[发明专利]基于粒子群优化算法的SLAM闭环检测方法

说明书

本发明公开了基于粒子群优化算法的SLAM闭环检测方法，主要解决现有闭环检测技术中词袋BOW方法离线训练过程较为复杂的问题。其检测步骤为：(1)判断所获取的当前帧图片是否为关键帧图片；(2)计算当前关键帧图片的描述子；(3)判断当前关键帧图片是否是第一帧关键帧图片；(4)创建帧图片描述子库；(5)扩充帧图片的描述子库；(6)判断帧图片描述子库中关键帧图片数是否等于50；(7)获得最优帧图片；(8)当前关键帧图片与最优帧图片进行匹配；(9)判断暴力匹配对是否等于25对；(10)输出满足闭环条件下的最优帧图片。

技术领域

本发明属于图像技术领域，更进一步涉及机器人视觉技术领域中的一种基于粒子群优化算法的即时定位及构图SLAM(simultaneous localization and mapping)闭环检测方法。本发明通过摄像头获取待检测的图片，通过粒子群优化算法在已获取到的图片中找寻与待检测的图片最相似的一帧图片，可用于实现闭环检测方法。

背景技术

目前机器人技术被誉为21世纪极具发展潜力的十大领域之一。即时定位及构图SLAM是指机器人在未知环境中通过传感器信息确定自身空间位置，并建立所处空间的环境模型。近些年随着高效且便宜的RGB-D相机的出现，视觉SLAM已经成为研究的热点，但是仅通过单一的视觉传感器获得的信息来估计机器人位姿，先前时刻的误差将会传递到下一时刻，将不可避免的出现累计位姿漂移，导致我们无法建立一致的地图。为了解决位姿漂移问题，闭环检测负责当机器人探索未知环境时，判断机器人当前所处的场景是否在之前探索环境时出现过，检测到正确有效的闭环增加了额外的位姿约束，这对于机器人全局姿态的精确校正是非常有必要的,可以很好消除累积误差，得到全局一致的轨迹和地图。

董海霞和曾连荪在其发表的论文“视觉SLAM中闭环检测算法的研究”(in：微型机与应用MICROCOMPUTER AND ITS APPLICATIONS，2016，35(5)：1-3，7)中提出了一种闭环检测算法结合了计算机视觉中的词袋技术和视觉词典技术，在对图像进行处理时利用了BRIEF+FAST关键点的方法。该方法利用离线阶段生成的词典树将图像的二进制描述子空间离散化，训练图像生成的图像数据库结构主要由等级词袋、倒置索引和直接索引组成。倒置索引和直接索引提高了算法的效率，为了保证闭环检测结果的可靠性，对于匹配的图像进行了验证。但是，该方法仍然存在的不足之处是：离线训练特征点内存占用大，时间耗费严重。离线训练过程无法满足机器人在大范围内长时间地执行SLAM的需要，因为用于闭环探测的视觉单词本是基于机器人之前观测到的场景图像生成的，无法很好地描述机器人将来观测到的场景图像。

山东大学在其申请的专利文献“一种基于深度学习的机器人闭环检测方法”(申请号：CN201710018162.1公开号：CN106780631A)中公开了一种基于深度学习的机器人闭环检测方法。该方法通过(1)获取首帧环境的RGB图像和三维数据，将环境的RGB图像和三维数据进行配准获得环境的RGB+DEPTH四通道图像，将所述RGB+DEPTH四通道图像输入到卷积神经网络中，采用卷积神经网络的中间层输出作为首帧的特征提取结果；(2)采用(1)的方法获取连续N帧的特征提取结果；(3)将第N帧与第M帧的特征提取结果进行特征匹配，根据特征匹配结果判断闭环是否发生。该方法存在的不足之处是：由于训练生成的视觉单词本对局部特征点描述符进行了量化，没有考虑局部尺度不变性FAST特征点在场景图像中的数据关联问题，造成机器人会将不同位置的高相似场景误认为同一场景导致闭环检测发生误差。