一种SLAM系统中基于融合双重注意力的特征点提取网络的特征提取方法技术方案

本发明专利技术公开了一种SLAM系统中基于融合双重注意力的特征点提取网络的特征提取方法,包括：建立融合双重注意力的特征点提取网络，并融入现有视觉SLAM框架；将待处理图像转换为灰度图，并通过特征提取模块输出特征图；使特征图经过双重注意力模块获得加权后的特征图；加权后的特征图经过检测模块中的卷积层和描述模块中的卷积层，分别对应生成二进制概率图和稠密特征图；将概率图通过检测模块进行像素重组转换为原始分辨率，得到关键点坐标；根据关键点坐标从描述模块获取对应的描述符；将描述符经过描述模块的二值化层转化为二值化描述符，完成特征提取；本发明专利技术能够提高SLAM系统中特征提取网络精度和稳定性。

【技术实现步骤摘要】

本专利技术涉及一种特征点提取网络的特征提取方法，尤其涉及一种slam系统中基于融合双重注意力的特征点提取网络的特征提取方法，属于目标检测。

技术介绍

1、同步定位与建图(simultaneous localization and mapping,slam)是指机器人在未知环境中运动时建立环境模型并估计自身运动。视觉slam是slam系统中较为经典的slam方法，早期由于视觉slam计算量大、实时性差等缺点，视觉slam没有得到广泛应用。然而，随着计算机技术和图形处理单元(gpu)的进步，视觉slam克服了这些缺点，逐渐成为自主定位和环境感知的主流。

2、特征提取是视觉slam的重要步骤，图像的特征点映射出不同图像之间的对应关系，准确提取特征点可以提高图像的匹配精度。图像特征点的处理方法主要分为传统方法和基于深度学习的方法。随着计算机视觉的广泛应用以及图像处理所面临的环境越来越复杂，传统的特征点提取方法表现的鲁棒性逐渐变差。随着深度学习的发展，特别是卷积神经网络的引入，基于深度学习的特征点提取方法取得了显著进展。这些方法通过端到端的训练，可以从大本文档来自技高网...

【技术保护点】

1.一种SLAM系统中基于融合双重注意力的特征点提取网络的特征提取方法，其特征在于，包括：

2.根据权利要求1所述的SLAM系统中基于融合双重注意力的特征点提取网络的特征提取方法，其特征在于，所述特征点提取网络的特征提取模块由六个卷积层组成，包括两个单层卷积层Conv1和Conv2，以及两个双层卷积层Conv3和Conv4，所述单层卷积层的卷积核大小为4*4，步长为2，填充为1，所述双层卷积层的前卷积层的卷积核大小为3*3，步长为1，填充为1，所述双层卷积层的后卷积层的卷积核大小为4*4，步长为2，填充为1，每个卷积层都使用ELU激活函数进行非线性变换，采用6层卷积结构；...

【技术特征摘要】

1.一种slam系统中基于融合双重注意力的特征点提取网络的特征提取方法，其特征在于，包括：

2.根据权利要求1所述的slam系统中基于融合双重注意力的特征点提取网络的特征提取方法，其特征在于，所述特征点提取网络的特征提取模块由六个卷积层组成，包括两个单层卷积层conv1和conv2，以及两个双层卷积层conv3和conv4，所述单层卷积层的卷积核大小为4*4，步长为2，填充为1，所述双层卷积层的前卷积层的卷积核大小为3*3，步长为1，填充为1，所述双层卷积层的后卷积层的卷积核大小为4*4，步长为2，填充为1，每个卷积层都使用elu激活函数进行非线性变换，采用6层卷积结构；

3.根据权利要求1所述的slam系统中基于融合双重注意力的特征点提取网络的特征提取方法，其特征在于，所述步骤(2)输出的特征图通道数为64或128或256。

4.根据权利要求2所述的slam系统中基于融合双重注意力的特征点提取网络的特征提取方法，其特征在于，所述步骤(3)具体为，分别通过位置注意模块和通道注意模块对特征图的位置和通道维度的依赖关系进行建模；所述位置注意模块用于确定任意两个位置之间的空间依赖性，所述通道注意模块用于捕获任意两个通道图之间的通道依赖性，并使用所有通道图的权重进行更新；将位置注意模块和通道注意模块的输出进行融合，增强特征表示，得到加权后的特征图。

5.根据权利要求4所述的slam系统中基于融合双重注意力的特征点提取网络的特征提取方法，其特征在于，所述位置注意力模块具体实现方法为，将上下文信息添加到本地特征中，增强特征表示；设进入位置注意力模块的特征图为a1，特征图a1分别通过卷积层得到三个特征图b、g和d，形状均为c*h*w，c为通...

【专利技术属性】
技术研发人员：章飞，汪勋，汤翔，胡莹，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：