The invention discloses an image cloud computing method based on online deep learning SLAM, which includes the following steps: acquiring image data and storing it; extracting key frames for uploading; constructing data sets from image data and training them to obtain optimal convolution neural network parameters; extracting real-time image feature points for recognition and identifying adjacent frames. Image feature points are matched; image feature points are iterated to get the best matching transformation matrix, which is corrected by position and attitude information to get the camera pose transformation; optimal position and attitude estimation is obtained by registration of point cloud data and position and attitude information; and position and attitude information is transformed into a coordinate system by matrix transformation to get the location and attitude information. The method parallelizes image processing, in-depth learning training and SLAM using cloud computing technology to improve the efficiency and accuracy of image processing, positioning and mapping.
【技术实现步骤摘要】
一种基于在线深度学习SLAM的图像云计算方法及系统
本专利技术涉及图像处理研究领域，特别涉及一种基于在线深度学习SLAM的图像云计算方法及系统。
技术介绍
目前，随着移动机器人的发展，人们对其的需求也逐渐增加，如：无人驾驶、扫地机器人、3D打印、刑侦现场记录等方面，极大的方便了人们的生活，但同时也出现了一些新的问题。现有技术中，由于存在传感器精度低、计算量大等问题，会花费大量时间，而且不够完善，效果也不是很理想，基于三维视觉的SLAM的发展受到了一定的阻力。近年来，深度学习发展迅猛，在棋类博弈和一些模拟游戏中取得了很好的成绩。云计算的出现使得大数据的采集与分析成为可能，深度学习作为机器学习领域一个重要发展方向，也将影响人工智能等其他领域。
技术实现思路
本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于在线深度学习SLAM的图像云计算方法。本专利技术的另一目的是提供一种基于在线深度学习SLAM的图像云计算系统。本专利技术的目的通过以下的技术方案实现：一种基于在线深度学习SLAM的图像云计算方法，包括以下步骤：S1、采集图像数据，并将图像数据存储在存储器中；...
【技术保护点】
1.一种基于在线深度学习SLAM的图像云计算方法，其特征在于，包括以下步骤：S1、采集图像数据，并将图像数据存储在存储器中；S2、对存储器中的图像数据提取关键帧，将关键帧上传至云计算平台；S3、将云计算平台上的历史数据构建数据集，利用MapReduce训练卷积神经网络对数据集进行训练，得到最优卷积神经网络参数；S4、用最优卷积神经网络参数对实时数据进行实时分析，即在云计算平台上提取实时获取图像的实时关键帧作为Storm的输入源，利用最优卷积神经网络参数，提取图像特征点，对每帧图像特征点进行识别，对相邻帧图像进行特征点匹配；S5、利用RANSAC算法进行图像特征点筛选，通过迭...
【技术特征摘要】
1.一种基于在线深度学习SLAM的图像云计算方法，其特征在于，包括以下步骤：S1、采集图像数据，并将图像数据存储在存储器中；S2、对存储器中的图像数据提取关键帧，将关键帧上传至云计算平台；S3、将云计算平台上的历史数据构建数据集，利用MapReduce训练卷积神经网络对数据集进行训练，得到最优卷积神经网络参数；S4、用最优卷积神经网络参数对实时数据进行实时分析，即在云计算平台上提取实时获取图像的实时关键帧作为Storm的输入源，利用最优卷积神经网络参数，提取图像特征点，对每帧图像特征点进行识别，对相邻帧图像进行特征点匹配；S5、利用RANSAC算法进行图像特征点筛选，通过迭代，计算出最佳匹配变换矩阵，同时利用惯性测量单元IMU提供的位姿信息进行纠正，得到图像处理后计算得到的位姿信息；S6、利用算法ICP通过点云数据的配准，改善初始位位姿估计的效果，同时利用惯性测量单元IMU提供的位姿信息，当图像处理后计算得到的位姿信息与IMU测量位姿信息相差小于阈值时，将两者进行1比1的加权平均；当图像处理后计算得到的位姿信息与IMU测量位姿信息相差大于阈值时，两者数据进行扩展卡尔曼滤波优化，得到最优位姿估计；根据最优位姿估计，物体实现自主定位和自主导航；S7、通过矩阵变换将位姿信息变换到一个坐标系下，进而得到该场景的地图信息；将精度精度不足，即误差大于M的区域实时反馈到云计算平台，从图像数据采集层获取二次关键帧，并重复步骤S4至步骤S7；S8、创建不同面向问题的视图，服务层通过对数据实时层数据和图像批处理层数据进行处理，通过可视化的方式将结果传递到客户端，同时根据实时采集的数据进行在线调整。2.根据权利要求1所述的一种基于在线深度学习SLAM的图像云计算方法，其特征在于，在步骤S1中，所述图像数据包括RGBD图像和深度图像；所述图像采集，通过图像数据采集层利用流媒体服务器的图像流，将拍摄的图像数据存储到存储系统中。3.根据权利要求1所述的一种基于在线深度学习SLAM的图像云计算方法，其特征在于，在步骤S3中，所述MapReduce训练卷积神经网络对数据集进行训练，具体为：输入阶段：将待处理数据分割成固定大小片段，再将每个片段进一步分解成键值对；Map阶段：每个Map任务用map函数处理一个片段，并将生成的中间数据进行保存；Reduce阶段：根据Map阶段产生的中间数据，调用reduce函数进行处理，得到最优卷积神经网络参数；输出阶段：将最优卷积神经网络参数输出；在训练过程中，使用梯度下降法，根据损失函数比较当前网络的预测值和目标值，再根据预测值和目标值的差异情况来更新每一层的权重矩阵；如果网络的预测值比目标值高，则调整权重让它预测值降低，不断调整，直到能够预测出目标值，此时即为最优卷积神经网络参数；所述卷积神经网络包括三个部分：第一部分为输出层；第二部分为多个卷积层和池化层组合；第三部分为全结构的多层感知机分类器构成；所述卷积层，一个卷积层包含多个特征平面的神经元共享权值，即卷积核；所述卷积核以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值；训练卷积神经网络时，随机赋值初始权重和偏置，即网络自动习得。4.根据权利要求1所述的一种基于在线深度学习SLAM的图像云计算方法，其特征在于，在步骤S4中，所述优卷积神经网络实时分析具体如下：卷积神经网络输入层输入图片，保持空间结构信息；卷积神经网络卷积层从输入层提取特征映射，对应一个特定图案；卷积神经网络函数激活层把像素负值设置为0，给网络引入非线性；卷积神经网络Max-pooling层采样修订特征映射；卷积神经网络全连接层则学习特征非线性组合，实施分类；所述识别过程具体如下：Y1、利用卷积神经网络提取图像的特征；Y2、计算出卷积神经网络各层特征经过多层传递产生的残差；如果下一层为采样层的卷积层的残差：假设第l层是卷积层，第l+1层为子采样层，则第l层的第j个featuremap的残差用公...
【专利技术属性】
技术研发人员：李迪，楚英，王世勇，杨啸，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。