[发明专利]一种改进的基于陆标-卷积特征的图像方法

说明书

本发明公开了一种改进的基于陆标‑卷积特征的图像方法，针对机器人在大范围的环境中移动时容易造成轨迹的累积漂移和相机位姿跟丢的问题，提出了一种鲁棒的基于场景识别的闭环检测方法。首先利用目标检测网络识别场景图像帧中显著的动态对象，并对该区域进行图像模糊处理从而滤出动态因子的影响，然后将预处理后的图像作为卷积神经网络的输入，通过最后一层卷积层直接生成场景帧的陆标序列，再利用无监督的深度神经网络提取陆标的卷积特征，得到基于陆标‑卷积特征的图像描述方式。根据当前的场景帧与场景数据库是否存在相似场景来修正轨迹的累积误差以及当位姿跟踪丢失时进行重定位，实验结果表明在识别闭环检测时具有优越的性能。

技术领域

本发明涉及移动机器人定位技术领域，具体为一种改进的基于陆标-卷积特征的图像方法。

背景技术

移动机器人技术是当今世界应用广泛、极具前景的一项前沿性领域。它集成了人工智能、传感器技术、信号处理、自动化控制工程、计算机技术及工业设计等众多学科的理论研究成果，被广泛应于用工业、农业、服务业、医疗、国防等各行各业，能协助或者替代人类的工作，尤其是在人类无法到达或者危险环境下比如宇宙空间及水下探索等场合的应用研究尤为重要。在SLAM方法被提出之前，定位和建图无法同时进行，定位需要依赖已有的地图。然而，在大多数任务中，移动机器人都是应用在一个未知的环境中，既没有提前准备好的地图，也无法确定当前所处的位置。在1986年的IEEE Robotics and AutomationConference 大会上，研究人员首次提出概率同时定位与建图Simultaneous localizationand mapping，SLAM的概念，即利用重复观测到的地图数据估算当前的位姿信息，再由位姿信息增量式的构建地图，从而实现在未知的环境中同时定位与建图的目的。从此SLAM技术作为实现移动机器人自主导航的核心环节在机器人研究领域占有着重要的地位。

一个典型的视觉SLAM系统由视觉里程计、后端优化、闭环检测和地图建图几个模块组成。首先通过安装在机器人上的传感器采集图像等信息，然后根据读取的信息估算相邻图像之间的运动，并恢复局部的场景空间结构，最后根据应用要求搭建相应的地图。如果仅用视觉里程计做定位和建图，由于当前的位置和地图仅和上一个时刻相关，就不可避免的出现误差，所以在视觉SLAM中采用后端优化的方式，对相邻时刻通过视觉里程计估计到的相机位姿和地图进行局部优化，并根据闭环检测的反馈结果进行一个全局的优化，最终可以得到全局一致的轨迹和地图。其中的闭环检测就是通过检测出机器人是否到达过预先识别场景，来消除机器人的累积误差，一旦系统检测到闭环，就把信息提供给后端。闭环检测是构建具有全局一致性的轨迹和地图的SLAM中必不可少的环节，一个好的闭环检测能消除运动轨迹的累积漂移，能识别因天气变化、视点变化、遮挡、动态环境等造成的相机跟踪丢失并进行重定位。一些主流的视觉SLAM如LSD-SLAM、ORB-SLAM、LDSO等，这种方式在极端的外观变化和视点改变，以及环境中存在动态对象干扰的情况下并不够鲁棒。随着深度学习在视觉场景识别中的成功应用，用卷积特征生成图像表示能消除如由天气、季节或者一天中的时间变化造成的外观变化引起的闭环误检测。而依靠陆标区域而不是整个图像特征来描述场景可以显著提高当场景中存在视点变化或部分遮挡时的鲁棒性。