[发明专利]一种基于卷积神经网络的视觉SLAM测试方法

说明书

本发明公开了一种基于卷积神经网络的视觉SLAM测试方法，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。达到降低外部环境对闭环检测的影响，提高闭环检测的目的。

技术领域

本发明涉及视觉导航技术领域，尤其涉及一种基于卷积神经网络的视觉SLAM测试方法。

背景技术

目前对于机器人来说，要实现自主导航最重要的就是要获得周围环境地图，同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)经过三十多年的不断发展，已经成为机器人领域的核心技术。SLAM流程一般包括特征提取与匹配、数据配准、闭环检测和全局优化等模块。闭环检测是SLAM系统的重要组成部分，在消除累积误差方面起着非常重要的作用。但是现有的闭环检测受外部环境影响严重，大大降低检测的准确率和召回率。

发明内容

本发明的目的在于提供一种基于卷积神经网络的视觉SLAM测试方法，旨在解决现有技术中的闭环检测受外部环境影响严重，大大降低检测的准确率和召回率的技术问题。

为实现上述目的，本发明采用的一种基于卷积神经网络的视觉SLAM测试方法，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。

其中，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。

其中，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