[发明专利]基于堆栈式组合自编码器的机器人视觉SLAM闭环检测方法

权利要求书

1.一种基于堆栈式组合自编码器的视觉SLAM闭环检测方法，其特征在于，包括以下步骤：

S1，获取机器人视觉SLAM场景图像，并对机器人视觉SLAM场景图像进行包括图像尺寸缩小和图像灰度化在内的预处理，输入堆栈式组合自编码器模型；所述堆栈式组合自编码器由降噪自编码器、卷积自编码器和稀疏自编码器多层堆叠而成，降噪自编码器通过人为地对输入信号加入噪声，来提高网络的鲁棒性；卷积自编码器通过共享权重来减少参数的个数，简化了训练过程，并且能够很好的保留图像的空间信息；稀疏自编码器能够提取输入图像的稀疏特征，在保证重建精度的前提下实现降维；

S2，逐层训练堆栈式组合自编码器网络模型，传统的堆栈式自编码器通常是采用同一种自编码器多层堆叠而成，这种网络很容易丢失特征或产生维数爆炸问题，对多种自编码器进行堆叠，能够很好地结合各类自编码器的优点，获得更好的网络模型，用于提取图像的特征，采用随机梯度下降算法进行网络参数的迭代，不断调整模型参数，使得重构误差最小；

S3，利用训练完成的堆栈式组合自编码器提取视觉SLAM场景图像的特征向量；

S4，计算视觉SLAM场景的第k个关键帧，即当前帧的特征向量V_k与历史关键帧特征向量V₁，V₂，...，V_N的相似度；

S5，将相似度得分与设定的阈值进行比较，如果大于设定的阈值，则判断为闭环。

2.根据权利要求1所述的一种基于堆栈式组合自编码器的视觉SLAM闭环检测方法，其特征在于，所述步骤S2逐层训练堆栈式组合自编码器网络模型是将前一个自编码器的输出作为后面一个自编码器的输入，采用逐层训练的方式来训练模型，具体包括：首先，向训练样本中添加随机噪声，作为降噪自编码器的输入，通过编码来学习图像的低维特征，使用梯度下降法不断减小重构误差，当重构误差达到最小时，表明降噪自编码器训练完成；然后，去掉降噪自编码器的输出层，将其隐藏层提取的低维特征作为输入，用于训练卷积自编码器，卷积自编码器的编码部分主要由四个卷积层构成，均采用较小尺寸的卷积核进行深度特征的提取，在保证局部感受野大小的同时，减少模型的参数；解码部分由三层全连接网络构成；原始图像经过降噪自编码器和卷积自编码器之后，能够逐层完成低维到高维的特征提取；最后，将卷积自编码器提取的高维特征作为输入，并加入稀疏性约束，用于训练稀疏自编码器，达到提取图像的抽象特征，同时对特征进行降维的目的。