[发明专利]一种基于图像特征降维的无人车单目视觉定位方法

说明书

技术领域

本发明涉及无人车定位领域，尤其是涉及一种基于图像特征降维的无人车单目视觉定位方法。

背景技术

在变化多样的环境中，包括光线变化、天气变化、物体移动、季节更替等等造成的场景变化，机器人能否准确定位是实现机器人真正智能化的基本和核心问题。机器人定位常用传感器包括：GPS、里程计、雷达、双目相机，但却各存弊端。与深度学习相结合的单目视觉使用范围广、定位精度高、抗干扰能力强、没有双目标定带来的繁琐，是目前广受欢迎的定位方法。但目前的单目视觉当定位场景变化时鲁棒性较差、数据量大、运算速度较慢。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种传感器成本低且适用范围广、鲁棒性强、运算速度更快、误定位概率降低的基于图像特征降维的无人车单目视觉定位方法。

本发明的目的可以通过以下技术方案来实现：

一种基于图像特征降维的无人车单目视觉定位方法，包括以下步骤：

1)通过深度卷积神经网络DCNN对所有的输入图像进行全局特征描述，并且提取第三卷积层作为图像特征向量；

2)采用主成分分析算法将所有的图像特征向量进行降维，得到降维后的图像特征向量以及可重复使用的降维矩阵；

3)根据降维后的图像特征向量生成匹配矩阵，并消除匹配矩阵中的干扰，根据匹配矩阵获取相匹配的地图图像和需要定位的图像进行定位。

所述的步骤1)中，采用Tensorflow框架中的AlexNet网络进行全局特征描述，并提取第三卷积层作为图像特征向量。

所述的步骤2)具体包括以下步骤：

21)设定图像特征向量的保留维度a；

22)将所有输入图像对应的图像特征向量随机分为降维组A和测试组B两组；

23)对降维组A中的全部图像特征向量进行PCA降维到a维，得到降维矩阵P，测试组B的图像特征向量乘以矩阵P完成对B集的图像特征降维；

24)将降维组A作为地图图像，将测试组B作为测试图像，通过定位算法对测试组B中的图像进行定位，并获取定位精度；

25)重复步骤23)-24)，获取定位精度最高时对应的降维矩阵，完成图像特征向量进行降维。

所述的步骤21)中，选取的保留维度a的维数使得对应的信息涵盖率超过90％。

以6288张640*480图像为例，图像特征维度与信息涵盖率的关系如下表所示。