[發明專利]圖像處理方法、裝置、電子設備及存儲介質

在審

• 申請號: 201911084122.2
• 申請日: 2019-11-07
• 公開（公告）號: CN110852327A
• 公開（公告）日: 2020-02-28
• 發明（設計）人: 施智平;付超凡;邵振洲;關永;韓旭;張永祥;姜那
• 申請（專利權）人: 首都師范大學
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/62
• 代理公司: 北京智信四方知識產權代理有限公司 11519
• 代理人: 鐘文芳;宋海龍

本公開實施例公開了一種圖像處理方法、裝置、電子設備及存儲介質，所述方法包括：對待處理圖像集中待處理圖像中的動態物體進行過濾，得到靜態圖像；利用CNN網絡提取所述靜態圖像中的局部特征，并對所述局部特征進行聚類，得到多個聚類中心點；根據所述多個聚類中心點構建所述靜態圖像的視覺詞袋模型，將所述靜態圖像的局部特征映射到所構建的所述視覺詞袋模型上，并根據所述視覺詞袋模型對所述待處理圖像集進行特征向量表示，并根據所述特征向量表示的結果進行閉環檢測。

技術領域

本公開涉及圖像技術領域，具體涉及一種圖像處理方法、裝置、電子設備及存儲介質。

背景技術

近年來，隨著機器人、自動駕駛技術的快速發展，視覺同步定位與地圖構建(visual Simultaneous Localization and Mapping,vSLAM)在其中發揮著越來越重要的作用。其中，閉環檢測作為vSLAM系統里的重要環節，主要用來判斷機器人當前位置是否處于之前已經過空間區域，解決在傳感器誤差、噪聲影響以及環境變化等大規模復雜環境中，由于計算的累積誤差所導致的地圖創建失敗和位置丟失以及地圖冗余數據或重復結構問題，從而提升vSLAM的準確性和魯棒性。

目前已有的閉環檢測方法可以分為兩類：基于人工設計特征的傳統閉環檢測方法和基于深度學習的閉環檢測方法。傳統的閉環檢測算法是依靠人工設計的特征描述子進行圖像相似度匹配，可分為基于局部特征描述子(SIFT、SURF和ORB)的閉環檢測方法和基于全局特征描述子(GIST)的閉環檢測方法。基于局部特征描述子的閉環檢測中最常用的方法為視覺詞袋模型(Bag of Visual Words,BoVW)，主要思想是首先對圖像提取局部特征，并聚類提取的特征描述子建立視覺詞典。依據視覺詞典樹將圖像表示成為一個K維數值向量，再通過度量圖像特征向量之間的距離判斷是否存在閉環。因為傳統人工設計特征閉環檢測算法是從圖像局部區域中提取邊緣、角點、線、曲線和特別屬性等的區域特征，所以當周圍的環境變化不明顯時，具有很好的精確度。然而，由于人工設計特征算法絕大部分依賴于人類的專業知識和經驗，不能對圖像進行精確的表達，因此當周圍的環境發生明顯變化時(如：光照變化明顯的場景中)，難以提供準確且魯棒的圖像特征描述，穩定性較差，導致復雜環境下的誤匹配率增高。

隨著深度學習在近些年的快速發展，因為CNN(卷積神經網絡)可以提取到圖像深層次的的特征，具有更豐富的數據信息和更高的特征表達能力，所以CNN被用來從大量數據中學習特征來代替傳統的人工設計的特征，以解決閉環檢測問題。基于CNN的圖像描述子當光照發生顯著變化時,它們的表現優于人工設計的描述子，但由于基于CNN的閉環檢測算法，提取的是圖像全局特征，因此在沒有光照變化的穩定環境中，基于全局特征的CNN特征提取閉環檢測算法準確率要低于基于局部特征的傳統人工設計特征的閉環檢測算法。

發明內容

本公開實施例提供一種圖像處理方法、裝置、電子設備及計算機可讀存儲介質。

第一方面，本公開實施例中提供了一種圖像處理方法，包括：

對待處理圖像集中待處理圖像中的動態物體進行過濾，得到靜態圖像；

利用CNN網絡提取所述靜態圖像中的局部特征，并對所述局部特征進行聚類，得到多個聚類中心點；

根據所述多個聚類中心點構建所述靜態圖像的視覺詞袋模型，將所述靜態圖像的局部特征映射到所構建的所述視覺詞袋模型上，并根據所述視覺詞袋模型對所述待處理圖像集進行特征向量表示，并根據所述特征向量表示的結果進行閉環檢測。

進一步地，對待處理圖像集中待處理圖像中的動態物體進行過濾，得到靜態圖像，包括：

檢測所述待處理圖像中的動態物體，提取所述動態物體的區域信息；

根據所述區域信息將所述動態物體從所述待處理圖像過濾，得到所述靜態圖像。