[发明专利]一种基于深度信念网络的回环检测方法在审
申请号: | 201711498176.4 | 申请日: | 2017-12-29 |
公开(公告)号: | CN108108716A | 公开(公告)日: | 2018-06-01 |
发明(设计)人: | 许涛;张德;张峰 | 申请(专利权)人: | 中国电子科技集团公司信息科学研究院 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/46;G06K9/62;G06N3/08 |
代理公司: | 北京中知法苑知识产权代理事务所(普通合伙) 11226 | 代理人: | 常玉明;张兰海 |
地址: | 100000 北京*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 信念网络 图像块 回环 向量 检测 矩阵 视频帧数据 输出特征 特征表示 细节信息 关键帧 计算量 相似度 灰度 隐层 判定 图像 | ||
本发明提供了一种基于深度信念网络的回环检测方法,包括以下步骤:S1:从视频帧数据中选取具有丰富细节信息的图像块以降低计算量;S2:将S1得到的图像块的灰度值展开成向量,所述图像块组成一个矩阵,输入深度信念网络进行训练;S3:将所述深度信念网络DBN最后一个隐层得到的向量作为图像的特征表示,通过计算当前帧与历史关键帧的输出特征之间的相似度来判定两帧是否是同一个地点,以完成回环检测。
技术领域
本发明属于人工智能的视觉SLAM领域,具体涉及一种基于深度信念网络的回环检测方法。
背景技术
在视觉SLAM(即时定位与地图构建)中,前端提供特征点的提取和轨迹、地图的初始值,而后端负责对所有数据进行优化。然而,如果仅考虑相邻时间上的关联,那么之前产生的误差将不可避免的累积到下一时刻,使得整个SLAM会出现累积误差,长期估计的结果将不可靠,无法构建全局一致的轨迹和地图。通过引入回环检测,能够给出除了相邻帧之外的一些时隔更加久远的约束。具体来说就是当相机经过同一个地方,采集到了相似的数据,回环检测如果成功检测到这件事,就可以为后端的位姿图提供更多的有效数据,使之得到一个全局一致的估计,保证了估计的轨迹和地图在长时间下的正确性,此外由于回环检测提供了当前数据与所有历史数据的关联,在跟踪算法丢失之后,还可以利用回环检测进行重定位。
针对回环检测问题,最简单直接的解决方案是对任意两幅图像做特征匹配,根据正确匹配的数量确定哪两幅图像存在关联。这种方法的缺点在于其时间复杂度为O(N
然而词袋模型也存在一些不足:1、当场景中具有大量相似物体时,例如具有相同桌椅的办公室的不同区域,由于不考虑其空间关系,容易错认为是同一地点;2、词袋模型中作为单词的特征点是人为设计的结构,不同的场景中哪一类特征点更为适用、特征点是否能够完整的反映场景都是待考量的问题。因此,现有技术需要一种回环检测方法能够克服上述缺陷。
发明内容
针对上面存在的问题,本发明提出一种基于深度信念网络的回环检测方法。采用本发明的方法,深度信念网络可以对图像特征进行自学习,降低人为因素的干扰,基于特征对关键帧的相似度进行度量,从而实现回环检测,能够大幅提升回环检测的准确率。
具体的,本发明的一种基于深度信念网络的回环检测方法包括:包括以下步骤:S1:从视频帧数据中选取具有丰富细节信息的图像块以降低计算量;S2:将S1得到的图像块的灰度值展开成向量,所述图像块组成一个矩阵,输入深度信念网络进行训练;S3:将所述深度信念网络DBN最后一个隐层得到的向量作为图像的特征表示,通过计算当前帧与历史关键帧的输出特征之间的相似度来判定两帧是否是同一个地点,以完成回环检测。
其中,所述步骤S1中,使用特征点计算方法提取图像的关键点,然后以关键点的像素为中心,以预定大小s的窗口从原始图像中提取出图像块,并拉伸成长度为s
其中,在所述S2中,所述深度信念网络DBN由多个限制波尔兹曼机RBM组成,对所述多个限制波尔兹曼机进行训练,计算出一个最能够产生训练样本的概率分布。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国电子科技集团公司信息科学研究院,未经中国电子科技集团公司信息科学研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201711498176.4/2.html,转载请声明来源钻瓜专利网。