[发明专利]一种基于端到端度量网络的视觉SLAM闭环检测方法

权利要求书

1.一种基于端到端度量网络的视觉SLAM闭环检测方法，其特征在于，包括以下步骤：

S1、对当前时刻的环境图像进行预处理，得到当前时刻的标准化图像；

S2、采用特征提取模型对历史时刻的标准化图像和当前时刻的标准化图像分别进行图像特征提取，得到两个图像的多层特征；

S3、采用两个图像的多层特征构建相似矩阵；

步骤S3中构建相似矩阵的公式为：

其中，为相似矩阵，为当前时刻的图像的多层特征，为历史时刻的图像的多层特征；

S4、采用卷积神经网络对相似矩阵进行进一步地特征提取，得到相似矩阵的特征；

S5、构建相似性度量模型，将相似矩阵的特征输入相似性度量模型进行历史时刻的环境图像与当前时刻的环境图像的相似度计算，并基于相似度，确定当前时刻的环境是否产生闭环；

所述步骤S5中相似性度量模型包括：第9卷积模块、第10卷积模块、第11卷积模块、拼接层、第一全连接层、第二全连接层和第三全连接层；

所述第9卷积模块、第10卷积模块、第11卷积模块、拼接层、第一全连接层、第二全连接层和第三全连接层依次连接；所述第9卷积模块的输入端作为相似性度量模型的输入端；所述第三全连接层的输出端作为相似性度量模型的输出端；所述第9卷积模块、第10卷积模块和第11卷积模块的卷积核尺寸均为3×3；所述第一全连接层和第二全连接层均包含1024个神经元；

步骤S5包括以下分步骤：

S51、构建相似性度量模型，将相似矩阵的特征输入相似性度量模型中；

S52、采用第9卷积模块、第10卷积模块和第11卷积模块分别对相似矩阵的特征进行全局最大池化、全局平均池化和全局标准差池化操作，得到第一池化特征、第二池化特征和第三池化特征；

S53、采用拼接层对第一池化特征、第二池化特征和第三池化特征进行拼接组合，得到池化特征向量；

S54、采用第一全连接层、第二全连接层和第三全连接层进行拟合相似函数，对池化特征向量进行回归计算，得到历史时刻的环境图像与当前时刻的环境图像的相似度，基于相似度，确定当前时刻的环境是否产生闭环。

2.根据权利要求1所述的基于端到端度量网络的视觉SLAM闭环检测方法，其特征在于，所述步骤S1包括以下分步骤：

S11、调整当前时刻的环境图像的尺寸，读取该图像并将其转换为张量格式图像；

S12、对张量格式图像进行标准化操作，得到当前时刻的标准化图像。

3.根据权利要求2所述的基于端到端度量网络的视觉SLAM闭环检测方法，其特征在于，所述步骤S12中标准化操作的具体公式为：

其中，image_std为当前时刻的标准化图像，x为张量格式图像，μ为张量格式图像的均值，stddev为张量格式图像的标准方差。

4.根据权利要求1所述的基于端到端度量网络的视觉SLAM闭环检测方法，其特征在于，所述步骤S2中特征提取模型包括：第1卷积模块、第2卷积模块、第3卷积模块、第4卷积模块和第5卷积模块；

所述第1卷积模块、第2卷积模块、第3卷积模块、第4卷积模块和第5卷积模块依次连接；所述第1卷积模块的输入端作为特征提取模型的输入端；所述第5卷积模块的输出端作为特征提取模型的输出端；所述第1卷积模块、第2卷积模块和第5卷积模块均由卷积层和池化层构成；所述第3卷积模块和第4卷积模块由卷积层构成；所述第1卷积模块的卷积核大小为11×11；所述第2卷积模块、第3卷积模块和第4卷积模块的卷积核大小均为5×5；所述第5卷积模块的卷积核大小为3×3；所述第1卷积模块的卷积层的步长为4，所述第2卷积模块、第3卷积模块、第4卷积模块和第5卷积模块的卷积层的步长均为1；所述第1卷积模块的卷积层的卷积核个数为96，所述第2卷积模块的卷积层的卷积核个数为256，所述第3卷积模块的卷积层的卷积核个数为384，所述第4卷积模块的卷积层的卷积核个数为384，所述第5卷积模块的卷积层的卷积核个数为256；所述第1卷积模块、第2卷积模块和第5卷积模块的池化层均为最大池化层，其池化核的大小均为3×3，其步长均为2。