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，后期随着计算能力的提升及算法的改进，BA优化、位姿优化等手段逐渐成为主流。回环检测是指机器人识别曾到达某场景，使得地图闭环的能力，目前是通过词袋技术实现的，但是词袋技术严重依赖预训练词典，检测精度不高。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述现有存在只采用词袋技术回环检测的问题，提出了本专利技术。因此，本专利技术提供了一种基于深度学习的SLAM回环检测方法及系统，结合词袋技术与深度学习检测技术，提高回环检测准确性。为解决上述技术问题，本专利技术提供如下技术方案：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；所述深度学习检测模块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与所述深度学习检测模块的检测概率数据；利用高斯概率模型，融合模块将所述词袋词典模块与所述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；判断所述融合后的概率数据是否达到检测要求。作为本专利技术所述的一种基于深度学习的SLAM回环检测方法的一种优选方案，其中：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；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。作为本专利技术所述的一种基于深度学习的SLAM回环检测方法的一种优选方案，其中：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中。作为本专利技术所述的一种基于深度学习的SLAM回环检测方法的一种优选方案，其中：所述深度学习检测模块检测识别包括，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。作为本专利技术所述的一种基于深度学习的SLAM回环检测方法的一种优选方案，其中：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。作为本专利技术所述的一种基于深度学习的SLAM回环检测方法的一种优选方案，其中：融合所述检测数据概率包括，利用词袋，获取所述词袋词典模块检测所述回环候选帧概率Xp；利用深度学习，获取所述深度学习检测模块检测识别概率Xm；利用高斯概率模型，将所述概率Xp与所述概率Xm融合，获得融合后的所述概率数据。作为本专利技术所述的一种基于深度学习的SLAM回环检测方法的一种优选方案，其中：所述高斯概率模型包括，其中，x为融合后的概率，p为预测(即词袋词典模块100)，Xp为预测概率，δp为方差，在概率论中，若AB相互独立，则P(AB)＝P(A)*P(B)。作为本专利技术所述的一种基于深度学习的SLAM回环检测方法的一种优选方案，其中：判断所述融合后的概率数据是否达到检测要求包括，若融合后的所述概率数据结果大于所述检测阈值，则所述当前帧与所述回环候选帧是正确的；若融合后的所述概率数据结果小于或等于所述检测阈值，则所述当前帧与所述回环候选帧是错误的。作为本专利技术所述的一种基于深度学习的SLAM回环检测系统的一种优选方案，其中：词袋词典模块，包括词典和词袋，所述词典通过描述子聚类而构建，包含所有的单词，并与所述词袋相连接，所述词袋通过数据库筛选出与当前帧有公共单词的所述关键帧，同时通知所述词典统计与所述当前帧相同单词数量；深度学习检测模块与所述词袋词典模块相连，所述词袋词典模块检测到的所述回环候选帧与所述关键帧送入深度学习检测模块中时，所述深度学习检测模块启动检测单元检测识别所述回环检测帧与所述关键帧中有无相同物体，并通过计算体算的所述词袋词典模块与所述深度学习检测模块的检测概率；融合模块包括结合体，所述计算体获取所述检测概率后被所述检测单元以数据形式传输到所述结合体内，所述结合体将所述检测概率数据融合在一起，并反馈给所述计算体。本专利技术的有益效果：本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。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本专利技术第一个实施例所述的基于深度学习的SLAM回环检测方法的流程示意图；图2为本专利技术第一个实施例所述的基于深度学习的SLAM回环检测方法的YOLO网络示意图；图3为本专利技术第二个实施例所述的基于深度学习的SLAM回环检测系统的模块结构示意图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术的保护的范围。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。本专利技术结合示意图进行本文档来自技高网...

【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