一种基于深度学习的视觉低光闭环检测算法、存储介质及设备制造技术

本发明专利技术属于同步定位与地图创建技术领域，公开了一种基于深度学习的视觉低光闭环检测算法、存储介质及设备，算法包括：步骤S1，基于图像采集装置采集环境信息，从环境信息的图像中划分语义区域；步骤S2，对划分的语义区域进行中心线采样，生成局部超像素语义描述符；步骤S3，通过傅里叶特征增强网络对低光数据进行特征增强，并对增强数据进行特征匹配与位姿计算估算运动状态；步骤S4，将语义描述符与闭环线程进行数据关联，并在闭环检测中辅助词袋共同完成闭环验证，实现全局位姿优化。本发明专利技术能通过更严格的筛选条件来判定是否能进行最终的回环融合和全局优化，更适用于处理在低光照条件下闭环检测线程中精度不高、易出现错误回环的问题。

【技术实现步骤摘要】

本专利技术属于同步定位与地图创建(simultaneous location and mapping，slam)，具体涉及一种基于深度学习的视觉低光闭环检测算法、存储介质及设备。

技术介绍

1、同步定位与地图构建(simultaneous location and mapping，slam)是指在未知环境下，利用机器人携带的传感器，同时构建当前环境地图并定位自身位置和姿态的过程。然而在实际场景中，由于光照不均匀或照明条件不足(如地下矿井、深空和夜间户外)以及曝光时间较短、逆光位置等因素的影响，容易出现摄像头捕获图像的质量较差，图像中出现亮度低、对比度低、物体颜色失真和灰度级窄等问题，导致slam系统在特征提取、跟踪和图像匹配方面存在困难，产生一系列问题，严重影响系统在低光环境下的闭环和定位精度，因此，一种适用于低光条件下的视觉slam算法对提高系统的鲁棒性至关重要。

技术实现思路

1、本专利技术的目的是提供一种基于深度学习的视觉低光闭环检测算法，用于解决现有技术中slam系统在低光照条件下特征提取和匹配困难，本文档来自技高网...

【技术保护点】

1.一种基于深度学习的视觉低光闭环检测算法，其特征在于：包括下列步骤：

2.根据权利要求1所述的一种基于深度学习的视觉低光闭环检测算法，其特征在于：所述步骤一中，每一帧图像分别划分为a·b的语义区域，a、b分别为语义区域的行数和列数；所述步骤二中，计算各个语义区域的描述符Tij形成a·b的描述符矩阵，将描述符矩阵行展开成一个向量，得到描述符向量T；对于检测相似度可能涉及的任一关键帧P，则分别定位该关键帧图像P前后各一张普通帧，选取的普通帧与相应关键帧的描述符向量一起求取平均值作为闭环检测的依据；每个语义区域的描述符采用以下公式描述：

3.根据权利要求2所述的一种基...

【技术特征摘要】

1.一种基于深度学习的视觉低光闭环检测算法，其特征在于：包括下列步骤：

2.根据权利要求1所述的一种基于深度学习的视觉低光闭环检测算法，其特征在于：所述步骤一中，每一帧图像分别划分为a·b的语义区域，a、b分别为语义区域的行数和列数；所述步骤二中，计算各个语义区域的描述符tij形成a·b的描述符矩阵，将描述符矩阵行展开成一个向量，得到描述符向量t；对于检测相似度可能涉及的任一关键帧p，则分别定位该关键帧图像p前后各一张普通帧，选取的普通帧与相应关键帧的描述符向量一起求取平均值作为闭环检测的依据；每个语义区域的描述符采用以下公式描述：

3.根据权利要求2所述的一种基于深度学习的视觉低光闭环检测算法，其特征在于：光谱变换率是用于描述该语义区域中心信息的纹理变换趋势，通过计算中心线上所有的像素灰度值与其邻域像素灰度值一阶差分的加权和得到；计算光谱变换率的公式如下：

4.根据权利要求2所述的一种基于深度学习的视觉低光闭环检测算法，其特征在于：对比特征值用于表征每个语义区域的明暗变化情况，以此显示各部分的亮度差异，同时对r、g、b三通道进行中心线采样处理以使其包含更稳定的特征对比信息；计算对比特征值的公式如下：

5.根据权利要求2所述的一种基于深度学习的视觉低光闭环检测算法，其特征在于：色彩饱和率是从hsv颜色空间中获取的更加稳定的信息，hsv颜色空间中，算法将hsv中抗光照能力强的s通道分离出，以获取色彩饱和率信息；计算色彩饱和率的公式如下：

6.根据权利要求1所述的一种基于深度学习的视觉低光闭环检测算法，其特征在于：所述步骤s3中，傅里叶特征增强网络将输入图像转换到傅里叶空间，获取振幅分量和相位分量，对这两个分量分别进行卷积...

【专利技术属性】
技术研发人员：陈孟元，李鹏飞，符乙，杨苏朋，
申请(专利权)人：安徽工程大学，
类型：发明
国别省市：