[发明专利]机器人视觉SLAM回环检测方法、计算机设备及存储介质

权利要求书

1.机器人视觉SLAM回环检测方法，其特征在于，包括以下步骤：

S1、搭建神经网络架构，定义为CAE+，其包括两部分，第一部分采用开源的预训练的轻量级深度学习模型，第二部分为包含A层的CNN网络，将其定义为DEmodel，其中A的大小根据第一部分的输出维度来选择；

S2、将训练集图片裁剪后输入到CAE+进行训练，得到训练后的CAE+模型；

S3、将搭载在移动机器人上的相机获取到的当前图片裁剪后输入到训练后的CAE+模型，得到全图像级的CNN特征向量，并将该CNN特征向量用阿拉伯数字按照图片获取顺序进行编号；

S4、对历史图像的CNN特征向量矩阵先进行归一化然后执行奇异值分解，将最大的M个奇异值置零，重构CNN特征向量矩阵；

S5、计算当前图像的CNN特征向量与奇异值分解后的历史图像的CNN特征向量的相似度，选择相似度最高的前K个历史图像的CNN特征向量；

S6、在步骤S5选择出的K个历史图像的CNN特征向量中找出编号连续的CNN特征向量，若有，则计算连续的CNN特征向量中所有向量与当前图像的CNN特征向量的结构相似度平均值，并将结构相似度的平均值大于设定阈值的连续图像视为与当前图像构成回环，否则，表明当前图像与历史图片不够成回环，将当前图像的CNN特征向量加入历史图像CNN特征向量矩阵，获取新图像，进行下一轮回环检测。

2.根据权利要求1所述的机器人视觉SLAM回环检测方法，其特征在于，所述步骤S1中，

预训练的轻量级深度学习模型是在ImageNet大规模图像数据集上预先训练好并除去全连接层的网络模型；

而DEmodel模型包含A层，其输入和输出大小均等于预训练的深度学习模型的输出，用以将输入压缩编码为一个隐藏的空间表示。

3.根据权利要求1所述的机器人视觉SLAM回环检测方法，其特征在于，所述步骤S2中，将训练集图片裁剪后输入到CAE+进行训练，得到训练后的CAE+模型，过程包括：

S2-1、获取预训练的深度学习模型的最后一个卷积层的特征图，所述特征图维度为N×W×W,可视为N个大小为W×W的特征矩阵；

S2-2、训练网络，直到损失函数曲线不再下降或下降缓慢时停止训练；训练网络的损失函数采用均方误差损失函数，计算方法如下：

其中，Output₁表示预训练的深度学习模型的输出特征，Output₂表示DEmodel的输出特征。

4.根据权利要求1所述的机器人视觉SLAM回环检测方法，其特征在于，所述步骤S3中，所述全图像级的CNN特征向量为DEmodel中间层输出并展平为d维的向量，记为(X₁，X₂，...，X_d)，d的大小由DEmodel决定。

5.根据权利要求1所述的机器人视觉SLAM回环检测方法，其特征在于，所述步骤S4中，对历史图像的CNN特征向量矩阵进行归一化和奇异值分解，将最大的M个奇异值置零，重构CNN特征向量矩阵，包括：

S4-1、对历史图像的CNN特征向量矩阵中每一个向量进行L₂归一化，即：

S4-2、定义归一化后的CNN特征向量矩阵为CNNMatrix_m×n,m、n代表CNNMatrix_m×n的大小，对其进行奇异值分解，即：

CNNMatrix_m×n＝P∑Q^T

其中，矩阵P为CNNMatrix_m×n的左奇异向量，大小为m×m；矩阵∑的大小为m×n，位于对角线的元素称为奇异值；矩阵Q为CNNMatrix_m×n的右奇异向量，大小为n×n；

S4-3、将矩阵∑的中最大的M个值置零，得到∑¹，继而重构CNNMatrix_m×n，重构方法如下：

CNNMatrix_m×n＝P∑¹Q^T。