牛 杰， 钱 堃， 卜雄洙

(1. 常州信息职业技术学院 电子工程学院， 江苏 常州 213164； 2. 南京理工大学 机械工程学院， 江苏 南京 210094； 3. 东南大学 自动化学院， 江苏 南京 210096)

视觉地点识别是移动机器人场景认知与导航的前提.传统识别方法主要依赖手工特征，结合精心设计的分类器进行场景类别判断，取得了较好的识别效果.但是，当机器人在现实世界的环境中运行更长的时间，特别是周围环境条件发生较大变化时，传统方法的识别效果明显下降.近年来，随着深度学习技术的发展，以卷积神经网络为代表的算法在诸如物体检测、物体识别和场景识别等方面应用十分广泛.深度特征在视角变化、环境外观变化等方面具有显著优势.LI Q.等[1]根据图像深度特征构造相似矩阵，完成了地点识别任务.P. NEUBERT等[2]针对场景季节变化所带来的外观变化问题，设计了卷积神经网络(convolutional neural networks,CNN)特征用于图像匹配，取得了较好的试验效果.以上方法至少存在一个问题，即由于深度网络的训练过程费时，需要高性能的硬件设备和调优参数，研究人员倾向于使用预训练CNN网络模型作为特征提取工具，模型的训练数据集都是以物体识别为目标的数据集[3].而地点识别应用往往受到视角、光照和动态对象等因素影响，因此，直接使用预训练模型在整个图像上提取特征是不合适的.

为了解决上述局限问题，研究人员试图在图像中智能地选择有用信息来识别位置.N. SÜNDERHAUF等[4]将似物性检测技术引入……