【技术实现步骤摘要】
一种回环检测方法
[0001]本专利技术涉及回环检测
,具体涉及一种回环检测方法
。
技术介绍
[0002]视觉
SLAM
是智能机器人实现自主导航的关键技术之一,主要有三部分构成:视觉里程计,后端优化和回环检测
。
视觉里程计实时计算机器人运动和姿态,用于实时定位,后端优化使用全部轨迹信息对视觉里程计结果进行优化,提高地图的精度,回环检测提供回环信息,用于后端优化进一步优化地图,从而获得全局一致的地图信息
。
在机器人的实际运动过程中,数据采集
、
特征提取
、
特征匹配和姿态估计等步骤中都不可避免地会存在误差积累
。
如果没有回环检测,这些误差将会一直累积到最后,导致机器人的定位偏差越来越大,地图也会出现失真
。
因此,回环检测是
SLAM
的重要组成部分,在减小视觉里程计产生的累积误差
、
提高机器人姿态估计精度
、
构建全局一致的地图等方面起着重要作用
。
[0003]传统回环检测算法是基于词袋模型的方法,词袋模型将图像看作由多个局部特征点组成的集合,并提取这些特征点的描述向量,通常使用
ORB(
尺度不变特征变换
)
手工特征来提取
。
虽然基于词袋模型的回环检测算法为
ORB
‑
SLAM3
提供了一种有效的方法去识别正确回环
。<
【技术保护点】
【技术特征摘要】
1.
一种回环检测方法,其特征在于,所述回环检测方法包括:
S1
:利用胶囊网络提取原始图像当前帧的特征向量和历史帧的特征向量;
S2
:计算所述当前帧的特征向量和所述历史帧的特征向量之间的相似度;
S3
:利用相似度得分矩阵选取相似度得分较高的前
K
个帧;
S4
:分别计算当前帧与所述前
K
个帧的图像序列相似度;
S5
:根据最大图像序列相似度确定回环检测结果
。2.
根据权利要求1所述的回环检测方法,其特征在于,所述
S1
包括:对所述原始图像进行灰度处理,得到灰度处理后的图像;对所述灰度处理后的图像进行第一卷积计算,得到
256
个大小为
120
×
120
的张量;将所述
256
个大小为
120
×
120
的张量组合为大小为
120
×
120
×
256
的张量;将所述大小为
120
×
120
×
256
的张量展开为
256
个大小为
120
×
120
的张量;利用8组步长为2的卷积核进行第二卷积计算,得到
256
个大小为
56
×
56
的张量;将所述
256
个大小为
56
×
56
的张量组合成大小为
56
×
56
×
256
的张量,并将所述大小为
56
×
56
×
256
的张量划分为
32
组大小为
56
×
56
×8的张量;将所述
32
组大小为
56
×
56
×8的张量拉平,生成
100352
个8维向量;利用权值矩阵对所述
100352
个8维向量进行线性变换,得到中间向量;对所述中间向量和耦合系数加权和,得到中间特征向量;对所述中间特征向量压缩得到特征向量
。3.
根据权利要求1所述的回环检测方法,其特征在于,所述
S1
中,所述胶囊网络包括依次设置的灰度处理单元
、
卷积层
、
主胶囊层和数字胶囊层,所述灰度处理单元的输出作为所述卷积层的输入,所述卷积层的输出作为所述主胶囊层的输入,所述主胶囊层的输出作为所述数字胶囊层的输入,所述数字胶囊层的输出作为所述胶囊网络的输出;所述灰度处理单元用于对原始图像进行灰度处理,得到灰度处理后的图像;所述卷积层包括
256
个步长为1的卷积核,所述卷积层用于利用所述
256
个步长为1的卷积核对所述灰度处理后的图像进行第一卷积计算,得到
256
个大小为
120
×
120
的张量,以及,将所述
256
个大小为
120
×
120
的张量组合为大小为
120
×
...
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。