CN112464989A - 一种基于目标检测网络的闭环检测方法 - Google Patents
一种基于目标检测网络的闭环检测方法 Download PDFInfo
- Publication number
- CN112464989A CN112464989A CN202011206238.1A CN202011206238A CN112464989A CN 112464989 A CN112464989 A CN 112464989A CN 202011206238 A CN202011206238 A CN 202011206238A CN 112464989 A CN112464989 A CN 112464989A
- Authority
- CN
- China
- Prior art keywords
- network
- feature
- detection network
- training
- target detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 174
- 238000012549 training Methods 0.000 claims abstract description 75
- 239000013598 vector Substances 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000000513 principal component analysis Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 16
- 238000013140 knowledge distillation Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 8
- 238000013461 design Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于目标检测网络的闭环检测方法，属于智能机器人的SLAM技术领域。所述方法包括：构建目标检测网络，利用数据集对构建的目标检测网络进行训练；其中，训练好的目标检测网络能够输出图像的特征向量并定位出图像中的移动物体；利用训练好的目标检测网络处理机器人实时采集的图像，当检测到移动物体时，对移动物体区域进行背景修复处理后，重新输入目标检测网络生成新的特征向量，对新生成的特征向量进行主成分分析后，得到图像的描述向量，将该描述向量与特征库中的描述向量进行相似度计算，如果相似度大于预设的阈值，则检测到闭环；否则，则没有发生闭环。采用本发明，能够显著提高了闭环检测应对动态场景的鲁棒性。
Description
技术领域
本发明涉及智能机器人的SLAM技术领域，特别是指一种基于目标检测网络的闭环检测方法。
背景技术
同步定位与地图构建(Simultaneous localization and mapping，简称SLAM)是移动机器人研究技术中的核心问题之一，相较于激光传感器，图像传感器采集的信息具有更加丰富的纹理信息和场景辨识能力。如今随着计算机计算性能的提升和计算机视觉技术的发展，视觉SLAM方案也愈发成熟，在视觉SLAM系统中，前端估计产生的误差会不断积累，因此机器人在长时间运动后会产生较大的累计误差，最终导致构图和定位的失败。闭环检测通过场景识别的方式，可以解决位置估计随时间漂移的问题，从而消除累计误差的影响。
闭环检测实质上是一种计算图像数据相似度的算法。假设机器人经过一段时间的运动后回到原点，但是由于误差漂移的原因，前端估计模块计算的位置坐标并不是原点，此时就可以使用闭环检测方法把原点“识别”出来，然后对位置坐标和全局地图进行修正。目前主流的闭环检测是基于视觉词袋模型(DBoW)实现的，即使用SIFT(Scale-invariantfeature transform，尺度不变特征变换)、SURF(Speeded-Up Robust Features，加速稳健特征)、ORB(Oriented Fast and Rotated BRIEF，定向快速和旋转独立特征)等人工设计的图像特征生成视觉词袋，然后使用视觉词袋描述图像，通过描述向量的相似性判断是否产生闭环。但是使用人工设计的图像特征面临如下两个问题：一是难以设计通用的图像特征最优的表示不同场景下的图像信息，二是面对光照变化、动态目标、纹理单一的环境时难以保持较好的鲁棒性。
发明内容
本发明实施例提供了基于目标检测网络的闭环检测方法，能够解决现有技术存在的使用人工设计的图像特征进行闭环检测，存在特征设计困难，鲁棒性差的问题。所述技术方案如下：
本发明实施例提供了一种基于目标检测网络的闭环检测方法，该方法包括：
采集环境的图像，制作数据集；
构建目标检测网络，利用所述数据集对构建的目标检测网络进行训练；其中，训练好的目标检测网络能够输出图像的特征向量并定位出图像中的移动物体；
利用训练好的目标检测网络处理机器人实时采集的图像，当检测到移动物体时，对移动物体区域进行背景修复处理后，重新输入目标检测网络生成新的特征向量，对新生成的特征向量进行主成分分析后，得到图像的描述向量，将该描述向量与特征库中的描述向量进行相似度计算，如果相似度大于预设的阈值，则检测到闭环；否则，则没有发生闭环。
进一步地，所述数据集包括：训练集和测试集；
所述采集环境的图像，制作数据集包括：
在一天的不同时刻，使用机器人携带的图像传感器采集环境的图像，利用标注工具标注出图像中的移动物体，并将其记录在标注文件中，随机选取一部分图像和对应的标注文件作为训练集，剩余的图像和对应的标注文件作为测试集。
进一步地，所述构建目标检测网络，利用所述数据集对构建的目标检测网络进行训练包括：
选择教师网络，构建目标检测网络，其中，所述目标检测网络包括：特征网络和检测网络，所述特征网络的结构以选择的教师网络为基准；
输入所述数据集，利用知识蒸馏技术训练特征网络，在训练后的特征网络的基础上训练检测网络，联合特征网络和检测网络的损失函数，利用所述数据集对整个目标检测网络进行微调训练。
进一步地，所述输入所述数据集，利用知识蒸馏技术训练特征网络包括：
将训练集图像同时输入特征网络和教师网络，其中，经过教师网络的前向推论和Softmax(T)操作后，得到训练集图像的类别概率分布T-Prob，经过特征网络的前向推论和Softmax(T)操作后，得到训练图像的类别概率分布G-Prob，其中，T表示温度系数；
利用KL散度公式衡量T-Prob和G-Prob的近似程度，作为特征网络的损失函数；
计算特征网络的损失函数值后进行反向传播，其中，每训练一轮后都在测试集上进行测试，如果在测试集上的特征网络的损失函数值增大，则提前结束训练，否则继续训练，直至当前迭代次数大于等于预设的训练次数。
进一步地，特征网络的损失函数表示为：
其中，loss1表示特征网络的损失函数值，KL()表示散度公式，x表示神经网络的权重参数。
进一步地，所述在训练后的特征网络的基础上训练检测网络包括：
固定特征网络的权重参数，利用特征网络提取的图像的特征向量训练检测网络；
其中，在检测网络的训练过程中，以训练集中的标注文件作为检测网络的标签，计算检测网络的损失函数值loss2。
进一步地，所述联合特征网络和检测网络的损失函数，利用所述数据集对整个目标检测网络进行微调训练包括：
特征网络、检测网络和教师网络载入对应的权重文件；
联合loss1和loss2，得到整个目标检测网络的损失函数total_loss；
根据得到的目标检测网络的损失函数total_loss，利用所述数据集对整个目标检测网络进行微调训练。
进一步地，目标检测网络的损失函数total_loss表示为：
total_loss＝loss1*(1-α)+loss2*α
其中，α表示权重系数。
进一步地，所述方法还包括：
当没有检测到移动物体时，对目标检测网络输出的特征向量进行主成分分析得到图像的描述向量，将该描述向量与特征库中的描述向量进行相似度计算，如果相似度大于预设的阈值，则检测到闭环，如果小于预设的阈值，则没有发生闭环，并将当前的位置信息和该描述向量加入到特征库中。
本发明实施例提供的技术方案带来的有益效果至少包括：
本发明实施例中，通过目标检测网络对环境的图像进行特征提取和移动物体检测，并对检测的移动物体区域进行背景修复处理以降低移动物体的干扰，再使用主成分分析得到图像的描述向量进行闭环检测，实现识别相同场景的功能。相比于现有技术，本发明获取的图像描述向量更具有普适性，而且对于动态场景也具有更好的鲁棒性，从而解决现有技术存在的使用人工设计的图像特征进行闭环检测，存在特征设计困难，鲁棒性差的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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为本发明实施例提供的基于目标检测网络的闭环检测方法的流程示意图；
图2为本发明实施例提供的基于目标检测网络的闭环检测方法的详细流程示意图；
图3为本发明实施例提供的使用知识蒸馏技术训练特征网络的流程示意图；
图4为本发明实施例提供的检测网络的结构示意图；
图5为本发明实施例提供的在New College数据集上采用不同方法进行闭环检测的性能曲线对比示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示，本发明实施例提供了一种基于目标检测网络的闭环检测方法，该方法包括：
S101，采集环境的图像，制作数据集；
S102，构建目标检测网络，利用所述数据集对构建的目标检测网络进行训练；其中，训练好的目标检测网络能够输出图像的特征向量并定位出图像中的移动物体；
S103，利用训练好的目标检测网络处理机器人实时采集的图像，当检测到移动物体时，对移动物体区域进行背景修复处理后，重新输入目标检测网络生成新的特征向量，对新生成的特征向量进行主成分分析(PCA)后，得到图像的描述向量，将该描述向量与特征库中的描述向量进行相似度计算，如果相似度大于预设的阈值，则检测到闭环；否则，则没有发生闭环。
本发明实施例所述的基于目标检测网络的闭环检测方法，通过目标检测网络对环境的图像进行特征提取和移动物体检测，并对检测的移动物体区域进行背景修复处理以降低移动物体的干扰，再使用主成分分析得到图像的描述向量进行闭环检测，实现识别相同场景的功能。相比于现有技术，本发明获取的图像描述向量更具有普适性，而且对于动态场景也具有更好的鲁棒性，从而解决现有技术存在的使用人工设计的图像特征进行闭环检测，存在特征设计困难，鲁棒性差的问题。
本实施例中，所述目标检测网络为one-stage(单阶段)目标检测网络。
在前述基于目标检测网络的闭环检测方法的具体实施方式中，进一步地，所述数据集包括：训练集和测试集；
所述采集环境的图像，制作数据集包括：
在一天的不同时刻，使用机器人携带的图像传感器采集环境的图像，利用标注工具标注出图像中的移动物体，并将其记录在标注文件中，随机选取一部分图像和对应的标注文件作为训练集，剩余的图像和对应的标注文件作为测试集。
本实施例中，例如，可以将摄像头固定到机器人TurtleBot2上，然后移动机器人采集环境中的图像，并使用标注工具labelimg标注出图像中的移动物体，标注数据保存成XML文件(即：标签)，随机选取90％的图像和对应的标注文件作为训练集，剩余的图像和对应的标注文件作为测试集。
在前述基于目标检测网络的闭环检测方法的具体实施方式中，进一步地，如图2、图3和图4所示，所述构建目标检测网络，利用所述数据集对构建的目标检测网络进行训练包括：
选择教师网络，构建目标检测网络，其中，所述目标检测网络包括：特征网络和检测网络，所述特征网络的结构以选择的教师网络为基准；
输入所述数据集，利用知识蒸馏技术训练特征网络，在训练后的特征网络的基础上训练检测网络，联合特征网络和检测网络的损失函数，利用所述数据集对整个目标检测网络进行微调训练。
本实施例中，首先构建特征网络，特征网络的输入是原始图像，输出是图像的特征向量；然后在特征网络的基础上构建检测网络，检测网络的输入是特征网络池化层前后的两个特征向量，输出是目标检测结果，即：定位出的图像中的移动物体。
本实施例中，选择的教师网络是在ImageNet数据集上训练好的ResNet50。
本实施例中，为了更好地理解ResNet50，先对ResNet进行说明，ResNet是一种残差神经网络，指的是在传统卷积神经网络中加入残差学习的思想，解决深层网络中梯度弥散和精度下降的问题，使网络能够越来越深，既保证了精度，又控制了速度。
本实施例中，所述ResNet50指的是深度为50的残差神经网络，其中深度是指“需要通过训练更新参数”的层数，如卷积层，全连接层等。首先，网络的第一层，即图3教师网络中的Layer-1为7*7*64的卷积层；然后从Layer-2开始，经过16个残差学习模块，每个残差学习模块包含3个卷积层，有16*3＝48层；最后经过一个用于分类的全连接层，即Layer-n。所以一共有1+48+1＝50层。
本实施例中，特征网络的结构设计以教师网络为基准，通过减少网络的深度和网络中间层的通道数两方面进行重构。本实施例使用的特征网络为Net3网络，数字3表示该网络的残差学习模块的个数。在特征网络中，输入416*416*3的图片(或图像)，经过特征网络的第一层，即图3特征网络的Layer-1为1*1*32的卷积层，输出416*416*32的特征图；从Layer-2开始，经过了3个残差学习模块和一个卷积层，输出26*26*1024的特征图；对特征图进行池化操作，输出维度为13*13*1024的特征图(即：特征网络输出的图像的特征向量)，最后经过全连接层，即图3中特征网络的Layer-m层后，其输出尺寸是1*1*1024。
本实施例中，检测网络的网络结构如图4所示，由6个卷积层(conv)、1个上采样层(upsample)、1个拼接层(shortcut)组成。基于one-stage算法思想，直接在特征图上对目标的类别、置信度和位置进行回归预测。
本实施例中，检测网络的输入是两个特征图，尺寸分别为13*13*1024和26*26*1024，其中，第一个输入特征图(尺寸为13*13*1024的特征图)是特征网络进行池化操作后的输出特征图，第二个输入特征图(尺寸为26*26*1024的特征图)是特征网络输出的未进行池化操作的特征图。第一个输入特征图经过第一个卷积层conv1，其卷积核个数为256，其输出的特征图尺寸为13*13*256；第二个卷积层conv2的卷积核个数为512，其输出的特征图尺寸为13*13*512；第三个conv3卷积层的卷积核个数为25，其输出的特征图尺寸为13*13*75；第四个卷积层conv4的卷积核个数为128，其输出的特征图尺寸为13*13*128；之后经过一个上采样层upsample5，将特征图尺寸扩大为26*26*128；接下来的拼接层shortcut6将上采样层输出的特征图和检测网络的第二个输入特征图进行拼接，得到尺寸为26*26*1152的特征图；之后特征图经过第五个卷积层conv7，其卷积核个数为256，其输出特征图尺寸为26*26*256；最后，第六个卷积层，其卷积核个数为75，其输出特征图尺寸为26*26*75。
本实施例中，检测网络的输出是两个矩阵，包括：13*13*75的矩阵A和26*26*75的矩阵B，在特征图的每个像素点上会有3个边框检测器，每个边框检测器预测25个值，分别是边框中心点坐标信息、边框长度和宽度信息、边框内有物体的置信度，以及20种类别概率，多尺度输出保证了检测网络可以检测图像中不同尺寸的物体。在矩阵A表示的输出中，图像尺寸被压缩了32倍，故一个检测器的感受野是32*32，负责检测大物体；在矩阵B表示的输出中，图像尺寸被压缩了16倍，故一个检测器的感受野是16*16，负责检测小物体。将矩阵像素中的检测器映射到416*416的原图中，即可预测所有检测框的位置和大小，以及框内有物体的概率和物体的类别概率。
为了更好地理解大物体和小物体，对其作简要说明：
对原图中的同一个物体被压缩了32倍和压缩了16倍这两种情况而言，是压缩了32倍的图像的单个像素表示的物体大小更大一些。因此同样都是检测同一个像素中的物体，A矩阵的检测器检测的物体比B更大，因此，矩阵A负责检测大物体，矩阵B负责检测小物体。
本实施例中，采用分步训练的方式训练目标检测网络，首先使用知识蒸馏技术训练特征网络；然后，在训练后的特征网络的基础上训练检测网络；最后，联合特征网络和检测网络的损失函数作为整个目标检测网络的损失函数，利用所述数据集对整个目标检测网络进行微调训练。
在前述基于目标检测网络的闭环检测方法的具体实施方式中，进一步地，所述输入所述数据集，利用知识蒸馏技术训练特征网络包括：
A1，将训练集图像同时输入特征网络和教师网络，其中，经过教师网络的前向推论和Softmax(T)操作后，得到训练集图像的类别概率分布T-Prob，经过特征网络的前向推论和Softmax(T)操作后，得到训练图像的类别概率分布G-Prob；
本实施例中，Softmax(T)操作可以表示为：
其中，T表示温度系数，可以调节相似类别的相似程度；z表示全连接层的输出，zi、zj代表全连接层第i个结点输出的未归一化的概率、第j个结点输出的未归一化的概率，通过(1)式的softmax(T)操作，将其转换为归一化概率。
A2，利用KL(Kullback and Leibler，公式发明者名称)散度公式衡量T-Prob和G-Prob的近似程度，作为特征网络的损失函数：
其中，loss1表示特征网络的损失函数值，KL()表示散度公式，x表示神经网络的权重参数。
本实施例中，将教师网络的输出作为特征网络的标签，计算特征网络的损失函数值loss1；且T-Prob和G-Prob越接近，loss1的值越小。
A3，计算特征网络的损失函数值后进行反向传播，其中，每训练一轮后都在测试集上进行测试，如果在测试集上的特征网络的损失函数值增大，则提前结束训练，否则继续训练，直至当前迭代次数大于等于预设的训练次数。
本实施例中，特征网络的输入图像的尺寸是416*416*3，输出的特征向量维度是1000。在训练特征网络之前，需要对输入图像进行填充和规范化处理，然后设置批处理(batch)等于64，温度系数T等于2，优化函数选择Adam，训练次数为560次。
在前述基于目标检测网络的闭环检测方法的具体实施方式中，进一步地，所述在训练后的特征网络的基础上训练检测网络包括：
固定特征网络的权重参数，利用特征网络提取的图像的特征向量训练检测网络；
其中，在检测网络的训练过程中，以训练集中的标注文件作为检测网络的标签，计算检测网络的损失函数值loss2。
本实施例中，特征网络载入其权重文件，检测网络权重随机初始化，多次训练得到性能较好的检测网络，保存其权重文件。
在前述基于目标检测网络的闭环检测方法的具体实施方式中，进一步地，所述联合特征网络和检测网络的损失函数，利用所述数据集对整个目标检测网络进行微调训练包括：
B1，特征网络、检测网络和教师网络载入对应的权重文件；
B2，联合loss1和loss2，得到整个目标检测网络的损失函数total_loss：
total_loss＝loss1*(1-α)+loss2*α
其中，α作为权重系数，用于调节loss1和loss2对total_loss的贡献大小，进而调节整个目标检测网络的精度。
B3，根据得到的目标检测网络的损失函数total_loss，利用所述数据集对整个目标检测网络进行微调训练。
本实施例中，根据得到的目标检测网络的损失函数total_loss，利用所述数据集对整个目标检测网络进行100次微调训练，即得到用于闭环检测的目标检测网络。
在前述基于目标检测网络的闭环检测方法的具体实施方式中，进一步地，所述方法还包括：
当没有检测到移动物体时，对目标检测网络输出的特征向量进行主成分分析得到图像的描述向量，将该描述向量与特征库中的描述向量进行相似度计算，如果相似度大于预设的阈值，则检测到闭环，如果小于预设的阈值，则没有发生闭环，并将当前的位置信息和该描述向量加入到特征库中。
本实施例中，假设TurtleBot2机器人在陌生的环境中进行移动，摄像头每隔100帧采集一张图像送入目标检测网络中，利用目标检测网络进行闭环检测，具体实施过程如下：
C1，利用训练好的目标检测网络处理TurtleBot2机器人实时采集的图像，其中，目标检测网络的输出包括：图像特征向量和移动物体检测结果；
C3，当没有检测到移动物体，则对目标检测网络中特征网络输出的特征向量进行主成分分析后得到图像的描述向量，然后将该描述向量和特征库中的描述向量进行相似度计算，如果相似度大于预设的阈值，则检测到闭环；如果小于预设的阈值，则没有发生闭环，并将当前的位置信息和该描述向量加入到特征库中。
C4，如果检测到移动物体时，则对移动物体区域进行背景修复处理后，重新送入目标检测网络中特征网络中的特征网络生成新的维度为1000的特征向量(只需要执行特征网络部分)，对新生成的特征向量进行主成分分析后得到维度为512的图像的描述向量，将该描述向量与特征库中的描述向量进行相似度计算，如果相似度大于预设的阈值，则检测到闭环；否则，则没有发生闭环，且考虑到存在移动物体的干扰，不需要将该描述向量加入到特征库中。
为了验证本发明实施例所述的基于目标检测网络的闭环检测方法的有效性，使用本发明所述的方法(简称：CNN)及现有的方法(DBoW)在公开数据集New College上进行性能测试，从图5中可以看到，在保证精确率(precision)的情况下，和传统方法相比，本发明可以提高8％的召回率。
综上所述，本发明实施例所述的基于目标检测网络的闭环检测方法具有以下优点：
1)训练好的目标检测网络利用深度学习算法提取图像的特征，相比于传统方法，端到端的实现方式更具有通用性，基于大量图像训练提取的特征向量也可以更优的表示图像。
2)训练好的目标检测网络可以对动态场景下的移动物体进行检测，显著提高了闭环检测应对动态场景的鲁棒性；
3)对检测到的移动物体区域进行背景修复处理，这样，利用移动物体周围的环境信息，对移动物体区域进行背景填充，从而削弱移动物体对闭环检测的影响。
4)对目标检测网络输出的特征向量进行主成分分析，生成图像的描述向量；这样，一方面可以降低描述向量的维度，提高向量相似度计算的效率，另一方面可以减少向量内部数据的相关性，得到性能更好的描述向量。
5)实现闭环检测，这样，考虑到相邻图像之间普遍具有相似性，因此根据机器人移动速度选择合适的帧间隔进行闭环检测，若两个描述向量相似度大于预设的阈值，则认为发生闭环。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于目标检测网络的闭环检测方法，其特征在于，包括：
采集环境的图像，制作数据集；
构建目标检测网络，利用所述数据集对构建的目标检测网络进行训练；其中，训练好的目标检测网络能够输出图像的特征向量并定位出图像中的移动物体；
利用训练好的目标检测网络处理机器人实时采集的图像，当检测到移动物体时，对移动物体区域进行背景修复处理后，重新输入目标检测网络生成新的特征向量，对新生成的特征向量进行主成分分析后，得到图像的描述向量，将该描述向量与特征库中的描述向量进行相似度计算，如果相似度大于预设的阈值，则检测到闭环；否则，则没有发生闭环。
2.根据权利要求1所述的基于目标检测网络的闭环检测方法，其特征在于，所述数据集包括：训练集和测试集；
所述采集环境的图像，制作数据集包括：
在一天的不同时刻，使用机器人携带的图像传感器采集环境的图像，利用标注工具标注出图像中的移动物体，并将其记录在标注文件中，随机选取一部分图像和对应的标注文件作为训练集，剩余的图像和对应的标注文件作为测试集。
3.根据权利要求2所述的基于目标检测网络的闭环检测方法，其特征在于，所述构建目标检测网络，利用所述数据集对构建的目标检测网络进行训练包括：
选择教师网络，构建目标检测网络，其中，所述目标检测网络包括：特征网络和检测网络，所述特征网络的结构以选择的教师网络为基准；
输入所述数据集，利用知识蒸馏技术训练特征网络，在训练后的特征网络的基础上训练检测网络，联合特征网络和检测网络的损失函数，利用所述数据集对整个目标检测网络进行微调训练。
4.根据权利要求3所述的基于目标检测网络的闭环检测方法，其特征在于，所述输入所述数据集，利用知识蒸馏技术训练特征网络包括：
将训练集图像同时输入特征网络和教师网络，其中，经过教师网络的前向推论和Softmax(T)操作后，得到训练集图像的类别概率分布T-Prob，经过特征网络的前向推论和Softmax(T)操作后，得到训练图像的类别概率分布G-Prob，其中，T表示温度系数；
利用KL散度公式衡量T-Prob和G-Prob的近似程度，作为特征网络的损失函数；
计算特征网络的损失函数值后进行反向传播，其中，每训练一轮后都在测试集上进行测试，如果在测试集上的特征网络的损失函数值增大，则提前结束训练，否则继续训练，直至当前迭代次数大于等于预设的训练次数。
5.根据权利要求4所述的基于目标检测网络的闭环检测方法，其特征在于，特征网络的损失函数表示为：
其中，loss1表示特征网络的损失函数值，KL()表示散度公式，x表示神经网络的权重参数。
6.根据权利要求3所述的基于目标检测网络的闭环检测方法，其特征在于，所述在训练后的特征网络的基础上训练检测网络包括：
固定特征网络的权重参数，利用特征网络提取的图像的特征向量训练检测网络；
其中，在检测网络的训练过程中，以训练集中的标注文件作为检测网络的标签，计算检测网络的损失函数值loss2。
7.根据权利要求3所述的基于目标检测网络的闭环检测方法，其特征在于，所述联合特征网络和检测网络的损失函数，利用所述数据集对整个目标检测网络进行微调训练包括：
特征网络、检测网络和教师网络载入对应的权重文件；
联合loss1和loss2，得到整个目标检测网络的损失函数total_loss；
根据得到的目标检测网络的损失函数total_loss，利用所述数据集对整个目标检测网络进行微调训练。
8.根据权利要求7所述的基于目标检测网络的闭环检测方法，其特征在于，目标检测网络的损失函数total_loss表示为：
total_loss＝loss1*(1-α)+loss2*α
其中，α表示权重系数。
9.根据权利要求1所述的基于目标检测网络的闭环检测方法，其特征在于，所述方法还包括：
当没有检测到移动物体时，对目标检测网络输出的特征向量进行主成分分析得到图像的描述向量，将该描述向量与特征库中的描述向量进行相似度计算，如果相似度大于预设的阈值，则检测到闭环，如果小于预设的阈值，则没有发生闭环，并将当前的位置信息和该描述向量加入到特征库中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011206238.1A CN112464989B (zh) | 2020-11-02 | 2020-11-02 | 一种基于目标检测网络的闭环检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011206238.1A CN112464989B (zh) | 2020-11-02 | 2020-11-02 | 一种基于目标检测网络的闭环检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112464989A true CN112464989A (zh) | 2021-03-09 |
| CN112464989B CN112464989B (zh) | 2024-02-20 |
Family
ID=74835259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011206238.1A Active CN112464989B (zh) | 2020-11-02 | 2020-11-02 | 一种基于目标检测网络的闭环检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112464989B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313238A (zh) * | 2021-06-16 | 2021-08-27 | 中国科学技术大学 | 一种基于深度学习的视觉slam方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012035707A1 (ja) * | 2010-09-17 | 2012-03-22 | 国立大学法人東京工業大学 | 地図生成装置、地図生成方法、移動体の移動方法、及びロボット装置 |
| US20120158178A1 (en) * | 2010-12-20 | 2012-06-21 | Samsung Electronics Co., Ltd. | Robot and method for creating path of the robot |
| WO2018137357A1 (zh) * | 2017-01-24 | 2018-08-02 | 北京大学 | 一种目标检测性能优化的方法 |
| WO2018214706A1 (zh) * | 2017-05-22 | 2018-11-29 | 腾讯科技（深圳）有限公司 | 运动控制方法、存储介质、计算机设备和服务机器人 |
| CN109443382A (zh) * | 2018-10-22 | 2019-03-08 | 北京工业大学 | 基于特征提取与降维神经网络的视觉slam闭环检测方法 |
| CN109800629A (zh) * | 2018-12-05 | 2019-05-24 | 天津大学 | 一种基于卷积神经网络的遥感图像目标检测方法 |
| CN110110694A (zh) * | 2019-05-16 | 2019-08-09 | 东北大学 | 一种基于目标检测的视觉slam闭环检测方法 |
| CN110533661A (zh) * | 2019-09-04 | 2019-12-03 | 电子科技大学 | 基于图像特征级联的自适应实时闭环检测方法 |
| CN110531618A (zh) * | 2019-08-27 | 2019-12-03 | 河海大学 | 基于有效关键帧的闭环检测机器人自定位误差消除方法 |
| CN110659665A (zh) * | 2019-08-02 | 2020-01-07 | 深圳力维智联技术有限公司 | 一种异维特征的模型构建方法及图像识别方法、装置 |
| WO2020019221A1 (zh) * | 2018-07-26 | 2020-01-30 | 深圳前海达闼云端智能科技有限公司 | 一种自主定位和地图建立方法、装置和机器人 |
| CN110781790A (zh) * | 2019-10-19 | 2020-02-11 | 北京工业大学 | 基于卷积神经网络与vlad的视觉slam闭环检测方法 |
| CN111062951A (zh) * | 2019-12-11 | 2020-04-24 | 华中科技大学 | 一种基于语义分割类内特征差异性的知识蒸馏方法 |
| CN111553193A (zh) * | 2020-04-01 | 2020-08-18 | 东南大学 | 一种基于轻量级深层神经网络的视觉slam闭环检测方法 |
| CN111554268A (zh) * | 2020-07-13 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 基于语言模型的语言识别方法、文本分类方法和装置 |
| CN111709409A (zh) * | 2020-08-20 | 2020-09-25 | 腾讯科技（深圳）有限公司 | 人脸活体检测方法、装置、设备及介质 |
| CN111753789A (zh) * | 2020-07-01 | 2020-10-09 | 重庆邮电大学 | 基于堆栈式组合自编码器的机器人视觉slam闭环检测方法 |
-
2020
- 2020-11-02 CN CN202011206238.1A patent/CN112464989B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012035707A1 (ja) * | 2010-09-17 | 2012-03-22 | 国立大学法人東京工業大学 | 地図生成装置、地図生成方法、移動体の移動方法、及びロボット装置 |
| US20120158178A1 (en) * | 2010-12-20 | 2012-06-21 | Samsung Electronics Co., Ltd. | Robot and method for creating path of the robot |
| WO2018137357A1 (zh) * | 2017-01-24 | 2018-08-02 | 北京大学 | 一种目标检测性能优化的方法 |
| WO2018214706A1 (zh) * | 2017-05-22 | 2018-11-29 | 腾讯科技（深圳）有限公司 | 运动控制方法、存储介质、计算机设备和服务机器人 |
| WO2020019221A1 (zh) * | 2018-07-26 | 2020-01-30 | 深圳前海达闼云端智能科技有限公司 | 一种自主定位和地图建立方法、装置和机器人 |
| CN109443382A (zh) * | 2018-10-22 | 2019-03-08 | 北京工业大学 | 基于特征提取与降维神经网络的视觉slam闭环检测方法 |
| CN109800629A (zh) * | 2018-12-05 | 2019-05-24 | 天津大学 | 一种基于卷积神经网络的遥感图像目标检测方法 |
| CN110110694A (zh) * | 2019-05-16 | 2019-08-09 | 东北大学 | 一种基于目标检测的视觉slam闭环检测方法 |
| CN110659665A (zh) * | 2019-08-02 | 2020-01-07 | 深圳力维智联技术有限公司 | 一种异维特征的模型构建方法及图像识别方法、装置 |
| CN110531618A (zh) * | 2019-08-27 | 2019-12-03 | 河海大学 | 基于有效关键帧的闭环检测机器人自定位误差消除方法 |
| CN110533661A (zh) * | 2019-09-04 | 2019-12-03 | 电子科技大学 | 基于图像特征级联的自适应实时闭环检测方法 |
| CN110781790A (zh) * | 2019-10-19 | 2020-02-11 | 北京工业大学 | 基于卷积神经网络与vlad的视觉slam闭环检测方法 |
| CN111062951A (zh) * | 2019-12-11 | 2020-04-24 | 华中科技大学 | 一种基于语义分割类内特征差异性的知识蒸馏方法 |
| CN111553193A (zh) * | 2020-04-01 | 2020-08-18 | 东南大学 | 一种基于轻量级深层神经网络的视觉slam闭环检测方法 |
| CN111753789A (zh) * | 2020-07-01 | 2020-10-09 | 重庆邮电大学 | 基于堆栈式组合自编码器的机器人视觉slam闭环检测方法 |
| CN111554268A (zh) * | 2020-07-13 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 基于语言模型的语言识别方法、文本分类方法和装置 |
| CN111709409A (zh) * | 2020-08-20 | 2020-09-25 | 腾讯科技（深圳）有限公司 | 人脸活体检测方法、装置、设备及介质 |
Non-Patent Citations (4)
| Title |
|---|
| AZAM RAFIQUE MEMON等: ""Loop closure detection using supervised and unsupervised deep neural networks for monocular SLAM systems"", 《ROBOTICS AND AUTONOMOUS SYSTEMS》, vol. 126, pages 1 - 13 * |
| BERTA BESCOS等: ""DynaSLAM: Tracking, Mapping and Inpainting in Dynamic Scenes"", 《ARXIV》, pages 1 - 8 * |
| 郑冰清等: ""一种融合语义地图与回环检测的视觉SLAM算法"", 《中国惯性技术学报》, vol. 28, no. 5, pages 629 - 637 * |
| 雷皓玮等: ""一种混合单目视觉SLAM系统研究"", 《研究与开发》, vol. 38, no. 9, pages 90 - 96 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313238A (zh) * | 2021-06-16 | 2021-08-27 | 中国科学技术大学 | 一种基于深度学习的视觉slam方法 |
| CN113313238B (zh) * | 2021-06-16 | 2023-12-29 | 中国科学技术大学 | 一种基于深度学习的视觉slam方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112464989B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11024037B2 (en) | Foreground-background-aware atrous multiscale network for disparity estimation | |
| CN107945204B (zh) | 一种基于生成对抗网络的像素级人像抠图方法 | |
| CN114202672A (zh) | 一种基于注意力机制的小目标检测方法 | |
| US20220230282A1 (en) | Image processing method, image processing apparatus, electronic device and computer-readable storage medium | |
| CN110782420A (zh) | 一种基于深度学习的小目标特征表示增强方法 | |
| CN111461083A (zh) | 基于深度学习的快速车辆检测方法 | |
| CN112364931B (zh) | 一种基于元特征和权重调整的少样本目标检测方法及网络系统 | |
| CN112232426B (zh) | 目标检测模型的训练方法、装置、设备及可读存储介质 | |
| CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
| CN113609896A (zh) | 基于对偶相关注意力的对象级遥感变化检测方法及系统 | |
| CN115719338A (zh) | 一种基于改进YOLOv5的PCB板表面缺陷检测方法 | |
| CN111666922A (zh) | 视频匹配方法、装置、计算机设备和存储介质 | |
| CN110245683A (zh) | 一种少样本目标识别的残差关系网络构建方法及应用 | |
| CN113487610A (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
| CN116266387A (zh) | 基于重参数化残差结构和坐标注意力机制的yolov4的图像识别算法及系统 | |
| CN116258877A (zh) | 土地利用场景相似度变化检测方法、装置、介质及设备 | |
| CN112989952B (zh) | 一种基于遮罩引导的人群密度估计方法及装置 | |
| CN112464989A (zh) | 一种基于目标检测网络的闭环检测方法 | |
| CN111582057B (zh) | 一种基于局部感受野的人脸验证方法 | |
| CN116311004B (zh) | 基于稀疏光流提取的视频运动目标检测方法 | |
| CN114549849A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| CN116580324A (zh) | 一种基于YOLOv5的无人机对地目标检测方法 | |
| CN115240163A (zh) | 一种基于一阶段检测网络的交通标志检测方法及系统 | |
| CN114926876A (zh) | 图像关键点检测方法、装置、计算机设备和存储介质 | |
| CN112052626B (zh) | 一种神经网络自动设计系统和方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |