一种基于深度学习的SLAM回环检测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的SLAM回环检测方法及系统，包括利用词袋词典模块检测回环候选帧，并送入深度学习检测模块中；深度学习检测模块检测识别检测帧和回环候选帧中是否有同一物体；分别获取词袋词典模块与深度学习检测模块的检测概率数据；利用高斯概率模型，融合模块将词袋词典模块与深度学习检测模块检测概率数据融合，获得融合后的概率数据；判断融合后的概率数据是否达到检测要求。本发明专利技术通过结合词袋技术和深度学习检测技术，提高回环检测的准确性，从而提高整个SLAM技术的定位精度。

【技术实现步骤摘要】
一种基于深度学习的SLAM回环检测方法及系统
本专利技术涉及计算机视觉
，尤其涉及一种基于深度学习的SLAM回环检测方法及系统。
技术介绍
SLAM就是同时定位与地图创建，例如，一个机器人在未知的环境中运动，如何通过对环境的观测确定自身的运动轨迹，同时构建出环境的地图。SLAM技术正是为了实现这个目标涉及到的诸多技术的总和。早期的SLAM多利用声呐、单线激光雷达等传感器来实现。从2000年以后，随着计算机视觉的发展，利用摄像头的视觉SLAM开始成为研究热点，并且在许多领域中体现出巨大的应用价值。1986年提出SLAM，距今为止已经发展了30多年，1986-2004，该问题转换为一个状态估计问题，利用扩展卡尔曼滤波、粒子滤波及最大似然估计等手段来求解；2004-2015，研究SLAM的基本特性，包括观测性、收敛性和一致性；2015年，鲁棒性、高级别的场景理解，计算资源优化，任务驱动的环境感知。视觉SLAM是在传统SLAM的基础上发展起来的，早期的视觉SLAM多采用扩展卡尔曼滤波等手段来优化相机位姿的估计和地图构建的准确性，后期随着计本文档来自技高网...

【技术保护点】
1.一种基于深度学习的SLAM回环检测方法，其特征在于：包括，/n获取真实相机在SLAM系统中对应的真实关键帧；/n利用词袋词典模块(100)检测回环候选帧，并送入深度学习检测模块(200)中；/n所述深度学习检测模块(200)检测识别检测帧和所述回环候选帧中是否有同一物体；/n分别获取所述词袋词典模块(100)与所述深度学习检测模块(200)的检测概率数据；/n利用高斯概率模型，融合模块(300)将所述词袋词典模块(100)与所述深度学习检测模块(200)检测概率数据融合，获得融合后的概率数据；/n判断所述融合后的概率数据是否达到检测要求。/n

【技术特征摘要】
1.一种基于深度学习的SLAM回环检测方法，其特征在于：包括，
获取真实相机在SLAM系统中对应的真实关键帧；
利用词袋词典模块(100)检测回环候选帧，并送入深度学习检测模块(200)中；
所述深度学习检测模块(200)检测识别检测帧和所述回环候选帧中是否有同一物体；
分别获取所述词袋词典模块(100)与所述深度学习检测模块(200)的检测概率数据；
利用高斯概率模型，融合模块(300)将所述词袋词典模块(100)与所述深度学习检测模块(200)检测概率数据融合，获得融合后的概率数据；
判断所述融合后的概率数据是否达到检测要求。


2.如权利要求1所述的基于深度学习的SLAM回环检测方法，其特征在于：检测所述回环候选帧之前具体包括，
训练大量图片数据获取词典(101)；
利用关键帧数据库找出与当前帧有公共单词的关键帧；
累加与所述当前帧相同单词个数，并设置80％为最大共有所述单词数量设定值。


3.如权利要求1或2所述的基于深度学习的SLAM回环检测方法，其特征在于：检测所述回环候选帧还包括，
将所述设定值作为检测阈值；
利用所述检测阈值筛选所述关键帧；
利用所述词典(101)获取值大于所述检测阈值，获得所述回环候选帧，并把所述回环候选帧与所述检测帧送入所述深度学习检测模块(200)中。


4.如权利要求3所述的基于深度学习的SLAM回环检测方法，其特征在于：所述深度学习检测模块(200)检测识别包括，
利用开源YOLO算法检测所述当前帧与所述回环候选帧中是否有同一物体。


5.如权利要求4所述的基于深度学习的SLAM回环检测方法，其特征在于：所述开源YOLO算法检测具体包括，
利用图像上滑动的滑窗，查看完整图像；
分别判别所述图像的分类；
利用调整物体精确边框，完成检测和定位。


6.如权利要求1或4所述的基于深度学习的SLAM回环检测方法，其特征在于：融合所述检测数据概率包括，<...

【专利技术属性】
技术研发人员：马鑫军，
申请(专利权)人：的卢技术有限公司，
类型：发明
国别省市：江苏;32