蒋雪源，陈青梅，黄初华

（贵州大学计算机科学与技术学院，贵阳 550025）

0 概述

实现移动设备实时精确的定位是移动增强现实技术的基本要求［1］。由于GPS、北斗等方式难以穿透建筑物，移动设备在建筑密集区域的定位比较困难，而利用超宽带、红外、超声波等设备接收信号实现定位，需要在场景中部署设备［2］。以上两类方法在实际应用时均有不足，而视觉定位方法不存在上述问题，因此受到众多学者的关注［3］。

针对从场景图像中估计查询图像位姿的问题，SARLIN 等［4］提出了层次定位方法。该方法利用卷积神经网络在场景图像中找到候选帧，候选帧聚类后与查询图像进行特征点匹配，建立特征点的2D-3D对应关系，使用PnP 算法估计相机位姿。之后，SARLIN 等［5］在层次定位方法的基础上提出了分层特征网络（Hierarchical Feature Network，HFNet），进一步改善了层次定位的性能。该方法联合估计图像的全局描述符与局部特征点，使层次定位方法具有出色的鲁棒性。HFNet 将基于SIFT［6］的局部特征描述符替换为基于学习的局部特征描述符，引入了多任务知识蒸馏方法，使层次定位方法对计算资源的需求进一步减小。但是HFNet 估计全局描述符的效果仍需提升，这导致层次定位方法查找候选帧的失败率较高同时，同时层次定位方法的聚类步骤计算量也比较大。

本文在HFNet 的基础上，提出结合动态遍历与预聚类的视觉定位方法。利用动态遍历方式搜索候选帧，对粗略检索步骤的候选帧数量做动态调整。在此基础上，根据场景地图进行图像预聚类，引入压缩-激励模块和h-swish 激活函数改进分层特征网络。……