[发明专利]一种基于卷积神经网络的回环检测方法

权利要求书

1.一种基于卷积神经网络的回环检测方法，其特征在于，该方法包括以下步骤：

步骤1.将待检测图像I_i输入到训练好的卷积神经网络中，进行卷积和池化处理，并提取图像I_i池化层的输出向量作为高维描述子向量D_i，i＝1,2…N，其中高维描述子向量D_i的维数为d，N为该待检测图像I_i序列的长度；

步骤2.将步骤1中提取的高维描述子向量D_i利用主成分分析法进行降维处理，得到低维描述子向量D_PCA-i，其中低维描述子向量D_PCA-i的维数为d_pca；

步骤3.遍历图像序列，利用欧氏距离公式对低维描述子向量D_PCA-i进行相似度计算；

步骤4.设定相似度阈值，当图像序列中两低维描述子向量的相似度小于相似度阈值时，检测结果判定为回环；

步骤5.对输出的回环信息进行检查，计算回环检测算法的准确率和召回率；

步骤6.重复步骤4至步骤5，根据计算出的多组准确率和召回率，绘制出准确率-召回率曲线以验证回环检测算法性能。

2.根据权利要求1所述的基于卷积神经网络的回环检测方法，其特征在于，步骤1中所选用的卷积神经网络为在深度学习框架Tensorflow中预先训练的InceptionV3网络，该网络由42层组成。

3.根据权利要求1所述的基于卷积神经网络的回环检测方法，其特征在于，步骤3中所述利用欧氏距离公式对低维描述子向量D_PCA-i进行相似度计算，计算公式为：

其中，相似度矩阵Sim为N阶方阵，N为该待检测图像I_i序列的长度，D_PCA-m为当前帧图像I_m的低维描述子向量，D_PCA-n为当前帧图像I_m对应的历史帧图像I_n的低维描述子向量，||D_PCA-m||₂为D_PCA-m的L₂范数，||D_PCA-n||₂为D_PCA-n的L₂范数，L₂范数即向量的模，Sim(m,n)代表当前帧图像I_m与其对应的历史帧图像I_n的相似度。

4.根据权利要求1所述的基于卷积神经网络的回环检测方法，其特征在于，步骤4中所述设置相似度阈值的计算公式为：

thr_k＝1-thr_base*k，count＝1/thr_base，k＝1,2…count；

其中，thr_k代表相似度阈值，count代表相似度阈值的数目，thr_base代表相似度阈值的步长，k代表相似度阈值对应的编号。

5.根据权利要求1所述的基于卷积神经网络的回环检测方法，其特征在于，步骤5所述中，

准确率P_k的计算公式为：P_k＝TP_k/(TP_k+FP_k)，其中，TP_k的含义为：当阈值为thr_k时，实际是回环而且算法的判定结果也是回环的数目；FP_k的含义为：当阈值为thr_k时，实际不是回环但是算法判定结果是回环的数目；

召回率R_k的计算公式为：R_k＝TP_k/(TP_k+FN_k)，其中FN_k的含义为：当阈值为thr_k时，实际是回环但是算法判定结果不是回环的数目。