[发明专利]机器人的回环检测方法、装置及机器人

说明书

本申请适用于图像处理技术领域，提供了机器人的回环检测方法、装置、机器人及计算机可读存储介质，包括：获取机器人的视角图像序列；通过已训练的SDA网络提取视角图像序列的图像特征序列；在创建的树结构中搜索视角图像序列中每个视角图像的N个最近邻居，并计算每个视角图像到N个最近邻居的距离，树结构预先存储地图的图像特征，N为正整数；存储每个视角图像到N个最近邻居的距离至稀疏差异矩阵中；从稀疏差异矩阵的N个位置中搜索每个视角图像的最佳匹配位置；若搜索到的最佳匹配位置与真实回环的位置的距离在预设偏移距离内，则判定视角图像序列为回环。通过上述方法，能够提高回环检测对较大视角变化和剧烈环境变化的鲁棒性。

技术领域

本申请属于图像处理技术领域，尤其涉及机器人的回环检测方法、装置、机器人及计算机可读存储介质。

背景技术

回环检测旨在让机器人识别之前访问过的地方，如果回环被正确的检测到，机器人可以重新定位它自己，并有助于后续的建图和配准算法得到更准确和一致的结果。回环检测与场景识别相似，都需要对场景图像提取合适的特征，不同之处在于，回环检测处理的数据是连续的视频帧，并且没有类别标签。

现有的回环检测方法主要分为三种：

(1)许多最先进的基于外观的回环检测算法采用词袋(BoW)模型，其将视觉特征描述符聚类成称为“词典”的集合。当新观察到来时，提取视觉特征。其他使用手工提取局部特征的方法包括FV，VLAD，全局描述子GIST，BoVW也经常用于SLAM并取得了不错的效果，但这些都属于手工设计的特征，它们对环境中光照变化非常敏感，在复杂的光照下，它们检测闭环的成功率并不高。

(2)深度学习方法试图通过多层神经网络直接从原始传感器数据学习数据表示，在训练过程中学习这些特征。大量研究表明基于卷积网络(Convolutional NeuralNetworks，CNN)的方法比手工提取特征的方法效果好，但CNN属于监督学习，需要获得大量的标签才能训练。

(3)基于图像序列的方法能够在感知环境极度变化的情况下进行位置识别，例如：白天，黑夜；晴天，雨天；夏天，冬天；但该方法在很大程度上依赖于详尽的序列匹配，计算成本高昂，不适合用于处理大型地图。

实际情况中，回环检测会遇到诸如视角变化，季节变化，日夜不同等各种情况，但是现有回环检测技术很难同时满足对视角不变性和环境不变性的要求。

故，需要提供一种新的方法，以解决上述技术问题。

发明内容

有鉴于此，本申请实施例提供了机器人的回环检测方法、装置、机器人及计算机可读存储介质，以解决现有技术中回环检测技术很难同时满足对视角不变性和环境不变性的要求的问题。

本申请实施例的第一方面提供了一种机器人的回环检测方法，包括：

获取机器人的视角图像序列；

通过已训练的堆栈式去燥稀疏自编码SDA网络提取所述视角图像序列的图像特征序列；

在创建的树结构中搜索所述视角图像序列中每个视角图像的N个最近邻居，并计算所述每个视角图像到所述N个最近邻居的距离，所述树结构预先存储地图的图像特征，N为正整数；

存储所述每个视角图像到所述N个最近邻居的距离至稀疏差异矩阵中；

从所述稀疏差异矩阵的N个位置中搜索每个视角图像的最佳匹配位置；

若搜索到的最佳匹配位置与真实回环的位置的距离在预设偏移距离内，则判定所述视角图像序列为回环。

本申请实施例的第二方面提供了一种机器人的回环检测装置，包括：

视角图像序列获取单元，用于获取机器人的视角图像序列；