CN109974721A - 一种基于高精度地图的视觉回环检测方法和装置 - Google Patents
一种基于高精度地图的视觉回环检测方法和装置 Download PDFInfo
- Publication number
- CN109974721A CN109974721A CN201910016595.2A CN201910016595A CN109974721A CN 109974721 A CN109974721 A CN 109974721A CN 201910016595 A CN201910016595 A CN 201910016595A CN 109974721 A CN109974721 A CN 109974721A
- Authority
- CN
- China
- Prior art keywords
- picture
- precision map
- information
- vision
- winding
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于高精度地图的视觉回环检测方法和装置,通过将高精度地图中的元素信息和实时图像中提取的信息进行匹配并判断是为同一位置,在检测到为同一位置后将高精度地图中的位置坐标和实时视觉里程计中的位置构建一个误差函数,通过最小化误差函数优化实时位姿,从而将视觉里程计中的实时位姿进行优化,得到更为准确的运动轨迹,进一步提高视觉里程计的精度位置推算的准确性。基于高精度地图的回环检测系统能够带来更多的回环检测约束,由于高精度地图信息丰富,精度较传统的视觉里程计中的路标点精度高,能够提高实时视觉里程计精度。
Description
技术领域
本发明实施例涉及视觉定位技术领域,更具体地,涉及一种基于高精度地图的视觉回环检测方法和装置。
背景技术
同步定位与地图构建(Simultaneous Localization And Mapping,SLAM)在小型移动平台上被广泛应用。近年来,随着SLAM技术的发展和小型平台运算能力的增强,手机,无人机,机器人等小型运动平台对SLAM的应用需求越来越多。小型平台应用场景对SLAM中的相关算法提出了一系列挑战。运算能力,传感器种类,复杂场景等各方面的限制对SLAM算法实现提出了更高的要求。现阶段的SLAM正朝着运算高速化,数据融合和场景适应能力更强等方面快速发展。视觉SLAM以其独特的低功耗,低成本特性受到诸多小型移动平台应用的青睐。一般来说,一套成熟的SLAM系统包括图像处理,跟踪(tracking),建图(mapping)和回环检测(loop closing)四个模块。
回环检测模块的任务是让SLAM系统在回到原地时认出这个地点曾经来过,回环检测主要是将新采集的图像和之前经过的场景进行相似度比对,判断是否经过了之前的场景,相同的场景会给系统带来额外的位姿约束,可以通过这种约束消除定位的累计误差。传统的回环检测方法利用图像检索的方式,搜索比对图像信息,若图像一致,则认为该地点被重复访问。
如何解决视觉里程计定位误差累计的问题,常规做法是对相机经过的场景进行相似对比对。在相机运动的过程中通过对当前图像和之前的图像进行相似度对比,当相似度达到一定的阈值时认为出现了回环,并将该约束加入SLAM中对位姿进行优化,消除位置累计误差。在回环检测中能否消除定位累积误差取决于相机是否经过相同的地方两次甚至多次,而在某些场景下可能不具备经过相同地方多次的条件;另一方面,在某些情况下可能会存在相机间隔很大的距离才会出现回环检测的情况,因此无法消除大场景情况下的累计误差。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种基于高精度地图的视觉回环检测方法和装置。
第一方面,本发明实施例提供一种基于高精度地图的视觉回环检测方法,包括:
基于预设的特征信息完整度阈值对实时环境图片进行筛选,并对筛选后的图片进行相邻帧匹配;
基于相邻帧匹配后的图片求取相机的运动变换矩阵,构建相机的视觉里程计,并选取视觉里程计中的关键帧图片;
基于所述关键帧图片和对应高精度地图进行回环检测,若关键帧图片中的特征信息与高精度地图中的信息相似度达到预设的相似度阈值,则判断出现回环。
作为优选的,基于预设的特征信息完整度阈值对实时环境图片进行筛选前,还包括:
通过相机采集实时环境图片,并选取实时环境图片中能表示相机位姿的特征信息,设定特征信息完整度阈值。
作为优选的,基于预设的特征信息完整度阈值对实时环境图片进行筛选,具体包括:
提取实时环境图片中的特征信息,并计算所述特征信息的完整度,若所述完整度小于特征信息完整度阈值,则删除对应实时环境图片;若所述完整度不小于特征信息完整度阈值,则保留对应实时环境图片。
作为优选的,并对筛选后的图片进行相邻帧匹配,具体包括:
对筛选后的图片进行相邻帧相似度匹配,得到相邻帧匹配后的图片,并记录相邻帧图片的匹配关系。
作为优选的,并选取视觉里程计中的关键帧图片具体包括:
对相邻帧之间的特征点进行相似度匹配,得到的匹配成功的特征点数目,并根据预先设定的特征点数目阈值过滤不满足特征点数目阈值的图片;
根据配对后的特征点求解相邻帧之间的变换矩阵,基于预设的平移旋转阈值筛选符合所述平移旋转阈值的图片作为关键帧图片。
作为优选的,基于所述关键帧图片和对应高精度地图进行回环检测,具体包括:
基于高精度地图对视觉里程计中的关键帧图片信息进行回环检测基于高精度地图中的车道线位置信息、道路标识牌信息来作为回环检测的特征元素;求取相机位姿后,提取关键帧图片的车道线和道路标识牌信息,与相机位姿对应高精度地图中的信息进行对比并计算相似度。
作为优选的,还包括:
检测到回环后,基于高精度地图的先验位置信息和视觉里程计获取的相机位姿信息,构建误差函数;
基于非线性最小二乘法对所述误差函数进行最小化处理,得到全局无累计误差的相机运动轨迹。
第二方面,本发明实施例提供一种基于高精度地图的视觉回环检测装置,包括:
第一模块,用于基于预设的特征信息完整度阈值对实时环境图片进行筛选,并对筛选后的图片进行相邻帧匹配;
第二模块,用于基于相邻帧匹配后的图片求取相机的运动变换矩阵,构建相机的视觉里程计,并选取视觉里程计中的关键帧图片;
第三模块,用于基于所述关键帧图片和对应高精度地图进行回环检测,若关键帧图片中的特征信息与高精度地图中的信息相似度达到预设的相似度阈值,则判断出现回环。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提出了一种基于高精度地图的视觉回环检测方法和装置,通过将高精度地图中的元素信息和实时图像中提取的信息进行匹配并判断是为同一位置,在检测到为同一位置后将高精度地图中的位置坐标和实时视觉里程计中的位置构建一个误差函数,通过最小化误差函数优化实时位姿,从而将视觉里程计中的实时位姿进行优化,得到更为准确的运动轨迹,进一步提高视觉里程计的精度位置推算的准确性。基于高精度地图的回环检测系统能够带来更多的回环检测约束,由于高精度地图信息丰富,精度较传统的视觉里程计中的路标点精度高,能够提高实时视觉里程计精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为根据本发明实施例的基于高精度地图的视觉回环检测方法示意图;
图2为根据本发明实施例的基于高精度地图的视觉回环检测装置示意图;
图3为根据本发明实施例的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由于回环检测方法是对相机经过的场景进行相似对比对。在相机运动的过程中通过对当前图像和之前的图像进行相似度对比,当相似度达到一定的阈值时认为出现了回环,并将该约束加入SLAM中对位姿进行优化,消除位置累计误差。在回环检测中能否消除定位累积误差取决于相机是否经过相同的地方两次甚至多次,而在某些场景下可能不具备经过相同地方多次的条件;另一方面,在某些情况下可能会存在相机间隔很大的距离才会出现回环检测的情况,因此无法消除大场景情况下的累计误差。
因此本发明各实施例在视觉里程计中提取实时的图像信息中的特征信息,并和高精度地图中的信息进行配准,判断是否出现了回环,检测到出现回环后构建一个误差函数,通过最小化误差函数对实时的定位轨迹进行优化,最终得到无累计误差的实时定位轨迹。以下将通过多个实施例进行展开说明和介绍。
图1为本发明实施例提供的一种基于高精度地图的视觉回环检测方法,包括:
S1、基于预设的特征信息完整度阈值对实时环境图片进行筛选,并对筛选后的图片进行相邻帧匹配;
S2、基于相邻帧匹配后的图片求取相机的运动变换矩阵,构建相机的视觉里程计,并选取视觉里程计中的关键帧图片;
S3、基于所述关键帧图片和对应高精度地图进行回环检测,若关键帧图片中的特征信息与高精度地图中的信息相似度达到预设的相似度阈值,则判断出现回环。
在视觉里程计中提取实时的图像信息中的特征信息,并和高精度地图中的信息进行配准,判断是否出现了回环,基于高精度地图的回环检测系统能够带来更多的回环检测约束,由于高精度地图信息丰富,精度较传统的视觉里程计中的路标点精度高,能够提高实时视觉里程计精度。
在上述实施例的基础上,基于预设的特征信息完整度阈值对实时环境图片进行筛选前,还包括:
通过相机采集实时环境图片,并选取实时环境图片中能表示相机位姿的特征信息,设定特征信息完整度阈值。
在上述各实施例的基础上,基于预设的特征信息完整度阈值对实时环境图片进行筛选,具体包括:
提取实时环境图片中的特征信息,并计算所述特征信息的完整度,若所述完整度小于特征信息完整度阈值,则删除对应实时环境图片;若所述完整度不小于特征信息完整度阈值,则保留对应实时环境图片。
在本实施例中,通过安装的相机采集图片,对相邻图像之间的图像进行预处理,选取质量较好的图片作为预选图片。
具体的,通过相机采集实时环境图片并进行预处理。首先提取图片中存在的特征信息,基于预设的特征信息完整度阈值,进行图片的信息质量筛选图片,去掉质量较差的图片。
在上述各实施例的基础上,并对筛选后的图片进行相邻帧匹配,具体包括:
对筛选后的图片进行相邻帧相似度匹配,得到相邻帧匹配后的图片,并记录相邻帧图片的匹配关系。
在本实施例中,选取质量较好的图片作为预选图片后,再进行相邻帧之间图像的配准,根据一定的条件选取配对好的图片。
具体的,将筛选的图片进行相邻帧之间的相似度匹配,得到正确的相邻帧匹配的图片,并将相邻帧之间的匹配关系记录。
在上述各实施例的基础上,并选取视觉里程计中的关键帧图片具体包括:
对相邻帧之间的特征点进行相似度匹配,得到的匹配成功的特征点数目,并根据预先设定的特征点数目阈值过滤不满足特征点数目阈值的图片;
根据配对后的特征点求解相邻帧之间的变换矩阵,基于预设的平移旋转阈值筛选符合所述平移旋转阈值的图片作为关键帧图片。
在本实施例中,通过构建视觉里程计,利用匹配好的图片求解实时的相机运动轨迹和变换矩阵,根据一定的规则筛选关键帧图片。
具体的,利用第一步匹配好的相邻帧之间的图片求取相机的运动变换矩阵,得到相机的变换位姿和信息。在求取位姿后根据求取的旋转矩阵和平移向量筛选关键帧图片。
在上述各实施例的基础上,基于所述关键帧图片和对应高精度地图进行回环检测,具体包括:
基于高精度地图对视觉里程计中的关键帧图片信息进行回环检测基于高精度地图中的车道线位置信息、道路标识牌信息来作为回环检测的特征元素;求取相机位姿后,提取关键帧图片的车道线和道路标识牌信息,与相机位姿对应高精度地图中的信息进行对比并计算相似度。
在本实施例中,对关键帧图片提取其中的信息,并和高精度地图中的信息进行对比,判断相似度,如果相似度达到了相似度阈值则认为出现了回环。
具体的,利用视觉里程计中的关键帧图片信息并结合高精度地图进行回环检测。在求取位姿后对相邻的关键帧提取其中的特征信息,并和高精度地图中的信息进行对比并判断相似度,如果相似度达到了相似度阈值则认为出现了回环。
在上述各实施例的基础上,还包括:
检测到回环后,基于高精度地图的先验位置信息和视觉里程计获取的相机位姿信息,构建误差函数;
基于非线性最小二乘法对所述误差函数进行最小化处理,得到全局无累计误差的相机运动轨迹。
在本实施例中,在检测到回环后构建误差函数,通过非线性优化方法最小化该误差,最终得到优化后的运动轨迹。
具体的,在检测到回环后利用高精度地图的先验位置信息和视觉里程计实际求取的位姿信息构建误差函数,并建立该误差函数的表达式,利用非线性最小二乘法对该误差进行最小化优化,最终得到最优的全局无累计误差的相机运动轨迹。
图2为本发明实施例还提供一种基于高精度地图的视觉回环检测装置,包括第一模块40、第二模块50和第三模块60,其中:
第一模块40基于预设特征信息完整度阈值对实时环境图片进行筛选,并对筛选后的图片进行相邻帧匹配;
第二模块50基于相邻帧匹配后的图片求取相机的运动变换矩阵,构建相机的视觉里程计,并选取视觉里程计中的关键帧图片;
第三模块60基于所述关键帧图片和对应高精度地图进行回环检测,若关键帧图片中的特征信息与高精度地图中的信息相似度达到预设的相似度阈值,则判断出现回环。
图3为本发明实施例提供的电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储在存储器830上并可在处理器810上运行的计算机程序,以执行上述各实施例提供的基于高精度地图的视觉回环检测方法,例如包括:
S1、基于预设的特征信息完整度阈值对实时环境图片进行筛选,并对筛选后的图片进行相邻帧匹配;
S2、基于相邻帧匹配后的图片求取相机的运动变换矩阵,构建相机的视觉里程计,并选取视觉里程计中的关键帧图片;
S3、基于所述关键帧图片和对应高精度地图进行回环检测,若关键帧图片中的特征信息与高精度地图中的信息相似度达到预设的相似度阈值,则判断出现回环。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于高精度地图的视觉回环检测方法,例如包括:
S1、基于预设的特征信息完整度阈值对实时环境图片进行筛选,并对筛选后的图片进行相邻帧匹配;
S2、基于相邻帧匹配后的图片求取相机的运动变换矩阵,构建相机的视觉里程计,并选取视觉里程计中的关键帧图片;
S3、基于所述关键帧图片和对应高精度地图进行回环检测,若关键帧图片中的特征信息与高精度地图中的信息相似度达到预设的相似度阈值,则判断出现回环。
本发明实施例还提供本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行如上述的基于高精度地图的视觉回环检测方法,例如包括:
S1、基于预设的特征信息完整度阈值对实时环境图片进行筛选,并对筛选后的图片进行相邻帧匹配;
S2、基于相邻帧匹配后的图片求取相机的运动变换矩阵,构建相机的视觉里程计,并选取视觉里程计中的关键帧图片;
S3、基于所述关键帧图片和对应高精度地图进行回环检测,若关键帧图片中的特征信息与高精度地图中的信息相似度达到预设的相似度阈值,则判断出现回环。
综上所述,本发明实施例提供的一种基于高精度地图的视觉回环检测方法和装置,通过将高精度地图中的元素信息和实时图像中提取的信息进行匹配并判断是为同一位置,在检测到为同一位置后将高精度地图中的位置坐标和实时视觉里程计中的位置构建一个误差函数,通过最小化误差函数优化实时位姿,从而将视觉里程计中的实时位姿进行优化,得到更为准确的运动轨迹,进一步提高视觉里程计的精度位置推算的准确性。基于高精度地图的回环检测系统能够带来更多的回环检测约束,由于高精度地图信息丰富,精度较传统的视觉里程计中的路标点精度高,能够提高实时视觉里程计精度。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于高精度地图的视觉回环检测方法,其特征在于,包括:
基于预设的特征信息完整度阈值对实时环境图片进行筛选,并对筛选后的图片进行相邻帧匹配;
基于相邻帧匹配后的图片求取相机的运动变换矩阵,构建相机的视觉里程计,并选取视觉里程计中的关键帧图片;
基于所述关键帧图片和对应高精度地图进行回环检测,若关键帧图片中的特征信息与高精度地图中的信息相似度达到预设的相似度阈值,则判断出现回环。
2.根据权利要求1所述的基于高精度地图的视觉回环检测方法,其特征在于,基于预设的特征信息完整度阈值对实时环境图片进行筛选前,还包括:
通过相机采集实时环境图片,并选取实时环境图片中能表示相机位姿的特征信息,设定特征信息完整度阈值。
3.根据权利要求2所述的基于高精度地图的视觉回环检测方法,其特征在于,基于预设的特征信息完整度阈值对实时环境图片进行筛选,具体包括:
提取实时环境图片中的特征信息,并计算所述特征信息的完整度,若所述完整度小于特征信息完整度阈值,则删除对应实时环境图片;若所述完整度不小于特征信息完整度阈值,则保留对应实时环境图片。
4.根据权利要求1所述的基于高精度地图的视觉回环检测方法,其特征在于,并对筛选后的图片进行相邻帧匹配,具体包括:
对筛选后的图片进行相邻帧相似度匹配,得到相邻帧匹配后的图片,并记录相邻帧图片的匹配关系。
5.根据权利要求1所述的基于高精度地图的视觉回环检测方法,其特征在于,并选取视觉里程计中的关键帧图片具体包括:
对相邻帧之间的特征点进行相似度匹配,得到的匹配成功的特征点数目,并根据预先设定的特征点数目阈值过滤不满足特征点数目阈值的图片;
根据配对后的特征点求解相邻帧之间的变换矩阵,基于预设的平移旋转阈值筛选符合所述平移旋转阈值的图片作为关键帧图片。
6.根据权利要求1所述的基于高精度地图的视觉回环检测方法,其特征在于,基于所述关键帧图片和对应高精度地图进行回环检测,具体包括:
基于高精度地图对视觉里程计中的关键帧图片信息进行回环检测基于高精度地图中的车道线位置信息、道路标识牌信息来作为回环检测的特征元素;求取相机位姿后,提取关键帧图片的车道线和道路标识牌信息,与相机位姿对应高精度地图中的信息进行对比并计算相似度。
7.根据权利要求1所述的基于高精度地图的视觉回环检测方法,其特征在于,还包括:
检测到回环后,基于高精度地图的先验位置信息和视觉里程计获取的相机位姿信息,构建误差函数;
基于非线性最小二乘法对所述误差函数进行最小化处理,得到全局无累计误差的相机运动轨迹。
8.一种基于高精度地图的视觉回环检测装置,其特征在于,包括:
第一模块,用于基于预设的特征信息完整度阈值对实时环境图片进行筛选,并对筛选后的图片进行相邻帧匹配;
第二模块,用于基于相邻帧匹配后的图片求取相机的运动变换矩阵,构建相机的视觉里程计,并选取视觉里程计中的关键帧图片;
第三模块,用于基于所述关键帧图片和对应高精度地图进行回环检测,若关键帧图片中的特征信息与高精度地图中的信息相似度达到预设的相似度阈值,则判断出现回环。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016595.2A CN109974721A (zh) | 2019-01-08 | 2019-01-08 | 一种基于高精度地图的视觉回环检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016595.2A CN109974721A (zh) | 2019-01-08 | 2019-01-08 | 一种基于高精度地图的视觉回环检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109974721A true CN109974721A (zh) | 2019-07-05 |
Family
ID=67076511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910016595.2A Pending CN109974721A (zh) | 2019-01-08 | 2019-01-08 | 一种基于高精度地图的视觉回环检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109974721A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110631586A (zh) * | 2019-09-26 | 2019-12-31 | 珠海市一微半导体有限公司 | 基于视觉slam的地图构建的方法、导航系统及装置 |
CN110648353A (zh) * | 2019-08-30 | 2020-01-03 | 北京影谱科技股份有限公司 | 一种基于单目传感器的机器人室内定位方法和装置 |
CN110823225A (zh) * | 2019-10-29 | 2020-02-21 | 北京影谱科技股份有限公司 | 室内动态情景下的定位方法和装置 |
CN111260661A (zh) * | 2020-01-15 | 2020-06-09 | 江苏大学 | 一种基于神经网络技术的视觉语义slam系统及方法 |
CN111444853A (zh) * | 2020-03-27 | 2020-07-24 | 长安大学 | 一种视觉slam的回环检测方法 |
CN111553975A (zh) * | 2020-04-27 | 2020-08-18 | 武汉易维晟医疗科技有限公司 | 一种手持式三维扫描系统的实时回环检测方法 |
CN111580530A (zh) * | 2020-06-16 | 2020-08-25 | 福勤智能科技(昆山)有限公司 | 一种定位方法、装置、自主移动设备及介质 |
CN111643083A (zh) * | 2020-06-22 | 2020-09-11 | 苏州高新区人民医院 | 一种基于机器视觉的乳腺mri伪影抑制方法 |
CN112450820A (zh) * | 2020-11-23 | 2021-03-09 | 深圳市银星智能科技股份有限公司 | 位姿优化方法、移动机器人及存储介质 |
CN113066152A (zh) * | 2021-03-18 | 2021-07-02 | 内蒙古工业大学 | 一种agv地图构建方法和系统 |
CN113761091A (zh) * | 2020-11-27 | 2021-12-07 | 北京京东乾石科技有限公司 | 闭环检测方法、装置、电子设备、系统和存储介质 |
CN116539026A (zh) * | 2023-07-06 | 2023-08-04 | 杭州华橙软件技术有限公司 | 地图构建方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106595659A (zh) * | 2016-11-03 | 2017-04-26 | 南京航空航天大学 | 城市复杂环境下多无人机视觉slam的地图融合方法 |
CN107025668A (zh) * | 2017-03-30 | 2017-08-08 | 华南理工大学 | 一种基于深度相机的视觉里程计的设计方法 |
CN107610175A (zh) * | 2017-08-04 | 2018-01-19 | 华南理工大学 | 基于半直接法和滑动窗口优化的单目视觉slam算法 |
CN108051002A (zh) * | 2017-12-04 | 2018-05-18 | 上海文什数据科技有限公司 | 基于惯性测量辅助视觉的运输车空间定位方法及系统 |
CN108615246A (zh) * | 2018-04-19 | 2018-10-02 | 浙江大承机器人科技有限公司 | 提高视觉里程计系统鲁棒性和降低算法计算消耗的方法 |
CN108648240A (zh) * | 2018-05-11 | 2018-10-12 | 东南大学 | 基于点云特征地图配准的无重叠视场相机姿态标定方法 |
-
2019
- 2019-01-08 CN CN201910016595.2A patent/CN109974721A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106595659A (zh) * | 2016-11-03 | 2017-04-26 | 南京航空航天大学 | 城市复杂环境下多无人机视觉slam的地图融合方法 |
CN107025668A (zh) * | 2017-03-30 | 2017-08-08 | 华南理工大学 | 一种基于深度相机的视觉里程计的设计方法 |
CN107610175A (zh) * | 2017-08-04 | 2018-01-19 | 华南理工大学 | 基于半直接法和滑动窗口优化的单目视觉slam算法 |
CN108051002A (zh) * | 2017-12-04 | 2018-05-18 | 上海文什数据科技有限公司 | 基于惯性测量辅助视觉的运输车空间定位方法及系统 |
CN108615246A (zh) * | 2018-04-19 | 2018-10-02 | 浙江大承机器人科技有限公司 | 提高视觉里程计系统鲁棒性和降低算法计算消耗的方法 |
CN108648240A (zh) * | 2018-05-11 | 2018-10-12 | 东南大学 | 基于点云特征地图配准的无重叠视场相机姿态标定方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648353A (zh) * | 2019-08-30 | 2020-01-03 | 北京影谱科技股份有限公司 | 一种基于单目传感器的机器人室内定位方法和装置 |
CN110631586A (zh) * | 2019-09-26 | 2019-12-31 | 珠海市一微半导体有限公司 | 基于视觉slam的地图构建的方法、导航系统及装置 |
CN110823225A (zh) * | 2019-10-29 | 2020-02-21 | 北京影谱科技股份有限公司 | 室内动态情景下的定位方法和装置 |
CN111260661A (zh) * | 2020-01-15 | 2020-06-09 | 江苏大学 | 一种基于神经网络技术的视觉语义slam系统及方法 |
CN111444853A (zh) * | 2020-03-27 | 2020-07-24 | 长安大学 | 一种视觉slam的回环检测方法 |
CN111444853B (zh) * | 2020-03-27 | 2023-04-07 | 长安大学 | 一种视觉slam的回环检测方法 |
CN111553975B (zh) * | 2020-04-27 | 2022-04-22 | 武汉易维晟医疗科技有限公司 | 一种手持式三维扫描系统的实时回环检测方法 |
CN111553975A (zh) * | 2020-04-27 | 2020-08-18 | 武汉易维晟医疗科技有限公司 | 一种手持式三维扫描系统的实时回环检测方法 |
CN111580530B (zh) * | 2020-06-16 | 2021-10-26 | 福勤智能科技(昆山)有限公司 | 一种定位方法、装置、自主移动设备及介质 |
CN111580530A (zh) * | 2020-06-16 | 2020-08-25 | 福勤智能科技(昆山)有限公司 | 一种定位方法、装置、自主移动设备及介质 |
CN111643083A (zh) * | 2020-06-22 | 2020-09-11 | 苏州高新区人民医院 | 一种基于机器视觉的乳腺mri伪影抑制方法 |
CN112450820A (zh) * | 2020-11-23 | 2021-03-09 | 深圳市银星智能科技股份有限公司 | 位姿优化方法、移动机器人及存储介质 |
CN113761091A (zh) * | 2020-11-27 | 2021-12-07 | 北京京东乾石科技有限公司 | 闭环检测方法、装置、电子设备、系统和存储介质 |
CN113761091B (zh) * | 2020-11-27 | 2024-04-05 | 北京京东乾石科技有限公司 | 闭环检测方法、装置、电子设备、系统和存储介质 |
CN113066152A (zh) * | 2021-03-18 | 2021-07-02 | 内蒙古工业大学 | 一种agv地图构建方法和系统 |
CN116539026A (zh) * | 2023-07-06 | 2023-08-04 | 杭州华橙软件技术有限公司 | 地图构建方法、装置、设备及存储介质 |
CN116539026B (zh) * | 2023-07-06 | 2023-09-29 | 杭州华橙软件技术有限公司 | 地图构建方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109974721A (zh) | 一种基于高精度地图的视觉回环检测方法和装置 | |
CN111199564B (zh) | 智能移动终端的室内定位方法、装置与电子设备 | |
CN107292949B (zh) | 场景的三维重建方法、装置及终端设备 | |
CN108898676B (zh) | 一种虚实物体之间碰撞及遮挡检测方法及系统 | |
CN107990899A (zh) | 一种基于slam的定位方法和系统 | |
CN109658454B (zh) | 一种位姿信息确定方法、相关装置及存储介质 | |
CN112734852A (zh) | 一种机器人建图方法、装置及计算设备 | |
US11922658B2 (en) | Pose tracking method, pose tracking device and electronic device | |
CN109410316B (zh) | 物体的三维重建的方法、跟踪方法、相关装置及存储介质 | |
CN107424171A (zh) | 一种基于分块的抗遮挡目标跟踪方法 | |
CN108829116B (zh) | 基于单目摄像头的避障方法及设备 | |
CN108229456A (zh) | 目标跟踪方法和装置、电子设备、计算机存储介质 | |
CN110349212B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
KR102098687B1 (ko) | 영상 모서리 정렬 기반 영상 항법 및 장치 | |
US20210124933A1 (en) | Method and system for multi instance visual tracking based on observer motion modelling | |
CN109711241A (zh) | 物体检测方法、装置与电子设备 | |
CN112200911A (zh) | 结合标志物的区域重叠式三维地图构建方法和装置 | |
CN107948586A (zh) | 基于视频拼接的跨区域运动目标检测方法和装置 | |
CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN113256691A (zh) | 一种目标跟踪方法、装置、设备和存储介质 | |
Dai et al. | RGB‐D SLAM with moving object tracking in dynamic environments | |
CN114004891A (zh) | 一种基于目标追踪的配网线路巡检方法及相关装置 | |
CN113763466B (zh) | 一种回环检测方法、装置、电子设备和存储介质 | |
CN113822996A (zh) | 机器人的位姿估计方法及装置、电子设备、存储介质 | |
CN116740149A (zh) | 摄像头跟踪方法、装置及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |
|
RJ01 | Rejection of invention patent application after publication |