在视觉同时定位与地图构建(SLAM)中,闭环检测模块主要用来消除位姿漂移,得到全局一致的轨迹和地图。针对传统SLAM闭环检测方法中效率与准确率低的问题,首次提出一种基于HHO算法的SLAM闭环检测方法。首先,对FAST算法进行改进,用于提取图像特征,生成图像特征的鲁棒描述子;然后,将闭环检测中求解当前帧图像和历史帧图像最大相似度的问题转换为最大值优化问题;最后,针对该优化问题,设计个体编码方式和适应度函数,给出求解闭环检测问题的HHO算法。实验结果表明,相较于基于词袋模型和PSO算法的闭环检测方法,所提基于HHO算法的SLAM闭环检测方法具有更高的效率与准确率。

针对GrabCut算法在分割图像时效率低,且容易出现欠分割与过分割的问题,提出了一种基于概率神经网络(PNN)改进的GrabCut(PNN_GrabCut)算法。该算法用PNN模型替换GrabCut算法中的高斯混合模型(GMM)进行t-links权值计算,以提升算法的计算效率;通过构建前景和背景直方图,选取像素值出现频率较高的像素作为PNN模型的训练样本,以提高算法的分割精度。在公开的ADE20K数据集中选取图像进行分割实验,结果表明,PNN_GrabCut算法的分割精度优于其他对比算法,且效率较高。对前景与背景相似度高的图像进行分割实验,结果表明,PNN_GrabCut算法的分割精度明显高于GrabCut算法。