[發明專利]一種基于深度學習的SLAM回環檢測方法及系統

在審

• 申請號: 201911386798.7
• 申請日: 2019-12-29
• 公開（公告）號: CN111401123A
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 馬鑫軍
• 申請（專利權）人: 的盧技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 王曉東

1.一種基于深度學習的SLAM回環檢測方法，其特征在于：包括，

獲取真實相機在SLAM系統中對應的真實關鍵幀；

利用詞袋詞典模塊(100)檢測回環候選幀，并送入深度學習檢測模塊(200)中；

所述深度學習檢測模塊(200)檢測識別檢測幀和所述回環候選幀中是否有同一物體；

分別獲取所述詞袋詞典模塊(100)與所述深度學習檢測模塊(200)的檢測概率數據；

利用高斯概率模型，融合模塊(300)將所述詞袋詞典模塊(100)與所述深度學習檢測模塊(200)檢測概率數據融合，獲得融合后的概率數據；

判斷所述融合后的概率數據是否達到檢測要求。

2.如權利要求1所述的基于深度學習的SLAM回環檢測方法，其特征在于：檢測所述回環候選幀之前具體包括，

訓練大量圖片數據獲取詞典(101)；

利用關鍵幀數據庫找出與當前幀有公共單詞的關鍵幀；

累加與所述當前幀相同單詞個數，并設置80％為最大共有所述單詞數量設定值。

3.如權利要求1或2所述的基于深度學習的SLAM回環檢測方法，其特征在于：檢測所述回環候選幀還包括，

將所述設定值作為檢測閾值；

利用所述檢測閾值篩選所述關鍵幀；

利用所述詞典(101)獲取值大于所述檢測閾值，獲得所述回環候選幀，并把所述回環候選幀與所述檢測幀送入所述深度學習檢測模塊(200)中。

4.如權利要求3所述的基于深度學習的SLAM回環檢測方法，其特征在于：所述深度學習檢測模塊(200)檢測識別包括，

利用開源YOLO算法檢測所述當前幀與所述回環候選幀中是否有同一物體。

5.如權利要求4所述的基于深度學習的SLAM回環檢測方法，其特征在于：所述開源YOLO算法檢測具體包括，

利用圖像上滑動的滑窗，查看完整圖像；

分別判別所述圖像的分類；

利用調整物體精確邊框，完成檢測和定位。

6.如權利要求1或4所述的基于深度學習的SLAM回環檢測方法，其特征在于：融合所述檢測數據概率包括，

利用詞袋(102)，獲取所述詞袋詞典模塊(100)檢測所述回環候選幀概率Xp；

利用深度學習，獲取所述深度學習檢測模塊(200)檢測識別概率Xm；

利用高斯概率模型，將所述概率Xp與所述概率Xm融合，獲得融合后的所述概率數據。

7.如權利要求6所述的基于深度學習的SLAM回環檢測方法，其特征在于：所述高斯概率模型包括，

其中，x為融合后的概率，p為預測(即詞袋詞典模塊100)，Xp為預測概率，δp為方差，在概率論中，若A B相互獨立，則P(AB)＝P(A)*P(B)。

8.如權利要求1所述的基于深度學習的SLAM回環檢測方法，其特征在于：判斷所述融合后的概率數據是否達到檢測要求包括，

若融合后的所述概率數據結果大于所述檢測閾值，則所述當前幀與所述回環候選幀是正確的；

若融合后的所述概率數據結果小于或等于所述檢測閾值，則所述當前幀與所述回環候選幀是錯誤的。

9.一種基于深度學習的SLAM回環檢測系統，其特征在于：包括，

詞袋詞典模塊(100)，包括詞典(101)和詞袋(102)，所述詞典(101)通過描述子聚類而構建，包含所有的單詞，并與所述詞袋(102)相連接，所述詞袋(102)通過數據庫篩選出與當前幀有公共單詞的所述關鍵幀，同時通知所述詞典(101)統計與所述當前幀相同單詞數量；

深度學習檢測模塊(200)與所述詞袋詞典模塊(100)相連，所述詞袋詞典模塊(100)檢測到的所述回環候選幀與所述關鍵幀送入深度學習檢測模塊(200)中時，所述深度學習檢測模塊(200)啟動檢測單元(201)檢測識別所述回環檢測幀與所述關鍵幀中有無相同物體，并通過計算體(202)算的所述詞袋詞典模塊(100)與所述深度學習檢測模塊(200)的檢測概率；

融合模塊(300)包括結合體(301)，所述計算體(202)獲取所述檢測概率后被所述檢測單元(201)以數據形式傳輸到所述結合體(301)內，所述結合體將所述檢測概率數據融合在一起，并反饋給所述計算體(202)。