CN110705574A - 定位方法及装置、设备、存储介质 - Google Patents

定位方法及装置、设备、存储介质 Download PDF

Info

Publication number
CN110705574A
CN110705574A CN201910921484.6A CN201910921484A CN110705574A CN 110705574 A CN110705574 A CN 110705574A CN 201910921484 A CN201910921484 A CN 201910921484A CN 110705574 A CN110705574 A CN 110705574A
Authority
CN
China
Prior art keywords
points
point
image
target
sampling
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
Application number
CN201910921484.6A
Other languages
English (en)
Other versions
CN110705574B (zh
Inventor
金珂
杨宇尘
陈岩
方攀
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.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp 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 Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN201910921484.6A priority Critical patent/CN110705574B/zh
Publication of CN110705574A publication Critical patent/CN110705574A/zh
Priority to PCT/CN2020/116924 priority patent/WO2021057742A1/zh
Application granted granted Critical
Publication of CN110705574B publication Critical patent/CN110705574B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/40—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
    • G06V10/443—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 by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了定位方法及装置、设备、存储介质，其中，所述方法包括：确定图像采集设备所采集的待处理图像中的特征点；获取所述特征点的属性信息；将所述特征点的属性信息与预先构建的点云地图中多个采样点的属性信息进行匹配，得出所述图像采集设备的位置信息；其中，所述采样点的属性信息中的世界坐标是样本图像中的采样点的世界坐标。

Description

定位方法及装置、设备、存储介质
技术领域
本申请实施例涉及电子技术，涉及但不限于定位方法及装置、设备、存储介质。
背景技术
基于图像信息进行定位的相关技术中，目前主要是通过识别摄像头采集到的图像中的人物和固定物体，以确定所述人物的位置。该方案将所述固定物体与预先构建的室内地图进行匹配，从而确定所述固定物体在室内的对应位置；然后根据所述固定物体的位置确定所述人物在室内的位置；其中，电子设备确定所述人物的位置的整体思路为：通过图像识别的方法识别图像中的固定物体，并根据所述固定物体与图像中的人物之间的相对位置关系、和所述固定物体在室内的位置，确定所述人物的位置。
然而，这种定位方法主要根据图像中的人物和固定物体之间的相对位置关系进行定位；这样，电子设备在实现定位时就要求图像中必须有可以识别出的人物和固定物体；否则定位就会失效。所以，这种定位方法的鲁棒性较差。
发明内容
本申请实施例提供定位方法及装置、设备、存储介质。本申请实施例的技术方案是这样实现的：
第一方面，本申请实施例提供一种定位方法，所述方法包括：确定图像采集设备所采集的待处理图像中的特征点；获取所述特征点的属性信息；将所述特征点的属性信息与预先构建的点云地图中多个采样点的属性信息进行匹配，得出所述图像采集设备的位置信息。
第二方面，本申请实施例提供一种定位装置，包括：第一确定模块，配置为确定图像采集设备所采集的待处理图像中的特征点；属性信息获取模块，配置为获取所述特征点的属性信息；定位模块，配置为将所述特征点的属性信息与预先构建的点云地图中多个采样点的属性信息进行匹配，得出所述图像采集设备的位置信息。
第三方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有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上述定位方法中的步骤。
第四方面，本申请实施例提供一种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上述定位方法中的步骤。
在本申请实施例提供的定位方法中，根据待处理图像中的特征点的属性信息和预先构建的点云地图中多个采样点的属性信息，即可确定用于采集所述待处理图像的图像采集设备的位置信息；如此，在对所述图像采集设备进行定位时，其定位方法不依赖于所述待处理图像中必须有固定物体和待定位的人物，所以能够获得较好的鲁棒性。
附图说明
图1为本申请实施例定位方法的实现流程示意图；
图2为本申请实施例确定多个第一目标采样点的相机坐标的示意图；
图3为本申请实施例定位方法的实现流程示意图；
图4为本申请实施例点云地图的构建方法的实现流程示意图；
图5为本申请实施例特征点匹配对示意图；
图6A为本申请实施例定位装置的结构示意图；
图6B为本申请实施例另一定位装置的结构示意图；
图7为本申请实施例电子设备的一种硬件实体示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请的具体技术方案做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
需要指出，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别不同的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
本申请实施例提供一种定位方法，所述方法可以应用于电子设备，所述电子设备可以是手机、平板电脑、笔记本电脑、台式计算机、服务器、机器人、无人机等具有信息处理能力的设备。所述定位方法所实现的功能可以通过所述电子设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，所述电子设备至少包括处理器和存储介质。
图1为本申请实施例定位方法的实现流程示意图，如图1所示，所述方法至少包括以下步骤S101至步骤S103：
步骤S101，确定图像采集设备所采集的待处理图像中的特征点。
可以理解地，特征点即为待处理图像中具有一定特征的像素点。电子设备在实现步骤S101时，通常将待处理图像中的角点作为特征点。一般来说，待处理图像为二维图像，例如待处理图像为红、绿、蓝(Red、Green、Blue，RGB)图像。
在本申请实施例中，图像采集设备可以是多种多样的。例如，图像采集设备为单目摄像头或多目摄像头(例如双目摄像头)。需要说明的是，电子设备可以包括图像采集设备，也就是说，图像采集设备被安装在电子设备中。例如，电子设备为具有至少一个摄像头的智能手机。当然，在其他实施例中，电子设备也可以不包括图像采集设备，图像采集设备可以将采集的图像发送给所述电子设备。
步骤S102，获取所述特征点的属性信息。
可以理解地，特征点的属性信息为特征点所特有的信息。特征点的属性信息至少包括以下之一：特征点的图像特征、特征点的相机坐标。在一个示例中，特征点的属性信息包括特征点的图像特征和特征点的相机坐标。电子设备在实现步骤S102时，可以获取特征点的特征描述子，将特征描述子作为特征点的图像特征。可以理解地，特征点的相机坐标指的是特征点在相机坐标系中的坐标。相机坐标可以是二维坐标，也可以是三维坐标。
步骤S103，将所述特征点的属性信息与预先构建的点云地图中多个采样点的属性信息进行匹配，得出所述图像采集设备的位置信息。
在物理空间中电子设备可以通过图像采集方式获得物体表面的采样点，基于这些采样点的世界坐标构建点云地图。即，采样点的属性信息中的世界坐标是样本图像中的采样点的世界坐标。点云地图的构建过程可以通过如下实施例中的步骤S801至步骤S805实现。点云地图的类型可以是稀疏点云，还可以是稠密点云。在稀疏点云中，采样点之间的间距均大于间距阈值，存储的采样点的属性信息可以是采样点的世界坐标和图像特征；在稠密点云中，采样点之间的间距小于间距阈值，存储的采样点的属性信息可以是采样点的世界坐标，而不包括采样点的图像特征。对于同一物理区域所对应的点云地图，稀疏点云的采样点数目远远小于稠密点云的采样点数目。
可以理解地，采样点实际上也是其所在样本图像中的特征点，采样点的属性信息为采样点所特有的信息。采样点的属性信息至少包括以下之一：采样点的图像特征、采样点的世界坐标。在一个示例中，采样点的属性信息包括采样点的图像特征和采样点的世界坐标。在另一个示例中，采样点的属性信息包括采样点的世界坐标，而不包括采样点的图像特征。可以理解地，采样点的世界坐标指的是采样点在世界坐标系中的坐标。世界坐标可以是二维坐标，也可以是三维坐标。
在本申请实施例提供的定位方法中，电子设备根据待处理图像中的特征点的属性信息和预先构建的点云地图中多个采样点的属性信息，即可确定用于采集所述待处理图像的图像采集设备的位置信息。如此，电子设备在对图像采集设备进行定位时，其定位方法不依赖于待处理图像中必须有固定物体和待定位的人物，所以能够获得较好的鲁棒性。
需要说明的是，点云地图中采样点的属性信息包括采样点的图像特征和不包括图像特征，其对应的定位方法是不同的。在采样点的属性信息包括图像特征和世界坐标的情况下，定位方法包括以下几种实施例。
本申请实施例提供一种定位方法，所述方法至少包括以下步骤S201至步骤S204：
步骤S201，确定图像采集设备所采集的待处理图像中的特征点。
步骤S202，获取所述特征点的图像特征和所述特征点的相机坐标。
步骤S203，将所述特征点的图像特征与预先构建的点云地图中多个采样点的图像特征进行匹配，得出第一目标采样点。
可以理解地，匹配的目的是为了能够从多个采样点中找出与所述特征点表征的是同一空间位置点的目标采样点。在实现时，通常将点云地图中，与特征点的图像特征相同或相似的采样点确定为第一目标采样点。例如，电子设备通过如下实施例中的步骤S303和步骤S304确定第一目标采样点。
步骤S204，根据所述特征点的相机坐标和所述第一目标采样点的世界坐标，确定所述图像采集设备的位置信息。
这里，点云地图中包括多个采样点的属性信息，采样点的属性信息包括采样点的图像特征和世界坐标。可以理解地，如果已知多个特征点的相机坐标和与每一所述特征点匹配的第一目标采样点的世界坐标，则可以通过如下实施例中的步骤S404至步骤S407确定所述图像采集设备的世界坐标和朝向(即所述图像采集设备的姿态)。
在本申请实施例提供的定位方法中，电子设备根据特征点的图像特征和多个采样点的图像特征，能够更加准确地从所述多个采样点中确定出与所述特征点匹配的第一目标采样点，从而提高定位精度。
本申请实施例再提供一种定位方法，所述方法至少包括以下步骤S301至步骤S305：
步骤S301，确定图像采集设备所采集的待处理图像中的特征点。
步骤S302，获取所述特征点的图像特征和所述特征点的相机坐标。
步骤S303，根据所述采样点的图像特征和所述特征点的图像特征，确定所述采样点与所述特征点之间的相似度。
可以理解地，所述相似度，指的是采样点的图像特征与特征点的图像特征之间的相近程度。电子设备在实现步骤S303时，可以通过多种方法确定所述相似度。例如，确定采样点的图像特征和特征点的图像特征之间的欧氏距离，将欧式距离确定为所述相似度。在其他实施例中，也可以确定采样点的图像特征和特征点的图像特征之间的汉明距离或者余弦相似度，将汉明距离或者余弦相似度确定为所述相似度。这里对于表征所述相似度的参数类型不做限定。所述参数类型可以是所述欧氏距离、汉明距离或余弦相似度等。
步骤S304，将与所述特征点之间的相似度满足第一条件的采样点，确定为第一目标采样点。
电子设备在实现步骤S304时，可以将所述多个采样点中，与特征点之间的相似度小于或等于相似度阈值的采样点，确定为第一目标采样点。例如，将与特征点之间的欧氏距离小于或等于欧式距离阈值的采样点，确定为第一目标采样点；或者，将所述多个采样点中，与特征点之间的相似度最小的采样点，确定为第一目标采样点。
步骤S305，根据所述特征点的相机坐标和所述第一目标采样点的世界坐标，确定所述图像采集设备的位置信息。
电子设备在实现步骤S305时，可以根据特征点的相机坐标和与特征点匹配的第一目标采样点的世界坐标，确定以下所述位置信息中的至少之一：图像采集设备的世界坐标、图像采集设备在点云地图中的朝向。例如，通过如下实施例中的步骤S404至步骤S407，确定图像采集设备的世界坐标和图像采集设备在点云地图中的朝向(即姿态)。
本申请实施例再提供一种定位方法，所述方法至少包括以下步骤S401至步骤S407：
步骤S401，确定图像采集设备所采集的待处理图像中的特征点。
步骤S402，获取所述特征点的图像特征和所述特征点的相机坐标。
步骤S403，将所述特征点的图像特征与预先构建的点云地图中多个采样点的图像特征进行匹配，得出第一目标采样点。
这里，点云地图中包括多个采样点的属性信息，每一采样点的属性信息包括采样点的图像特征和采样点的世界坐标。
步骤S404，根据多个第一目标采样点的世界坐标和与所述多个第一目标采样点匹配的特征点的相机坐标，确定所述多个第一目标采样点的相机坐标。
一般来说，所述多个第一目标采样点至少为3个第一目标采样点。也就是说，在步骤S404中，根据至少3个特征点的相机坐标和与所述3个特征点匹配的第一目标采样点的世界坐标，才能够准确地确定与所述3个特征点匹配的第一目标采样点的相机坐标。
举例来说，如图2所示，点O为所述相机坐标系的原点，即图像采集设备的光心，所述多个第一目标采样点为图2中所示的大写的A、B、C这3个采样点，在待处理图像20中，与采样点A匹配的特征点为小写的特征点a，与采样点B匹配的特征点为小写的特征点b，与采样点C匹配的特征点为小写的特征点c。
根据余弦定理可以列出如下公式(1)：
式(1)中，＜a,b＞指的是∠aOb，＜a,c＞指的是∠aOc，＜b,c＞指的是∠bOc。
对上式进行消元，同时除以OC2，并令
Figure BDA0002217714610000041
则可得出如下式(2)：
Figure BDA0002217714610000051
接着进行替换，令
Figure BDA0002217714610000052
则可得出如下式(3)：
将上面的式(1)带入式(2)和式(3)，则可得出如下式(4)：
Figure BDA0002217714610000054
在式(4)中，w、v、cos＜a,c＞、cos＜b,c＞、cos＜a,b＞都是已知量，因此未知量只有x和y两个，因此通过上式(4)中的两个方程可以求得x和y的值，接着根据如下公式(5)的三个方程就可以求解OA、OB和OC的值：
Figure BDA0002217714610000055
最后求解A、B、C这3个采样点的相机坐标，根据向量公式(6)，可得：
Figure BDA0002217714610000056
式(6)中，
Figure BDA0002217714610000057
的方向为点O到点a；
Figure BDA0002217714610000059
的方向为点O到点b；的方向为点O到点c。
步骤S405，根据所述多个第一目标采样点的世界坐标和所述多个第一目标采样点的相机坐标，确定相机坐标系相对于世界坐标系的第一旋转关系和第一平移关系。
可以理解地，如果已知所述多个第一目标采样点的世界坐标和相机坐标，就可以确定相机坐标系相对于世界坐标系的第一旋转关系和第一平移关系。
步骤S406，根据所述第一平移关系和所述第一旋转关系，确定所述图像采集设备的世界坐标。
步骤S407，根据所述第一旋转关系，确定所述图像采集设备在所述点云地图中的朝向。
在本申请实施例提供的定位方法中，根据所述多个第一目标采样点的世界坐标和所述多个第一目标采样点的相机坐标，确定相机坐标系相对于世界坐标系的第一旋转关系和第一平移关系；如此，不仅能够根据第一平移关系和第一旋转关系，确定图像采集设备的世界坐标，还能够根据第一旋转关系，确定图像采集设备在点云地图中的朝向，从而使得定位方法能够适用于更多的应用场景。例如，根据机器人的当前朝向，指示机器人执行下一个动作。
在点云地图中采样点的属性信息包括采样点的世界坐标，而不包括采样点的图像特征的情况下，定位方法包括以下几种实施例。
本申请实施例提供一种定位方法，图3为本申请实施例定位方法的实现流程示意图，如图3所示，所述方法至少包括以下步骤S501至步骤S505：
步骤S501，确定图像采集设备所采集的待处理图像中的特征点。
步骤S502，获取所述特征点的相机坐标。
步骤S503，根据迭代策略，将多个特征点的相机坐标与预先构建的点云地图中多个采样点的世界坐标进行匹配，得出相机坐标系相对于世界坐标系的目标旋转关系和目标平移关系。
这里，点云地图中包括采样点的世界坐标，但不包括采样点的图像特征。可以理解地，在存储点云地图时，图像特征一般占据比较大的存储空间。例如，图像特征为特征描述子，通常情况下，每个采样点的特征描述子具有256个字节，这就需要电子设备给每个采样点分配至少256个字节的存储空间来存储特征描述子。在实现时，点云地图中不包括多个采样点的图像特征，如此，可以大大降低点云地图的数据量，从而节约点云地图在电子设备中的存储空间。
在点云地图不包括采样点的图像特征的情况下，即，在已知多个特征点的相机坐标和多个采样点的世界坐标的前提下，通过迭代策略，尝试寻找相机坐标系相对于世界坐标系的目标旋转关系和目标平移关系，即可实现对图像采集设备的定位。
对于目标旋转关系和目标平移关系的寻找，例如，通过如下实施例步骤S603至步骤S608，迭代地寻找与多个特征点最邻近(即最匹配)的采样点，从而得到目标旋转关系和目标平移关系。
步骤S504，根据所述目标旋转关系，确定所述图像采集设备在所述点云地图中的朝向。
步骤S505，根据所述目标平移关系和所述目标旋转关系，确定所述图像采集设备的世界坐标。
在本申请实施例提供的定位方法中，无需提取特征点的图像特征，更无需将特征点的图像特征和点云地图中的多个采样点的图像特征进行匹配，而是仅仅通过迭代策略，将多个特征点的相机坐标与多个采样点的世界坐标进行匹配，即可实现对图像采集设备的定位。如此，使得点云地图中无需存储多个采样点的图像特征，从而大大节约了点云地图的存储空间。
本申请实施例再提供一种定位方法，所述方法至少包括以下步骤S601至步骤S610：
步骤S601，确定图像采集设备所采集的待处理图像中的特征点。
步骤S602，获取所述特征点的相机坐标。
步骤S603，从预先构建的点云地图中的多个采样点中，选取与所述特征点匹配的初始目标采样点。
电子设备在实现步骤S603时，首先可以设置相机坐标系相对于世界坐标系的初始旋转关系和初始平移关系；然后，根据特征点的相机坐标、初始旋转关系和初始旋转关系，将特征点与多个采样点进行匹配，从而从多个采样点中选取与特征点匹配的初始目标采样点。在一个示例中，可以通过如下实施例中的步骤S703至步骤S705，选取初始目标采样点。
实际上，通过步骤S603，只是为了选取与特征点可能匹配的采样点，初始目标采样点可能不是与特征点真正匹配的点；因此，需要通过如下步骤S604至步骤S608，进一步确定初始目标采样点是否是与特征点真正匹配的点。
步骤S604，根据多个特征点的相机坐标和与所述多个特征点匹配的初始目标采样点的世界坐标，确定所述相机坐标系相对于所述世界坐标系的第二旋转关系和第二平移关系。
电子设备在实现步骤时，可以根据多个特征点的相机坐标和与多个特征点匹配的初始目标采样点的世界坐标，构建误差函数；然后，通过最小二乘法求解当前最优的第二旋转关系和第二平移关系。例如，包括n个特征点的相机坐标的集合表示为P＝{p1,p2,...,pi,...,pn}，特征点的相机坐标用pi来表示，与n个特征点匹配的初始目标采样点的世界坐标的集合表示为Q＝{q1,q2,...,qi,...,qn}，初始目标采样点的世界坐标用qi来表示，那么可以列出如下式(7)：
Figure BDA0002217714610000061
式中，E(R,T)为误差函数，R和T分别为待求解的第二旋转关系和第二平移关系。那么，可以通过最小二乘法求解式(7)中R和T的最优解。
步骤S605，根据所述第二旋转关系、所述第二平移关系和所述特征点的相机坐标，确定所述特征点的第一世界坐标。
在获得最优解，即第二旋转关系和第二平移关系之后，即可将特征点的相机坐标转换为特征点的第一世界坐标。如果选取的初始目标采样点和特征点在实际物理空间中表示的同一个位置点，或者是两个相近的位置点，那么在步骤S605中确定的第一世界坐标应该是与初始目标采样点的世界坐标相同或相近的。反之，如果两者表示的不是同一位置点，也不是两个相近的位置点，那么，在步骤S605中确定的第一世界坐标与初始目标采样点的世界坐标不同，也不相近。基于此，可以通过如下步骤S606确定多个特征点的匹配误差，从而基于匹配误差和第一阈值，确定初始目标采样点是否是与特征点真正匹配的点，进而确定目标转换关系和目标平移关系。
步骤S606，根据所述多个特征点的第一世界坐标和与所述多个特征点匹配的初始目标采样点的世界坐标，确定所述多个特征点的匹配误差。
电子设备在实现步骤S606时，可以通过如下实施例中的步骤S708和步骤S709确定多个特征点的匹配误差。也就是，根据特征点的第一世界坐标和初始目标采样点的世界坐标，确定特征点与初始目标采样点之间的距离；然后，根据多个特征点与匹配的初始目标采样点之间的距离，确定所述匹配误差。
步骤S607，如果所述匹配误差大于第一阈值，返回步骤S603，重新选取初始目标采样点，并重新确定匹配误差，直至重新确定的匹配误差小于所述第一阈值为止。
可以理解地，如果匹配误差大于第一阈值，说明当前选取的初始目标采样点并不是与特征点匹配的采样点，两者指代的不是物理空间中同一位置点或者相近的位置点。此时，需要返回步骤S603，重新选取初始目标采样点，并基于重新选取的初始目标采样点，重新执行步骤S604至步骤S606，以重新确定匹配误差，直至重新确定的匹配误差小于第一阈值时，认为当前迭代中选取的初始目标采样点是与特征点真正匹配的点，此时可以将当前迭代获得的第二旋转关系和第二平移关系分别确定为目标旋转关系和目标平移关系。
反之，在其他实施例中，如果匹配误差小于或等于所述第一阈值，则根据当前迭代获得的第二旋转关系确定图像采集设备在点云地图中的朝向(即姿态)，根据当前迭代获得的第二平移关系，确定图像采集设备在点云地图中的坐标(即世界坐标)。
步骤S608，将所述匹配误差小于或等于所述第一阈值时确定的第二旋转关系，确定为所述目标旋转关系；将所述匹配误差小于或等于所述第一阈值时确定的第二平移关系，确定为所述目标平移关系。
步骤S609，根据所述目标旋转关系，确定所述图像采集设备在所述点云地图中的朝向。
步骤S610，根据所述目标平移关系和所述目标旋转关系，确定所述图像采集设备的世界坐标。
本申请实施例再提供一种定位方法，所述方法至少包括以下步骤S701至步骤S713：
步骤S701，确定图像采集设备所采集的待处理图像中的特征点。
步骤S702，获取所述特征点的相机坐标。
步骤S703，获取相机坐标系相对于世界坐标系的第三旋转关系和第三平移关系。在实现时，可以将所述第三旋转关系和所述第三平移关系分别设置一个初始值。
步骤S704，根据所述第三旋转关系、所述第三平移关系和所述特征点的相机坐标，确定所述特征点的第二世界坐标。
步骤S705，将所述特征点的第二世界坐标与所述多个采样点的世界坐标进行匹配，得出初始目标采样点。
电子设备在实现步骤S705时，可以确定特征点的第二世界坐标与采样点的世界坐标之间的距离，然后将距离特征点最近的采样点确定为初始目标采样点，或者将距离小于或等于距离阈值的采样点确定为初始目标采样点。在实现时，可以确定特征点的第二世界坐标与采样点的世界坐标之间的欧氏距离，将欧式距离作为特征点与采样点之间的距离。
步骤S706，根据多个特征点的相机坐标和与所述多个特征点匹配的初始目标采样点的世界坐标，确定所述相机坐标系相对于所述世界坐标系的第二旋转关系和第二平移关系。
步骤S707，根据所述第二旋转关系、所述第二平移关系和所述特征点的相机坐标，确定所述特征点的第一世界坐标。
步骤S708，根据所述特征点的第一世界坐标和所述初始目标采样点的世界坐标，确定所述特征点与所述初始目标采样点之间的距离。
这里，也可以确定第一世界坐标与初始目标采样点的世界坐标之间的欧式距离，将所述欧式距离作为特征点与初始目标采样点之间的距离。
步骤S709，根据所述多个特征点与匹配的初始目标采样点之间的距离，确定所述匹配误差。
电子设备在实现步骤S709时，可以将多个特征点与匹配的初始目标采样点之间的平均距离，确定为匹配误差。例如，包括n个特征点的第一世界坐标的集合表示为P′＝{p′1,p′2,...,p′i,...,p′n}，特征点的第一世界坐标用p′i表示，与n个特征点匹配的初始目标采样点的世界坐标的集合表示为Q＝{q1,q2,...,qi,...,qn}，初始目标采样点的世界坐标用qi表示，那么，通过如下公式(8)，可以求取匹配误差d：
式中||p′i-qi||2表示，特征点与匹配的初始目标采样点之间的欧式距离。
步骤S710，如果所述匹配误差大于第一阈值，将所述第二平移关系作为所述第三平移关系，将所述第二旋转关系作为所述第三旋转关系，返回步骤S704，重新选取初始目标采样点，并重新确定匹配误差，直至重新确定的匹配误差小于所述第一阈值为止。
可以理解地，如果匹配误差大于第一阈值，说明获取的第三旋转关系和第三平移关系是不符合实际的。换句话说，得出的初始目标采样点不是真正与所述特征点匹配的点，此时，可以将第二平移关系作为第三平移关系，将第二旋转关系作为第三旋转关系，重新执行步骤S704至步骤S709，直至匹配误差小于所述第一阈值为止。
步骤S711，将所述匹配误差小于或等于所述第一阈值时确定的第二旋转关系，确定为所述目标旋转关系；将所述匹配误差小于或等于所述第一阈值时确定的第二平移关系，确定为所述目标平移关系。
步骤S712，根据所述目标旋转关系，确定所述图像采集设备在所述点云地图中的朝向。
步骤S713，根据所述目标平移关系和所述目标旋转关系，确定所述图像采集设备的世界坐标。
在其他实施例中，本申请实施例提供的定位方法还包括所述点云地图的构建方法，图4为本申请实施例点云地图的构建方法的实现流程示意图，如图4所示，所述方法至少包括以下步骤S801至步骤S805：
步骤S801，获取多张样本图像。
电子设备在实现步骤S801时，可以利用图像采集设备，按照预设的帧率进行样本图像的采集。样本图像可以是二维样本图像，例如，采用单目摄像头，以固定帧率进行红、绿、蓝(Red、Green、Blue，RGB)图像的采集；或者，也可以从预先采集的样本图像库中获取所述多张样本图像。
步骤S802，对所述多张样本图像进行处理，得到第一采样点集合，所述第一采样点集合中至少包括所述多张样本图像中的采样点的世界坐标。
在点云地图构建的初始阶段，仅仅可以获得采样点的图像特征和相机坐标，但是样本图像中的采样点的世界坐标是无从得知的。在实现时，可以通过三维重建方法对多张样本图像进行处理，从而得到所述采样点的世界坐标。例如，通过运动中恢复结构(Structure from motion，SFM)方法，对多张样本图像进行初始化处理，从而得到多个采样点的世界坐标。在一个示例中，第一采样点集合中包括多个采样点的世界坐标，不包括采样点的图像特征。在另一个示例中，第一采样点集合中不仅包括多个采样点的世界坐标，还包括采样点的图像特征。
电子设备在实现步骤S802时，可以通过如下实施例中的步骤S902至步骤906确定所述第一采样点集合。
步骤S803，获取除所述多张样本图像外的其他样本图像。
类似地，电子设备可以利用图像采集设备，按照预设的帧率实时采集样本图像，并执行如下步骤S804和步骤S805；或者还可以从预先建立的样本图像库中获取所述其他样本图像。
步骤S804，根据所述第一采样点集合和获取的所述其他样本图像中采样点的属性信息，确定所述其他样本图像中的采样点的世界坐标，得到第二采样点集合。
事实上，通过步骤S802确定多个采样点的世界坐标，其时间复杂度是比较高的。因此，在地图构建的初始阶段，获得多个采样点的世界坐标之后，通过步骤S804来确定所述其他样本图像中的采样点的世界坐标。如此，可以大大降低地图构建的时间成本。
电子设备在实现步骤S804时，在第一采样点集合中包括采样点的图像特征和采样点的世界坐标的情况下，可以通过类似于上述实施例所提供的步骤S201至步骤S204、步骤S301至步骤S305、或者步骤S401至步骤S407，确定其他样本图像中的采样点的世界坐标，得到的第二采样点集合包括其他样本图像中的采样点的世界坐标和图像特征。
在第一采样点集合中包括采样点的世界坐标，而不包括采样点的图像特征和的情况下，电子设备可以通过类似于上述实施例所提供的步骤S501至步骤S505、步骤S601至步骤S610、或者步骤S701至步骤S713，确定所述其他样本图像中的采样点的世界坐标，得到的第二采样点集合包括其他样本图像中的采样点的世界坐标，而不包括图像特征。
步骤S805，根据所述第一采样点集合和所述第二采样点集合，构建点云地图。
电子设备在实现步骤S805时，可以将所述第一采样点集合和所述第二采样点集合进行合并，从而得到点云地图。也就是说，点云地图实际上是一个数据集合，该数据集合中采样点之间的间距大于第一阈值。
在本申请实施例中，在地图构建的初始阶段，电子设备通过多张样本图像获得至少包括多个采样点的世界坐标的第一采样点集合之后，根据第一采样点集合和获取的其他样本图像中采样点的属性信息，确定其他样本图像中的采样点的世界坐标，得到第二采样点集合；如此，可以快速获得其他样本图像中的采样点的世界坐标，从而降低地图构建的时间成本。
本申请实施例再提供一种点云地图的构建方法，所述方法至少包括以下步骤S901至步骤S909：
步骤S901，获取多张样本图像。
步骤S902，获取所述样本图像中采样点的图像特征和相机坐标。
电子设备在实现步骤S902时，可以利用图像采集设备，按照预设的帧率进行样本图像的采集，并实时处理采集的样本图像，提取样本图像中采样点的图像特征和相机坐标。
步骤S903，根据所述多张样本图像中采样点的图像特征，从所述多张样本图像中挑选出满足第二条件的第一目标图像和第二目标图像。
电子设备在实现步骤S903时，挑选出的第一目标图像和第二目标图像一般是视差比较大的两张样本图像；这样，可以提高确定第一目标图像或第二目标图像中的采样点的世界坐标的准确度，进而有利于后续获得更高的定位精度。例如，电子设备通过如下实施例中步骤S113至步骤S116确定第一目标图像和第二目标图像。
步骤S904，确定所述第一目标图像与所述第二目标图像之间的第四旋转关系和第四平移关系。
电子设备在实现步骤S904时，可以采用随机抽样一致(Random SampleConsensus，RANSAC)算法中的四点法对第一目标图像和第二目标图像进行处理，计算单应矩阵，从而获得第四旋转关系和第四平移关系。
步骤S905，根据所述第四旋转关系、所述第四平移关系和所述第一目标图像中的采样点的相机坐标，确定所述第一目标图像中的采样点的世界坐标。电子设备在实现步骤S905时，可以通过三角化计算得到所述第一目标图像中的采样点的世界坐标。
步骤S906，根据每一所述第一目标样本图像中的采样点的世界坐标，确定第一采样点集合。
可以理解地，第一目标样本图像中的采样点与匹配的第二目标样本图像的采样点实际上同一位置点；所以，这里仅根据每一第一目标样本图像或者第二目标样本图像中的采样点的世界坐标，确定第一采样点集合就可以了。在一个示例中，第一采样点集合包括采样点的世界坐标，不包括采样点的图像特征。在另一个示例中，第一采样点集合包括采样点的世界坐标和采样点的图像特征。
步骤S907，获取除所述多张样本图像外的其他样本图像。
步骤S908，根据所述第一采样点集合和获取的所述其他样本图像中采样点的属性信息，确定所述其他样本图像中的采样点的世界坐标，得到第二采样点集合。
步骤S909，根据第一采样点集合和第二采样点集合，构建点云地图。
本申请实施例再提供一种点云地图的构建方法，所述方法至少包括以下步骤S111至步骤S122：
步骤S111，获取多张样本图像。
步骤S112，获取所述样本图像中采样点的图像特征和相机坐标。
步骤S113，根据所述多张样本图像中采样点的图像特征，将所述多张样本图像进行两两匹配，得到每一对样本图像的第一匹配对集合。
所谓两两匹配指的是：每一张样本图像都和其他样本图像进行匹配。例如，多张样本图像包括样本图像1至6，将样本图像1和样本图像2至6分别进行匹配，将样本图像2分别和样本图像1、3至6进行匹配。获得的第一匹配对集合包括的是两张图像中采样点之间的匹配关系，即，包括多个采样点匹配对。
步骤S114，剔除所述第一匹配对集合中不满足第三条件的采样点匹配对，得到第二匹配对集合。
电子设备在实现步骤S114时，剔除方法可以采用RANSAC八点法计算基础矩阵，不满足基础矩阵的匹配对就选择剔除掉；如此，可以剔除一些鲁棒性比较差的采样点匹配对，从而提高算法的鲁棒性。
步骤S115，从每一所述第二匹配对集合中挑选出匹配对数目满足所述第二条件的目标匹配对集合。
一般来说，匹配对数目太多时，说明两张图像的视差比较小；但是，匹配对数目较少时，又无法确定两张图像之间的第四旋转关系和第四平移关系。在实现时，第二条件可以设置为匹配对数目大于第一数值且小于第二数值。
步骤S116，将所述目标匹配对集合对应的两张样本图像，确定为第一目标图像和第二目标图像。
步骤S117，确定所述第一目标图像与所述第二目标图像之间的第四旋转关系和第四平移关系。
步骤S118，根据所述第四旋转关系、所述第四平移关系和所述第一目标图像中的采样点的相机坐标，确定所述第一目标图像中的采样点的世界坐标。
步骤S119，根据每一所述第一目标样本图像中的采样点的世界坐标，确定所述第一采样点集合。
步骤S120，获取除所述多张样本图像外的其他样本图像。
步骤S121，根据所述第一采样点集合和获取的所述其他样本图像中采样点的属性信息，确定所述其他样本图像中的采样点的世界坐标，得到第二采样点集合。
步骤S122，根据所述第一采样点集合和所述第二采样点集合，构建点云地图。
下面将说明本申请实施例在一个实际的应用场景中的示例性应用。在本申请实施例中，实现了一种基于稀疏点云的室内定位技术，可以帮助用户实时定位自身位置。该方案可以针对室内场景，提取图像特征并构建稀疏点云地图(即所述点云地图的一种示例)。定位过程不依赖于外部基站设备，成本低，定位精度高，鲁棒性强。该方案包含两个主要部分：构建地图和视觉定位。
在本申请实施例中，构建地图部分主要是通过单目摄像头采集RGB图像信息(即所述样本图像)，并提取图像特征构建稀疏点云地图，至少包括以下步骤S11至步骤S15：
步骤S11，利用单目摄像头，以固定帧率进行RGB图像采集；
步骤S12，采集过程中实时提取RGB图像中的属性信息(例如图像中采样点的图像特征和相机坐标)；
步骤S13，采集一定数量的RGB图像后，利用SFM方法对图像的相对旋转和平移进行初始化；
步骤S14，初始化完成后，通过PnP(Perspective-n-Point)算法计算后续图像稀疏点(即采样点)的三维世界坐标(即所述世界坐标的一个示例)，得到稀疏点云地图；
步骤S15，存储稀疏点云地图及其对应的图像特征，例如，将这些信息序列化地存储到本地作为离线地图。
其中，针对步骤S12中，提取RGB图像中的图像特征，这里给出如下解释。特征提取的过程实际上是对RGB图像进行解释和标注的过程。在一个示例中，对RGB图像提取FAST角点，提取的角点数量一般固定为150个，用于图像跟踪；并对该角点进行ORB描述子的提取，用于稀疏点的特征描述子匹配。这里，150为经验值，是个预设值，因为角点数量过少，会导致跟踪失败率高，而角点数量过多，又会影响算法效率。
其中，针对步骤S13中的利用SFM方法对图像的相对旋转和平移进行初始化，这里给出如下解释。首先，在采集到一定数量的图像后，通过SFM方法对图像的相对旋转和平移进行初始化，并得到稀疏点的三维世界坐标。SFM算法至少包括以下步骤S131至步骤S139：
步骤S131，对一定数量的图像进行两两匹配，使用欧氏距离判断的方法建立图像稀疏点之间的匹配关系；
步骤S132，对匹配对进行剔除，剔除方法采用RANSAC八点法计算基础矩阵，不满足基础矩阵的匹配对就选择剔除掉；
步骤S133，匹配关系建立后，生成追踪列表，追踪列表是指同名点的图像名集合；
步骤S134，剔除追踪列表中的无效匹配；
步骤S135，寻找初始化像对，目的是找到相机基线最大的像对，采用RANSAC算法四点法计算单应矩阵，满足单应矩阵的匹配点称为内点，不满足的称为外点。找到内点占比最小的像对；
步骤S136，寻找初始化像对的相对旋转和平移，方法为通过RANSAC八点法计算本质矩阵，通过对本质矩阵SVD分解得到像对之间的相对旋转和平移；
步骤S137，通过三角化计算得到初始化像对中的稀疏点的三维世界坐标；
步骤S138，对其他图像反复执行步骤S136和S137，就可以得到所有图像的相对旋转和平移，以及稀疏点的三维世界坐标；
步骤S139，通过光束平差法，优化得到的图像之间的旋转、平移和稀疏点的三维世界坐标。这是一个非线性优化的过程，目的是降低SFM结果的误差。
基于步骤S11至步骤S15可以构建出一张基于稀疏点云的离线地图，该地图以二进制格式存储稀疏点云及其图像属性信息(包括三维世界坐标和描述子信息)到本地，在视觉定位过程中，该地图将被加载使用。
在本申请实施例中，视觉定位部分主要是通过单目摄像头，采集当前的RGB图像，加载构建好的离线地图，并利用描述子匹配找到当前特征点和地图稀疏点之间的匹配对，最后再通过PnP算法求解当前相机在地图中的精确位姿，以达到定位目的，至少包括以下步骤S21至步骤S25：
步骤S21，加载预先构建好的离线地图(即稀疏点云地图)；
步骤S22，利用单目摄像头进行RGB图像采集；
步骤S23，采集过程中实时提取当前帧图像中的属性信息；
步骤S24，通过描述子匹配找到当前特征点和地图稀疏点之间的匹配对；
步骤S25，找到足够多的匹配对之后，通过PnP算法求解当前相机在地图坐标系中的精确位姿。
其中，针对步骤S23中的实时提取当前帧图像中的属性信息可参考上述步骤S12。
其中，针对步骤S24中的通过描述子匹配找到当前特征点和地图稀疏点之间的匹配对，算法至少包括以下步骤S241至步骤S244：
步骤S241，对当前图像中提取到的第N(初始为0)个特征点F1N，设定欧式距离最小值dmin＝dTH，设定匹配点
Figure BDA0002217714610000121
步骤S242，计算F1N和稀疏点云中的第M(初始为0)个特征点F2M，计算特征点描述子之间的欧式距离dNM；
步骤S243，判断欧式距离dNM与欧式距离最小值dmin，若dNM＜dmin，则dmin＝dNM,
Figure BDA0002217714610000122
接着M＝M+1，若稀疏点云中的稀疏点未遍历完毕，则跳转回步骤S242；否则N＝N+1，跳转回步骤S241。若当前图像的特征点遍历完毕，则跳转到步骤S244；
步骤S244，整理当前图像的特征点和地图稀疏点之间的匹配对作为算法输出，算法结束。
其中，针对步骤S25中的通过PnP算法求解当前相机在地图坐标系中的精确位姿，有一个优选实例如图5所示：
首先，判断步骤S24中形成匹配对序列(在本实例中匹配对序列为{F0,F1,F2})，若匹配对序列的元素数量大于TH2，则进行步骤S25；否则算法结束。在该优选实例中，基于匹配对序列，调用OpenCV中的SolvePnP函数求解出当前相机在地图坐标系下的位姿。其中PnP算法的原理如下：
PnP算法的输入是三维(three dimensional，3D)点(即地图坐标系下的稀疏点的三维世界坐标)和这些3D点在当前图像中的投影得到的2D点(即当前帧中特征点的相机坐标)，算法的输出是当前帧相对于地图坐标系原点的位姿变换(即当前帧在地图坐标系中的位姿)。
PnP算法不是直接根据匹配对序列求出相机位姿矩阵的，而是先求出对应的2D点在当前坐标系下的3D坐标，然后根据地图坐标系下的3D坐标和当前坐标系下的3D坐标求解相机位姿的。
基于步骤S21至步骤S25可以通过视觉特征，在预定义的稀疏点云地图中达成定位目的，得到自身在地图坐标系(即所述世界坐标系)下的位置和姿态。该定位结果精度较高，不需要依赖外部基站设备，成本低，鲁棒性强。
在本申请实施例中，利用相机运动并得到了特征点的三维信息，在定位结果上可以同时提供位置和姿态，相对于其他室内定位方法提高了定位准确度；
在本申请实施例中，存储的地图形式为稀疏点云，相当于图像的稀疏采样，在地图大小上较之传统方法有一定程度的压缩；
在本申请实施例中，在建图和定位过程中只需要用到普通的移动终端设备，不需要引入其他外部基站设备，因此成本低廉；
在本申请实施例中，不需要引入物体识别等错误率较高的算法，定位成功率高，鲁棒性强。
在本申请实施例中，充分挖掘图像特征的三维信息并结合高精度高鲁棒性图像匹配算法的进行室内环境定位。在地图构建上，通过采集视觉图像中特征点的三维世界坐标和描述子信息，以稀疏点云的形式存储为离线地图。在定位方法上，采用描述子匹配的方法找到当前特征点在稀疏点云中的匹配对，再通过PnP算法精确地计算出当前自身位置和姿态。两者结合形成了一套低成本、高精度、强鲁棒性的室内定位方法。
在地图构建上，稀疏点云存储了包括图像特征点的三维世界坐标和描述子信息。其中的描述子信息是用于视觉定位过程中，与当前图像中的特征点进行匹配而用的。其中，图像特征描述子可以是ORB描述子，每一个图像特征点的描述子信息都要占据256个字节空间。针对于以稀疏点云形式存储的离线地图，每个稀疏点都要分配256字节作为特征描述子的存储空间，在最终离线地图的大小中占据了不小的比例。为了缩减离线地图的大小，本案提出了以下的扩展方案。
在地图构建部分，本案只序列化存储稀疏点云的三维世界坐标。
在视觉定位部分，本案提出了一种调整后的定位方案，至少包括以下步骤S31至步骤S35：
步骤S31，加载预先构建好的离线地图；
步骤S32，利用单目摄像头进行RGB图像采集；
步骤S33，采集过程中实时提取当前帧图像中的属性信息(即特征点的相机坐标)；
步骤S34，计算当前图像中特征点的三维相机坐标形成局部点云；
步骤S35，通过迭代最近点(Iterative Closest Point，ICP)算法匹配局部点云和地图稀疏点云，求解当前相机在地图坐标系中的精确位姿。
其中，针对步骤S35中的通过ICP算法匹配局部点云和地图稀疏点云，本这里给出如下解释。
ICP算法其本质上是基于最小二乘法的最优配准方法。该算法重复进行选择对应关系点对，计算最优刚体变换，直到满足正确配准的收敛精度要求。ICP算法的基本原理是：分别在待匹配的目标点云P和源点云Q中，按照一定的约束条件，找到最邻近的点(pi,qi)，然后计算出最优的旋转R和平移T，使得误差函数最小，误差函数E(R,T)的公式为：
Figure BDA0002217714610000131
其中n为邻近点对的数量，pi为目标点云P中的一点，qi为源点云Q中与pi对应的最近点，R为旋转矩阵(也称为旋转关系)，T为平移向量(也称为平移关系)。
基于步骤S31至步骤S35可以通过视觉特征，在预定义的稀疏点云地图中达成定位目的，得到自身在地图坐标系下的位置和姿态。并且预定的稀疏点云地图中不需要存储额外的特征点描述子信息，压缩了离线地图的大小。
基于前述的实施例，本申请实施例提供一种定位装置，该装置包括各模块、以及各模块所包括的各单元，可以通过终端中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。
图6A为本申请实施例定位装置的结构示意图，如图6A所示，所述装置600包括第一确定模块601、属性信息获取模块602和定位模块603，其中：第一确定模块601，配置为确定图像采集设备所采集的待处理图像中的特征点；属性信息获取模块602，配置为获取所述特征点的属性信息；定位模块603，配置为将所述特征点的属性信息与预先构建的点云地图中多个采样点的属性信息进行匹配，得出所述图像采集设备的位置信息。
在其他实施例中，所述特征点的属性信息至少包括以下之一：所述特征点的图像特征、所述特征点的相机坐标；所述采样点的属性信息至少包括以下之一：所述采样点的图像特征、所述采样点的世界坐标。
在其他实施例中，定位模块603，包括：匹配单元，配置为将所述特征点的图像特征与所述多个采样点的图像特征进行匹配，得出第一目标采样点；定位单元，配置为根据所述特征点的相机坐标和所述第一目标采样点的世界坐标，确定所述图像采集设备的位置信息。
在其他实施例中，所述匹配单元，配置为根据所述采样点的图像特征和所述特征点的图像特征，确定所述采样点与所述特征点之间的相似度；将与所述特征点之间的相似度满足第一条件的采样点，确定为所述第一目标采样点。
在其他实施例中，所述定位单元，配置为：根据多个第一目标采样点的世界坐标和与所述多个第一目标采样点匹配的特征点的相机坐标，确定所述多个第一目标采样点的相机坐标；根据所述多个第一目标采样点的世界坐标和所述多个第一目标采样点的相机坐标，确定相机坐标系相对于世界坐标系的第一旋转关系和第一平移关系；根据所述第一平移关系和所述第一旋转关系，确定所述图像采集设备的世界坐标；根据所述第一旋转关系，确定所述图像采集设备在所述点云地图中的朝向。
在其他实施例中，所述匹配单元，还配置为：根据迭代策略，将多个特征点的相机坐标与所述多个采样点的世界坐标进行匹配，得出相机坐标系相对于世界坐标系的目标旋转关系和目标平移关系；所述定位单元，还配置为：根据所述目标旋转关系，确定所述图像采集设备在所述点云地图中的朝向；根据所述目标平移关系和所述目标旋转关系，确定所述图像采集设备的世界坐标。
在其他实施例中，所述匹配单元包括：选取子单元，配置为从所述多个采样点中选取与所述特征点匹配的初始目标采样点；变换关系确定子单元，配置为根据所述多个特征点的相机坐标和与所述多个特征点匹配的初始目标采样点的世界坐标，确定所述相机坐标系相对于所述世界坐标系的第二旋转关系和第二平移关系；第一世界坐标确定子单元，配置为根据所述第二旋转关系、所述第二平移关系和所述特征点的相机坐标，确定所述特征点的第一世界坐标；匹配误差确定子单元，配置为根据所述多个特征点的第一世界坐标和与所述多个特征点匹配的初始目标采样点的世界坐标，确定所述多个特征点的匹配误差；迭代子单元，配置为如果所述匹配误差大于第一阈值，重新选取初始目标采样点，并重新确定匹配误差，直至重新确定的匹配误差小于所述第一阈值为止；目标变换关系确定子单元，配置为将所述匹配误差小于或等于所述第一阈值时确定的第二旋转关系，确定为所述目标旋转关系；将所述匹配误差小于或等于所述第一阈值时确定的第二平移关系，确定为所述目标平移关系。
在其他实施例中，所述选取子单元，配置为：获取所述相机坐标系相对于所述世界坐标系的第三旋转关系和第三平移关系；根据所述第三旋转关系、所述第三平移关系和所述特征点的相机坐标，确定所述特征点的第二世界坐标；将所述特征点的第二世界坐标与所述多个采样点的世界坐标进行匹配，得出所述初始目标采样点。
在其他实施例中，所述匹配误差确定子单元，配置为：根据所述特征点的第一世界坐标和所述初始目标采样点的世界坐标，确定所述特征点与所述初始目标采样点之间的距离；根据所述多个特征点与匹配的初始目标采样点之间的距离，确定所述匹配误差。
所述迭代子单元，配置为如果所述匹配误差大于第一阈值，将所述第二平移关系作为所述第三平移关系，将所述第二旋转关系作为所述第三旋转关系，重新选取初始目标采样点。
在其他实施例中，如图6B所示，所述装置600，还包括：图像获取模块604，配置为获取多张样本图像；图像处理模块605，配置为对所述多张样本图像进行处理，得到第一采样点集合，所述第一采样点集合中至少包括所述多张样本图像中的采样点的世界坐标；图像获取模块604，还配置为获取除所述多张样本图像外的其他样本图像；第二确定模块606，配置为根据所述第一采样点集合和获取的所述其他样本图像中采样点的属性信息，确定所述其他样本图像中的采样点的世界坐标，得到第二采样点集合；地图构建模块607，配置为根据所述第一采样点集合和所述第二采样点集合，构建所述点云地图。
在其他实施例中，图像处理模块605，包括：属性信息获取单元，配置为获取所述样本图像中采样点的图像特征和相机坐标；目标图像确定单元，配置为根据所述多张样本图像中采样点的图像特征，从所述多张样本图像中挑选出满足第二条件的第一目标图像和第二目标图像；变换关系确定单元，配置为确定所述第一目标图像与所述第二目标图像之间的第四旋转关系和第四平移关系；世界坐标确定单元，配置为根据所述第四旋转关系、所述第四平移关系和所述第一目标图像中的采样点的相机坐标，确定所述第一目标图像中的采样点的世界坐标；集合确定单元，配置为根据每一所述第一目标样本图像中的采样点的世界坐标，确定所述第一采样点集合。
在其他实施例中，所述目标图像确定单元，配置为：根据所述多张样本图像中采样点的图像特征，将所述多张样本图像进行两两匹配，得到每一对样本图像的第一匹配对集合；剔除所述第一匹配对集合中不满足第三条件的采样点匹配对，得到第二匹配对集合；从每一所述第二匹配对集合中挑选出匹配对数目满足所述第二条件的目标匹配对集合；将所述目标匹配对集合对应的两张样本图像，确定为第一目标图像和第二目标图像。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的定位方法，并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得电子设备(可以是手机、平板电脑、笔记本电脑、台式计算机、服务器、机器人、无人机等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read ON1ly Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
对应地，本申请实施例提供一种电子设备，图7为本申请实施例电子设备的一种硬件实体示意图，如图7所示，该电子设备700的硬件实体包括：包括存储器701和处理器702，所述存储器701存储有可在处理器702上运行的计算机程序，所述处理器702执行所述程序时实现上述实施例中提供的定位方法中的步骤。
存储器701配置为存储由处理器702可执行的指令和应用，还可以缓存待处理器702以及电子设备700中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(RaN1dom AccessMemory，RAM)实现。
对应地，本申请实施例提供一种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上述实施例中提供的定位方法中的步骤。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read ON1ly Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得电子设备(可以是手机、平板电脑、笔记本电脑、台式计算机、服务器、机器人、无人机等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (15)

1.一种定位方法，其特征在于，所述方法包括：
确定图像采集设备所采集的待处理图像中的特征点；
获取所述特征点的属性信息；
将所述特征点的属性信息与预先构建的点云地图中多个采样点的属性信息进行匹配，得出所述图像采集设备的位置信息；其中，所述采样点的属性信息中的世界坐标是样本图像中的采样点的世界坐标。
2.根据权利要求1所述的方法，其特征在于，所述将所述特征点的属性信息与预先构建的点云地图中多个采样点的属性信息进行匹配，得出所述图像采集设备的位置信息，包括：
将所述特征点的图像特征与所述多个采样点的图像特征进行匹配，得出第一目标采样点；
根据所述特征点的相机坐标和所述第一目标采样点的世界坐标，确定所述图像采集设备的位置信息。
3.根据权利要求2所述的方法，其特征在于，所述将所述特征点的图像特征与所述多个采样点的图像特征进行匹配，得出第一目标采样点，包括：
根据所述采样点的图像特征和所述特征点的图像特征，确定所述采样点与所述特征点之间的相似度；
将与所述特征点之间的相似度满足第一条件的采样点，确定为所述第一目标采样点。
4.根据权利要求2所述的方法，其特征在于，所述根据所述特征点的相机坐标和所述第一目标采样点的世界坐标，确定所述图像采集设备的位置信息，包括：
根据多个第一目标采样点的世界坐标和与所述多个第一目标采样点匹配的特征点的相机坐标，确定所述多个第一目标采样点的相机坐标；
根据所述多个第一目标采样点的世界坐标和所述多个第一目标采样点的相机坐标，确定相机坐标系相对于世界坐标系的第一旋转关系和第一平移关系；
根据所述第一平移关系和所述第一旋转关系，确定所述图像采集设备的世界坐标；根据所述第一旋转关系，确定所述图像采集设备在所述点云地图中的朝向。
5.根据权利要求1所述的方法，其特征在于，所述特征点的属性信息包括相机坐标；所述采样点的属性信息包括世界坐标；
所述将所述特征点的属性信息与预先构建的点云地图中多个采样点的属性信息进行匹配，得出所述图像采集设备的位置信息，包括：
根据迭代策略，将多个特征点的相机坐标与所述多个采样点的世界坐标进行匹配，得出相机坐标系相对于世界坐标系的目标旋转关系和目标平移关系；
根据所述目标旋转关系，确定所述图像采集设备在所述点云地图中的朝向；根据所述目标平移关系和所述目标旋转关系，确定所述图像采集设备的世界坐标。
6.根据权利要求5所述的方法，其特征在于，所述根据迭代策略，将多个特征点的相机坐标与所述多个采样点的世界坐标进行匹配，得出相机坐标系相对于世界坐标系的目标旋转关系和目标平移关系，包括：
从所述多个采样点中选取与所述特征点匹配的初始目标采样点；
根据所述多个特征点的相机坐标和与所述多个特征点匹配的初始目标采样点的世界坐标，确定所述相机坐标系相对于所述世界坐标系的第二旋转关系和第二平移关系；
根据所述第二旋转关系、所述第二平移关系和所述特征点的相机坐标，确定所述特征点的第一世界坐标；
根据所述多个特征点的第一世界坐标和与所述多个特征点匹配的初始目标采样点的世界坐标，确定所述多个特征点的匹配误差；
如果所述匹配误差大于第一阈值，重新选取初始目标采样点，并重新确定匹配误差，直至重新确定的匹配误差小于所述第一阈值为止；
将所述匹配误差小于或等于所述第一阈值时确定的第二旋转关系，确定为所述目标旋转关系；将所述匹配误差小于或等于所述第一阈值时确定的第二平移关系，确定为所述目标平移关系。
7.根据权利要求6所述的方法，其特征在于，所述从所述多个采样点中选取与所述特征点匹配的初始目标采样点，包括：
获取所述相机坐标系相对于所述世界坐标系的第三旋转关系和第三平移关系；
根据所述第三旋转关系、所述第三平移关系和所述特征点的相机坐标，确定所述特征点的第二世界坐标；
将所述特征点的第二世界坐标与所述多个采样点的世界坐标进行匹配，得出所述初始目标采样点。
8.根据权利要求6所述的方法，其特征在于，所述根据所述多个特征点的第一世界坐标和与所述多个特征点匹配的初始目标采样点的世界坐标，确定所述多个特征点的匹配误差，包括：
根据所述特征点的第一世界坐标和所述初始目标采样点的世界坐标，确定所述特征点与所述初始目标采样点之间的距离；
根据所述多个特征点与匹配的初始目标采样点之间的距离，确定所述匹配误差。
9.根据权利要求7所述的方法，其特征在于，所述如果所述匹配误差大于第一阈值，重新选取初始目标采样点，包括：
如果所述匹配误差大于第一阈值，将所述第二平移关系作为所述第三平移关系，将所述第二旋转关系作为所述第三旋转关系，重新选取初始目标采样点。
10.根据权利要求1至9任一项所述的方法，其特征在于，所述点云地图的构建过程包括：
获取多张样本图像；
对所述多张样本图像进行处理，得到第一采样点集合，所述第一采样点集合中至少包括所述多张样本图像中的采样点的世界坐标；
获取除所述多张样本图像外的其他样本图像；
根据所述第一采样点集合和获取的所述其他样本图像中采样点的属性信息，确定所述其他样本图像中的采样点的世界坐标，得到第二采样点集合；
根据所述第一采样点集合和所述第二采样点集合，构建所述点云地图。
11.根据权利要求10所述的方法，其特征在于，所述对所述多张样本图像进行处理，得到第一采样点集合，包括：
获取所述样本图像中采样点的图像特征和相机坐标；
根据所述多张样本图像中采样点的图像特征，从所述多张样本图像中挑选出满足第二条件的第一目标图像和第二目标图像；
确定所述第一目标图像与所述第二目标图像之间的第四旋转关系和第四平移关系；
根据所述第四旋转关系、所述第四平移关系和所述第一目标图像中的采样点的相机坐标，确定所述第一目标图像中的采样点的世界坐标；
根据每一所述第一目标样本图像中的采样点的世界坐标，确定所述第一采样点集合。
12.根据权利要求11所述的方法，其特征在于，所述根据所述多张样本图像中采样点的图像特征，从所述多张样本图像中挑选出满足第二条件的第一目标图像和第二目标图像，包括：
根据所述多张样本图像中采样点的图像特征，将所述多张样本图像进行两两匹配，得到每一对样本图像的第一匹配对集合；
剔除所述第一匹配对集合中不满足第三条件的采样点匹配对，得到第二匹配对集合；
从每一所述第二匹配对集合中挑选出匹配对数目满足所述第二条件的目标匹配对集合；
将所述目标匹配对集合对应的两张样本图像，确定为第一目标图像和第二目标图像。
13.一种定位装置，其特征在于，包括：
第一确定模块，配置为确定图像采集设备所采集的待处理图像中的特征点；
属性信息获取模块，配置为获取所述特征点的属性信息；
定位模块，配置为将所述特征点的属性信息与预先构建的点云地图中多个采样点的属性信息进行匹配，得出所述图像采集设备的位置信息。
14.一种电子设备，包括存储器和处理器，所述存储器存储有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权利要求1至12任一项所述定位方法中的步骤。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至12任一项所述定位方法中的步骤。
CN201910921484.6A 2019-09-27 2019-09-27 定位方法及装置、设备、存储介质 Active CN110705574B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910921484.6A CN110705574B (zh) 2019-09-27 2019-09-27 定位方法及装置、设备、存储介质
PCT/CN2020/116924 WO2021057742A1 (zh) 2019-09-27 2020-09-22 定位方法及装置、设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910921484.6A CN110705574B (zh) 2019-09-27 2019-09-27 定位方法及装置、设备、存储介质

Publications (2)

Publication Number Publication Date
CN110705574A true CN110705574A (zh) 2020-01-17
CN110705574B CN110705574B (zh) 2023-06-02

Family

ID=69197854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910921484.6A Active CN110705574B (zh) 2019-09-27 2019-09-27 定位方法及装置、设备、存储介质

Country Status (2)

Country Link
CN (1) CN110705574B (zh)
WO (1) WO2021057742A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652934A (zh) * 2020-05-12 2020-09-11 Oppo广东移动通信有限公司 定位方法及地图构建方法、装置、设备、存储介质
CN112543859A (zh) * 2020-10-28 2021-03-23 华为技术有限公司 定位方法、装置、电子设备和存储介质
WO2021057742A1 (zh) * 2019-09-27 2021-04-01 Oppo广东移动通信有限公司 定位方法及装置、设备、存储介质

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160317B (zh) * 2021-04-29 2024-04-16 福建汇川物联网技术科技股份有限公司 云台目标追踪控制方法、装置及云台控制设备、存储介质
CN113379663B (zh) * 2021-06-18 2022-04-12 特斯联科技集团有限公司 一种空间定位方法和装置
CN115248430B (zh) * 2021-09-23 2023-08-25 上海仙途智能科技有限公司 目标物体的定位方法、装置、终端及介质
CN114136316A (zh) * 2021-12-01 2022-03-04 珠海一微半导体股份有限公司 基于点云特征点的惯导误差消除方法、芯片及机器人
CN114155242B (zh) * 2022-02-08 2022-05-24 天津聚芯光禾科技有限公司 自动识别方法以及基于该自动识别方法的定位方法
CN114416764A (zh) * 2022-02-24 2022-04-29 上海商汤临港智能科技有限公司 地图更新方法、装置、设备及存储介质
CN114563687B (zh) * 2022-02-25 2024-01-23 苏州浪潮智能科技有限公司 Pcb板固定治具、自动定位方法、系统及存储介质
CN114913352B (zh) * 2022-05-05 2023-05-26 山东高速建设管理集团有限公司 基于联合相似度匹配的多源信息时空配准方法及系统
CN116026342B (zh) * 2023-03-29 2023-08-18 中国科学院西安光学精密机械研究所 一种基于集群弹性分散的空间目标位姿测量方法
CN116403380A (zh) * 2023-06-08 2023-07-07 北京中科慧眼科技有限公司 基于路侧双目相机的超限监控方法和装置
CN116974400B (zh) * 2023-09-14 2024-01-16 深圳市磐鼎科技有限公司 屏幕触显识别方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106940704A (zh) * 2016-11-25 2017-07-11 北京智能管家科技有限公司 一种基于栅格地图的定位方法及装置
CN110047142A (zh) * 2019-03-19 2019-07-23 中国科学院深圳先进技术研究院 无人机三维地图构建方法、装置、计算机设备及存储介质
WO2019169540A1 (zh) * 2018-03-06 2019-09-12 斯坦德机器人（深圳）有限公司 紧耦合视觉slam的方法、终端及计算机可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI496090B (zh) * 2012-09-05 2015-08-11 Ind Tech Res Inst 使用深度影像的物件定位方法與裝置
CN109146932B (zh) * 2018-07-17 2021-08-24 北京旷视科技有限公司 确定图像中目标点的世界坐标的方法、装置和系统
CN109461211B (zh) * 2018-11-12 2021-01-26 南京人工智能高等研究院有限公司 基于视觉点云的语义矢量地图构建方法、装置和电子设备
CN110705574B (zh) * 2019-09-27 2023-06-02 Oppo广东移动通信有限公司 定位方法及装置、设备、存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106940704A (zh) * 2016-11-25 2017-07-11 北京智能管家科技有限公司 一种基于栅格地图的定位方法及装置
WO2019169540A1 (zh) * 2018-03-06 2019-09-12 斯坦德机器人（深圳）有限公司 紧耦合视觉slam的方法、终端及计算机可读存储介质
CN110047142A (zh) * 2019-03-19 2019-07-23 中国科学院深圳先进技术研究院 无人机三维地图构建方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
程庆等: "基于单目视觉的目标定位算法研究", 《安徽工程大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021057742A1 (zh) * 2019-09-27 2021-04-01 Oppo广东移动通信有限公司 定位方法及装置、设备、存储介质
CN111652934A (zh) * 2020-05-12 2020-09-11 Oppo广东移动通信有限公司 定位方法及地图构建方法、装置、设备、存储介质
CN112543859A (zh) * 2020-10-28 2021-03-23 华为技术有限公司 定位方法、装置、电子设备和存储介质
CN112543859B (zh) * 2020-10-28 2022-07-15 华为技术有限公司 定位方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
WO2021057742A1 (zh) 2021-04-01
CN110705574B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN110705574B (zh) 定位方法及装置、设备、存储介质
CN110738143B (zh) 定位方法及装置、设备、存储介质
CN110728717B (zh) 定位方法及装置、设备、存储介质
CN110704563B (zh) 地图融合方法及装置、设备、存储介质
Walch et al. Image-based localization using lstms for structured feature correlation
EP2833322B1 (en) Stereo-motion method of three-dimensional (3-D) structure information extraction from a video for fusion with 3-D point cloud data
CN110675457B (zh) 定位方法及装置、设备、存储介质
CN110704562B (zh) 地图融合方法及装置、设备、存储介质
WO2017041731A1 (en) Markerless multi-user multi-object augmented reality on mobile devices
CN113436270B (zh) 传感器标定方法及装置、电子设备和存储介质
CN111144349B (zh) 一种室内视觉重定位方法及系统
CN111323024B (zh) 定位方法及装置、设备、存储介质
CN112269851A (zh) 地图数据更新方法、装置、存储介质与电子设备
JP7430243B2 (ja) 視覚的測位方法及び関連装置
CN112270709B (zh) 地图构建方法及装置、计算机可读存储介质和电子设备
CN112148742A (zh) 地图更新方法及装置、终端、存储介质
CN108801225B (zh) 一种无人机倾斜影像定位方法、系统、介质及设备
CN112150548A (zh) 定位方法及装置、终端、存储介质
Liang et al. Reduced-complexity data acquisition system for image-based localization in indoor environments
CN114981845A (zh) 图像扫描方法及装置、设备、存储介质
Remondino et al. Aerial triangulation with learning-based tie points
KR102249381B1 (ko) 3차원 영상 정보를 이용한 모바일 디바이스의 공간 정보 생성 시스템 및 방법
CN114419189A (zh) 地图构建方法及装置、电子设备、存储介质
KR20220169472A (ko) 센서 캘리브레이트 방법 및 장치, 전자 기기와 저장 매체
CN113421332A (zh) 一种三维重建方法、装置、电子设备及存储介质

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