一种基于词袋树群模型的机器人定位和导航方法技术

本发明专利技术公开一种基于词袋树群模型的机器人定位和导航方法。该方法为：1)输入长时间的包含低动态室内场景变化的视频流；2)从视频流图像中离线抽取特征；3)对得到的特征通过k‑means++算法进行聚类；4)对聚类得到的子空间进行迭代聚类；5)对迭代聚类后的特征建立词袋树模型；6)建立词袋树群模型；7)通过统计原理对低动态物体的运动规律进行统计；8)根据词袋树群模型，利用所述运动规律分析确定当前时刻对应的词袋树模型；9)将确定的词袋树模型用于回环检测，实现机器人在低动态环境下的定位和导航。本发明专利技术能够在避免使用昂贵的激光传感器情况下，低成本地实现机器人在室内等低动态环境下长时间自主定位和导航。

【技术实现步骤摘要】
一种基于词袋树群模型的机器人定位和导航方法
本专利技术属于机器人自主定位与导航和机器人视觉
，具体涉及一种基于词袋模型的机器人定位和导航方法；通过基于时间构建词袋树群模型，在低动态环境下基于概率估计模型对词袋模型树进行选择，词袋树群模型能够为长时间的室内同步定位和建图机器人的回环检测提供依赖。
技术介绍
机器人自主定位和导航是一门交叉学科，近十几年来，机器人自主定位和导航以及机器人视觉已经有了很大的进步。尽管机器人视觉在特定的场景和数据库中已经达到高的精度，也有一部分的服务机器人走进生活，但是机器人视觉在机器人的自主导航与定位的应用也只在近几年才得以运用，在实现机器人自主视觉定位和导航的问题上还没有很好的解决，特别是机器人应对动态复杂场景和长时间的定位和导航方面仍然需要很大的努力。目前并没有很多针对低动态环境下的机器人长时间视觉定位和导航的方法，基本上所有的方法都是针对提高特征提取算子的鲁棒性，虽然现在的Scale-invariantfeaturetransform(SIFT)[1]的算子鲁棒性很好，但是需要使用GPU加速，ORientedBrief(ORB)[2]特征提取算子效果较好并且速度较快，但是也仍然不能在实际使用中实现长时间的定位和导航。其中SIFT见文献“D.G.Lowe,Distinctiveimagefeaturesfromscale-invariantkeypoints,InternationalJournalofComputerVision,vol.60,no.2,pp.91–110,2004.”，ORB见文献“E.Rublee,V.Rabaud,K.Konolige,andG.Bradski,ORB:anefficientalternativetoSIFTorSURF,inIEEEInternationalConferenceonComputerVision(ICCV),Barcelona,Spain,November2011,pp.2564–2571.”。目前，市场上能比较好的应用在服务机器人上的方案是使用激光传感器，这种方案在使用二维激光的情况下能获取环境的二维平面结构。激光传感器不受光照的影响，同时更加高效，也不需要性能很高的处理器，嵌入式的芯片就能满足这种计算需求。但是激光传感器的价格非常昂贵，并且不能处理黑色吸收光的物质或者黑色的环境；不能处理玻璃等会改变激光传播路径的透明物质的建模；抖动对建图的影响非常大。所以使用价格低廉的视觉传感器开发低成本同时能实现长时间定位和导航的方案非常有必要性。
技术实现思路
针对现有技术存在的技术问题，本专利技术的目的是提供一种基于词袋树群模型的机器人定位和导航方法，能够使用价格低廉的视觉传感器实现机器人的长时间定位和导航。本专利技术采用的技术方案如下：一种基于词袋树群模型的机器人定位和导航方法，包括以下步骤：1)输入长时间的包含低动态室内场景变化的视频流；2)从视频流图像中离线抽取特征；3)对得到的特征通过k-means++算法进行聚类；4)对聚类得到的子空间进行迭代聚类；5)对迭代聚类后的特征建立词袋树模型；6)每隔一定时间保存建立的词袋树模型，拷贝后继续更新，得到词袋树群模型；7)通过统计原理对低动态物体的运动规律进行统计；8)根据步骤6)得到的词袋树群模型，利用所述运动规律分析确定当前时刻对应的词袋树模型；9)将步骤8)确定的词袋树模型用于回环检测，实现机器人在低动态环境下的定位和导航。进一步地，步骤5)对词袋树模型中的每个特征，保存其正向索引和反向索引。进一步地，所述正向索引中包含每一帧图像的特征以及该特征所在树的父节点，所述反向索引存储每一个特征所在的图像的序号以及在该图像中所占的比重，其值为词频与反向文本频率的乘积。进一步地，步骤6)间隔一定时间后保存已经建立的树模型，并且复制上一个树模型，对这个复制的树模型进行更新，直到间隔时间到或者已经出现运动重复，从而构建词袋树群模型。进一步地，步骤8)根据所述运动规律得出三个概率最大的词袋树模型，并依次将此时通过环境获得的特征向量与三个概率最大的词袋树模型中的特征分别进行匹配。进一步地，在所述匹配过程中，通过反向索引快速定位到所需要比较的相似图像，通过正向索引快速检查图像中的特征。进一步地，步骤9)中，成功匹配树模型后，则将所述树模型作为机器人定位与回环检测的数据库，并利用新得到的图像不断更新。本专利技术的有益效果如下：本专利技术使用价格低廉的视觉传感器，通过图像处理技术将图片转化为特征向量存储在词袋树模型的树结构中，利用概率模型选择对应状态下的词袋树来进行定位与导航系统中的回环检测部分，最后实现机器人在室内等低动态环境下自主定位和导航。本专利技术避免了使用昂贵的激光传感器，以及激光带来的问题，同时弥补了现有的特征提取算子的缺点。附图说明图1.词袋树群构建流程图。图2.基于状态选择的词袋树群模型使用流程图。图3.基于状态选择的词袋树群模型图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面通过具体实施例和附图，对本专利技术做进一步说明。1.基于DBoW2的词袋树群模型建立DBoW2(参考文献：Galvez-LópezD,TardosJD.BagsofBinaryWordsforFastPlaceRecognitioninImageSequences[J].IEEETransactionsonRobotics,2012,28(5):1188-1197.)将图像进行结构化描述。DBoW2思想是将图像特征整合成视觉单词，将图像特征空间转化成离散的视觉字典，并用树的结构存储视觉单词，加快特征以及相似图像的检索。将新的图像特征映射到视觉字典中最近邻视觉字典，再通过计算视觉字典间的距离计算图像的相似度，从而完成识别、图像分类、检索等任务。本专利技术的基于DBoW2的词袋树群是基于DBoW2的原理建立多个树形结构用于存储不同时间或者不同状态的环境特征，以应对复杂多变的环境。词袋树群的具体构建过程如图1所示，包括以下步骤：a)从训练图像中离线提取ORB特征；b)将抽取的特征用k-means++算法聚类，将描述子空间划分成K类；c)将划分的每个描述子空间，继续利用k-means++算法做聚类；d)按照上述循环，将描述子建立成树形结构tree1；e)在经过设定时间T后，保存tree1树，并映射出树形结构，并命名tree2用于更新；f)重复上述操作，优化树群存储空间，直到环境重复，树群treeN构建完成。图3为基于状态选择的词袋树群模型示意图，其中tree1～treeN表示形成的N个树形结构，Directindeximage表示直接图像索引，用来记录树中保存的图像序号，Node表示树中的节点，Feature表示节点下存储的特征的值，反向索引中V＝0.79表示特征在对应图像中所占的比重。2.基于状态选择的词袋树使用方法针对已经建好的词袋树群，其包含了室内环境变化的多种状态，通过统计可以得到室内大部分低动态物体的运动规律，例如室内光照方向，门窗的开关以及家具的位置在一天中都符合一定的规律，以及人的活动都满足一定的时间规律，通过统计学原理对该规律进行分析，选择对应不同时间段的词袋树模型作为室内机器人的定位与导本文档来自技高网...

【技术保护点】
一种基于词袋树群模型的机器人定位和导航方法，其特征在于，包括以下步骤：1)输入长时间的包含低动态室内场景变化的视频流；2)从视频流图像中离线抽取特征；3)对得到的特征通过k‑means++算法进行聚类；4)对聚类得到的子空间进行迭代聚类；5)对迭代聚类后的特征建立词袋树模型；6)每隔一定时间保存建立的词袋树模型，拷贝后继续更新，得到词袋树群模型；7)通过统计原理对低动态物体的运动规律进行统计；8)根据步骤6)得到的词袋树群模型，利用所述运动规律分析确定当前时刻对应的词袋树模型；9)将步骤8)确定的词袋树模型用于回环检测，实现机器人在低动态环境下的定位和导航。

【技术特征摘要】
1.一种基于词袋树群模型的机器人定位和导航方法，其特征在于，包括以下步骤：1)输入长时间的包含低动态室内场景变化的视频流；2)从视频流图像中离线抽取特征；3)对得到的特征通过k-means++算法进行聚类；4)对聚类得到的子空间进行迭代聚类；5)对迭代聚类后的特征建立词袋树模型；6)每隔一定时间保存建立的词袋树模型，拷贝后继续更新，得到词袋树群模型；7)通过统计原理对低动态物体的运动规律进行统计；8)根据步骤6)得到的词袋树群模型，利用所述运动规律分析确定当前时刻对应的词袋树模型；9)将步骤8)确定的词袋树模型用于回环检测，实现机器人在低动态环境下的定位和导航。2.如权利要求1所述的方法，其特征在于，步骤5)对词袋树模型中的每个特征，保存其正向索引和反向索引。3.如权利要求2所述的方法，其特征在于，所述正向索引中包含每一帧图像的特征以及该特征所在树...

【专利技术属性】
技术研发人员：刘宏，金永庆，宋章军，张国栋，赵晨阳，吴观明，
申请(专利权)人：北京大学深圳研究生院，深圳市银星智能科技股份有限公司，
类型：发明
国别省市：广东,44