Page 154 - 道路桥梁工程施工探究

Exploration of Road and Bridge Engineering Construction
道路桥梁工程施工探究

此外，随着深度学习技术的发展，其在特征提取、动态物体识别、观测值相
似度计算等方面展现出的优势开始在 SLAM 研究领域受到重视。将深度学习技
术应用于 SLAM 里程计、闭环检测或语义建图中的一个或多个环节，提高系统

的准确率、计算效率及稳健性，已成为定位与制图技术的一大发展方向。
（二）场景理解
场景理解是对场景进行认知和推断的过程，是测量机器人可以自主完成测量
任务的必要基础。在所有场景理解任务中最常见的 3 类任务是场景分类、目标检

测与语义分割。其中，场景分类负责判断机器人所在场景的类别，例如室内或室
外环境，人工或自然环境，继而辅助定位模块切换不同的模式。目标检测负责识
别场景中的关键对象，例如在电力巡线时识别电力设施，在隧道测量中识别裂隙
等。语义分割负责依照不同目标区域类别对整个场景进行划分和标注，例如在土

地调查中进行不同土地利用类型的划分。
在场景分类领域，依据分类过程使用的不同特征，分类方法主要分为以下 3
类：基于底层特征的方法，基于中层特征的方法、基于高层特征的方法。基于底
层特征的方法通常采用底层视觉属性特征形成的向量来描述图像，包括 SIFT 算

法、梯度直方图、Census 变换直方图等；基于中层特征的方法采用的是统计特征，
介于底层特征与高级语义特征之间，通过对底层特征进行统计与分析得到，常用
的中层特征有词袋模型、概率潜在语义分析和三层贝叶斯概率模型等；基于高层
特征的方法通常基于深度学习框架，通过卷积神经网络进行场景分类，比较常见

的深度学习框架有 ResNet、CaffeNet 和 GoogLeNet 等，这些经典的框架通常需
要大量的样本训练网络参数，建立场景分类模型，达到分类的目的。
在目标检测领域，传统的检测方法主要分为以下 4 类：基于模板匹配的方法、
基于知识的方法、基于对象的方法和基于传统机器学习的方法。基于模板匹配的

方法通过人工标注或者样本学习的方式生成用于检测目标的模板，然后利用相似
性测度判断目标与模板的相似性程度进行目标检测。根据采用的模板类型不同，
该类方法又可以细分为严格模板匹配方法与变形模板匹配方法。
基于知识的方法将目标的几何信息和上下文信息转换为形状、几何、空间关

系及其他类型的规则用于检测目标。基于对象的方法主要包含分割和分类两个过
程，首先根据人工设计准则将数据分割成多个同质区域，然后通过分类方法，根
据每个区域的特征确定包含目标的所属类别。基于传统机器学习的方法主要包括

140