一种基于卷积神经网络的视觉SLAM测试方法技术

本发明专利技术公开了一种基于卷积神经网络的视觉SLAM测试方法，构建卷积神经网络部分模型，进行网络卷积训练；构建自编码器网络模型，进行自编码器网络的训练；组合训练后的卷积神经网络和自编码网络，形成特征提取与降维网络模型，采用池化与卷积神经网络结合的方法对高维的特征向量进行降维处理；采用夹角余弦函数衡量特征的相似性，对训练得到的向量设定阈值结合两幅场景图像的相似度来判断闭环形成时间；输出闭环检测准确率和召回率曲线和检测到的闭环,作为后续SLAM建图优化使用。达到降低外部环境对闭环检测的影响，提高闭环检测的目的。

A visual slam test method based on convolutional neural network

The invention discloses a vision slam test method based on convolution neural network, which constructs part model of convolution neural network for network convolution training, constructs self encoder network model for self encoder network training, combines the trained convolution neural network and self coding network to form feature extraction and dimension reduction network model, and adopts pooling and convolution neural network combination In this method, the high-dimensional feature vector is reduced; the angle cosine function is used to measure the similarity of the features, and the threshold value of the training vector is set to determine the formation time of the closed-loop combined with the similarity of the two scene images; the closed-loop detection accuracy and recall rate curve and the detected closed-loop are output for the optimization of subsequent slam mapping. To reduce the impact of external environment on Closed-loop Detection and improve the purpose of closed-loop detection.

【技术实现步骤摘要】
一种基于卷积神经网络的视觉SLAM测试方法
本专利技术涉及视觉导航
，尤其涉及一种基于卷积神经网络的视觉SLAM测试方法。
技术介绍
目前对于机器人来说，要实现自主导航最重要的就是要获得周围环境地图，同时定位与地图构建(SimultaneousLocalizationandMapping,SLAM)经过三十多年的不断发展，已经成为机器人领域的核心技术。SLAM流程一般包括特征提取与匹配、数据配准、闭环检测和全局优化等模块。闭环检测是SLAM系统的重要组成部分，在消除累积误差方面起着非常重要的作用。但是现有的闭环检测受外部环境影响严重，大大降低检测的准确率和召回率。
技术实现思路
本专利技术的目的在于提供一种基于卷积神经网络的视觉SLAM测试方法，旨在解决现有技术中的闭环检测受外部环境影响严重，大大降低检测的准确率和召回率的技术问题。为实现上述目的，本专利技术采用的一种基于卷积神经网络的视觉SLAM测试方法，包括如下步骤：构建卷积神经网络部分模型，进行网络卷积训练；构建自编码器网络模型，进行自编码器网络的训练；组合训练后的卷积神经网络和自编码网络，形成特征提取与降维网络模型，采用池化与卷积神经网络结合的方法对高维的特征向量进行降维处理；采用夹角余弦函数衡量特征的相似性，对训练得到的向量设定阈值结合两幅场景图像的相似度来判断闭环形成时间；输出闭环检测准确率和召回率曲线和检测到的闭环,作为后续SLAM建图优化使用。其中，在构建卷积神经网络部分模型，进行网络卷积训练中包括：根据尺寸为2x2的卷积核控制生成的特征图的数量，并经过尺寸为4x4的卷积核进行特征图的特征提取，且经过对卷积层批处理规范化形成不同模块，不同模块级联，并加上最大池化层、全局池化层和分类层，构成卷积神经网络模型。其中，采用场景分类数据集对构建的卷积神经网络进行训练，给定图像为x，采用分类层的网络输出给定图像对应每一个类别j的概率p(y＝j|x)；对每一幅图像，网络最终都将输出对每一个类别的概率；将其中最大的概率值对应的类作为分类结果；分类层对应的映射hw(x)如下：θ1，θ2，...θk为分类模型参数,k为分类的类别数，y为模型预测的类别，e为自然对数的底；网络训练采用mini-batch方式进行训练，更新网络参数；训练数据批次中样本量为m，网络的损失函数Loss(θ)为：x(i)为训练批次中第i个样本,y(i)为第i个样本的实际类别对应的标签，利用Adam算法进行网络的参数更新，更新公式如下：mt＝β1mt-1+(1-β1)gtLoss为定义的损失函数，θt为模型参数，gt为损失函数对变量的梯度，α和β1、β2为算法参数。其中，自编码器网络模型分为编码部分和解码部分，自编码器输入为x，中间层输出为h，网络输出为y，x和y的维度均为n；神经元的激活函数采用sigmoid函数即：网络的编码部分学习的映射为f1，解码部分学习的映射为f2，则有：h＝f1(x)y＝f2(h)＝f2(f1(x))。其中，自编码器网络的训练采用批量数据进行训练，训练批次中样本数量为m；网络的损失函数为：表示训练批次中第i个样本的第j个分量，表示第i个样本对应的输出的第j个分量；使用Adam算法进行网络的参数更新。其中，根据图像的特征提取能力，假设原始训练样本是m×n的大尺寸图像，首先从原始样本中抽取a×b的小图像样本xs来训练线性解码器，通过函数获得k个特征,然后用这k个特征对大尺寸图像做卷积,得到k×(m-a+1)×(n-b+1)个卷积后的特征形成的矩阵。其中，对于输入的序列图像数据,通过训练完成的自编码器网络模型获取图像的特征,然后对获取的图像特征进行卷积与池化,利用卷积之后的特征判断场景的相似性,判断是否形成闭环。其中，对于存在两个关键帧F(1)和F(2)，每个关键帧通过线性解码器与卷积和池化之后可以用t个特征来表达：定义一个相似性函数：s＝||δ(p(i)-p(j))||利用夹角余弦来衡量特征的相似度。其中，根据设定阀值结合两帧关键帧的相似度可判定闭环形成时间，并利用所有关键帧之间的相似性得分可以获得一个相似性矩阵。本专利技术的一种基于卷积神经网络的视觉SLAM测试方法，通过构建卷积神经网络部分模型，进行网络卷积训练；构建自编码器网络模型，进行自编码器网络的训练；组合训练后的卷积神经网络和自编码网络，形成特征提取与降维网络模型，采用池化与卷积神经网络结合的方法对高维的特征向量进行降维处理；采用夹角余弦函数衡量特征的相似性，对训练得到的向量设定阈值结合两幅场景图像的相似度来判断闭环形成时间；输出闭环检测准确率和召回率曲线和检测到的闭环,作为后续SLAM建图优化使用。通过将训练后的卷积神经网络和自编码网络级联组成新的网络模型的方法，组合后的网络减少了特征匹配过程的耗时，具有更强的图像特征提取能力；采用夹角余弦函数衡量特征的相似性，通过设定阈值结合场景图像的相似度来判断形成闭环的时间，提高检测系统的准确率和召回率。以此获得降低外部环境对闭环检测的影响，提高闭环检测的效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术的基于卷积神经网络的视觉SLAM测试方法的步骤图。图2是本专利技术的基于卷积神经网络的视觉SLAM测试方法的流程图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。在本专利技术的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。请参阅图1和图2，本专利技术提供了一种基于卷积神经网络的视觉SLAM测试方法，包括如下步骤：S100：构建卷积神经网络部分模型，进行网络卷积训练；其中在构建基本网络单元卷积神经网络，设置尺寸为2x2的卷积核，用来控制生成的特征图的数量；尺寸为4x4的卷积核，用来进行特征提取。BatchNormalization，用来对卷积层输出进行规范化本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的视觉SLAM测试方法，其特征在于，包括如下步骤：/n构建卷积神经网络部分模型，进行网络卷积训练；/n构建自编码器网络模型，进行自编码器网络的训练；/n组合训练后的卷积神经网络和自编码网络，形成特征提取与降维网络模型，采用池化与卷积神经网络结合的方法对高维的特征向量进行降维处理；/n采用夹角余弦函数衡量特征的相似性，对训练得到的向量设定阈值结合两幅场景图像的相似度来判断闭环形成时间；/n输出闭环检测准确率和召回率曲线和检测到的闭环,作为后续SLAM建图优化使用。/n

【技术特征摘要】
1.一种基于卷积神经网络的视觉SLAM测试方法，其特征在于，包括如下步骤：
构建卷积神经网络部分模型，进行网络卷积训练；
构建自编码器网络模型，进行自编码器网络的训练；
组合训练后的卷积神经网络和自编码网络，形成特征提取与降维网络模型，采用池化与卷积神经网络结合的方法对高维的特征向量进行降维处理；
采用夹角余弦函数衡量特征的相似性，对训练得到的向量设定阈值结合两幅场景图像的相似度来判断闭环形成时间；
输出闭环检测准确率和召回率曲线和检测到的闭环,作为后续SLAM建图优化使用。


2.如权利要求1所述的基于卷积神经网络的视觉SLAM测试方法，其特征在于，在构建卷积神经网络部分模型，进行网络卷积训练中包括：
根据尺寸为2x2的卷积核控制生成的特征图的数量，并经过尺寸为4x4的卷积核进行特征图的特征提取，且经过对卷积层批处理规范化形成不同模块，不同模块级联，并加上最大池化层、全局池化层和分类层，构成卷积神经网络模型。


3.如权利要求2所述的基于卷积神经网络的视觉SLAM测试方法，其特征在于，
采用场景分类数据集对构建的卷积神经网络进行训练，给定图像为x，采用分类层的网络输出给定图像对应每一个类别j的概率p(y＝j|x)；对每一幅图像，网络最终都将输出对每一个类别的概率；将其中最大的概率值对应的类作为分类结果；分类层对应的映射hw(x)如下：



θ1，θ2，...θk为分类模型参数,k为分类的类别数，y为模型预测的类别，e为自然对数的底；网络训练采用mini-batch方式进行训练，更新网络参数；训练数据批次中样本量为m，网络的损失函数Loss(θ)为：



x(i)为训练批次中第i个样本，y(i)为第i个样本的实际类别对应的标签，利用Adam算法进行网络的参数更新，更新公式如下：



mt＝β1mt-1+(1-β1)gt






Loss为定义的损失函数，θt为模型参数，gt为损失函数对变量的梯度，α和β1、β2为算法参数。


4...

【专利技术属性】
技术研发人员：纪元法，李永春，孙希延，严素清，付文涛，赵松克，符强，王守华，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45