·680· 智能系统学报 第16卷 表4不同参数下的AUC Table 4 AUC under different parameters 参数 CC NC KAIST(East) KAIST(North) KAIST(West) Dp0.5,gRE=0.1 0.858 0.752 0.719 0.656 0.750 ADP-0,BRE-0.1 0.752 0.690 0.522 0.511 0.574 4DP=0.5,4BRE-0 0.768 0.692 0.512 0.493 0.541 0.70 0.65 0.60 iinin 挡0.55 pp-0.5,4mRE-0.I 要0.50 op=0,gRE=0.1 0.45 0.40 0255075100125150175200225 特征 图9高维空间与低维空间距离关系图 Fig.9 Distance diagram between two layers 图10NC数据集的真实回环图 图9中横坐标表示KAIST(North)数据集中图 Fig.10 The ground truth of NC dataset 片的特征描述子，纵坐标则为不同维度特征之间 的相似性。从图中可以清楚地看出，在两组不同 394 参数下，高维特征空间与低维特征空间之间距离 0.04 关系的相似性具有明显的差异。在1Dp=0, 300 E=O.1时，高维特征空间与低维特征空间的距离 0.03 关系相似性位于0.39~0.49，而当1Dp=0.5, 20 R=0.1时，其相似性则位于0.55~0.67。由此可 0.02 得，距离传播损失函数的加入有助于将高维特征 100 0.01 空间的海明距离关系映射到低维空间，获得更加 紧凑，区分度更高的特征。 100 200 300 394 3.2.3可视化分析 特征 在这部分，以NC数据集为例，通过可视化的 图11基于BREF的相似度矩阵 方式来证明基于无监督二进制描述符的视觉回 Fig.11 Similarity matrix of BRIEF 环检测方法的有效性。图10为根据图片的已有 通过对比真实回环与不同方法检测出的回 标签绘制的真实回环图，若第i帧图片与第j帧 环，不难发现，不论是传统的ORB、BRIEF以及 图片形成回环，则在图中对应坐标为(，)的点为 SURF还是本文所述方法都可以检测出较为明显 白色。所以真实回环图根据对角线完全对称。 的回环，不同的是传统方法在面对不易检测的回 图1I~I3为ORB、BRIEF、SURF以及本文所述方 环时会出现遗漏的情况，因此相比于图11~13， 法给出的回环检测图，用相似度矩阵来表示，其 图14会出现更多的明亮点以及色块，明暗对比较 中坐标为(，)的点表示第i帧图片与第j帧图片 为明显，这充分说明本文所述方法会为回环检测 之间的相似度，坐标点的颜色根据对应帧之间的 提供更多的相似帧，减少遗漏情况的出现。因此 相似度的变化而变化，颜色越亮则相似度越高， 在面对较强的视角及外观变化时本文所述方法可 两帧图片之间的相似度越高则二者成为回环的几 以检测出更多的回环，效果更加突出，这表明无 率越大。 监督二进制描述符更有区分度。表 4 不同参数下的 AUC Table 4 AUC under different parameters 参数 CC NC KAIST(East) KAIST(North) KAIST(West) λDP=0.5，λBRE=0.1 0.858 0.752 0.719 0.656 0.750 λDP=0，λBRE=0.1 0.752 0.690 0.522 0.511 0.574 λDP=0.5，λBRE=0 0.768 0.692 0.512 0.493 0.541 0 25 50 75 100 125 150 175 200 225 0.40 0.45 0.50 0.55 0.60 0.70 0.65 特征 相似度 λDP=0.5, λBRE=0.1 λDP=0, λBRE=0.1 图 9 高维空间与低维空间距离关系图 Fig. 9 Distance diagram between two layers 图 9 中横坐标表示 KAIST(North) 数据集中图 片的特征描述子，纵坐标则为不同维度特征之间 的相似性。从图中可以清楚地看出，在两组不同 参数下，高维特征空间与低维特征空间之间距离 关系的相似性具有明显的差异。 在 λ D P = 0 ， λBRE=0.1 时，高维特征空间与低维特征空间的距离 关系相似性位 于 0.39~0.49 ， 而 当 λ D P =0.5 ， λBRE=0.1 时，其相似性则位于 0.55~0.67。由此可 得，距离传播损失函数的加入有助于将高维特征 空间的海明距离关系映射到低维空间，获得更加 紧凑，区分度更高的特征。 3.2.3 可视化分析 在这部分，以 NC 数据集为例，通过可视化的 方式来证明基于无监督二进制描述符的视觉回 环检测方法的有效性。图 10 为根据图片的已有 标签绘制的真实回环图，若第 i 帧图片与第 j 帧 图片形成回环，则在图中对应坐标为 (i,j) 的点为 白色。所以真实回环图根据对角线完全对称。 图 11~13 为 ORB、BRIEF、SURF 以及本文所述方 法给出的回环检测图，用相似度矩阵来表示，其 中坐标为 (i,j) 的点表示第 i 帧图片与第 j 帧图片 之间的相似度，坐标点的颜色根据对应帧之间的 相似度的变化而变化，颜色越亮则相似度越高， 两帧图片之间的相似度越高则二者成为回环的几 率越大。 图 10 NC 数据集的真实回环图 Fig. 10 The ground truth of NC dataset 0.04 0.03 0.02 0.01 0 100 100 200 200 300 300 394 394 特征 特征 图 11 基于 BRIEF 的相似度矩阵 Fig. 11 Similarity matrix of BRIEF 通过对比真实回环与不同方法检测出的回 环，不难发现，不论是传统的 ORB、BRIEF 以及 SURF 还是本文所述方法都可以检测出较为明显 的回环，不同的是传统方法在面对不易检测的回 环时会出现遗漏的情况，因此相比于图 11~13， 图 14 会出现更多的明亮点以及色块，明暗对比较 为明显，这充分说明本文所述方法会为回环检测 提供更多的相似帧，减少遗漏情况的出现。因此 在面对较强的视角及外观变化时本文所述方法可 以检测出更多的回环，效果更加突出，这表明无 监督二进制描述符更有区分度。 ·680· 智 能 系 统 学 报 第 16 卷