[发明专利]一种基于在线深度学习SLAM的图像云计算方法及系统

权利要求书

1.一种基于在线深度学习SLAM的图像云计算方法，其特征在于，包括以下步骤：

S1、采集图像数据，并将图像数据存储在存储器中；

S2、对存储器中的图像数据提取关键帧，将关键帧上传至云计算平台；

S3、将云计算平台上的历史数据构建数据集，利用MapReduce训练卷积神经网络，对数据集进行训练，得到最优卷积神经网络参数；

S4、用最优卷积神经网络参数对实时数据进行实时分析，即在云计算平台上提取实时获取图像的实时关键帧作为Storm的输入源，利用最优卷积神经网络参数，提取图像特征点，对每帧图像特征点进行识别，对相邻帧图像进行特征点匹配；

S5、利用RANSAC算法进行图像特征点筛选，通过迭代，计算出最佳匹配变换矩阵，同时利用惯性测量单元IMU提供的位姿信息进行纠正，得到图像处理后计算得到的位姿信息；

S6、利用算法ICP通过点云数据的配准，改善初始位姿估计的效果，同时利用惯性测量单元IMU提供的位姿信息，当图像处理后计算得到的位姿信息与IMU测量位姿信息相差小于阈值时，将两者进行1比1的加权平均；当图像处理后计算得到的位姿信息与IMU测量位姿信息相差大于阈值时，两者数据进行扩展卡尔曼滤波优化，得到最优位姿估计；根据最优位姿估计，物体实现自主定位和自主导航；

S7、通过矩阵变换将位姿信息变换到一个坐标系下，进而得到图像数据的地图信息；将精度不足，即误差大于M的区域实时反馈到云计算平台，从图像数据采集层获取二次关键帧，并重复步骤S4至步骤S7；

S8、创建不同面向问题的视图，服务层通过对数据实时层数据和图像批处理层数据进行处理，通过可视化的方式将结果传递到客户端，同时根据实时采集的数据进行在线调整。

2.根据权利要求1所述的一种基于在线深度学习SLAM的图像云计算方法，其特征在于，在步骤S1中，所述图像数据包括RGBD图像和深度图像；所述采集图像数据，通过图像数据采集层利用流媒体服务器的图像流，将拍摄的图像数据存储到存储系统中。

3.根据权利要求1所述的一种基于在线深度学习SLAM的图像云计算方法，其特征在于，在步骤S3中，所述MapReduce训练卷积神经网络对数据集进行训练，具体为：输入阶段：将待处理数据分割成固定大小片段，再将每个片段进一步分解成键值对；Map阶段：每个Map任务用map函数处理一个片段，并将生成的中间数据进行保存；Reduce阶段：根据Map阶段产生的中间数据，调用reduce函数进行处理，得到最优卷积神经网络参数；输出阶段：将最优卷积神经网络参数输出；

在训练过程中，使用梯度下降法，根据损失函数比较当前网络的预测值和目标值，再根据预测值和目标值的差异情况来更新每一层的权重矩阵；如果网络的预测值比目标值高，则调整权重让它预测值降低，不断调整，直到能够预测出目标值，此时即为最优卷积神经网络参数；

所述卷积神经网络包括三个部分：第一部分为输出层；第二部分为多个卷积层和池化层组合；第三部分为全结构的多层感知机分类器构成；所述卷积层，一个卷积层包含多个特征平面的神经元共享权值，即卷积核；所述卷积核以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值；训练卷积神经网络时，随机赋值初始权重和偏置，即网络自动习得。