机器人的回环检测方法、装置及机器人与流程

本申请属于图像处理技术领域，尤其涉及机器人的回环检测方法、装置、机器人及计算机可读存储介质。

背景技术：

回环检测旨在让机器人识别之前访问过的地方，如果回环被正确的检测到，机器人可以重新定位它自己，并有助于后续的建图和配准算法得到更准确和一致的结果。回环检测与场景识别相似，都需要对场景图像提取合适的特征，不同之处在于，回环检测处理的数据是连续的视频帧，并且没有类别标签。

现有的回环检测方法主要分为三种：

(1)许多最先进的基于外观的回环检测算法采用词袋(bow)模型，其将视觉特征描述符聚类成称为“词典”的集合。当新观察到来时，提取视觉特征。其他使用手工提取局部特征的方法包括fv，vlad，全局描述子gist，bovw也经常用于slam并取得了不错的效果，但这些都属于手工设计的特征，它们对环境中光照变化非常敏感，在复杂的光照下，它们检测闭环的成功率并不高。

(2)深度学习方法试图通过多层神经网络直接从原始传感器数据学习数据表示，在训练过程中学习这些特征。大量研究表明基于卷积网络(convolutionalneuralnetworks，cnn)的方法比手工提取特征的方法效果好，但cnn属于监督学习，需要获得大量的标签才能训练。

(3)基于图像序列的方法能够在感知环境极度变化的情况下进行位置识别，例如：白天，黑夜；晴天，雨天；夏天，冬天；但该方法在很大程度上依赖于详尽的序列匹配，计算成本高昂，不适合用于处理大型地图。

实际情况中，回环检测会遇到诸如视角变化，季节变化，日夜不同等各种情况，但是现有回环检测技术很难同时满足对视角不变性和环境不变性的要求。

故，需要提供一种新的方法，以解决上述技术问题。

技术实现要素：

有鉴于此，本申请实施例提供了机器人的回环检测方法、装置、机器人及计算机可读存储介质，以解决现有技术中回环检测技术很难同时满足对视角不变性和环境不变性的要求的问题。

本申请实施例的第一方面提供了一种机器人的回环检测方法，包括：

获取机器人的视角图像序列；

通过已训练的堆栈式去燥稀疏自编码sda网络提取所述视角图像序列的图像特征序列；

在创建的树结构中搜索所述视角图像序列中每个视角图像的n个最近邻居，并计算所述每个视角图像到所述n个最近邻居的距离，所述树结构预先存储地图的图像特征，n为正整数；

存储所述每个视角图像到所述n个最近邻居的距离至稀疏差异矩阵中；

从所述稀疏差异矩阵的n个位置中搜索每个视角图像的最佳匹配位置；

若搜索到的最佳匹配位置与真实回环的位置的距离在预设偏移距离内，则判定所述视角图像序列为回环。

本申请实施例的第二方面提供了一种机器人的回环检测装置，包括：

视角图像序列获取单元，用于获取机器人的视角图像序列；

图像特征序列提取单元，用于通过已训练的堆栈式去燥稀疏自编码sda网络提取所述视角图像序列的图像特征序列；

最近邻居搜索单元，用于在创建的树结构中搜索所述视角图像序列中每个视角图像的n个最近邻居，并计算所述每个视角图像到所述n个最近邻居的距离，所述树结构预先存储地图的图像特征，n为正整数；

数据存储单元，用于存储所述每个视角图像到所述n个最近邻居的距离至稀疏差异矩阵中；

最佳匹配位置搜索单元，用于从所述稀疏差异矩阵的n个位置中搜索每个视角图像的最佳匹配位置；

回环判定单元，用于若搜索到的最佳匹配位置与真实回环的位置的距离在预设偏移距离内，则判定所述视角图像序列为回环。

本申请实施例的第三方面提供了一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行时实现所述计算机程序时实现如所述机器人的回环检测方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述机器人的回环检测方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：

由于采用了sda网络这一种无监督的网络结构提取图像特征序列，而无监督的网络结构无需带有标签的数据集即可训练，因此使得训练过程更简便，此外，通过序列匹配的方法确定最佳匹配位置，因此，显著提高了检测效率，适合大规模、复杂的室外环境。综上，由于本申请在检测回环时结合了无监督深度网络和序列匹配的方法，因此，提高了回环检测对较大视角变化和剧烈环境变化的鲁棒性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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是本申请实施例提供的一种机器人的回环检测方法的流程图；

图2是本申请实施例提供的一种机器人的回环检测装置的结构示意图；

图3是本申请实施例提供的机器人的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

实施例一：

图1示出了本申请实施例提供的一种机器人的回环检测方法的流程图，详述如下：

步骤s11，获取机器人的视角图像序列；

该步骤中，获取机器人在当前时间拍摄的视角图像以及该当前时间之前一段时间内拍摄的视角图像，这些图像组成了机器人的视觉图像序列。当然，由于本申请实施例是检测回环位置，因此，该视角图像序列的长度大于0，且小于预设长度阈值。

步骤s12，通过已训练的堆栈式去燥稀疏自编码sda网络提取所述视角图像序列的图像特征序列；

在一些实施例中，为了提高图像特征序列的提取速度，在所述步骤s12之前，包括：

a1、将所述视角图像序列中的视角图像分成预设大小的小块；

a2、对所述视角图像序列中的每个视角图像执行以下步骤：对所述小块通过稀疏关键点检测算法检测出特征响应最大的前n个关键点，并将所述n个关键点处理为n个图像块矢量；

对应地，所述步骤s12包括：

对所述视角图像序列中的每个视角图像执行以下步骤：通过已训练的sda网络提取所述n个图像块矢量的图像特征，每个视角图像的图像特征组成所述视角图像序列的图像特征序列。

本实施例中，sda是一种无监督的神经网络，可以学习到输入数据的压缩表示。它包含几个端到端层，每个端层都是一个去噪自动编码器da。在sda中，每一个端层(da)的输出用作下一个端层(下一个da)的输入。对于单个da，它由三层组成：(1)输入层x；(2)隐藏层h；(3)恢复层y。每层包含许多完全连接的节点，这些节点是网络的基本元素。每个节点从连接的输入计算一个简单的非线性函数(通常是sigmoid函数)。令x为输入，y为输出，则函数可以写为如下公式(1)，其中w，b是单个节点中包含的权重和偏差参数。该w，b是sda训练的目标。训练好的sda的参数(w，b)可以从输入数据中获取有用的信息。

其中，n是指输入数据的个数。

接着将原始的灰度图像(若获取的视角图像不是灰度图像，则将该视角图像转换为灰度图像后再处理)分成尺寸为g×g的小块。结合从输入数据获取的有用的信息，通过稀疏关键点检测算法检测划分的小块的关键点，然后进行过滤以扩展整个图像。再按照特征响应的降序方式对检测到的关键点进行排序，选择排序在前的n个关键点，然后将它们调整为图像块。将图像块矢量化，然后将其送到sda神经网络。因此，一个输入图像将具有n个块，其形成输入矩阵xn×g2。然后，sda破坏输入并训练以重建它。sda的最终隐藏层用作具有nf维度的特征输出层。因此，一旦出现新图像，我们就可以从sda获得特征zn×nf。

步骤s13，在创建的树结构中搜索所述视角图像序列中每个视角图像的n个最近邻居，并计算所述每个视角图像到所述n个最近邻居的距离，所述树结构预先存储地图的图像特征，n为正整数；

该步骤中，由于通过树结构存储地图的图像特征，因此，能够提高搜索视角图像的n个最近邻居的搜索速度。

该步骤中，为了提高搜索速度，采用快速最近邻搜索(fast_library_for_approximate_nearest_neighbors，flann)视角图像的n个最近邻居。该flann可以通过设置其精度参数来控制结果的准确性。flann自动为给定数据集和目标精度选择近似最近邻居(approximate_nearest_neighbors，ann)参数，它使用随机kd树(kd树是每个节点都为k维点的二叉树)或分层k均值树算法。对于n个图像的遍历，每个图像可以在o(log(n))时间内在地图中找到其近似最近邻居，算法返回的距离值用于在计算它们时替换初始值。

在一些实施例中，为了提高后续视角图像序列匹配的一致性，树结构预先存储地图的图像特征通过所述sda网络提取。

由于地图的图像特征以及获取的视角图像序列的图像特征序列都是通过sda网络提取，因此，有助于提高后续两者匹配的匹配速度，以及降低两者匹配的难度。本实施例的地图是指机器人在当前时间之前获取的视角图像序列。优选地，指本次机器人启动时到当前时间获取的所有视角图像组成的视角图像序列。

步骤s14，存储所述每个视角图像到所述n个最近邻居的距离至稀疏差异矩阵中；

该步骤中，构造的差异矩阵是稀疏的，包含沿每列(或每行)到(近似)n个最近邻居的距离。将当前的视角图像到其n个近邻的距离信息存储在稀疏差异矩阵d中。

步骤s15，从所述稀疏差异矩阵的n个位置中搜索每个视角图像的最佳匹配位置；

在一些实施例中，所述步骤s15包括：

根据所述视角图像序列的序列长度、获取所述视角图像序列中的视角图像的最近时间，计算经过的图像路径的累加差分值，将累加差分值最小的图像路径对应的地图图像序列作为从所述稀疏差异矩阵的n个位置中搜索每个视角图像的最佳匹配位置。

本实施例中，稀疏差异矩阵d的列是差分向量d^{^(t)}沿着d的行搜索地图中的一系列视角图像，其中ds是获取的视角图像序列的长度，t是当前时间。为了识别地图中与当前机器人获取的视角图像序列匹配的序列，在空间m中执行搜索，m由图像差异向量组成。

通过下面的公式(3)和(4)计算经过的图像路径(或称轨迹)的累加差分值s。其中，是机器人的视角图像t和地图的视角图像j之间的差分值，v是轨迹速度，s是计算序列差分值所对应的地图中的视角图像序号。

j＝s+v(t-t)(4)

为了高效地找到连续或时间上一致的环路闭合节点，这里不对稀疏差异矩阵进行彻底的搜索，而是采用贪心运动模型估计技术。对于当前的机器人的视角图像序列，在地图中找到最匹配的图像序列。对于每个可能的闭环节点，计算不同轨迹的差分值，其中每个轨迹对应一个速度或运动模型。如果一个节点实际上是一个闭环节点，机器人应该沿着视角图像序列中先前节点的速度定义的轨迹移动。也就是说，最佳拟合轨迹是差分值最小的轨迹。在一些实施例中，使用运动模型和速度模型更新机器人的当前位置，该运动模型或速度模型对应于最佳拟合轨迹。

步骤s16，若搜索到的最佳匹配位置与真实回环的位置的距离在预设偏移距离内，则判定所述视角图像序列为回环。

当然，若搜索到的最佳匹配位置与真实回环的位置的距离在预设偏移距离之外，则判定所述视角图像序列不为回环。

本申请实施例中，通过已训练的堆栈式去燥稀疏自编码sda网络提取所述视角图像序列的图像特征序列，在创建的树结构中搜索所述视角图像序列中每个视角图像的n个最近邻居，并计算所述每个视角图像到所述n个最近邻居的距离，再存储所述每个视角图像到所述n个最近邻居的距离至稀疏差异矩阵中，从所述稀疏差异矩阵的n个位置中搜索每个视角图像的最佳匹配位置，若搜索到的最佳匹配位置与真实回环的位置的距离在预设偏移距离内，则判定所述视角图像序列为回环。由于采用了sda网络这一种无监督的网络结构提取图像特征序列，而无监督的网络结构无需带有标签的数据集即可训练，因此使得训练过程更简便，此外，通过序列匹配的方法确定最佳匹配位置，因此，显著提高了检测效率，适合大规模、复杂的室外环境。综上，由于本申请在检测回环时结合了无监督深度网络和序列匹配的方法，因此，提高了回环检测对较大视角变化和剧烈环境变化的鲁棒性。

实施例二：

图2示出了本申请实施例提供的一种机器人的回环检测装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分：

该机器人的回环检测装置包括：视角图像序列获取单元21、图像特征序列提取单元22、最近邻居搜索单元23、数据存储单元24、最佳匹配位置搜索单元25、回环判定单元26。其中：

视角图像序列获取单元21，用于获取机器人的视角图像序列；

图像特征序列提取单元22，用于通过已训练的堆栈式去燥稀疏自编码sda网络提取所述视角图像序列的图像特征序列；

在一些实施例中，为了提高图像特征序列的提取速度，所述机器人的回环检测装置还包括：

图像分块单元，用于将所述视角图像序列中的视角图像分成预设大小的小块；

关键点检测单元，用于对所述视角图像序列中的每个视角图像执行以下步骤：对所述小块通过稀疏关键点检测算法检测出特征响应最大的前n个关键点，并将所述n个关键点处理为n个图像块矢量；

对应地，所述图像特征序列提取单元22具体用于：

对所述视角图像序列中的每个视角图像执行以下步骤：通过已训练的sda网络提取所述n个图像块矢量的图像特征，每个视角图像的图像特征组成所述视角图像序列的图像特征序列。

其中，sda网络的结构如实施例所述，此处不再赘述。

最近邻居搜索单元23，用于在创建的树结构中搜索所述视角图像序列中每个视角图像的n个最近邻居，并计算所述每个视角图像到所述n个最近邻居的距离，所述树结构预先存储地图的图像特征，n为正整数；

为了提高搜索速度，采用flann搜索视角图像的n个最近邻居。

在一些实施例中，树结构预先存储地图的图像特征通过所述sda网络提取。

数据存储单元24，用于存储所述每个视角图像到所述n个最近邻居的距离至稀疏差异矩阵中；

最佳匹配位置搜索单元25，用于从所述稀疏差异矩阵的n个位置中搜索每个视角图像的最佳匹配位置；

在一些实施例中，所述最佳匹配位置搜索单元25具体用于：

根据所述视角图像序列的序列长度、获取所述视角图像序列中的视角图像的最近时间，计算经过的图像路径的累加差分值，将累加差分值最小的图像路径对应的地图图像序列作为从所述稀疏差异矩阵的n个位置中搜索每个视角图像的最佳匹配位置。

回环判定单元26，用于若搜索到的最佳匹配位置与真实回环的位置的距离在预设偏移距离内，则判定所述视角图像序列为回环。

本申请实施例中，由于采用了sda网络这一种无监督的网络结构提取图像特征序列，而无监督的网络结构无需带有标签的数据集即可训练，因此使得训练过程更简便，此外，通过序列匹配的方法确定最佳匹配位置，因此，显著提高了检测效率，适合大规模、复杂的室外环境。综上，由于本申请在检测回环时结合了无监督深度网络和序列匹配的方法，因此，提高了回环检测对较大视角变化和剧烈环境变化的鲁棒性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

实施例三：

图3是本申请一实施例提供的机器人的示意图。如图3所示，该实施例的机器人3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个机器人的回环检测方法实施例中的步骤，例如图1所示的步骤s11至s16。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块21至26的功能。

示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述机器人3中的执行过程。例如，所述计算机程序32可以被分割成视角图像序列获取单元、图像特征序列提取单元、最近邻居搜索单元、数据存储单元、最佳匹配位置搜索单元、回环判定单元，各单元具体功能如下：

视角图像序列获取单元，用于获取机器人的视角图像序列；

图像特征序列提取单元，用于通过已训练的堆栈式去燥稀疏自编码sda网络提取所述视角图像序列的图像特征序列；

最近邻居搜索单元，用于在创建的树结构中搜索所述视角图像序列中每个视角图像的n个最近邻居，并计算所述每个视角图像到所述n个最近邻居的距离，所述树结构预先存储地图的图像特征，n为正整数；

数据存储单元，用于存储所述每个视角图像到所述n个最近邻居的距离至稀疏差异矩阵中；

最佳匹配位置搜索单元，用于从所述稀疏差异矩阵的n个位置中搜索每个视角图像的最佳匹配位置；

回环判定单元，用于若搜索到的最佳匹配位置与真实回环的位置的距离在预设偏移距离内，则判定所述视角图像序列为回环。

所述机器人可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是机器人3的示例，并不构成对机器人3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述机器人还可以包括输入输出设备、网络接入设备、总线等。

所称处理器30可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器31可以是所述机器人3的内部存储单元，例如机器人3的硬盘或内存。所述存储器31也可以是所述机器人3的外部存储设备，例如所述机器人3上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器31还可以既包括所述机器人3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述机器人所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。