[发明专利]基于卷积神经网络多层特征融合的机器人闭环检测方法

权利要求书

1.一种基于卷积神经网络多层特征融合的闭环检测方法，其特征在于，包括以下步骤：

S1、将移动机器人搭载的传感器采集的当前位置图像与历史关键图像进行缩放预处理，采用最邻近插值算法对图像进行缩放后输入预训练卷积神经网络；

S2、利用卷积神经网络作为特征提取器，选择OverFeat网络提取当前位置图像与历史关键图像不同卷积层的特征图；

S3、设计并建立浅层几何特征与深层语义特征的融合模块，浅层几何特征与深层语义特征融合模块用于对图像更好的表征，将不同层特征进行加权融合；

S4、将融合特征进行L₂归一化后采用主成分分析PCA降维处理；

S5、为检测是否产生闭环，将当前位置图像与历史关键图像的融合特征降维处理后进行相似性评分，得到最终闭环检测的结果。

2.根据权利要求1所述的一种基于卷积神经网络多层特征融合的闭环检测方法，其特征在于，所述步骤S1将获取到的当前位置图像与历史关键图像进行最邻近插值算法对图像进行缩放预处理，历史关键图像指的是机器人之前访问过的位置生成的关键图，将图像传递给预训练卷积神经网络，预训练卷积神经网络指的是本文选择的OverFeat，需要先对网络进行预先的学习训练，学习后的网络才能应用于图像检索，具体原始图像尺寸为640×480，通过以下公式缩小为221×221：

式中W,H为原图像的像素大小，w,h缩小后图像的像素大小，假设缩小前的一个像素点为(X,Y)，缩小后的像素点为(x,y),因此缩放后像素点的像素值如下：

最邻近插值算法使用的方法就是四舍五入法，式中表示为[.]。

3.根据权利要求1所述的一种基于卷积神经网络多层特征融合的闭环检测方法，其特征在于，所述步骤S2利用卷积神经网络作为特征提取器，选择OverFeat网络提取图像不同卷积层的特征图，具体包括：

将图像输入给OverFeat网络提取图像不同卷积层的特征图，OverFeat网络由卷积层、最大池层、全连接层组成，并整流线性单元(ReLU)，对网络进行修改，将全连接层改为卷积层，其卷积核大小为5×5，步长为1卷积核个数为4096，具体功能如下：

卷积层用于提取图像的特征；最大池化层保持特征的位置和旋转不变性以增强检测的鲁棒性；ReLU作为非线性激活函数，由下式表示：

ReLU(x)＝max(0,x)

ReLU的使用，使得网络可以自行引入稀疏性，同时大大地提高了训练速度；

训练网络参数设置：训练的min-batchs选择128，神经网络学习是从训练数据中选择一批数据称为min-batchs，小批量，然后对每个min-batchs进行学习；

权重初始化选择高斯分布的随机初始化：

(μ，σ²)＝(0.1×10^-2)

μ，σ分别表示高斯分布的期望值、标准差。采用随机梯度下降法，进行优化更新，动量项参数大小选择0.6，L₂权重衰减系数大小选择10^-5次方，学习率η初始选择0.05，随着迭代次数的增加，η逐渐减小到0.01。