[發(fā)明專利]一種基于深度學(xué)習(xí)的SLAM回環(huán)檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201911386798.7
• 申請日: 2019-12-29
• 公開（公告）號: CN111401123A
• 公開（公告）日: 2020-07-10
• 發(fā)明（設(shè)計）人: 馬鑫軍
• 申請（專利權(quán)）人: 的盧技術(shù)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(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 32272
• 代理人: 王曉東

本發(fā)明公開了一種基于深度學(xué)習(xí)的SLAM回環(huán)檢測方法及系統(tǒng)，包括利用詞袋詞典模塊檢測回環(huán)候選幀，并送入深度學(xué)習(xí)檢測模塊中；深度學(xué)習(xí)檢測模塊檢測識別檢測幀和回環(huán)候選幀中是否有同一物體；分別獲取詞袋詞典模塊與深度學(xué)習(xí)檢測模塊的檢測概率數(shù)據(jù)；利用高斯概率模型，融合模塊將詞袋詞典模塊與深度學(xué)習(xí)檢測模塊檢測概率數(shù)據(jù)融合，獲得融合后的概率數(shù)據(jù)；判斷融合后的概率數(shù)據(jù)是否達到檢測要求。本發(fā)明通過結(jié)合詞袋技術(shù)和深度學(xué)習(xí)檢測技術(shù)，提高回環(huán)檢測的準確性，從而提高整個SLAM技術(shù)的定位精度。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機視覺技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的SLAM回環(huán)檢測方法及系統(tǒng)。

背景技術(shù)

SLAM就是同時定位與地圖創(chuàng)建，例如，一個機器人在未知的環(huán)境中運動，如何通過對環(huán)境的觀測確定自身的運動軌跡，同時構(gòu)建出環(huán)境的地圖。SLAM技術(shù)正是為了實現(xiàn)這個目標涉及到的諸多技術(shù)的總和。早期的SLAM多利用聲吶、單線激光雷達等傳感器來實現(xiàn)。從2000年以后，隨著計算機視覺的發(fā)展，利用攝像頭的視覺SLAM開始成為研究熱點，并且在許多領(lǐng)域中體現(xiàn)出巨大的應(yīng)用價值。1986年提出SLAM，距今為止已經(jīng)發(fā)展了30多年，1986-2004，該問題轉(zhuǎn)換為一個狀態(tài)估計問題，利用擴展卡爾曼濾波、粒子濾波及最大似然估計等手段來求解；2004-2015，研究SLAM的基本特性，包括觀測性、收斂性和一致性；2015年，魯棒性、高級別的場景理解，計算資源優(yōu)化，任務(wù)驅(qū)動的環(huán)境感知。

視覺SLAM是在傳統(tǒng)SLAM的基礎(chǔ)上發(fā)展起來的，早期的視覺SLAM多采用擴展卡爾曼濾波等手段來優(yōu)化相機位姿的估計和地圖構(gòu)建的準確性，后期隨著計算能力的提升及算法的改進，BA優(yōu)化、位姿優(yōu)化等手段逐漸成為主流。回環(huán)檢測是指機器人識別曾到達某場景，使得地圖閉環(huán)的能力，目前是通過詞袋技術(shù)實現(xiàn)的，但是詞袋技術(shù)嚴重依賴預(yù)訓(xùn)練詞典，檢測精度不高。

發(fā)明內(nèi)容

本部分的目的在于概述本發(fā)明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和發(fā)明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發(fā)明名稱的目的模糊，而這種簡化或省略不能用于限制本發(fā)明的范圍。

鑒于上述現(xiàn)有存在只采用詞袋技術(shù)回環(huán)檢測的問題，提出了本發(fā)明。

因此，本發(fā)明提供了一種基于深度學(xué)習(xí)的SLAM回環(huán)檢測方法及系統(tǒng)，結(jié)合詞袋技術(shù)與深度學(xué)習(xí)檢測技術(shù)，提高回環(huán)檢測準確性。

為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：利用詞袋詞典模塊檢測回環(huán)候選幀，并送入深度學(xué)習(xí)檢測模塊中；所述深度學(xué)習(xí)檢測模塊檢測識別檢測幀和所述回環(huán)候選幀中是否有同一物體；分別獲取所述詞袋詞典模塊與所述深度學(xué)習(xí)檢測模塊的檢測概率數(shù)據(jù)；利用高斯概率模型，融合模塊將所述詞袋詞典模塊與所述深度學(xué)習(xí)檢測模塊檢測概率數(shù)據(jù)融合，獲得融合后的概率數(shù)據(jù)；判斷所述融合后的概率數(shù)據(jù)是否達到檢測要求。

作為本發(fā)明所述的一種基于深度學(xué)習(xí)的SLAM回環(huán)檢測方法的一種優(yōu)選方案，其中：檢測所述回環(huán)候選幀之前具體包括，訓(xùn)練大量圖片數(shù)據(jù)獲取詞典；利用關(guān)鍵幀數(shù)據(jù)庫找出與當前幀有公共單詞的關(guān)鍵幀；累加與所述當前幀相同單詞個數(shù)，并設(shè)置80％為最大共有所述單詞數(shù)量設(shè)定值。

作為本發(fā)明所述的一種基于深度學(xué)習(xí)的SLAM回環(huán)檢測方法的一種優(yōu)選方案，其中：檢測所述回環(huán)候選幀還包括，將所述設(shè)定值作為檢測閾值；利用所述檢測閾值篩選所述關(guān)鍵幀；利用所述詞典獲取值大于所述檢測閾值，獲得所述回環(huán)候選幀，并把所述回環(huán)候選幀與所述檢測幀送入所述深度學(xué)習(xí)檢測模塊中。

作為本發(fā)明所述的一種基于深度學(xué)習(xí)的SLAM回環(huán)檢測方法的一種優(yōu)選方案，其中：所述深度學(xué)習(xí)檢測模塊檢測識別包括，利用開源YOLO算法檢測所述當前幀與所述回環(huán)候選幀中是否有同一物體。

作為本發(fā)明所述的一種基于深度學(xué)習(xí)的SLAM回環(huán)檢測方法的一種優(yōu)選方案，其中：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(diào)整物體精確邊框，完成檢測和定位。