基于K-SVD字典学习的移动机器人视觉SLAM回环检测方法技术

本发明专利技术涉及一种基于K‑SVD字典学习的移动机器人视觉SLAM回环检测方法，属于机器人技术领域。该方法具体包括：S1：对数据集进行采用K‑SVD自学习算法获得K‑SVD字典；S2：对于再次检测到的图像，基于K‑SVD字典，通过匹配追踪算法求得测量信号的稀疏表示；S3：利用基于复杂度的图像表示方法进行计算，进而与设定阈值进行比较，来检测回环。本发明专利技术大大减少了保存的信息量和计算量，从而加速回环检测的过程，使得位置漂移问题更快速地得到解决。

【技术实现步骤摘要】
基于K-SVD字典学习的移动机器人视觉SLAM回环检测方法
本专利技术属于机器人
，涉及移动机器人定位领域，具体涉及一种基于K-SVD字典学习的移动机器人视觉SLAM回环检测方法。
技术介绍
在同步定位与建图(simultaneouslocalizationandmapping，SLAM)问题中，需要检测之前访问过的位置，从而减少估计误差，通过相似度度量来比较传感器的观测结果来检测回环，经常用到的词袋模型(Bag-of-Words,BoW)是把特征视为一个个单词，并比较两张图片单词的一致性，来判断两张图片是否属于同一场景，为了能够把特征归类为单词，需要训练一个字典，词袋模型的文档长度等于已知的单词的数量，所以在使用词袋模型的时候，需要减小词汇量压力。M.Cummins和P.Newman提出了一种基于概率推理的词袋模型方法，名为FAB-MAP2.0。通过使用标准字典，该方法可以检测大轨迹上的循环，(M.CumminsandP.Newman,“Appearance-onlySLAMatlargescalewithFAB-MAP2.0,本文档来自技高网...

【技术保护点】
1.一种基于K-SVD字典学习的移动机器人视觉SLAM回环检测方法，其特征在于，该方法具体包括以下步骤：/nS1：对数据集进行采用K-SVD自学习算法获得K-SVD字典；/nS2：对于再次检测到的图像，基于K-SVD字典，通过匹配追踪算法求得测量信号的稀疏表示；/nS3：利用基于复杂度的图像表示方法进行计算，进而与设定阈值进行比较，来检测回环。/n

【技术特征摘要】
1.一种基于K-SVD字典学习的移动机器人视觉SLAM回环检测方法，其特征在于，该方法具体包括以下步骤：
S1：对数据集进行采用K-SVD自学习算法获得K-SVD字典；
S2：对于再次检测到的图像，基于K-SVD字典，通过匹配追踪算法求得测量信号的稀疏表示；
S3：利用基于复杂度的图像表示方法进行计算，进而与设定阈值进行比较，来检测回环。


2.根据权利要求1所述的移动机器人视觉SLAM回环检测方法，其特征在于，步骤S1中，K-SVD字典的学习步骤具体包括：
首先，设迭代次数k＝0，初始化字典Ak∈Rn×m，求解出样本的稀疏系数为：



其中，wi表示初始矩阵，T0表示所使用的原子数，x表示稀疏系数，m、n分别表示矩阵为n×m；
计算残差矩阵为：



其中，i、j分别表示矩阵的第i列，第j行，j＝1,…,N，N表示原子个数，F表示一种数学运算，t表示迭代次数；
选取Ej中与原子aj表示的集合对应的列并对作SVD分解：



更新aj＝u1，



其中，v1、u1、S(1,1)分别表示U,V的第一列和S的第...

【专利技术属性】
技术研发人员：李帅永，杨雪梅，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50