一种基于视觉的移动机器人室内环境识别定位方法与流程

本发明属于计算机视觉识别技术领域，涉及一种移动机器人对环境识别定位的方法，具体涉及一种移动机器人对室内环境进行高效简单识别及定位的方法。

技术背景

目前移动机器人室内定位多数采用激光雷达扫描构建二维地图(如扫地机器人)定位和采用计算机视觉领域的图像特征提取和特征匹配等一系列复杂方法来完成物体识别和定位，这些方法的缺点是成本高和较复杂。

技术实现要素：

为了解决上述技术问题，本发明提供了一种新的移动机器人室内环境识别和定位的方法，与人对室内环境识别和自身定位的方法相接近，并且对环境识别和定位的鲁棒性增强，实时性强，效率更高。

本发明所采用的技术方案是：一种基于视觉的移动机器人室内环境识别定位方法，其特征在于，包括以下步骤：

步骤1：利用图像数据库，进行深度学习，得出深度学习模型；

步骤2：确定拓扑节点和确定节点自然路标，构建拓扑地图；

步骤3：将每个节点自然路标以单词形式命名，构建词袋模型；

步骤4：实时采集图像，利用深度学习模型，对自然路标进行识别；

步骤5：利用步骤4中自然路标识别结果，结合词袋模型，进行自然路标匹配；

步骤6：利用匹配结果，结合拓扑地图，进行模糊推理，实现室内环境识别定位。

本发明的优点在于：

(1)通过深度学习的方法对室内环境物体识别，准确率和效率都比传统图像特征匹配法高；

(2)构建室内环境拓扑地图和词袋模型，比激光雷达构建二维地图成本要低，并且方法简单，更向人工智能靠近。

附图说明

图1是本发明实施例的移动机器人离线状态下需要完成任务的流程图；

图2是本发明实施例的移动机器人在线状态下完成识别定位流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本实施例首先移动机器人在离线状态下对图像数据集进行深度学习，得到训练模型，同时构建拓扑地图和词袋库，然后移动机器人在线状态下通过摄像头采集实时图像，输入训练好的模型，识别出实时图像中的自然路标，最后通过自然路标匹配，结合词袋库和拓扑地图就可以模糊推理出移动机器人的大概位置。

本发明提供的一种基于视觉的移动机器人室内环境识别定位方法，其特征在于，包括以下步骤：

步骤1：利用图像数据库，进行深度学习，得出深度学习模型；

图像数据库运用现有的imagenet数据集，采用卷积神经网络(cnn)提取图像特征，采用cnn训练其中一个优点能权重(卷积核)共享，就是直接用世界上别人训练效果非常好的权重参数，再根据实际任务(需要识别分类哪些物体)，通过fineturn算法对自己要训练的网络进行参数初始化和一些模块参数改变。最终得到自己想要的深度学习模型。

步骤2：确定拓扑节点和确定节点自然路标，构建拓扑地图；

具体实现包括以下子步骤：

步骤2.1：将室内环境中预定位置(例如：厨房、客厅、卧室、阳台、走廊、书房、卫生间这些空间分别设定为不同的节点)设定为拓扑节点；

步骤2.2：将每个节点自然路标以单词形式命名，节点与节点间连线为走道。

步骤3：将每个节点自然路标以单词形式命名，构建词袋模型；

节点自然路标主要由一些特定物体组成(厨房里固定的物体如锅、油烟机、冰箱等可视作自然路标)，节点处这些物体组成小词袋。

步骤4：实时采集图像，利用深度学习模型，对自然路标进行识别；然后以单词形式输出。

步骤5：利用步骤4中自然路标识别结果，结合词袋模型，进行自然路标匹配；

步骤6：利用匹配结果，结合拓扑地图，进行模糊推理，实现室内环境识别定位。

请见图1和图2，本实施例的深度学习、构建拓扑地图、建立词袋模型和标定节点自然路标都是离线状态执行的；而实时采集图像、自然路标识别、单词匹配、模糊推理都必须在线状态执行。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

技术特征：

技术总结
本发明公开了一种基于视觉的移动机器人室内环境识别定位方法，首先移动机器人在离线状态下对图像数据集进行深度学习，得到深度学习模型，同时构建拓扑地图和词袋模型，然后移动机器人在线状态下通过摄像头采集实时图像，输入深度学习模型，识别出实时图像中的自然路标，最后通过自然路标匹配，结合词袋库和拓扑地图就可以模糊推理出移动机器人的大概位置。本发明通过深度学习的方法对室内环境物体识别，准确率和效率都比传统图像特征匹配法高；构建室内环境拓扑地图和词袋模型，比激光雷达构建二维地图成本要低，并且方法简单，更向人工智能靠近。

技术研发人员：刘访;赵慧;舒作武;周爽;张锦
受保护的技术使用者：武汉科技大学
技术研发日：2017.07.07
技术公布日：2017.09.15