【技术实现步骤摘要】
本专利技术涉及视觉监测方法，尤其是一种基于深度学习的slam回环检测方法。
技术介绍
1、随着无人系统的进一步发展，使得视觉同步定位与建图（视觉 slam，simultaneously localization and mapping）受到了各方的高度重视。视觉slam 通过不同的特定摄像头获取图像信息，以达到在没有环境先验信息的情况下，实现运动过程中建立环境并估计自身运动等功能。在复杂环境的干扰下，如何保证并提升无人系统的定位与建图准确性是视觉slam产业化过程的关键应用基础问题。无人系统在环境未知的情况下通过机器人本身位置和视觉传感器进行运动估计，同时能智能地定位自身的位置和建立周围的环境地图，这个过程被称为 slam，即同时定位与地图构建。
2、目前的视觉slam 最常用的回环检测方法，是使用基于局部特征的词典树对相关视觉词汇进行查询。传统的回环检测方法主要为词典算法（bow，bag of words），这种方法较为简洁，但需要大量通过人为设置特征来完善算法，极大地限制了无人系统的定位与构图效果，并且在光照变化明显时效果偏差。此外，该方法仅依赖于图像中的局部区域信息来进行特征点的提取和描述。在一些任务中，全局信息（如整体的场景布局、上下文信息）可以帮助提高匹配的准确性。然而，传统方法没有利用这种全局信息，因此在处理具有大范围变化的场景时，容易发生特征匹配错误。此外回环检测需要对当前帧与之前的所有关键帧进行相似性计算，尤其在大规模场景中，计算量会迅速增长，影响系统的实时性。
技术实现思
1、为了克服现有技术中存在的上述问题，本专利技术提出一种基于深度学习的slam回环检测方法。
2、本专利技术解决其技术问题所采用的技术方案是：一种基于深度学习的slam回环检测方法，包括如下步骤：
3、步骤1，基于卷积神经网络构建词典树数据库；
4、步骤2，将待检测图像输入到卷积神经网络中获取当前图像的全局特征；
5、步骤3，基于步骤2所得的当前图像的全局特征，使用步骤1所得的词典数据库计算当前图像与历史图像的相似度；
6、步骤4，若步骤3所计算的相似度高于设定阈值，则认为检测到回环，并根据回环检测结果更新地图。
7、上述的一种基于深度学习的slam回环检测方法，所述步骤1具体为：
8、步骤1.1，使用efficientnetv2卷积神经网络处理现有数据集或历史采集图像数据集，得到数据集中所有图像的全局特征向量，并对所有图像的全局特征向量进行聚类，生成k个聚类中心v1，v2，…，vk，每个聚类中心代表一个全局视觉单词：
9、;
10、其中，ck是第k个聚类簇，nk是属于该簇的全局特征向量数量，f(ii)是第i个图像的全局特征向量；
11、步骤1.2，将每个图像的全局特征向量f(ii)与全局视觉单词进行匹配，生成一个词典向量，其中，hk是图像ii与全局视觉单词的匹配程度，基于匹配个数进行计算：
12、;
13、其中， 是指示函数，当f(ii)被分配在簇vk时，hk值加一，j是输出特征图的坐标，n是卷积核的坐标。
14、上述的一种基于深度学习的slam回环检测方法，所述卷积神经网络为efficientnetv2卷积神经网络。
15、上述的一种基于深度学习的slam回环检测方法，所述efficientnetv2卷积神经网络获取全局特征的具体过程为：
16、步骤a，对图像进行预处理，包括缩放、归一化、数据增强；
17、步骤b，步骤a所得的图像经多个卷积层提取局部特征，并通过堆叠深度卷积块逐步构建高层次的特征表示；
18、步骤c，使用全局平均池化层构建图像的全局特征，最终得到代表图像全局特征的向量。
19、上述的一种基于深度学习的slam回环检测方法，所述步骤b堆叠深度卷积块包括深度卷积、逐点卷积、se模块，所述深度卷积对每个通道独立进行卷积；所述逐点卷积用于通道维度的变换；所述se模块通过全局池化来捕捉通道间的相关性。
20、上述的一种基于深度学习的slam回环检测方法，所述步骤3中相似度计算公式具体为：
21、;
22、其中，h(ii)是图像的词袋向量，h(ij)是图像的词袋向量，sim(ii,ij)是相似度值，‖h(ii)‖是图像的词袋向量模，‖h(ij)‖是图像的词袋向量模。
23、本专利技术的有益效果是，本专利技术基于efficientnetv2优化回环检测技术，相比传统的卷积神经网络，efficientnetv2 使用了新的激活函数和正则化策略，提高了模型的泛化能力和稳定性，使得在光照变化、场景复杂度不同等等情况下，仍然能够可靠地提取具有判别力的全局特征。此外，引入改进的高效模块，保障系统在保持精度的同时显著降低计算复杂度，有效提升回环检测的实时性。最后，efficientnetv2 通过缩放策略对网络的深度、宽度和分辨率进行了优化。它能够以更少的参数和计算量提取图像的全局特征，同时保持高精度。这种高效的特征提取能力使得它可以捕捉到更加丰富的全局上下文信息，提升回环检测的精确度。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的SLAM回环检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的SLAM回环检测方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的一种基于深度学习的SLAM回环检测方法，其特征在于，所述卷积神经网络为EfficientNetV2卷积神经网络。
4.根据权利要求3所述的一种基于深度学习的SLAM回环检测方法，其特征在于，所述EfficientNetV2卷积神经网络获取全局特征的具体过程为：
5.根据权利要求4所述的一种基于深度学习的SLAM回环检测方法，其特征在于，所述步骤b堆叠深度卷积块包括深度卷积、逐点卷积、SE模块，所述深度卷积对每个通道独立进行卷积；所述逐点卷积用于通道维度的变换；所述SE模块通过全局池化来捕捉通道间的相关性。
6.根据权利要求1所述的一种基于深度学习的SLAM回环检测方法，其特征在于，所述步骤3中相似度计算公式具体为：
【技术特征摘要】
1.一种基于深度学习的slam回环检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的slam回环检测方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的一种基于深度学习的slam回环检测方法，其特征在于，所述卷积神经网络为efficientnetv2卷积神经网络。
4.根据权利要求3所述的一种基于深度学习的slam回环检测方法，其特征在于，所述efficien...
【专利技术属性】
技术研发人员：焦腾飞，郝绍杰，李村，李冲，王守雷，孙哲，刘振广，侯鹏，
申请(专利权)人：中国电子科技集团公司第四十一研究所，
类型：发明
国别省市：
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。