[发明专利]一种基于自编码器的回环检测方法

说明书

本申请提供了一种基于自编码器的回环检测方法。所提供的基于自编码器的回环检测方法，包括：在训练场景中采集第一多个图像，从所述第一多个图像生成训练样本训练所述自编码器；在回环检测场景中采集第二多个图像，对所述第二多个图像的每个提取ORB特征点与特征点图像块；用经训练的所述自编码器处理从所述第二多个图像的每个提取的特征点图像块，将所述自编码器的隐藏层输出作为提供给所述自编码器的特征点图像块的特征向量；计算第一图像的同所述第二多个图像的特征向量的相似度来识别回环。

技术领域

本发明涉及计算机视觉技术领域，具体是涉及一种基于自编码器的回环 检测方案。

背景技术

室外环境可以用GPS进行定位，成本较低且精度高，但是在室内无GPS 信号或者GPS信号较弱的条件下则需要通过其他方式来实现定位。对于机器 人和无人机来说，在探索未知环境的时候，需要同时解决自身定位和外界感 知两个问题。像这样一边估计主体自身位置，一边建立周围环境的模型的方 式叫做同时定位与建图(SimultaneousLocalization and Mapping)，简称SLAM 技术。在SLAM技术中常用的传感器有激光雷达和相机，并依此分为激光 SLAM和视觉SLAM。经典视觉SLAM由五个模块组成。

作为SLAM技术框架的一部分(参看图1)，回环检测可以让主体识别 出来曾经到达过的地点，从而消除回环过程中产生的累积误差。传统的视觉 SLAM中回环检测时利用词袋模型的方法比较图像的相似性来确定主体是否 到达同一位置。但是在基于词袋模型的特征提取中，所提取的特征全为人为 设计,对图像中的信息利用率不高，泛化性能较差。而近年来，随着深度学习 在图像领域取得的巨大成功，研究者开始尝试利用卷积神经网络来解决回环 检测问题，因为从卷积神经网络中提取的图像特征较人为设计的特征有着更 好的表现。但是，如果训练一个新的卷积神经网络需要构建相关的数据集， 然而有标注的数据集构建，需要耗费大量的人力、物力，因此在此提出一种 基于无监督自编码器的室内环境回环检测方法。

发明内容

本发明的一个目的在于克服现有技术的缺点与不足，提出了一种新的基 于自编码器的回环检测方法。相较于传统的词袋模型的方法，自编码器提取 的特征具有更好的表现，能够提高回环检测算法的准确率。同时，自编码器 通过重建输入的方式进行训练，不需要对数据进行标注，可以大大节省人力 成本。

根据本申请的第一方面，提供了基于无监督自编码器的回环检测方法， 包括：在训练场景中采集第一多个图像，从所述第一多个图像生成训练样本 训练所述自编码器，所述自编码器的神经网络包括输入层、隐藏层与输出层； 在回环检测场景中采集第二多个图像，对所述第二多个图像的每个提取ORB 特征点与特征点图像块；用经训练的所述自编码器处理从所述第二多个图像 的每个提取的特征点图像块，将所述自编码器的隐藏层输出作为提供给所述 自编码器的特征点图像块的特征向量；对所述第二多个图像中的第一图像， 计算第一图像的同所述第二多个图像的一个或多个图像的特征向量的相似度； 若所述第一图像同所述第二多个图像中除所述第一图像之外的图像的特征向 量的相似度大于指定阈值，则识别出回环。

根据本申请的第二方面，提供了信息处理设备，包括存储器、处理器及 存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行 所述程序时实现根据本申请第一方面的基于无监督自编码器的回环检测方法。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员 来讲，还可以根据这些附图获得其他的附图。

图1展示了经典视觉SLAM技术的框架图；

图2是根据本申请实施例的回环检测方法的流程图。

具体实施方式