In this thesis, we aim to enhance Simultaneous Localization and Mapping (SLAM) with low- and high- level features. The low-level features - usually obtained by keypoint detection - are often clustered, redundant, and noisy. These keypoints usually require special processing like Adaptive Non-Maximal Suppression(ANMS) to keep the most relevant ones. To handle this issue, we present three new efficient ANMS approaches which ensure a fast and homogeneous repartition of the keypoints in the image. Furthermore, we present a robust approach for road marking detection and recognition from the images captured by a camera located inside a vehicle. These road markings are considered as high-level features which can be used to support and improve SLAM in many ways. Therefore, we propose to use road markings to efficiently detect loops in order to correct the accumulated error during localization and mapping. We have performed an extensive number of experiments which highlight the effectiveness and scalability of proposed methods.
이 논문에서, 우리는 저, 고수준 특징점을 이용하여 동시적 위치추정 및 지도작성을 개선하려고 합니다. 대개 keypoint 탐지를 통해 얻는 저수준 특징점은 종종 중복적이고 군집되어 있으며 잡음이 섞여있습니다. 이러한 keypoint들은 대개 가장 관련성이 높은 점들을 유지하기 위해 적응형 비최대 억제 기법(ANMS)과 같은 특수 처리를 필요로 합니다. 이러한 문제를 다루기 위해, 우리는 세가지 새롭운 효율적인 ANMS 방법을 소개합니다. 이 방법들은 빠르며 이미지 상 keypoint들의 동종 재분배를 보장합니다. 또한 우리는 차량 내의 카메라로 촬영한 이미지에서 도로 표식을 탐지 및 인식하는 강인한 방법을 소개합니다. 이러한 도로 표식들은 다양한 방식으로 SLAM을 보완하고 개선하는 데에 사용될 수 있는 고수준 특징점입니다. 따라서 우리는 위치추정과 지도작성 중에 누적된 오류를 해결하는데 있어서 루프를 효과적으로 탐지하기 위해 도로 표식를 사용할 것을 제안합니다. 우리는 제안된 방법들의 효과성과 확장성을 강조하기 위해 광범위한 횟수의 실험을 수행했습니다.
