CN110188242A - 无人驾驶设备定位方法、装置、无人驾驶设备和存储介质 - Google Patents
无人驾驶设备定位方法、装置、无人驾驶设备和存储介质 Download PDFInfo
- Publication number
- CN110188242A CN110188242A CN201910463983.5A CN201910463983A CN110188242A CN 110188242 A CN110188242 A CN 110188242A CN 201910463983 A CN201910463983 A CN 201910463983A CN 110188242 A CN110188242 A CN 110188242A
- Authority
- CN
- China
- Prior art keywords
- neighbour
- image
- feature descriptor
- hash
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/787—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
- Navigation (AREA)
Abstract
本申请公开了无人驾驶设备定位方法、装置、无人驾驶设备和存储介质。所述方法包括:从待查询图像中抽取特征描述子;对各特征描述子分别进行分段哈希计算,得到相应的计算结果;确定与初步定位信息对应的目标空间区间,根据所述计算结果在与各目标空间区间对应的哈希数据库中进行检索,得到与特征描述子对应的近邻特征描述子集合;根据所述近邻特征描述子集合确定所述待查询图像的近邻图像,将所述近邻图像对应的位姿信息作为目标定位信息。有益效果在于基于多哈希的近邻图像查找方式,准确率高;依据归属于同一物体的特征点空间相邻近原理,仅在以待查询特征点概略位置为中心一定半径区域内查找近邻图像,不需要检索所有哈希数据库,效率更高。
Description
技术领域
本申请涉及无人驾驶领域,具体涉及无人驾驶设备定位方法、装置、无人驾驶设备和存储介质。
背景技术
在无人驾驶领域中,如何准确、高效地进行设备定位一直是技术人员所关注的重点,一种关键技术是全局定位技术,基于视觉的同时定位与建图(VSLAM),具体地,通过拍摄当前图像,能够从图像序列中搜索出与当前图像相似的图像,进而依据相似图像计算当前所在位置。但是现有的全局定位技术还存在一些缺点,以DBoW全局定位算法为例,其词频模型从图像中抽取的信息有限,导致算法预测的准确性不高;算法依赖训练数据,在训练数据没有涵盖的场景中准确率较低;算法不支持模型的动态更新。
发明内容
鉴于上述问题,提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的无人驾驶设备定位方法、装置、无人驾驶设备和存储介质。
依据本申请的一个方面,提供了一种无人驾驶设备定位方法,包括:
从待查询图像中抽取特征描述子;
对各特征描述子分别进行分段哈希计算,得到相应的计算结果;
确定与初步定位信息对应的目标空间区间,根据所述计算结果在与各目标空间区间对应的哈希数据库中进行检索,得到与特征描述子对应的近邻特征描述子集合;
根据所述近邻特征描述子集合确定所述待查询图像的近邻图像,将所述近邻图像对应的位姿信息作为目标定位信息。
可选地,所述对各特征描述子分别进行分段哈希计算包括:
将特征描述子的二进制数据串划分均分为大小相等的多个序列;
对各序列分别进行一级或多级哈希计算。
可选地,所述对各序列分别进行一级或多级哈希计算包括:
确定各序列的序列值,依次选定一个序列作为指定序列;
对各指定序列,统计相应的剩余序列中“1”的数目,采用数值分段哈希建立第一级哈希映射,将指定序列的序列值作为哈希键值建立第二级哈希映射,得到特征值;
所述根据所述计算结果在与各目标空间区间对应的哈希数据库中进行检索,得到与特征描述子对应的近邻特征描述子集合包括:
根据所述特征值,在所述哈希数据库中检索出匹配的特征描述子作为近邻特征描述子。
可选地,所述方法还包括如下的建立所述哈希数据库的步骤:
拍摄指定地区的样本图像,并将所述指定地区划分为多个空间区间,建立与各空间区间对应的哈希数据库;
从所述样本图像中抽取出特征描述子,根据从样本图像中抽取出的各特征描述子对应的空间区间,确定从样本图像中抽取出的各特征描述子对应的哈希数据库;
对从样本图像中抽取出的特征描述子进行所述分段哈希计算,将得到的特征值映射到对应哈希数据库中的哈希表中。
可选地,所述空间区间是对所述指定地区的地图进行网格化设计得到的地图网格。
可选地,所述初步定位信息是根据所述无人驾驶设备中的全球导航卫星系统GNSS模块和/或惯性测量单元IMU得到的。
可选地,所述根据所述近邻特征描述子集合确定所述待查询图像的近邻图像包括:
根据所述近邻特征描述子集合,采用贝叶斯推断方式确定所述待查询图像的近邻图像。
依据本申请的另一方面,提供了一种无人驾驶设备定位装置,包括:
特征描述子抽取单元,用于从待查询图像中抽取特征描述子;
哈希计算单元,用于对各特征描述子分别进行分段哈希计算,得到相应的计算结果;
近邻特征描述子集合确定单元,用于确定与初步定位信息对应的目标空间区间,根据所述计算结果在与各目标空间区间对应的哈希数据库中进行检索,得到与特征描述子对应的近邻特征描述子集合;
定位单元,用于根据所述近邻特征描述子集合确定所述待查询图像的近邻图像,将所述近邻图像对应的位姿信息作为目标定位信息。
可选地,所述哈希计算单元,用于将特征描述子的二进制数据串划分均分为大小相等的多个序列;对各序列分别进行一级或多级哈希计算。
可选地,所述哈希计算单元,用于确定各序列的序列值,依次选定一个序列作为指定序列;对各指定序列,统计相应的剩余序列中“1”的数目,采用数值分段哈希建立第一级哈希映射,将指定序列的序列值作为哈希键值建立第二级哈希映射,得到特征值;所述近邻特征描述子集合确定单元,用于根据所述特征值,在所述哈希数据库中检索出匹配的特征描述子作为近邻特征描述子。
可选地,述装置还包括:
预处理单元,用于拍摄指定地区的样本图像,并将所述指定地区划分为多个空间区间,建立与各空间区间对应的哈希数据库;从所述样本图像中抽取出特征描述子,根据从样本图像中抽取出的各特征描述子对应的空间区间,确定从样本图像中抽取出的各特征描述子对应的哈希数据库;对从样本图像中抽取出的特征描述子进行所述分段哈希计算,将得到的特征值映射到对应哈希数据库中的哈希表中。
可选地,所述空间区间是对所述指定地区的地图进行网格化设计得到的地图网格。
可选地,所述初步定位信息是根据所述无人驾驶设备中的全球导航卫星系统GNSS模块和/或惯性测量单元IMU得到的。
可选地,所述定位单元,用于根据所述近邻特征描述子集合,采用贝叶斯推断方式确定所述待查询图像的近邻图像。
依据本申请的又一方面,提供了一种无人驾驶设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如上述任一所述的方法。
依据本申请的再一方面,提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现如上述任一所述的方法。
由上述可知,本申请的技术方案,通过从待查询图像中抽取特征描述子,对各特征描述子分别进行分段哈希计算,得到相应的计算结果,确定与初步定位信息对应的目标空间区间,根据计算结果在与各目标空间区间对应的哈希数据库中进行检索,得到与特征描述子对应的近邻特征描述子集合,根据近邻特征描述子集合确定待查询图像的近邻图像,将近邻图像对应的位姿信息作为目标定位信息。该技术方案的有益效果在于,提出了基于多哈希的近邻图像查找方式,准确率高;依据归属于同一物体的特征点空间相邻近原理,仅在以待查询特征点概略位置为中心一定半径区域内查找近邻图像,不需要检索所有哈希数据库,效率更高。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本申请一个实施例的一种无人驾驶设备定位方法的流程示意图;
图2示出了根据本申请一个实施例的一种无人驾驶设备定位装置的结构示意图;
图3示出了根据本申请一个实施例的无人驾驶设备的结构示意图;
图4示出了根据本申请一个实施例的计算机可读存储介质的结构示意图;
图5示出了以四个序列为例进行二级哈希计算的原理示意图。
具体实施方式
无人驾驶设备定位技术可以依托于相似图像的识别。例如,可以识别两幅图像中是否存在同一个物体。图像在计算机中是以灰度矩阵的形式存在的,但是利用图像的灰度并不能准确的找出两幅图像中的同一个物体。这是由于灰度受光照的影响,并且当图像视角变化后,同一个物体的灰度值也会跟着变化。所以,就需要找出一种能够在相机进行移动和旋转(视角发生变化),仍然能够保持不变的特征,利用这些不变的特征来找出不同视角的图像中的同一个物体。
为此,计算机视觉的研究者们设计了许多特征点检测算法,例如SIFT算法、SURF算法、ORB算法等。一个图像的特征点由两部分构成:特征关键点(Keypoint)和特征描述子(Descriptor)。特征关键点指的是该特征点在图像中的位置,有些还具有方向、尺度信息;特征描述子通常是一个向量,按照人为的设计的方式,描述关键点周围像素的信息。通常特征描述子是按照外观相似的特征应该有相似的特征描述子设计的。因此,在匹配的时候,只要两个特征点的特征描述子在向量空间的距离相近,就可以认为它们是同一个特征点。
本申请的技术方案是基于对图像中抽取的特征描述子进行分段哈希计算,通过预构建的哈希数据库完成近邻特征描述子的快速检索来实现的。下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
图1示出了根据本申请一个实施例的一种无人驾驶设备定位方法的流程示意图。如图1所示,该方法包括:
步骤S110,从待查询图像中抽取特征描述子。
具体地,可以先通过上文所提及的SIFT算法、SURF算法、ORB算法等检测出待查询图像中的特征点,从而得到相应的二进制特征描述子。待查询图像可以是通过无人驾驶设备上部署的摄像头拍摄的。
步骤S120,对各特征描述子分别进行分段哈希计算,得到相应的计算结果。具体的分段哈希计算方式可以参照现有技术实现,本申请对此不做限制。
步骤S130,确定与初步定位信息对应的目标空间区间,根据计算结果在与各目标空间区间对应的哈希数据库中进行检索,得到与特征描述子对应的近邻特征描述子集合。
这里实现了在有初步定位信息的情况下,通过后续操作进一步得到更精准的定位信息,可以理解为对初步定位信息的修正。如果没有初步定位信息,则需要在全部哈希数据库中进行检索,效率会下降;在有初步定位信息的情况下,可以减少需要检索的哈希数据库的数量,检索时间更短。
步骤S140,根据近邻特征描述子集合确定待查询图像的近邻图像,将近邻图像对应的位姿信息作为目标定位信息。
可见,图1所示的方法,提出了基于多哈希的近邻图像查找方式,准确率高;依据归属于同一物体的特征点空间相邻近原理,仅在以待查询特征点概略位置为中心一定半径区域内查找近邻图像,不需要检索所有哈希数据库,效率更高。
在本申请的一个实施例中,上述方法中,对各特征描述子分别进行分段哈希计算包括:将特征描述子的二进制数据串划分均分为大小相等的多个序列;对各序列分别进行一级或多级哈希计算。
具体来说,可以考虑计算效率和存储空间等因素,来确定实际进行几级哈希计算,例如在一个具体实施例中可以进行二级哈希计算。由于是二进制数据串,则实际得到的多个序列是“01”序列。
具体地,在本申请的一个实施例中,上述方法中,对各序列分别进行一级或多级哈希计算包括:确定各序列的序列值,依次选定一个序列作为指定序列;对各指定序列,统计相应的剩余序列中“1”的数目,采用数值分段哈希建立第一级哈希映射,将指定序列的序列值作为哈希键值建立第二级哈希映射,得到特征值;根据计算结果在与各目标空间区间对应的哈希数据库中进行检索,得到与特征描述子对应的近邻特征描述子集合包括:根据特征值,在哈希数据库中检索出匹配的特征描述子作为近邻特征描述子。
在本申请的一个实施例中,上述方法还包括如下的建立哈希数据库的步骤:拍摄指定地区的样本图像,并将指定地区划分为多个空间区间,建立与各空间区间对应的哈希数据库;从样本图像中抽取出特征描述子,根据从样本图像中抽取出的各特征描述子对应的空间区间,确定从样本图像中抽取出的各特征描述子对应的哈希数据库;对从样本图像中抽取出的特征描述子进行分段哈希计算,将得到的特征值映射到对应哈希数据库中的哈希表中。
结合前述实施例介绍的无人驾驶设备行驶过程中的实时定位,这里介绍了如何预先建立多个哈希数据库。将指定地区划分为多个空间区间的过程可以依托于现有技术实现,在本申请的一个实施例中,上述方法中,空间区间是对指定地区的地图进行网格化设计得到的地图网格,具体地,可以是二维网格,进一步实现每个网格对应建立一个哈希数据库。之后根据初步定位信息计算特征点位置,然后归档到特定网格,也就可以确定各特征描述子对应的空间区间。之后进行的哈希计算可以参照前述实施例的方式实现。例如图5示出了以四个序列为例进行二级哈希计算的原理示意图。容易理解,可以将二级哈希计算类推至更多级的哈希计算来实施,只需要保证建图过程中的哈希计算方式与定位过程中的哈希计算方式相同即可。样本图像的位姿信息可以通过拍摄样本图像过程中采集的各项参数来确定。
这样如果有新增的样本图像,也可以便利地进行数据库的实时、增量更新。
在本申请的一个实施例中,上述方法中,初步定位信息是根据无人驾驶设备中的全球导航卫星系统GNSS模块和/或惯性测量单元IMU得到的。这类方式获取的定位信息的精度往往受限于设备状态和设备运行时间等,但是也能够大致确定无人驾驶设备的当前位置,可以为检索提供便利。
在本申请的一个实施例中,上述方法中,根据近邻特征描述子集合确定待查询图像的近邻图像包括:根据近邻特征描述子集合,采用贝叶斯推断方式确定待查询图像的近邻图像。一幅图像能够抽取多个特征点以及相应的特征描述子,那么在得到近邻特征描述子集合后还需要通过贝叶斯推断的方式,确定哪张图像最相似,作为近邻图像。
图2示出了根据本申请一个实施例的一种无人驾驶设备定位装置的结构示意图。如图2所示,无人驾驶设备定位装置200包括:
特征描述子抽取单元210,用于从待查询图像中抽取特征描述子。
具体地,可以先通过上文所提及的SIFT算法、SURF算法、ORB算法等检测出待查询图像中的特征点,从而得到相应的二进制特征描述子。待查询图像可以是通过无人驾驶设备上部署的摄像头拍摄的。
哈希计算单元220,用于对各特征描述子分别进行分段哈希计算,得到相应的计算结果。具体的分段哈希计算方式可以参照现有技术实现,本申请对此不做限制。
近邻特征描述子集合确定单元230,用于确定与初步定位信息对应的目标空间区间,根据计算结果在与各目标空间区间对应的哈希数据库中进行检索,得到与特征描述子对应的近邻特征描述子集合。
这里实现了在有初步定位信息的情况下,通过后续操作进一步得到更精准的定位信息,可以理解为对初步定位信息的修正。如果没有初步定位信息,则需要在全部哈希数据库中进行检索,效率会下降;在有初步定位信息的情况下,可以减少需要检索的哈希数据库的数量,检索时间更短。
定位单元240,用于根据近邻特征描述子集合确定待查询图像的近邻图像,将近邻图像对应的位姿信息作为目标定位信息。
可见,图2所示的装置,提出了基于多哈希的近邻图像查找方式,准确率高;依据归属于同一物体的特征点空间相邻近原理,仅在以待查询特征点概略位置为中心一定半径区域内查找近邻图像,不需要检索所有哈希数据库,效率更高。
在本申请的一个实施例中,上述装置中,哈希计算单元220,用于将特征描述子的二进制数据串划分均分为大小相等的多个序列;对各序列分别进行一级或多级哈希计算。
在本申请的一个实施例中,上述装置中,哈希计算单元220,用于确定各序列的序列值,依次选定一个序列作为指定序列;对各指定序列,统计相应的剩余序列中“1”的数目,采用数值分段哈希建立第一级哈希映射,将指定序列的序列值作为哈希键值建立第二级哈希映射,得到特征值;近邻特征描述子集合确定单元230,用于根据特征值,在哈希数据库中检索出匹配的特征描述子作为近邻特征描述子。
在本申请的一个实施例中,上述装置还包括:预处理单元(图未示),用于拍摄指定地区的样本图像,并将指定地区划分为多个空间区间,建立与各空间区间对应的哈希数据库;从样本图像中抽取出特征描述子,根据从样本图像中抽取出的各特征描述子对应的空间区间,确定从样本图像中抽取出的各特征描述子对应的哈希数据库;对从样本图像中抽取出的特征描述子进行分段哈希计算,将得到的特征值映射到对应哈希数据库中的哈希表中。
在本申请的一个实施例中,上述装置中,空间区间是对指定地区的地图进行网格化设计得到的地图网格。
在本申请的一个实施例中,上述装置中,初步定位信息是根据无人驾驶设备中的全球导航卫星系统GNSS模块和/或惯性测量单元IMU得到的。
在本申请的一个实施例中,上述装置中,定位单元240,用于根据近邻特征描述子集合,采用贝叶斯推断方式确定待查询图像的近邻图像。
需要说明的是,上述各装置实施例的具体实施方式可以参照前述对应方法实施例的具体实施方式进行,在此不再赘述。
综上所述,本申请的技术方案,通过从待查询图像中抽取特征描述子,对各特征描述子分别进行分段哈希计算,得到相应的计算结果,确定与初步定位信息对应的目标空间区间,根据计算结果在与各目标空间区间对应的哈希数据库中进行检索,得到与特征描述子对应的近邻特征描述子集合,根据近邻特征描述子集合确定待查询图像的近邻图像,将近邻图像对应的位姿信息作为目标定位信息。该技术方案的有益效果在于,提出了基于多哈希的近邻图像查找方式,准确率高,经实验验证可以达到80%~90%;依据归属于同一物体的特征点空间相邻近原理,仅在以待查询特征点概略位置为中心一定半径区域内查找近邻图像,不需要检索所有哈希数据库,效率更高;基于空间区间——例如网格化——与哈希的组合支持数据库的实时、增量更新。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的无人驾驶设备定位装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
例如,图3示出了根据本申请一个实施例的无人驾驶设备的结构示意图。该无人驾驶设备300包括处理器310和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器320。存储器320可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器320具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码331的存储空间330。例如,用于存储计算机可读程序代码的存储空间330可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码331。计算机可读程序代码331可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4所述的计算机可读存储介质。图4示出了根据本申请一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质400存储有用于执行根据本申请的方法步骤的计算机可读程序代码331,可以被无人驾驶设备300的处理器310读取,当计算机可读程序代码331由无人驾驶设备300运行时,导致该无人驾驶设备300执行上面所描述的方法中的各个步骤,具体来说,该计算机可读存储介质存储的计算机可读程序代码331可以执行上述任一实施例中示出的方法。计算机可读程序代码331可以以适当形式进行压缩。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种无人驾驶设备定位方法,其特征在于,包括:
从待查询图像中抽取特征描述子;
对各特征描述子分别进行分段哈希计算,得到相应的计算结果;
确定与初步定位信息对应的目标空间区间,根据所述计算结果在与各目标空间区间对应的哈希数据库中进行检索,得到与特征描述子对应的近邻特征描述子集合;
根据所述近邻特征描述子集合确定所述待查询图像的近邻图像,将所述近邻图像对应的位姿信息作为目标定位信息。
2.如权利要求1所述的方法,其特征在于,所述对各特征描述子分别进行分段哈希计算包括:
将特征描述子的二进制数据串划分均分为大小相等的多个序列;
对各序列分别进行一级或多级哈希计算。
3.如权利要求2所述的方法,其特征在于,所述对各序列分别进行一级或多级哈希计算包括:
确定各序列的序列值,依次选定一个序列作为指定序列;
对各指定序列,统计相应的剩余序列中“1”的数目,采用数值分段哈希建立第一级哈希映射,将指定序列的序列值作为哈希键值建立第二级哈希映射,得到特征值;
所述根据所述计算结果在与各目标空间区间对应的哈希数据库中进行检索,得到与特征描述子对应的近邻特征描述子集合包括:
根据所述特征值,在所述哈希数据库中检索出匹配的特征描述子作为近邻特征描述子。
4.如权利要求1所述的方法,其特征在于,所述方法还包括如下的建立所述哈希数据库的步骤:
拍摄指定地区的样本图像,并将所述指定地区划分为多个空间区间,建立与各空间区间对应的哈希数据库;
从所述样本图像中抽取出特征描述子,根据从样本图像中抽取出的各特征描述子对应的空间区间,确定从样本图像中抽取出的各特征描述子对应的哈希数据库;
对从样本图像中抽取出的特征描述子进行所述分段哈希计算,将得到的特征值映射到对应哈希数据库中的哈希表中。
5.如权利要求4所述的方法,其特征在于,所述空间区间是对所述指定地区的地图进行网格化设计得到的地图网格。
6.如权利要求1所述的方法,其特征在于,所述初步定位信息是根据所述无人驾驶设备中的全球导航卫星系统GNSS模块和/或惯性测量单元IMU得到的。
7.如权利要求1所述的方法,其特征在于,所述根据所述近邻特征描述子集合确定所述待查询图像的近邻图像包括:
根据所述近邻特征描述子集合,采用贝叶斯推断方式确定所述待查询图像的近邻图像。
8.一种无人驾驶设备定位装置,其特征在于,包括:
特征描述子抽取单元,用于从待查询图像中抽取特征描述子;
哈希计算单元,用于对各特征描述子分别进行分段哈希计算,得到相应的计算结果;
近邻特征描述子集合确定单元,用于确定与初步定位信息对应的目标空间区间,根据所述计算结果在与各目标空间区间对应的哈希数据库中进行检索,得到与特征描述子对应的近邻特征描述子集合;
定位单元,用于根据所述近邻特征描述子集合确定所述待查询图像的近邻图像,将所述近邻图像对应的位姿信息作为目标定位信息。
9.一种无人驾驶设备,其中,该无人驾驶设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910463983.5A CN110188242B (zh) | 2019-05-30 | 2019-05-30 | 无人驾驶设备定位方法、装置、无人驾驶设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910463983.5A CN110188242B (zh) | 2019-05-30 | 2019-05-30 | 无人驾驶设备定位方法、装置、无人驾驶设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188242A true CN110188242A (zh) | 2019-08-30 |
CN110188242B CN110188242B (zh) | 2020-09-04 |
Family
ID=67718989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910463983.5A Active CN110188242B (zh) | 2019-05-30 | 2019-05-30 | 无人驾驶设备定位方法、装置、无人驾驶设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188242B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140592A (zh) * | 2007-09-30 | 2008-03-12 | 华为技术有限公司 | 关键字存储、查找方法和设备 |
CN101257443A (zh) * | 2008-02-15 | 2008-09-03 | 北京大学 | 车辆自组织网络中基于道路网格的查询方法 |
US20100070509A1 (en) * | 2008-08-15 | 2010-03-18 | Kai Li | System And Method For High-Dimensional Similarity Search |
CN102724631A (zh) * | 2012-06-28 | 2012-10-10 | 上海交通大学 | 车辆自组织网络基于位置路由的位置信息更新方法 |
CN104392007A (zh) * | 2014-12-18 | 2015-03-04 | 西安电子科技大学宁波信息技术研究院 | 一种智能移动终端的街景检索与识别方法 |
CN104899326A (zh) * | 2015-06-19 | 2015-09-09 | 四川大学 | 一种基于二进制多索引哈希技术的图像检索方法 |
US20160350927A1 (en) * | 2015-05-29 | 2016-12-01 | Northrop Grumman Systems Corporation | Cross spectral feature correlation for navigational adjustment |
CN106980656A (zh) * | 2017-03-10 | 2017-07-25 | 北京大学 | 一种基于二值码字典树的搜索方法 |
CN107704821A (zh) * | 2017-09-29 | 2018-02-16 | 河北工业大学 | 一种弯道的车辆位姿计算方法 |
CN108133611A (zh) * | 2016-12-01 | 2018-06-08 | 中兴通讯股份有限公司 | 车辆行驶轨迹监测方法及系统 |
CN108491797A (zh) * | 2018-03-22 | 2018-09-04 | 河北省科学院应用数学研究所 | 一种基于大数据的车辆图像精确检索方法 |
CN109753576A (zh) * | 2018-12-25 | 2019-05-14 | 上海七印信息科技有限公司 | 一种相似图像检索方法 |
-
2019
- 2019-05-30 CN CN201910463983.5A patent/CN110188242B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140592A (zh) * | 2007-09-30 | 2008-03-12 | 华为技术有限公司 | 关键字存储、查找方法和设备 |
CN101257443A (zh) * | 2008-02-15 | 2008-09-03 | 北京大学 | 车辆自组织网络中基于道路网格的查询方法 |
US20100070509A1 (en) * | 2008-08-15 | 2010-03-18 | Kai Li | System And Method For High-Dimensional Similarity Search |
CN102724631A (zh) * | 2012-06-28 | 2012-10-10 | 上海交通大学 | 车辆自组织网络基于位置路由的位置信息更新方法 |
CN104392007A (zh) * | 2014-12-18 | 2015-03-04 | 西安电子科技大学宁波信息技术研究院 | 一种智能移动终端的街景检索与识别方法 |
US20160350927A1 (en) * | 2015-05-29 | 2016-12-01 | Northrop Grumman Systems Corporation | Cross spectral feature correlation for navigational adjustment |
CN104899326A (zh) * | 2015-06-19 | 2015-09-09 | 四川大学 | 一种基于二进制多索引哈希技术的图像检索方法 |
CN108133611A (zh) * | 2016-12-01 | 2018-06-08 | 中兴通讯股份有限公司 | 车辆行驶轨迹监测方法及系统 |
CN106980656A (zh) * | 2017-03-10 | 2017-07-25 | 北京大学 | 一种基于二值码字典树的搜索方法 |
CN107704821A (zh) * | 2017-09-29 | 2018-02-16 | 河北工业大学 | 一种弯道的车辆位姿计算方法 |
CN108491797A (zh) * | 2018-03-22 | 2018-09-04 | 河北省科学院应用数学研究所 | 一种基于大数据的车辆图像精确检索方法 |
CN109753576A (zh) * | 2018-12-25 | 2019-05-14 | 上海七印信息科技有限公司 | 一种相似图像检索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110188242B (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
CN107885764B (zh) | 基于多任务深度学习快速哈希车辆检索方法 | |
CN106909924B (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
Crommelinck et al. | Contour detection for UAV-based cadastral mapping | |
CN103745498B (zh) | 一种基于图像的快速定位方法 | |
Erdem et al. | Comparison of different U-net models for building extraction from high-resolution aerial imagery | |
CN114581571A (zh) | 基于imu和前向变形场的单目人体重建方法及装置 | |
CN115265545A (zh) | 基于决策分析的地图匹配导航方法、装置、设备及存储介质 | |
CN113822996B (zh) | 机器人的位姿估计方法及装置、电子设备、存储介质 | |
CN115994899A (zh) | 一种螺栓松动检测方法、装置及检测设备 | |
CN111191708A (zh) | 自动化样本关键点标注方法、装置及系统 | |
Canedo et al. | Uncovering Archaeological Sites in Airborne LiDAR Data With Data-Centric Artificial Intelligence | |
CN109583371A (zh) | 基于深度学习的陆标信息提取与匹配方法 | |
Wu et al. | LSH-DETR: object detection algorithm for marine benthic organisms based on improved DETR | |
CN110188242A (zh) | 无人驾驶设备定位方法、装置、无人驾驶设备和存储介质 | |
Esmaeily et al. | Building roof wireframe extraction from aerial images using a three-stream deep neural network | |
CN113282781A (zh) | 图像检索方法及装置 | |
Vatresia et al. | Automatic Fish Identification Using Single Shot Detector | |
CN115311296B (zh) | 数据生成、图像识别方法及计算机存储介质和终端设备 | |
CN113543307B (zh) | 视觉信息特征指纹库构建方法、定位方法及装置 | |
Uchiyama et al. | AR city representation system based on map recognition using topological information | |
CN112381745B (zh) | 基于多源数据合成的侧扫声呐图像数据增强方法及系统 | |
Uchiyama et al. | AR representation system for 3D GIS based on camera pose estimation using distribution of intersections | |
Peng et al. | Deep-Learning-Based Precision Visual Tracking | |
Nithya et al. | Stiching large images by enhancing SURF and RANSAC Algorithm |
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 |