[发明专利]一种智能机器人回环检测方法

说明书

本发明涉及机器人技术与图像处理技术领域，提出一种回环检测方法，所述方法包括：通过机器人所载RGB‑D相机获取运动图像，对获取图像进行预处理；获取预处理后每一帧的低维特征向量，建立低维特征向量数据库Data(L)，使用提出的关键帧选取算法确定关键帧帧数；获取关键帧帧数相应帧的高维特征向量，建立关键帧高维特征向量数据库Data(H)；获取预处理后当前帧高维与低维特征向量，将当前帧高维特征向量与Data(H)作对比，确定可能存在回环的帧数范围；根据可能存在回环的帧数范围，利用当前帧低维特征向量与Data(L)中相应帧作对比，置信参数大于预设阈值时，确定形成回环。本发明的回环检测方法降低了回环检测中丢失率、误匹率与算力需求，且本发明有良好的鲁棒性。

技术领域

本发明涉及机器人技术与图像处理技术领域，具体为一种回环检测方法。

背景技术

近些年，人工智能相关技术不断发展，越来越多的智能机器人技术被应用到各个领域。此外，随着计算机处理性能与传感器精度的不断提高，智能机器人的应用前景愈加可观。回环检测环节作为同时定位与地图构建(Simultaneous Localization And Mapping，简称SLAM)系统的重要组成部分，主要功能是纠正系统累计误差使机器人可以进行重新定位。而SLAM又是机器人系统必不可少的。

然而，回环检测过程中主要存在两类问题：一类是假阳性(False Positive)又称作感知偏差，定义为不同但相似的场景被判断为回环；另一类是假阴性(False Negative)又称作感知变异，定义为相同场景被误判为非回环。合格的回环检测算法应该尽力克服这两类问题。传统回环检测算法一般使用人工设计的特征，这种特征易受环境因素影响从而降低回环检测的准确性。卷积神经网络近些年被大量应用于图像特征提取，研究表明卷积神经网络提取的图像特征更加客观且不易受到环境因素影响，但一般的对比算法会造成巨大的计算量问题，降低回环检测效率。

发明内容

鉴于上述问题，本发明提出一种机器人回环检测方法，通过图像预处理、关键帧选取、建立高维特征向量数据库与低维特征向量数据库等步骤，提高回环检测的准确率与效率，消除SLAM过程中的累计误差，增强机器人在复杂环境中运行的鲁棒性。

本发明提出的回环检测方法步骤如下：

步骤一：通过机器人所载RGB-D相机获取运动图像，对获取图像进行预处理；

步骤二：获取预处理后每一帧图像的低维特征向量，建立低维特征向量数据库Data(L)，使用提出的关键帧选取算法确定关键帧帧数；

步骤三：获取关键帧帧数相应帧的高维特征向量，建立关键帧高维特征向量数据库Data(H)；

步骤四：获取预处理后当前帧高维与低维特征向量，将当前帧高维特征向量与Data(H)作对比，对比结果大于α时，确定可能存在回环的帧数范围；

步骤五：根据可能存在回环的帧数范围，利用当前帧低维特征向量与Data(L)中相应帧作对比，对比结果大于置信参数预设阈值γ时，确定形成回环。

其中图像预处理具体步骤如下：

1)将连续视频信息经过计算机的处理，统一图像规格；

2)再使用语义分割算法处理统一规格后的图像；

3)得到图像场景中固定物体与动态物体；

4)然后保留图像中所含固定物体部分；

5)最后将处理过的图像向后续步骤输入。

本发明所提出的关键帧选取算法具体步骤如下：

1)经图像预处理后的视频图像信息输入关键帧选取网络；

2)初始帧必然选为关键帧，第二帧设定为参考帧，参考帧的后续帧为待测帧；