机器人回环检测方法和装置制造方法及图纸

本发明专利技术提出一种机器人回环检测方法和装置，其中，方法包括：获取机器人采集的当前图像，并将当前图像输入至稠密连接的卷积神经网络DenseNet，得到全局特征；其中，稠密连接的卷积神经网络DenseNet由多层稠密块组成，每层稠密块与其他层稠密块以前馈方式进行连接；根据特征映射解耦算法，对全局特征进行解耦，得到局部特征；根据加权局部特征聚合描述符编码算法，对局部特征进行编码处理，得到编码结果；计算编码结果对应的第一局部敏感哈希值，并根据第一局部敏感哈希值，确定与当前图像相似的目标图像。该方法能够实现提升机器人进行回环检测时抵抗视角、光照、季节等变换的鲁棒性，同时，提高了对包含相似的纹理或者相似的表面特征的不同场景的识别能力。

Robot Loop Detection Method and Device

The present invention provides a method and device for robot loop detection, which includes: acquiring the current image collected by the robot and inputting the current image into densely connected convolutional neural network DenseNet to obtain global features; densely connected convolutional neural network DenseNet consists of multi-layer dense blocks, each layer dense block feeds forward with other layers dense blocks. Connection; decoupling global features according to feature mapping decoupling algorithm to get local features; encoding local features according to weighted local feature aggregation descriptor encoding algorithm to get the encoding results; calculating the first local sensitive hash value corresponding to the encoding results, and determining the target image similar to the current image according to the first local sensitive hash value. This method can enhance the robustness of the robot against the change of view angle, illumination, season and so on. At the same time, it can improve the recognition ability of different scenes containing similar texture or similar surface features.

【技术实现步骤摘要】
机器人回环检测方法和装置
本专利技术涉及图像处理
，尤其涉及一种机器人回环检测方法和装置。
技术介绍
随着人工智能技术的不断发展，机器人不断普及。目前，对于可移动的机器人而言，视觉地点识别是重定位或者回环检测中的一个重要部分，如果机器人能够判别出当前场景与之前看过的场景为同一场景，那么机器人就可以利用这些信息来进行重新定位，纠正之前即时定位与地图构建(SimultaneousLocalizationandMapping,简称SLAM)系统累积的历史误差。然而，由于光线、季节、视角等因素的影响，可能造成相同的场景在不同的时间，具有不同的特征，并且，两个不同的场景也可能因为包含相似的纹理或者相似的表面特征，从而造成机器人误识别的情况。如果回环检测判断错误，尤其是将非回环判定为回环，将会破坏SLAM系统的全局优化过程，严重时可能导致整个系统崩溃。现有技术中，通过词袋模型(BagofWords，简称BoWs)将图像的局部特征的描述符作为视觉词，来解决上述回环检测存在的误识别的情况。然而，词袋模型中的特征为人工设计的，较难识别环境光线变化的场景以及具有相似纹理的场景。
技术实现思路
本专利技术提出一种机器人回环检测方法和装置，以实现准确识别当前图像中的场景是否为机器人之前走过的场景，提升回环检测的准确性，从而纠正SLAM系统累积的历史误差。并且，基于局部敏感哈希算法，确定与当前图像相似的目标图像，可以提升计算的实时性，从而提升回环检测的实时性。此外，还可以提升机器人进行回环检测时抵抗视角、光照、季节等变换的鲁棒性，同时，提高了对包含相似的纹理或者相似的表面特征的不同场景的识别能力，用于解决现有技术中的词袋模型较难识别环境光线变化的场景以及具有相似纹理的场景技术问题。本专利技术第一方面实施例提出了一种机器人回环检测方法，包括：获取机器人采集的当前图像，并将所述当前图像输入至稠密连接的卷积神经网络DenseNet，得到全局特征；其中，所述稠密连接的卷积神经网络DenseNet由多层稠密块组成，每层稠密块与其他层稠密块以前馈方式进行连接；根据特征映射解耦算法，对所述全局特征进行解耦，得到局部特征；根据加权局部特征聚合描述符编码算法，对所述局部特征进行编码处理，得到编码结果；计算所述编码结果对应的第一局部敏感哈希值，并根据所述第一局部敏感哈希值，确定与所述当前图像相似的目标图像，其中，所述目标图像为机器人在移动过程中采集的，或者为机器人本地存储的。本专利技术实施例的机器人回环检测方法，通过获取机器人采集的当前图像，并将当前图像输入至稠密连接的卷积神经网络DenseNet，得到全局特征，而后，根据特征映射解耦算法，对全局特征进行解耦，得到局部特征，之后，根据加权局部特征聚合描述符编码算法，对局部特征进行编码处理，得到编码结果，最后，计算编码结果对应的第一局部敏感哈希值，并根据第一局部敏感哈希值，确定与当前图像相似的目标图像。由此，可以准确识别当前图像中的场景是否为机器人之前走过的场景，提升回环检测的准确性，从而纠正SLAM系统累积的历史误差。并且，基于局部敏感哈希算法，确定与当前图像相似的目标图像，可以提升计算的实时性，从而提升回环检测的实时性。此外，还可以提升机器人进行回环检测时抵抗视角、光照、季节等变换的鲁棒性，同时，提高了对包含相似的纹理或者相似的表面特征的不同场景的识别能力。本专利技术第二方面实施例提出了一种机器人回环检测装置，包括：采集模块，用于获取机器人采集的当前图像，并将所述当前图像输入至稠密连接的卷积神经网络DenseNet，得到全局特征；其中，所述稠密连接的卷积神经网络DenseNet由多层稠密块组成，每层稠密块与其他层稠密块以前馈方式进行连接；解耦模块，用于根据特征映射解耦算法，对所述全局特征进行解耦，得到局部特征；编码模块，用于根据加权局部特征聚合描述符编码算法，对所述局部特征进行编码处理，得到编码结果；决策模块，用于计算所述编码结果对应的第一局部敏感哈希值，并根据所述第一局部敏感哈希值，确定与所述当前图像相似的目标图像，其中，所述目标图像为机器人在移动过程中采集的，或者为机器人本地存储的。本专利技术实施例的机器人回环检测装置，通过获取机器人采集的当前图像，并将当前图像输入至稠密连接的卷积神经网络DenseNet，得到全局特征，而后，根据特征映射解耦算法，对全局特征进行解耦，得到局部特征，之后，根据加权局部特征聚合描述符编码算法，对局部特征进行编码处理，得到编码结果，最后，计算编码结果对应的第一局部敏感哈希值，并根据第一局部敏感哈希值，确定与当前图像相似的目标图像。由此，可以准确识别当前图像中的场景是否为机器人之前走过的场景，提升回环检测的准确性，从而纠正SLAM系统累积的历史误差。并且，基于局部敏感哈希算法，确定与当前图像相似的目标图像，可以提升计算的实时性，从而提升回环检测的实时性。此外，还可以提升机器人进行回环检测时抵抗视角、光照、季节等变换的鲁棒性，同时，提高了对包含相似的纹理或者相似的表面特征的不同场景的识别能力。本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本专利技术实施例一所提供的机器人回环检测方法的流程示意图；图2为本专利技术实施例中DenseNet的结构示意图；图3为本专利技术实施例中检测结果示意图一；图4为本专利技术实施例中检测结果示意图二；图5为本专利技术实施例二所提供的机器人回环检测方法的流程示意图；图6为本专利技术实施例中全局特征的解耦过程示意图；图7为本专利技术实施例三所提供的机器人回环检测方法的流程示意图；图8为本专利技术实施例中局部特征的编码过程示意图；图9为本专利技术实施例四所提供的机器人回环检测方法的流程示意图；图10为本专利技术实施例中数据集回环检测的真值和检测结果的比较示意图；图11为本专利技术实施例中深度网络对比实验精度-召回率曲线示意图；图12为本专利技术实施例中数据集对比实验欧式距离示意图；图13为本专利技术实施例中编码方式对比实验精度-召回率曲线示意图；图14为本专利技术实施例五所提供的机器人回环检测装置的结构示意图；图15为本专利技术实施例六所提供的机器人回环检测装置的结构示意图。具体实施方式下面详细描述本专利技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。本专利技术主要针对现有技术中词袋模型较难识别环境光线变化的场景以及具有相似纹理的场景的技术问题，提出一种机器人回环检测方法。本专利技术实施例的机器人回环检测方法，通过获取机器人采集的当前图像，并将当前图像输入至稠密连接的卷积神经网络DenseNet，得到全局特征，而后，根据特征映射解耦算法，对全局特征进行解耦，得到局部特征，之后，根据加权局部特征聚合描述符编码算法，对局部特征进行编码处理，得到编码结果，最后，计算编码结果对应的第一局部敏感哈希值，并根据第一局部敏感哈希值，确定与当前图像相似的目标图像。由此，可以准确识别当前图像中的场景是否为机器人之前走过的场景，本文档来自技高网...

【技术保护点】
1.一种机器人回环检测方法，其特征在于，包括：获取机器人采集的当前图像，并将所述当前图像输入至稠密连接的卷积神经网络DenseNet，得到全局特征；其中，所述稠密连接的卷积神经网络DenseNet由多层稠密块组成，每层稠密块与其他层稠密块以前馈方式进行连接；根据特征映射解耦算法，对所述全局特征进行解耦，得到局部特征；根据加权局部特征聚合描述符编码算法，对所述局部特征进行编码处理，得到编码结果；计算所述编码结果对应的第一局部敏感哈希值，并根据所述第一局部敏感哈希值，确定与所述当前图像相似的目标图像，其中，所述目标图像为所述机器人在移动过程中采集的，或者为所述机器人本地存储的。

【技术特征摘要】
1.一种机器人回环检测方法，其特征在于，包括：获取机器人采集的当前图像，并将所述当前图像输入至稠密连接的卷积神经网络DenseNet，得到全局特征；其中，所述稠密连接的卷积神经网络DenseNet由多层稠密块组成，每层稠密块与其他层稠密块以前馈方式进行连接；根据特征映射解耦算法，对所述全局特征进行解耦，得到局部特征；根据加权局部特征聚合描述符编码算法，对所述局部特征进行编码处理，得到编码结果；计算所述编码结果对应的第一局部敏感哈希值，并根据所述第一局部敏感哈希值，确定与所述当前图像相似的目标图像，其中，所述目标图像为所述机器人在移动过程中采集的，或者为所述机器人本地存储的。2.如权利要求1所述的方法，其特征在于，所述根据特征映射解耦算法，对所述初始图像特征进行解耦，得到局部图像特征之后，所述方法还包括：根据最大池化算法，对所述局部特征进行池化处理，以降低所述局部特征包括的通道数。3.如权利要求1所述的方法，所述根据所述第一局部敏感哈希值，确定与所述当前图像相似的目标图像，包括：计算所述第一局部敏感哈希值与预设的哈希表中各第二局部敏感哈希值的相似度；其中，所述哈希表是在计算所述机器人采集的历史图像对应的第二局部敏感哈希值后，将所述第二局部敏感哈希值和所述历史图像对应存储得到的；判断是否存在一个相似度大于或者等于预设阈值；若存在至少一个相似度大于预设阈值，则根据最大相似度，确定目标图像。4.如权利要求3所述的方法，其特征在于，所述方法还包括：若所有的相似度均小于预设阈值，则确定未存在与所述当前图像相似的目标图像。5.如权利要求1所述的方法，其特征在于，所述根据加权局部特征聚合描述符编码算法，对所述局部特征进行编码处理，得到编码结果，包括：计算所述局部特征的加权特征图和加权通道向量；根据所述加权特征图和所述加权通道向量，计算目标特征图；根据局部特征聚合描述符编码算法，对所述目标特征图对应的二维局部描述子进行编码处理，得...

【专利技术属性】
技术研发人员：刘辛军，于超，乔飞，谢福贵，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11