[发明专利]一种基于预训练卷积神经网络的视觉SLAM回环检测方法

说明书

本发明请求保护一种基于预训练卷积神经网络的视觉SLAM回环检测方法，包括如下步骤：S1.基于预训练卷积神经网络VGG‑19的结构对输入图像数据集进行特征提取，并构造图像特征向量集；S2.基于K‑Means算法对图像特征向量集进行特征聚类，并生成聚类模型；S3.对新输入图像帧经过预训练VGG‑19提取特征向量作为特征描述，并通过聚类模型输出预测标签；S4.在同一类别标签内，利用欧式距离度量对新加入图像的特征向量和其余特征向量进行相似度计算，当度量值小于设定阈值时则判定与之形成回环，经过条件筛选，输出构成的真实回环图像集合。本发明提高了准确率、降低了开销。

技术领域

本发明属于计算机视觉领域，尤其涉及一种基于预训练卷积神经网络的视觉SLAM回环检测方法。

背景技术

同步定位与建图(Simultaneous Localization and Mapping，SLAM)一直是机器人领域的重要研究内容，其主要目的是实现运动物体在陌生环境中自身定位及增量式的地图构建。在早期的研究中多使用激光、雷达等设备作为传感器进行信息采取。进入2000年以后，随着计算性能的提高，摄像头作为传感器开始成为主流的SLAM系统采取方式，这种基于视觉图像信息来感受周围环境的SLAM系统称为视觉SLAM(Visual SLAM)，其系统核心功能被分为三个独立的模块，分别是前端视觉里程计、回环检测和后端优化。其中，视觉里程计在较长时间的运行中，会因为邻近帧间的误差积累导致后端的优化收敛出现严重的偏差，这样的偏差在建图过程中会反映为漂移。因此，在视觉SLAM系统中引入了回环检测模块，用于消除累计误差，控制建图的全局一致性。

传统的回环检测方法分为两种。一种是基于视觉里程计的方法，这种方法是利用视觉里程计中的几何关系，假设相机回到了之前的位置，再进行是否构成回环的判断，但由于视觉里程计自身既存在偏移误差，这种判断逻辑准确性较低，误差较大。另外一种方法是基于视觉图像的方法，根据帧间相似性来判断回环，把回环检测问题归纳成为一个场景识别问题。其主要思路是通过前端摄像头获取到场景影像数据，运用计算机视觉的方法来计算图像间的相似性，从而判断回环。基于视觉图像方法的核心问题是如何计算图像间的相似性，现阶段较常使用方法是在图像中标定人工设计的关键点，然后进行特征描述子之间的相似度计算。但在回环检测中无论是对图像进行全局特征提取还是局部特征提取，都是基于设计算法人员的人为经验，当在现实环境中面对光照变化，天气变化，季节变换等情况时会出现准确率下降、无法稳定检测等问题。

近年来，基于深度学习的方法也开始应用于回环检测，在准确率和鲁棒性上较传统的人工设计特征方法具有更优异的表现。但是都会出现过高维度的特征向量增加了计算复杂度，庞大的神经网络训练不适合应用在常搭载SLAM系统的移动平台，不适合的神经网络模型应用在回环检测中容易形成过拟合等问题。

因此，为了解决上述技术问题，亟需提出一种新的方法。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种解决了人工设计的特征提取在回环检测中面对光照和角度变化时准确率下降和特征提取与构造特征描述子耗时高的问题。克服了常见的基于深度学习的视觉SLAM回环检测方法中，高纬度的特征向量引起的计算性能开销过大无法快速检测回环的问题的基于预训练卷积神经网络的视觉SLAM回环检测方法。本发明的技术方案如下：

一种基于预训练卷积神经网络的视觉SLAM回环检测方法，其包括以下步骤：

S1、输入场景图像集合，对输入图像先进行去均值标准化处理，基于预训练卷积神经网络VGG-19的结构，在VGG-19的前向传播中对输入图像数据集进行特征提取，并构造图像特征向量集；

S2、基于K-Means算法对图像特征向量集进行特征聚类，并生成聚类模型；

S3、对新输入图像帧经过预训练VGG-19提取特征向量作为特征描述，并通过聚类模型输出预测标签；