[发明专利]一种数据处理方法、装置

说明书

本申请提供一种数据处理方法、装置，采用深度神经网络预先构建地点数据库，地点数据库中的关键帧图像的全部特征和局部特征都是利用深度神经网络深度学习得到的，由于在深度神经网络学习中，假设关键帧图像局部特征的描述子存在一定程度光线的变化性，因此，当光线变化较大时，尽管第一图像局部特征的描述子有发生较大变化，也能在地点数据库中准确匹配到关键帧图像。

技术领域

本发明涉及神经网络技术领域，尤其涉及一种数据处理方法、装置。

背景技术

对于小型智能机器人来说，视觉重定位技术有着重要作用，重定位是指：在机器人定位失效时，机器人根据离线建立的运行环境的三维地图，进行比对，重新找回当前机器人的位置和姿态，从而保证机器人的正常运行。

通常，造成机器人定位失效的原因，一般是在实际运行过程中，由于人为或环境的干扰因素导致。例如：机器人的摄像头被人暂时遮挡造成没有有效视觉信息，机器人被人诱拐或强制移动位置，机器人经过室内外光线强烈变化的场所等。在干扰因素解除后，机器人需要重新计算当前的位置和姿态，并沿着规定的任务路线继续运行。

现有的视觉重定位技术多采用传统的局部特征，例如，尺度不变特征转换(Scale-invariant feature transform,SIFT)，但是，当离线地图和真实运行场景的光线差异较大时，使用传统局部特征进行特征匹配和搜索容易引入错误的特征匹配，或正确匹配数量较少，从而降低重定位的精度。

发明内容

为了解决上述问题，本发明提供一种数据处理方法、装置，利用深度神经网络生成的全局特征进行图像检索，对光线变化具有较好的鲁棒性，同时利用深度神经网络生成局部特征，利用深度学习局部特征，在光线变化情况下获取更多特征点匹配，从而完成对机器人位置和姿态的较精确的估计。

本发明实施例提供一种数据处理方法，包括：

获取第一图像；

基于机器学习，对所述第一图像进行处理，得到所述第一图像的全局特征和局部特征；

根据所述第一图像的全局特征，查询地点数据库，在所述地点数据库中确定与所述第一图像的全局特征匹配的关键帧图像；

根据所述关键帧图像和所述第一图像的局部特征，确定所述第一图像对应的定位信息。

可选地，所述方法还包括：

在采集的运行轨迹周围环境的图像中确定多个关键帧图像以及每个关键帧图像的定位信息；

利用机器学习对所述多个关键帧图像进行深度学习，得到每个关键帧图像的全局特征和局部特征；

根据每个关键帧图像的局部特征以及定位信息，确定每个关键帧图像上的关键点以及所述关键点的三维点坐标；

建立每个关键帧图像的全局特征、局部特征、定位信息、关键点、以及关键点的三维点坐标之间的映射关系；

将所述映射关系保存到地点数据库中。

可选地，在所述地点数据库中确定与所述第一图像的全局特征匹配的关键帧图像，包括：

将所述第一图像的全局特征和所述地点数据库中所有的关键帧图像的全局特征进行相似度比较，确定最大相似度的关键帧图像，且所述最大相似度大于预设的相似度阈值，则确定所述最大相似度的关键帧图像为匹配的关键帧图像。

可选地，所述方法还包括：

根据所述匹配的关键帧图像，在所述地点数据库中，确定其他关键帧图像，所述其他关键帧图像与所述匹配的关键帧图像之间的距离小于预设距离阈值。

可选地，根据所述关键帧图像和所述第一图像的局部特征确定所述第一图像的定位信息，包括：