一种回环检测方法技术

本发明专利技术公开了一种回环检测方法，属于回环检测技术领域，为了提高回环检测的精度，所述回环检测方法包括：

【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
。<br/>但是词袋模型中的特征都是低级特征，对光照变化，相机视角变化会很敏感
。
传统词袋模型最重要的部分就是词库的构建和生成，这增加了模型的复杂程度，同时词袋模型也存在一定的局限性，该方法在存在动态环境的情况下鲁棒性很低
。
[0004]研究人员近些年来将卷积神经网络应用于回环检测算法，以解决基于词袋模型的回环检测算法的局限性
。
此前，已经有人成功将卷积神经网络提取的特征应用于回环检测任务，并通过实验验证了在回环检测中使用卷积神经网络提取的特征表现良好
。
然而，当前的卷积神经网络也存在一定问题
。
例如
,
当识别的图像存在翻转
、
倾斜或其他方向性的变化时
,
卷积神经网络的效果会很差
。
现有基于卷积神经网络的回环检测算法，如果输入的图像出现倾斜或其他方向的变化，也就是在相机视角发生变化的情况下，算法的精度会下降
。

技术实现思路

[0005]本专利技术的目的在于提供一种回环检测方法，以提高回环检测的精度
。
[0006]本专利技术解决上述技术问题的技术方案如下：本专利技术提供一种回环检测方法，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
。
[0007]可选择地，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
。
[0008]可选择地，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
×
120
×
256
的张量，并将所述大小为
120
×
120
×
256
的张量作为所述卷积层的输出；所述主胶囊层用于将所述大小为
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...

【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
×
...

【专利技术属性】
技术研发人员：沈艳，张森俊，王录涛，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：