CN110473259A - 位姿确定方法及装置、电子设备和存储介质 - Google Patents

位姿确定方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110473259A
CN110473259A CN201910701860.0A CN201910701860A CN110473259A CN 110473259 A CN110473259 A CN 110473259A CN 201910701860 A CN201910701860 A CN 201910701860A CN 110473259 A CN110473259 A CN 110473259A
Authority
CN
China
Prior art keywords
image
pose
key point
processed
reference picture
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
Application number
CN201910701860.0A
Other languages
English (en)
Inventor
朱铖恺
冯岩
武伟
闫俊杰
林思睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN201910701860.0A priority Critical patent/CN110473259A/zh
Publication of CN110473259A publication Critical patent/CN110473259A/zh
Priority to JP2021578183A priority patent/JP2022540072A/ja
Priority to PCT/CN2019/123646 priority patent/WO2021017358A1/zh
Priority to TW109100345A priority patent/TWI753348B/zh
Priority to US17/563,744 priority patent/US20220122292A1/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30232—Surveillance
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Studio Devices (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本公开涉及一种位姿确定方法及装置、电子设备和存储介质，所述方法包括：获取与待处理图像匹配的参考图像；对待处理图像和参考图像分别进行关键点提取处理，分别得到待处理图像中的第一关键点以及第一关键点在参考图像中对应的第二关键点；根据第一关键点与第二关键点的对应关系，以及参考图像对应的参考位姿，确定图像获取装置在采集待处理图像的目标位姿，根据本公开的实施例的位姿确定方法，可选取的与待处理图像匹配的参考图像，并根据参考图像的位姿来确定待处理图像对应的位姿，可在图像获取装置产生旋转或位移时标定对应的位姿，可迅速适应新的监控场景。

Description

位姿确定方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种位姿确定方法及装置、电子设备和存储介质。
背景技术
相机标定是单目视觉定位的基础问题。计算目标地理位置，获取摄像机的可视区域，都需要对相机进行标定。在相关技术中，常用的标定算法仅考虑了相机位置固定的情况，而目前城市的监控相机中，包含了许多可旋转的相机，当相机发生位移或者旋转时，无法重新标定以适应新的场景。
发明内容
本公开提出了一种位姿确定方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种位姿确定方法，包括：
获取与待处理图像匹配的参考图像，其中，所述待处理图像和所述参考图像是由图像获取装置获取的，所述参考图像具有对应的参考位姿，所述参考位姿用于表示所述图像获取装置在采集所述参考图像时的位姿；
对所述待处理图像和所述参考图像分别进行关键点提取处理，分别得到所述待处理图像中的第一关键点以及所述第一关键点在所述参考图像中对应的第二关键点；
根据所述第一关键点与所述第二关键点的对应关系，以及所述参考图像对应的参考位姿，确定所述图像获取装置在采集所述待处理图像的目标位姿。
根据本公开的实施例的位姿确定方法，可选取的与待处理图像匹配的参考图像，并根据参考图像的位姿来确定待处理图像对应的位姿，可在图像获取装置产生旋转或位移时标定对应的位姿，可迅速适应新的监控场景。
在一种可能的实现方式中，所述获取与待处理图像匹配的参考图像，包括：
对所述待处理图像和至少一个第一图像分别进行特征提取处理，获得所述待处理图像的第一特征信息和各所述第一图像的第二特征信息，所述至少一个第一图像是所述图像获取装置在旋转的过程中依次获取的；
根据所述第一特征信息和各所述第二特征信息之间的相似度，从各第一图像中确定出所述参考图像。
在一种可能的实现方式中，所述方法还包括：
确定所述图像获取装置在采集所述第二图像时的成像平面和地理平面之间的第二单应矩阵，以及确定所述图像获取装置的内参矩阵，其中，所述第二图像为所述多个第一图像中的任意一张图像，所述地理平面为所述目标点的地理位置坐标所在平面；
根据所述内参矩阵及所述第二单应矩阵，确定所述第二图像对应的参考位姿；
根据所述第二图像对应的参考位姿，确定所述至少一个第一图像对应的参考位姿。
在一种可能的实现方式中，所述确定所述图像获取装置在采集所述第二图像时的成像平面和地理平面之间的第二单应矩阵，以及确定所述图像获取装置的内参矩阵，包括：
根据所述第二图像中目标点的图像位置坐标和地理位置坐标，确定所述图像获取装置在采集所述第二图像时的成像平面和地理平面之间的第二单应矩阵，其中，所述目标点为所述第二图像中的多个不共线的点；
对所述第二单应矩阵进行分解处理，确定所述图像获取装置的内参矩阵。
在一种可能的实现方式中，根据所述内参矩阵及所述第二单应矩阵，确定所述第二图像对应的参考位姿，包括：
根据所述图像获取装置的内参矩阵及所述第二单应矩阵，确定所述第二图像对应的外参矩阵；
根据所述第二图像对应的外参矩阵，确定所述第二图像对应的参考位姿。
在一种可能的实现方式中，根据所述第二图像对应的参考位姿，确定所述至少一个第一图像对应的参考位姿，包括：
对当前第一图像和下一个第一图像分别进行关键点提取处理，获得当前第一图像中的第三关键点和所述第三关键点在下一个第一图像中对应的第四关键点，所述当前第一图像为所述多个第一图像中已知参考位姿的图像，所述当前第一图像包括所述第二图像，所述下一个第一图像为所述至少一个第一图像中与所述当前第一图像相邻的图像；
根据所述第三关键点和所述第四关键点的对应关系，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵；
根据所述第三单应矩阵和所述当前第一图像对应的参考位姿，确定所述下一个第一图像对应的参考位姿。
通过这种方式，可获得第一个图像的参考位姿，并根据第一个第一图像的参考位姿迭代确定所有第一图像的参考位姿，无需根据复杂的标定方法对每个第一图像进行标定处理，提高处理效率。
在一种可能的实现方式中，根据所述第三关键点和所述第四关键点的对应关系，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵，包括：
根据所述第三关键点在所述当前第一图像中的第三位置坐标以及所述第四关键点在所述下一个第一图像中的第四位置坐标，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵。
在一种可能的实现方式中，根据所述第三单应矩阵和所述当前第一图像对应的参考位姿，确定所述下一个第一图像对应的参考位姿，包括：
对所述第三单应矩阵进行分解处理，确定所述图像获取装置在获取所述当前第一图像和所述下一个第一图像之间的第二位姿变化量；
根据所述当前第一图像对应的参考位姿以及所述第二位姿变化量，确定所述下一个第一图像对应的参考位姿。
在一种可能的实现方式中，根据所述第一关键点与所述第二关键点的对应关系，以及所述参考图像对应的参考位姿，确定所述图像获取装置在采集所述待处理图像的目标位姿，包括：
根据所述第一关键点在所述待处理图像中的第一位置坐标、所述第二关键点在所述参考图像中的第二位置坐标，以及参考图像对应的参考位姿，确定所述图像获取装置在采集所述待处理图像的目标位姿。
通过这种方式，可获得第一个图像的参考位姿，并根据第一个第一图像的参考位姿迭代确定所有第一图像的参考位姿，无需根据复杂的标定方法对每个第一图像进行标定处理，提高处理效率。
在一种可能的实现方式中，根据所述第一关键点在所述待处理图像中的第一位置坐标、所述第二关键点在所述参考图像中的第二位置坐标，以及参考图像对应的参考位姿，确定所述图像获取装置在采集所述待处理图像的目标位姿，包括：
根据所述第一位置坐标和所述第二位置坐标，确定所述参考图像和所述待处理图像之间的第一单应矩阵；
对所述第一单应矩阵进行分解处理，确定所述图像获取装置在获取所述待处理图像和所述参考图像之间的第一位姿变化量；
根据所述参考图像对应的参考位姿以及所述第一位姿变化量，确定所述目标位姿。
在一种可能的实现方式中，所述参考图像对应的参考位姿包括所述图像获取装置获取所述参考图像时的旋转矩阵和位移向量，所述待处理图像对应的目标位姿包括所述图像获取装置获取待处理图像时的旋转矩阵和位移向量。
在一种可能的实现方式中，所述特征提取处理及所述关键点提取处理通过卷积神经网络来实现，
其中，所述方法还包括：
通过所述卷积神经网络的卷积层对所述样本图像进行卷积处理，获得所述样本图像的特征图；
对所述特征图进行卷积处理，分别获得所述样本图像的特征信息；
对所述特征图进行关键点提取处理，获得所述样本图像的关键点；
根据所述样本图像的特征信息和关键点，训练所述卷积神经网络。
在一种可能的实现方式中，对所述特征图进行关键点提取处理，获得所述样本图像的关键点，包括：
通过所述卷积神经网络的区域候选网络对所述特征图进行处理，获得感兴趣区域；
通过所述卷积神经网络的感兴趣区域池化层对所述感兴趣区域进行池化，并通过卷积层进行卷积处理，在所述感兴趣区域中确定所述样本图像的关键点。
根据本公开的一方面，提供了一种位姿确定装置，包括：
获取模块，用于获取与待处理图像匹配的参考图像，其中，所述待处理图像和所述参考图像是由图像获取装置获取的，所述参考图像具有对应的参考位姿，所述参考位姿用于表示所述图像获取装置在采集所述参考图像时的位姿；
第一提取模块，用于对所述待处理图像和所述参考图像分别进行关键点提取处理，分别得到所述待处理图像中的第一关键点以及所述第一关键点在所述参考图像中对应的第二关键点；
第一确定模块，用于根据所述第一关键点与所述第二关键点的对应关系，以及所述参考图像对应的参考位姿，确定所述图像获取装置在采集所述待处理图像的目标位姿。
在一种可能的实现方式中，所述获取模块被进一步配置为：
对所述待处理图像和至少一个第一图像分别进行特征提取处理，获得所述待处理图像的第一特征信息和各所述第一图像的第二特征信息，所述至少一个第一图像是所述图像获取装置在旋转的过程中依次获取的；
根据所述第一特征信息和各所述第二特征信息之间的相似度，从各第一图像中确定出所述参考图像。
在一种可能的实现方式中，所述装置还包括：
第二确定模块，用于确定所述图像获取装置在采集所述第二图像时的成像平面和地理平面之间的第二单应矩阵，以及确定所述图像获取装置的内参矩阵，其中，所述第二图像为所述多个第一图像中的任意一张图像，所述地理平面为所述目标点的地理位置坐标所在平面；
第三确定模块，用于根据所述内参矩阵及所述第二单应矩阵，确定所述第二图像对应的参考位姿；
第四确定模块，用于根据所述第二图像对应的参考位姿，确定所述至少一个第一图像对应的参考位姿。
在一种可能的实现方式中，所述第二确定模块被进一步配置为：
根据所述第二图像中目标点的图像位置坐标和地理位置坐标，确定所述图像获取装置在采集所述第二图像时的成像平面和地理平面之间的第二单应矩阵，其中，所述目标点为所述第二图像中的多个不共线的点；
对所述第二单应矩阵进行分解处理，确定所述图像获取装置的内参矩阵。
在一种可能的实现方式中，所述第三确定模块被进一步配置为：
根据所述图像获取装置的内参矩阵及所述第二单应矩阵，确定所述第二图像对应的外参矩阵；
根据所述第二图像对应的外参矩阵，确定所述第二图像对应的参考位姿。
在一种可能的实现方式中，所述第四确定模块被进一步配置为：
对当前第一图像和下一个第一图像分别进行关键点提取处理，获得当前第一图像中的第三关键点和所述第三关键点在下一个第一图像中对应的第四关键点，所述当前第一图像为所述多个第一图像中已知参考位姿的图像，所述当前第一图像包括所述第二图像，所述下一个第一图像为所述至少一个第一图像中与所述当前第一图像相邻的图像；
根据所述第三关键点和所述第四关键点的对应关系，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵；
根据所述第三单应矩阵和所述当前第一图像对应的参考位姿，确定所述下一个第一图像对应的参考位姿。
在一种可能的实现方式中，所述第四确定模块被进一步配置为：
根据所述第三关键点在所述当前第一图像中的第三位置坐标以及所述第四关键点在所述下一个第一图像中的第四位置坐标，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵。
在一种可能的实现方式中，所述第四确定模块被进一步配置为：
对所述第三单应矩阵进行分解处理，确定所述图像获取装置在获取所述当前第一图像和所述下一个第一图像之间的第二位姿变化量；
根据所述当前第一图像对应的参考位姿以及所述第二位姿变化量，确定所述下一个第一图像对应的参考位姿。
在一种可能的实现方式中，所述第一确定模块被进一步配置为：
根据所述第一关键点在所述待处理图像中的第一位置坐标、所述第二关键点在所述参考图像中的第二位置坐标，以及参考图像对应的参考位姿，确定所述图像获取装置在采集所述待处理图像的目标位姿。
在一种可能的实现方式中，所述第一确定模块被进一步配置为：
根据所述第一位置坐标和所述第二位置坐标，确定所述参考图像和所述待处理图像之间的第一单应矩阵；
对所述第一单应矩阵进行分解处理，确定所述图像获取装置在获取所述待处理图像和所述参考图像之间的第一位姿变化量；
根据所述参考图像对应的参考位姿以及所述第一位姿变化量，确定所述目标位姿。
在一种可能的实现方式中，所述参考图像对应的参考位姿包括所述图像获取装置获取所述参考图像时的旋转矩阵和位移向量，所述待处理图像对应的目标位姿包括所述图像获取装置获取待处理图像时的旋转矩阵和位移向量。
在一种可能的实现方式中，所述特征提取处理及所述关键点提取处理通过卷积神经网络来实现，
其中，所述装置还包括：
第一卷积模块，用于通过所述卷积神经网络的卷积层对所述样本图像进行卷积处理，获得所述样本图像的特征图；
第二卷积模块，用于对所述特征图进行卷积处理，分别获得所述样本图像的特征信息；
第二提取模块，用于对所述特征图进行关键点提取处理，获得所述样本图像的关键点；
训练模块，用于根据所述样本图像的特征信息和关键点，训练所述卷积神经网络。
在一种可能的实现方式中，所述第二提取模块被进一步配置为：
通过所述卷积神经网络的区域候选网络对所述特征图进行处理，获得感兴趣区域；
通过所述卷积神经网络的感兴趣区域池化层对所述感兴趣区域进行池化，并通过卷积层进行卷积处理，在所述感兴趣区域中确定所述样本图像的关键点。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述位姿确定方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述位姿确定方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的位姿确定方法的流程图；
图2示出根据本公开实施例的位姿确定方法的流程图；
图3示出根据本公开实施例的目标点的示意图；
图4示出根据本公开实施例的位姿确定方法的流程图；
图5示出根据本公开实施例的神经网络训练的示意图；
图6示出根据本公开实施例的位姿确定方法的应用示意图；
图7示出根据本公开实施例的位姿确定装置的框图；
图8示出根据本公开实施例的电子装置的框图；
图9示出根据本公开实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的位姿确定方法的流程图，如图1所示，所述方法包括：
在步骤S11中，获取与待处理图像匹配的参考图像，其中，所述待处理图像和所述参考图像是由图像获取装置获取的，所述参考图像具有对应的参考位姿，所述参考位姿用于表示所述图像获取装置在采集所述参考图像时的位姿；
在步骤S12中，对所述待处理图像和所述参考图像分别进行关键点提取处理，分别得到所述待处理图像中的第一关键点以及所述第一关键点在所述参考图像中对应的第二关键点；
在步骤S13中，根据所述第一关键点与所述第二关键点的对应关系，以及所述参考图像对应的参考位姿，确定所述图像获取装置在采集所述待处理图像的目标位姿。
根据本公开的实施例的位姿确定方法，可选取的与待处理图像匹配的参考图像，并根据参考图像的位姿来确定待处理图像对应的位姿，可在图像获取装置产生旋转或位移时标定对应的位姿，可迅速适应新的监控场景。
在一种可能的实现方式中，所述方法可以由终端设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，所述方法通过服务器执行。
在一种可能的实现方式中，可通过所述位于预设位置的图像获取装置获取多个第一图像，并从所述多个第一图像中选择出与待处理图像匹配的参考图像，所述图像获取装置可以是能够旋转的相机，例如，用于监控的球形相机等，所述图像获取装置可沿俯仰方向和/或偏航方向旋转，在旋转的过程中，图像获取装置可获取一个或多个第一图像。在其他实施例中，还可以是通过图像获取装置获取一张参考图像，在此不做限定。
在示例中，图像获取装置在俯仰方向可旋转180°，在偏航方向均旋转360°，则图像获取装置可在旋转过程中获取多张第一图像，例如，每间隔预设角度，获取一个第一图像。在另一示例中，图像获取装置在俯仰方向和/或偏航方向可旋转的角度为预设度数，例如，仅可旋转10°、20°、30°等，图像获取装置可在旋转过程中获取一张或多张第一图像，例如，每间隔预设角度，获取一个第一图像。例如，图像获取装置仅可在偏航方向旋转20°，在旋转过程中，可每间隔5°获取一张第一图像，则图像获取装置可分别在旋转至0°、5°、10°、15°和20°时获取一张第一图像，共获取5张第一图像。又例如，图像获取装置仅可在偏航方向旋转10°，图像获取装置可在旋转至5°时获取一张第一图像，即，仅获取一张参考图像。所述各第一图像对应的参考位姿包括所述图像获取装置获取各第一图像时的旋转矩阵和位移向量，所述待处理图像对应的目标位姿包括所述图像获取装置获取待处理图像时的旋转矩阵和位移向量。参考图像为所述第一图像中与待处理图像匹配的图像，所述参考图像对应的参考位姿包括所述图像获取装置获取所述参考图像时的旋转矩阵和位移向量，所述待处理图像对应的目标位姿包括所述图像获取装置获取待处理图像时的旋转矩阵和位移向量。
图2示出根据本公开实施例的位姿确定方法的流程图，如图2所示，所述方法还包括：
在步骤S14中，确定所述图像获取装置在采集所述第二图像时的成像平面和地理平面之间的第二单应矩阵，以及确定所述图像获取装置的内参矩阵，其中，所述第二图像为所述多个第一图像中的任意一张图像，所述地理平面为所述目标点的地理位置坐标所在平面；
在步骤S15中，根据所述内参矩阵及所述第二单应矩阵，确定所述第二图像对应的参考位姿；
在步骤S16中，根据所述第二图像对应的参考位姿，确定所述至少一个第一图像对应的参考位姿。
在一种可能的实现方式中，在步骤S14中，可将图像获取装置沿俯仰方向和/或偏航方向旋转，并在旋转过程中依次获取第一图像。例如，可将图像获取装置在俯仰方向设置为某角度(例如，1°、5°、10°等)，并沿偏航方向旋转一周，并在旋转过程中每隔一定角度(例如，1°、5°、10°等)获取一张第一图像。在旋转一周后，可将图像获取装置沿俯仰方向调整一定角度(例如，1°、5°、10°等)，并沿偏航方向旋转一周，并在旋转过程中每隔一定角度获取一张第一图像。可按照上述方式，继续调整俯仰方向的角度，并沿偏航方向旋转一周，并获取第一图像，直到俯仰方向调整180°。或者，图像获取装置在俯仰方向和/或偏航方向可旋转的角度为预设度数时，可依次获取第一图像。
在一种可能的实现方式中，可将上述过程中的任意一张第一图像确定为第二图像，并在依次确定各第一图像的参考位姿时，将选择的第二图像作为确定多个第一图像的参考位姿的处理中的第一张待处理的图像，并在确定第二图像的参考位姿后，根据第二图像的参考位姿，确定其他第一图像的参考位姿。例如，可将第一张第一图像确定为所述第二图像，并对第二图像进行标定(即，标定图像获取装置获取第二图像时的位姿)，以确定第二图像的参考位姿，并基于第二图像的参考位姿依次确定其他第一图像的参考位姿。
在一种可能的实现方式中，可在第二图像中选取多个不共线的目标点，并标注所述目标点在第二图像中的图像位置坐标，并获取所述目标点的地理位置坐标，例如，目标点在实际地理位置中的经纬度坐标。
图3示出根据本公开实施例的目标点的示意图，如图3所示，图3中右侧为所述图像获取装置获取的第二图像，并在第二图像中选取了4个目标点(即，0点、1点、2点和3点)，例如，选取了某体育场的4个顶点作为目标点。并可获取所述4个目标点在第二图像中的图像位置坐标，例如，(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)。
在一种可能的实现方式中，可确定所述4个目标点的地理位置坐标，例如，经纬度坐标。图3中左侧为所述体育场的实况地图，例如，卫星拍摄的实况地图，可在各实况地图中获取所述4个目标点的经纬度坐标，例如，(x1’，y1’)，(x2’，y2’)，(x3’，y3’)，(x4’，y4’)。
在一种可能的实现方式中，确定所述图像获取装置在采集所述第二图像时的成像平面和地理平面之间的第二单应矩阵，以及确定所述图像获取装置的内参矩阵，包括：根据所述目标点的图像位置坐标和地理位置坐标，确定所述图像获取装置在采集所述第二图像时的成像平面和地理平面之间的第二单应矩阵；对所述第二单应矩阵进行分解处理，确定所述图像获取装置的内参矩阵。
在一种可能的实现方式中，根据所述目标点的图像位置坐标和地理位置坐标，确定所述图像获取装置的成像平面和地理平面之间的第二单应矩阵。在示例中，可根据(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)以及(x1’，y1’)，(x2’，y2’)，(x3’，y3’)，(x4’，y4’)之间的对应关系，确定图像获取装置的成像平面和地理平面之间的第二单应矩阵，例如，可根据上述坐标建立各坐标之间的方程组，并根据所述方程组解得所述第二单应矩阵。
在一种可能的实现方式中，可对第二单应矩阵进行分解处理。根据成像原理，可根据以下公式(1)确定第二单应矩阵和图像获取装置的内参矩阵及第二图像的参考位姿之间的关系：
H＝λK[R|T] (1)
其中，H为第二单应矩阵，λ为H的特征值，K为图像获取装置的内参矩阵，[R|T]为第二图像对应的外参矩阵，R为第二图像的旋转矩阵，T为第二图像的位移向量。
在一种可能的实现方式中，公式(1)中列向量可表示为以下公式(2)：
H＝[h1，h2，h3]＝λK[r1，r2，t] (2)
其中，h1，h2，h3分别为H的列向量，r1，r2为R的列向量，t为T的列向量。
在一种可能的实现方式中，由于旋转矩阵R为正交矩阵，可根据公式(2)获得以下方程组(3)：
在一种可能的实现方式中，可根据方程组(3)获得以下方程组(4)：
其中，(i＝1、2或3，j＝1、2或3)。
在一种可能的实现方式中，可对方程组(4)进行奇异值分解，获得图像获取装置的内参矩阵，例如，可获得所述内参矩阵的最小二乘解。
在一种可能的实现方式中，在步骤S15中，可根据所述内参矩阵及所述第二单应矩阵，确定第二图像的参考位姿，步骤S15可包括：根据所述图像获取装置的内参矩阵及所述第二单应矩阵，确定所述第二图像对应的外参矩阵；根据所述第二图像对应的外参矩阵，确定所述第二图像对应的参考位姿。
在一种可能的实现方式中，可根据公式(1)或(2)确定第二图像对应的外参矩阵。例如，公式(1)两侧可同时乘以K-1，并同时除以λ，即可获得第二图像对应的外参矩阵[R|T]。
在一种可能的实现方式中，所述外参矩阵中的旋转矩阵R和位移向量T即为第二图像对应的参考位姿。
在一种可能的实现方式中，在步骤S16中，可根据第二图像的参考位姿，依次确定每个第一图像对应的参考位姿。例如，第二图像为确定多个第一图像的参考位姿的处理中的第一张待处理的图像，可根据第二图像的参考位姿，依次确定其后续的各第一图像的参考位姿。步骤S16可包括：对当前第一图像和下一个第一图像分别进行关键点提取处理，获得当前第一图像中的第三关键点和所述第三关键点在下一个第一图像中对应的第四关键点，所述当前第一图像为所述多个第一图像中已知参考位姿的图像，所述当前第一图像包括所述第二图像，所述下一个第一图像为所述至少一个第一图像中与所述当前第一图像相邻的图像；根据所述第三关键点和所述第四关键点的对应关系，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵；根据所述第三单应矩阵和所述当前第一图像对应的参考位姿，确定所述下一个第一图像对应的参考位姿。
在一种可能的实现方式中，可通过卷积神经网络等深度学习神经网络对当前第一图像和下一个第一图像分别进行关键点提取处理，获得当前第一图像中的第三关键点和所述第三关键点在下一个第一图像中对应的第四关键点，或者根据当前第一图像和下一个第一图像中的像素点的亮度、色度等参数，获得当前第一图像中的第三关键点和所述第三关键点在下一个第一图像中对应的第四关键点，所述第三关键点和第四关键点可表示同一组点，但该组点在当前第一图像和下一个第一图像中的位置可不同。其中，关键点可以是能够表示图像中目标对象的轮廓、形状等特征的点。例如，当前第一图像为第二图像(例如，第一个第一图像)，可将第一图像与第二个第一图像输入所述卷积神经网络进行关键点提取处理，分别在第二图像中和第二个第一图像中获得多个第三关键点以及第四关键点。例如，第二图像为图像获取装置拍摄的某体育场的图像，第三关键点为体育场的多个顶点，可将第二个第一图像中包括的体育场的顶点作为所述第四关键点。进一步地，可获取第三关键点在第二图像中的第三位置坐标和第四关键点在第二个第一图像中的第四位置坐标。由于图像获取装置在获取第二图像和第二个第一图像之间旋转了一定的角度，因此所述第三位置坐标和第四位置坐标不同。在示例中，当前第一图像也可以是任一第一图像，下一个第一图像为与所述当前第一图像相邻的图像，本公开对当前第一图像不做限制。
在一种可能的实现方式中，图像获取装置在获取当前第一图像和下一个第一图像之间旋转了一定的角度，即，图像获取装置的位姿发生了变化，可通过第三关键点和第四关键点之间的对应关系，确定当前第一图像和下一个第一图像之间的第三单应矩阵，进而可根据当前第一图像的参考位姿和第三单应矩阵确定下一个第一图像的参考位姿。
在一种可能的实现方式中，根据所述第三关键点和所述第四关键点的对应关系，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵，包括：根据所述第三关键点在所述当前第一图像中的第三位置坐标以及所述第四关键点在所述下一个第一图像中的第四位置坐标，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵。可根据第三位置坐标和第四位置坐标，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵。在示例中，可确定第二图像和下一个第一图像之间的第三单应矩阵。
在一种可能的实现方式中，根据所述第三单应矩阵和所述当前第一图像对应的参考位姿，确定所述下一个第一图像对应的参考位姿，包括：对所述第三单应矩阵进行分解处理，确定所述图像获取装置在获取所述当前第一图像和所述下一个第一图像之间的第二位姿变化量；根据所述当前第一图像对应的参考位姿以及所述第二位姿变化量，确定所述下一个第一图像对应的参考位姿。
在一种可能的实现方式中，可对第三单应矩阵进行分解处理，例如可将第三单应矩阵分解为列向量，并根据第三单应矩阵的列向量确定线性方程组，并根据所述线性方程组求解当前第一图像和下一个第一图像之间的第二位姿变化量，例如，姿态角的变化量。在示例中，可确定图像获取装置在拍摄第二图像和下一个第一图像之间的姿态角变化量。
在一种可能的实现方式中，可根据当前第一图像对应的参考位姿以及第二位姿变化量，确定所述下一个第一图像对应的参考位姿。例如，可通过当前第一图像的参考位姿以及姿态角变化量，确定下一个第一图像对应的姿态角，从而获得所述下一个第一图像对应的参考位姿。在示例中，可根据第二图像的参考位姿以及第二图像和第二个第一图像之间的姿态角变化量，确定第二个第一图像对应的参考位姿。在示例中，可按照上述方式，基于第二个第一图像和第三个第一图像的第二关键点确定第三单应矩阵，并根据第二个第一图像、第三单应矩阵以及第二个第一图像的参考位姿确定第三个第一图像的参考位姿，基于第三个第一图像的参考位姿获得第四个第一图像的参考位姿……直到获取所有第一图像的参考位姿。即，按照顺序，从第一个第一图像的参考位姿，迭代到最后一个第一图像，获得所有第一图像的参考位姿。
在另一示例中，第二图像可以是第一图像中任意一个，可在获得第二图像的参考位姿后，分别获得与第二图像相邻的两个第一图像的参考位姿，并根据所述相邻的两个第一图像的参考位姿，获得分别与所述两个第一图像相邻的两个第一图像的参考位姿…直到获得所有第一图像的参考位姿。例如，第一图像的数量可以是10个，第二图像为其中的第5个，可根据第二图像的参考位姿获得第4个第一图像和第6个第一图像的参考位姿，进一步地，可继续获得第3个第一图像和第7个第一图像的参考位姿…直到获得所有第一图像的参考位姿。
通过这种方式，可获得第一个图像的参考位姿，并根据第一个第一图像的参考位姿迭代确定所有第一图像的参考位姿，无需根据复杂的标定方法对每个第一图像进行标定处理，提高处理效率。
在一种可能的实现方式中，可确定所述图像获取装置获取的任一待处理图像的目标位姿，即，获取待处理图像对应的旋转矩阵和位移向量，在示例中，图像获取装置可获取任意的待处理图像，该待处理图像对应的位姿时未知的，即，图像获取装置在拍摄待处理图像时的位姿是未知的，可从所述第一图像中确定与待处理图像匹配的参考图像，并根据参考图像对应的位姿来确定待处理图像对应的位姿。步骤S11可包括：对所述待处理图像和至少一个第一图像分别进行特征提取处理，获得所述待处理图像的第一特征信息和各所述第一图像的第二特征信息；根据所述第一特征信息和各所述第二特征信息之间的相似度，从各第一图像中确定出所述参考图像。
在一种可能的实现方式中，可通过卷积神经网络对待处理图像和各第一图像分别进行特征提取处理，在示例中，所述卷积神经网络可提取各图像的特征信息。例如，待处理图像的第一特征信息和各第一图像的第二特征信息，所述第一特征信息和第二特征信息可包括特征图、特征向量等，本公开对特征信息不做限制。在另一示例中，也可通过各第一图像及待处理图像的像素点的色度、亮度等参数确定待处理图像的第一特征信息和各所述第一图像的第二特征信息，本公开对特征提取处理的方式不做限制。
在一种可能的实现方式中，可分别确定第一特征信息和各第二特征信息之间的相似度(例如，余弦相似度)，例如，第一特征信息和第二特征信息均为特征向量，可分别确定第一特征信息和各第二特征信息之间的余弦相似度，并确定与第一特征信息的余弦相似度最大的第二特征信息对应的第一图像，即，确定所述参考图像，并获得参考图像的参考位姿。
在一种可能的实现方式中，在步骤S12中，可对待处理图像和参考图像分别进行关键点提取处理，例如，可通过所述卷积神经网络提取待处理图像中的第一关键点，并获得所述第一关键点在所述参考图像中对应的第二关键点。或者，可通过待处理图像和参考图像的像素点的亮度、色度等参数来确定所述第一关键点和第二关键点，本公开对获取第一关键点和第二关键点的方式不做限制。
在一种可能的实现方式中，在步骤S13中，可根据第一关键点与第二关键点的对应关系，以及参考图像对应的参考位姿，确定待处理图像对应的目标位姿。步骤S13可包括：根据所述第一关键点在所述待处理图像中的第一位置坐标、所述第二关键点在所述参考图像中的第二位置坐标，以及参考图像对应的参考位姿，确定所述图像获取装置在采集所述待处理图像的目标位姿。即，可根据第一关键点的位置坐标、第二关键点的位置坐标及参考位姿来确定待处理图像对应的目标位姿。
在一种可能的实现方式中，根据所述第一关键点在所述待处理图像中的第一位置坐标、所述第二关键点在所述参考图像中的第二位置坐标，以及参考图像对应的参考位姿，确定所述图像获取装置在采集所述待处理图像的目标位姿可包括：根据所述第一位置坐标和所述第二位置坐标，确定所述参考图像和所述待处理图像之间的第一单应矩阵；对所述第一单应矩阵进行分解处理，确定所述图像获取装置在获取所述待处理图像和所述参考图像之间的第一位姿变化量；根据所述参考图像对应的参考位姿以及所述第一位姿变化量，确定所述目标位姿。
在一种可能的实现方式中，可根据第一位置坐标和第二位置坐标，确定参考图像和待处理图像之间的第一单应矩阵。例如，可根据第一关键点的第一位置坐标和第二位置坐标之间的对应关系，确定参考图像和待处理图像之间的第一单应矩阵。
在一种可能的实现方式中，可对第一单应矩阵进行分解处理，例如可将第一单应矩阵分解为列向量，并根据第一单应矩阵的列向量确定线性方程组，并根据所述线性方程组求解参考图像和待处理图像之间的第一位姿变化量，例如，姿态角的变化量。在示例中，可确定图像获取装置在拍摄参考图像和待处理图像之间的姿态角变化量。
在一种可能的实现方式中，可根据参考图像对应的参考位姿以及第一位姿变化量，确定待处理图像对应的目标位姿。例如，可通过参考图像的参考位姿以及姿态角变化量，确定待处理图像对应的姿态角，从而获得待处理图像对应的目标位姿。
通过这种方式，可通过与待处理图像匹配的参考图像的参考位姿以及第一单应矩阵来确定待处理图像的目标位姿，无需对待处理图像进行标定，提高处理效率。
在一种可能的实现方式中，所述特征提取处理及所述关键点提取处理通过卷积神经网络来实现，在使用所述卷积神经网络进行特征提取处理和关键点提取处理之前，可对所述卷积神经网络进行多任务训练，即，训练所述卷积神经网络进行特征提取处理和关键点提取处理的能力。
图4示出根据本公开实施例的位姿确定方法的流程图，如图4所示，所述方法还包括：
在步骤S21中，通过所述卷积神经网络的卷积层对所述样本图像进行卷积处理，获得所述样本图像的特征图；
在步骤S22中，对所述特征图进行卷积处理，分别获得所述样本图像的特征信息；
在步骤S23中，对所述特征图进行关键点提取处理，获得所述样本图像的关键点；
在步骤S24中，根据所述样本图像的特征信息和关键点，训练所述卷积神经网络。
图5示出根据本公开实施例的神经网络训练的示意图。如图5所示，可使用样本图像训练卷积神经网络进行特征提取处理的能力。
在一种可能的实现方式中，在步骤S21中，可通过卷积神经网络的卷积层对样本图像进行卷积处理，获得样本图像的特征图。
在一种可能的实现方式中，可使用样本图像组成的图像对训练所述卷积神经网络，例如，可标注所述图像对中两个样本图像的相似度(例如，完全不同的图像可标注为0，完全一致的图像可标注为1等)，并通过卷积神经网络的卷积层分别提取样本图像对中两个样本图像的特征图，并可在步骤S22中，对所述特征图进行卷积处理，分别获得样本图像对的两个样本图像的特征信息(例如，特征向量)。
在一种可能的实现方式中，在步骤S23中，可使用具有关键点标注信息(例如，对关键点的位置坐标的标注信息)的样本图像训练卷积神经网络进行关键点提取处理的能力。步骤S23可包括：通过所述卷积神经网络的区域候选网络对所述特征图进行处理，获得感兴趣区域；通过所述卷积神经网络的感兴趣区域池化层对所述感兴趣区域进行池化，并通过卷积层进行卷积处理，在所述感兴趣区域中确定所述样本图像的关键点。
在示例中，所述卷积神经网络可包括候选区域网络(Region Proposal Network，RPN)和感兴趣区域(Region of Interest，ROI)池化层。可通过区域候选网络对所述特征图进行处理，获得感兴趣区域，并通过感兴趣区域池化层对样本图像中的感兴趣区域进行池化，进一步地，可通过1×1卷积层进行卷积处理，在感兴趣区域中确定关键点的位置(例如，位置坐标)。
在一种可能的实现方式中，在步骤S24中，根据所述样本图像的特征信息和关键点，训练所述卷积神经网络。
在示例中，在训练卷积神经网络进行特征提取处理的能力时，可确定样本图像对的两个样本图像的特征信息之间的余弦相似度。进一步地，可根据所述卷积神经网络输出的余弦相似度(可能存在误差)与标注的两个样本图像的相似度确定所述卷积神经网络在特征提取处理能力方面的第一损失函数，例如，可根据卷积神经网络输出的余弦相似度与标注的两个样本图像的相似度之间的差异确定卷积神经网络在特征提取处理能力方面的第一损失函数。
在示例中，在训练卷积神经网络进行关键点提取处理的能力时，可根据卷积神经网络输出的关键点的位置坐标以及关键点标注信息来确定卷积神经网络在关键点提取处理的能力方面的第二损失函数。卷积神经网络输出的关键点的位置坐标可能存在误差，例如，可根据卷积神经网络输出的关键点的位置坐标与关键点的位置坐标的标注信息之间的误差确定卷积神经网络在关键点提取处理能力方面的第二损失函数。
在一种可能的实现方式中，可根据卷积神经网络在特征提取处理能力方面的第一损失函数及卷积神经网络在关键点提取处理能力方面的第二损失函数，确定卷积神经网络的损失函数，例如，可对第一损失函数和第二损失函数进行加权求和，本公开对确定卷积神经网络的损失函数的方式不做限制。进一步地，可根据该损失函数对卷积神经网络的网络参数进行调整，例如，可通过梯度下降法调整卷积神经网络的网络参数等。可迭代执行上述处理，直到满足训练条件，例如，可迭代执行预定次数的调整网络参数的处理，在调整网络参数的次数达到预定次数时，满足特征提取的训练条件，或者，可在卷积神经网络的损失函数收敛于预设区间或小于预设阈值时，满足训练条件。在所述卷积神经网络满足训练条件时，所述卷积神经网络训练完成。
在一种可能的实现方式中，在卷积神经网络训练完成后，可将所述卷积神经网络用于关键点提取处理和特征提取处理中。在通过卷积神经网络进行关键点提取处理的过程中，卷积神经网络可将输入图像进行卷积处理，获得输入图像的特征图，并对特征图进行卷积处理，获得输入图像的特征信息。还可通过区域候选网络获得特征图的感兴趣区域，进一步地可通过感兴趣区域池化层对感兴趣区域进行池化，进而可在感兴趣区域中获得关键点。通过区域候选网络和感兴趣区域池化层可在训练过程或关键点提取处理的过程中获取输入卷积神经网络的图像的感兴趣区域，并在感兴趣区域中确定关键点，提高关键点确定的准确度，提高处理效率。
根据本公开的实施例的位姿确定方法，可在旋转过程中获得多个第一图像，并根据第二图像的参考位姿迭代确定所有第一图像的参考位姿，无需对每个第一图像进行标定处理，提高处理效率。进一步地，可在第一图像中选取的与待处理图像匹配的参考图像，并根据参考图像的参考位姿与第一单应矩阵位姿来确定待处理图像对应的位姿，可在图像获取装置旋转时确定任意待处理图像对应的位姿，无需对待处理图像进行标定，提高处理效率。并且，在训练过程或关键点提取处理的过程中，卷积神经网络可获取输入图像的感兴趣区域，并在感兴趣区域中确定关键点，提高关键点确定的准确度，提高处理效率。
图6示出根据本公开实施例的位姿确定方法的应用示意图。如图6所示，待处理图像可为图像获取装置当前获取的图像，可根据待处理图像确定图像获取装置的当前位姿。
在一种可能的实现方式中，所述图像获取装置可预先沿俯仰方向和/或偏航方向旋转，并在旋转过程中获取了多个第一图像。并可对多个第一图像中的第一个第一图像(第二图像)进行标定，可在第二图像中的选取多个不共线的目标点，并根据目标点在第二图像中的图像位置坐标以及目标点的地理位置坐标之间的对应关系，确定第二单应矩阵。可对第二单应矩阵进行分解，并根据公式(4)获取图像获取装置的内参矩阵的最小二乘解。
在一种可能的实现方式中，根据图像获取装置的内参矩阵及第二单应矩阵，通过公式(1)或(2)确定所述第二图像对应的参考位姿。进一步地，可通过卷积神经网络对第二图像和第二个第一图像进行关键点提取处理，获得第二图像中的第三关键点和第二个第一图像中的第四关键点，并根据第三关键点和第四关键点获得第二图像和第二个第一图像之间的第三单应矩阵，通过第二图像对应的参考位姿以及第三单应矩阵，可获得第二个第一图像的参考位姿，进一步的，可通过第二个第一图像的参考位姿以及第二个第一图像和第三个第一图像之间的第三单应矩阵，获得第三个第一图像的参考位姿，可迭代执行上述处理，确定所有第一图像的参考位姿。
在一种可能的实现方式中，可通过卷积神经网络分别对待处理图像和各第一图像进行特征提取处理，获得待处理图像的第一特征信息和各第一图像的第二特征信息，并分别确定第一特征信息和各第二特征信息之间的余弦相似度，并将与第一特征信息的余弦相似度最大的第二特征信息对应的第一图像确定为与待处理图像匹配的参考图像。
在一种可能的实现方式中，可通过卷积神经网络分别对待处理图像和参考图像进行关键点提取处理，获得第一关键点在待处理图像中的第一关键点和所述参考图像中的第二关键点。并根据第一关键点和第二关键点，确定参考图像和待处理图像之间的第一单应矩阵。
在一种可能的实现方式中，可根据参考图像的参考位姿以及第一单应矩阵，确定待处理图像的目标位姿，即，图像获取装置在拍摄待处理图像时的位姿(即，当前位姿)。
在一种可能的实现方式中，所述位姿确定方法可确定图像获取装置在任意时刻的位姿，还可根据位姿预测图像获取装置的可视区域。进一步地，所述位姿确定方法可为预测平面上任意一点相对于图像获取装置的位置以及预测平面上目标对象的运动速度提供依据。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了位姿确定装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种位姿确定方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图7示出根据本公开实施例的位姿确定装置的框图。如图7所示，所述装置包括：
获取模块11，用于获取与待处理图像匹配的参考图像，其中，所述待处理图像和所述参考图像是由图像获取装置获取的，所述参考图像具有对应的参考位姿，所述参考位姿用于表示所述图像获取装置在采集所述参考图像时的位姿；
第一提取模块12，用于对所述待处理图像和所述参考图像分别进行关键点提取处理，分别得到所述待处理图像中的第一关键点以及所述第一关键点在所述参考图像中对应的第二关键点；
第一确定模块13，用于根据所述第一关键点与所述第二关键点的对应关系，以及所述参考图像对应的参考位姿，确定所述图像获取装置在采集所述待处理图像的目标位姿。
在一种可能的实现方式中，所述获取模块被进一步配置为：
对所述待处理图像和至少一个第一图像分别进行特征提取处理，获得所述待处理图像的第一特征信息和各所述第一图像的第二特征信息，所述至少一个第一图像是所述图像获取装置在旋转的过程中依次获取的；
根据所述第一特征信息和各所述第二特征信息之间的相似度，从各第一图像中确定出所述参考图像。
在一种可能的实现方式中，所述装置还包括：
第二确定模块，用于确定所述图像获取装置在采集所述第二图像时的成像平面和地理平面之间的第二单应矩阵，以及确定所述图像获取装置的内参矩阵，其中，所述第二图像为所述多个第一图像中的任意一张图像，所述地理平面为所述目标点的地理位置坐标所在平面；
第三确定模块，用于根据所述内参矩阵及所述第二单应矩阵，确定所述第二图像对应的参考位姿；
第四确定模块，用于根据所述第二图像对应的参考位姿，确定所述至少一个第一图像对应的参考位姿。
在一种可能的实现方式中，所述第二确定模块被进一步配置为：
根据所述第二图像中目标点的图像位置坐标和地理位置坐标，确定所述图像获取装置在采集所述第二图像时的成像平面和地理平面之间的第二单应矩阵，其中，所述目标点为所述第二图像中的多个不共线的点；
对所述第二单应矩阵进行分解处理，确定所述图像获取装置的内参矩阵。
在一种可能的实现方式中，所述第三确定模块被进一步配置为：
根据所述图像获取装置的内参矩阵及所述第二单应矩阵，确定所述第二图像对应的外参矩阵；
根据所述第二图像对应的外参矩阵，确定所述第二图像对应的参考位姿。
在一种可能的实现方式中，所述第四确定模块被进一步配置为：
对当前第一图像和下一个第一图像分别进行关键点提取处理，获得当前第一图像中的第三关键点和所述第三关键点在下一个第一图像中对应的第四关键点，所述当前第一图像为所述多个第一图像中已知参考位姿的图像，所述当前第一图像包括所述第二图像，所述下一个第一图像为所述至少一个第一图像中与所述当前第一图像相邻的图像；
根据所述第三关键点和所述第四关键点的对应关系，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵；
根据所述第三单应矩阵和所述当前第一图像对应的参考位姿，确定所述下一个第一图像对应的参考位姿。
在一种可能的实现方式中，所述第四确定模块被进一步配置为：
根据所述第三关键点在所述当前第一图像中的第三位置坐标以及所述第四关键点在所述下一个第一图像中的第四位置坐标，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵。
在一种可能的实现方式中，所述第四确定模块被进一步配置为：
对所述第三单应矩阵进行分解处理，确定所述图像获取装置在获取所述当前第一图像和所述下一个第一图像之间的第二位姿变化量；
根据所述当前第一图像对应的参考位姿以及所述第二位姿变化量，确定所述下一个第一图像对应的参考位姿。
在一种可能的实现方式中，所述第一确定模块被进一步配置为：
根据所述第一关键点在所述待处理图像中的第一位置坐标、所述第二关键点在所述参考图像中的第二位置坐标，以及参考图像对应的参考位姿，确定所述图像获取装置在采集所述待处理图像的目标位姿。
在一种可能的实现方式中，所述第一确定模块被进一步配置为：
根据所述第一位置坐标和所述第二位置坐标，确定所述参考图像和所述待处理图像之间的第一单应矩阵；
对所述第一单应矩阵进行分解处理，确定所述图像获取装置在获取所述待处理图像和所述参考图像之间的第一位姿变化量；
根据所述参考图像对应的参考位姿以及所述第一位姿变化量，确定所述目标位姿。
在一种可能的实现方式中，所述参考图像对应的参考位姿包括所述图像获取装置获取所述参考图像时的旋转矩阵和位移向量，所述待处理图像对应的目标位姿包括所述图像获取装置获取待处理图像时的旋转矩阵和位移向量。
在一种可能的实现方式中，所述特征提取处理及所述关键点提取处理通过卷积神经网络来实现，
其中，所述装置还包括：
第一卷积模块，用于通过所述卷积神经网络的卷积层对所述样本图像进行卷积处理，获得所述样本图像的特征图；
第二卷积模块，用于对所述特征图进行卷积处理，分别获得所述样本图像的特征信息；
第二提取模块，用于对所述特征图进行关键点提取处理，获得所述样本图像的关键点；
训练模块，用于根据所述样本图像的特征信息和关键点，训练所述卷积神经网络。
在一种可能的实现方式中，所述第二提取模块被进一步配置为：
通过所述卷积神经网络的区域候选网络对所述特征图进行处理，获得感兴趣区域；
通过所述卷积神经网络的感兴趣区域池化层对所述感兴趣区域进行池化，并通过卷积层进行卷积处理，在所述感兴趣区域中确定所述样本图像的关键点。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图8是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图9是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图9，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种位姿确定方法，其特征在于，所述方法包括：
获取与待处理图像匹配的参考图像，其中，所述待处理图像和所述参考图像是由图像获取装置获取的，所述参考图像具有对应的参考位姿，所述参考位姿用于表示所述图像获取装置在采集所述参考图像时的位姿；
对所述待处理图像和所述参考图像分别进行关键点提取处理，分别得到所述待处理图像中的第一关键点以及所述第一关键点在所述参考图像中对应的第二关键点；
根据所述第一关键点与所述第二关键点的对应关系，以及所述参考图像对应的参考位姿，确定所述图像获取装置在采集所述待处理图像的目标位姿。
2.根据权利要求1所述的方法，其特征在于，所述获取与待处理图像匹配的参考图像，包括：
对所述待处理图像和至少一个第一图像分别进行特征提取处理，获得所述待处理图像的第一特征信息和各所述第一图像的第二特征信息，所述至少一个第一图像是所述图像获取装置在旋转的过程中依次获取的；
根据所述第一特征信息和各所述第二特征信息之间的相似度，从各第一图像中确定出所述参考图像。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
确定所述图像获取装置在采集所述第二图像时的成像平面和地理平面之间的第二单应矩阵，以及确定所述图像获取装置的内参矩阵，其中，所述第二图像为所述多个第一图像中的任意一张图像，所述地理平面为所述目标点的地理位置坐标所在平面；
根据所述内参矩阵及所述第二单应矩阵，确定所述第二图像对应的参考位姿；
根据所述第二图像对应的参考位姿，确定所述至少一个第一图像对应的参考位姿。
4.根据权利要求3所述的方法，其特征在于，所述确定所述图像获取装置在采集所述第二图像时的成像平面和地理平面之间的第二单应矩阵，以及确定所述图像获取装置的内参矩阵，包括：
根据所述第二图像中目标点的图像位置坐标和地理位置坐标，确定所述图像获取装置在采集所述第二图像时的成像平面和地理平面之间的第二单应矩阵，其中，所述目标点为所述第二图像中的多个不共线的点；
对所述第二单应矩阵进行分解处理，确定所述图像获取装置的内参矩阵。
5.根据权利要求4所述的方法，其特征在于，根据所述内参矩阵及所述第二单应矩阵，确定所述第二图像对应的参考位姿，包括：
根据所述图像获取装置的内参矩阵及所述第二单应矩阵，确定所述第二图像对应的外参矩阵；
根据所述第二图像对应的外参矩阵，确定所述第二图像对应的参考位姿。
6.根据权利要求3所述的方法，其特征在于，根据所述第二图像对应的参考位姿，确定所述至少一个第一图像对应的参考位姿，包括：
对当前第一图像和下一个第一图像分别进行关键点提取处理，获得当前第一图像中的第三关键点和所述第三关键点在下一个第一图像中对应的第四关键点，所述当前第一图像为所述多个第一图像中已知参考位姿的图像，所述当前第一图像包括所述第二图像，所述下一个第一图像为所述至少一个第一图像中与所述当前第一图像相邻的图像；
根据所述第三关键点和所述第四关键点的对应关系，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵；
根据所述第三单应矩阵和所述当前第一图像对应的参考位姿，确定所述下一个第一图像对应的参考位姿。
7.根据权利要求6所述的方法，其特征在于，根据所述第三关键点和所述第四关键点的对应关系，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵，包括：
根据所述第三关键点在所述当前第一图像中的第三位置坐标以及所述第四关键点在所述下一个第一图像中的第四位置坐标，确定所述当前第一图像和所述下一个第一图像之间的第三单应矩阵。
8.一种位姿确定装置，其特征在于，包括：
获取模块，用于获取与待处理图像匹配的参考图像，其中，所述待处理图像和所述参考图像是由图像获取装置获取的，所述参考图像具有对应的参考位姿，所述参考位姿用于表示所述图像获取装置在采集所述参考图像时的位姿；
第一提取模块，用于对所述待处理图像和所述参考图像分别进行关键点提取处理，分别得到所述待处理图像中的第一关键点以及所述第一关键点在所述参考图像中对应的第二关键点；
第一确定模块，用于根据所述第一关键点与所述第二关键点的对应关系，以及所述参考图像对应的参考位姿，确定所述图像获取装置在采集所述待处理图像的目标位姿。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN201910701860.0A 2019-07-31 2019-07-31 位姿确定方法及装置、电子设备和存储介质 Pending CN110473259A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201910701860.0A CN110473259A (zh) 2019-07-31 2019-07-31 位姿确定方法及装置、电子设备和存储介质
JP2021578183A JP2022540072A (ja) 2019-07-31 2019-12-06 位置姿勢決定方法及び装置、電子機器並びに記憶媒体
PCT/CN2019/123646 WO2021017358A1 (zh) 2019-07-31 2019-12-06 位姿确定方法及装置、电子设备和存储介质
TW109100345A TWI753348B (zh) 2019-07-31 2020-01-06 位姿確定方法、位姿確定裝置、電子設備和電腦可讀儲存媒介
US17/563,744 US20220122292A1 (en) 2019-07-31 2021-12-28 Pose determination method and device, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910701860.0A CN110473259A (zh) 2019-07-31 2019-07-31 位姿确定方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN110473259A true CN110473259A (zh) 2019-11-19

Family

ID=68509631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910701860.0A Pending CN110473259A (zh) 2019-07-31 2019-07-31 位姿确定方法及装置、电子设备和存储介质

Country Status (5)

Country Link
US (1) US20220122292A1 (zh)
JP (1) JP2022540072A (zh)
CN (1) CN110473259A (zh)
TW (1) TWI753348B (zh)
WO (1) WO2021017358A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028283A (zh) * 2019-12-11 2020-04-17 北京迈格威科技有限公司 图像检测方法、装置、设备及可读存储介质
CN111523485A (zh) * 2020-04-24 2020-08-11 浙江商汤科技开发有限公司 位姿识别方法及装置、电子设备和存储介质
CN111552757A (zh) * 2020-04-30 2020-08-18 上海商汤临港智能科技有限公司 生成电子地图的方法、装置、设备及存储介质
CN111882605A (zh) * 2020-06-30 2020-11-03 浙江大华技术股份有限公司 监控设备图像坐标转换方法、装置和计算机设备
WO2021017358A1 (zh) * 2019-07-31 2021-02-04 深圳市商汤科技有限公司 位姿确定方法及装置、电子设备和存储介质
CN112328715A (zh) * 2020-10-16 2021-02-05 浙江商汤科技开发有限公司 视觉定位方法及相关模型的训练方法及相关装置、设备
CN113240739A (zh) * 2021-04-29 2021-08-10 三一重机有限公司 一种挖掘机、属具的位姿检测方法、装置及存储介质
CN113674352A (zh) * 2021-07-28 2021-11-19 浙江大华技术股份有限公司 开关状态检测方法、电子装置和存储介质
WO2022127576A1 (zh) * 2020-12-16 2022-06-23 华为技术有限公司 站点模型更新方法及系统
CN115039015A (zh) * 2020-02-19 2022-09-09 Oppo广东移动通信有限公司 位姿跟踪方法、可穿戴设备、移动设备以及存储介质
CN115359132A (zh) * 2022-10-21 2022-11-18 小米汽车科技有限公司 用于车辆的相机标定方法、装置、电子设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709428B (zh) * 2020-05-29 2023-09-15 北京百度网讯科技有限公司 图像中关键点位置的识别方法、装置、电子设备及介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090074238A1 (en) * 2007-04-23 2009-03-19 Hanspeter Pfister Method and System for Determining Poses of Objects from Range Images Using Adaptive Sampling of Pose Spaces
CN108062776A (zh) * 2018-01-03 2018-05-22 百度在线网络技术（北京）有限公司 相机姿态跟踪方法和装置
CN108230437A (zh) * 2017-12-15 2018-06-29 深圳市商汤科技有限公司 场景重建方法和装置、电子设备、程序和介质
CN108364302A (zh) * 2018-01-31 2018-08-03 华南理工大学 一种无标记的增强现实多目标注册跟踪方法
CN108734736A (zh) * 2018-05-22 2018-11-02 腾讯科技（深圳）有限公司 相机姿态追踪方法、装置、设备及存储介质
CN109671119A (zh) * 2018-11-07 2019-04-23 中国科学院光电研究院 一种基于slam的室内定位方法及装置
CN109697734A (zh) * 2018-12-25 2019-04-30 浙江商汤科技开发有限公司 位姿估计方法及装置、电子设备和存储介质
CN109829947A (zh) * 2019-02-25 2019-05-31 北京旷视科技有限公司 位姿确定方法、托盘装载方法、装置、介质及电子设备
US20190197713A1 (en) * 2017-12-27 2019-06-27 Interdigital Ce Patent Holdings Method and apparatus for depth-map estimation
CN109948624A (zh) * 2019-02-18 2019-06-28 北京旷视科技有限公司 特征提取的方法、装置、电子设备和计算机存储介质
CN109949361A (zh) * 2018-12-16 2019-06-28 内蒙古工业大学 一种基于单目视觉定位的旋翼无人机姿态估计方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5541426B1 (ja) * 2012-08-10 2014-07-09 コニカミノルタ株式会社 画像処理装置、画像処理方法および画像処理プログラム
WO2017166019A1 (en) * 2016-03-28 2017-10-05 Xiaogang Wang Method and system for pose estimation
JP6943183B2 (ja) * 2018-01-05 2021-09-29 オムロン株式会社 位置特定装置、位置特定方法、位置特定プログラムおよびカメラ装置
CN109344882B (zh) * 2018-09-12 2021-05-25 浙江科技学院 基于卷积神经网络的机器人控制目标位姿识别方法
CN110473259A (zh) * 2019-07-31 2019-11-19 深圳市商汤科技有限公司 位姿确定方法及装置、电子设备和存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090074238A1 (en) * 2007-04-23 2009-03-19 Hanspeter Pfister Method and System for Determining Poses of Objects from Range Images Using Adaptive Sampling of Pose Spaces
CN108230437A (zh) * 2017-12-15 2018-06-29 深圳市商汤科技有限公司 场景重建方法和装置、电子设备、程序和介质
US20190197713A1 (en) * 2017-12-27 2019-06-27 Interdigital Ce Patent Holdings Method and apparatus for depth-map estimation
CN108062776A (zh) * 2018-01-03 2018-05-22 百度在线网络技术（北京）有限公司 相机姿态跟踪方法和装置
CN108364302A (zh) * 2018-01-31 2018-08-03 华南理工大学 一种无标记的增强现实多目标注册跟踪方法
CN108734736A (zh) * 2018-05-22 2018-11-02 腾讯科技（深圳）有限公司 相机姿态追踪方法、装置、设备及存储介质
CN109671119A (zh) * 2018-11-07 2019-04-23 中国科学院光电研究院 一种基于slam的室内定位方法及装置
CN109949361A (zh) * 2018-12-16 2019-06-28 内蒙古工业大学 一种基于单目视觉定位的旋翼无人机姿态估计方法
CN109697734A (zh) * 2018-12-25 2019-04-30 浙江商汤科技开发有限公司 位姿估计方法及装置、电子设备和存储介质
CN109948624A (zh) * 2019-02-18 2019-06-28 北京旷视科技有限公司 特征提取的方法、装置、电子设备和计算机存储介质
CN109829947A (zh) * 2019-02-25 2019-05-31 北京旷视科技有限公司 位姿确定方法、托盘装载方法、装置、介质及电子设备

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
THIAGO LOPES TRUGILLO DA SILVEIRA 等: "Evaluation of Keypoint Extraction and Matching for Pose Estimation Using Pairs of Spherical Images", 《2017 30TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI)》 *
THIAGO LOPES TRUGILLO DA SILVEIRA 等: "Evaluation of Keypoint Extraction and Matching for Pose Estimation Using Pairs of Spherical Images", 《2017 30TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI)》, 7 November 2017 (2017-11-07), pages 374 - 381 *
李由: "基于轮廓和边缘的空间非合作目标视觉跟踪", 《中国博士学位论文全文数据库 信息科技辑》 *
李由: "基于轮廓和边缘的空间非合作目标视觉跟踪", 《中国博士学位论文全文数据库 信息科技辑》, vol. 2016, no. 1, 15 January 2016 (2016-01-15), pages 138 - 113 *
李长云 等: "《智能感知技术及在电气工程中的应用》", 31 May 2017, 成都：电子科技大学出版社, pages: 220 - 222 *
王云舒 等: "惯性信息辅助的快速大视角图像匹配方法", 《中国惯性技术学报》, vol. 24, no. 4, 31 December 2016 (2016-12-31), pages 504 - 510 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021017358A1 (zh) * 2019-07-31 2021-02-04 深圳市商汤科技有限公司 位姿确定方法及装置、电子设备和存储介质
CN111028283A (zh) * 2019-12-11 2020-04-17 北京迈格威科技有限公司 图像检测方法、装置、设备及可读存储介质
CN111028283B (zh) * 2019-12-11 2024-01-12 北京迈格威科技有限公司 图像检测方法、装置、设备及可读存储介质
CN115039015A (zh) * 2020-02-19 2022-09-09 Oppo广东移动通信有限公司 位姿跟踪方法、可穿戴设备、移动设备以及存储介质
CN111523485A (zh) * 2020-04-24 2020-08-11 浙江商汤科技开发有限公司 位姿识别方法及装置、电子设备和存储介质
CN111552757A (zh) * 2020-04-30 2020-08-18 上海商汤临港智能科技有限公司 生成电子地图的方法、装置、设备及存储介质
CN111552757B (zh) * 2020-04-30 2022-04-01 上海商汤临港智能科技有限公司 生成电子地图的方法、装置、设备及存储介质
CN111882605A (zh) * 2020-06-30 2020-11-03 浙江大华技术股份有限公司 监控设备图像坐标转换方法、装置和计算机设备
CN112328715A (zh) * 2020-10-16 2021-02-05 浙江商汤科技开发有限公司 视觉定位方法及相关模型的训练方法及相关装置、设备
WO2022127576A1 (zh) * 2020-12-16 2022-06-23 华为技术有限公司 站点模型更新方法及系统
CN113240739B (zh) * 2021-04-29 2023-08-11 三一重机有限公司 一种挖掘机、属具的位姿检测方法、装置及存储介质
CN113240739A (zh) * 2021-04-29 2021-08-10 三一重机有限公司 一种挖掘机、属具的位姿检测方法、装置及存储介质
CN113674352A (zh) * 2021-07-28 2021-11-19 浙江大华技术股份有限公司 开关状态检测方法、电子装置和存储介质
CN115359132A (zh) * 2022-10-21 2022-11-18 小米汽车科技有限公司 用于车辆的相机标定方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
TW202107339A (zh) 2021-02-16
JP2022540072A (ja) 2022-09-14
US20220122292A1 (en) 2022-04-21
TWI753348B (zh) 2022-01-21
WO2021017358A1 (zh) 2021-02-04

Similar Documents

Publication Publication Date Title
CN110473259A (zh) 位姿确定方法及装置、电子设备和存储介质
CN109522910A (zh) 关键点检测方法及装置、电子设备和存储介质
TWI717865B (zh) 影像處理方法及裝置、電子設備、電腦可讀取的記錄媒體和電腦程式產品
CN109816764B (zh) 图像生成方法及装置、电子设备和存储介质
CN109614876A (zh) 关键点检测方法及装置、电子设备和存储介质
CN109829863A (zh) 图像处理方法及装置、电子设备和存储介质
CN109697734A (zh) 位姿估计方法及装置、电子设备和存储介质
CN109977847B (zh) 图像生成方法及装置、电子设备和存储介质
CN110503023A (zh) 活体检测方法及装置、电子设备和存储介质
CN110287874A (zh) 目标追踪方法及装置、电子设备和存储介质
CN110390394A (zh) 批归一化数据的处理方法及装置、电子设备和存储介质
CN110060215A (zh) 图像处理方法及装置、电子设备和存储介质
CN109118430A (zh) 超分辨率图像重建方法及装置、电子设备及存储介质
CN115690382B (zh) 深度学习模型的训练方法、生成全景图的方法和装置
CN109284681A (zh) 位姿检测方法及装置、电子设备和存储介质
CN109977860A (zh) 图像处理方法及装置、电子设备和存储介质
CN109584362A (zh) 三维模型构建方法及装置、电子设备和存储介质
CN109615655A (zh) 一种确定物体姿态的方法及装置、电子设备及计算机介质
CN109978891A (zh) 图像处理方法及装置、电子设备和存储介质
CN109934275A (zh) 图像处理方法及装置、电子设备和存储介质
CN109543537A (zh) 重识别模型增量训练方法及装置、电子设备和存储介质
CN111091166A (zh) 图像处理模型训练方法、图像处理方法、设备及存储介质
CN110532956A (zh) 图像处理方法及装置、电子设备和存储介质
CN109446912A (zh) 人脸图像的处理方法及装置、电子设备和存储介质
CN109920016A (zh) 图像生成方法及装置、电子设备和存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40010215

Country of ref document: HK

RJ01 Rejection of invention patent application after publication

Application publication date: 20191119

RJ01 Rejection of invention patent application after publication