[發明專利]機器人視覺SLAM回環檢測方法、計算機設備及存儲介質

在審

• 申請號: 202110770369.0
• 申請日: 2021-07-07
• 公開（公告）號: CN113378788A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 陳琰;鐘洋;薛家駿;李嶺;蔡夢祥
• 申請（專利權）人: 華南農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣東廣信君達律師事務所 44329
• 代理人: 鄭婭敏

1.機器人視覺SLAM回環檢測方法，其特征在于，包括以下步驟：

S1、搭建神經網絡架構，定義為CAE+，其包括兩部分，第一部分采用開源的預訓練的輕量級深度學習模型，第二部分為包含A層的CNN網絡，將其定義為DEmodel，其中A的大小根據第一部分的輸出維度來選擇；

S2、將訓練集圖片裁剪后輸入到CAE+進行訓練，得到訓練后的CAE+模型；

S3、將搭載在移動機器人上的相機獲取到的當前圖片裁剪后輸入到訓練后的CAE+模型，得到全圖像級的CNN特征向量，并將該CNN特征向量用阿拉伯數字按照圖片獲取順序進行編號；

S4、對歷史圖像的CNN特征向量矩陣先進行歸一化然后執行奇異值分解，將最大的M個奇異值置零，重構CNN特征向量矩陣；

S5、計算當前圖像的CNN特征向量與奇異值分解后的歷史圖像的CNN特征向量的相似度，選擇相似度最高的前K個歷史圖像的CNN特征向量；

S6、在步驟S5選擇出的K個歷史圖像的CNN特征向量中找出編號連續的CNN特征向量，若有，則計算連續的CNN特征向量中所有向量與當前圖像的CNN特征向量的結構相似度平均值，并將結構相似度的平均值大于設定閾值的連續圖像視為與當前圖像構成回環，否則，表明當前圖像與歷史圖片不夠成回環，將當前圖像的CNN特征向量加入歷史圖像CNN特征向量矩陣，獲取新圖像，進行下一輪回環檢測。

2.根據權利要求1所述的機器人視覺SLAM回環檢測方法，其特征在于，所述步驟S1中，

預訓練的輕量級深度學習模型是在ImageNet大規模圖像數據集上預先訓練好并除去全連接層的網絡模型；

而DEmodel模型包含A層，其輸入和輸出大小均等于預訓練的深度學習模型的輸出，用以將輸入壓縮編碼為一個隱藏的空間表示。

3.根據權利要求1所述的機器人視覺SLAM回環檢測方法，其特征在于，所述步驟S2中，將訓練集圖片裁剪后輸入到CAE+進行訓練，得到訓練后的CAE+模型，過程包括：

S2-1、獲取預訓練的深度學習模型的最后一個卷積層的特征圖，所述特征圖維度為N×W×W,可視為N個大小為W×W的特征矩陣；

S2-2、訓練網絡，直到損失函數曲線不再下降或下降緩慢時停止訓練；訓練網絡的損失函數采用均方誤差損失函數，計算方法如下：

其中，Output₁表示預訓練的深度學習模型的輸出特征，Output₂表示DEmodel的輸出特征。

4.根據權利要求1所述的機器人視覺SLAM回環檢測方法，其特征在于，所述步驟S3中，所述全圖像級的CNN特征向量為DEmodel中間層輸出并展平為d維的向量，記為(X₁，X₂，...，X_d)，d的大小由DEmodel決定。

5.根據權利要求1所述的機器人視覺SLAM回環檢測方法，其特征在于，所述步驟S4中，對歷史圖像的CNN特征向量矩陣進行歸一化和奇異值分解，將最大的M個奇異值置零，重構CNN特征向量矩陣，包括：

S4-1、對歷史圖像的CNN特征向量矩陣中每一個向量進行L₂歸一化，即：

S4-2、定義歸一化后的CNN特征向量矩陣為CNNMatrix_m×n,m、n代表CNNMatrix_m×n的大小，對其進行奇異值分解，即：

CNNMatrix_m×n＝P∑Q^T

其中，矩陣P為CNNMatrix_m×n的左奇異向量，大小為m×m；矩陣∑的大小為m×n，位于對角線的元素稱為奇異值；矩陣Q為CNNMatrix_m×n的右奇異向量，大小為n×n；

S4-3、將矩陣∑的中最大的M個值置零，得到∑¹，繼而重構CNNMatrix_m×n，重構方法如下：

CNNMatrix_m×n＝P∑¹Q^T。