[发明专利]一种基于自运动估计的视觉测距算法

权利要求书

1.一种基于自运动估计的视觉测距算法，其特征在于，主要包括自运动密度估计(一)；轨迹优化(二)；自运动估计自举学习(三)；场景流预测进行内省推理(四)。

2.对于权利要求书1所述的自运动密度估计(一)，其特征在于，联合概率密度p(x,z)分解为p(z|x)和p(x)两个项的乘积，p(z|x)是目标姿态z∈SE(3)从稀疏光流获得的输入对应特征x＝(x,△x)的条件密度，其中SE(3)为李群，条件密度p(z|x)预测给定新值x的可能值范围z，p(x)是输入数据x的无条件密度，无条件密度p(x)＝∑_zp(x,z)dz提供训练模型捕获的预测效果，估计自运动信度的关键是能够准确预测给定的输入特征x和流量Δx引起的姿态估计条件概率分布p(z|x)，由于它具有强大而丰富的建模能力，故采用混合密度网络(MDN)用参数来表示条件密度估计。

3.基于权利要求书2所述的混合密度网络，其特征在于，混合密度网络是一种端对端可训练的密度估计技术，利用传统的神经网络来回归生成模型的参数，神经网络加上高斯混合模型中丰富的概率模型，模拟视觉自运动等反演问题中产生的多值或多模态信度，在每个输入流F中，通过目标跟踪算法提取特征x_i，目标姿态数据z_i的条件概率密度表示为K个高斯成分的凸面组合，目标姿态z_i由等式(1)得出：

其中，π_k(x)是高斯混合模型中规定的第k个组件的混合系数，高斯核通过其平均向量μ_k(x)和对角线协方差σ_k(x)参数化，参数π_k(x),μ_k(x),σ_k(x)是x的一般连续函数，将这些参数建模，作为x输入传统神经网络后的输出，神经网络的输出约束如下：混合系数的总和必须为1，即∑_Kπ_k(x)＝1，其中0≤π_k(x)≤1，这个过程通过softmax激活函数来完成：

πk(x)=exp(akπ)Σi=1Kexp(aiπ)---(2)]]>

方差σ_k(x)在等式(3)中通过指数激活为正：

σk(x)=exp(akσ),μk(x)=akμ---(3)]]>

模型通过最大化数据的对数似然或者最小化负对数似然进行端对端学习，其中负对数似然表示为：

给定F的输入特征轨迹(x₁,…x_F)和预期自运动估计z，结合密度乘积，从每个个体流向量x_i获得自运动密度估计p(z_i|x_i)，为了保持密度乘积的易处理性和之后的轨迹优化，通过以下等式：

把每个特征对应的最大混合系数进行平均和协方差处理。