[发明专利]一种基于卷积神经网络的回环检测方法

说明书

本发明公开了一种基于卷积神经网络的回环检测方法，首先利用开源框架Tensorflow训练的Inception V3网络，对待检测的图片进行卷积处理和池化处理并提取神经网络输出的描述子向量；其次，利用主成分分析算法对高维的描述子向量进行降维处理，并利用欧氏距离计算描述子向量的相似度；最后设定描述子向量的相似度阈值，并绘制出准确率‑召回率曲线以验证回环检测算法性能。基于卷积神经网络的回环检测方法，克服了基于人工特征的回环检测方法准确率低、计算量大、实时性差的缺陷等问题。

技术领域

本发明涉及一种基于卷积神经网络的回环检测方法，属于深度学习和SLAM技术领域。

背景技术

移动机器人在室内环境下根据视觉传感器数据在定位的同时构建地图，即视觉SLAM(Simultaneous Localization and Mapping,SLAM)技术，是实现移动机器人自主定位的关键。传统的视觉SLAM技术分为视觉里程计、后端优化、回环检测和地图构建等四个部分。回环检测作为视觉SLAM系统中的重要一环，在降低累积误差、提高地图构建精度方面发挥着重要作用。因此，回环检测的算法性能将直接影响地图构建的准确性，错误的回环将导致整个地图构建失败。

回环检测的关键，在于识别出移动机器人曾经到达过的场景。基于外观的回环检测算法将机器人在当前位置获取到的图像与先前位置的图像进行比较，一旦图像间的相似度高于设定的阈值，即认为机器人又回到了曾经访问过的位置。因此，回环检测的实质是图像匹配问题。在当前比较成熟的视觉SLAM系统中，一般采用词袋模型(Bag of Words,BoW)的方法实现回环检测。该方法通过提取特征点来描述图像特征，对各帧图像间的相似性进行计算。词袋模型方法虽然在开源SLAM框架中取得了不错的效果，但对场景外观变化十分敏感，存在计算量大、误匹配率高等问题，而且高度依赖于离线训练的单词数量。

近几年，深度学习理论和技术得到快速发展，在解决图像识别和分类问题上优势明显。基于卷积神经网络的回环检测方法，可提取到图像的高层特征信息，具有更强的鲁棒性，可以提高回环检测方法的准确率和召回率。

发明内容

技术问题：本发明提出一种基于卷积神经网络的回环检测方法，该方法可以有效解决传统回环检测方法误匹配率高和计算量大等问题。

技术方案：本发明的基于卷积神经网络的回环检测方法，包括如下步骤：

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。

进一步的，本发明方法中，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。