針對移動(dòng)機(jī)器人在自主定位時(shí)出現(xiàn)的感知混淆和定位誤差問題,提出一種基于遞歸自組織特征映射RSOM聚類樹的移動(dòng)機(jī)器人閉環(huán)檢測算法。首先采用屬性圖模型對圖像對進(jìn)行相似性度量,通過對連續(xù)采集的圖像序列進(jìn)行分組和增量學(xué)習(xí)對不同場景進(jìn)行路標(biāo)建設(shè)。然后將路標(biāo)中的向量投影至RSOM的各葉節(jié)點(diǎn)中,同時(shí)對各路標(biāo)進(jìn)行權(quán)值更新。最后,新算法通過兩階段檢測對閉環(huán)進(jìn)行判定。在第一階段,算法利用RSOM樹的快速檢索能力對采集圖像進(jìn)行最近鄰路標(biāo)檢索并判斷該路標(biāo)是否為待檢測路標(biāo);在第二階段,算法將待檢測路標(biāo)內(nèi)所包含的所有屬性圖依次與采集圖像進(jìn)行相似性度量,最后結(jié)合閾值加權(quán)結(jié)果進(jìn)行閉環(huán)檢測判定。實(shí)驗(yàn)結(jié)果表明,該算法受環(huán)境中動(dòng)態(tài)目標(biāo)的影響較小,在能取得較高的召回率和準(zhǔn)確度的同時(shí),定位精度大幅提升。 

【文章頁數(shù)】：7 頁

【部分圖文】：

路標(biāo)生成流程圖

相似度，直到Ci中第x張屬性圖Gix與Ci+1的模板屬性圖Gn有Ｒ(Gix，Gn)＜TＲ(TＲ為閾值)，且對第x+1張屬性圖Gi(x+1)有Ｒ(Gi(x+1)，Gq)≥TＲ時(shí)，Ci中在Gi(x+1)之后采集的所有屬性圖將從Ci中刪除。由于Ci中與Ci+1的模板屬性圖Gn采集間隔越近的屬性圖將與Gn相似度越高，因此，采用上述方法可快速剔除那些Ci中與Gn相似度較高的屬性圖。2．2路標(biāo)生成為了精確描述機(jī)器人訪問的每個(gè)場景，算法將基于ＲSOM樹建立各場景路標(biāo)。ＲSOM聚類樹為如圖2所示的以基本自組織特征映射(self-organizingmap，SOM)神經(jīng)網(wǎng)絡(luò)作為節(jié)點(diǎn)采用遞歸生長方法得到的SOM樹模型，其葉結(jié)點(diǎn)均為128維向量。當(dāng)Ci分組完成后，Ci內(nèi)的各屬性圖的SIFT特征向量將被輸入到已經(jīng)訓(xùn)練好的ＲSOM樹中學(xué)習(xí)，每個(gè)特征將投影到與其歐氏距離最小的葉節(jié)點(diǎn)中，這樣來自不同圖像但在同一葉結(jié)點(diǎn)中的特征向量就具有了近鄰屬性。具體算法流程在文獻(xiàn)［16］中已具體闡述。圖2ＲSOM聚類樹模型Fig．2ＲSOMtreemodel當(dāng)ＲSOM學(xué)習(xí)完Ci中所有屬性圖后，算法將依據(jù)式(2)投影得到的葉節(jié)點(diǎn)集投影頻次進(jìn)行降序排列，之后選取前K個(gè)葉節(jié)點(diǎn)向量的集合KC{}i作為初始路標(biāo)碼本Li，并將符合式(3)的圖像存至路標(biāo)LiG{}l中。KG{}l=Li|Li∈UGG{}l，F(xiàn)q＞Fq+1，q=1，2，…，{}k(2)LiG{}l=Gl|Glt∈KC{}i，Gl∈Cil=1，2，…，K，t=1，2，…，{}128(3)考慮到移動(dòng)機(jī)器人運(yùn)行在動(dòng)態(tài)環(huán)境中，部分場景在不同時(shí)刻發(fā)生的變化以及分組時(shí)剔除的圖像可能造成場景細(xì)節(jié)的丟失，從而導(dǎo)致閉環(huán)檢測的漏檢。為了精確描述地圖中的

第2期宋思陽等:基于ＲSOM的兩階段移動(dòng)機(jī)器人閉環(huán)檢測算法477算法將結(jié)合屬性圖Gl的K近鄰路標(biāo)集KG{}l和各路標(biāo)權(quán)值從ＲSOM樹中尋找待檢測路標(biāo);當(dāng)找到待檢測路標(biāo)后，在第2階段即圖像匹配階段，算法將屬性圖Gl與待檢測路標(biāo)內(nèi)的屬性圖依次進(jìn)行相似性度量，并最終判定閉環(huán)檢測結(jié)果。檢測流程如圖3所示。圖3閉環(huán)檢測流程圖Fig．3Theprocedureofloop－closuredetection3．1路標(biāo)識別階段圖像檢索是閉環(huán)檢測的核心步驟，考慮到ＲSOM樹在大規(guī)模圖像檢索領(lǐng)域的優(yōu)異性能，本文將采用基于文獻(xiàn)［16］中提出的訓(xùn)練方法訓(xùn)練得到ＲSOM聚類樹來學(xué)習(xí)算法在運(yùn)行過程中建立的各個(gè)路標(biāo)碼本，同時(shí)選取數(shù)據(jù)庫中與采集圖像的最相似的K個(gè)路標(biāo)作為閉環(huán)候選路標(biāo)。樹中的葉節(jié)點(diǎn)中保存著分配到其中的SIFT描述向量，同時(shí)這些SIFT描述向量的路標(biāo)編號也保存在這些葉節(jié)點(diǎn)中，并且聚類到同一個(gè)葉節(jié)點(diǎn)中的SIFT描述向量還具有近鄰的特點(diǎn)。在閉環(huán)檢測的第一階段，算法將搜索輸入圖像的近鄰路標(biāo)碼本，并從中選取待識別碼本，具體步驟如下:步驟1:將輸入屬性圖Gl的SIFT特征向量集U=Vtl，t=1，2，…，{}T投影到ＲSOM樹的對應(yīng)的葉節(jié)點(diǎn)中，并得到這些葉節(jié)點(diǎn)中所包含的路標(biāo)標(biāo)號和這些標(biāo)號所對應(yīng)的路標(biāo)碼本集UGG{}l。UGG{}l=Li|Ujq∈Li，Ujq∈WLU{}tl，Utl∈G{}l(5)式中:WLU{}tl是SIFT向量Utl投影到的葉節(jié)點(diǎn)。步驟2:依據(jù)式(2)對UGG{}l中的各標(biāo)號進(jìn)行頻數(shù)統(tǒng)計(jì)，選取頻數(shù)最高的K個(gè)標(biāo)號所對應(yīng)的路標(biāo)碼本作為圖Gl的近鄰路標(biāo)碼本集KG{}l。步驟3:將KG{}l內(nèi)的路標(biāo)碼本Li=Ami，m=1，2，…，{}M，(i=1，2，…，K)依次與特征集U=Vt

【參考文獻(xiàn)】：
期刊論文
[1]強(qiáng)跟蹤平方根容積卡爾曼濾波SLAM算法[J]. 戴雪梅,郎朗,陳孟元.  電子測量與儀器學(xué)報(bào). 2015(10)
[2]基于雙目立體視覺的目標(biāo)測距系統(tǒng)[J]. 沈彤,劉文波,王京.  電子測量技術(shù). 2015(04)
[3]基于平方根容積機(jī)器人蒙特卡羅定位算法研究[J]. 朱奇光,張興家,陳衛(wèi)東,陳穎.  儀器儀表學(xué)報(bào). 2015(04)
[4]慣導(dǎo)/雙目視覺位姿估計(jì)算法研究[J]. 于永軍,徐錦法,張梁,熊智.  儀器儀表學(xué)報(bào). 2014(10)
[5]基于視覺詞典的單目視覺閉環(huán)檢測算法[J]. 梁志偉,陳燕燕,朱松豪,高翔,徐國政.  模式識別與人工智能. 2013(06)
[6]基于Hough空間的移動(dòng)機(jī)器人全局定位算法[J]. 高翔,梁志偉,徐國政.  電子測量與儀器學(xué)報(bào). 2012(06)
[7]基于單目視覺的輪式機(jī)器人同步定位與地圖構(gòu)建[J]. 弋英民,劉丁.  儀器儀表學(xué)報(bào). 2010(01)

博士論文
[1]基于圖像局部不變特征的類屬超圖構(gòu)建與目標(biāo)識別技術(shù)研究[D]. 劉建軍.國防科學(xué)技術(shù)大學(xué) 2010



本文編號：3652745