买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江大学

摘要：本发明公开了一种基于增量式词袋模型的三维场景回环检测方法。具体做法为：对输入点云进行关键点和局部描述子提取，对提取的局部描述子进行分类，获得对应的词汇分布，将当前的词汇分布与词汇分布数据库中的数据进行比较，选择具有相似词汇分布的点云作为回环候选，若已有构成回环的历史信息，则同时利用此历史信息选择回环候选；对每一个回环候选进行几何验证，通过几何验证的最优候选则被认为与当前输入构成回环；词典与词汇分布数据库由最先输入的一部分点云实现初始化并定期更新，实现增量式词袋模型。同时，补充指标解决传统指标中存在的遗漏问题。本发明方法在多种数据集上进行评估，验证了其具备优异的回环检测性能以及显著的泛化能力。

主权项：1.一种基于增量式词袋模型的三维场景回环检测方法，其特征在于，该方法包括以下步骤：S1、对前Nd个点云提取关键点和局部描述子，构建词典数据库和词汇分布数据库；所述步骤S1中构建词典数据库和词汇分布数据库具体如下：首先对前Nd个点云分别进行体素将采样，提取关键点与局部描述子；将与关键点对应的局部描述子作为关键局部描述子；构建关键特征数据库和全部特征数据库；其次，对关键特征数据库中的数据利用k-means++的种子进行k-medians聚类，获得Nw个词汇作为聚类结果，得到词袋模型的词典数据库；最后，根据词典数据库，计算每个词汇对应的IDF值并对前Nd个点云的关键局部描述子进行分类，获得每个关键局部描述子对应的词汇分类结果，进一步计算对应的TF-IDF值，获得词汇分布直方图，直方图中储存相关点云中与此词汇对应的TF-IDF值，词汇分布构成了词汇分布数据库；S2、对后续输入点云提取关键点和局部描述子，并根据词典数据库对关键点对应的局部描述子进行分类，对分类结果使用TF-IDF计算进行加权处理，获得词汇分布直方图；S3、根据词汇分布情况结合词汇分布数据库进行粗筛，并计算粗筛结果的词汇分布与当前词汇分布的相似性，同时将粗筛结果根据时间一致性进行归类，获得一系列点云组集合，在点云数量最多、平均相似度最高的两个点云组集合中分别选取相似度最高的前Ns个点云，删除重复后作为候选点云；所述步骤S3中的粗筛具体为：在词汇分布直方图中，若某一格储存的值为0，则当前点云中不具备此格对应的词汇，以此确定当前点云具备的词汇集合，记为中的元素个数记为nw；根据词汇分布数据库，确定每一个历史点云具备的属于中的词汇数量，记为此处的历史点云剔除了与当前输入点云时间上最相近的Ng个点云，若满足： 则第j个点云通过粗筛，其中λw是用于判断的阈值；所述步骤S3中计算粗筛结果的词汇分布与当前词汇分布的相似性具体为：对每一个通过粗筛的点云进行词汇分布相似性计算，相似性通过两个词汇分布直方图之间的欧氏距离进行衡量，距离越小，则相似度越高；所述步骤S3中将粗筛结果根据时间一致性进行归类具体为：对所有通过粗筛的点云，根据相似度进行降序排列；然后根据时间一致性，将时间相近的点云归为一组，具体为：对每一个通过粗筛的点云，以此点云的ID值IDj为中心，选取其它ID值处于[IDj-ngap,IDj+ngap]范围内的其它点云，与此点云共同组成一个点云组集合；由此获得一系列点云组结合；S4、回环检测：对每个候选点云进行几何验证，选取通过几何验证的最优候选与当前输入构成回环，对历史回环信息进行更新；若没有候选通过几何验证或候选点云集合为空，则无点云与当前输入点云构成回环，将输入点云对应的局部描述子与词汇分布情况加入数据库；所述步骤S4中对每个候选点云进行几何验证具体为：S401：进行点云分布匹配检查，对当前的输入点云和每一个候选点云，分别确定其在x，y两个方向上的最大最小值，记为：若满足： 则此候选点云通过点云分布匹配检查，其中和为用于判断分布相似程度的两个阈值；S402：通过点云分布匹配检查的候选点云进一步与当前的输入点云进行点云配准；候选点云的局部描述子从全部特征数据库中获得，首先根据两个点云的局部描述子，进行点云之间的点对匹配：对于输入点云中的每一个点，寻找候选点云中与该点描述子最相近的描述子所对应的点作为其的配对点；根据点对匹配的结果，使用RANSAC方法，实现点云配准，并获得匹配度与均方根误差两个衡量指标；因此，若匹配度高于阈值λf且RMSE低于阈值λr，则认为当前候选点云通过配准检查；S5，若加入新数据的次数达到Nu，则重新计算词典，并对相应的IDF值以及词汇分布情况进行更新。

全文数据：

权利要求：

百度查询： 浙江大学 一种基于增量式词袋模型的三维场景回环检测方法