CN111238450A - 视觉定位方法及装置 - Google Patents
视觉定位方法及装置 Download PDFInfo
- Publication number
- CN111238450A CN111238450A CN202010124712.XA CN202010124712A CN111238450A CN 111238450 A CN111238450 A CN 111238450A CN 202010124712 A CN202010124712 A CN 202010124712A CN 111238450 A CN111238450 A CN 111238450A
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- visual positioning
- information corresponding
- key
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000009466 transformation Effects 0.000 claims abstract description 75
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 230000004807 localization Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
-
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1656—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with passive imaging devices, e.g. cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0293—Convoy travelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Aviation & Aerospace Engineering (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本说明书公开了视觉定位方法及装置,可获取图像传感器采集的视频,并确定视频中各帧图像对应的视觉定位信息以及各帧图像对应的图像传感器的采集位姿变换关系,以各帧图像对应的采集位姿变换关系为边约束,对各帧图像对应的视觉定位信息进行优化处理,根据图像化处理的结果,可确定图像传感器采集视频时的视觉定位结果。相对于现有技术,本说明书视频中各帧图像对应的视觉定位信息满足各帧图像对应的采集位姿变换关系,根据图优化结果确定的图像传感器的视觉定位结果更加精确,同时,本说明书解决了在相同位置采集的若干帧图像对应的视觉定位结果差异较大的问题,避免相同位置处的定位结果不稳定的情况。
Description
技术领域
本申请涉及视觉定位技术领域,尤其涉及视觉定位方法及装置。
背景技术
目前,随着技术的不断发展,基于机器视觉的视觉定位技术越来越广泛应用于无人驾驶、智能穿戴等领域。
以无人驾驶领域为例,无人设备在定位丢失时,可使用视觉定位技术进行定位。目前常用的视觉定位方法均为根据单帧图像确定的视觉定位结果,可包括基于单帧图像进行定位的方法、基于深度学习模型进行定位的方法等。
由于根据单帧图像确定的视觉定位结果不够精确,并且,在相同位置采集的两帧图像对应的视觉定位结果可能差异较大,导致无人设备的定位结果出现不稳定的情况。因此,如何提高视觉定位结果的精确度成为一个亟需解决的问题。
发明内容
本说明书实施例提供一种视觉定位的方法及装置,以部分解决现有技术存在的上述问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种视觉定位的方法,所述方法包括:
获取图像传感器采集的视频;
根据预存的高精地图,确定所述视频中的每一帧图像对应的视觉定位信息;
根据所述图像传感器采集所述视频的过程中记录的惯导信息,确定各帧图像间的采集位姿变换关系;
根据所述各帧图像间的采集位姿变换关系以及所述每一帧图像对应的视觉定位信息,以所述各帧图像间的采集位姿变换关系为边约束,对所述每一帧图像对应的视觉定位信息进行图优化处理;
根据图优化处理的结果,确定所述图像传感器采集所述视频时的视觉定位结果。
可选地,确定所述视频中的每一帧图像对应的视觉定位信息,具体包括:
确定所述视频中每一帧图像的内容信息;
根据确定的所述视频中每一帧图像的内容信息,在所述视频中,选择符合指定条件的至少三帧关键图像;
根据选择的至少三帧关键图像,确定每一帧关键图像对应的视觉定位信息。
可选地,根据确定的所述视频中每一帧图像的内容信息,在所述视频中,选择符合指定条件的至少三帧关键图像,具体包括:
根据确定的所述视频中每一帧图像的内容信息,确定每两帧图像之间的内容重复度、每一帧图像的内容丰富度、每一帧图像的图像质量中的至少一种;
根据确定的每两帧图像之间的内容重复度、每一帧图像的内容丰富度、每一帧图像的图像质量中的至少一种,在所述视频中,选择符合指定条件的至少三帧关键图像。
可选地,选择符合指定条件的至少三帧关键图像,具体包括:
针对所述视频中的每一帧图像,若该帧图像与其他帧图像之间的内容重复度小于预设的内容重复度阈值,和/或,该帧图像的内容丰富度大于预设的内容丰富度阈值,和/或,该帧图像的图像质量大于预设的图像质量阈值,则选择该帧图像作为关键图像。
可选地,
根据所述各帧图像间的采集位姿变换关系以及所述每一帧图像对应的视觉定位信息,以所述各帧图像间的采集位姿变换关系为边约束,对所述每一帧图像对应的视觉定位信息进行图优化处理,具体包括:
根据各帧关键图像间的采集位姿变换关系以及所述每一帧关键图像对应的视觉定位信息,在所述高精地图中,确定所述图像传感器所在的局部位置区域;
在所述局部位置区域内,重新确定所述每一帧关键图像对应的视觉定位信息作为待定视觉定位信息;
以所述各帧关键图像间的采集位姿变换关系为边约束,对所述每一帧关键图像对应的待定视觉定位信息进行图优化处理。
可选地,根据各帧关键图像间的采集位姿变换关系以及所述每一帧关键图像对应的视觉定位信息,在所述高精地图中,确定所述图像传感器所在的局部位置区域,具体包括:
在关键图像中选择一帧关键图像作为参考图像,针对其他各帧关键图像,根据该帧关键图像与所述参考图像的采集位姿变换关系,将该帧关键图像对应的视觉定位信息进行坐标变换;
将所述参考图像对应的视觉定位信息以及其他各帧关键图像对应的坐标变换后的视觉定位信息进行聚类;
根据聚类结果,在各帧关键图像中选择至少两帧指定关键图像;
根据选择的至少两帧指定关键图像对应的视觉定位信息,在所述高精地图中,确定所述图像传感器所在的局部位置区域。
可选地,以所述各帧关键图像间的采集位姿变换关系为边约束,对所述每一帧关键图像对应的待定视觉定位信息进行图优化处理,具体包括:
根据所述各帧关键图像间的采集位姿变换关系以及所述每一帧关键图像对应的待定视觉定位信息,确定定位误差;
以所述定位误差最小化为优化目标,对所述每一帧关键图像对应的待定视觉定位信息进行优化。
本说明书提供一种视觉定位的装置,所述装置包括:
获取模块,用于获取图像传感器采集的视频;
第一确定模块,用于根据预存的高精地图,确定所述视频中的每一帧图像对应的视觉定位信息;
第二确定模块,用于根据所述图像传感器采集所述视频的过程中记录的惯导信息,确定各帧图像间的采集位姿变换关系;
图优化模块,用于根据所述各帧图像间的采集位姿变换关系以及所述每一帧图像对应的视觉定位信息,以所述各帧图像间的采集位姿变换关系为边约束,对所述每一帧图像对应的视觉定位信息进行图优化处理;
第三确定模块,用于根据图优化处理的结果,确定所述图像传感器采集所述视频时的视觉定位结果。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述视觉定位方法。
本说明书提供的一种无人驾驶设备,包括存储器、处理器及存储在存储器上并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视觉定位方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书可获取图像传感器采集的视频,并确定视频中各帧图像对应的视觉定位信息以及各帧图像对应的图像传感器的采集位姿变换关系,以各帧图像对应的采集位姿变换关系为边约束,对各帧图像对应的视觉定位信息进行优化处理,根据图像化处理的结果,可确定图像传感器采集视频时的视觉定位结果。相对于现有技术中使用单帧图像对应的视觉定位信息作为图像传感器的视觉定位结果,本说明书视频中各帧图像对应的视觉定位信息满足各帧图像对应的采集位姿变换关系,根据图优化结果确定的图像传感器的视觉定位结果更加精确,同时,本说明书解决了在相同位置采集的若干帧图像对应的视觉定位结果差异较大的问题,避免相同位置处的定位结果不稳定的情况。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例提供的一种视觉定位的方法流程图;
图2为本说明书实施例提供的确定图像传感器所在的局部位置区域示意图;
图3为本说明书实施例提供的关键图像对应的待定视觉定位信息图优化示意图;
图4为本说明书实施例提供的一种视觉定位的装置的结构示意图;
图5为本说明书实施例提供的对应于图1的无人驾驶设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本申请保护的范围。
本说明书提供的视觉定位方法可应用于无人设备,当无人设备在室内启动并进行初始化时,或者,当放置在无人设备上的诸如全球定位系统(Global Positioning System,GPS)等定位模块出现定位丢失时,可使用本说明书提供的视觉定位方法确定安装在无人设备上的图像传感器的视觉定位结果(也即,确定无人设备的视觉定位结果)。另外,使用视觉定位方法确定的无人设备的定位结果也可对诸如GPS等定位模块的定位信息进行辅助校验。
本说明书提供的视觉定位方法还可应用于诸如智能手机、平板电脑等智能设备,由于智能设备上安装的诸如GPS等定位模块的精度较低,当用户使用智能设备进行定位时,尤其在室内时,无法使用智能设备上的定位模块获得精确的定位结果,可使用视觉定位方法根据视频以及惯导信息确定智能设备的视觉定位结果。
本说明书提供的视觉定位方法也可应用于安装有图像传感器但未安装有诸如GPS等定位模块的可穿戴设备,例如,带有相机的运动头盔。当用户持可穿戴设备进行定位时,可使用视觉定位方法确定安装在可穿戴设备上的图像传感器的视觉定位结果。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种视觉定位的方法流程图,具体可包括以下步骤:
S100:获取图像传感器采集的视频。
本说明书提供的视觉定位方法可首先获取图像传感器采集的视频。当无人设备使用视觉定位方法进行定位时,可在无人设备行进过程中自动通过图像传感器采集一段时间内的视频,也可在无人设备静止状态下自动旋转图像传感器并采集视频。当用户使用智能设备或者可穿戴设备进行定位时,可通过人机交互的方式,在智能设备或可穿戴设备安装的软件中启动定位按钮,将智能设备或可穿戴设备旋转一周,使用安装在智能设备或可穿戴设备上的图像传感器采集视频。
另外,本说明书在使用图像传感器采集视频时,还可同时记录惯性测量单元(Inertial measurement unit,IMU)测量的惯导信息。其中,惯导信息可包括旋转角度、位移等信息。
S102:根据预存的高精地图,确定所述视频中的每一帧图像对应的视觉定位信息。
在获取图像传感器采集的视频之后,可根据预存的高精地图,确定获取的视频中每一帧图像对应的视觉定位信息,由于图像传感器在采集视频时,视频中各帧图像的内容存在重叠区域、图像质量等级高低不同等原因,可在组成视频的各帧图像中,选择若干帧关键图像,并确定每一帧关键图像对应的视觉定位信息。
首先,可确定视频中每一帧图像的内容信息。然后,根据确定的视频中每一帧图像的内容信息,在视频中,选择符合指定条件的至少三帧关键图像。最后,根据选择的至少三帧关键图像,确定每一帧关键图像对应的视觉定位信息。
具体的,可根据确定的视频中每一帧图像的内容信息,确定每两帧图像之间的内容重复度、每一帧图像的内容丰富度、每一帧图像的图像质量中的至少一种。
针对视频中的每一帧图像,将该帧图像与其他帧图像进行匹配,根据匹配结果,可确定该帧图像与其他帧图像的图像内容重叠区域,并根据图像内容重叠区域,确定该帧图像与其他帧图像的内容重复度。所述内容重复度表征两帧图像的图像内容重复区域在图像内容中的占比,其中,图像内容重复区域越大,图像内容重复区域在该帧图像中的占比越大,则该帧图像与其他帧图像的内容重复度越大,反之,则该帧图像与其他帧图像的内容重复度越小。
另外,也可确定该帧图像的梯度、纹理、特征点数量中的至少一种,并根据该帧图像的梯度、纹理、特征点数量中的至少一种,确定该帧图像的内容丰富度。所述内容丰富度表征图像中梯度、纹理的变化以及特征点的数量。其中,该帧图像中的梯度、纹理变化越明显,和/或,该帧图像中的特征点数量越多,则该帧图像的内容丰富度越大,若该帧图像中的梯度、纹理变化越不明显,特征点的数量越少,则该帧图像的内容丰富度越小。例如,第一帧图像的内容为一面纯白的墙壁,第二帧图像的内容为一幅山水画,则第二帧图像的内容丰富度比第一帧图像的内容丰富度大。
此外,还可确定该帧图像的亮度、锐度中的至少一种,并根据该帧图像的梯度、亮度、锐度中的至少一种,确定该帧图像的图像质量。所述图像质量表征图像的内容与实际环境的差异。图像的梯度越明显、锐度越大,图像质量越高,图像的亮度过明或过暗,图像的质量越低。也即,图像的内容与实际环境的差异越大,图像质量越低,反之,图像的内容与实际环境的差异越小,图像质量越高。
根据确定的每两帧图像之间的内容重复度、每一帧图像的内容丰富度、每一帧图像的图像质量中的至少一种,在视频中,选择符合指定条件的至少三帧关键图像。针对视频中的每一帧图像,若该帧图像与其他帧图像之间的内容重复度小于预设的内容重复度阈值,和/或,该帧图像的内容丰富度大于预设的内容丰富度阈值,和/或,该帧图像的图像质量大于预设的图像质量阈值,则选择该帧图像作为关键图像。
在确定每一帧关键图像对应的视觉定位信息时,可使用现有技术中基于模型的单帧图像视觉定位方法或者基于特征点的单帧视觉定位方法,根据预存的高精地图,确定每一帧关键图像对应的视觉定位信息,其中,高精地图是预先根据图像、点云等生成的。由于现有技术中确定单帧图像对应的视觉定位信息的方法较为成熟,因此,本说明书中涉及确定单帧关键图像对应的视觉定位信息的过程不再详细赘述。
S104:根据所述图像传感器采集所述视频的过程中记录的惯导信息,确定各帧图像间的采集位姿变换关系。
本说明书在使用图像传感器采集视频的过程中,还可通过IMU采集惯导信息,确定图像传感器采集视频过程中的采集位姿变换关系。所述采集位姿变换关系表征所述图像传感器采集所述视频中的一帧图像的采集位姿与采集所述视频中的其他帧图像的采集位姿的变换关系。因此,IMU采集到的惯导信息可以认为是图像传感器的惯导信息。
具体的,可确定图像传感器采集视频中的一帧图像到另一帧图像之间,IMU采集到的惯导信息,根据图像传感器采集的两帧图像以及IMU采集的惯导信息,确定图像传感器从采集一帧图像到采集另一帧图像的运动轨迹,并根据确定的运动轨迹,确定图像传感器从采集一帧图像到采集另一帧图像的采集位姿变换关系。
S106:根据所述各帧图像间的采集位姿变换关系以及所述每一帧图像对应的视觉定位信息,以所述各帧图像间的采集位姿变换关系为边约束,对所述每一帧图像对应的视觉定位信息进行图优化处理。
在确定视频中各帧图像间的采集位姿变换关系之后,可以各帧图像间的采集位姿变换关系为边约束,对视频中每一帧图像对应的视觉定位信息进行图优化处理,由于在步骤S102中,在视频中筛选了若干帧关键图像,因此,可以各帧关键图像间的采集位姿变换关系为边约束,对每一帧关键图像对应的视觉定位信息进行图优化处理。
首先,根据各帧关键图像间的采集位姿变换关系以及每一帧关键图像对应的视觉定位信息,在所述高精地图中,确定图像传感器所在的局部位置区域。
具体的,在关键图像中选择一帧关键图像作为参考图像,针对其他各帧关键图像,根据该帧关键图像与参考图像的采集位姿变换关系,将该帧关键图像对应的视觉定位信息进行坐标变换。所述坐标变换表征根据该帧关键图像与参考图像的采集位姿变换关系,将该帧关键图像对应的视觉定位信息推算为所述参考图像的视觉定位信息。也即,根据该帧关键图像对应的视觉定位信息以及该帧关键图像与参考图像的采集位姿变换关系,确定参考图像对应的视觉定位信息。将参考图像对应的视觉定位信息以及其他各帧关键图像对应的坐标变换后的视觉定位信息进行聚类。根据聚类结果,在各帧关键图像中选择至少两帧指定关键图像。根据选择的至少两帧指定关键图像对应的视觉定位信息,在高精地图中,确定图像传感器所在的局部位置区域。
图2为本说明书实施例提供的确定图像传感器所在的局部位置区域示意图。在图2中,每一个圆点代表一帧关键图像对应的视觉定位信息,以圆点O对应的关键图像为参考图像,圆点O为坐标原点建立坐标系,根据圆点A、圆点B、圆点C、圆点D分别对应的关键图像与参考图像间的采集位姿变换关系,将圆点A、圆点B、圆点C、圆点D分别进行坐标变换,得到坐标变换后的视觉定位信息圆点oa1、圆点ob1、圆点oc1、圆点od1,虚线箭头代表坐标变换。圆点oa1代表了根据圆点A对应的关键图像与参考图像的采集位姿变换关系,将圆点A通过坐标变换确定的参考图像对应的视觉定位信息。圆点ob1、圆点oc1、圆点od1可以此类推为将圆点B、圆点C、圆点D通过坐标变换确定的参考图像对应的视觉定位信息。若确定的每一帧关键图像对应的视觉定位信息均比较准确,则圆点oa1、圆点ob1、圆点oc1、圆点od1应该位于坐标中心圆点O的指定邻域内(指定邻域的大小可由预设的阈值确定)。而在图2中,由于圆点ob1未在坐标中心圆点O的指定邻域内,也即,圆点B对应的关键图像在进行单帧图像视觉信息定位时得到的结果不准确,因此可选择较为准确的视觉定位信息,并根据选择的视觉定位信息确定图像传感器所在的局部位置区域,局部位置区域以圆圈R表示。
然后,在所述局部位置区域内,重新确定每一帧关键图像对应的视觉定位信息作为待定视觉定位信息。
具体的,沿用上例,在图2中的局部位置区域圆圈R内,将每一帧关键图像重新进行单帧视觉定位,得到每一帧关键图像对应的待定视觉定位信息,例如,圆点O、圆点A、圆点B、圆点C、圆点D分别对应的关键图像对应的待定视觉定位信息可表示为圆点o2、圆点a2、圆点b2、圆点c2、圆点d2。若至少存在三帧关键图像对应的待定视觉定位信息,则可对待定视觉定位信息进行图优化处理,否则,返回步骤S100重新获取视频。
最后,以各帧关键图像间的采集位姿变换关系为边约束,对每一帧关键图像对应的待定视觉定位信息进行图优化处理。
具体的,根据各帧关键图像间的采集位姿变换关系以及每一帧关键图像对应的待定视觉定位信息,可确定定位误差,以所述定位误差最小化为优化目标,对每一帧关键图像对应的待定视觉定位信息进行优化。
沿用上例,若圆点A对应的关键图像在重新进行单帧视觉定位时出现定位错误,各帧关键图像间的采集位姿变换关系可表示为OB、OC、OD、BC、BD、CD,则以各帧关键图像间的采集位姿变换关系为边约束,以各帧关键图像对应的待定视觉定位信息为顶点,得到图可如图3所示。图3为本说明书实施例提供的关键图像对应的待定视觉定位信息图优化示意图。以定位误差为F(x),则可通过计算minF(x),得到个帧关键图像对应的图优化后的最终视觉定位信息。
S108:根据图优化处理的结果,确定所述图像传感器采集所述视频时的视觉定位结果。
对各帧关键图像对应的待定视觉定位信息进行图优化处理后,得到各帧关键图像对应的最终视觉定位信息,可根据图像传感器在采集视频时各帧关键图像对应的采集时间,将采集时间最晚的一帧关键图像对应的最终视觉定位信息作为图像传感器采集视频时的视觉定位结果。当然,由于各帧关键图像对应的最终视觉定位信息比较准确,因此,可在各帧关键图像中任选一帧关键图像,根据选择的关键图像对应的最终视觉定位信息与各帧关键图像间的采集位姿变换关系,确定图像传感器采集视频时的视觉定位结果。
本说明书提供的上述视觉定位方法应用于无人设备、智能设备、可穿戴设备等设备时,可应用于设备终端以及服务器。当上述视觉定位方法应用于服务器时,可在设备终端获取视频,并通过设备终端将视频上传至服务器,服务器根据视频以及惯导信息可确定图像传感器采集视频时的视觉定位结果,并将图像传感器的视觉定位结果发送至设备终端。
本说明书提供的上述视觉定位方法具体可应用于使用无人设备进行配送的领域,例如,使用无人设备进行快递、外卖等配送的场景。具体的,在上述的场景中,可使用多个无人设备所构成的无人驾驶车队进行配送。
基于图1所示的视觉定位方法,本说明书实施例还对应提供一种视觉定位的装置的结构示意图,如图4所示。
图4为本说明书实施例提供的一种视觉定位的装置的结构示意图,所述装置包括:
获取模块401,用于获取图像传感器采集的视频;
第一确定模块402,用于根据预存的高精地图,确定所述视频中的每一帧图像对应的视觉定位信息;
第二确定模块403,用于根据所述图像传感器采集所述视频的过程中记录的惯导信息,确定各帧图像间的采集位姿变换关系;
图优化模块404,用于根据所述各帧图像间的采集位姿变换关系以及所述每一帧图像对应的视觉定位信息,以所述各帧图像间的采集位姿变换关系为边约束,对所述每一帧图像对应的视觉定位信息进行图优化处理;
第三确定模块405,用于根据图优化处理的结果,确定所述图像传感器采集所述视频时的视觉定位结果。
可选地,所述第一确定模块402具体用于,确定所述视频中每一帧图像的内容信息;根据确定的所述视频中每一帧图像的内容信息,在所述视频中,选择符合指定条件的至少三帧关键图像;根据选择的至少三帧关键图像,确定每一帧关键图像对应的视觉定位信息。
可选地,所述第一确定模块402具体用于,根据确定的所述视频中每一帧图像的内容信息,确定每两帧图像之间的内容重复度、每一帧图像的内容丰富度、每一帧图像的图像质量中的至少一种;根据确定的每两帧图像之间的内容重复度、每一帧图像的内容丰富度、每一帧图像的图像质量中的至少一种,在所述视频中,选择符合指定条件的至少三帧关键图像。
可选地,所述第一确定模块402具体用于,针对所述视频中的每一帧图像,若该帧图像与其他帧图像之间的内容重复度小于预设的内容重复度阈值,和/或,该帧图像的内容丰富度大于预设的内容丰富度阈值,和/或,该帧图像的图像质量大于预设的图像质量阈值,则选择该帧图像作为关键图像。
可选地,所述图优化模块404具体用于,根据各帧关键图像间的采集位姿变换关系以及所述每一帧关键图像对应的视觉定位信息,在所述高精地图中,确定所述图像传感器所在的局部位置区域;在所述局部位置区域内,重新确定所述每一帧关键图像对应的视觉定位信息作为待定视觉定位信息;以所述各帧关键图像间的采集位姿变换关系为边约束,对所述每一帧关键图像对应的待定视觉定位信息进行图优化处理。
可选地,所述图优化模块404具体用于,在关键图像中选择一帧关键图像作为参考图像,针对其他各帧关键图像,根据该帧关键图像与所述参考图像的采集位姿变换关系,将该帧关键图像对应的视觉定位信息进行坐标变换;将所述参考图像对应的视觉定位信息以及其他各帧关键图像对应的坐标变换后的视觉定位信息进行聚类;根据聚类结果,在各帧关键图像中选择至少两帧指定关键图像;根据选择的至少两帧指定关键图像对应的视觉定位信息,在所述高精地图中,确定所述图像传感器所在的局部位置区域。
可选地,所述图优化模块404具体用于,根据所述各帧关键图像间的采集位姿变换关系以及所述每一帧关键图像对应的待定视觉定位信息,确定定位误差;以所述定位误差最小化为优化目标,对所述每一帧关键图像对应的待定视觉定位信息进行优化。
本说明书实施例还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的视觉定位的方法。
基于图1所示的视觉定位的方法,本说明书实施例还提出了图5所示的无人驾驶设备的示意结构图。如图5,在硬件层面,该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的视觉定位的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种视觉定位的方法,其特征在于,所述方法包括:
获取图像传感器采集的视频;
根据预存的高精地图,确定所述视频中的每一帧图像对应的视觉定位信息;
根据所述图像传感器采集所述视频的过程中记录的惯导信息,确定各帧图像间的采集位姿变换关系;
根据所述各帧图像间的采集位姿变换关系以及所述每一帧图像对应的视觉定位信息,以所述各帧图像间的采集位姿变换关系为边约束,对所述每一帧图像对应的视觉定位信息进行图优化处理;
根据图优化处理的结果,确定所述图像传感器采集所述视频时的视觉定位结果。
2.如权利要求1所述的方法,其特征在于,确定所述视频中的每一帧图像对应的视觉定位信息,具体包括:
确定所述视频中每一帧图像的内容信息;
根据确定的所述视频中每一帧图像的内容信息,在所述视频中,选择符合指定条件的至少三帧关键图像;
根据选择的至少三帧关键图像,确定每一帧关键图像对应的视觉定位信息。
3.如权利要求2所述的方法,其特征在于,根据确定的所述视频中每一帧图像的内容信息,在所述视频中,选择符合指定条件的至少三帧关键图像,具体包括:
根据确定的所述视频中每一帧图像的内容信息,确定每两帧图像之间的内容重复度、每一帧图像的内容丰富度、每一帧图像的图像质量中的至少一种;
根据确定的每两帧图像之间的内容重复度、每一帧图像的内容丰富度、每一帧图像的图像质量中的至少一种,在所述视频中,选择符合指定条件的至少三帧关键图像。
4.如权利要求3所述的方法,其特征在于,选择符合指定条件的至少三帧关键图像,具体包括:
针对所述视频中的每一帧图像,若该帧图像与其他帧图像之间的内容重复度小于预设的内容重复度阈值,和/或,该帧图像的内容丰富度大于预设的内容丰富度阈值,和/或,该帧图像的图像质量大于预设的图像质量阈值,则选择该帧图像作为关键图像。
5.如权利要求2所述的方法,其特征在于,根据所述各帧图像间的采集位姿变换关系以及所述每一帧图像对应的视觉定位信息,以所述各帧图像间的采集位姿变换关系为边约束,对所述每一帧图像对应的视觉定位信息进行图优化处理,具体包括:
根据各帧关键图像间的采集位姿变换关系以及所述每一帧关键图像对应的视觉定位信息,在所述高精地图中,确定所述图像传感器所在的局部位置区域;
在所述局部位置区域内,重新确定所述每一帧关键图像对应的视觉定位信息作为待定视觉定位信息;
以所述各帧关键图像间的采集位姿变换关系为边约束,对所述每一帧关键图像对应的待定视觉定位信息进行图优化处理。
6.如权利要求5所述的方法,其特征在于,根据各帧关键图像间的采集位姿变换关系以及所述每一帧关键图像对应的视觉定位信息,在所述高精地图中,确定所述图像传感器所在的局部位置区域,具体包括:
在关键图像中选择一帧关键图像作为参考图像,针对其他各帧关键图像,根据该帧关键图像与所述参考图像的采集位姿变换关系,将该帧关键图像对应的视觉定位信息进行坐标变换;
将所述参考图像对应的视觉定位信息以及其他各帧关键图像对应的坐标变换后的视觉定位信息进行聚类;
根据聚类结果,在各帧关键图像中选择至少两帧指定关键图像;
根据选择的至少两帧指定关键图像对应的视觉定位信息,在所述高精地图中,确定所述图像传感器所在的局部位置区域。
7.如权利要求5所述的方法,其特征在于,以所述各帧关键图像间的采集位姿变换关系为边约束,对所述每一帧关键图像对应的待定视觉定位信息进行图优化处理,具体包括:
根据所述各帧关键图像间的采集位姿变换关系以及所述每一帧关键图像对应的待定视觉定位信息,确定定位误差;
以所述定位误差最小化为优化目标,对所述每一帧关键图像对应的待定视觉定位信息进行优化。
8.一种视觉定位的装置,其特征在于,所述装置包括:
获取模块,用于获取图像传感器采集的视频;
第一确定模块,用于根据预存的高精地图,确定所述视频中的每一帧图像对应的视觉定位信息;
第二确定模块,用于根据所述图像传感器采集所述视频的过程中记录的惯导信息,确定各帧图像间的采集位姿变换关系;
图优化模块,用于根据所述各帧图像间的采集位姿变换关系以及所述每一帧图像对应的视觉定位信息,以所述各帧图像间的采集位姿变换关系为边约束,对所述每一帧图像对应的视觉定位信息进行图优化处理;
第三确定模块,用于根据图优化处理的结果,确定所述图像传感器采集所述视频时的视觉定位结果。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-7任一所述的方法。
10.一种无人驾驶设备,包括存储器、处理器及存储在存储器上并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上述权利要求1-7任一所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010124712.XA CN111238450B (zh) | 2020-02-27 | 2020-02-27 | 视觉定位方法及装置 |
PCT/CN2020/129070 WO2021169420A1 (zh) | 2020-02-27 | 2020-11-16 | 基于多个图像帧的视觉定位 |
US17/799,900 US20230100776A1 (en) | 2020-02-27 | 2020-11-16 | Visual positioning based on a plurality of image frames |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010124712.XA CN111238450B (zh) | 2020-02-27 | 2020-02-27 | 视觉定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111238450A true CN111238450A (zh) | 2020-06-05 |
CN111238450B CN111238450B (zh) | 2021-11-30 |
Family
ID=70865103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010124712.XA Active CN111238450B (zh) | 2020-02-27 | 2020-02-27 | 视觉定位方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230100776A1 (zh) |
CN (1) | CN111238450B (zh) |
WO (1) | WO2021169420A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112087728A (zh) * | 2020-07-21 | 2020-12-15 | 华为技术有限公司 | 获取Wi-Fi指纹空间分布的方法、装置和电子设备 |
CN112393723A (zh) * | 2020-11-27 | 2021-02-23 | 北京三快在线科技有限公司 | 一种定位方法、设备、介质及无人设备 |
CN112802112A (zh) * | 2021-04-12 | 2021-05-14 | 北京三快在线科技有限公司 | 视觉定位方法、装置、服务器及存储介质 |
WO2021169420A1 (zh) * | 2020-02-27 | 2021-09-02 | 北京三快在线科技有限公司 | 基于多个图像帧的视觉定位 |
CN113674424A (zh) * | 2021-08-31 | 2021-11-19 | 北京三快在线科技有限公司 | 一种电子地图绘制的方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528923B (zh) * | 2022-01-25 | 2023-09-26 | 山东浪潮科学研究院有限公司 | 基于时域上下文的视频目标检测方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070165107A1 (en) * | 2006-01-18 | 2007-07-19 | Trulaske James A | Visual positioning system for closed circuit video magnification system |
CN106447585A (zh) * | 2016-09-21 | 2017-02-22 | 武汉大学 | 城市地区和室内高精度视觉定位系统及方法 |
CN106949881A (zh) * | 2017-02-24 | 2017-07-14 | 浙江大学 | 一种移动机器人快速视觉定位方法 |
CN108460779A (zh) * | 2018-02-12 | 2018-08-28 | 浙江大学 | 一种动态环境下的移动机器人图像视觉定位方法 |
CN110017841A (zh) * | 2019-05-13 | 2019-07-16 | 大有智能科技(嘉兴)有限公司 | 视觉定位方法及其导航方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4800163B2 (ja) * | 2006-09-29 | 2011-10-26 | 株式会社トプコン | 位置測定装置及びその方法 |
CN108492316A (zh) * | 2018-02-13 | 2018-09-04 | 视辰信息科技(上海)有限公司 | 一种终端的定位方法和装置 |
CN110108258B (zh) * | 2019-04-09 | 2021-06-08 | 南京航空航天大学 | 一种单目视觉里程计定位方法 |
CN110118554B (zh) * | 2019-05-16 | 2021-07-16 | 达闼机器人有限公司 | 基于视觉惯性的slam方法、装置、存储介质和设备 |
CN110335317B (zh) * | 2019-07-02 | 2022-03-25 | 百度在线网络技术(北京)有限公司 | 基于终端设备定位的图像处理方法、装置、设备和介质 |
CN111238450B (zh) * | 2020-02-27 | 2021-11-30 | 北京三快在线科技有限公司 | 视觉定位方法及装置 |
-
2020
- 2020-02-27 CN CN202010124712.XA patent/CN111238450B/zh active Active
- 2020-11-16 WO PCT/CN2020/129070 patent/WO2021169420A1/zh active Application Filing
- 2020-11-16 US US17/799,900 patent/US20230100776A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070165107A1 (en) * | 2006-01-18 | 2007-07-19 | Trulaske James A | Visual positioning system for closed circuit video magnification system |
CN106447585A (zh) * | 2016-09-21 | 2017-02-22 | 武汉大学 | 城市地区和室内高精度视觉定位系统及方法 |
CN106949881A (zh) * | 2017-02-24 | 2017-07-14 | 浙江大学 | 一种移动机器人快速视觉定位方法 |
CN108460779A (zh) * | 2018-02-12 | 2018-08-28 | 浙江大学 | 一种动态环境下的移动机器人图像视觉定位方法 |
CN110017841A (zh) * | 2019-05-13 | 2019-07-16 | 大有智能科技(嘉兴)有限公司 | 视觉定位方法及其导航方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021169420A1 (zh) * | 2020-02-27 | 2021-09-02 | 北京三快在线科技有限公司 | 基于多个图像帧的视觉定位 |
CN112087728A (zh) * | 2020-07-21 | 2020-12-15 | 华为技术有限公司 | 获取Wi-Fi指纹空间分布的方法、装置和电子设备 |
CN112087728B (zh) * | 2020-07-21 | 2022-01-14 | 华为技术有限公司 | 获取Wi-Fi指纹空间分布的方法、装置和电子设备 |
CN112393723A (zh) * | 2020-11-27 | 2021-02-23 | 北京三快在线科技有限公司 | 一种定位方法、设备、介质及无人设备 |
CN112393723B (zh) * | 2020-11-27 | 2023-10-24 | 北京三快在线科技有限公司 | 一种定位方法、设备、介质及无人设备 |
CN112802112A (zh) * | 2021-04-12 | 2021-05-14 | 北京三快在线科技有限公司 | 视觉定位方法、装置、服务器及存储介质 |
CN113674424A (zh) * | 2021-08-31 | 2021-11-19 | 北京三快在线科技有限公司 | 一种电子地图绘制的方法及装置 |
CN113674424B (zh) * | 2021-08-31 | 2023-02-03 | 北京三快在线科技有限公司 | 一种电子地图绘制的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111238450B (zh) | 2021-11-30 |
WO2021169420A1 (zh) | 2021-09-02 |
US20230100776A1 (en) | 2023-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111238450B (zh) | 视觉定位方法及装置 | |
CN112001456B (zh) | 一种车辆定位方法、装置、存储介质及电子设备 | |
CN111260726A (zh) | 一种视觉定位方法及装置 | |
CN110162089B (zh) | 一种无人驾驶的仿真方法及装置 | |
CN111311709A (zh) | 一种生成高精地图的方法及装置 | |
CN111882611A (zh) | 一种地图构建方法及装置 | |
CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN113674424B (zh) | 一种电子地图绘制的方法及装置 | |
CN111127551A (zh) | 一种目标检测的方法及装置 | |
CN112465029A (zh) | 一种实例追踪的方法及装置 | |
CN116309823A (zh) | 一种位姿的确定方法、装置、设备及存储介质 | |
CN114494381A (zh) | 模型训练及深度估计方法、装置、存储介质及电子设备 | |
CN110929664A (zh) | 图像识别方法以及装置 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN112861831A (zh) | 一种目标物的识别方法、装置、存储介质及电子设备 | |
CN112362084A (zh) | 一种数据标定方法、装置及数据标定系统 | |
CN111798489B (zh) | 一种特征点跟踪方法、设备、介质及无人设备 | |
CN112734851B (zh) | 一种位姿确定的方法以及装置 | |
CN114332189A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
CN114863206A (zh) | 一种模型训练的方法、目标检测的方法及装置 | |
CN112184901A (zh) | 一种深度图确定方法及装置 | |
CN113205144B (zh) | 一种模型训练的方法及装置 | |
CN116740197B (zh) | 一种外参的标定方法、装置、存储介质及电子设备 | |
CN113888611B (zh) | 一种确定图像深度的方法、装置及存储介质 | |
CN116563387A (zh) | 一种标定模型的训练方法、装置、存储介质以及电子设备 |
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 |