This application is applicable to the field of image processing technology, and provides a loop detection method, device, robot and computer readable storage medium for robots, including: acquiring the view image sequence of robots; extracting the image feature sequence of the view image sequence through the trained SDA network; and searching N nearest neighbors of each view image sequence in the created tree structure. The distance from each view image to N nearest neighbors is calculated. The tree structure stores the image features of the map in advance, and N is a positive integer; stores the distance from each view image to N nearest neighbors to the sparse difference matrix; searches the best matching position of each view image from N positions of the sparse difference matrix; if the distance between the best matching position searched and the position of the real loop is the distance. Within the preset offset distance, the view image sequence is determined as a loop. Through the above method, the robustness of loop detection can be improved for large angle changes and drastic environmental changes.
【技术实现步骤摘要】
机器人的回环检测方法、装置及机器人
本申请属于图像处理
,尤其涉及机器人的回环检测方法、装置、机器人及计算机可读存储介质。
技术介绍
回环检测旨在让机器人识别之前访问过的地方,如果回环被正确的检测到,机器人可以重新定位它自己,并有助于后续的建图和配准算法得到更准确和一致的结果。回环检测与场景识别相似,都需要对场景图像提取合适的特征,不同之处在于,回环检测处理的数据是连续的视频帧,并且没有类别标签。现有的回环检测方法主要分为三种:(1)许多最先进的基于外观的回环检测算法采用词袋(BoW)模型,其将视觉特征描述符聚类成称为“词典”的集合。当新观察到来时,提取视觉特征。其他使用手工提取局部特征的方法包括FV,VLAD,全局描述子GIST,BoVW也经常用于SLAM并取得了不错的效果,但这些都属于手工设计的特征,它们对环境中光照变化非常敏感,在复杂的光照下,它们检测闭环的成功率并不高。(2)深度学习方法试图通过多层神经网络直接从原始传感器数据学习数据表示,在训练过程中学习这些特征。大量研究表明基于卷积网络(ConvolutionalNeuralNetworks,CNN)的方法比手工提取特征的方法效果好,但CNN属于监督学习,需要获得大量的标签才能训练。(3)基于图像序列的方法能够在感知环境极度变化的情况下进行位置识别,例如:白天,黑夜;晴天,雨天;夏天,冬天;但该方法在很大程度上依赖于详尽的序列匹配,计算成本高昂,不适合用于处理大型地图。实际情况中,回环检测会遇到诸如视角变化,季节变化,日夜不同等各种情况,但是现有回环检测技术很难同时满足对视角不变性和环境不 ...
【技术保护点】
1.一种机器人的回环检测方法,其特征在于,包括:获取机器人的视角图像序列;通过已训练的堆栈式去燥稀疏自编码SDA网络提取所述视角图像序列的图像特征序列;在创建的树结构中搜索所述视角图像序列中每个视角图像的N个最近邻居,并计算所述每个视角图像到所述N个最近邻居的距离,所述树结构预先存储地图的图像特征,N为正整数;存储所述每个视角图像到所述N个最近邻居的距离至稀疏差异矩阵中;从所述稀疏差异矩阵的N个位置中搜索每个视角图像的最佳匹配位置;若搜索到的最佳匹配位置与真实回环的位置的距离在预设偏移距离内,则判定所述视角图像序列为回环。
【技术特征摘要】
1.一种机器人的回环检测方法,其特征在于,包括:获取机器人的视角图像序列;通过已训练的堆栈式去燥稀疏自编码SDA网络提取所述视角图像序列的图像特征序列;在创建的树结构中搜索所述视角图像序列中每个视角图像的N个最近邻居,并计算所述每个视角图像到所述N个最近邻居的距离,所述树结构预先存储地图的图像特征,N为正整数;存储所述每个视角图像到所述N个最近邻居的距离至稀疏差异矩阵中;从所述稀疏差异矩阵的N个位置中搜索每个视角图像的最佳匹配位置;若搜索到的最佳匹配位置与真实回环的位置的距离在预设偏移距离内,则判定所述视角图像序列为回环。2.如权利要求1所述的机器人的回环检测方法,其特征在于,在所述通过已训练的堆栈式去燥稀疏自编码SDA网络提取所述视角图像序列的图像特征序列之前,包括:将所述视角图像序列中的视角图像分成预设大小的小块;对所述视角图像序列中的每个视角图像执行以下步骤:对所述小块通过稀疏关键点检测算法检测出特征响应最大的前N个关键点,并将所述N个关键点处理为N个图像块矢量;对应地,所述通过已训练的堆栈式去燥稀疏自编码SDA网络提取所述视角图像序列的图像特征序列,包括:对所述视角图像序列中的每个视角图像执行以下步骤:通过已训练的SDA网络提取所述N个图像块矢量的图像特征,每个视角图像的图像特征组成所述视角图像序列的图像特征序列。3.如权利要求1所述的机器人的回环检测方法,其特征在于,树结构预先存储地图的图像特征通过所述SDA网络提取。4.如权利要求1所述的机器人的回环检测方法,其特征在于,所述从所述稀疏差异矩阵的N个位置中搜索每个视角图像的最佳匹配位置,包括:根据所述视角图像序列的序列长度、获取所述视角图像序列中的视角图像的最近时间,计算经过的图像路径的累加差分值,将累加差分值最小的图像路径对应的地图图像序列作为从所述稀疏差异矩阵的N个位置中搜索每个视角图像的最佳匹配位置。5.一种机器人的回环检测装置,其特征在于,包括:视角图像序列获取单元,用于获取机器人的视角图像序列;图像特征序列提取单元,用于通过已训练的堆栈式去燥稀疏自编码SDA网络提取所...
【专利技术属性】
技术研发人员:张锲石,程俊,刘袁,方璡,向荣,
申请(专利权)人:中国科学院深圳先进技术研究院,深圳市腾讯计算机系统有限公司,
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。