地点识别是判断移动机器人是否到达先前经过的场景,常被应用在视觉SLAM的回环检测优化环节。随着视觉传感器在移动机器人中的广泛应用,复杂场景下的视觉地点识别是一个长期未解决的具有挑战性的问题,挑战主要来自两个方面,第一,由光照、季节、天气等发生剧烈变化造成的图像外观变化,第二,由相机拍摄角度不同造成的图像视角变化。利用基于卷积神经网络路标的描述方式来进行图像路标之间的匹配,已取得了一定的效果。但仍由于低效率的路标检索机制和图像中存在大量的动态路标作为对图像的描述而导致误匹配、弱匹配、识别实时性差的问题。据此,本文利用Mutip Cp LSH算法和动态路标筛选对基于卷积神经网络路标的视觉地点识别算法进行改进,本文详细内容如下:(1)介绍一种基于卷积神经网络路标的视觉地点识别技术,详细分析了该技术的优缺点。(2)提出一种基于哈希检索的视觉地点识别技术,利用一种近似最近邻搜索的Mutip Cp LSH算法替换双向最近邻搜索将视觉地点识别系统分为离线和在线两个部分。离线构建哈希表与查询表来存储参考图像集中的路标特征,在线检索查询图像路标在哈希表与查询表中的全局最优解。最后在三个具有挑战性的数据集上进行对比试验来评价该算法的性能。(3)提出一种基于动态路标筛选的视觉地点识别技术,该技术在基于哈希检索的视觉地点识别技术上引入动态路标筛选来解决图像中由动态信息造成的路标、图像误匹配问题。首先利用Edge Boxes提取图像中的原始路标,并用Faster RCNN提取图像中动态路标,最后利用交叉重叠思想在原始路标中筛除包含动态信息的路标。