[发明专利]一种基于词袋模型的回环检测方法

说明书

本发明涉及一种基于词袋模型的回环检测方法。该词袋模型采用具有旋转不变性和尺度感知能力的二进制视觉特征ORB，这种视觉特征能够具有同SIFT特征和SURF特征相似的性能同时具有与由FAST关键点和BRIEF描述子构成的视觉特征相同的计算效率，是一种兼顾了低计算复杂度和高特征显著性的视觉特征。本发明采用依赖于该视觉特征的词袋模型，因而能够在具有平面旋转和尺度缩放的场景中有效的进行回环检测。同时改进了相似度分数的归一化方法，通过计算和保持一个归一化因子的均值并在归一化因子数值异常时代替该异常归一化因子执行归一化。这种归一化方法使得系统能够在主体运动过快或过慢以及发生转向的情况下有效的进行回环检测。

技术领域

本发明涉及视觉SLAM领域，更具体地，涉及一种基于词袋模型的回环检测方法。

背景技术

基于词袋模型的回环检测是当前视觉SLAM中的主流做法，词袋模型能够根据从图像中提取的视觉特征在视觉词典中的分布将图像转化为数值向量进而实现图像间快速有效的比较。

词袋模型的表现依赖于它所采用的视觉特征，早期采用SIFT特征和SURF特征的做法在特征提取和匹配上消耗大量时间从而加剧了系统负担。在“D.Galvez-Lopez,andJ.D.Tardos,“Real-time loop detection with bags of binary words,”IEEE/RSJInternational Conference on Intelligent Robots and Systems,pp.51–58,2011”中采用了由FAST关键点和BRIEF描述子构成的视觉特征从而有效的克服了这种缺陷，但由于这种视觉特征缺乏旋转不变性和尺度不变性导致系统只能应用于平面相机运动场景而无法在具有平面旋转和尺度缩放的场景下有效工作。

在基于词袋模型的回环检测中，使用相似度分数来反映图像之间的相似性，但是原始的相似度分数的数值取值范围非常依赖于图像所描述的场景以及视觉特征在视觉词典中的分布，因此该数值的绝对大小无法作为统一的相似性衡量标准。以往方法会利用当前图像与其前一张图像间的相似度分数作为归一化因子对其他相似度分数执行归一化。但当视觉传感器获取当前图像时运动过快或者过缓以及发生转向，就会导致归一化因子的数值过大或过小从而无法正确的执行归一化，通常的做法就是跳过在这种情况下的回环检测，这导致了系统在主体运动过快或者过慢以及转向的情况下无法很好的进行回环检测。

发明内容

为了克服由于词袋模型采用由FAST关键点和BRIEF描述子构成的视觉特征而导致系统无法在含有平面旋转和尺度缩放的场景中有效进行回环检测以及由于回避了由异常归一化因子引发的错误归一化而导致系统无法在主体运动过快或过慢以及转向的情况下有效的进行回环检测的问题，本发明提出一种基于词袋模型的回环检测方法，本发明采用的技术方案是：

一种基于词袋模型的回环检测方法，包括以下步骤：

S10.词袋模型向量转化：从系统所获取的图像中提取ORB视觉特征，根据ORB视觉特征在词袋模型视觉词典中的分布将图像转化为数值向量；

S20.图像间相似度分数计算：依据当前图像和先前获取每幅图像的数值向量计算对应相似度分数；

S30.相似度分数归一化：以当前图像同其前一幅图像间的相似度分数作为归一化因子对其他相似度分数致性归一化并计算归一化后的相似度分数η：

其中，v_c为当前图像，v_r为参考图像；v_c-Δt为与v_c的上一幅图像，s(v_c,v_c-Δt)为当前图像同其上一幅图像间的相似度分数；s(v_c,v_r)为当前图像同参考图像间的相似度分数；