針對移動機器人在自主定位時出現(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聚類樹的移動機器人閉環(huán)檢測算法。首先采用屬性圖模型對圖像對進行相似性度量,通過對連續(xù)采集的圖像序列進行分組和增量學習對不同場景進行路標建設。然后將路標中的向量投影至RSOM的各葉節(jié)點中,同時對各路標進行權值更新。最后,新算法通過兩階段檢測對閉環(huán)進行判定。在第一階段,算法利用RSOM樹的快速檢索能力對采集圖像進行最近鄰路標檢索并判斷該路標是否為待檢測路標;在第二階段,算法將待檢測路標內所包含的所有屬性圖依次與采集圖像進行相似性度量,最后結合閾值加權結果進行閉環(huán)檢測判定。實驗結果表明,該算法受環(huán)境中動態(tài)目標的影響較小,在能取得較高的召回率和準確度的同時,定位精度大幅提升。 

【文章頁數(shù)】：7 頁

【部分圖文】：

路標生成流程圖

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，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路標生成為了精確描述機器人訪問的每個場景，算法將基于ＲSOM樹建立各場景路標。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)絡作為節(jié)點采用遞歸生長方法得到的SOM樹模型，其葉結點均為128維向量。當Ci分組完成后，Ci內的各屬性圖的SIFT特征向量將被輸入到已經(jīng)訓練好的ＲSOM樹中學習，每個特征將投影到與其歐氏距離最小的葉節(jié)點中，這樣來自不同圖像但在同一葉結點中的特征向量就具有了近鄰屬性。具體算法流程在文獻［16］中已具體闡述。圖2ＲSOM聚類樹模型Fig．2ＲSOMtreemodel當ＲSOM學習完Ci中所有屬性圖后，算法將依據(jù)式(2)投影得到的葉節(jié)點集投影頻次進行降序排列，之后選取前K個葉節(jié)點向量的集合KC{}i作為初始路標碼本Li，并將符合式(3)的圖像存至路標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)考慮到移動機器人運行在動態(tài)環(huán)境中，部分場景在不同時刻發(fā)生的變化以及分組時剔除的圖像可能造成場景細節(jié)的丟失，從而導致閉環(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的兩階段移動機器人閉環(huán)檢測算法477算法將結合屬性圖Gl的K近鄰路標集KG{}l和各路標權值從ＲSOM樹中尋找待檢測路標;當找到待檢測路標后，在第2階段即圖像匹配階段，算法將屬性圖Gl與待檢測路標內的屬性圖依次進行相似性度量，并最終判定閉環(huán)檢測結果。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)模圖像檢索領域的優(yōu)異性能，本文將采用基于文獻［16］中提出的訓練方法訓練得到ＲSOM聚類樹來學習算法在運行過程中建立的各個路標碼本，同時選取數(shù)據(jù)庫中與采集圖像的最相似的K個路標作為閉環(huán)候選路標。樹中的葉節(jié)點中保存著分配到其中的SIFT描述向量，同時這些SIFT描述向量的路標編號也保存在這些葉節(jié)點中，并且聚類到同一個葉節(jié)點中的SIFT描述向量還具有近鄰的特點。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樹的對應的葉節(jié)點中，并得到這些葉節(jié)點中所包含的路標標號和這些標號所對應的路標碼本集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。步驟2:依據(jù)式(2)對UGG{}l中的各標號進行頻數(shù)統(tǒng)計，選取頻數(shù)最高的K個標號所對應的路標碼本作為圖Gl的近鄰路標碼本集KG{}l。步驟3:將KG{}l內的路標碼本Li=Ami，m=1，2，…，{}M，(i=1，2，…，K)依次與特征集U=Vt

【參考文獻】：
期刊論文
[1]強跟蹤平方根容積卡爾曼濾波SLAM算法[J]. 戴雪梅,郎朗,陳孟元.  電子測量與儀器學報. 2015(10)
[2]基于雙目立體視覺的目標測距系統(tǒng)[J]. 沈彤,劉文波,王京.  電子測量技術. 2015(04)
[3]基于平方根容積機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.  儀器儀表學報. 2015(04)
[4]慣導/雙目視覺位姿估計算法研究[J]. 于永軍,徐錦法,張梁,熊智.  儀器儀表學報. 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空間的移動機器人全局定位算法[J]. 高翔,梁志偉,徐國政.  電子測量與儀器學報. 2012(06)
[7]基于單目視覺的輪式機器人同步定位與地圖構建[J]. 弋英民,劉丁.  儀器儀表學報. 2010(01)

博士論文
[1]基于圖像局部不變特征的類屬超圖構建與目標識別技術研究[D]. 劉建軍.國防科學技術大學 2010



本文編號：3652745