CN111311588A - 重定位方法及装置、电子设备和存储介质 - Google Patents

重定位方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111311588A
CN111311588A CN202010130949.9A CN202010130949A CN111311588A CN 111311588 A CN111311588 A CN 111311588A CN 202010130949 A CN202010130949 A CN 202010130949A CN 111311588 A CN111311588 A CN 111311588A
Authority
CN
China
Prior art keywords
key frame
feature
frame
feature points
current 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
Application number
CN202010130949.9A
Other languages
English (en)
Other versions
CN111311588B (zh
Inventor
陈常
王楠
陈丹鹏
吴琅
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.)
Zhejiang Shangtang Technology Development Co Ltd
Original Assignee
Zhejiang Shangtang Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Shangtang Technology Development Co Ltd filed Critical Zhejiang Shangtang Technology Development Co Ltd
Priority to CN202010130949.9A priority Critical patent/CN111311588B/zh
Publication of CN111311588A publication Critical patent/CN111311588A/zh
Application granted granted Critical
Publication of CN111311588B publication Critical patent/CN111311588B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种重定位方法及装置、电子设备和存储介质，所述方法包括：获取当前关键帧的特征点和所述特征点的特征描述子；根据所述当前关键帧的特征描述子和各已有关键帧的特征描述子，从各已有关键帧中确定出候选关键帧；根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧；根据所述当前关键帧与所述回环关键帧进行重定位。本公开实施例可提升重定位精度。

Description

重定位方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种重定位方法及装置、电子设备和存储介质。
背景技术
随着计算机视觉和图像处理技术的发展，SLAM(Simultaneous Localization andmapping，同步定位与地图构建)系统越来越多的被应用于移动机器人、无人机、无人驾驶汽车、水下潜水艇、增强现实和虚拟现实等中。SLAM可以分为跟踪、建图和回环检测三个部分。其中，回环检测能够从存储的场景中找到与当前场景相关联的场景，从而在故障重启、突然转向、相机曝光严重等情况下，降低累计误差、提升定位精度，实现有效地重定位。
然而在相关技术中，SLAM系统在跟踪、建图或者回环检测时，常常出现定位失败的问题。
发明内容
本公开提出了一种重定位方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种重定位方法，所述方法包括：获取当前关键帧的特征点和所述特征点的特征描述子；
根据所述当前关键帧的特征描述子和各已有关键帧的特征描述子，从各已有关键帧中确定出候选关键帧；
根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧；
根据所述当前关键帧与所述回环关键帧进行重定位。
在一种可能的实现方式中，根据所述当前关键帧的特征描述子和各已有关键帧的特征描述子，从各已有关键帧中确定出候选关键帧，包括：
针对任意一个已有关键帧，根据所述当前关键帧的特征描述子和该已有关键帧的特征描述子，确定所述当前关键帧与该已有关键帧的第一相似度；
根据所述当前关键帧与各已有关键帧的第一相似度，从各已有关键帧中确定出所述候选关键帧。
基于特征描述子，将与当前关键帧在场景上较为相似的已有关键帧筛选出来，作为后续匹配的候选关键帧，降低了误匹配概率，减少了后续匹配的关键帧的数量，缩短了后续匹配的时间
在一种可能的实现方式中，根据所述当前关键帧的特征描述子和该已有关键帧的特征描述子，确定所述当前关键帧与该已有关键帧的第一相似度，包括：
根据所述当前关键帧的第一特征描述子和该已有关键帧的第一特征描述子的相似度，确定所述当前关键帧与该已有关键帧的第一相似度；
其中，所述第一特征描述子用于表示确定关键帧的相似度过程中采用的特征描述子，所述第一特征描述子是基于特征描述子对应的特征点的概率确定的，所述当前关键帧的第一特征描述子的数量与该已有关键帧的第一特征描述子的数量相同。
基于特征描述子的相似度，确定第一相似度，考虑了特征描述子的位置，提升了匹配精度。
在一种可能的实现方式中，根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧，包括：
针对任意一个已有关键帧，根据所述当前关键帧的特征点和该候选关键帧的特征点，确定所述当前关键帧与该候选关键帧的第二相似度；
根据所述当前关键帧与各候选关键帧的第二相似度，确定所述回环关键帧。
基于特征点，将与当前关键帧在特征点位置上最为接近的候选关键帧筛选出来，作为回环关键帧，考虑到了特征点和特征描述子的几何关系，提高了重定位的精度。
在一种可能的实现方式中，根据所述当前关键帧的特征点和该候选关键帧的特征点，确定所述当前关键帧与该候选关键帧的第二相似度，包括：
根据所述当前关键帧和该候选关键帧的特征点，分别确定所述当前关键帧和该候选关键帧的拓扑图；
基于所述当前关键帧和该候选关键帧的拓扑图，分别确定所述当前关键帧和该候选关键帧的邻接矩阵；
根据所述当前关键帧的邻接矩阵与该候选关键帧的邻接矩阵，确定所述当前关键帧和该候选关键帧的第二相似度。
通过使用拓扑计算相似性，使关键帧特征点和特征描述子的几何关系得到了关联，减少了误匹配，特别是重复纹理和相似场景下的误匹配，提高了重定位的精度。
在一种可能的实现方式中，在根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧之前，所述方法还包括：
分别对所述当前关键帧的特征点和各候选关键帧的特征点进行筛选；
根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧，包括：
根据所述当前关键帧的筛选后的特征点和各候选关键帧的筛选后的特征点，确定与所述当前关键帧形成回环的回环关键帧。
通过筛选减少特征点的数量，降低了计算量，节省了计算资源。
在一种可能的实现方式中，筛选后的特征点至所属关键帧的边框的距离大于第一距离，且筛选后的特征点之间的距离大于第二距离。
使筛选后的特征点至所属关键帧的边框的距离大于第一距离，可以去除图像边框噪声大、存在畸变的特征点，从而提高匹配精度；使筛选后的特征点之间的距离大于第二距离，可以去除信息重复的特征点，从而降低计算量。
在一种可能的实现方式中，所述获取当前关键帧的特征点和所述特征点的特征描述子，包括：
采用深度学习网络，获取当前关键帧的特征点和所述特征点的特征描述子。
在一种可能的实现方式中，所述深度学习网络包括第一卷积层、第二卷积层和第三卷积层，所述采用深度学习网络，获取当前关键帧的特征点和所述特征点的特征描述子，包括：
将所述当前关键帧输入所述深度学习网络的第一卷积层，得到所述当前关键帧的特征图；
将所述当前关键帧的特征图输入第二卷积层，并将该第二卷积层的输出结果恢复到所述当前关键帧的分辨率，得到所述当前关键帧的特征概率图，所述当前关键帧的特征概率图包括所述当前关键帧中每个像素点为特征点的概率；
根据所述当前关键帧的特征概率图，确定所述当前关键帧的特征点；
将所述当前关键帧的特征图输入第三卷积层，对该第三卷积层的输出结果进行插值，并根据当前关键帧的特征点对插值结果进行筛选，得到当前关键帧的各个特征点的特征描述子。
采用深度学习网络提取特征点和特征描述子，可以降低光照变化以及视角变化较大的场景下的匹配误差，有利于实现有效地重定位。
在一种可能的实现方式中，所述方法还包括：
训练所述深度学习网络，包括：
获取训练帧；
将所述训练帧输入待训练的深度学习网络的第一卷积层，得到所述训练帧的特征图；
将所述训练帧的特征图恢复到所述训练帧关键帧的分辨率，得到所述训练帧的第一特征概率图，所述训练帧的第一特征概率图包括所述训练帧中每个像素点为特征点的第一概率；将所述训练帧的特征图输入待训练的深度学习网络的第二卷积层，并将该第二卷积层的输出结果恢复到所述训练帧的分辨率，得到所述训练帧的第二特征概率图，所述训练帧的第二特征概率图包括所述训练帧中每个像素点为特征点的第二概率；
分别根据所述第一特征概率图和所述第二特征概率图，确定所述训练帧的第一特征点和第二特征点；
根据所述训练帧的第一特征点和所述训练帧的真实特征点，确定特征点损失，根据所述第一特征点的第一概率和所述第二特征点的第二概率，确定特征描述子损失；
根据所述特征点损失和所述特征描述子损失，确定待训练的深度学习网络的损失；
根据待训练的深度学习网络的损失，训练深度学习网络。
使用一个深度学习网络输出特征点和特征描述子，既保持了特征点和特征描述子之间的几何关联，又有效地降低了计算量，节省了计算资源。
在一种可能的实现方式中，根据所述训练帧的第一特征点和所述训练帧的真实特征点，确定特征点损失，包括：
根据所述训练帧中各像素点与所述第一特征点的距离，以及所述训练帧中各像素点与所述真实特征点的距离，确定所述特征点损失。
基于距离，确定特征点损失，可以有效确定第一特征点和真实特征点之间的差距。
根据本公开的一方面，提供了一种重定位装置，所述装置包括：
获取模块，用于获取当前关键帧的特征点和所述特征点的特征描述子；
确定模块，用于根据所述当前关键帧的特征描述子和各已有关键帧的特征描述子，从各已有关键帧中确定出候选关键帧；
第一筛选模块，用于根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧；
重定位模块，用于根据所述当前关键帧与所述回环关键帧进行重定位。
在一种可能的实现方式中，确定模块还用于：
针对任意一个已有关键帧，根据所述当前关键帧的特征描述子和该已有关键帧的特征描述子，确定所述当前关键帧与该已有关键帧的第一相似度；
根据所述当前关键帧与各已有关键帧的第一相似度，从各已有关键帧中确定出所述候选关键帧。
在一种可能的实现方式中，根据所述当前关键帧的特征描述子和该已有关键帧的特征描述子，确定所述当前关键帧与该已有关键帧的第一相似度，包括：
根据所述当前关键帧的第一特征描述子和该已有关键帧的第一特征描述子的相似度，确定所述当前关键帧与该已有关键帧的第一相似度；
其中，所述第一特征描述子用于表示确定关键帧的相似度过程中采用的特征描述子，所述第一特征描述子是基于特征描述子对应的特征点的概率确定的，所述当前关键帧的第一特征描述子的数量与该已有关键帧的第一特征描述子的数量相同。
在一种可能的实现方式中，第一筛选模块还用于：
针对任意一个候选关键帧，根据所述当前关键帧的特征点和该候选关键帧的特征点，确定所述当前关键帧与该候选关键帧的第二相似度；
根据所述当前关键帧与各候选关键帧的第二相似度，确定所述回环关键帧。
在一种可能的实现方式中，根据所述当前关键帧的特征点和该候选关键帧的特征点，确定所述当前关键帧与该候选关键帧的第二相似度，包括：
根据所述当前关键帧和该候选关键帧的特征点，分别确定所述当前关键帧和该候选关键帧的拓扑图；
基于所述当前关键帧和该候选关键帧的拓扑图，分别确定所述当前关键帧和该候选关键帧的邻接矩阵；
根据所述当前关键帧的邻接矩阵与该候选关键帧的邻接矩阵，确定所述当前关键帧和该候选关键帧的第二相似度。
在一种可能的实现方式中，所述装置还包括：
第二筛选模块，用于分别对所述当前关键帧的特征点和各候选关键帧的特征点进行筛选；
第一筛选模块，还用于根据所述当前关键帧的筛选后的特征点和各候选关键帧的筛选后的特征点，确定与所述当前关键帧形成回环的回环关键帧。
在一种可能的实现方式中，筛选后的特征点至所属关键帧的边框的距离大于第一距离，且筛选后的特征点之间的距离大于第二距离。
在一种可能的实现方式中，获取模块还用于：
采用深度学习网络，获取当前关键帧的特征点和所述特征点的特征描述子。
在一种可能的实现方式中，所述深度学习网络包括第一卷积层、第二卷积层和第三卷积层，所述采用深度学习网络，获取当前关键帧的特征点和所述特征点的特征描述子，包括：
将所述当前关键帧输入所述深度学习网络的第一卷积层，得到所述当前关键帧的特征图；
将所述当前关键帧的特征图输入第二卷积层，并将该第二卷积层的输出结果恢复到所述当前关键帧的分辨率，得到所述当前关键帧的特征概率图，所述当前关键帧的特征概率图包括所述当前关键帧中每个像素点为特征点的概率；
根据所述当前关键帧的特征概率图，确定所述当前关键帧的特征点；
将所述当前关键帧的特征图输入第三卷积层，对该第三卷积层的输出结果进行插值，并根据当前关键帧的特征点对插值结果进行筛选，得到当前关键帧的各个特征点的特征描述子。
在一种可能的实现方式中，所述装置还包括：
训练模块，用于训练所述深度学习网络，包括：
获取训练帧；
将所述训练帧输入待训练的深度学习网络的第一卷积层，得到所述训练帧的特征图；
将所述训练帧的特征图恢复到所述训练帧关键帧的分辨率，得到所述训练帧的第一特征概率图，所述训练帧的第一特征概率图包括所述训练帧中每个像素点为特征点的第一概率；将所述训练帧的特征图输入待训练的深度学习网络的第二卷积层，并将该第二卷积层的输出结果恢复到所述训练帧的分辨率，得到所述训练帧的第二特征概率图，所述训练帧的第二特征概率图包括所述训练帧中每个像素点为特征点的第二概率；
分别根据所述第一特征概率图和所述第二特征概率图，确定所述训练帧的第一特征点和第二特征点；
根据所述训练帧的第一特征点和所述训练帧的真实特征点，确定特征点损失，根据所述第一特征点的第一概率和所述第二特征点的第二概率，确定特征描述子损失；
根据所述特征点损失和所述特征描述子损失，确定待训练的深度学习网络的损失；
根据待训练的深度学习网络的损失，训练深度学习网络。
在一种可能的实现方式中，根据所述训练帧的第一特征点和所述训练帧的真实特征点，确定特征点损失，包括：
根据所述训练帧中各像素点与所述第一特征点的距离，以及所述训练帧中各像素点与所述真实特征点的距离，确定所述特征点损失。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，采用分步的方法，先根据提取出的特征描述子进行匹配，确定出与当前关键帧较为相似的候选关键帧，再根据特征点进行匹配，从候选关键帧中筛选出与当前关键帧最相似的回环关键帧，这一过程考虑到了特征点和特征描述子之间的几何关系，减少了误匹配，特别是重复纹理或者相似场景下的误匹配，提高了重定位的精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例的重定位方法的流程图；
图2示出本公开实施例的深度学习网络的结构示意图；
图3示出本公开实施例的当前关键帧的一个示例；
图4示出图3所示的当前关键帧的特征概率图的一个示例；
图5示出根据本公开实施例的重定位装置的框图；
图6示出根据本公开实施例的一种电子设备800的框图；
图7示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出本公开实施例的重定位方法的流程图。如图1所示，该方法可以包括：
步骤S11，获取当前关键帧的特征点和所述特征点的特征描述子。
步骤S12，根据所述当前关键帧的特征描述子和各已有关键帧的特征描述子，从各已有关键帧中确定出候选关键帧。
步骤S13，根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧。
步骤S14，根据所述当前关键帧与所述回环关键帧进行重定位。
在本公开实施例中，采用分步的方法，先根据提取出的特征描述子进行匹配，确定出与当前关键帧较为相似的候选关键帧，再根据特征点进行匹配，从候选关键帧中筛选出与当前关键帧最相似的回环关键帧，这一过程考虑到了特征点和特征描述子之间的几何关系，减少了误匹配，特别是重复纹理或者相似场景下的误匹配，提高了重定位的精度。
在一种可能的实现方式中，所述重定位方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
在一种可能的实现方式中，本公开实施例提供的重定位方法可以集成到手机等设备的AR(Augmented Reality，增强现实)/VR(Virtual Reality，虚拟现实)系统中，提升AR/VR系统中的SLAM系统的定位和重定位精度。
在步骤S11中，关键帧是在局部一系列图像中选取的、能够代表其附近图像的一帧图像。关键帧可以用于记录局部信息。关键帧可以由SLAM系统产生。举例来说，SLAM系统可以从记录的图像中每隔固定帧数新建一个关键帧，或者在当前捕捉的图像与最近关键帧之间的运动距离超过一定阈值时新建一个关键帧，或者当相机转换场景时新建一个关键帧。SLAM系统还可以通过其他方式产生关键帧，对此本公开不做限制。
关键帧的特征点指的是关键帧中能够代表其特征的像素点。在一个示例中，关键帧的特征点可以采用坐标表示。特征点的特征描述子可以用于描述关键帧中特征点周围像素点的信息。在一个示例中，特征点的特征描述子可以采用向量表示。
当前关键帧可以为SLAM最近产生的关键帧。在一个示例中，当SLAM系统新产生第i个关键帧ki时，在步骤S11中可以将该关键帧ki确定为当前关键帧，并获取该关键帧ki的特征点xi和特征点xi的特征描述子vi。
在一种可能的实现方式中，步骤S11可以包括：采用深度学习网络，获取当前关键帧的特征点和所述特征点的特征描述子。
相关技术中，在进行关键帧匹配时，采用的是FAST、ORB、SIFT和SURF这些人工设计的特征点，在光照变化以及视角变化较大的场景下匹配误差较大，无法进行有效地重定位。而本公开实施例中采用深度学习网络提取特征点和特征描述子，可以降低光照变化以及视角变化较大的场景下的匹配误差，有利于实现有效地重定位。
在一种可能的实现方式中，该深度学习网络可以包括第一卷积层、第二卷积层和第三卷积层。图2示出本公开实施例的深度学习网络的结构示意图。如图2所示，该深度学习网络包括第一卷积层、第二卷积层和第三卷积层，且第一卷积层的输出作为第二卷积层和第三卷积层的输入。在一个示例中，如图2所示，第一卷积层可以包括cnv1、cnv2、cnv3和cnv4共四个卷积层。第二卷积层可以包括cnvK这个卷积层。第三卷积层可以包括cnvD这个卷积层。其中，cnv1、cnv2、cnv3、cnv4、cnvK和cnvD均可以包括两个子卷积层，这样有利于平滑地进行信息数据传递。本公开实施例对第一卷积层、第二卷积层和第三卷积层的具体结构不做限制。
基于上述深度学习网络，采用深度学习网络，获取当前关键帧的特征点和特征点的特征描述子，可以包括：将所述当前关键帧输入所述深度学习网络的第一卷积层，得到所述当前关键帧的特征图；将所述当前关键帧的特征图输入第二卷积层，并将该第二卷积层的输出结果恢复到所述当前关键帧的分辨率，得到所述当前关键帧的特征概率图，所述当前关键帧的特征概率图包括所述当前关键帧中每个像素点为特征点的概率；根据所述当前关键帧的特征概率图，确定所述当前关键帧的特征点；将所述当前关键帧的特征图输入第三卷积层，对该第三卷积层的输出结果进行插值，并根据当前关键帧的特征点对插值结果进行筛选，得到当前关键帧的各个特征点的特征描述子。
如图2所示，首先，将当前关键帧作为输入图像输入深度学习网络的第一卷积层，得到当前关键帧的特征图；然后，将当前关键帧的特征图分别输入第二卷积层和第三卷积层。对于第二卷积层的输出结果，将其恢复到当前关键帧的分辨率，得到当前关键帧中每个像素为特征点的概率(这一过程称为像素迁移)，即当前关键帧的特征概率图。之后，根据当前关键帧的特征概率图，确定当前关键帧的特征点。例如，将关键帧中对应概率大于指定概率(例如90％或者95％等)的像素点，确定为关键帧的特征点。对于第三卷积层的输出结果，可以先进行插值(例如双线性插值)，得到指定维度(例如256维或者512维)的特征描述子；然后根据当前关键帧的特征点对指定维度的特征描述子进行筛选，得到当前关键帧的各个特征点的特征描述子。至此，获取到了当前关键帧的各个特征点，以及每个特征点的特征描述子。
图3示出本公开实施例的当前关键帧的一个示例。图4示出图3所示的当前关键帧的特征概率图的一个示例。将图3所示的当前关键帧输入图2所示的深度学习网络，可以得到图4所示的特征概率图。图3所示的当前关键帧和图4所示的特征概率图的分辨率相同。图4中的每个像素点的取值，代表图3中对应位置的像素点为特征点的概率。在图4中像素点取值越小(颜色越黯)表示图3中对应位置的像素点为特征点的概率越大，在图4中像素点取值越大(颜色越亮)表示图3中对应位置的像素点为特征点的概率越小。
相关技术中，对特征点和特征描述子采用相互独立的深度学习网络进行提取，既忽略了特征点和特征描述子之间的几何关系，又消耗了大量的计算资源。而本公开实施例中，使用一个深度学习网络输出特征点和特征描述子，既保持了特征点和特征描述子之间的几何关联，又有效地降低了计算量，节省了计算资源。
在步骤S12中，已有关键帧可以表示SLAM系统历史上产生的关键帧。SLAM系统可以将其产生的关键帧进行存储，这些存储下来的关键帧即可作为已有关键帧。考虑到特征点的特征描述子可以用于描述关键帧中特征点周围像素点的信息。在两帧图像对应的场景相近时，其特征描述子存在一定的相似性。因此，可以根据特征描述子，确定当前关键帧和已有关键帧对应的场景是否相近。在当前关键帧的特征描述子和已有关键帧对应的场景相近的情况下，可以将该已有关键帧确定为候选关键帧。其中，获取各已有关键帧的特征描述子的方法可以参照步骤S11中获取当前关键帧的特征描述子的方法，这里不再赘述。
基于特征描述描述子对已有关键帧进行筛选，可以降低对应不同场景的关键帧被误认为回环关键帧的概率，同时可以减少后续匹配的关键帧的数量，缩短后续匹配时间。
在一种可能的实现方式中，步骤S12可以包括：针对任意一个已有关键帧，根据所述当前关键帧的特征描述子和该已有关键帧的特征描述子，确定所述当前关键帧与该已有关键帧的第一相似度；根据所述当前关键帧与各已有关键帧的第一相似度，从各已有关键帧中确定出所述候选关键帧。
在本公开实施例中，可以基于特征描述子确定当前关键帧和各个已有关键帧的第一相似度。然后，根据第一相似度由高到低的顺序对已有关键帧进行排序，将排在第一个至第M个已有关键帧确定为候选关键帧。其中，M表示候选关键帧的数量，M为大于0的正整数，M可以根据需要进行设置，例如M可以为10。
这样，将场景上较为相似的关键帧筛选出来，可以降低误匹配概率，缩短后续匹配时间。
在一种可能的实现方式中，根据所述当前关键帧的特征描述子和该已有关键帧的特征描述子，确定所述当前关键帧与该已有关键帧的第一相似度，包括：根据所述当前关键帧的第一特征描述子和该已有关键帧的第一特征描述子的相似度，确定所述当前关键帧与该已有关键帧的第一相似度。
其中，所述第一特征描述子可以用于表示确定关键帧的相似度过程中采用的特征描述子，所述第一特征描述子是基于特征描述子对应的特征点的概率确定的，所述当前关键帧的第一特征描述子的数量与该已有关键帧的第一特征描述子的数量相同。
考虑到不同的关键帧的特征点的数量可能不同，相应的特征描述子的数量也可能不同。因此，在本公开实施例中首先从待匹配的当前关键帧的特征描述子和已有关键帧的特征描述子中，选出相同数量的特征描述子。选出的特征描述子即为第一特征描述子。其中，第一特征描述子的数量可以根据需要进行设置。需要说明的是，第一特征描述子的数量小于或等于当前关键帧和各已有关键帧的特征描述子的数量中的最小值。
在本公开实施例中，可以根据特征描述子对应的特征点的概率，选取当前特征帧和各已有特征帧的第一特征描述子。例如，可以选取概率较大的特征描述子为第一特征描述子。需要说明的是，第一特征描述子的排列顺序与筛选前特征描述子的排列顺序一致。举例来说，筛选前的特征描述子的排列顺序为a1、a2、a3、a4和a5，假设a1、a2和a4为第一特征描述子，则第一特征描述子的排列为a1、a2和a4。
在一个示例中，可以通过公式一，确定当前关键帧ki和已有关键帧kh的第一相似度：
s(ki,kh)＝∑j||vi,j-vh,j||2公式一
其中，ki表示当前关键帧；kh表示第h个已有关键帧，h∈N，N为已有关键帧的数量，N为大于0的正整数。s(ki,kh)表示当前关键帧ki和已有关键帧kh的第一相似度。vi,j表示当前关键帧ki第j个特征点的特征描述子；vh,j表示已有关键帧kh第j个特征点的特征描述子；j为大于0且小于或等于第一特征描述子的数量的正整数。||……||2表示欧式距离。
相关技术中，采用词袋模型来确定特征描述子之间的相似度，仅考虑了相似的特征描述子的数量，未考虑特征描述子的位置，在重复纹理或者相似场景下容易造成误匹配。而本公开实施例中，分别确定各对应位置的特征描述子的距离，考虑了特征描述子的位置，提升了精度。
在步骤S13中，回环关键帧可以用于表示能够与当前关键帧形成回环的关键帧。也就是说，回环关键帧和当前关键帧对应同样的场景，可以根据回环关键帧和当前关键帧进行重定位。基于特征点，可以确定候选关键帧中的回环关键帧。
其中，各候选关键帧的特征点的获取方法可以参考步骤S11中获取当前关键帧的特征点的方法，这里不再赘述。
在一种可能的实现方式中，步骤S13可以包括：针对任意一个候选关键帧，根据所述当前关键帧的特征点和该候选关键帧的特征点，确定所述当前关键帧与该候选关键帧的第二相似度；根据所述当前关键帧与各候选关键帧的第二相似度，确定所述回环关键帧。
在本公开实施例中，可以基于特征点确定当前关键帧和各个候选关键帧的第二相似度。然后，将第二相似度最大的候选关键帧确定为回环关键帧。这样，将位置上最为接近的关键帧确定出来，可以进一步提高精度。
在一种可能的实现方式中，根据所述当前关键帧的特征点和该候选关键帧的特征点，确定所述当前关键帧与该候选关键帧的第二相似度可以包括：根据所述当前关键帧和该候选关键帧的特征点，分别确定所述当前关键帧和该候选关键帧的拓扑图；基于所述当前关键帧和该候选关键帧的拓扑图，分别确定所述当前关键帧和该候选关键帧的邻接矩阵；根据所述当前关键帧的邻接矩阵与该候选关键帧的邻接矩阵，确定所述当前关键帧和该候选关键帧的第二相似度。
当前关键帧ki的特征点xi实际是由特征点组成的特征序列，即xi＝{xi,1,xi,2,xi,3,……,xi,n}，其中，n表示当前关键帧ki的特征点的数量，n为大于0的正整数。采用Delaunay三角剖分法可以生成当前关键帧ki唯一对应的拓扑图。基于当前关键帧ki对应的拓扑图可以确定当前关键帧ki的邻接矩阵。
在一个示例中，可以通过公式二确定当前关键帧ki的邻接矩阵：
Figure BDA0002395758260000131
其中，
Figure BDA0002395758260000132
表示当前关键帧ki的邻接矩阵。U表示生成拓扑图时采用的特征点的数量，U为大于0的正整数。ap,l表示拓扑图中特征点xi,p和特征点xi,l之间的连接，p∈U，l∈U。如果在当前关键帧ki拓扑图中特征点xi,p和特征点xi,l之间有连接，则ap,l取值为1；如果在当前关键帧ki拓扑图中特征点xi,p和特征点xi,l这之间无连接，则ap,l取值为0。
候选关键帧的邻接矩阵确定方法可以参考确定当前关键帧的邻接矩阵的方法，这里不再赘述。
在一个示例中，可以通过公式三可以确定当前关键帧ki和候选关键帧kh的第二相似度。
Figure BDA0002395758260000133
其中，
Figure BDA0002395758260000134
表示候选关键帧kh的邻接矩阵。
Figure BDA0002395758260000135
表示当前关键帧ki的拓扑图中特征点xi,p和特征点xi,l之间的连接，
Figure BDA0002395758260000136
表示候选关键帧kh的拓扑图中特征点xh,p和特征点xh,l之间的连接。p∈U，l∈U。需要说明的是，在公式三中，h∈M，M为候选关键帧的数量，M为大于0的正整数。
在本公开实施例中，通过使用拓扑计算相似性，使关键帧特征点和特征描述子的几何关系得到了关联，减少了误匹配，特别是重复纹理和相似场景下的误匹配，提高了重定位的精度。
在一种可能的实现方式中，在根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧之前，所述方法还包括：分别对所述当前关键帧的特征点和各候选关键帧的特征点进行筛选。在此基础上，步骤S13可以包括：根据所述当前关键帧的筛选后的特征点和各候选关键帧的筛选后的特征点，确定与所述当前关键帧形成回环的回环关键帧。
相应的，在公式二和公式三中采用的特征点为筛选后的特征点，也就是说公式二和公式三中U的数量为筛选后的特征点的数量。
在本公开实施例中，筛选后的特征点至所属关键帧的边框的距离大于第一距离，且筛选后的特征点之间的距离大于第二距离。
图像边缘存在一定畸变且噪声较大，因此需要去除位于图像边框的特征点。在一种可能的实现方式中，可以去除距离图像边框第一距离(例如5个像素)的特征点，使得筛选后的特征点至所属关键帧的边框的距离大于第一距离。
由于特征描述子表示的是特征点周围区域，因此距离较近的特征描述子比较相似，为了减少计算量，可以对特征进行均匀化处理，使得筛选后的特征点之间的距离大于第二距离(例如3个像素)。
第一距离和第二距离可以根据需要进行设置，本公开不做限制。
在步骤S14中，可以根据当前关键帧和回环关键帧进行重定位。本公开实施例可以采用相关技术中的方法进行重定位，本公开实施例对根据当前关键帧和回环关键帧进行重定位的方法不做限制。
如上所述，在步骤S11中提到可以采用深度学习网络，获取当前关键帧的特征点和所述特征点的特征描述子。下面对深度学习网络的训练过程进行说明。
在一种可能的实现方式中，所述方法还可以包括：
训练所述深度学习网络，包括：
获取训练帧；将所述训练帧输入待训练的深度学习网络的第一卷积层，得到所述训练帧的特征图；将所述训练帧的特征图恢复到所述训练帧关键帧的分辨率，得到所述训练帧的第一特征概率图，所述训练帧的第一特征概率图包括所述训练帧中每个像素点为特征点的第一概率；将所述训练帧的特征图输入待训练的深度学习网络的第二卷积层，并将该第二卷积层的输出结果恢复到所述训练帧的分辨率，得到所述训练帧的第二特征概率图，所述训练帧的第二特征概率图包括所述训练帧中每个像素点为特征点的第二概率；分别根据所述第一特征概率图和所述第二特征概率图，确定所述训练帧的第一特征点和第二特征点；根据所述训练帧的第一特征点和所述训练帧的真实特征点，确定特征点损失，根据所述第一特征点的第一概率和所述第二特征点的第二概率，确定特征描述子损失；根据所述特征点损失和所述特征描述子损失，确定待训练的深度学习网络的损失；根据待训练的深度学习网络的损失，训练深度学习网络。
在一种可能的实现方式中，根据所述训练帧的第一特征点和所述训练帧的真实特征点，确定特征点损失，可以包括：根据所述训练帧中各像素点与所述第一特征点的距离，以及所述训练帧中各像素点与所述真实特征点的距离，确定所述特征点损失。
在一个示例中，可以通过公式四确定特征点损失：
Figure BDA0002395758260000151
其中，d(，)表示两点之间的欧式距离，
Figure BDA0002395758260000152
和
Figure BDA0002395758260000153
分别表示输入图像(即训练帧)中原始的像素点、经过变换得到的特征点(即训练帧的第一特征点)以及提供的真实特征点，m为常数。
在一个示例中，可以通过公式五确定特征描述子损失：
Figure BDA0002395758260000154
其中，α1和α2用来平衡不同卷积层之间的权重。在一个示例中，α1和α2可以分别取0.1和1。
Figure BDA0002395758260000155
和
Figure BDA0002395758260000156
也为权重，在训练的过程中自适应调整。
Figure BDA0002395758260000157
表示输入图像(即训练帧)中的原始像素点经深度学习网络输出为特征点的概率(即第二概率)，
Figure BDA0002395758260000158
表示输入图像(即训练帧)中原始像素点变换为特征点的概率(即第一概率)。
在一个示例中，可以通过公式六确定深度学习网络的损失：
L＝Lk+wLd公式六
其中，Lk和Ld分别为特征点的损失函数和特征描述子的损失函数，w为权重，在训练时自适应调整。
在本公开实施例中，为特征点和特征描述子构建统一的损失函数，使用一个深度学习网路同时输出特征点和特征描述子，保持了特征点和特征描述子之间的几何关联，从而提升了重定位的精度。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了重定位装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种重定位方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出根据本公开实施例的重定位装置的框图，如图5所示，所述重定位装置50包括：
获取模块51，用于获取当前关键帧的特征点和所述特征点的特征描述子；
确定模块52，用于根据所述当前关键帧的特征描述子和各已有关键帧的特征描述子，从各已有关键帧中确定出候选关键帧；
第一筛选模块53，用于根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧；
重定位模块54，用于根据所述当前关键帧与所述回环关键帧进行重定位。
在一种可能的实现方式中，确定模块还用于：
针对任意一个已有关键帧，根据所述当前关键帧的特征描述子和该已有关键帧的特征描述子，确定所述当前关键帧与该已有关键帧的第一相似度；
根据所述当前关键帧与各已有关键帧的第一相似度，从各已有关键帧中确定出所述候选关键帧。
在一种可能的实现方式中，根据所述当前关键帧的特征描述子和该已有关键帧的特征描述子，确定所述当前关键帧与该已有关键帧的第一相似度，包括：
根据所述当前关键帧的第一特征描述子和该已有关键帧的第一特征描述子的相似度，确定所述当前关键帧与该已有关键帧的第一相似度；
其中，所述第一特征描述子用于表示确定关键帧的相似度过程中采用的特征描述子，所述第一特征描述子是基于特征描述子对应的特征点的概率确定的，所述当前关键帧的第一特征描述子的数量与该已有关键帧的第一特征描述子的数量相同。
在一种可能的实现方式中，第一筛选模块还用于：
针对任意一个候选关键帧，根据所述当前关键帧的特征点和该候选关键帧的特征点，确定所述当前关键帧与该候选关键帧的第二相似度；
根据所述当前关键帧与各候选关键帧的第二相似度，确定所述回环关键帧。
在一种可能的实现方式中，根据所述当前关键帧的特征点和该候选关键帧的特征点，确定所述当前关键帧与该候选关键帧的第二相似度，包括：
根据所述当前关键帧和该候选关键帧的特征点，分别确定所述当前关键帧和该候选关键帧的拓扑图；
基于所述当前关键帧和该候选关键帧的拓扑图，分别确定所述当前关键帧和该候选关键帧的邻接矩阵；
根据所述当前关键帧的邻接矩阵与该候选关键帧的邻接矩阵，确定所述当前关键帧和该候选关键帧的第二相似度。
在一种可能的实现方式中，所述装置还包括：
第二筛选模块，用于分别对所述当前关键帧的特征点和各候选关键帧的特征点进行筛选；
第一筛选模块，还用于根据所述当前关键帧的筛选后的特征点和各候选关键帧的筛选后的特征点，确定与所述当前关键帧形成回环的回环关键帧。
在一种可能的实现方式中，筛选后的特征点至所属关键帧的边框的距离大于第一距离，且筛选后的特征点之间的距离大于第二距离。
在一种可能的实现方式中，获取模块还用于：
采用深度学习网络，获取当前关键帧的特征点和所述特征点的特征描述子。
在一种可能的实现方式中，所述深度学习网络包括第一卷积层、第二卷积层和第三卷积层，所述采用深度学习网络，获取当前关键帧的特征点和所述特征点的特征描述子，包括：
将所述当前关键帧输入所述深度学习网络的第一卷积层，得到所述当前关键帧的特征图；
将所述当前关键帧的特征图输入第二卷积层，并将该第二卷积层的输出结果恢复到所述当前关键帧的分辨率，得到所述当前关键帧的特征概率图，所述当前关键帧的特征概率图包括所述当前关键帧中每个像素点为特征点的概率；
根据所述当前关键帧的特征概率图，确定所述当前关键帧的特征点；
将所述当前关键帧的特征图输入第三卷积层，对该第三卷积层的输出结果进行插值，并根据当前关键帧的特征点对插值结果进行筛选，得到当前关键帧的各个特征点的特征描述子。
在一种可能的实现方式中，所述装置还包括：
训练模块，用于训练所述深度学习网络，包括：
获取训练帧；
将所述训练帧输入待训练的深度学习网络的第一卷积层，得到所述训练帧的特征图；
将所述训练帧的特征图恢复到所述训练帧关键帧的分辨率，得到所述训练帧的第一特征概率图，所述训练帧的第一特征概率图包括所述训练帧中每个像素点为特征点的第一概率；将所述训练帧的特征图输入待训练的深度学习网络的第二卷积层，并将该第二卷积层的输出结果恢复到所述训练帧的分辨率，得到所述训练帧的第二特征概率图，所述训练的第二特征概率图包括所述训练帧中每个像素点为特征点的第二概率；
分别根据所述第一特征概率图和所述第二特征概率图，确定所述训练帧的第一特征点和第二特征点；
根据所述训练帧的第一特征点和所述训练帧的真实特征点，确定特征点损失，根据所述第一特征点的第一概率和所述第二特征点的第二概率，确定特征描述子损失；
根据所述特征点损失和所述特征描述子损失，确定待训练的深度学习网络的损失；
根据待训练的深度学习网络的损失，训练深度学习网络。
在一种可能的实现方式中，根据所述训练帧的第一特征点和所述训练帧的真实特征点，确定特征点损失，包括：
根据所述训练帧中各像素点与所述第一特征点的距离，以及所述训练帧中各像素点与所述真实特征点的距离，确定所述特征点损失。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的重定位方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的重定位方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (14)

1.一种重定位方法，其特征在于，所述方法包括：
获取当前关键帧的特征点和所述特征点的特征描述子；
根据所述当前关键帧的特征描述子和各已有关键帧的特征描述子，从各已有关键帧中确定出候选关键帧；
根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧；
根据所述当前关键帧与所述回环关键帧进行重定位。
2.根据权利要求1所述的方法，其特征在于，根据所述当前关键帧的特征描述子和各已有关键帧的特征描述子，从各已有关键帧中确定出候选关键帧，包括：
针对任意一个已有关键帧，根据所述当前关键帧的特征描述子和该已有关键帧的特征描述子，确定所述当前关键帧与该已有关键帧的第一相似度；
根据所述当前关键帧与各已有关键帧的第一相似度，从各已有关键帧中确定出所述候选关键帧。
3.根据权利要求2所述的方法，其特征在于，根据所述当前关键帧的特征描述子和该已有关键帧的特征描述子，确定所述当前关键帧与该已有关键帧的第一相似度，包括：
根据所述当前关键帧的第一特征描述子和该已有关键帧的第一特征描述子的相似度，确定所述当前关键帧与该已有关键帧的第一相似度；
其中，所述第一特征描述子用于表示确定关键帧的相似度过程中采用的特征描述子，所述第一特征描述子是基于特征描述子对应的特征点的概率确定的，所述当前关键帧的第一特征描述子的数量与该已有关键帧的第一特征描述子的数量相同。
4.根据权利要求1至3中任一项所述的方法，其特征在于，根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧，包括：
针对任意一个候选关键帧，根据所述当前关键帧的特征点和该候选关键帧的特征点，确定所述当前关键帧与该候选关键帧的第二相似度；
根据所述当前关键帧与各候选关键帧的第二相似度，确定所述回环关键帧。
5.根据权利要求4所述的方法，其特征在于，根据所述当前关键帧的特征点和该候选关键帧的特征点，确定所述当前关键帧与该候选关键帧的第二相似度，包括：
根据所述当前关键帧和该候选关键帧的特征点，分别确定所述当前关键帧和该候选关键帧的拓扑图；
基于所述当前关键帧和该候选关键帧的拓扑图，分别确定所述当前关键帧和该候选关键帧的邻接矩阵；
根据所述当前关键帧的邻接矩阵与该候选关键帧的邻接矩阵，确定所述当前关键帧和该候选关键帧的第二相似度。
6.根据权利要求1至5中任一项所述的方法，其特征在于，在根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧之前，所述方法还包括：
分别对所述当前关键帧的特征点和各候选关键帧的特征点进行筛选；
根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧，包括：
根据所述当前关键帧的筛选后的特征点和各候选关键帧的筛选后的特征点，确定与所述当前关键帧形成回环的回环关键帧。
7.根据权利要求6所述的方法，其特征在于，筛选后的特征点至所属关键帧的边框的距离大于第一距离，且筛选后的特征点之间的距离大于第二距离。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述获取当前关键帧的特征点和所述特征点的特征描述子，包括：
采用深度学习网络，获取当前关键帧的特征点和所述特征点的特征描述子。
9.根据权利要求8所述的方法，其特征在于，所述深度学习网络包括第一卷积层、第二卷积层和第三卷积层，所述采用深度学习网络，获取当前关键帧的特征点和所述特征点的特征描述子，包括：
将所述当前关键帧输入所述深度学习网络的第一卷积层，得到所述当前关键帧的特征图；
将所述当前关键帧的特征图输入第二卷积层，并将该第二卷积层的输出结果恢复到所述当前关键帧的分辨率，得到所述当前关键帧的特征概率图，所述当前关键帧的特征概率图包括所述当前关键帧中每个像素点为特征点的概率；
根据所述当前关键帧的特征概率图，确定所述当前关键帧的特征点；
将所述当前关键帧的特征图输入第三卷积层，对该第三卷积层的输出结果进行插值，并根据当前关键帧的特征点对插值结果进行筛选，得到当前关键帧的各个特征点的特征描述子。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
训练所述深度学习网络，包括：
获取训练帧；
将所述训练帧输入待训练的深度学习网络的第一卷积层，得到所述训练帧的特征图；
将所述训练帧的特征图恢复到所述训练帧关键帧的分辨率，得到所述训练帧的第一特征概率图，所述训练帧的第一特征概率图包括所述训练帧中每个像素点为特征点的第一概率；将所述训练帧的特征图输入待训练的深度学习网络的第二卷积层，并将该第二卷积层的输出结果恢复到所述训练帧的分辨率，得到所述训练帧的第二特征概率图，所述训练帧的第二特征概率图包括所述训练帧中每个像素点为特征点的第二概率；
分别根据所述第一特征概率图和所述第二特征概率图，确定所述训练帧的第一特征点和第二特征点；
根据所述训练帧的第一特征点和所述训练帧的真实特征点，确定特征点损失，根据所述第一特征点的第一概率和所述第二特征点的第二概率，确定特征描述子损失；
根据所述特征点损失和所述特征描述子损失，确定待训练的深度学习网络的损失；
根据待训练的深度学习网络的损失，训练深度学习网络。
11.根据权利要求10所述的方法，其特征在于，根据所述训练帧的第一特征点和所述训练帧的真实特征点，确定特征点损失，包括：
根据所述训练帧中各像素点与所述第一特征点的距离，以及所述训练帧中各像素点与所述真实特征点的距离，确定所述特征点损失。
12.一种重定位装置，其特征在于，包括：
获取模块，用于获取当前关键帧的特征点和所述特征点的特征描述子；
确定模块，用于根据所述当前关键帧的特征描述子和各已有关键帧的特征描述子，从各已有关键帧中确定出候选关键帧；
第一筛选模块，用于根据所述当前关键帧的特征点和各候选关键帧的特征点，从各候选关键帧中筛选出回环关键帧；
重定位模块，用于根据所述当前关键帧与所述回环关键帧进行重定位。
13.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至11中任意一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至11中任意一项所述的方法。
CN202010130949.9A 2020-02-28 2020-02-28 重定位方法及装置、电子设备和存储介质 Active CN111311588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010130949.9A CN111311588B (zh) 2020-02-28 2020-02-28 重定位方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010130949.9A CN111311588B (zh) 2020-02-28 2020-02-28 重定位方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111311588A true CN111311588A (zh) 2020-06-19
CN111311588B CN111311588B (zh) 2024-01-05

Family

ID=71160396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010130949.9A Active CN111311588B (zh) 2020-02-28 2020-02-28 重定位方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111311588B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814811A (zh) * 2020-08-14 2020-10-23 Oppo广东移动通信有限公司 图像信息提取方法、训练方法及装置、介质和电子设备
CN112509053A (zh) * 2021-02-07 2021-03-16 深圳市智绘科技有限公司 机器人位姿的获取方法、装置及电子设备

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063706A (zh) * 2014-06-27 2014-09-24 电子科技大学 一种基于surf算法的视频指纹提取方法
US20140293016A1 (en) * 2011-08-31 2014-10-02 Metaio Gmbh Method for estimating a camera motion and for determining a three-dimensional model of a real environment
US20150161476A1 (en) * 2011-08-31 2015-06-11 Daniel Kurz Method of matching image features with reference features
CN107169411A (zh) * 2017-04-07 2017-09-15 南京邮电大学 一种基于关键帧和边界约束dtw的实时动态手势识别方法
CN107160395A (zh) * 2017-06-07 2017-09-15 中国人民解放军装甲兵工程学院 地图构建方法及机器人控制系统
CN107301402A (zh) * 2017-06-30 2017-10-27 锐捷网络股份有限公司 一种现实场景关键帧的确定方法、装置、介质及设备
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
US20180089832A1 (en) * 2016-09-29 2018-03-29 Intel Corporation Place recognition algorithm
CN108596976A (zh) * 2018-04-27 2018-09-28 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置、设备及存储介质
CN108615247A (zh) * 2018-04-27 2018-10-02 深圳市腾讯计算机系统有限公司 相机姿态追踪过程的重定位方法、装置、设备及存储介质
CN109460267A (zh) * 2018-11-05 2019-03-12 贵州大学 移动机器人离线地图保存与实时重定位方法
CN109631855A (zh) * 2019-01-25 2019-04-16 西安电子科技大学 基于orb-slam的高精度车辆定位方法
CN110084272A (zh) * 2019-03-26 2019-08-02 哈尔滨工业大学（深圳） 一种聚类地图创建方法及基于聚类地图和位置描述子匹配的重定位方法
US20190259170A1 (en) * 2018-02-21 2019-08-22 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for feature screening in slam
CN110335337A (zh) * 2019-04-28 2019-10-15 厦门大学 一种基于端到端半监督生成对抗网络的视觉里程计的方法
CN110335316A (zh) * 2019-06-28 2019-10-15 Oppo广东移动通信有限公司 基于深度信息的位姿确定方法、装置、介质与电子设备
CN110349213A (zh) * 2019-06-28 2019-10-18 Oppo广东移动通信有限公司 基于深度信息的位姿确定方法、装置、介质与电子设备

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140293016A1 (en) * 2011-08-31 2014-10-02 Metaio Gmbh Method for estimating a camera motion and for determining a three-dimensional model of a real environment
US20150161476A1 (en) * 2011-08-31 2015-06-11 Daniel Kurz Method of matching image features with reference features
CN104063706A (zh) * 2014-06-27 2014-09-24 电子科技大学 一种基于surf算法的视频指纹提取方法
US20180089832A1 (en) * 2016-09-29 2018-03-29 Intel Corporation Place recognition algorithm
CN107169411A (zh) * 2017-04-07 2017-09-15 南京邮电大学 一种基于关键帧和边界约束dtw的实时动态手势识别方法
CN107160395A (zh) * 2017-06-07 2017-09-15 中国人民解放军装甲兵工程学院 地图构建方法及机器人控制系统
CN107301402A (zh) * 2017-06-30 2017-10-27 锐捷网络股份有限公司 一种现实场景关键帧的确定方法、装置、介质及设备
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
US20190259170A1 (en) * 2018-02-21 2019-08-22 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for feature screening in slam
CN108596976A (zh) * 2018-04-27 2018-09-28 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置、设备及存储介质
CN108615247A (zh) * 2018-04-27 2018-10-02 深圳市腾讯计算机系统有限公司 相机姿态追踪过程的重定位方法、装置、设备及存储介质
CN109460267A (zh) * 2018-11-05 2019-03-12 贵州大学 移动机器人离线地图保存与实时重定位方法
CN109631855A (zh) * 2019-01-25 2019-04-16 西安电子科技大学 基于orb-slam的高精度车辆定位方法
CN110084272A (zh) * 2019-03-26 2019-08-02 哈尔滨工业大学（深圳） 一种聚类地图创建方法及基于聚类地图和位置描述子匹配的重定位方法
CN110335337A (zh) * 2019-04-28 2019-10-15 厦门大学 一种基于端到端半监督生成对抗网络的视觉里程计的方法
CN110335316A (zh) * 2019-06-28 2019-10-15 Oppo广东移动通信有限公司 基于深度信息的位姿确定方法、装置、介质与电子设备
CN110349213A (zh) * 2019-06-28 2019-10-18 Oppo广东移动通信有限公司 基于深度信息的位姿确定方法、装置、介质与电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MANII: "VINS-Mono代码解读——回环检测与重定位", pages 1 - 11 *
TONG QIN等: "VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator", pages 1 - 17 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814811A (zh) * 2020-08-14 2020-10-23 Oppo广东移动通信有限公司 图像信息提取方法、训练方法及装置、介质和电子设备
CN112509053A (zh) * 2021-02-07 2021-03-16 深圳市智绘科技有限公司 机器人位姿的获取方法、装置及电子设备
CN112509053B (zh) * 2021-02-07 2021-06-04 深圳市智绘科技有限公司 机器人位姿的获取方法、装置及电子设备

Also Published As

Publication number Publication date
CN111311588B (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
CN110210535B (zh) 神经网络训练方法及装置以及图像处理方法及装置
CN110348537B (zh) 图像处理方法及装置、电子设备和存储介质
CN109522910B (zh) 关键点检测方法及装置、电子设备和存储介质
CN110287874B (zh) 目标追踪方法及装置、电子设备和存储介质
CN110647834B (zh) 人脸和人手关联检测方法及装置、电子设备和存储介质
CN109697734B (zh) 位姿估计方法及装置、电子设备和存储介质
CN106651955B (zh) 图片中目标物的定位方法及装置
CN109816764B (zh) 图像生成方法及装置、电子设备和存储介质
CN110503689B (zh) 位姿预测方法、模型训练方法及装置
CN109977847B (zh) 图像生成方法及装置、电子设备和存储介质
CN109934275B (zh) 图像处理方法及装置、电子设备和存储介质
CN110458218B (zh) 图像分类方法及装置、分类网络训练方法及装置
US20220327385A1 (en) Network training method, electronic device and storage medium
CN109165738B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN109145970B (zh) 基于图像的问答处理方法和装置、电子设备及存储介质
CN111340048B (zh) 图像处理方法及装置、电子设备和存储介质
CN110933488A (zh) 视频剪辑方法及装置
CN111242303A (zh) 网络训练方法及装置、图像处理方法及装置
CN111126108A (zh) 图像检测模型的训练和图像检测方法及装置
CN110706339A (zh) 三维人脸重建方法及装置、电子设备和存储介质
CN113486830A (zh) 图像处理方法及装置、电子设备和存储介质
CN108171222B (zh) 一种基于多流神经网络的实时视频分类方法及装置
CN112991381A (zh) 图像处理方法及装置、电子设备和存储介质
CN110415258B (zh) 图像处理方法及装置、电子设备和存储介质
CN111311588B (zh) 重定位方法及装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant