[发明专利]一种基于深度学习的SLAM回环检测方法及系统

权利要求书

1.一种基于深度学习的SLAM回环检测方法，其特征在于：包括，

获取真实相机在SLAM系统中对应的真实关键帧；

利用词袋词典模块(100)检测回环候选帧，并送入深度学习检测模块(200)中；

所述深度学习检测模块(200)检测识别检测帧和所述回环候选帧中是否有同一物体；

分别获取所述词袋词典模块(100)与所述深度学习检测模块(200)的检测概率数据；

利用高斯概率模型，融合模块(300)将所述词袋词典模块(100)与所述深度学习检测模块(200)检测概率数据融合，获得融合后的概率数据；

判断所述融合后的概率数据是否达到检测要求。

2.如权利要求1所述的基于深度学习的SLAM回环检测方法，其特征在于：检测所述回环候选帧之前具体包括，

训练大量图片数据获取词典(101)；

利用关键帧数据库找出与当前帧有公共单词的关键帧；

累加与所述当前帧相同单词个数，并设置80％为最大共有所述单词数量设定值。

3.如权利要求1或2所述的基于深度学习的SLAM回环检测方法，其特征在于：检测所述回环候选帧还包括，

将所述设定值作为检测阈值；

利用所述检测阈值筛选所述关键帧；

利用所述词典(101)获取值大于所述检测阈值，获得所述回环候选帧，并把所述回环候选帧与所述检测帧送入所述深度学习检测模块(200)中。

4.如权利要求3所述的基于深度学习的SLAM回环检测方法，其特征在于：所述深度学习检测模块(200)检测识别包括，

利用开源YOLO算法检测所述当前帧与所述回环候选帧中是否有同一物体。

5.如权利要求4所述的基于深度学习的SLAM回环检测方法，其特征在于：所述开源YOLO算法检测具体包括，

利用图像上滑动的滑窗，查看完整图像；

分别判别所述图像的分类；

利用调整物体精确边框，完成检测和定位。

6.如权利要求1或4所述的基于深度学习的SLAM回环检测方法，其特征在于：融合所述检测数据概率包括，

利用词袋(102)，获取所述词袋词典模块(100)检测所述回环候选帧概率Xp；

利用深度学习，获取所述深度学习检测模块(200)检测识别概率Xm；

利用高斯概率模型，将所述概率Xp与所述概率Xm融合，获得融合后的所述概率数据。

7.如权利要求6所述的基于深度学习的SLAM回环检测方法，其特征在于：所述高斯概率模型包括，

其中，x为融合后的概率，p为预测(即词袋词典模块100)，Xp为预测概率，δp为方差，在概率论中，若A B相互独立，则P(AB)＝P(A)*P(B)。

8.如权利要求1所述的基于深度学习的SLAM回环检测方法，其特征在于：判断所述融合后的概率数据是否达到检测要求包括，

若融合后的所述概率数据结果大于所述检测阈值，则所述当前帧与所述回环候选帧是正确的；

若融合后的所述概率数据结果小于或等于所述检测阈值，则所述当前帧与所述回环候选帧是错误的。

9.一种基于深度学习的SLAM回环检测系统，其特征在于：包括，

词袋词典模块(100)，包括词典(101)和词袋(102)，所述词典(101)通过描述子聚类而构建，包含所有的单词，并与所述词袋(102)相连接，所述词袋(102)通过数据库筛选出与当前帧有公共单词的所述关键帧，同时通知所述词典(101)统计与所述当前帧相同单词数量；

深度学习检测模块(200)与所述词袋词典模块(100)相连，所述词袋词典模块(100)检测到的所述回环候选帧与所述关键帧送入深度学习检测模块(200)中时，所述深度学习检测模块(200)启动检测单元(201)检测识别所述回环检测帧与所述关键帧中有无相同物体，并通过计算体(202)算的所述词袋词典模块(100)与所述深度学习检测模块(200)的检测概率；

融合模块(300)包括结合体(301)，所述计算体(202)获取所述检测概率后被所述检测单元(201)以数据形式传输到所述结合体(301)内，所述结合体将所述检测概率数据融合在一起，并反馈给所述计算体(202)。