[发明专利]一种基于PCA的加权融合移动机器人定位方法

权利要求书

1.一种基于PCA的加权融合移动机器人定位方法，其特性在于，包括：

采集视觉数据并进行预处理，构建训练样本集和测试样本集；

利用ELM回归算法建立ELM神经网络模型，将所述训练样本集输入到ELM神经网络中，训练所述ELM神经网络模型；

将所述测试样本集输入到训练好的ELM神经网络模型中，得到相邻帧图像间的相对位移，对所述相对位移进行积分，得到所述相邻帧图像的位置，即视觉定位结果；

利用视觉信息对原始加速度测量信号进行漂移校正，将漂移校正后的加速度进行二次积分，得到基于惯性数据的定位结果；

根据PCA策略对视觉定位结果以及惯性定位结果进行权重分配，得到最终的定位结果。

2.如权利要求1所述的基于PCA的加权融合移动机器人定位方法，其特征在于：所述构建训练样本集过程包括，

提取图像的加速鲁棒性特征描述符，对每帧图像提取N个加速鲁棒性特征的特征点，并进行特征点匹配；

采用随机抽样一致性算法对匹配结果进行处理，去除误匹配点，得到最符合匹配点的仿射变换矩阵；

以每一帧图像与下一帧图像之间的仿射变换矩阵为输入，每一帧图像与下一帧图像真实坐标之间的相对位移为输出，建立训练样本集。

3.如权利要求2所述的基于PCA的加权融合移动机器人定位方法，其特征在于：所述仿射变换矩阵包括，

其中，r表示旋转角度，A表示缩放向量，T_x、T_y表示平移向量。

4.如权利要求3所述的基于PCA的加权融合移动机器人定位方法，其特征在于：基于图像模糊会产生较大的定位误差，计算所述视觉定位结果时采用图像模糊判断策略，包括，

当视频序列中的图像被判定为模糊时，利用惯性信息和上一帧图像的位置计算当前帧的位置：

利用特征匹配率度量当前图像的模糊程度，通过对特征匹配率设定一个合理的阈值为0.8，利用所述阈值衡量当前图片是否模糊，当特征匹配率小于0.8时，判定该帧图像模糊，当所述帧图像模糊时，利用由所述ELM神经网络模型得到的上一帧的定位结果，结合惯性信息得到当前帧的位置。

5.如权利要求4所述的基于PCA的加权融合移动机器人定位方法，其特征在于：所述特征匹配率包括，

NS＝N_c/N_q

其中，NS表示特征匹配率，N_c表示相邻帧图像之间的特征匹配数量，N_q表示参考图像的特征总数。

6.如权利要求4所述的基于PCA的加权融合移动机器人定位方法，其特征在于：所述当前帧的位置的计算包括，

x_k＝x_k-1+Δs_k-1·cosψ_k-1

y_k＝y_k-1+Δs_k-1·sinψ_k-1

其中，x_k和y_k表示k时刻目标在参考坐标系中的位置坐标，Δs_k-1表示目标从k-1时刻到k时刻这段时间内运行的距离，ψ_k-1表示目标在k-1时刻的角度。

7.如权利要求1或6所述的基于PCA的加权融合移动机器人定位方法，其特征在于：所述基于惯性数据的定位结果获取过程包括，

利用视觉信息将静态运动状态反馈给惯性数据用于进行漂移校正，当一段时间内连续帧之间的特征点像素不发生变化时，便判定物体处于静止运动状态；

通过定义相邻帧图像间平移量的阈值，区分运动状态和静止状态。