[发明专利]一种基于卷积神经网络的视觉SLAM测试方法

权利要求书

1.一种基于卷积神经网络的视觉SLAM测试方法，其特征在于，包括如下步骤：

构建卷积神经网络部分模型，进行网络卷积训练；

构建自编码器网络模型，进行自编码器网络的训练；

组合训练后的卷积神经网络和自编码网络，形成特征提取与降维网络模型，采用池化与卷积神经网络结合的方法对高维的特征向量进行降维处理；

采用夹角余弦函数衡量特征的相似性，对训练得到的向量设定阈值结合两幅场景图像的相似度来判断闭环形成时间；

输出闭环检测准确率和召回率曲线和检测到的闭环,作为后续SLAM建图优化使用。

2.如权利要求1所述的基于卷积神经网络的视觉SLAM测试方法，其特征在于，在构建卷积神经网络部分模型，进行网络卷积训练中包括：

根据尺寸为2x2的卷积核控制生成的特征图的数量，并经过尺寸为4x4的卷积核进行特征图的特征提取，且经过对卷积层批处理规范化形成不同模块，不同模块级联，并加上最大池化层、全局池化层和分类层，构成卷积神经网络模型。

3.如权利要求2所述的基于卷积神经网络的视觉SLAM测试方法，其特征在于，

采用场景分类数据集对构建的卷积神经网络进行训练，给定图像为x，采用分类层的网络输出给定图像对应每一个类别j的概率p(y＝j|x)；对每一幅图像，网络最终都将输出对每一个类别的概率；将其中最大的概率值对应的类作为分类结果；分类层对应的映射h_w(x)如下：

θ₁，θ₂，...θ_k为分类模型参数,k为分类的类别数，y为模型预测的类别，e为自然对数的底；网络训练采用mini-batch方式进行训练，更新网络参数；训练数据批次中样本量为m，网络的损失函数Loss(θ)为：

x⁽ⁱ⁾为训练批次中第i个样本，y⁽ⁱ⁾为第i个样本的实际类别对应的标签，利用Adam算法进行网络的参数更新，更新公式如下：

m_t＝β₁m_t-1+(1-β₁)g_t

Loss为定义的损失函数，θ_t为模型参数，g_t为损失函数对变量的梯度，α和β₁、β₂为算法参数。

4.如权利要求1所述的基于卷积神经网络的视觉SLAM测试方法，其特征在于，

自编码器网络模型分为编码部分和解码部分，自编码器输入为x，中间层输出为h，网络输出为y，x和y的维度均为n；神经元的激活函数采用sigmoid函数即：

网络的编码部分学习的映射为f₁，解码部分学习的映射为f₂，则有：

h＝f₁(x)

y＝f₂(h)＝f₂(f₁(x))。

5.如权利要求4所述的基于卷积神经网络的视觉SLAM测试方法，其特征在于，

自编码器网络的训练采用批量数据进行训练，训练批次中样本数量为m；网络的损失函数为：

表示训练批次中第i个样本的第j个分量，表示第i个样本对应的输出的第j个分量；使用Adam算法进行网络的参数更新。

6.如权利要求1所述的基于卷积神经网络的视觉SLAM测试方法，其特征在于，

原始训练样本是m×n的大尺寸图像，首先从原始样本中抽取a×b的小图像样本x_s来训练线性解码器，通过函数获得k个特征,然后用这k个特征对大尺寸图像做卷积,得到k×(m-a+1)×(n-b+1)个卷积后的特征形成的矩阵。