[发明专利]一种基于深度信念网络的回环检测方法

权利要求书

1.一种基于深度信念网络的回环检测方法，包括以下步骤：

S1：从视频帧数据中选取具有丰富细节信息的图像块以降低计算量；

S2：将S1得到的图像块的灰度值展开成向量，所述图像块组成一个矩阵，输入深度信念网络进行训练；

S3：将所述深度信念网络DBN最后一个隐层得到的向量作为图像的特征表示，通过计算当前帧与历史关键帧的输出特征之间的相似度来判定两帧是否是同一个地点，以完成回环检测。

2.如权利要求1所述的方法，所述步骤S1中，使用特征点计算方法提取图像的关键点，然后以关键点的像素为中心，以预定大小s的窗口从原始图像中提取出图像块，并拉伸成长度为s2的一维向量，取其中，将关键点按照特征响应的强弱进行排序，取前N个关键点，得到N×s2维度的输入矩阵，所述矩阵即由步骤S1输出的图像块组成。

3.如权利要求1所述的方法，在所述S2中，所述深度信念网络DBN由多个限制波尔兹曼机RBM组成，对所述多个限制波尔兹曼机进行训练，计算出一个最能够产生训练样本的概率分布。

4.如权利要求3所述的方法，所述最能够产生训练样本的概率分布取决于模型的权值，使用非监督贪婪逐层方法预训练获得权值，生成所述权值的训练过程为：

S11：对于训练集中的每一条记录x执行：将x赋给显层向量v0，计算它使隐层神经元被开启的概率，即：其中上标用于区别不同向量，下标用于区别同一向量中的不同维度，σ采用logistic函数；

S12：从计算出的概率分布中抽取一个样本h0～P(h0|v0)，然后用h0重构显层，重构的公式为：

S13：同样抽取出显层的一个样本v1～P(v1|h0)，再次用重构之后的显层神经元计算出隐层神经元被开启的概率并按W←W+λ·P(h0＝1|v0)v0T-P(h1＝1|v1)v1T来更新权重，λ＝0.01。

5.如权利要求4所述的方法，其中隐层激活单元h＝1和显层输入v之间的相关性差别就作为权值更新的依据。

6.如权利要求4所述的方法，所述深度信念网络DBN的训练过程为：

S21.首先充分训练第一个RBM；S22.固定第一个RBM的权重和偏移量，然后使用其隐性神经元的状态，作为第二个RBM的输入向量；S23.充分训练第二个RBM后，将第二个RBM堆叠在第一个RBM的上方；S24.重复以上三个步骤任意多次；S25.完成DBN训练。

7.如权利要求1所述的方法，所述步骤S3的相似度计算过程为：

假设有两幅关键帧F1和F2，分别包含k1和k2个特征，关键帧Fi的表达通式为：其中h是DBN网络的输出，其中度量两幅关键帧的相似度的算法为：

S31：初始化相似性得分S＝0；

S32：使用FLANN(近似最邻近算法)计算特征的相似性，获得k对特征M＝

S33：对于任意一对特征mk，计算特征之间的距离

S34：计算累积相似性得分S+＝a+b logsk，b＜0，a和b为参数，用于保证得分处在一个合理的范围，并平衡不同相似度带来的影响，通过将相似性得分归一化到[0，1]，当得分＞0.7，则认为存在所述闭环。