[发明专利]基于卷积神经网络的语义地图构建方法及计算机存储介质

权利要求书

1.一种基于卷积神经网络的语义地图构建方法，其特征在于，所述方法包括以下步骤：

S1、接收2D图像，并传入卷积神经网络模型，输出稠密像素级语义概率地图点的神经元；

S2、采用贝叶斯更新模型跟踪每个曲面的分类概率分布；

S3、采用ElasticFusion方法提供数据进行关联性预测，更新概率分布；

S4、利用条件随机场正则化模型通过地图的尺度信息来改善语义检测。

2.根据权利要求1所述的方法，其特征在于，在步骤S1中，采用视觉传感器接收2D图像。

3.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型为基于caffe的卷积神经网络模型或基于反卷积语义分割的网络架构和VGG 16层网络。

4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型配备最大反池化和反卷积的训练来输出稠密像素级语义概率地图点的神经元。

5.根据权利要求4所述的方法，其特征在于，所述卷积神经网络模型接收所述2D图像及其深度值，素数深度值作为第四通道被输入至网络中进行训练。

6.根据权利要求5所述的方法，其特征在于，输入所述卷积神经网络模型的深度值被统一缩放至预定分辨率，缩放过程中采用线性插值得到缩小后图像的深度值。

7.根据权利要求1所述的方法，其特征在于，在步骤S3中，采用增量式语义信息融合的方法更新概率分布，语义信息融合的公式为：

其中，公式左边表示：给定1至k帧图像，其中第i个图像的概率分布情况；

公式右边表示：公式左边的分布情况可以表示为其上一次的概率分布情况乘以更新代价值；

u(s,k)表示第k帧中第s个点集的像素坐标，O表示n元向量，其中取第i元的标签向量，得到对应的l_i种类的概率分布图，取其在位置u(s,k)的概率值作为更新代价值乘以上一次的概率分布情况。

8.根据权利要求1所述的方法，其特征在于，在步骤S4中，以点元或点集作为全连接图之中的节点，使用均场估计和信息传递框架推断潜在变量以估计最小化标签的吉布斯能量。

9.根据权利要求8所述的方法，其特征在于，所述吉布斯能量的一部分为通过给定标签的函数得出的一元数据项，一部分为通过地图几何信息得到的途中两个连接的点元类别函数得到的成对的平滑项，所述平滑项的计算公式如下：

其中ψ_U(X_S)表示点元融合了多个CNN预测之后的内在概率分布；

ψ_P(X_S,X_S’)是指两个相互连接的点元的表征列别的函数。

10.一种计算机存储介质，其特征在于，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现如权利要求1-9中任一项所述的方法。