CN110490085B - 点线特征视觉slam系统的快速位姿估计算法 - Google Patents
点线特征视觉slam系统的快速位姿估计算法 Download PDFInfo
- Publication number
- CN110490085B CN110490085B CN201910672933.8A CN201910672933A CN110490085B CN 110490085 B CN110490085 B CN 110490085B CN 201910672933 A CN201910672933 A CN 201910672933A CN 110490085 B CN110490085 B CN 110490085B
- Authority
- CN
- China
- Prior art keywords
- line
- point
- map
- feature
- features
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种点线特征视觉SLAM系统的快速位姿估计算法,包括以下步骤:步骤一、分线程点线特征提取及特征的网格分配,将线特征根据中点位置分配到预先划定的图像帧网格中;步骤二、地图点及地图线中点的分线程投影匹配,对线特征误匹配的线特征进行剔除;步骤三、基于步骤二进行地图点及地图线中点的位姿优化算法。本发明所提出的位姿估计算法是点线特征SLAM系统正常工作时使用的算法,通过线特征中点信息的引入,对本来复杂的4自由度线特征进行简化处理,使点线特征位姿估计问题的效率得到极大地提升。
Description
技术领域
本发明属于计算机视觉领域,尤其涉及一种点线特征视觉SLAM系统的快速位姿估计算法。
背景技术
同时定位与地图构建(SLAM),随着无人驾驶、无人机技术的发展变得越发重要。它是指搭载特定传感器的主体,在没有环境先验信息的情况下,在运动过程中建立环境的模型,同时估计自己的运动。若以相机为传感器,就称为“视觉SLAM”。
目前基于特征法SLAM系统,以纯点特征居多。但是从处理低纹理场景和实现系统的可视化角度,纯点特征明显无法满足需求,然而线特征的引入能够有效解决上述两个问题。
另一方面,线特征的引入具有增强视觉SLAM系统的鲁棒性和可视性的优点,但是与点特征相比,线特征具有四个自由度(两个端点各有一对x,y坐标),无疑极大提高了系统的计算量。视觉SLAM的前端定位线程,需要实时性要求,如何对获得的线特征进行处理,进而实现更为快速有效的位姿估计是极为重要的问题。
SLAM系统的位姿估计,主要涉及三个大步骤:特征提取、特征匹配和位姿优化。在点线特征SLAM系统中,线特征提取占用了大量时间,因此特征匹配和位姿优化的效率变得尤为关键。目前唯一开源的参考文献,在线特征匹配时采用快速最邻近搜索函数库(FLANN),位姿优化时采用匹配点特征+线特征端点的估计方式。实际上,如果对提取到的线特征信息进行预处理,或是将计算量分到其他线程,将有效提高前端的跟踪效率。
发明内容
本发明要解决的技术问题是提供一种可以加速处理线特征,实现SLAM系统前端线特征快速匹配和优化,完成点线特征位姿估计的算法。
本发明的技术方案如下:
一种点线特征视觉SLAM系统的快速位姿估计算法,包括以下步骤:
步骤一、分线程点线特征提取及特征的网格分配,将线特征根据中点位置分配到预先划定的图像帧网格中;
步骤二、通过上一帧跟踪上的地图线中点,对地图点及地图线中点的分线程投影匹配,并将线特征误匹配的线特征进行剔除;
步骤三、对剔除线特征误匹配后的地图点及地图线中点进行位姿优化算法。
作为本发明的进一步改进,步骤一中,使用ORB作为点特征算法,LSD-LBD作为线特征算法;在分线程完成点线特征提取后,参照点特征的网格分配方式,将线特征根据中点位置分配到预先划定的图像帧网格中。
作为本发明的进一步改进,取线特征单元网格为点特征单元网格的2-4倍。
作为本发明的进一步改进,步骤二中,线特征匹配流程如下:
1)将上一帧跟踪上的地图线中点,通过估计的位姿矩阵T投影至当前图像帧中;
2)基于预设的半径、线特征图像金字塔提取层数,获取步骤一中包含网格的所有线特征;
3)进行LBD描述子比较,并类比于点特征匹配计算各个线特征的旋转方向,存于直方图;
4)根据后验线特征的旋转一致性,对于不属于主要旋转角角度的线特征匹配进行剔除;
5)后验长度一致性,对于当前图像帧线特征长度不在地图线平均2D线长度倍数范围内的线特征进行剔除。
作为本发明的进一步改进,所述的长度倍数为0.6-1.4。
作为本发明的进一步改进,步骤三具体步骤包括:
1)基于纯点特征的先行位姿优化估计;并执行多次优化迭代;
2)基于点线特征的同时位姿优化估计,使用上步1)中确认为内点和内线的匹配对进行位姿优化。
作为本发明的进一步改进,所述的点线特征的重投影误差EBoth表示为:
其中,ELines为线重投影误差之和,EPoints为点重投影误差之和,ep,k为当前匹配到的第k个地图点的重投影误差,el,j为当前匹配到的第j个地图线的重投影误差;Np为当前图像帧匹配到的地图点总数,Nl为当前图像帧匹配到的地图线总数,Ωp,k为当前点特征的协方差矩阵,Ωl,j为当前线特征的协方差矩阵;
优化使用的线特征中点的雅克比矩阵公式如下:
其中,lj=[lx,j,ly,j,lz,j]T为当前图像帧第j个测量线特征的方向向量;Pmid,j=[Xmid,j,Ymid,j,Zmid,j]T为当前图像帧与第j个测量线特征匹配的世界坐标系下3D线中点坐标;fx、fy为图像焦距,I为单位矩阵,Λ表示有向量到矩阵的变换。
与现有技术相比,本发明的有益效果为:
本发明所提出的位姿估计算法是点线特征SLAM系统正常工作时使用的算法,通过线特征中点信息的引入,对本来复杂的4自由度线特征进行简化处理,使点线特征位姿估计问题的效率得到极大地提升。步骤一通过对线特征中点进行预分配分配,可以在避免在步骤二匹配过程中传统使用线端点进行匹配的二义性,并且基于线中点进行匹配计算量更小,因此计算小路更高。步骤三通过使用固定地图线中点进行位姿优化,可以在保证线信息充分利用的前提下,将计算量减半。另外,通过与目前位姿估计速度最快的进行对比,可以看出在10次运行中,本发明提出的位姿估计算法的平均时间,均提升接近1倍。
附图说明
图1为本发明算法的流程示意图;
图2为PL-SLAM正常运行时的2D图像;
图3为PL-SLAM正常工作时的Pangolin地图;
图4为ubuntu终端下本发明主要步骤的时间执行记录。
具体实施方式
为了更好地理解本发明,下面结合附图通过具体的实施例来具体说明本发明的技术方案。
本发明提出了基于线特征中点的网格预匹配方法和点特征+地图线中点的加速优化算法。基于线特征中点的匹配方法,可以避免使用线特征端点的网格预匹配的复杂性,而地图线中点作为地图线端点的“融合信息”参与位姿估计,可以在保证信息充分使用的前提下,将线特征参与位姿估计的计算量直接减半。本发明适用的对象为视觉SLAM中的点线SLAM系统。在完成分线程点线特征提取,并基于点特征和线特征中点位置进行网格分配后,参考ORB-SLAM2框架中点特征的投影匹配,设计地图线中点的投影匹配方法。
点线特征匹配后,基于地图点和地图线中点,执行需要数据量更少的位姿优化。同时,为提高优化收敛速度,在执行点线特征同时位姿优化前,先执行一次仅基于点特征的位姿优化估计。最后基于ORB-SLAM2软件框架扩展的PL-SLAM前端运动模型跟踪为例,验证本发明提出方法的有效性。如图1所示,本发明的实施主要包括以下三个步骤:
步骤一、分线程点线特征提取及特征的网格分配
本发明使用ORB作为点特征算法,LSD-LBD作为线特征算法。在分线程完成点线特征提取后,参照点特征的网格分配方式,将线特征根据中点位置分配到预先划定的图像帧网格中。
注:线特征使用的图像帧网格较点特征网格应该略大,因为实际场景下,线特征存在因截断、遮挡等问题导致的线特征中点位置偏移,无法像点特征一样更为精准定位。默认取线特征单元网格为点特征单元网格的2~4倍。
步骤二、地图点及地图线中点的分线程投影匹配
本发明的点特征匹配方法未做变动。线特征匹配流程如下:
(1)将上一帧跟踪上的地图线中点,通过估计的位姿矩阵T投影至当前图像帧中。
(2)基于预设的半径、线特征图像金字塔提取层数(基于图像金字塔完成线特征提取,保证线特征的尺度不变性),获取步骤一中包含网格的所有线特征。
(3)进行LBD描述子比较,并类比于点特征匹配计算各个线特征的旋转方向,存于直方图。
(4)后验线特征的旋转一致性,对于不属于主要旋转角角度的线特征匹配进行剔除
(5)后验长度一致性,对于当前图像帧线特征长度不在地图线平均2D线长度0.6-1.4范围内的线特征进行剔除
步骤三、地图点及地图线中点的位姿优化算法
基于获得的匹配点特征和线特征进行位姿估计。主要流程如下:
(1)基于纯点特征的先行位姿优化估计。由于仅使用点特征完成初步优化,本步骤与ORB-SLAM2中位姿估计方法基本相同,并默认执行10次优化迭代。
注:这里不采用线特征作为先行位姿优化估计。因为,线特征相对点特征属于不稳定特征,由于截断、遮挡等问题的存在,纯线特征的位姿估计经常会出现不稳定现象。
(2)基于点线特征的同时位姿优化估计。使用步骤三(1)中确认为内点和内线的匹配对进行本步位姿优化。点线特征重投影误差及优化使用的线特征雅克比矩阵推导如下:
a.假定当前图像帧为第i帧,则其旋转和平移矩阵分别为R i和t i。当前相机的标定矩阵为:
其中,fx、fy分别为图像横纵向焦距,cx、cy分别为光心的横纵向偏移。
b.假定当前地图线中点世界坐标为:Pmid,j=[Xl,j,Yl,j,Zl,j]T。
则地图线中点的投影2D坐标为:
pmid,j=K(RiPmid,j+ti) (2)
对应线特征的首尾端点分别是p首,j和p尾,j,则当前处理线特征的方向向量为:
可得当前线特征的误差el,j为
c.假定当前地图点世界坐标为:Pp,k=[Xp,k,Yp,k,Zp,k]T。则地图点的投影2D坐标为:
p′p,k=K(RiPp,k+ti) (5)
对应点特征的2D坐标为pp,k=[up,k,vp,k,1]T
可得当前点特征的误差ep,k为
ep,k=pp,k-pp′,k (6)
d.点线特征的重投影误差可以表示为:
其中,ELines为线重投影误差之和,EPoints为点重投影误差之和,ep,k为当前匹配到的第k个地图点的重投影误差,el,j为当前匹配到的第j个地图线的重投影误差。Np为当前图像帧匹配到的地图点总数,Nl为当前图像帧匹配到的地图线总数。Ωp,k为当前点特征的协方差矩阵,Ωl,j为当前线特征的协方差矩阵。
e.线特征中点的雅克比矩阵公式推导如下:
首先,假定Ri和ti的李代数为ξ,对线误差变化关于左扰动的导数:
经推导可得
其中,lj=[lx,j,ly,j,lz,j]T为当前图像帧第j个测量线特征的方向向量。Pmid,j=[Xmid,j,Ymid,j,Zmid,j]T为当前图像帧与第j个测量线特征匹配的世界坐标系下3D线中点坐标。fx、fy为图像焦距,I为单位矩阵,Λ表示有向量到矩阵的变换。
本发明是在ORB-SLAM2软件框架的基础上进行扩展并完成实验验证。主要应用场景为点线特征SLAM系统在正常跟踪时使用的位姿估计算法。框架使用LSD-LBD线特征完成扩展,并且在默认配置文件中设置:点特征总提取数量为720,图像金字塔6层;线特征总提取数量为180,图像金字塔2层。
表1本发明的匹配及位姿优化平均用时记录
实验次数 | 1 | 2 | 3 | 4 | 5 |
用时(ms) | 8.24812 | 7.95333 | 6.79811 | 9.58875 | 7.11627 |
实验次数 | 6 | 7 | 8 | 9 | 10 |
用时(ms) | 9.08373 | 8.8745 | 8.4253 | 7.70555 | 9.1274 |
平均用时:8.29149ms
图2和图3分别为系统正常工作时的2D图像和点线地图。图4为系统正常工作情况下,实时输出的前端及后端主要步骤用时,表1为前端点线特征匹配和位姿优化的10次平均用时。
通过与现有技术对比,可以看出本发明的运动模型初步位姿估计和局部地图高精度位姿估计的总时间较其提升接近一倍。另外,前端的高精度的位姿估计也间接提高了后端各步骤的计算速度。
以上实施例仅用于说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细说明,所属领域的普通技术人员依然可以对本发明的具体实施方案进行修改或者等同替换,而这些并未脱离本发明精神和范围的任何修改或者等同替换,其均在本发明的权利要求保护范围之内。
Claims (4)
1.一种点线特征视觉SLAM系统的快速位姿估计算法,其特征在于,包括以下步骤:
步骤一、分线程点线特征提取及特征的网格分配,将线特征根据中点位置分配到预先划定的图像帧网格中;
步骤二、通过上一帧跟踪的地图线中点,对地图点及地图线中点分线程投影匹配,并将线特征误匹配的线特征进行剔除;
步骤三、对剔除线特征误匹配后的地图点及地图线中点进行位姿优化算法;
步骤二中,线特征匹配流程如下:
1)将上一帧跟踪上的地图线中点,通过估计的位姿矩阵T投影至当前图像帧中;
2)基于预设的半径、线特征图像金字塔提取层数,获取步骤一中包含网格的所有线特征;
3)进行LBD描述子比较,并类比于点特征匹配计算各个线特征的旋转方向,存于直方图;
4)根据后验线特征的旋转一致性,对于不属于主要旋转角角度的线特征匹配进行剔除;
5)后验长度一致性,对于当前图像帧线特征长度不在地图线平均2D线长度倍数范围内的线特征进行剔除;
步骤三具体步骤包括:
1)基于纯点特征的先行位姿优化估计;并执行多次优化迭代;
2)基于点线特征的同时位姿优化估计,使用上步1)中确认为内点和内线的匹配对进行位姿优化;
所述的点线特征的重投影误差EBoth表示为:
其中,ELines为线重投影误差之和,EPoints为点重投影误差之和,ep,k为当前匹配到的第k个地图点的重投影误差,el,j为当前匹配到的第j个地图线的重投影误差;Np为当前图像帧匹配到的地图点总数,Nl为当前图像帧匹配到的地图线总数,Ωp,k为当前点特征的协方差矩阵,Ωl,j为当前线特征的协方差矩阵;
优化使用的线特征中点的雅克比矩阵公式如下:
其中,lj=[lx,j,ly,j,lz,j]T为当前图像帧第j个测量线特征的方向向量;Pmid,j=[Xmid,j,Ymid,j,Zmid,j]T为当前图像帧与第j个测量线特征匹配的世界坐标系下3D线中点坐标;fx、fy为图像焦距,I为单位矩阵,Λ表示有向量到矩阵的变换,ξ为李代数。
2.根据权利要求1所述的点线特征视觉SLAM系统的快速位姿估计算法,其特征在于,步骤一中,使用ORB作为点特征算法,LSD-LBD作为线特征算法;在分线程完成点线特征提取后,参照点特征的网格分配方式,将线特征根据中点位置分配到预先划定的图像帧网格中。
3.根据权利要求2所述的点线特征视觉SLAM系统的快速位姿估计算法,其特征在于,取线特征单元网格为点特征单元网格的2-4倍。
4.根据权利要求1所述的点线特征视觉SLAM系统的快速位姿估计算法,其特征在于,所述的长度倍数为0.6-1.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672933.8A CN110490085B (zh) | 2019-07-24 | 2019-07-24 | 点线特征视觉slam系统的快速位姿估计算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672933.8A CN110490085B (zh) | 2019-07-24 | 2019-07-24 | 点线特征视觉slam系统的快速位姿估计算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490085A CN110490085A (zh) | 2019-11-22 |
CN110490085B true CN110490085B (zh) | 2022-03-11 |
Family
ID=68548159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910672933.8A Active CN110490085B (zh) | 2019-07-24 | 2019-07-24 | 点线特征视觉slam系统的快速位姿估计算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490085B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111044054B (zh) * | 2020-01-06 | 2023-02-03 | 哈尔滨工业大学 | 一种基于单目slam算法利用卡尔曼滤波进行位姿优化的方法 |
CN111783800A (zh) * | 2020-07-09 | 2020-10-16 | 中国科学院空天信息创新研究院 | 一种线特征描述和匹配方法、系统、设备和介质 |
CN112085790A (zh) * | 2020-08-14 | 2020-12-15 | 香港理工大学深圳研究院 | 点线结合的多相机视觉slam方法、设备及存储介质 |
CN112115980A (zh) * | 2020-08-25 | 2020-12-22 | 西北工业大学 | 基于光流跟踪和点线特征匹配的双目视觉里程计设计方法 |
CN112945233B (zh) * | 2021-01-15 | 2024-02-20 | 北京理工大学 | 一种全局无漂移的自主机器人同时定位与地图构建方法 |
CN113298796B (zh) * | 2021-06-10 | 2024-04-19 | 西北工业大学 | 一种基于最大后验imu的线特征slam初始化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120073864A (ko) * | 2010-12-27 | 2012-07-05 | 전자부품연구원 | 천장영역 인식기반 slam 알고리즘 구현을 위한 내부구조물 라인 제거 방법 |
CN104077809A (zh) * | 2014-06-24 | 2014-10-01 | 上海交通大学 | 基于结构性线条的视觉slam方法 |
CN107392964A (zh) * | 2017-07-07 | 2017-11-24 | 武汉大学 | 基于室内特征点和结构线结合的室内slam方法 |
CN108682027A (zh) * | 2018-05-11 | 2018-10-19 | 北京华捷艾米科技有限公司 | 基于点、线特征融合的vSLAM实现方法及系统 |
CN109579840A (zh) * | 2018-10-25 | 2019-04-05 | 中国科学院上海微系统与信息技术研究所 | 一种点线特征融合的紧耦合双目视觉惯性slam方法 |
CN109934862A (zh) * | 2019-02-22 | 2019-06-25 | 上海大学 | 一种点线特征结合的双目视觉slam方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9807365B2 (en) * | 2015-12-08 | 2017-10-31 | Mitsubishi Electric Research Laboratories, Inc. | System and method for hybrid simultaneous localization and mapping of 2D and 3D data acquired by sensors from a 3D scene |
-
2019
- 2019-07-24 CN CN201910672933.8A patent/CN110490085B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120073864A (ko) * | 2010-12-27 | 2012-07-05 | 전자부품연구원 | 천장영역 인식기반 slam 알고리즘 구현을 위한 내부구조물 라인 제거 방법 |
CN104077809A (zh) * | 2014-06-24 | 2014-10-01 | 上海交通大学 | 基于结构性线条的视觉slam方法 |
CN107392964A (zh) * | 2017-07-07 | 2017-11-24 | 武汉大学 | 基于室内特征点和结构线结合的室内slam方法 |
CN108682027A (zh) * | 2018-05-11 | 2018-10-19 | 北京华捷艾米科技有限公司 | 基于点、线特征融合的vSLAM实现方法及系统 |
CN109579840A (zh) * | 2018-10-25 | 2019-04-05 | 中国科学院上海微系统与信息技术研究所 | 一种点线特征融合的紧耦合双目视觉惯性slam方法 |
CN109934862A (zh) * | 2019-02-22 | 2019-06-25 | 上海大学 | 一种点线特征结合的双目视觉slam方法 |
Non-Patent Citations (3)
Title |
---|
Real-time enhancement of sparse 3D maps using a parallel segmentation scheme based on superpixels;Cruz-Martinez.C et al;《JOURNAL OF REAL-TIME IMAGE PROCESSING》;20180331;全文 * |
基于点线综合特征的双目视觉SLAM方法;谢晓佳;《中国优秀硕士学位论文全文数据库信息科技辑》;20170815;全文 * |
结构化环境下的移动机器人的视觉SLAM研究;王隽永;《中国优秀硕士学位论文全文数据库信息科技辑》;20080515;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110490085A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490085B (zh) | 点线特征视觉slam系统的快速位姿估计算法 | |
Wu et al. | Virtual sparse convolution for multimodal 3d object detection | |
CN109974707B (zh) | 一种基于改进点云匹配算法的室内移动机器人视觉导航方法 | |
CN108520554A (zh) | 一种基于orb-slam2的双目三维稠密建图方法 | |
CN109115184B (zh) | 基于非合作目标协同测量方法及系统 | |
CN110489501B (zh) | 基于线特征的slam系统快速重定位算法 | |
CN113421291B (zh) | 利用点云配准技术和三维重建技术的工件位置找正方法 | |
CN113532420B (zh) | 一种融合点线特征的视觉惯性里程计方法 | |
Wei et al. | Fgr: Frustum-aware geometric reasoning for weakly supervised 3d vehicle detection | |
CN110176064A (zh) | 一种摄影测量生成三维模型的主体对象自动识别方法 | |
CN111820545A (zh) | 一种结合离线与在线扫描自动生成鞋底喷胶轨迹的方法 | |
CN113706710A (zh) | 基于fpfh特征差异的虚拟点多源点云融合方法及系统 | |
CN111882602A (zh) | 基于orb特征点和gms匹配过滤器的视觉里程计实现方法 | |
CN113160129A (zh) | 组合式精简点云数据的快速配准方法 | |
CN116468786A (zh) | 一种面向动态环境的基于点线联合的语义slam方法 | |
CN117237428B (zh) | 一种面向三维点云的数据配准方法、装置及介质 | |
WO2018214179A1 (zh) | 低维度的集束调整计算方法与系统 | |
CN112700505A (zh) | 一种基于双目三维跟踪的手眼标定方法、设备及存储介质 | |
CN115969144A (zh) | 一种鞋底喷胶轨迹生成方法、系统、设备及存储介质 | |
CN110570473A (zh) | 一种基于点线融合的权重自适应位姿估计方法 | |
CN115423854A (zh) | 一种基于多尺度特征提取的多视角点云配准及点云融合方法 | |
CN112116640B (zh) | 一种基于OpenCL的双目立体匹配方法 | |
Hu et al. | STDC-SLAM: A Real-Time Semantic SLAM Detect Object by Short-Term Dense Concatenate Network | |
CN114004900A (zh) | 一种基于点线面特征的室内双目视觉里程计方法 | |
CN110473258B (zh) | 基于点线统一框架的单目slam系统初始化算法 |
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 |