基于卷积神经网络的视觉SLAM闭环检测算法制造技术

本发明专利技术公开了一种基于卷积神经网络的视觉SLAM闭环检测算法，属于机器人和深度学习领域。本发明专利技术所述算法利用卷积神经网络预训练模型提取图像特征，其最后的全连接层输出作为提取的图像特征向量。然后使用ZCA白化方法对高维图像特征向量进行降维处理并白化，利用中值滤波消除相似矩阵中存在的椒盐噪声。最后通过定义的相似矩阵计算图像相似值得分判断是否发生闭环。本发明专利技术所述方法可以判断是否发生闭环检测，减少定位算法的累积误差，在光照变化剧烈、复杂场景下仍具有很好的鲁棒性，解决了传统闭环检测方法手工提取特征成本高、鲁棒性低等问题，提高了闭环检测的效率。

Closed loop detection algorithm of visual SLAM Based on convolutional neural network

【技术实现步骤摘要】
基于卷积神经网络的视觉SLAM闭环检测算法
本专利技术属于机器人和深度学习领域，具体涉及一种基于卷积神经网络的视觉SLAM闭环检测算法。
技术介绍
随着人工智能的发展，移动机器人成为了一个重要的研究领域。移动机器人要实现自主导航任务，需要进行建图、定位与路径规划等操作，同时定位与地图构建SLAM是其中最重要最基础的一环，被广泛应用于室内机器人、水下机器人、太空机器人等导航定位。根据所用的传感器不同，主要分为激光SLAM和视觉SLAM。由于相机成本低、拍摄的图像信息丰富，随着计算机视觉的发展，视觉SLAM越来越多的被广泛应用。闭环检测是指机器人通过相机等传感器判断是否之前经过这个地方，用来消除累积误差，是SLAM重要的一个环节。在传统方法上，词袋模型BoW被广泛用于视觉SLAM的闭环检测。其检测主要有三个步骤：首先，使用SIFT或ORB算法从不同类的图像中提取视觉词汇向量，这些向量表示图像中的局部不变特征点；其次，使用k-means算法将视觉词汇与相似的词义结合起来，并构建一个包含K个词汇的词列表；最后，计算单词列表中每个单词出现在图像中的次数，本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的视觉SLAM闭环检测算法，其特征在于，包括以下步骤：/n步骤1.首先利用卷积神经网络CNN预训练模型处理采集的图像，最后的全连接层输出作为提取的图像特征向量，用

【技术特征摘要】
1.一种基于卷积神经网络的视觉SLAM闭环检测算法，其特征在于，包括以下步骤：
步骤1.首先利用卷积神经网络CNN预训练模型处理采集的图像，最后的全连接层输出作为提取的图像特征向量，用表示输入第I张图像得到的d维特征向量，d的大小根据卷积神经网络全连接层的维数决定；
步骤2.利用ZCA白化将提取的高维度特征向量X(I)进行降维和冗余白化处理，以提高处理效率及降低成本；
步骤2的具体步骤为：
步骤2-1.对卷积神经网络模型提取的图像特征向量X进行L2正则化处理，如下面公式(1)所示；



步骤2-2.计算获得n个归一化特征向量X(I)后，组成得到相应矩阵M表示图像特征,矩阵维度为n×d，如公式(2)；



步骤2-3.计算得到特征向量的平均值并用代替矩阵M中的特征向量
步骤2-4.重复步骤2-3为n次，n大小为归一化后的特征向量的个数，从而得到特征向量被替换后的矩阵M新表达式；

【专利技术属性】
技术研发人员：左琳，陈勇，张昌华，刘宇，何配林，刘玉祥，姬兴亮，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51