面向室内视觉定位的深度稠密局部特征匹配与车辆移除

视觉定位是智能交通系统的重要组成部分，可在其他传感器不可用时实现需要获知自身位置的大量应用。它主要通过图像检索来解决，即查询图像的位置由其于先前采集图像中的最相近匹配确定。现有方法聚焦于具有地标有助于定位的大尺度定位。然而，在物体难以辨认的小尺度环境中，视觉定位变得具有挑战性。在本文中，我们提出一种视觉定位框架，可在室内停车场采集的图像中稳健地为查询图像找到匹配。当图像中车辆外观相似且频繁更换（如停车场）时，这是一个具有挑战性的问题。我们提议采用一种类似人类感知的深度稠密局部特征匹配来寻找对应点，并利用车辆检测器自动剔除来自车辆的匹配。所提方案对低纹理场景稳健，且对车辆引起的错误匹配具有不变性。我们在包含267张预采集图像和99张查询图像（取自停车场34个区域）的基准数据集上对比了我们的框架与替代方案以验证优越性。我们的方法达到了86.9%的准确率，优于替代方案。