[发明专利]一种图像定位模型的训练方法、装置及图像定位方法

权利要求书

1.一种图像定位模型的训练方法，其特征在于，包括：

从视频中抽取图像集，并从图像集中选取训练图像，以及为各个训练图像选取配对图像，所述训练图像与其配对图像组成训练图像对；

将所述训练图像对输入构建的双流神经卷积网络模型，利用深度学习算法计算训练图像和配对图像之间的绝对位置和姿态；所述双流神经卷积网络模型包含两个ResNet50卷积网络分支和一个由三个全连接层组成的倒Y型结构分支；

计算所述训练图像的真实位置与所述配对图像的绝对位置的差值，得到训练图像与配对图像之间的相对位置；计算所述训练图像的真实姿态与所述配对图像绝对姿态之间的矩阵乘积，得到训练图像与配对图像之间的相对姿态；从而得到训练图像对之间的相对位置和姿态；

计算损失函数；所述损失函数包括：全局位置和姿态损失函数，相对位置和姿态一致性损失函数，相对位置和姿态估计损失函数和自适应距离损失函数；

利用误差反向传播算法对所述双流神经卷积网络模型重复参数更新，直至得到的训练定位结果与真实结果相吻合，则输出训练后得到的双流神经卷积网络模型。

2.根据权利要求1所述的图像定位模型的训练方法，其特征在于，所述为各个训练图像选取配对图像的步骤包括：

选取训练图像下一时刻的图像为该训练图像的配对图像；

以及，选取开始时刻第一幅图像为最后一幅训练图像的配对图像。

3.根据权利要求1所述的图像定位模型的训练方法，其特征在于，在将所述训练图像对输入ResNet50卷积网络模型之前，还包括对所述训练图像对进行图像预处理；

所述预处理包括：将训练图像对的灰度值规划到预设范围内，并将规划后的灰度值减去训练图像每个颜色通道灰度值的均值，然后除以灰度归一化的标准差，最后得到归一化后像素值的图像。

4.根据权利要求1所述的图像定位模型的训练方法，其特征在于，包括：所述相对位置和姿态一致性损失函数由以下公式计算：

L_RC＝L_RCx+L_RCq

其中，L_RC表示相对位置和姿态损失，L_RCx表示相对一致性位置偏差，L_RCq表示相对一致性姿态偏差，x_rel，分别表示相对位置真值和由双流神经卷积网络模型估计出的全局位置计算得到的估计值，q_rel，分别表示训练图像的真实姿态和由双流神经卷积网络模型估计出的姿态计算得到的相对姿态,代表卷积网络模型估计出的训练图像与参考图像的位置，代表所述双流神经卷积网络模型估计出的训练图像姿态四元数，代表所述双流神经卷积网络模型估计的参考图像姿态四元数的共轭四元数。

5.根据权利要求1所述的图像定位模型的训练方法，其特征在于，全局位置和姿态损失函数由以下公式计算：

L_G＝L_Gx+L_Gq

上式中，L_G表示全局位置和姿态损失，L_Gx表示全局位置偏差，L_Gq表示全局姿态偏差，x，分别表示全局位置真值和所述卷积网络模型的位置估计值，q，分别表示图像的真实姿态和所述双流神经卷积网络模型的姿态估计值。

6.根据权利要求1所述的图像定位模型的训练方法，其特征在于，相对位置和姿态估计损失函数由以下公式计算：

L_RR＝L_RRx+L_RRq

上式中，L_RR表示相对位置和姿态损失L_RCx表示相对位置估计偏差，L_RCq表示相对姿态估计偏差，x_rel，分别表示相对位置真值和所述双流神经卷积网络模型的位置估计值，q_rel，分别表示图像的真实姿态和所述双流神经卷积网络模型的姿态估计值。