本發(fā)明屬于仿生學和計算機視覺，尤其是涉及一種基于a-kaze特征識別和ratslam的同步定位與地圖構(gòu)建方法和設(shè)備。

背景技術(shù)：

1、ratslam是一種基于仿生學原理的同時定位與地圖構(gòu)建(simultaneouslocalization?and?mapping，slam)技術(shù)，靈感來源于嚙齒動物(如老鼠)的海馬體導航機制，通過分析傳感器數(shù)據(jù)，如視覺和運動信息，實現(xiàn)機器人在未知環(huán)境中的自主定位和地圖構(gòu)建。以在線增量方式進行環(huán)境表示是ratslam的關(guān)鍵特點之一，ratslam構(gòu)建了可以被attractor?dynamics、path?integration、local?view?calibration三種方式更新的位姿細胞網(wǎng)絡(luò)，允許機器人在運動和觀察過程中動態(tài)更新地圖。然而，傳統(tǒng)的ratslam在實際應(yīng)用時存在以下不足：其一，在圖像信息提取時對復(fù)雜環(huán)境(如光照變化、存在遮擋或動態(tài)物體等情況)的適應(yīng)性較差，這是由于復(fù)雜環(huán)境下機器人對自身位置和環(huán)境的估計存在誤差，這些誤差隨著時間的推移而累積，形成累計誤差；其二，計算復(fù)雜度較高，在處理大規(guī)模環(huán)境或高分辨率圖像時，需要大量的計算資源來進行特征提取、匹配。

2、中國發(fā)明專利cn113223099b公開了一種基于生物視覺模型的ratslam環(huán)境適應(yīng)性提升方法，將rgb色彩空間中的圖像轉(zhuǎn)換到hsi色彩空間，通過i通道和s通道進行雙通道處理后轉(zhuǎn)換到rgb空間生成視覺模板，使用sad算法對視覺模板進行匹配，使用閉環(huán)檢測改善ratslam所建立的拓撲經(jīng)驗地圖，提高建立的拓撲圖的精度。但上述方法仍存在一定的局限性，例如，在極端光照條件下，i通道的處理無法完全消除光照變化對圖像匹配準確性的影響；在紋理復(fù)雜或邊緣模糊的場景中，s通道的處理對邊緣特性增強有限；sad算法對光照變化較為敏感，在光照條件變化較大時，可能發(fā)生誤匹配或漏匹配的情況。因此，需要重新設(shè)計一種基于ratslam的同步定位與地圖構(gòu)建方法，進一步提高所建立的拓撲圖的完整性和精確性。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于a-kaze特征識別和ratslam的同步定位與地圖構(gòu)建方法和設(shè)備，進一步提高所建立的拓撲圖的完整性和精確性。

2、本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：

3、本發(fā)明提供一種基于a-kaze特征識別和ratslam的同步定位與地圖構(gòu)建方法，包括以下步驟：

4、獲取里程計信息和當前場景的rgb圖像，使用改進的ratslam算法建立拓撲經(jīng)驗地圖；

5、其中，所述改進的ratslam算法為在局部視圖模塊中引入a-kaze特征識別算法的ratslam算法，所述改進的ratslam算法中，局部視圖模塊通過a-kaze特征識別算法提取由rgb圖像轉(zhuǎn)化獲得的灰度圖的特征信息，然后將其與歷史視覺模板進行匹配；若匹配成功，則進行回環(huán)檢測以進一步修正建立的拓撲經(jīng)驗地圖；否則，將灰度圖存儲為新的視覺模板；

6、所述特征信息包括特征點及其主方向，通過a-kaze特征識別算法提取特征信息的具體過程如下：通過perona-ma1ik擴散方程，利用不同的傳導函數(shù)對灰度圖進行非線性擴散濾波，獲得一系列不同尺度的圖像，構(gòu)建非線性尺度空間，各傳導函數(shù)用于控制擴散速率并根據(jù)圖像的局部梯度變化調(diào)節(jié)擴散強度；在所述非線性尺度空間中尋找局部極大值點作為特征點，并通過向量疊加操作生成各特征點的主方向。

7、進一步地，所述非線性擴散濾波的表達式具體如下：

8、

9、其中，l為圖像亮度，為圖像梯度，c(x，y，t)為傳導函數(shù)，(x，y)表示圖像上的像素點，t表示時間。

10、進一步地，通過三種傳導函數(shù)進行非線性擴散濾波，包括第一傳導函數(shù)g1、第二傳導函數(shù)g2和第三傳導函數(shù)g3，表達式分別如下：

11、

12、

13、

14、其中，表示高斯濾波后得到的圖像lσ的梯度，σ為尺度參數(shù)，表示高斯核的標準差，k為對比度因子，用于控制擴散級別。

15、進一步地，對圖像進行高斯濾波的時間的表達式如下：

16、

17、其中，σi表示非線性尺度空間中第i個圖像的尺度參數(shù)，ti表示非線性尺度空間中第i個圖像的高斯濾波時間。

18、進一步地，非線性尺度空間中第i個圖像的尺度參數(shù)σi的計算公式如下：

19、σi(o，s)＝σ02o+s/s，o∈[0…o-1]，s∈[0…s-1]，i∈[0…n]

20、其中，o和s分別為所述非線性尺度空間離散化獲得的octave和sub-level的離散指數(shù)，σ0表示尺度參數(shù)的初始基準值，o和s分別為octave和sub-level的個數(shù)，n＝0*s，表示非線性尺度空間中圖像的總數(shù)。

21、進一步地，利用hessian矩陣尋找局部極大值點作為特征點，所述hessian矩陣的表達式如下：

22、

23、其中，lhessian為hessian矩陣，σ為尺度參數(shù)，lxx、lyy和lxy分別表示圖像像素灰度l在x方向、y方向以及x和y方向上的二階導數(shù)。

24、進一步地，利用hessian矩陣尋找局部極大值點的具體過程如下：將一個像素點的hessian矩陣特征值與其所有圖像域和尺度域相鄰點的hessian矩陣特征值進行比較，當該像素點的hessian矩陣特征值大于其所有相鄰點時，該像素點為局部極大值點。

25、進一步地，生成特征點主方向的具體過程如下：

26、以當前特征點為圓心，以其對應(yīng)尺度參數(shù)的整數(shù)倍為半徑，劃分搜索圈；

27、以當前特征點為圓心，設(shè)置一個扇形滑動窗口并在扇形滑動窗口內(nèi)進行向量疊加操作獲得一個向量，將該扇形滑動窗口遍歷整個搜索圈，以獲得的最長向量的角度為該特征點的主方向。

28、進一步地，所述向量疊加操作為：對扇形滑動窗口內(nèi)所有特征點的一階微分值，包括y方向上的一階導數(shù)和x方向上的一階導數(shù)高斯加權(quán)。

29、本發(fā)明還提供一種電子設(shè)備，包括存儲器、處理器，以及存儲于所述存儲器中的程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述方法。

30、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

31、1、本發(fā)明在ratslam算法的局部視圖模塊中引入a-kaze特征識別算法提取由rgb圖像轉(zhuǎn)化獲得的灰度圖的特征信息，然后將其與歷史視覺模板進行匹配，若匹配成功，則進行回環(huán)檢測以進一步修正建立的拓撲經(jīng)驗地圖，否則，將灰度圖存儲為新的視覺模板；特征信息包括特征點及其主方向，通過a-kaze特征識別算法提取特征信息的具體過程如下：通過perona-malik擴散方程，利用不同的傳導函數(shù)對灰度圖進行非線性擴散濾波，獲得一系列不同尺度的圖像，構(gòu)建非線性尺度空間，各傳導函數(shù)可用于控制擴散速率并根據(jù)圖像的局部梯度變化調(diào)節(jié)擴散強度，從而實現(xiàn)圖像平滑和邊緣保持的效果，可以使得擴散適應(yīng)于圖像的局部結(jié)構(gòu)；在非線性尺度空間中尋找局部極大值點作為特征點，并通過向量疊加操作生成各特征點的主方向；相比傳統(tǒng)的特征提取算法，a-kaze具有更好的魯棒性和穩(wěn)定性，尤其在處理尺度和視角變化較大的圖像時表現(xiàn)更加出色，提取的特征點不但具有良好的尺度不變性和旋轉(zhuǎn)不變性，還能夠捕捉到環(huán)境中的重要結(jié)構(gòu)和紋理信息，將通過a-kaze提取的特征信息引入ratslam的地圖構(gòu)建流程，能夠提高回環(huán)檢測的覆蓋率和準確性，進而增強地圖的完整性和精確性。

32、2、本發(fā)明構(gòu)建了三種傳導函數(shù)進行非線性擴散濾波，包括第一傳導函數(shù)g1、第二傳導函數(shù)g2和第三傳導函數(shù)g3，其中，g1隨著的模增大快速減小，可以優(yōu)先保留高對比度的邊緣；g2也隨著梯度模的增大而減小，但減小的速度比指數(shù)形式慢，這種形式能夠在較大的梯度值下依然保留一定的擴散作用，可以保留較為細微的邊緣或弱邊緣信息；g3是一種閾值函數(shù)，當梯度模等于0時，函數(shù)值為1，這意味著當圖像局部沒有變化時傳導函數(shù)最大，允許較大的擴散來平滑圖像，一旦梯度大于0，傳導函數(shù)迅速減小，從而抑制擴散，這種設(shè)計可以有效平滑區(qū)域內(nèi)部而保留邊界信息。