[發(fā)明專(zhuān)利]一種基于自編碼器的回環(huán)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210158768.6
• 申請(qǐng)日: 2022-02-21
• 公開(kāi)（公告）號(hào): CN114565671A
• 公開(kāi)（公告）日: 2022-05-31
• 發(fā)明（設(shè)計(jì)）人: 王磊;王宏偉;張建;石巖;張寶昌
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京航空航天大學(xué)
• 主分類(lèi)號(hào): G06T7/73
• 分類(lèi)號(hào): G06T7/73;G06T9/00;G06K9/62;G06V10/74;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京卓特專(zhuān)利代理事務(wù)所(普通合伙) 11572
• 代理人: 段旺;田冰

本申請(qǐng)?zhí)峁┝艘环N基于自編碼器的回環(huán)檢測(cè)方法。所提供的基于自編碼器的回環(huán)檢測(cè)方法，包括：在訓(xùn)練場(chǎng)景中采集第一多個(gè)圖像，從所述第一多個(gè)圖像生成訓(xùn)練樣本訓(xùn)練所述自編碼器；在回環(huán)檢測(cè)場(chǎng)景中采集第二多個(gè)圖像，對(duì)所述第二多個(gè)圖像的每個(gè)提取ORB特征點(diǎn)與特征點(diǎn)圖像塊；用經(jīng)訓(xùn)練的所述自編碼器處理從所述第二多個(gè)圖像的每個(gè)提取的特征點(diǎn)圖像塊，將所述自編碼器的隱藏層輸出作為提供給所述自編碼器的特征點(diǎn)圖像塊的特征向量；計(jì)算第一圖像的同所述第二多個(gè)圖像的特征向量的相似度來(lái)識(shí)別回環(huán)。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，具體是涉及一種基于自編碼器的回環(huán) 檢測(cè)方案。

背景技術(shù)

室外環(huán)境可以用GPS進(jìn)行定位，成本較低且精度高，但是在室內(nèi)無(wú)GPS 信號(hào)或者GPS信號(hào)較弱的條件下則需要通過(guò)其他方式來(lái)實(shí)現(xiàn)定位。對(duì)于機(jī)器 人和無(wú)人機(jī)來(lái)說(shuō)，在探索未知環(huán)境的時(shí)候，需要同時(shí)解決自身定位和外界感 知兩個(gè)問(wèn)題。像這樣一邊估計(jì)主體自身位置，一邊建立周?chē)h(huán)境的模型的方 式叫做同時(shí)定位與建圖(SimultaneousLocalization and Mapping)，簡(jiǎn)稱(chēng)SLAM 技術(shù)。在SLAM技術(shù)中常用的傳感器有激光雷達(dá)和相機(jī)，并依此分為激光 SLAM和視覺(jué)SLAM。經(jīng)典視覺(jué)SLAM由五個(gè)模塊組成。

作為SLAM技術(shù)框架的一部分(參看圖1)，回環(huán)檢測(cè)可以讓主體識(shí)別 出來(lái)曾經(jīng)到達(dá)過(guò)的地點(diǎn)，從而消除回環(huán)過(guò)程中產(chǎn)生的累積誤差。傳統(tǒng)的視覺(jué) SLAM中回環(huán)檢測(cè)時(shí)利用詞袋模型的方法比較圖像的相似性來(lái)確定主體是否 到達(dá)同一位置。但是在基于詞袋模型的特征提取中，所提取的特征全為人為 設(shè)計(jì),對(duì)圖像中的信息利用率不高，泛化性能較差。而近年來(lái)，隨著深度學(xué)習(xí) 在圖像領(lǐng)域取得的巨大成功，研究者開(kāi)始嘗試?yán)镁矸e神經(jīng)網(wǎng)絡(luò)來(lái)解決回環(huán) 檢測(cè)問(wèn)題，因?yàn)閺木矸e神經(jīng)網(wǎng)絡(luò)中提取的圖像特征較人為設(shè)計(jì)的特征有著更 好的表現(xiàn)。但是，如果訓(xùn)練一個(gè)新的卷積神經(jīng)網(wǎng)絡(luò)需要構(gòu)建相關(guān)的數(shù)據(jù)集， 然而有標(biāo)注的數(shù)據(jù)集構(gòu)建，需要耗費(fèi)大量的人力、物力，因此在此提出一種 基于無(wú)監(jiān)督自編碼器的室內(nèi)環(huán)境回環(huán)檢測(cè)方法。

發(fā)明內(nèi)容

本發(fā)明的一個(gè)目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提出了一種新的基 于自編碼器的回環(huán)檢測(cè)方法。相較于傳統(tǒng)的詞袋模型的方法，自編碼器提取 的特征具有更好的表現(xiàn)，能夠提高回環(huán)檢測(cè)算法的準(zhǔn)確率。同時(shí)，自編碼器 通過(guò)重建輸入的方式進(jìn)行訓(xùn)練，不需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)注，可以大大節(jié)省人力 成本。

根據(jù)本申請(qǐng)的第一方面，提供了基于無(wú)監(jiān)督自編碼器的回環(huán)檢測(cè)方法， 包括：在訓(xùn)練場(chǎng)景中采集第一多個(gè)圖像，從所述第一多個(gè)圖像生成訓(xùn)練樣本 訓(xùn)練所述自編碼器，所述自編碼器的神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層與輸出層； 在回環(huán)檢測(cè)場(chǎng)景中采集第二多個(gè)圖像，對(duì)所述第二多個(gè)圖像的每個(gè)提取ORB 特征點(diǎn)與特征點(diǎn)圖像塊；用經(jīng)訓(xùn)練的所述自編碼器處理從所述第二多個(gè)圖像 的每個(gè)提取的特征點(diǎn)圖像塊，將所述自編碼器的隱藏層輸出作為提供給所述 自編碼器的特征點(diǎn)圖像塊的特征向量；對(duì)所述第二多個(gè)圖像中的第一圖像， 計(jì)算第一圖像的同所述第二多個(gè)圖像的一個(gè)或多個(gè)圖像的特征向量的相似度； 若所述第一圖像同所述第二多個(gè)圖像中除所述第一圖像之外的圖像的特征向 量的相似度大于指定閾值，則識(shí)別出回環(huán)。

根據(jù)本申請(qǐng)的第二方面，提供了信息處理設(shè)備，包括存儲(chǔ)器、處理器及 存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的程序，其特征在于，所述處理器執(zhí)行 所述程序時(shí)實(shí)現(xiàn)根據(jù)本申請(qǐng)第一方面的基于無(wú)監(jiān)督自編碼器的回環(huán)檢測(cè)方法。

附圖說(shuō)明

為了更清楚地說(shuō)明本申請(qǐng)實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí) 施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面 描述中的附圖僅僅是本申請(qǐng)中記載的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員 來(lái)講，還可以根據(jù)這些附圖獲得其他的附圖。

圖1展示了經(jīng)典視覺(jué)SLAM技術(shù)的框架圖；

圖2是根據(jù)本申請(qǐng)實(shí)施例的回環(huán)檢測(cè)方法的流程圖。

具體實(shí)施方式