地点识别作为移动机器人视觉SLAM后端中不可或缺的一部分,它在消除地图累计误差和机器人重定位上发挥着巨大的作用。同时,它又是一个长期未完全解决的问题,尤其是在存在视角和外观变化的场景下。最近基于卷积神经网络路标的地点识别工作在场景外观和视角同时变化时展现出了很有前景的性能,本文在详细分析此类算法的基础上对进一步提升地点识别技术鲁棒性和快速性上展开了研究,本文具体内容如下:(1)详细介绍了典型的基于卷积神经网络路标的地点识别的框架及其使用的相关算法,分析了基于卷积神经网络路标的图像描述的特点,并指出了这种方法存在的不足。(2)提出一种基于时间先验信息的序列匹配方法代替原有方法中的单帧匹配。基于序列匹配的方法利用了单帧匹配的结果,其将序列的评分作为序列中心图像之间的相似评分。该方法使用一种比值检查策略来衡量匹配序列的特异性,并根据序列的特异性来判断回环的存在情况。(3)提出一种基于哈希的全局路标匹配方法取代原有方法中基于双向最近邻检索的路标匹配方法,该方法首先离线构建关于参考数据集图像路标的哈希索引,这种索引的理论时间复杂度为O(1),通过哈希索引可以快速地为检索路标找到全局的最优匹配路标,同时该方法在哈希检索的结果上为每一个检索图像构建了一个候选图像优势集以缩减序列匹配的范围,除此之外该算法还定义了基于哈希的相似度计算和评价方法,最后通过大量试验验证了算法的有效性。本文提出的两种算法,在视角和外观变化时的数据集上都表现出了很好的效果,算法的鲁棒性也要优于原有算法,基于哈希加速的算法将原有方法的平均检索速度提升了至少两个数量级。