·410 智能系统学报 第12卷 2)RatSLAM模型与DGSOM-RatSLAM模型的定 TP (15) 性分析 R=TP+FN RatSLAM模型与融入DGSOM神经网络的 a2+1 PR F。= (16) RatSLAM模型的性能对比如图7所示，相比于现有 a2P+R 的RatSLAM模型，DGSOM-RatSLAM模型采集相同 式中：正阳性(true positive,TP)指正确识别的闭环 场景时所需视觉细胞的个数更少，能够更快地进行 经验节点单元，假阳性(false positive,FP)指错误检 场景重定位且匹配效果更佳。 测出的闭环经验节点单元，假阴性(false negative, 700 FN)指未检测到的真实闭环经验节点单元，这里取 场景重现 600 区域 a=1,有 500 DGSOM+RatSLAM 2PR 400 RatSLAM F=P+R (17) 300 经计算，RatSLAM算法和DGSOM-RatSLAM算 200 法的准确率P分别为93.26%和94.74%，差异性不 100 显著：但相比于RatSLAM模型，DGSOM-RatSLAM模 20 4060 100 tis 型的召回率R有显著的提升，其中，RatSLAM算法 的召回率R仅为75.28%，即该算法在场景重定位中 图7 RatSLAM模型与DGSOM-RatSLAM模型性能对比 会导致较多的假阴性判断，DGSOM-RatSLAM算法 Fig.7 Performance comparison between RatSLAM and DGSOM-RatSLAM 的召回率R改进至86.88%，两种模型的F1值分别 为83.31%与90.64%，可以看出，DGS0M-RatSLAM 3)高斯噪声干扰下的RatSLAM模型与 DGSOM-RatSLAM模型的定性分析 算法性能得到了一定的改进，数据对比如表1所示。 表1 RatSLAM模型与DGSOM-RatSLAM模型性能对比 为进一步验证DGSOM-RatSLAM模型的有效 Tablel Performance comparison between RatSLAM 性，给所需处理的图像添加随机高斯噪声，其中正 model and DGSOM-RatSLAM model % 态分布的均值4取0，标准差σ取随机值[0.02， 模型 召回率R F,值 0.08]。高斯噪声干扰下的RatSLAM模型与 准确率P RatSLAM 93.26 DGSOM-RatSLAM模型性能对比如图8所示，相比 75.28 83.31 于RatSLAM模型，DGSOM-RatSLAM模型采集相同 DGSOM-RatSLAM 94.74 86.88 90.64% 场景时所需视觉细胞的个数更少，能够更快地实现 在每一帧图像中加入高斯噪声，得出其改进前后 闭环且匹配效果更佳。 的Gauss-RatSLAM模型及Gauss-DGSOM-RatSLAM,其 700 场景重现 准确率P分别为91.42%和86.70%，召回率R分别为 600 区域 71.33%和80.25%，计算得F,值分别为80.14%和 ← 500 Gauss-DGSOM-RatSLAM 83.35%,数据如表2所示。 400 Gauss-RatSLAM 表2 Gauss-RatSLAM模型与Gauss-DGSOM-RatSLAM 300 模型性能对比 200 Table 2 Performance comparison between Gauss-RatSLAM 100 model and Gauss-DGSOM-RatSLAM model % 20 40 60 80 100 模型 准确率P召回率RF,值 tis Gauss-RatSLAM 91.42 71.33 80.14 图8 Gauss-.RatSLAM模型与Gauss-.DGSOM-RatSLAM 模型性能对比 Gauss-DGSOM-RatSLAM 86.70 80.25 83.35 Fig.8 Performance comparison between Gauss-RatSLAM 对比两模型的准确率、召回率及F,值可以看 and Gauss-DGSOM-RatSLAM 出，融入DGSOM的鼠类导航细胞模型整体性能得 4)准确率与召回率对闭环检测的定量分析 到了一定的改进。 引入准确率P、召回率R及F值对两种系统进 5)实验场景匹配效果对比 行评估，数学模型如式(14)~(16)所示： RatSLAM模型与融入DGSOM神经网络的 TP RatSLAM模型的实验场景匹配效果对比如图9所 P=- (14) TP FP 示，DGSOM-RatSLAM模型在闭环匹配中具有更好２）ＲａｔＳＬＡＭ 模型与 ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型的定 性分析 ＲａｔＳＬＡＭ 模 型 与 融 入 ＤＧＳＯＭ 神 经 网 络 的 ＲａｔＳＬＡＭ 模型的性能对比如图 ７ 所示，相比于现有 的 ＲａｔＳＬＡＭ 模型，ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型采集相同 场景时所需视觉细胞的个数更少，能够更快地进行 场景重定位且匹配效果更佳。 图 ７ ＲａｔＳＬＡＭ 模型与 ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型性能对比 Ｆｉｇ．７ Ｐｅｒｆｏｒｍａｎｃｅ ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ ＲａｔＳＬＡＭ ａｎｄ ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ ３） 高 斯 噪 声 干 扰 下 的 ＲａｔＳＬＡＭ 模 型 与 ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型的定性分析 为进一步验证 ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型的有效 性，给所需处理的图像添加随机高斯噪声，其中正 态分布的均值 μ 取 ０，标准差 σ 取随机值［ ０． ０２， ０．０８］。 高 斯 噪 声 干 扰 下 的 ＲａｔＳＬＡＭ 模 型 与 ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型性能对比如图 ８ 所示，相比 于 ＲａｔＳＬＡＭ 模型，ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型采集相同 场景时所需视觉细胞的个数更少，能够更快地实现 闭环且匹配效果更佳。 图 ８ Ｇａｕｓｓ⁃ＲａｔＳＬＡＭ 模型与 Ｇａｕｓｓ⁃ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型性能对比 Ｆｉｇ．８ Ｐｅｒｆｏｒｍａｎｃｅ ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ Ｇａｕｓｓ⁃ＲａｔＳＬＡＭ ａｎｄ Ｇａｕｓｓ⁃ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ ４）准确率与召回率对闭环检测的定量分析 引入准确率 Ｐ、召回率 Ｒ 及 Ｆ 值对两种系统进 行评估，数学模型如式（１４） ～ （１６）所示： Ｐ ＝ ＴＰ ＴＰ ＋ ＦＰ （１４） Ｒ ＝ ＴＰ ＴＰ ＋ ＦＮ （１５） Ｆａ ＝ ａ ２ ＋ １ ａ ２ ＰＲ Ｐ ＋ Ｒ （１６） 式中：正阳性（ ｔｒｕｅ ｐｏｓｉｔｉｖｅ，ＴＰ） 指正确识别的闭环 经验节点单元，假阳性（ｆａｌｓｅ ｐｏｓｉｔｉｖｅ，ＦＰ）指错误检 测出的闭环经验节点单元，假阴性（ ｆａｌｓｅ ｎｅｇａｔｉｖｅ， ＦＮ）指未检测到的真实闭环经验节点单元，这里取 ａ ＝ １，有 Ｆ１ ＝ ２ＰＲ Ｐ ＋ Ｒ （１７） 经计算，ＲａｔＳＬＡＭ 算法和 ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 算 法的准确率 Ｐ 分别为 ９３．２６％和 ９４．７４％，差异性不 显著；但相比于 ＲａｔＳＬＡＭ 模型，ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模 型的召回率 Ｒ 有显著的提升，其中，ＲａｔＳＬＡＭ 算法 的召回率 Ｒ 仅为 ７５．２８％，即该算法在场景重定位中 会导致较多的假阴性判断，ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 算法 的召回率 Ｒ 改进至 ８６．８８％，两种模型的 Ｆ１ 值分别 为 ８３．３１％ 与 ９０． ６４％，可以看出，ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 算法性能得到了一定的改进，数据对比如表 １ 所示。 表 １ ＲａｔＳＬＡＭ 模型与 ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型性能对比 Ｔａｂｌｅ１ Ｐｅｒｆｏｒｍａｎｃｅ ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ ＲａｔＳＬＡＭ ｍｏｄｅｌ ａｎｄ ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ ｍｏｄｅｌ ％ 模型 准确率 Ｐ 召回率 Ｒ Ｆ１ 值 ＲａｔＳＬＡＭ ９３．２６ ７５．２８ ８３．３１ ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ ９４．７４ ８６．８８ ９０．６４％ 在每一帧图像中加入高斯噪声，得出其改进前后 的 Ｇａｕｓｓ⁃ＲａｔＳＬＡＭ 模型及 Ｇａｕｓｓ⁃ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ，其 准确率 Ｐ 分别为 ９１．４２％和 ８６．７０％，召回率 Ｒ 分别为 ７１．３３％ 和 ８０． ２５％，计算得 Ｆ１ 值分别为 ８０． １４％ 和 ８３．３５％，数据如表 ２ 所示。 表 ２ Ｇａｕｓｓ⁃ＲａｔＳＬＡＭ 模型与 Ｇａｕｓｓ⁃ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型性能对比 Ｔａｂｌｅ ２ Ｐｅｒｆｏｒｍａｎｃｅ ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ Ｇａｕｓｓ⁃ＲａｔＳＬＡＭ ｍｏｄｅｌ ａｎｄ Ｇａｕｓｓ⁃ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ ｍｏｄｅｌ ％ 模型 准确率 Ｐ 召回率 Ｒ Ｆ１ 值 Ｇａｕｓｓ⁃ＲａｔＳＬＡＭ ９１．４２ ７１．３３ ８０．１４ Ｇａｕｓｓ⁃ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ ８６．７０ ８０．２５ ８３．３５ 对比两模型的准确率、召回率及 Ｆ１ 值可以看 出，融入 ＤＧＳＯＭ 的鼠类导航细胞模型整体性能得 到了一定的改进。 ５）实验场景匹配效果对比 ＲａｔＳＬＡＭ 模 型 与 融 入 ＤＧＳＯＭ 神 经 网 络 的 ＲａｔＳＬＡＭ 模型的实验场景匹配效果对比如图 ９ 所 示，ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型在闭环匹配中具有更好 ·４１０· 智 能 系 统 学 报 第 １２ 卷