CN108122081B - 机器人及其库存管理方法 - Google Patents
机器人及其库存管理方法 Download PDFInfo
- Publication number
- CN108122081B CN108122081B CN201611062283.8A CN201611062283A CN108122081B CN 108122081 B CN108122081 B CN 108122081B CN 201611062283 A CN201611062283 A CN 201611062283A CN 108122081 B CN108122081 B CN 108122081B
- Authority
- CN
- China
- Prior art keywords
- matching
- feature
- local invariant
- reference center
- invariant feature
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种机器人及其库存管理方法,该库存管理方法包括:采集待识别物体的正面图像,并根据正面图像提取待识别物体上的第一局部不变特征;获取环境图像,对环境图像提取环境局部不变特征;将环境局部不变特征与第一局部不变特征匹配,并将匹配的特征点映射到参考中心处得到一个有效的参考中心,并获取对应于有效参考中心的尺度比和参考聚类半径;根据尺度比重新提取待识别物体的正面图像的第二局部不变特征,进而对环境图像与新提取的第二局部不变特征进行匹配并将匹配后的特征点映射至参考中心,最后根据参考聚类半径聚类物体的参考中心。通过上述方式,本发明能够在物品识别方面提高检测识别的精度和速度。
Description
技术领域
本发明涉及机器人技术领域,尤其是涉及一种机器人及其库存管理方法。
背景技术
目前,服务机器人已经应用于医院、商场等场合,完成诸如讲解、搬运等工作。由于传感、智能等方面的限制,使得服务机器人的应用还停留在智能化较低的阶段,这也使得服务机器人的应用受到了较大的限制。例如,在超市、药店等场合,货物的清点、摆放等大量枯燥劳动仍需要人工参与完成。
目前,自动物资清点方案主要有两种,第一种是基于商品自有标签数据,机器人通过扫描标签完成对物资的识别清点工作;第二种是采用对物体的图像匹配实现对物资的识别和清点。第一种方法速度快,可靠性高,目前是物资管理的主流方法。然而,对于商场中货架上物品的摆放来讲,通常物品的正面朝向外侧,而其商品的自有标签码朝向内侧,从而导致采用商品自有标签码识别的物资识别和清点方法失败。现有技术的一种解决方法是采用后期在物品正面贴人工标签的方法解决上述困难,然而,后期贴标签的方法既会导致人力物力成本的上升,同时也会对商品造成不美观的问题。
发明内容
本发明主要解决的技术问题是提供一种机器人及其库存管理方法,能够在物品识别方面提高检测识别的精度和速度。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种机器人的库存管理方法,该库存管理方法包括:
采集待识别物体的正面图像,并根据所述正面图像提取所述待识别物体上的第一局部不变特征;
获取环境图像,对所述环境图像提取环境局部不变特征;
将所述环境局部不变特征与第一局部不变特征匹配,并将匹配的特征点映射到所述参考中心处得到一个有效的参考中心,并获取对应于所述有效参考中心的尺度比和参考聚类半径;
根据所述尺度比重新提取所述待识别物体的正面图像的第二局部不变特征,进而对所述环境图像与新提取的所述第二局部不变特征进行匹配并将匹配后的特征点映射至参考中心,最后根据所述参考聚类半径聚类物体的参考中心。
其中,该方法还包括:
计算每一所述第一局部不变特征与参考中心的偏移向量;
存储所述正面图像、第一局部不变特征和偏移向量。
其中,将所述环境局部不变特征与第一局部不变特征匹配的步骤包括:
根据所述偏移向量将所述环境局部不变特征与第一局部不变特征匹配。
其中,将匹配的特征点映射到所述参考中心处得到一个有效的参考中心的步骤包括:
将匹配的特征点映射到所述参考中心处,进而通过概率密度估计得到一个有效的参考中心。
其中,重新提取所述待识别物体的正面图像的第二局部不变特征的步骤还包括:
对重新提取所述待识别物体的正面图像的第二局部不变特征进行尺度比阈值限制滤波;
所述对所述环境图像与新提取的所述第二局部不变特征进行匹配的步骤包括:
在匹配时进行近邻特征距离比阈值滤波和特征匹配尺度比阈值滤波;
对匹配的结果采用射影几何约束滤波剔除无效匹配。
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种机器人,该机器人包括:
第一采集模块,用于采集待识别物体的正面图像;
第一提取模块,用于根据所述正面图像提取所述待识别物体上的第一局部不变特征;
第二采集模块,用于获取环境图像;
第二提取模块,用于对所述环境图像提取环境局部不变特征;
第一匹配模块,用于将所述环境局部不变特征与第一局部不变特征匹配,并将匹配的特征点映射到所述参考中心处得到一个有效的参考中心;
第一计算模块,用于获取对应于所述有效参考中心的尺度比和参考聚类半径;
第三提取模块,用于根据所述尺度比重新提取所述待识别物体的正面图像的第二局部不变特征;
第二匹配模块,用于对所述环境图像与新提取的所述第二局部不变特征进行匹配并将匹配后的特征点映射至参考中心;
第二计算模块,用于跟据所述参考聚类半径聚类物体的参考中心。
其中,机器人进一步包括:
第三计算模块,用于计算每一所述第一局部不变特征与参考中心的偏移向量;
存储模块,用于存储所述正面图像、第一局部不变特征和偏移向量。
其中,第一匹配模块具体是根据所述偏移向量将所述环境局部不变特征与第一局部不变特征匹配。
其中,第一匹配模块具体将匹配的特征点映射到所述参考中心处,进而通过概率密度估计得到一个有效的参考中心。
其中,机器人进一步包括:
尺度比阈值限制滤波器,用于对重新提取所述待识别物体的正面图像的第二局部不变特征进行尺度比阈值限制滤波;
近邻特征距离比阈值滤波器和特征匹配尺度比阈值滤波,用于在匹配时分别进行近邻特征距离比阈值滤波和特征匹配尺度比阈值滤波;
射影几何约束滤波器,用于对匹配的结果采用射影几何约束滤波剔除无效匹配。
本发明的有益效果是:区别于现有技术的情况,本发明提供一种机器人的库存管理方法,该库存管理方法包括:采集待识别物体的正面图像,并根据正面图像提取待识别物体上的第一局部不变特征;获取环境图像,对环境图像提取环境局部不变特征;将环境局部不变特征与第一局部不变特征匹配,并将匹配的特征点映射到参考中心处得到一个有效的参考中心,并获取对应于有效参考中心的尺度比和参考聚类半径;根据尺度比重新提取待识别物体的正面图像的第二局部不变特征,进而对环境图像与新提取的第二局部不变特征进行匹配并将匹配后的特征点映射至参考中心,最后根据参考聚类半径聚类物体的参考中心。因此,本发明能够在物品识别方面提高检测识别的精度和速度。
附图说明
图1是本发明实施例提供的一种机器人的库存管理方法的流程图;
图2是本发明实施例提供的一种机器人的结构示意图。
具体实施方式
请一并参阅图1,图1是本发明实施例提供的一种机器人的库存管理方法的流程图。如图1所示,本实施例的库存管理方法包括两个阶段:离线训练阶段和在线检测阶段,其中,以下步骤S1为离线训练阶段,步骤S2到S4为在线检测阶段,其中,离线训练阶段用于对待识别的物体进行建模,在线检测阶段提供了一种双层的概率密度估计方法,由粗到精完成待识别物体的识别和检测。第一层概率密度估计方法用于粗检测,以获得显著的尺度比,并根据该尺度比计算有效的参考聚类半径;第二层概率密度估计方法用于精细检测,用于检测所有有效的物体实例。具体而言,本实施例的方法包括以下步骤:
步骤S1:采集待识别物体的正面图像,并根据正面图像提取待识别物体上的第一局部不变特征。具体为根据正面图像在某一初始尺度下提取待识别物体上的第一局部不变特征。
其中,还进一步计算每一第一局部不变特征与参考中心的偏移向量。并存储正面图像、第一局部不变特征和偏移向量,具体是存到一个分层的KD树中。因此能够在后续的在线检测阶段加快物体识别的速度。
步骤S2:获取环境图像,对环境图像提取环境局部不变特征。
步骤S3:将环境局部不变特征与第一局部不变特征匹配,并将匹配的特征点映射到参考中心处得到一个有效的参考中心,并获取对应于有效参考中心的尺度比和参考聚类半径。其中,尺度比为显著的尺度比。
其中,具体是根据偏移向量将环境局部不变特征与第一局部不变特征匹配。将匹配的特征点映射到参考中心处,进而通过概率密度估计得到一个有效的参考中心。
步骤S4:根据尺度比重新提取待识别物体的正面图像的第二局部不变特征,进而对环境图像与新提取的第二局部不变特征进行匹配并将匹配后的特征点映射至参考中心,最后根据参考聚类半径聚类物体的参考中心。
经过两层概率密度估计,即可得到待识别的物体。经过射影几何的点匹配关系,最终获得每个待识别物体的位置和姿态。
本步骤中,进一步对重新提取待识别物体的正面图像的第二局部不变特征进行尺度比阈值限制滤波,在匹配时进行近邻特征距离比阈值滤波和特征匹配尺度比阈值滤波,对匹配的结果采用射影几何约束滤波剔除无效匹配。由此可以极大地提高了物体识别的可靠性,并提高了物体识别的准确率。
因此,本发明首先对待识别物品建立三维稀疏点云模型,通过2D-3D特征匹配,实现待识别物体的识别和位姿检测。另外,针对待识别物体的识别过程,本发明通过双层概率密度估计的多物体实例识别方法,对待识别物体视角变化、遮挡、尺度变化等不利因素的鲁棒性较高,能够较好的适应于库存管理系统。基于特征匹配的多个相同物体的识别通常采用物体中心估计的方法实现,也就是对匹配的特征点的位置向参考中心映射,并经密度估计实现对多个相同物体实例中心的识别。本发明在物品识别方面相提高了检测识别的精度和速度,提高了服务机器人物资管理的可靠性。能够辅助诸如商场、药店工作人员完成商品数量清点等物资管理功能,有效解决了商场中物品数量清点困难的问题。
例如,在商场中,为了确保有足够的商品满足当天的销售预期,机器人需要提前检测出当前货架上商品的数量。机器人在行进过程中,通过前文所述的方法,采用正对货架的相机采集图像,经由多物体多实例检测识别视觉系统计算每一种货物的数量。之后将每种货物的数量上报,再次由搬运机器人或人工完成货物的补充工作。
本发明还提供一种机器人,该机器人应用于前文所述的方法中,具体请参阅图2。
如图2所示,本发明的机器人20包括第一采集模块21、第一提取模块22、第二采集模块23、第二提取模块24、第一匹配模块25、第一计算模块26、第三提取模块27、第二匹配模块28以及第二计算模块29。
其中,第一采集模块21用于采集待识别物体的正面图像。第一采集模块21优选为相机等图像传感器。
第一提取模块22用于根据正面图像提取待识别物体上的第一局部不变特征。具体为根据正面图像在某一初始尺度下提取待识别物体上的第一局部不变特征。
其中,机器人20进一步包括第三计算模块211和存储模块212。其中,第三计算模块211用于计算每一第一局部不变特征与参考中心的偏移向量。存储模块212用于存储正面图像、第一局部不变特征和偏移向量,具体是存储到一个分层的KD树中,因此能够在后续的在线检测阶段加快待识别物体识别的速度。
第二采集模块23用于获取环境图像。
第二提取模块24用于对环境图像提取环境局部不变特征。
第一匹配模块25用于将环境局部不变特征与第一局部不变特征匹配,并将匹配的特征点映射到参考中心处得到一个有效的参考中心。具体的,第一匹配模块25具体是根据偏移向量将环境局部不变特征与第一局部不变特征匹配。将匹配的特征点映射到参考中心处,进而通过概率密度估计得到一个有效的参考中心。
第一计算模块26用于获取对应于有效参考中心的尺度比和参考聚类半径。其中,尺度比为显著的尺度比。
第三提取模块27用于根据尺度比重新提取待识别物体的正面图像的第二局部不变特征。
第二匹配模块28用于对环境图像与新提取的第二局部不变特征进行匹配并将匹配后的特征点映射至参考中心。
第二计算模块29用于跟据参考聚类半径聚类物体的参考中心。
经过两层概率密度估计,即可得到待识别的物体。经过射影几何的点匹配关系,最终获得每个物体的位置和姿态。
进一步的,机器人20还包括尺度比阈值限制滤波器213、近邻特征距离比阈值滤波器214、特征匹配尺度比阈值滤波器215以及射影几何约束滤波器216。
其中,尺度比阈值限制滤波器213用于对重新提取待识别物体的正面图像的第二局部不变特征进行尺度比阈值限制滤波。
近邻特征距离比阈值滤波器214和特征匹配尺度比阈值滤波器215用于在匹配时分别进行近邻特征距离比阈值滤波和特征匹配尺度比阈值滤波。
射影几何约束滤波器216用于对匹配的结果采用射影几何约束滤波剔除无效匹配。
综上所述,本发明能够在物品识别方面提高检测识别的精度和速度。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种机器人的库存管理方法,其特征在于,所述库存管理方法包括:
采集待识别物体的正面图像,并根据所述正面图像提取所述待识别物体上的第一局部不变特征;
获取环境图像,对所述环境图像提取环境局部不变特征;
将所述环境局部不变特征与第一局部不变特征匹配,并将匹配的特征点映射到参考中心处得到一个有效的参考中心,并获取对应于所述有效参考中心的尺度比和参考聚类半径;
根据所述尺度比重新提取所述待识别物体的正面图像的第二局部不变特征,进而对所述环境图像与新提取的所述第二局部不变特征进行匹配并将匹配后的特征点映射至参考中心处,最后根据所述参考聚类半径聚类物体的有效参考中心。
2.根据权利要求1所述的库存管理方法,其特征在于,所述方法还包括:
计算每一所述第一局部不变特征与有效参考中心的偏移向量;
存储所述正面图像、第一局部不变特征和偏移向量。
3.根据权利要求2所述的库存管理方法,其特征在于,所述将所述环境局部不变特征与第一局部不变特征匹配的步骤包括:
根据所述偏移向量将所述环境局部不变特征与第一局部不变特征匹配。
4.根据权利要求1所述的库存管理方法,其特征在于,所述将匹配的特征点映射到参考中心处得到一个有效的参考中心的步骤包括:
将匹配的特征点映射到所述参考中心处,进而通过概率密度估计得到一个有效的参考中心。
5.根据权利要求1所述的库存管理方法,其特征在于,所述重新提取所述待识别物体的正面图像的第二局部不变特征的步骤还包括:
对重新提取所述待识别物体的正面图像的第二局部不变特征进行尺度比阈值限制滤波;
所述对所述环境图像与新提取的所述第二局部不变特征进行匹配的步骤包括:
在匹配时进行近邻特征距离比阈值滤波和特征匹配尺度比阈值滤波;
对匹配的结果采用射影几何约束滤波剔除无效匹配。
6.一种机器人,其特征在于,所述机器人包括:
第一采集模块,用于采集待识别物体的正面图像;
第一提取模块,用于根据所述正面图像提取所述待识别物体上的第一局部不变特征;
第二采集模块,用于获取环境图像;
第二提取模块,用于对所述环境图像提取环境局部不变特征;
第一匹配模块,用于将所述环境局部不变特征与第一局部不变特征匹配,并将匹配的特征点映射到参考中心处得到一个有效的参考中心;
第一计算模块,用于获取对应于所述有效参考中心的尺度比和参考聚类半径;
第三提取模块,用于根据所述尺度比重新提取所述待识别物体的正面图像的第二局部不变特征;
第二匹配模块,用于对所述环境图像与新提取的所述第二局部不变特征进行匹配并将匹配后的特征点映射至参考中心处;
第二计算模块,用于跟据所述参考聚类半径聚类物体的有效参考中心。
7.根据权利要求6所述的机器人,其特征在于,所述机器人进一步包括:
第三计算模块,用于计算每一所述第一局部不变特征与有效参考中心的偏移向量;
存储模块,用于存储所述正面图像、第一局部不变特征和偏移向量。
8.根据权利要求7所述的机器人,其特征在于,所述第一匹配模块具体是根据所述偏移向量将所述环境局部不变特征与第一局部不变特征匹配。
9.根据权利要求6所述的机器人,其特征在于,所述第一匹配模块具体将匹配的特征点映射到所述参考中心处,进而通过概率密度估计得到一个有效的参考中心。
10.根据权利要求6所述的机器人,其特征在于,所述机器人进一步包括:
尺度比阈值限制滤波器,用于对重新提取所述待识别物体的正面图像的第二局部不变特征进行尺度比阈值限制滤波;
近邻特征距离比阈值滤波器和特征匹配尺度比阈值滤波器,用于在匹配时分别进行近邻特征距离比阈值滤波和特征匹配尺度比阈值滤波;
射影几何约束滤波器,用于对匹配的结果采用射影几何约束滤波剔除无效匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611062283.8A CN108122081B (zh) | 2016-11-26 | 2016-11-26 | 机器人及其库存管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611062283.8A CN108122081B (zh) | 2016-11-26 | 2016-11-26 | 机器人及其库存管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108122081A CN108122081A (zh) | 2018-06-05 |
CN108122081B true CN108122081B (zh) | 2020-09-25 |
Family
ID=62223918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611062283.8A Active CN108122081B (zh) | 2016-11-26 | 2016-11-26 | 机器人及其库存管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108122081B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876241B (zh) * | 2018-06-08 | 2021-09-03 | 四川智动木牛智能科技有限公司 | 一种基于视觉的仓储空间识别管理系统 |
CN109641351B (zh) * | 2018-06-08 | 2021-11-26 | 深圳蓝胖子机器人有限公司 | 一种物体特征的识别方法、视觉识别装置及机器人 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968632A (zh) * | 2012-10-15 | 2013-03-13 | 北京大学 | 获取图像的紧凑全局特征描述子的方法及图像检索方法 |
CN103150631A (zh) * | 2013-03-11 | 2013-06-12 | 苏州斯普锐智能系统有限公司 | 基于图像匹配的自动物品管理方法及其系统 |
CN104766084A (zh) * | 2015-04-10 | 2015-07-08 | 南京大学 | 一种多目标匹配的近复制图像检测方法 |
CN106156983A (zh) * | 2016-07-27 | 2016-11-23 | 潘燕 | 货物自动追踪系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6131723B2 (ja) * | 2012-11-26 | 2017-05-24 | 株式会社リコー | 情報処理装置、情報処理方法、プログラムおよび記録媒体 |
-
2016
- 2016-11-26 CN CN201611062283.8A patent/CN108122081B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968632A (zh) * | 2012-10-15 | 2013-03-13 | 北京大学 | 获取图像的紧凑全局特征描述子的方法及图像检索方法 |
CN103150631A (zh) * | 2013-03-11 | 2013-06-12 | 苏州斯普锐智能系统有限公司 | 基于图像匹配的自动物品管理方法及其系统 |
CN104766084A (zh) * | 2015-04-10 | 2015-07-08 | 南京大学 | 一种多目标匹配的近复制图像检测方法 |
CN106156983A (zh) * | 2016-07-27 | 2016-11-23 | 潘燕 | 货物自动追踪系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108122081A (zh) | 2018-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hodan et al. | Bop: Benchmark for 6d object pose estimation | |
CN107610176B (zh) | 一种基于Kinect的栈板动态识别与定位方法、系统及介质 | |
Pătrăucean et al. | State of research in automatic as-built modelling | |
Zhu et al. | Single image 3D object detection and pose estimation for grasping | |
US11227434B2 (en) | Map constructing apparatus and map constructing method | |
Lysenkov et al. | Recognition and pose estimation of rigid transparent objects with a kinect sensor | |
Toft et al. | Long-term 3d localization and pose from semantic labellings | |
Wang et al. | Robust road modeling and tracking using condensation | |
Chhaya et al. | Monocular reconstruction of vehicles: Combining slam with shape priors | |
Hoque et al. | A comprehensive review on 3D object detection and 6D pose estimation with deep learning | |
CN112734852A (zh) | 一种机器人建图方法、装置及计算设备 | |
Azzam et al. | Feature-based visual simultaneous localization and mapping: A survey | |
Lysenkov et al. | Pose estimation of rigid transparent objects in transparent clutter | |
JP2016081525A (ja) | 車両用画像認識システム、及び対応法 | |
JP2007502473A (ja) | 有界三次元対象物の分類と空間ローカライゼーションのためのコンピュータ視覚システム | |
Yang et al. | Simultaneous egomotion estimation, segmentation, and moving object detection | |
Sansoni et al. | Optoranger: A 3D pattern matching method for bin picking applications | |
CN108122081B (zh) | 机器人及其库存管理方法 | |
Birdal et al. | Cad priors for accurate and flexible instance reconstruction | |
Lee et al. | Temporally consistent road surface profile estimation using stereo vision | |
Wu et al. | A survey on monocular 3D object detection algorithms based on deep learning | |
Fehr et al. | Reshaping our model of the world over time | |
Xiao et al. | Monocular ORB SLAM based on initialization by marker pose estimation | |
Lee et al. | Adaptive Bayesian recognition and pose estimation of 3D industrial objects with optimal feature selection | |
CN110458177B (zh) | 图像深度信息的获取方法、图像处理装置以及存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221128 Address after: Room 1201-16, Shishan Science and Technology Museum, No. 105, Dengwei Road, High tech Zone, Suzhou City, Jiangsu Province, 215000 Patentee after: Suzhou Xinshinuo Semiconductor Equipment Co.,Ltd. Address before: Hunnan New District Jinhui street in Shenyang of Liaoning province 110168 City No. 16 Patentee before: SHENYANG SIASUN ROBOT & AUTOMATION Co.,Ltd. |