[发明专利]一种基于端到端关系网络的视觉SLAM闭环检测方法

说明书

本发明公开了一种基于端到端关系网络的视觉SLAM闭环检测方法，包括以下步骤：S1：向VGG16网络中输入视觉传感器采集的先前图像和当前图像；S2：对原始数据进行预处理；S3：通过5个卷积阶段获取预处理后的先前图像和当前图像的特征，得到多层特征；S4：对多层特征进行加权融合；S5：对多层特征进行标准化，得到标准特征；S6：对标准特征进行组合，得到组合图像；S7：通过CNN关系模块回归得到组合图像的相似性得分，完成闭环检测。本发明可避免学习冗余特征，使得学习到的特征更加适应相似性度量要求的可区分性，可以更加准确地检测闭环并节省检测时间，提高闭环检测地精度。

技术领域

本发明属于定位与地图技术领域，具体涉及一种基于端到端关系网络的视觉SLAM闭环检测方法。

背景技术

闭环检测在计算机视觉领域常被称为位置识别，对整个SLAM系统意义重大。闭环检测的目的是识别机器人当前所处的位置是否是先前访问过的位置。在移动机器人的定位和建图中，通过相邻帧间的图像来估计轨迹并恢复空间结构，不可避免地存在累积漂移。闭环检测通过正确检测“机器人回到曾经位置”这件事情，可以显著减少累积误差，对构建一致的环境地图非常重要。此外，闭环检测由于关联了历史信息，当机器人由于突然运动、严重遮挡或运动模糊导致跟踪失败时，可以利用闭环检测进行重新定位。因此，闭环检测在提高整个SLAM系统地鲁棒性和有效性方面发挥着至关重要的作用。

发明内容

本发明的目的是为了解决现有闭环检测方法中相似性度量受限于特征提取难以提高检测精度的问题，提出了一种基于端到端关系网络的视觉SLAM闭环检测方法。

本发明的技术方案是：一种基于端到端关系网络的视觉SLAM闭环检测方法，包括以下步骤：

S1：向VGG16网络中输入视觉传感器采集的先前图像和当前图像；

S2：对先前图像和当前图像的原始数据进行预处理；

S3：通过VGG16网络的5个卷积阶段获取预处理后的先前图像和当前图像的特征，得到多层特征；

S4：对先前图像和当前图像的多层特征进行加权融合；

S5：对先前图像和当前图像融合后的多层特征进行标准化，得到标准特征；

S6：对先前图像和当前图像标准化后的标准特征进行组合，得到组合图像；

S7：通过CNN关系模块回归得到组合图像的相似性得分，完成闭环检测。

本发明的有益效果是：本发明提供了一种基于端到端关系网络的视觉SLAM闭环检测方法。与现有的基于深度学习的闭环检测方法相比，本发明的加权融合来自不同中间层的不同尺度的特征，并可以自动学习其重要性。融合后的特征不仅保持了一定的不变性，而且包含更多的高层语义信息，更有效地克服感知偏差和感知变异，在统一的框架内将特征提取与相似性度量联合起来，将原始图片数据送入网络可以直接从像素点度量两个图像的相似性，避免学习冗余特征，使得学习到的特征更加适应相似性度量要求的可区分性，可以更加准确地检测闭环并节省检测时间，提高闭环检测地精度。

进一步地，步骤S2包括以下子步骤：

S21：调整先前图像和当前图像的尺寸为224×224；

S22：将调整大小后的先前图像和当前图像转换为224×224×3的张量；

S23：对转换张量后的先前图像和当前图像进行标准化操作，完成对先前图像和当前图像的原始数据预处理。

上述进一步方案的有益效果是：在本发明中，对先前图像和当前图像的原始数据进行预处理可满足卷积神经网络对输入数据的尺度要求。

进一步地，步骤S23中，标准化操作的公式为其中，x代表图像张量，μ代表图像的均值，stddev代表图像的标准方差。