[发明专利]一种基于实例分割的视觉SLAM回环检测改进方法

摘要

本发明公开了一种基于实例分割的视觉SLAM回环检测改进方法，提出通过Mask R‑CNN框架对图像进行实例分割，并提出三种结合实例分割的改进措施，以此来解决移动智能型机器人在视觉导航中遇到的回环检测问题，从而使得机器人在移动建图上更加准确；本发明与现有技术相比，使用Mask R‑CNN进行离线的训练，将图像中的实例进行精细分割。并将分割出的相关性较低的实例进行选择并去除，使得整个回环检测的稳定性以及准确率得到提高，以此来提高智能移动机器人导航的高效性和准确性；另外，在回环检测中通过三种结合实例分割框架的检测方法，用来对图像空间关系进行描述，从而进一步对回环检测进行检验。本发明中的这两大特征使得整个系统的准确性得到显著的提高。

主权项

1.一种基于实例分割的视觉SLAM回环检测改进方法，其特征在于，包括下述步骤：/n(1)使用RGB-D摄像头获取RGB信息以及深度的信息，将采集到的数据集样本分成多个同等份的数据集；/n(2)将数据集中的每一张图片分别送入CNN，进行特征提取；/n(3)在最后一层卷积featuremap上，通过RPN生成ROI，每张图片固定n个建议窗口；/n(4)通过RoIAlign层使得每个建议窗口生成固定大小的feature map；/n(5)得到三个输出向量，第一个是softmax分类，第二个是每一类的bounding box回归，第三个是每一个ROI的二进制掩码Mask；通过这三个输出向量，从而得到实例分割的结果；/n(6)将实例分割的结果进行过滤，即将分割出的相关性较低的实例进行选择并去除，只留下能区分图像特征的实例；/n(7)将第A帧图像与第B帧图像所得到的实例分割过滤后的结果进行对比，规定A、B在全部帧中随机取，且A+1<B，当最终聚类中心的对比在误差范围之内，并达到了一定的数量时，便看作是达到了回环的效果；/n(8)得到MASK R-CNN的实例分割结果后，一方面可以直接通过最终的特征进行回环检测；另一方面，也可以使用结合实例分割与视觉SLAM的回环检测方法。/n