[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

说明书

本发明公开了一种基于在线深度学习SLAM的图像云计算方法，包括以下步骤：采集图像数据并存储；提取关键帧上传；将图像数据构建数据集并进行训练，得到最优卷积神经网络参数；提取实时图像特征点进行识别，对相邻帧图像进行特征点匹配；图像特征点通过迭代，得出最佳匹配变换矩阵，利用位置姿态信息纠正，得到相机位姿变换；通过点云数据的配准和位置姿态信息，得到最优位姿估计；通过矩阵变换将位姿信息变换到一个坐标系，得到地图信息；精度不够的区域重复前面步骤；客户端显示结果，同时进行在线调整；本发明将图像处理、深度学习训练和SLAM利用云计算技术并行化，提高图像处理、定位与建图的效率及准确率。

技术领域

本发明涉及图像处理研究领域，特别涉及一种基于在线深度学习SLAM的图像云计算方法及系统。

背景技术

目前，随着移动机器人的发展，人们对其的需求也逐渐增加，如：无人驾驶、扫地机器人、3D打印、刑侦现场记录等方面，极大的方便了人们的生活，但同时也出现了一些新的问题。现有技术中，由于存在传感器精度低、计算量大等问题，会花费大量时间，而且不够完善，效果也不是很理想，基于三维视觉的SLAM的发展受到了一定的阻力。

近年来，深度学习发展迅猛，在棋类博弈和一些模拟游戏中取得了很好的成绩。云计算的出现使得大数据的采集与分析成为可能，深度学习作为机器学习领域一个重要发展方向，也将影响人工智能等其他领域。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于在线深度学习SLAM的图像云计算方法。

本发明的另一目的是提供一种基于在线深度学习SLAM的图像云计算系统。

本发明的目的通过以下的技术方案实现：

一种基于在线深度学习SLAM的图像云计算方法，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，进而得到该场景的地图信息；将精度精度不足，即误差大于M的区域实时反馈到云计算平台，M＝10mm，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。

在步骤S1中，所述图像数据采集由RGBD摄像头采集；所述图像数据包括RGBD图像和深度图像；所述图像采集，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；