一种基于词袋模型的回环检测方法技术

本发明专利技术涉及一种基于词袋模型的回环检测方法。该词袋模型采用具有旋转不变性和尺度感知能力的二进制视觉特征ORB，这种视觉特征能够具有同SIFT特征和SURF特征相似的性能同时具有与由FAST关键点和BRIEF描述子构成的视觉特征相同的计算效率，是一种兼顾了低计算复杂度和高特征显著性的视觉特征。本发明专利技术采用依赖于该视觉特征的词袋模型，因而能够在具有平面旋转和尺度缩放的场景中有效的进行回环检测。同时改进了相似度分数的归一化方法，通过计算和保持一个归一化因子的均值并在归一化因子数值异常时代替该异常归一化因子执行归一化。这种归一化方法使得系统能够在主体运动过快或过慢以及发生转向的情况下有效的进行回环检测。

【技术实现步骤摘要】
一种基于词袋模型的回环检测方法
本专利技术涉及视觉SLAM领域，更具体地，涉及一种基于词袋模型的回环检测方法。
技术介绍
基于词袋模型的回环检测是当前视觉SLAM中的主流做法，词袋模型能够根据从图像中提取的视觉特征在视觉词典中的分布将图像转化为数值向量进而实现图像间快速有效的比较。词袋模型的表现依赖于它所采用的视觉特征，早期采用SIFT特征和SURF特征的做法在特征提取和匹配上消耗大量时间从而加剧了系统负担。在“D.Galvez-Lopez,andJ.D.Tardos,“Real-timeloopdetectionwithbagsofbinarywords,”IEEE/RSJInternationalConferenceonIntelligentRobotsandSystems,pp.51–58,2011”中采用了由FAST关键点和BRIEF描述子构成的视觉特征从而有效的克服了这种缺陷，但由于这种视觉特征缺乏旋转不变性和尺度不变性导致系统只能应用于平面相机运动场景而无法在具有平面旋转和尺度缩放的场景下有效工作。在基于词袋模型的回环检测中，使用相似度分数来反映图像之间的相似性，但是原始本文档来自技高网...

【技术保护点】
1.一种基于词袋模型的回环检测方法，其特征在于，包括以下步骤：S10.词袋模型向量转化：从系统所获取的图像中提取ORB视觉特征，根据ORB视觉特征在词袋模型视觉词典中的分布将图像转化为数值向量；S20.图像间相似度分数计算：依据当前图像和先前获取每幅图像的数值向量计算对应相似度分数；S30.相似度分数归一化：以当前图像同其前一幅图像间的相似度分数作为归一化因子对其他相似度分数致性归一化并计算归一化后的相似度分数η：

【技术特征摘要】
1.一种基于词袋模型的回环检测方法，其特征在于，包括以下步骤：S10.词袋模型向量转化：从系统所获取的图像中提取ORB视觉特征，根据ORB视觉特征在词袋模型视觉词典中的分布将图像转化为数值向量；S20.图像间相似度分数计算：依据当前图像和先前获取每幅图像的数值向量计算对应相似度分数；S30.相似度分数归一化：以当前图像同其前一幅图像间的相似度分数作为归一化因子对其他相似度分数致性归一化并计算归一化后的相似度分数η：其中，vc为当前图像，vr为参考图像；vc-Δt为与vc的上一幅图像，s(vc，vc-Δt)为当前图像同其上一幅图像间的相似度分数；s(vc，vr)为当前图像同参考图像间的相似度分数；S40.确定回环候选并分类：若归一化后的相似度分数η(vc，vr)达到给定阈值，可将图像vr作为当前图像vc的一个回环候选，再将相邻的回环候选组合到一起作为一类回环候选；S50.时间一致性验证：在时间一致性验证阶段，需验证一类回环候选是否在一段时间内持续的被检测到，若是则保留该类回环候选；若否则不保留该类回环候选；S60.几何一致性验证：在每类保留下来的回环候选中选取具有最大相似度分数的回环候选作为该类的代表进入几何一致性验证阶段，计算从当前图像对应相机坐标系到该回环候选对应相机坐标系的空间变换并验证其合理性，如果该空间变换合理，则该回环候选最终被确认为当前图像的真正回环。2.根据权利要求1所述的基于词袋模...

【专利技术属性】
技术研发人员：田浩辰，吴贺俊，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东,44