[发明专利]一种基于线特征的改进词袋模型的回环检测方法

说明书

本发明涉及一种基于线特征的改进词袋模型的回环检测方法，包括以下步骤：通过离线图像数据集提取LSD(Line Segment Detector)特征并计算对应的LBD描述符，将描述符作为聚类生成词典的原始数据。利用改进的词袋模型构建方法构建LSD特征词袋模型，构建出具有自适应分支的视觉词典树。词袋模型向量转化。视觉单词权重优化。相似度计算：根据当前帧和历史关键帧之间的视觉词袋向量采用L1范数计算相似度，获得图像间的外观相似度评分。获取回环候选帧并分组，剔除掉那些孤立的外观相似的回环候选帧。连续性验证只有持续检测到回环，才能认为这是一个可靠的回环候选，则保留该回环候选。几何一致性验证。

技术领域

本发明涉及视觉SLAM(Simultaneous Localization And Mapping：同步定位与建图)领域，尤其涉及一种基于线特征的改进词袋模型的视觉SLAM回环检测方法。

背景技术

回环检测是视觉SLAM中不可缺少的一部分，能够消除视觉里程计部分所产生的累计误差，从而构建出全局一致的地图。基于词袋模型的回环检测算法是当前的主要方法，其通过构建词袋模型对比图像之间的相似度来判断是否存在回环。词袋模型最早源于文本分析，通过对比文本中各单词出现的频率来确定文本的相似度。相应地，视觉词袋模型也是通过对比图像中“视觉单词”出现的频率，来衡量两张图像的相似度。

2008年Cummins等人(Cummins M,Newman P.FAB-MAP:ProbabilisticLocalization and Mapping in the Space of Appearance[M].Sage Publications,Inc.2008.)提出了基于SURF(Speeded Up Robust Features)特征和Chou-Liu树的词袋模型，并且通过该词袋模型较好地实现了基于图像外观的相机位置识别。但其词袋模型向量是一个二进制向量，即只考虑了视觉单词是否在图像中出现，而没有考虑到不同单词出现的不同频率。

2011年Galvez-Lopez等人(Galvez-Lopez D,Tardos J D.Real-time loopdetection with bags of binary words[C].International Conference onIntelligent Robots and Systems,2011:25-30.)中采用FAST(Features fromAccelerated Segment Test)关键点和BRIEF(Binary Robust Independent ElementaryFeatures)二进制描述符实现点特征的提取和描述，并且引入了k-d树的数据结构进行词典构建。使用分层K-means聚类的方法，构建了基于点特征的二进制描述符视觉词袋模型。k-d树的词典结构也就导致了词典构建过程中所采用的K-means聚类都采用了相同的参数k，然而并不是任何数据使用同一个k值进行聚类，所得到的聚类结果都是最好的。

随后，2015年Mur-Artal等人(Mur-Artal R,Montiel J M M,Tardos J D.ORB-SLAM:a versatile and accurate monocular SLAM system[J].IEEE Transactions onRobotics,2015,31(5):1147-1163)提出的ORB-SLAM中，构建了基于ORB(Oriented FASTand Rotated BRIEF)点特征的视觉词袋模型。ORB点特征解决了FAST关键点的旋转不变性和尺度不变性问题，并在实验中取得了较好的效果。但该视觉词典仍采用K-means聚类以及k-d树的词典结构，词袋模型构建过程并没有进行改进。

上述基于点特征词袋模型的检测效果依赖从环境中提取到的点特征的数量，当环境中无法提取到足够的点特征时，且点特征容易扎堆出现，就无法计算视频帧的词袋向量及视频帧之间的外观相似度。

在结构化低纹理的环境中，虽然常常无法提取到足够的点特征，但这种场景中有丰富的线特征可以利用。