[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

说明书

本发明公开了一种基于端到端度量网络的视觉SLAM闭环检测方法，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和当前时刻的标准化图像分别进行图像特征提取；S3、采用两个图像的多层特征构建相似矩阵；S4、采用卷积神经网络对相似矩阵进行进一步地特征提取；S5、构建相似性度量模型，将相似矩阵的特征图输入相似性度量模型进行历史时刻与当前时刻的环境图像的相似度计算，确定当前时刻的环境是否产生闭环；本发明解决了现有的闭环检测方法大都将特征提取和相似性度量作为两个环节独立进行使得检测效果不能进一步优化的问题。

技术领域

本发明涉及同时定位与地图构建领域，具体涉及一种基于端到端度量网络的视觉SLAM闭环检测方法。

背景技术

近年来，计算机技术和人工智能的飞速发展，带动了许多新兴产业的发展，机器人产业是其中杰出的代表。机器人的出现，给人们的生产生活带来了极大的便利，极大的提高了人们的生活质量。机器人的良好运行得益于同时定位与地图构建技术的发展，该技术使得机器人能够在完全陌生的环境中，通过自身携带的传感器获取周边环境信息，实现自主定位，尤其是在全球定位系统(GPS)无法覆盖的地方，这种技术弥补了GPS信号穿透性差的缺陷。在机器人领域受到越来越多的关注。

闭环检测，是整个SLAM系统中至关重要的一个环节。它作用于整个SLAM系统的后端。SLAM系统的前端能够根据传感器数据恢复出机器人的行走轨迹，在恢复轨迹的过程中由于累计误差的存在会造成轨迹的漂移，影响定位的精度。而闭环检测能够通过传感器采集到的数据，判断当前位置是否是机器人曾经到达过的位置，来纠正大量时间尺度上的累积误差，修正轨迹漂移，这对于定位精度的提高以及全局一致性地图的构建起着至关重要的作用。

在视觉SLAM中，最简单也最流行的方法是将闭环检测看作图片匹配问题来解决。通过比较在当前位置获取的环境图像和之前到过位置的环境图像之间的相似度来确定此处是否发生了闭环。因此，视觉SLAM中的闭环检测本质上就是图像匹配问题，也被称为地点识别问题，主要可以分为两个关键步骤：特征提取和相似性度量。

在传统的闭环检测方法中，特征提取方法通常采用词袋模型(BoW)。基于BoW的方法主要利用的人们利用经验手工设计的特征，一方面特征的信息不够全面，无法应对复杂的视角变化和光照变化等场景，另一方面这部分特征多是一些统计特征，计算复杂度高，效率低下。随着深度学习技术的发展，深度学习技术在图像分类、识别、检索等领域取得了一系列优异的成果，而且相关的网络模型可以很方便的迁移到闭环检测问题中作为特征提取模型来使用，因此，越来越多的研究人员开始利用神经网络来提取特征。通过神经网络提取的特征能够更加有效的表征图片本身，而且能够很好的应对复杂场景下的感知混淆和感知偏差问题。但现有的基于深度学习的方法更多的是关注如何提取更加有效的特征，而忽略了相似性度量的重要性，并且这些方法往往将相似性度量和特征提取当作两个相互独立的环节，忽略了相似性度量的效果会受制于特征提取的有效性，同时相似性度量方法又最终决定了闭环检测的效果。因此，这种基于给定特征以及固定相似性度量的闭环检测方法很难突破检测精度和召回率的进一步提高。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于端到端度量网络的视觉SLAM闭环检测方法解决了现有的闭环检测方法大都将特征提取和相似性度量作为两个环节独立进行使得检测效果不能进一步优化的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于端到端度量网络的视觉SLAM闭环检测方法，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；

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；