[發(fā)明專(zhuān)利]一種回環(huán)檢測(cè)方法、裝置及電子設(shè)備和存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011306240.6
• 申請(qǐng)日: 2020-11-19
• 公開(kāi)（公告）號(hào): CN112270384B
• 公開(kāi)（公告）日: 2023-06-13
• 發(fā)明（設(shè)計(jì)）人: 胡建兵
• 申請(qǐng)（專(zhuān)利權(quán)）人: 湖南國(guó)科微電子股份有限公司
• 主分類(lèi)號(hào): G06V10/74
• 分類(lèi)號(hào): G06V10/74;G06V10/44;G06V10/82;G06N3/0464
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 王曉坤

本申請(qǐng)公開(kāi)了一種回環(huán)檢測(cè)方法、裝置及電子設(shè)備和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該方法包括：獲取待檢測(cè)的多通道圖像，將多通道圖像輸入預(yù)先訓(xùn)練的CNN神經(jīng)網(wǎng)絡(luò)中，提取CNN神經(jīng)網(wǎng)絡(luò)預(yù)設(shè)層輸出的目標(biāo)特征圖和高維向量；若存在多通道圖像對(duì)應(yīng)的歷史關(guān)鍵幀，則確定歷史關(guān)鍵幀的歷史向量與當(dāng)前高維向量的余弦相似度；若余弦相似度大于第一閾值，則確定歷史關(guān)鍵幀對(duì)應(yīng)的歷史特征圖與目標(biāo)特征圖的匹配度；若匹配度大于第二閾值，則確定最終檢測(cè)結(jié)果為存在回環(huán)。本申請(qǐng)利用CNN神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)特征圖和高維向量的輸出，并結(jié)合特征圖和高維向量共同完成回環(huán)檢測(cè)確認(rèn)，避免了多幀匹配的過(guò)程，提升了回環(huán)檢測(cè)效率，且避免了存儲(chǔ)、遷移和匹配過(guò)程導(dǎo)致的資源浪費(fèi)。

技術(shù)領(lǐng)域

本申請(qǐng)涉及圖像處理技術(shù)領(lǐng)域，更具體地說(shuō)，涉及一種回環(huán)檢測(cè)方法、裝置及一種電子設(shè)備和一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

傳統(tǒng)的回環(huán)檢測(cè)方案，通常包括以下流程：將關(guān)鍵幀使用特征提取方法生成特征數(shù)據(jù)，采用一定的結(jié)構(gòu)模型對(duì)特征點(diǎn)進(jìn)行建模，例如生成樹(shù)、生成字典等，進(jìn)而對(duì)后續(xù)圖像進(jìn)行特征樹(shù)或特征字典的匹配，并進(jìn)行相似度比較。若同一關(guān)鍵幀有多幀確認(rèn)后，則更新回環(huán)檢測(cè)結(jié)果。

然而，上述傳統(tǒng)檢測(cè)方案中，不同的特征提取算子將會(huì)影響生成的查詢字典或特征樹(shù)的復(fù)雜度和內(nèi)存開(kāi)銷(xiāo)，且如果生成的字典規(guī)模較大，不利于存儲(chǔ)和遷移。而由于匹配時(shí)需要對(duì)大量的數(shù)據(jù)進(jìn)行比對(duì)，導(dǎo)致效率不高。

因此，如何解決上述問(wèn)題是本領(lǐng)域技術(shù)人員需要重點(diǎn)關(guān)注的。

發(fā)明內(nèi)容

本申請(qǐng)的目的在于提供一種回環(huán)檢測(cè)方法、裝置及一種電子設(shè)備和一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，提升了回環(huán)檢測(cè)效率，且避免了資源浪費(fèi)問(wèn)題。

為實(shí)現(xiàn)上述目的，本申請(qǐng)?zhí)峁┝艘环N回環(huán)檢測(cè)方法，包括：

獲取待檢測(cè)的多通道圖像，將所述多通道圖像輸入預(yù)先訓(xùn)練的CNN神經(jīng)網(wǎng)絡(luò)中，提取所述CNN神經(jīng)網(wǎng)絡(luò)預(yù)設(shè)層輸出的目標(biāo)特征圖和高維向量；

若存在所述多通道圖像對(duì)應(yīng)的歷史關(guān)鍵幀，則確定所述歷史關(guān)鍵幀的歷史向量與當(dāng)前所述高維向量的余弦相似度；

若所述余弦相似度大于第一閾值，則確定所述歷史關(guān)鍵幀對(duì)應(yīng)的歷史特征圖與所述目標(biāo)特征圖的匹配度；

若所述匹配度大于第二閾值，則確定最終檢測(cè)結(jié)果為存在回環(huán)。

可選的，所述確定所述歷史關(guān)鍵幀的歷史向量與當(dāng)前所述高維向量的余弦相似度之后，還包括：

若所述余弦相似度小于所述第一閾值，則確定初步檢測(cè)結(jié)果為不存在回環(huán)，并直接輸出所述初步檢測(cè)結(jié)果，禁止執(zhí)行所述確定所述歷史關(guān)鍵幀對(duì)應(yīng)的歷史特征圖與所述目標(biāo)特征圖的匹配度的過(guò)程；

若所述余弦相似度大于所述第一閾值，且所述匹配度小于所述第二閾值，則確定所述最終檢測(cè)結(jié)果為不存在回環(huán)。

可選的，所述將所述多通道圖像輸入預(yù)先訓(xùn)練的CNN神經(jīng)網(wǎng)絡(luò)中，提取所述CNN神經(jīng)網(wǎng)絡(luò)預(yù)設(shè)層輸出的目標(biāo)特征圖和高維向量之后，還包括：

將所述目標(biāo)特征圖和所述高維向量保存至預(yù)設(shè)存儲(chǔ)器，所述預(yù)設(shè)存儲(chǔ)器用于存儲(chǔ)歷史提取的特征圖和高維向量。

可選的，所述CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程包括：

獲取多通道圖像樣本，并對(duì)所述多通道圖像樣本進(jìn)行圖像增強(qiáng)處理；

利用增強(qiáng)處理后圖像樣本進(jìn)行CNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，得到用于提取特征圖和高維向量的CNN神經(jīng)網(wǎng)絡(luò)。

可選的，所述對(duì)所述多通道圖像樣本進(jìn)行圖像增強(qiáng)處理，包括：

利用隨機(jī)選取的圖像增強(qiáng)處理方式，對(duì)所述多通道圖像樣本進(jìn)行增強(qiáng)處理，得到增強(qiáng)處理后圖像樣本；其中，所述圖像增強(qiáng)處理方式包括光照增強(qiáng)處理、縮放增強(qiáng)處理、場(chǎng)景增強(qiáng)處理和噪聲增強(qiáng)處理。