本發(fā)明涉及激光雷達的回環(huán)檢測，具體涉及一種基于特征點云描述子的回環(huán)檢測方法。

背景技術(shù)：

1、激光雷達的回環(huán)檢測技術(shù)是機器人構(gòu)建全局地圖，修正累計誤差的重要環(huán)節(jié)。機器人利用激光雷達數(shù)據(jù)推算自身位姿變化，同時創(chuàng)建三維地圖。由于激光雷達存在的噪聲，在長距離激光里程計推算后，累計誤差增大，通過引入回環(huán)檢測技術(shù)來修正地圖和機器人的位姿估計?；丨h(huán)檢測通過識別機器人是否回到之前訪問過的位置，來計算并加入位姿約束。基于激光雷達的回環(huán)檢測方法大致可分為三類直接匹配方法，描述子匹配，深度學(xué)習(xí)等。直接匹配方法采用點對點，特征幾何對特征幾何的直接配準方法來檢測回環(huán)，計算數(shù)據(jù)龐大，無法較好的滿足實時性。深度學(xué)習(xí)的匹配方法如：使用卷積神經(jīng)網(wǎng)絡(luò)來提取點云中的特征的cnn算法，基于transformer架構(gòu)的模型，用于處理序列化的點云數(shù)據(jù)的transformer-based?models算法，這類算法需要龐大的算力，無法部署在微型嵌入式機器人中，且訓(xùn)練好的模型適用性不強，在各環(huán)境下的回環(huán)魯棒性較差。描述子匹配方法通過設(shè)計回環(huán)檢測描述子如：scan?context算法將三維點云轉(zhuǎn)換為二維極坐標圖像，用點云數(shù)量來表示二維圖像中的值，通過匹配二維圖像來確定回環(huán)點位姿變化。這類方法降低數(shù)據(jù)處理量的同時不需要龐大算力，并確保了回環(huán)檢測的魯棒性和精確性。但設(shè)計一個優(yōu)秀的回環(huán)檢測描述子，設(shè)計一種魯棒的檢測及配準方法至關(guān)重要。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于特征點云描述子的回環(huán)檢測方法，基于回環(huán)描述子的設(shè)計及回環(huán)檢測方法的設(shè)計，來提高回環(huán)檢測的魯棒性和精確性。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種基于特征點云描述子的回環(huán)檢測方法，包括下列步驟：

3、步驟1：基于歐式距離的最鄰近關(guān)鍵幀查找；

4、步驟2：基于平滑度公式的當(dāng)前幀及最鄰近關(guān)鍵幀特征點計算與提??；

5、步驟3：基于極坐標的二維描述子圖像構(gòu)建；

6、步驟4：基于log-gabor濾波器的圖像特征強化；

7、步驟5：基于傅里葉變換及標準化功率譜的兩圖像位姿變換查找；

8、可選的，在步驟1的執(zhí)行過程中，首先計算當(dāng)前幀與先前關(guān)鍵幀之間的歐式距離，歐式距離小于回環(huán)距離閾值時，保存關(guān)鍵幀數(shù)據(jù)；

9、可選的，在步驟2的執(zhí)行過程中，前后兩幀點云利用平滑度計算公式區(qū)分不同類型的特征點，包括：平面點與邊緣點，具體公式如下：

10、

11、其中，表示第個點的曲率，表示需要計算曲率點的距離值，表示在點 i周邊10個點的距離值， a為常數(shù)。

12、可選的，在步驟3的執(zhí)行過程中，包括下列步驟：

13、步驟3.1：初始化二維矩陣，其中行為80，列為360；

14、步驟3.2：將三維點云按極坐標方式分割為80*360塊區(qū)域；

15、步驟3.3：統(tǒng)計每塊小區(qū)域中，平面點與邊緣點數(shù)量，利用如下公式組合兩類特征點數(shù)量：

16、

17、其中n為組合后的值，為平面點數(shù)量，為邊緣點數(shù)量；

18、步驟3.4：利用n填充二維矩陣；

19、可選的，在步驟4的執(zhí)行過程中，根據(jù)如下公式構(gòu)建組成log-gabor濾波器的徑向濾波器和角度濾波器，用于強化二維圖像特征：

20、{g}_{r}(r)=exp(-\frac {{[log(r/{f}_{0})]}^{2}} {2*a{}^{2}_{r}})

21、

22、

23、其中為徑向濾波器，為角度濾波器，為log-gabor濾波器，是經(jīng)向坐標，為角度坐標，，分別為濾波器中心頻率和方向角度，，分別為濾波器的徑向帶寬和角度帶寬;

24、步驟5.1：使用傅里葉變換公式轉(zhuǎn)換步驟3獲得的二維圖像，用步驟4構(gòu)建的log-gabor濾波器對二維圖像濾波，使用傅里葉逆變換獲得濾波后圖像；

25、步驟5.2：利用標準化功率譜公式計算兩幅濾波后圖像在各頻率上的相關(guān)性強度，找到最大相關(guān)性位置，確定回環(huán)點以及兩圖像間的位姿變換，具體標準化功率譜公式如下：。

26、

27、其中為標準化功率譜值，，分別為兩張濾波后的二維圖像。

28、本發(fā)明提供了一種基于特征點云描述子的回環(huán)檢測方法，基于歐式距離的最鄰近關(guān)鍵幀查找；再基于平滑度公式的當(dāng)前幀及最鄰近關(guān)鍵幀特征點計算與提取；接著基于極坐標變換的二維描述子圖像構(gòu)建；然后基于log-gabor濾波器的圖像特征強化；最后基于傅里葉變換及標準化功率譜的兩圖像位姿變換查找，找到兩點云存在的回環(huán)情況及位姿變換。

技術(shù)特征：

1.一種基于特征點云描述子的回環(huán)檢測方法，其特征在于，包括下列步驟：

2.如權(quán)利要求1所述的基于特征點云描述子的回環(huán)檢測方法，其特征在于，

3.如權(quán)利要求1所述的基于特征點云描述子的回環(huán)檢測方法，其特征在于，

4.如權(quán)利要求1所述的基于特征點云描述子的回環(huán)檢測方法，其特征在于，

5.如權(quán)利要求1所述的基于特征點云描述子的回環(huán)檢測方法，其特征在于，

6.如權(quán)利要求1所述的基于特征點云描述子的回環(huán)檢測方法，其特征在于，

技術(shù)總結(jié)
本發(fā)明公開了一種基于特征點云描述子的回環(huán)檢測方法，包括如下步驟：基于歐式距離的最鄰近關(guān)鍵幀查找，找到距離當(dāng)前幀最近的歷史關(guān)鍵幀；基于平滑度公式的當(dāng)前幀及最鄰近關(guān)鍵幀特征點計算與提取，提取并計算兩類特征點數(shù)量并組合為描述子；基于極坐標變換的二維描述子圖像構(gòu)建，將三維激光點云轉(zhuǎn)變?yōu)槎S描述子圖像；基于Log?Gabor濾波器的圖像特征強化；基于傅里葉變換及標準化功率譜的兩圖像位姿變換查找，找到兩點云存在的回環(huán)情況及位姿變換。經(jīng)過回環(huán)測試，本發(fā)明提高了回環(huán)檢測的魯棒性和精確度。

技術(shù)研發(fā)人員：劉建偉,王彬豪,匡兵,羅廷,陳普鶴,景暉
受保護的技術(shù)使用者：桂林電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9