CN111046856B - 基于动静态特征提取并行位姿跟踪与地图创建的方法 - Google Patents
基于动静态特征提取并行位姿跟踪与地图创建的方法 Download PDFInfo
- Publication number
- CN111046856B CN111046856B CN202010174432.XA CN202010174432A CN111046856B CN 111046856 B CN111046856 B CN 111046856B CN 202010174432 A CN202010174432 A CN 202010174432A CN 111046856 B CN111046856 B CN 111046856B
- Authority
- CN
- China
- Prior art keywords
- feature points
- point
- feature
- points
- matching
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000003068 static effect Effects 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000013519 translation Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 102200159389 rs58999456 Human genes 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 101000664407 Neisseria meningitidis serogroup B (strain MC58) Surface lipoprotein assembly modifier 2 Proteins 0.000 abstract description 15
- 238000002474 experimental method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于动静态特征提取并行位姿跟踪与地图创建的方法,通过将特征点分为潜在动态特征和非潜在动态特征,筛选出非潜在动态特征点计算出运动模型,场景中的静态特征点进行位姿跟踪,利用非潜在动态特征中的静态特征点进行建图。基于动静态特征提取并行位姿跟踪与地图创建的方法,在KITTI和TUM数据集上和经典ORB_SLAM2进行对比,提高了跟踪轨迹精度,在保障地图精度的同时,改善了地图的适用性,通过将特征点进行分类并行处理,提高效率,减少动态特征点给位姿跟踪和建图造成的误差。
Description
技术领域
本发明涉及视觉分析系统技术领域,具体为基于动静态特征提取并行位姿跟踪与地图创建的方法。
背景技术
同时定位和地图构建(Simultaneous localization and mapping, SLAM)问题在机器人和计算机视觉领域有着悠久的历史。过去已经探索了不同的传感器模式,包括2D激光扫描仪、3D扫描仪、单目相机、双目相机和RGB-D传感器。现有的SLAM方法,从所处理的输入数据类型的角度,可分为基于深度相机的方法和基于单目相机的方法。从采用方法的角度来看,也可以分为依靠特征点进行匹配并构建稀疏地图的特征点法和最小化光度误差并构建稠密地图的直接法。
本发明选用基于ORB(Oriented Brief)特征点的SLAM方法,ORB特征点可以在CPU上实时计算;相比Harris角点简单角点特征又具有良好的旋转和缩放不变性。并且,ORB定义的描述子,在运动范围较大时也可以实现良好的回环检测和重定位效果。对于如何消除场景中移动目标和潜在移动目标的影响,引入基于深度学习的对象检测算法来检测场景中的移动目标和潜在移动目标。基于非潜在动态目标的运动模型对特征点全集进行筛选,利用其中的静态特征点进行位姿跟踪,利用静态特征点中的非潜在动态特征点进行地图构建。
发明内容
针对现有技术的不足,本发明提供了基于动静态特征提取并行位姿跟踪与地图创建的方法,通过将基于深度学习的目标检测算法引入到经典ORB_SLAM2方法中,将特征点分潜在动态特征和非潜在动态特征,基于非潜在动态特征点计算出运动模型,筛选出场景中的静态特征点进行位姿跟踪,利用非潜在动态特征中的静态特征点进行建图,在KITTI和TUM数据集上和ORB_SLAM2进行对比,提高了跟踪轨迹精度,在保障地图精度的同时,改善了地图的适用性。
为实现以上目的,本发明通过以下技术方案予以实现:基于动静态特征提取并行位姿跟踪与地图创建的方法,具体包括以下步骤:
S1、首先将特征点集合分为潜在动态特征点和非潜在动态特征点,具体是由残差块构成的全卷积网络网络作为网络主体,在不同尺度上进行特征提取,获得最后目标检测结果,定义检测框集合为,其中分别代表不同目标的检测框,代表有限集合,随着场景不同,检测框数量也不同,单个检测框定义为,其中为检测框左上角在帧中的坐标,为检测框的宽和高,对特征点集合中的每个特征点判断:
,其中为在检测框内横坐标为,纵坐标为的特征点,经过目标检测算法处理后,特征点全集被分为潜在动态特征点集合和非潜在动态特征点集合,根据集合计算出运动模型,进行位姿跟踪,利用集合进行地图创建,并行处理两种行为;
1. 提取ORB特征
ORB特征点由两部分组成:关键点和描述符,提取ORB特征主要分为两个步骤:(1)FAST特征点提取:找到图像中的角点,计算特征点的主方向,并为后续的简要描述符添加旋转不变特征;(2)BRIEF描述子:描述上一步提取的特征点周围的图像区域;一个像素与其周围像素显著不同,太亮或太暗,是角点;ORB添加了尺度和旋转的描述,对于任意一对特征点来说,定义的邻域像素的矩为:
为了提高方法的旋转不变性,需要确保x和y在半径为r的圆形区域内,即,r等于邻域半径,在提取有向FAST特征点后,计算每个点的描述符;ORB选择了BRIEF作为特征描述方法,该算法采用随机选取点的方法,选择特征点周围J*J大小的像素块,J为像素块的长度,随机选取n对像素点,定义:
2.特征点匹配
在提取特征点后和参考帧中特征点进行粗匹配,由前面的定义可知,中的特征点都是非潜在动态特征点,是静态特征点,或者运动范围非常小的特征点,采用改进的算法,获得能够符合场景中静态特征点的最优运动模型,具体操作分为如下4步:
1)首先根据特征点的描述子对中特征点进行粗匹配,比较特征点描述向量之间的Hamming距离,距离越小表明两个特征点之间相似度越高,若Hamming距离小于阈值,则表示两个特征点匹配成功,记匹配点对集合为,为异或符号:
3) 顺序取完匹配点对中的所有点对并更新值后,根据各个点对的值进行重新排序,重复执行2)中操作,直到在某次操作后对匹配点对重排序时,并未改变匹配点对的顺序,根据分别计算其相对的运动模型,其中,为模型对应的旋转四元数和平移距离,定义为误差损失函数:
根据对极约束:
其中为异或符号,d为设置的距离阈值,随机选取n对像素点, 为当前帧中的第i对特征点的ORB描述子,为参考帧中的第i对匹配特征点的ORB描述子,比较特征点描述向量之间的Hamming距离,距离越小表明两个特征点之间相似度越高,若Hamming距离小于阈值,则表示两个特征点匹配成功,为定义的Hamming距离阈值;
T2、对集合S中的特征点进行跟踪。
优选的,所述步骤S3中对于建图模块的操作具体包括以下步骤:
E2、插入该关键帧到地图中即可完成建图。
有益效果
本发明提供了基于动静态特征提取并行位姿跟踪与地图创建的方法。与现有技术相比具备以下有益效果:通过将基于深度学习的目标检测算法引入基于特征分类的SLAM方法中,将特征点分为潜在动态特征和非潜在动态特征,基于非潜在动态特征点计算出运动模型,筛选出场景中的静态特征点进行位姿跟踪,利用非潜在动态特征中的静态特征点进行建图,在KITTI和TUM数据集上和ORB_SLAM2进行对比,提高了跟踪轨迹精度,在保障地图精度的同时,改善了地图的适用性,通过将特征点进行分类处理,减少动态特征点给位姿跟踪和建图造成的误差,与ORB_SLAM2相比,系统的性能有了明显的提高,并且系统的运行速度可以满足实时性的要求,在TUM动态对象数据集中,该系统相对于ORB_SLAM2系统具有明显的性能提升,在KITTI数据集中,对于那些动态对象较多的场景,该系统比单目和双目SLAM系统更为精确。
附图说明
图1为本发明的原理框架图;
图2为本发明特征匹配一致性检测算法流程图;
图3为本发明位姿跟踪特征点筛选示意图;
图4为本发明应用实验在KITTI数据集中采用ORB_SLAM2实验的轨迹误差示意图;
图5为本发明应用实验在KITTI数据集中采用本发明方法实验的轨迹误差示意图;
图6为本发明应用实验在TUM数据集上采用ORB_SLAM2(walking_halfsphere)实验的轨迹误差示意图;
图7为本发明应用实验在TUM数据集上采用ORB_SLAM2(walking_xyz)实验的轨迹误差示意图;
图8为本发明应用实验在TUM数据集上采用本发明方法(walking_halfsphere)实验的轨迹误差示意图;
图9为本发明应用实验在TUM数据集上采用本发明方法(walking_xyz)实验的轨迹误差示意图;
图10中列出了本发明和ORB_SLAM2在绝对路径误差(ATE)方面的结果对比;
图11和图12分别中列出了相对位姿误差(RPE)在平移和旋转方面的结果提升,其中improvement定义为:
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-12,本发明实施例提供一种技术方案:基于动静态特征提取并行位姿跟踪与地图创建的方法,具体包括以下步骤:
S1、首先将特征点集合分为潜在动态特征点和非潜在动态特征点,具体是由残差块构成的全卷积网络网络作为网络主体,在不同尺度上进行特征提取,获得最后目标检测结果,定义检测框集合为,其中分别代表不同目标的检测框,代表有限集合,随着场景不同,检测框数量也不同,单个检测框定义为,其中为检测框左上角在帧中的坐标,为检测框的宽和高,对特征点集合中的每个特征点判断:
,其中为在检测框内横坐标为,纵坐标为的特征点,经过目标检测算法处理后,特征点全集被分为潜在动态特征点集合和非潜在动态特征点集合,根据集合计算出运动模型,进行位姿跟踪,利用集合进行地图创建,并行处理两种行为;
1)首先根据特征点的描述子对中特征点进行粗匹配,比较特征点描述向量之间的Hamming距离,距离越小表明两个特征点之间相似度越高,若Hamming距离小于阈值,则表示两个特征点匹配成功,记匹配点对集合为,为异或符号:
3) 顺序取完匹配点对中的所有点对并更新值后,根据各个点对的值进行重新排序,重复执行2)中操作,直到在某次操作后对匹配点对重排序时,并未改变匹配点对的顺序,根据分别计算其相对的运动模型,其中,为模型对应的旋转四元数和平移距离,定义为误差损失函数:
根据对极约束:
其中为异或符号,d为设置的距离阈值,随机选取n对像素点, 为当前帧中的第i对特征点的ORB描述子,为参考帧中的第i对匹配特征点的ORB描述子,比较特征点描述向量之间的Hamming距离,距离越小表明两个特征点之间相似度越高,若Hamming距离小于阈值,则表示两个特征点匹配成功,为定义的Hamming距离阈值;
T2、对集合S中的特征点进行跟踪。
步骤S3中对于建图模块的操作具体包括以下步骤:
E2、插入该关键帧到地图中即可完成建图。
如图1所示,本发明在基于动静态特征提取并行位姿跟踪与地图创建的方法中增加了基于深度学习的目标检测方法,将输入图像中提取出的特征点分为两类,一类是潜在动态特征点,这一类特征点具有可移动性,在场景中并不是长时间固定存在的(如车、人等目标上提取的特征点),在重定位和闭环检测时可能会导致场景匹配失败;另一类是非潜在动态特征点,这一类特征点在场景中往往不能移动或者在足够长的时间内不会移动(如建筑物、树木等目标上提取的特征点)。
ORB特征点由两部分组成:关键点和描述符,提取ORB特征主要分为两个步骤:(1)FAST特征点提取:找到图像中的角点,计算特征点的主方向,并为后续的简要描述符添加旋转不变特征;(2)BRIEF描述子:描述上一步提取的特征点周围的图像区域;一个像素与其周围像素显著不同,太亮或太暗,是角点;ORB添加了尺度和旋转的描述,对于任意一对特征点来说,定义的邻域像素的矩为:
为了提高方法的旋转不变性,需要确保x和y在半径为r的圆形区域内,即,r等于邻域半径,在提取有向FAST特征点后,计算每个点的描述符;ORB选择了BRIEF作为特征描述方法,该算法采用随机选取点的方法,选择特征点周围J*J大小的像素块,J为像素块的长度,随机选取n对像素点,定义:
本发明使用TUM RGB-D和KITTI数据集对系统进行了评估,将系统与原始ORB_SLAM2进行了比较,将重点放在具有更多动态和静态对象的序列的结果上,系统在环境中的性能是评价的重要组成部分。
在KITTI数据集中,一些移动的车辆和行人对跟踪和定位精度有影响,该系统将环境中的车辆和行人作为动态对象进行检测和处理,由于数据集中动态对象较少,跟踪模块性能提升不明显,但是可以有效减小没有闭环情况下的累积误差,从图4-5可以看出,在没有闭环的情况下,因为在地图中滤除了所有具有移动性的物体,本方法的轨迹误差明显较小。
在TUM数据集上,这个系统的性能明显优于ORB_SLAM2,如图6-9所示,ORB_SLAM2在序列walking_xyz和walking_halfsphere上的系统的轨迹跟踪误差较高,由于该方法主要针对场景中的动态和静态对象,因此,列出了在TUM数据集中动态目标较多的数据集上的运行效果,图10中列出了本发明和ORB_SLAM2在绝对路径误差(ATE)方面的结果对比,图11和图12分别中列出了相对位姿误差(RPE)在平移和旋转方面的结果提升,其中improvement定义为:
需要说明的是,在本发明中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.基于动静态特征提取并行位姿跟踪与地图创建的方法,其特征在于:具体包括以下步骤:
S1、首先将特征点集合分为潜在动态特征点和非潜在动态特征点,具体是由残差块构成的全卷积网络网络作为网络主体,在不同尺度上进行特征提取,获得最后目标检测结果,定义检测框集合为 ,其中分别代表不同目标的检测框,代表有限集合,随着场景不同,检测框数量也不同,单个检测框定义为,其中为检测框左上角在帧中的坐标,为检测框的宽和高,对特征点集合中的每个特征点判断:
,其中为在检测框内横坐标为 ,纵坐标为的特征点,经过目标检测算法处理后,特征点全集被分为潜在动态特征点集合和非潜在动态特征点集合,根据集合计算出运动模型,进行位姿跟踪,利用集合进行地图创建,并行处理两种行为;
a.提取ORB特征
ORB特征点由两部分组成:关键点和描述符,提取ORB特征主要分为两个步骤:(1) FAST特征点提取:找到图像中的角点,计算特征点的主方向,并为后续的简要描述符添加旋转不变特征;(2)BRIEF描述子:描述上一步提取的特征点周围的图像区域;一个像素与其周围像素显著不同,太亮或太暗,是角点;ORB添加了尺度和旋转的描述,对于任意一对特征点来说,定义的邻域像素的矩为:
为了提高方法的旋转不变性,需要确保x和y在半径为r的圆形区域内,即,r等于邻域半径,在提取有向FAST特征点后,计算每个点的描述符;ORB选择了BRIEF作为特征描述方法,该算法采用随机选取点的方法,选择特征点周围J*J大小的像素块,J为像素块的长度,随机选取n对像素点,定义:
b.特征点匹配
在提取特征点后和参考帧中特征点进行粗匹配,由前面的定义可知,中的特征点都是非潜在动态特征点,是静态特征点,或者运动范围非常小的特征点,采用改进的算法,获得能够符合场景中静态特征点的最优运动模型,具体操作分为如下4步:
1)首先根据特征点的描述子对中特征点进行粗匹配,比较特征点描述向量之间的Hamming距离,距离越小表明两个特征点之间相似度越高,若Hamming距离小于阈值,则表示两个特征点匹配成功,记匹配点对集合为,为异或符号:
2) 对匹配点对集合进行顺序抽样,并标记每对点对为内点的概率,通过验证假设模型来更新其值,假设对于当前抽取的样本集的假设模型为,当前前三个最优模型为 ,对应样本集为和,若,则第i对特征点的更新概率为:
3) 顺序取完匹配点对中的所有点对并更新值后,根据各个点对的值进行重新排序,重复执行2)中操作,直到在某次操作后对匹配点对重排序时,并未改变匹配点对的顺序,根据分别计算其相对的运动模型,其中,为模型对应的旋转四元数和平移距离,定义为误差损失函数:
根据对极约束:
其中为异或符号,d为设置的距离阈值,随机选取n对像素点, 为当前帧中的第i对特征点的ORB描述子,为参考帧中的第i对匹配特征点的ORB描述子,比较特征点描述向量之间的Hamming距离,距离越小表明两个特征点之间相似度越高,若Hamming距离小于阈值,则表示两个特征点匹配成功,为定义的Hamming距离阈值;
T2、对集合S中的特征点进行跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010174432.XA CN111046856B (zh) | 2020-03-13 | 2020-03-13 | 基于动静态特征提取并行位姿跟踪与地图创建的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010174432.XA CN111046856B (zh) | 2020-03-13 | 2020-03-13 | 基于动静态特征提取并行位姿跟踪与地图创建的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046856A CN111046856A (zh) | 2020-04-21 |
CN111046856B true CN111046856B (zh) | 2020-08-14 |
Family
ID=70231112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010174432.XA Expired - Fee Related CN111046856B (zh) | 2020-03-13 | 2020-03-13 | 基于动静态特征提取并行位姿跟踪与地图创建的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046856B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914832B (zh) * | 2020-06-03 | 2023-06-13 | 华南理工大学 | 一种rgb-d相机在动态场景下的slam方法 |
CN111832618B (zh) * | 2020-06-08 | 2024-03-22 | 江西日月明测控科技股份有限公司 | 轨道动、静态检查数据的匹配方法 |
CN111950561A (zh) * | 2020-08-25 | 2020-11-17 | 桂林电子科技大学 | 一种基于语义分割的剔除语义slam动态点的方法 |
CN113095169B (zh) * | 2021-03-26 | 2022-03-29 | 生态环境部卫星环境应用中心 | 大空间范围储油罐提取方法 |
CN113382365B (zh) * | 2021-05-21 | 2022-06-10 | 北京索为云网科技有限公司 | 移动终端的位姿跟踪方法及设备 |
CN113920194B (zh) * | 2021-10-08 | 2023-04-21 | 电子科技大学 | 基于视觉惯性融合的四旋翼飞行器定位方法 |
CN113643330B (zh) * | 2021-10-19 | 2022-03-25 | 青岛根尖智能科技有限公司 | 一种基于动态语义特征的目标跟踪方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109387204A (zh) * | 2018-09-26 | 2019-02-26 | 东北大学 | 面向室内动态环境的移动机器人同步定位与构图方法 |
US10586397B1 (en) * | 2018-08-24 | 2020-03-10 | VIRNECT inc. | Augmented reality service software as a service based augmented reality operating system |
-
2020
- 2020-03-13 CN CN202010174432.XA patent/CN111046856B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10586397B1 (en) * | 2018-08-24 | 2020-03-10 | VIRNECT inc. | Augmented reality service software as a service based augmented reality operating system |
CN109387204A (zh) * | 2018-09-26 | 2019-02-26 | 东北大学 | 面向室内动态环境的移动机器人同步定位与构图方法 |
Non-Patent Citations (2)
Title |
---|
基于特征点法和直接法VSLAM的研究现状;邹雄等;《计算机应用研究》;20190312;第37卷(第05期);全文 * |
基于语义信息和边缘一致性的鲁棒SLAM算法;姚二亮等;《机器人》;20191130;第41卷(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111046856A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046856B (zh) | 基于动静态特征提取并行位姿跟踪与地图创建的方法 | |
CN111340797B (zh) | 一种激光雷达与双目相机数据融合检测方法及系统 | |
Lee et al. | Simultaneous traffic sign detection and boundary estimation using convolutional neural network | |
CN108470332B (zh) | 一种多目标跟踪方法及装置 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN103325112B (zh) | 动态场景中运动目标快速检测方法 | |
CN111563442A (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
Huang et al. | A fast point cloud ground segmentation approach based on coarse-to-fine Markov random field | |
CN111311666A (zh) | 一种融合边缘特征和深度学习的单目视觉里程计方法 | |
CN115995063A (zh) | 作业车辆检测与跟踪方法和系统 | |
Berrio et al. | Camera-LIDAR integration: Probabilistic sensor fusion for semantic mapping | |
CN104615986B (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
CN111027481B (zh) | 基于人体关键点检测的行为分析方法及装置 | |
CN112200143A (zh) | 一种基于候选区域网络和机器视觉的道路病害检测方法 | |
Ye et al. | A two-stage real-time YOLOv2-based road marking detector with lightweight spatial transformation-invariant classification | |
CN112766136B (zh) | 一种基于深度学习的空间车位检测方法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN108648211A (zh) | 一种基于深度学习的小目标检测方法、装置、设备和介质 | |
CN108764338B (zh) | 一种应用于视频分析的行人跟踪方法 | |
CN112101160B (zh) | 一种面向自动驾驶场景的双目语义slam方法 | |
CN106530407A (zh) | 一种用于虚拟现实的三维全景拼接方法、装置和系统 | |
Liu et al. | Multi-type road marking recognition using adaboost detection and extreme learning machine classification | |
CN112364881B (zh) | 一种进阶采样一致性图像匹配方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221031 Address after: No. 186, Yangzijiang Middle Road, Yangzhou Economic and Technological Development Zone, Jiangsu Province 225001 Patentee after: Yangzhou Mingchen Information Technology Co.,Ltd. Address before: 211171 Nanjing Xiaozhuang College, 3601 Hongjing Avenue, Jiangning District, Nanjing, Jiangsu Province Patentee before: NANJING XIAOZHUANG University |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200814 |