[发明专利]一种基于机器人视觉闭环检测算法的地图构建方法、存储介质及设备

权利要求书

1.一种基于机器人视觉闭环检测算法的地图构建方法，其特征在于，所述方法包括：

步骤S1，根据机器人所自带的相机采集环境信息，从环境信息中提取出特征突出的强特征区域；

步骤S2，采用高斯HOG描述符对环境信息进行处理，提取图像的全局特征；

该步骤中采用新型Co-HOG算法获得新型HOG描述符并进一步提取全局特征，新型Co-HOG算法在计算图像梯度时，采用高斯导数滤波方法来表示图像的纹理特征，首先使用下式能同时求出图像在水平方向与竖直方向的导数，图像的导数为：

其中，I为图像，σ²为高斯导数滤波器的方差，d为导数滤波器的长度，d²为导数滤波器的长度的平方，λ为方向参数，取值为1或2，取值为1时，求取图像竖直方向的图像导数，取值为2时，求取水平方向的图像导数；由于高斯函数的可分离性，高斯滤波器分成两步进行，首先将图像在水平方向与一位高斯函数进行卷积；然后将卷积后的结果在竖直方向使用相同的一维高斯函数得到的结果进行卷积运算，通过两个方向导数的结合以获得图像整体的导数结果，再通过上述导数结果，获取新型高斯HOG描述符的梯度幅值信息与梯度方向信息；

计算新型高斯HOG描述符的梯度幅值信息与梯度方向信息的方法如下：根据导数结果计算图像I的梯度方向公式为：

其中，*为卷积符号，I_t1为图像在水平方向上的梯度方向公式，I_t2为图像在竖直方向上的梯度方向公式，θ为该区域的梯度角度，将上述公式变形，可得到如下公式：

当时，从上述能推得图像的梯度幅值为：

基于上述方式计算得到的梯度信息根据现有Co-HOG方法获得相应的高斯HOG描述符特征和图像的全局特征；

步骤S3，将通过高斯HOG描述符提取出的全局特征与强特征区域结合，得到图像中基于强特征区域的的特征描述符，并利用全局特征与事件场景记忆库中的图像进行粗匹配：

步骤S4，将基于强特征区域的的特征描述符以矩阵形式表示，与事件场景记忆库中参考图像的特征转置矩阵相乘，并采用最大池化，得出最佳匹配结果，根据匹配得出的图像差异对机器人的轨迹图进行修正；

步骤S4中在匹配完成后，进行当前图像与事件场景记忆库中的参考图像之间的强特征区域位置匹配，以实现对匹配结果的二次检测。

2.根据权利要求1所述的一种基于机器人视觉闭环检测算法的地图构建方法，其特征在于，所述步骤S1中，首先设某一图像为I，图像的长为H₁，宽为Z₁，则将图像的大小表示为(H₁,Z₁)，现将图像I划分为N个区域，定义每一块区域的大小为(H₂,Z₂)，定义图像某一区域的特征值为：

其中，x为像素的灰度值，y为领域灰度均值，f(x,y)为该图像的某一区域的灰度运算，c为图像的尺度，υ为由样本数据获得的灰度运算结果的算术均值，σ为根据样本数据得到的特征值的标准差，由上式求出图像各个区域的特征值，接着再以每4个彼此相邻的区域为单位区域，将单位区域图像的特征值进行均值处理，得出图像的优度矩阵，再与设定的优度阈值比较，求取图像的强特征区域。

3.根据权利要求1所述的一种基于机器人视觉闭环检测算法的地图构建方法，其特征在于，所述步骤S3中，全局特征与事件场景记忆库中的图像进行粗匹配的方法包括，提出一种距离公式对图像进行粗匹配，公式表示为：

其中，为当前图像的新型高斯HOG描述符的算术平均值，GH_i为直方图的第i个区间，为事件场景记忆库中图像的新型高斯HOG描述符的算术平均值，GH_i'为直方图的第i个区间；该式通过直方图的相似性进行度量，设定距离阈值，将当前图像的直方图与所有事件场景记忆库中的图像进行比较，大于阈值的图像视为不相关图像，暂时舍弃，仅将留存的图像作为步骤S4中匹配的对象。