[发明专利]一种基于二阶注意力机制的回环检测及优化方法

说明书

本发明公开了一种基于二阶注意力机制的回环检测及优化方法，属于计算机视觉图像技术领域，解决了传统方法忽略图像局部特征之间相关性的问题。其技术方案为：包括以下步骤：步骤1)、构建融合VGG16、二阶注意力机制和NetVLAD的网络模型SOA‑NetVLAD；步骤2)、采用知识蒸馏的方式训练网络模型得到最优参数；步骤3)、提取图像的全局特征；步骤4)、采用局部敏感哈希方法对图像的全局特征降维，并计算图像之间的余弦相似度；步骤5)、采用几何验证方式进行回环验证；步骤6)、采用随机采样一致性算法消除误匹配。本发明的有益效果为：本发明的网络模型中加入了注意力机制，能有效的学习局部特征之间的相关性。

技术领域

本发明涉及计算机视觉图像技术领域，尤其涉及一种基于二阶注意力机制的回环检测及优化方法。

背景技术

同步定位与建图(Simultaneous Localization and Mapping，SLAM)在自主移动机器人和智能交通领域起着关键的作用，它可以在未知的环境中进行地图的构建，同时准确的估计机器人的位置。然而，因为环境条件的影响，会使得机器人估计的轨迹出现一些累计漂移。回环检测是SLAM系统的一个重要组件，它可以通过识别机器人是否已经返回之前的位置来修正累计误差，真正的回环检测可以提供精确的位姿估计，提高整个SLAM系统的精度。

回环检测提升了SLAM的性能，目前回环检测方法主要分为两大类：传统方法和深度学习方法。词袋(BoW)框架(Gálvez-López D,Tardos J D.Bags of binary words forfast place recognition in image sequences[J].IEEE Transactions on Robotics,2012,28(5):1188-1197.)在传统方法中得到了广泛的应用，大多数使用BoW框架的回环检测方法，通过将描述符空间量化为视觉单词，然后应用TF-IDF技术，可以将图像使用紧凑的向量来表示。最后，结合到排序索引的方法快速计算当前查询图像和之前图像之前的相似度，从而找到回环候选帧。然而，传统的方法对光照变化和视点变化缺乏鲁棒性，且过度依赖于纹理信息，容易产生感知混淆问题。当面对真实场景，例如光照的变化和视点变化等情况时，描述符的性能可能会降低。基于深度学习的方法有很多，R.Arandjelovic等人提出了NetVLAD(Arandjelovic R,Gronat P,Torii A,et al.NetVLAD:CNN architecture forweakly supervised place recognition[C]//Proceedings of the IEEE conference oncomputer vision and pattern recognition.2016:5297-5307.)网络，但该方法忽略了局部特征之间的相似性，对视点变化比较敏感。在复杂环境中可能会失败。

目前面对的问题是回环检测的精度和实时性还有待进一步提高，如何解决上述技术问题为本发明面临的课题。

发明内容

为了解决以上技术问题，本发明的目的在于提供一种基于二阶注意力机制的回环检测及优化方法，通过比较图像全局特征帮助机器人判断是否回到之前访问过的地方，提高了回环检测的准确率，减少位姿漂移误差，进一步提升定位的精度，且大大减少了运算量，在实时性方面表现的更加优秀。

本发明的发明思想为：本发明是通过构建融合VGG16、二阶注意力模块(SOA)和NetVLAD的网络模型SOA-NetVLAD；并采用知识蒸馏的方式训练网络模型得到最优参数；对图像进行预处理并输入到SOA-NetVLAD网络中，提取图像的全局特征；采用局部敏感哈希(LSH)方法对图像的全局特征降维，并计算图像之间的余弦相似度，根据相似度得到回环候选帧；采用几何验证方式进行回环验证；采用随机采样一致性算法(RANSAC)消除误匹配。基于二阶注意力机制的回环检测及优化方法，可以有效的学习局部特征之间的相关性，克服了传统回环检测方法对视点变化和光照变化敏感等问题，加入几何验证的方式可以对回环检测的结果进一步验证，提高了回环检测的准确率。