[发明专利]一种基于语义分割及图像特征描述的闭环检测方法

说明书

本发明涉及一种基于语义分割及图像特征描述的闭环检测方法，采用轻量级语义分割网络分割出图像中的动态场景，重点关注于图像中的静态背景图像，能够较好的解决存在动态物体遮挡的问题。将轻量级卷积神经网络提取的图像全局特征与二进制局部差分描述符LDB进行结合，在闭环检测过程中既能应对存在动态物体遮挡的场景，又能快速获取图像的特征描述，从而得到较高的召回率。

技术领域

本发明涉及无人机自主巡检中基于视觉的定位与导航领域，更具体地，涉及一种基于语义分割及图像特征描述的闭环检测方法。

背景技术

SLAM(simultaneous localization and mapping)技术即同时定位与地图构建起源于1986年的IEEE Robotics and Automation Conference大会。SLAM主要用于移动机器人的自主定位与地图构建，具体为处于未知环境中的移动机器人从某一未知位置开始移动，在移动过程中通过传感器返回的数据对自身位置进行估计，同时建立环境地图。激光雷达与相机是SLAM系统中常用的传感器，单纯依靠相机作为传感器的SLAM系统成为视觉SLAM。近年来，随着计算机视觉处理技术的发展及相机成本的降低，视觉SLAM技术备受关注，在无人驾驶、AR、水下机器人等领域都有着广泛的应用。视觉SLAM系统分为前端视觉里程计、闭环检测、后端优化及地图构建四部分。闭环检测是视觉SLAM系统中的重要一环，指移动机器人在定位过程中通过视觉传感器返回的数据判断是否发生了轨迹闭环，即判断机器人是否回到了曾经访问过的地点。真阳性的闭环对于降低前端定位累计误差及构建一致性环境地图起着重要的作用。

公开号为“CN111553193A”，公开日为2020年4月1日的中国专利申请文件公开了一种基于轻量级深层神经网络的视觉SLAM闭环检测方法，。本方法中图像识别模型采用轻量级深层神经网络，训练方法是利用相似场景的数据集对构架好的网络模型进行图集训练，通过训练优化网络到达一定精度。最终目的是令训练好的神经网络模型能够从训练样本中学习图像样本所对应的概率分布，从而实现对场景特征的提取并得到图像的相似性以达到检测闭环的目的，并为后续SLAM建图优化做准备。本发明在复杂光照下能取得较好的检测效果，可以提升模型实际引用时的速度，此外在较低的计算成本下大幅度提高了算法的准确性。

但是上述的方案中，是基于卷积神经网络提取图像全局特征的闭环检测方法，该方法的特征维数高、因此其准确性确实较高，但其速度较慢且无法获取图像间的几何拓扑关系，而且也难以处理存在动态遮挡的场景。

发明内容

本发明为克服上述现有技术中闭环检测难以处理存在动态遮挡环境的问题，提供一种基于语义分割及图像特征描述的闭环检测方法，采用轻量级语义分割网络分割出图像中的动态场景，将轻量级卷积神经网络提取的图像全局特征与二进制局部差分描述符LDB进行结合，在闭环检测过程中既能应对存在动态物体遮挡的场景，又能快速获取图像的特征描述，从而得到较高的召回率。

为解决上述技术问题，本发明采用的技术方案是：一种基于语义分割及图像特征描述的闭环检测方法，包括以下步骤：

步骤一：通过移动机器人采集的输入图像I_i；当前输入图像I_i采用以轻量级语义分割网络分割出道路中常见的动态物体，对剩余的静态背景图像进行保留；

步骤二：当前输入图像I_i的静态背景图像采用轻量级卷积神经网络提取图像全局特征，将提取的全局特征插入近似最近邻检索算法的分层可通航小世界图中；

步骤三：在当前输入图像I_i的检索范围内，通过HNSW检索与当前输入图像最相似的关键帧作为当前图像的闭环候选图像；

步骤四：引入几何一致性检验，对当前输入图像I_i与闭环候选图像分别提取ORB特征点及对应局部差分二进制描述符LDB，对两幅图像的描述符进行匹配；