[發明專利]基于卷積神經網絡多層特征融合的機器人閉環檢測方法

有效

• 申請號: 202010597702.8
• 申請日: 2020-06-28
• 公開（公告）號: CN111753752B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 胡章芳;馮淳一;羅元;劉家瑜;陳一鑫;李越豪
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶市恒信知識產權代理有限公司 50102
• 代理人: 陳棟梁

1.一種基于卷積神經網絡多層特征融合的閉環檢測方法，其特征在于，包括以下步驟：

S1、將移動機器人搭載的傳感器采集的當前位置圖像與歷史關鍵圖像進行縮放預處理，采用最鄰近插值算法對圖像進行縮放后輸入預訓練卷積神經網絡；

S2、利用卷積神經網絡作為特征提取器，選擇OverFeat網絡提取當前位置圖像與歷史關鍵圖像不同卷積層的特征圖；

S3、設計并建立淺層幾何特征與深層語義特征的融合模塊，淺層幾何特征與深層語義特征融合模塊用于對圖像更好的表征，將不同層特征進行加權融合；

S4、將融合特征進行L₂歸一化后采用主成分分析PCA降維處理；

S5、為檢測是否產生閉環，將當前位置圖像與歷史關鍵圖像的融合特征降維處理后進行相似性評分，得到最終閉環檢測的結果。

2.根據權利要求1所述的一種基于卷積神經網絡多層特征融合的閉環檢測方法，其特征在于，所述步驟S1將獲取到的當前位置圖像與歷史關鍵圖像進行最鄰近插值算法對圖像進行縮放預處理，歷史關鍵圖像指的是機器人之前訪問過的位置生成的關鍵圖，將圖像傳遞給預訓練卷積神經網絡，預訓練卷積神經網絡指的是本文選擇的OverFeat，需要先對網絡進行預先的學習訓練，學習后的網絡才能應用于圖像檢索，具體原始圖像尺寸為640×480，通過以下公式縮小為221×221：

式中W,H為原圖像的像素大小，w,h縮小后圖像的像素大小，假設縮小前的一個像素點為(X,Y)，縮小后的像素點為(x,y),因此縮放后像素點的像素值如下：

最鄰近插值算法使用的方法就是四舍五入法，式中表示為[.]。

3.根據權利要求1所述的一種基于卷積神經網絡多層特征融合的閉環檢測方法，其特征在于，所述步驟S2利用卷積神經網絡作為特征提取器，選擇OverFeat網絡提取圖像不同卷積層的特征圖，具體包括：

將圖像輸入給OverFeat網絡提取圖像不同卷積層的特征圖，OverFeat網絡由卷積層、最大池層、全連接層組成，并整流線性單元(ReLU)，對網絡進行修改，將全連接層改為卷積層，其卷積核大小為5×5，步長為1卷積核個數為4096，具體功能如下：

卷積層用于提取圖像的特征；最大池化層保持特征的位置和旋轉不變性以增強檢測的魯棒性；ReLU作為非線性激活函數，由下式表示：

ReLU(x)＝max(0,x)

ReLU的使用，使得網絡可以自行引入稀疏性，同時大大地提高了訓練速度；

訓練網絡參數設置：訓練的min-batchs選擇128，神經網絡學習是從訓練數據中選擇一批數據稱為min-batchs，小批量，然后對每個min-batchs進行學習；

權重初始化選擇高斯分布的隨機初始化：

(μ，σ²)＝(0.1×10^-2)

μ，σ分別表示高斯分布的期望值、標準差。采用隨機梯度下降法，進行優化更新，動量項參數大小選擇0.6，L₂權重衰減系數大小選擇10^-5次方，學習率η初始選擇0.05，隨著迭代次數的增加，η逐漸減小到0.01。