練過程的參數(shù)設(shè)置很重要，合適的參數(shù)會使得網(wǎng)絡(luò)得到好的收斂，并測試出好的結(jié)果。在訓(xùn)練保存出較好的模型及優(yōu)化器下性能較優(yōu)，位姿估計(jì)較為準(zhǔn)確。但是其和經(jīng)典的幾何方法算法性能還有待提高，但是可以作為其有效的補(bǔ)充。

實(shí)驗(yàn)可以將數(shù)據(jù)集進(jìn)行擴(kuò)充，使得在相機(jī)面臨豐富運(yùn)動時更加準(zhǔn)確。可以采用新的視覺傳感器，如對光線或天氣變化十分敏感，探索新的傳感器融合。將后端優(yōu)化，閉環(huán)檢測或整體過程基于深度學(xué)習(xí)實(shí)現(xiàn)的研究還相對更少，但是其是提高基于深度學(xué)習(xí)的相機(jī)位姿估計(jì)性能的有效途徑。

參考文獻(xiàn)：

[1]NISTER D，NARODITSKY O，BERGEN J R.Visual odometry[C].Computer Vision and Pattern Recognition，2004.CVPR 2004.Proceedings of the 2004 IEEE Computer Society Conference on.IEEE，2004.

[2]BIRK A，PFINGSTHORN M.Simultaneous Localization and Mapping （SLAM）[M].Wiley Encyclopedia of Electrical and Electronics Engineering.John Wiley & Sons，Inc.2016.

[3]ENGEL J，THOMAS Sch?ps，CREMERS D.LSD-SLAM：Large-Scale Direct Monocular SLAM[C].European Conference on Computer Vision.Springer，Cham，2014：834-849.

[4]MUR-ARTAL R，MONTIEL J M M，Tardos J D.ORB-SLAM： a versatile and accurate monocular SLAM system[J].IEEE Transactions on Robotics，2015，31（05）：1147-1163.

[5]KENDALL A，GRIMES M，CIPOLLA R.PoseNet：A Convolutional Network for Real-Time 6-DOF Camera Relocalization[C].IEEE International Conference on Computer Vision.2015.

[6]WALCH F，HAZIRBAS C，Leal-Taixé，Laura，et al.Image-based Localization with Spatial LSTMs[C].2016.

[7]MOHANTY V，AGRAWAL S，DATTA S，et al.DeepVO： A Deep Learning approach for Monocular Visual Odometry[C].2016.

基金項(xiàng)目：武器裝備軍內(nèi)重點(diǎn)科研項(xiàng)目資助

作者簡介：吳凡（1995-），女，河北保定人，碩士研究生，主要從事機(jī)器視覺與深度學(xué)習(xí)方面的研究。