[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

说明书

本发明请求保护一种基于卷积神经网络多层特征融合的机器人闭环检测方法，该方法包括步骤：S1，利用卷积神经网络作为特征提取器，将环境图像输入预训练的网络提取不同层特征；S2，建立浅层几何特征与深层语义特征融合模块，将不同层特征进行加权融合；S3，当前图像与历史关键图像的融合特征进行L₂归一化后采用PCA降维处理；S4，定义相识性评分体系，将处理后的两组融合特征输入评分体系检测闭环。本发明在光照变化的环境下，闭环检测的算法相较于其他算法，不仅保证了输出特征图的细节信息和语义信息，而且本算法在实现实时性的同时具有更强的鲁棒性和较高的准确性。

技术领域

本发明属于移动机器人自主导航领域，特别是一种基于卷积神经网络多层特征融合的闭环检测方法。

背景技术

同时定位与构图(Simultaneous localization and mapping,SLAM)是机器人在未知环境中确定自身位姿信息并实现自主移动的关键技术。闭环检测是视觉SLAM的关键部分之一，该模块对构建全局一致性的地图具有重要意义。目前，视觉闭环检测可认为是图像匹配问题，算法主要对当前位置图像与已访问过的位置图像进行匹配，因此闭环检测模块包含图像描述和相似性计算两部分。

当前视觉SLAM中闭环检测的方法主要分为两类：基于视觉词袋模型、基于深度学习。视觉词袋(BoVW)将图像的局部特征聚类成视觉单词以表征图像。Mark等人提出基于SURF特征的闭环检测框架FAB-MAP，将提取的特征聚类构成视觉字典，用单词描述图像。DBoW2是使用BRIEF描述符和FAST算子提取特征生成二进制词袋。在基于ORB-SLAM2系统的闭环检测模块中，视觉词袋是利用ORB提取的特征描述子构建。视觉词袋模型由于依赖人工设计的特征，只能在相对稳定的室内才有较好的检测效果，当在光照变化明显的环境下闭环检测的准确性会下降。因此，随着深度学习技术的快速发展及广泛应用，自2015年，研究者首次将深度学习引入闭环检测模块。Hou等人提出使用Places-CNN模型提取中间各层的特征用于测试，选取特征性能最好的一层作为最终网络的输出。实验结果表明在光照变化下该方法明显优于传统视觉词袋的方法。2017年，Gao等人提出了一种基于堆叠式降噪自动编码器(SDA)的新颖方法，它以无监督的方式从原始输入数据中自主学习特征以表示图像。Qiang等人提出使用AlexNet网络获取图像特征，对CNN每个通道激活聚类，其聚类中心代表一个视觉单词，创建基于CNN单词的单词对，用于对空间信息进行编码。以上研究方案仅采用CNN的深层语义特征表示图像信息，受光照变化影响特征对图像细节的表征能力问题尚需继续研究。

本发明主要解决的是解决受光照变化影响特征对图像细节的表征不足，思路是采用融合卷积特征替代卷积特征提高图像表征能力。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于卷积神经网络多层特征融合的闭环检测方法。本发明的技术方案如下：

一种基于卷积神经网络多层特征融合的闭环检测方法，其包括以下步骤：

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。