CN111339226A - 一种基于分类检测网络构建地图方法及装置 - Google Patents
一种基于分类检测网络构建地图方法及装置 Download PDFInfo
- Publication number
- CN111339226A CN111339226A CN201911340543.7A CN201911340543A CN111339226A CN 111339226 A CN111339226 A CN 111339226A CN 201911340543 A CN201911340543 A CN 201911340543A CN 111339226 A CN111339226 A CN 111339226A
- Authority
- CN
- China
- Prior art keywords
- picture data
- data
- current frame
- detection result
- objects
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 31
- 230000003068 static effect Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于即时定位技术领域，提供了一种基于分类检测网络构建地图方法，包括：获取当前帧的图片数据，并对图片数据进行分类，然后根据分类后的图片数据和惯性测量数据计算位姿变化数据，通过对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果，再根据位姿变化数据和回环检测结果，估计相机的运动轨迹，并构建地图。本申请通过对当前帧的图片数据进行分类，并去除动态图片数据，仅根据静态图片数据和惯性测量数据计算位姿变化数据，并通过多种方式结合的回环检测，获得回环检测结果，根据位姿变化数据和回环检测结果，估计相机的运动轨迹，构建地图，可准确的计算出相机的位姿变化数据，提高了算法的性能，减小了计算量。
Description
技术领域
本申请属于即时定位技术领域，尤其涉及一种基于分类检测网络构建地图方法及装置。
背景技术
随着智能机器人和无人驾驶技术领域的飞速发展，如何进行实时的地图重建进而进行定位导航，成为了最为关注的技术问题。
传统的视觉同步定位与建图方案主要是通过矩阵运算检测特征点的方法实现的，上述方案计算量大，且占用资源较大，实时性受到一定的影响，因此建图的效率低。
发明内容
本申请实施例提供了一种基于分类检测网络构建地图方法及装置，可以解决现有技术方案计算量大，且占用资源较大，实时性受到一定的影响，因此建图的效率低问题。
第一方面，本申请实施例提供了一种基于分类检测网络构建地图方法，包括：
获取当前帧的图片数据；
对所述图片数据进行分类；
根据分类后的图片数据和惯性测量数据计算位姿变化数据；
对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果；
根据位姿变化数据和回环检测结果，估计相机的运动轨迹，并构建地图。
第二方面，本申请实施例提供了一种基于分类检测网络构建地图装置，包括：
获取模块，用于获取当前帧的图片数据；
分类模块，用于对所述图片数据进行分类；
计算模块，用于根据分类后的图片数据和惯性测量数据计算位姿变化数据；
检测模块，用于对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果；
建图模块，用于根据位姿变化数据和回环检测结果，估计相机的运动轨迹，并构建地图。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的基于分类检测网络构建地图方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读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如上述第一方面中任一项所述的基于分类检测网络构建地图方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的基于分类检测网络构建地图方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例通过对当前帧的图片数据进行分类，并去除动态图片数据，仅根据静态图片数据和惯性测量数据计算位姿变化数据，并通过多种方式结合的回环检测，获得回环检测结果，根据位姿变化数据和回环检测结果，估计相机的运动轨迹，构建地图，可准确的计算出相机的位姿变化数据，提高了算法的性能，减小了计算量。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的基于分类检测网络构建地图方法的流程示意图；
图2是本申请一实施例提供的基于分类检测网络构建地图系统的模块示例图；
图3是本申请一实施例提供的基于分类检测网络构建地图装置的结构示意图；
图4是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的基于分类检测网络构建地图方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(Augmented Reality，AR)/虚拟现实(VirtualReality，VR)设备、笔记本电脑、超级移动个人计算机(Ultra-Mobile Personal Computer，UMPC)、上网本、个人数字助理(Personal Digital Assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
例如，所述终端设备可以是WLAN中的站点(STAION，ST)，可以是蜂窝电话、无绳电话、会话启动协议(Session InitiationProtocol，SIP)电话、无线本地环路(WirelessLocal Loop，WLL)站、个人数字处理(Personal Digital Assistant，PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、车联网终端、电脑、膝上型计算机、手持式通信设备、手持式计算设备、卫星无线设备、无线调制解调器卡、电视机顶盒(Set Top Box，STB)、用户驻地设备(Customer Premise Equipment，CPE)和/或用于在无线系统上进行通信的其它设备以及下一代通信系统，例如，5G网络中的移动终端或者未来演进的公共陆地移动网络(Public Land Mobile Network，PLMN)网络中的移动终端等。
图1示出了本申请提供的基于分类检测网络构建地图方法的示意性流程图，作为示例而非限定，该方法可以应用于上述任一端设备中。
S101、获取当前帧的图片数据。
在具体应用中，通过视觉前端VO(Visual Odometry)的传感器获取相机在当前帧拍下的图片数据。
需要说明的是，视觉前端可获取两种传感器的数据：相机数据和惯性测量数据(Inertial measurement unit，IMU)。
S102、对所述图片数据进行分类。
在具体应用中，通过预训练后的分类检测网络对图片数据进行分类。其中，图片数据的类型包括动态图片、静态图片和动静混合图片。其中，动态图片是指仅包括可移动物体的图片，可移动物体可根据实际情况进行具体的划分。例如，设定可移动物体包括人、动物、汽车、飞机、摩托车、电动车等，则仅包含人和汽车的图片可被分类为动态图片。静态图片是指仅包括静止物体的图片，静止物体可根据实际情况进行具体的划分。例如，可设定静态物体包括建筑物、路标、广告牌等，则仅包括建筑物和路标的图片即可被分类为静态图片。而包括人、汽车和建筑物的图片可被分类为动静混合图片。
分类检测网络是一种深度学习网络模型，也称目标检测算法，通常以构建RCNN网络为主，是一种经过大量的数据训练，得到的训练模型，具有准确率高的特点。现有的目标检测算法有fasterRCNN，maskRCNN，yolov3等，mobilenet-ssd在嵌入式设备上效果较好，基于上述原因，本基于分类检测网络构建地图方法可应用于嵌入式板载设备，即可在小型智能机器人平台上运行，从而降低小型智能设备的硬件成本。
S103、根据分类后的图片数据和惯性测量数据计算位姿变化数据。
在具体应用中，惯性测量数据可以是为进行滤波融合处理后的IMU数据，位姿估计是指估计某一刻终端设备的三个方位角和三个旋转角数据。
相机拍摄获得的图片数据和惯性测量数据融合有很好的互补性。首先，可通过将惯性测量数据估计的位姿序列和相机拍摄获得的图片数据估计的位姿序列对齐可以估计出相机轨迹的真实尺度，而且惯性测量数据可以很好地预测出图像帧的位姿以及上一时刻特征点在下一帧图像中的位置，提高特征跟踪算法的匹配速度和应对快速旋转的算法鲁棒性，最后惯性测量数据中加速度计提供的重力向量可以将估计的位置转为实际导航需要的世界坐标系中。
需要说明的是，由于现实中视觉前端视野分为环境复杂，长时间环境单一，复杂环境和单一环境转场3种情况。具体还可通过协方差矩阵分别计算出惯性测量数据和分类后的图片数据的权重分配值，对任一种情况下惯性测量数据和分类后的图片数据进行融合计算，从而进行位姿估计。其中，协方差矩阵的参数可由去除的动态图片的个数决定。
S104、对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果。
在具体应用中，通过分别对当前帧的图片数据与上一帧的图片数据的类别、任两个物体的窗口之间的距离和惯性测量数据进行回环检测(Loop closure)，获得三种检测结果并进行融合，获得最终的回环检测结果。
回环检测的目的是为了解决在视觉前端中的累积漂移问题。
在一个实施例中，也可通过计算准确率和召回率的最后结果作为回环检测结果。
S105、根据位姿变化数据和回环检测结果，估计相机的运动轨迹，并构建地图。
在具体应用中，若回环检测结果检测成功，则当前终端设备没有陷入闭环，可通过同步定位与建图算法对位姿变化数据和回环检测结果，从而估计相机的运动轨迹，并根据相机的运动轨迹构建地图。
图2示例性的示出了一种基于分类检测网络构建地图系统的模块示意图。
在一个实施例中，所述步骤S104，包括：
S1041、检测当前帧的图片数据与上一帧的图片数据的类别是否相同，获得类别检测结果；
S1042、对比当前帧的图片数据中任两个物体的窗口之间的距离与上一帧的图片数据中所述两个物体的窗口之间的距离是否相同，获得距离检测结果；
S1043、对比当前帧的惯性测量数据与上一帧的惯性测量数据是否相同，获得惯性测量数据检测结果；
S1044、对类别检测结果、距离检测结果和惯性测量数据检测结果进行融合，获得回环检测结果。
在具体应用中，对上一帧的图片数据进行分类，并对比当前帧的图片数据与上一帧的图片数据的类别是否相同，获得类别检测结果。获取当前帧的图片数据中任两个物体的窗口之间的距离，以及上一帧的图片数据中上述两个物体的窗口之间的距离，并对比上述两个物体在当前帧的图片数据中的距离与上一帧的图片数据中的距离是否相同，然后对比当前帧的惯性测量数据与上一帧的惯性测量数据是否相同，获得惯性测量数据检测结果，并对类别检测结果、距离检测结果和惯性测量数据检测结果进行融合处理，获得回环检测结果。
若类别检测结果、距离检测结果和惯性测量数据检测结果中任一种检测结果有误，则判定回环检测失败，当前时刻下终端设备可能陷入闭环。
在一个实施例中，所述步骤S1042之前，包括：
识别当前帧的图片数据中的所有物体，并获取所有物体的候选窗口；
去除当前帧的图片数据中的冗余候选窗口，获得当前帧的图片数据中的任一物体的窗口；
计算当前帧的图片数据中的任两个物体的窗口之间的距离；
识别上一帧的图片数据中的所有物体，并获取所有物体的候选窗口；
去除上一帧的图片数据中的冗余候选窗口，获得上一帧的图片数据中的任一物体的窗口；
计算上一帧的图片数据中的任两个物体的窗口之间的距离。
在具体应用中，通过图像识别算法识别当前帧的图片数据中的所有物体，并获取所有物体的候选窗口，通过去除当前帧的图片数据中的冗余候选窗口，获得当前帧图片数据中的任一物体的窗口，然后通过图像识别算法识别上一帧的图片数据中的所有物体，获取所有物体的候选窗口，去除上一帧的图片数据中的冗余候选窗口，获得上一帧的图片数据中的任一物体的窗口。分别计算当前帧中任两个物体的窗口之间的距离，以及上一帧的图像数据中上述两个物体的窗口之间的距离。
例如，若当前帧的图片数据和上一帧的图像数据中均包括人和车，则计算当前帧的图片数据中人的窗口和车的窗口之间的距离，以及上一帧的图片数据中人的窗口和车的窗口之间的距离。
在一个实施例中，所述图片数据的种类包括但不限于动态图片、静态图片和动静混合图片。
在一个实施例中，所述步骤S103，包括：
分离动静混合图片数据中的静态图片数据和动态图片数据；
去除所有动态图片数据；
通过同步定位与建图算法对静态图片数据和惯性测量数据进行位姿估计，获得位姿变化数据。
在具体应用中，图片数据的种类包括但不限于动态图片、静态图片和动静混合图片。将去除所有动态图片数据的个数作为惯性测量数据数据和静态图片数据的协方差参数，通过协方差矩阵分别计算出惯性测量数据和静态图片数据的权重分配值，然后对惯性测量数据和静态图片数据进行融合计算，从而进行位姿估计，获得位姿变化数据。
在一个实施例中，所述步骤S102之前，包括：
通过预训练数据对深度学习网络进行预训练，获得预训练后的深度学习网络，作为分类检测网络；其中，分类检测网络用于对输入的图片数据进行分类。
在具体应用中，获取大量的动态图片数据、静态图片数据以及动静混合图片数据作为预训练数据，对深度学习网络进行预训练，获得预训练后的深度学习网络，作为分类检测网络。其中，分类检测网络用于对输入的图片数据进行分类。
本实施例通过对当前帧的图片数据进行分类，并去除动态图片数据，仅根据静态图片数据和惯性测量数据计算位姿变化数据，并通过多种方式结合的回环检测，获得回环检测结果，根据位姿变化数据和回环检测结果，估计相机的运动轨迹，构建地图，可准确的计算出相机的位姿变化数据，提高了算法的性能，减小了计算量。
应理解，上述实施例中各步骤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。
对应于上文实施例所述的基于分类检测网络构建地图方法，图3示出了本申请实施例提供的基于分类检测网络构建地图装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图3，该基于分类检测网络构建地图装置100包括：
获取模块101，用于获取当前帧的图片数据；
分类模块102，用于对所述图片数据进行分类；
计算模块103，用于根据分类后的图片数据和惯性测量数据计算位姿变化数据；
检测模块104，用于对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果；
建图模块105，用于根据位姿变化数据和回环检测结果，估计相机的运动轨迹，并构建地图。
在一个实施例中，所述检测模块104，包括：
检测单元，用于检测当前帧的图片数据与上一帧的图片数据的类别是否相同，获得类别检测结果；
第一对比单元，用于对比当前帧的图片数据中任两个物体的窗口之间的距离与上一帧的图片数据中所述两个物体的窗口之间的距离是否相同，获得距离检测结果；
第二对比单元，用于对比当前帧的惯性测量数据与上一帧的惯性测量数据是否相同，获得惯性测量数据检测结果；
融合单元，用于对类别检测结果、距离检测结果和惯性测量数据检测结果进行融合，获得回环检测结果。
在一个实施例中，所述检测模块104，还包括：
第一识别单元，用于识别当前帧的图片数据中的所有物体，并获取所有物体的候选窗口；
第一清除单元，用于去除当前帧的图片数据中的冗余候选窗口，获得当前帧的图片数据中的任一物体的窗口；
第一计算单元，用于计算当前帧的图片数据中的任两个物体的窗口之间的距离；
第二识别单元，用于识别上一帧的图片数据中的所有物体，并获取所有物体的候选窗口；
第二清除单元，用于去除上一帧的图片数据中的冗余候选窗口，获得上一帧的图片数据中的任一物体的窗口；
第二计算单元，用于计算上一帧的图片数据中的任两个物体的窗口之间的距离。
在一个实施例中，所述图片数据的种类包括动态图片、静态图片和动静混合图片；
所述计算模块103，包括：
分离单元，用于分离动静混合图片数据中的静态图片数据和动态图片数据；
第三清除单元，用于去除所有动态图片数据；
估计单元，用于通过同步定位与建图算法对静态图片数据和惯性测量数据进行位姿估计，获得位姿变化数据。
在一个实施例中，所述装置100，还包括：
预训练模块，用于通过预训练数据对深度学习网络进行预训练，获得预训练后的深度学习网络，作为分类检测网络；其中，分类检测网络用于对输入的图片数据进行分类。
本实施例通过对当前帧的图片数据进行分类，并去除动态图片数据，仅根据静态图片数据和惯性测量数据计算位姿变化数据，并通过多种方式结合的回环检测，获得回环检测结果，根据位姿变化数据和回环检测结果，估计相机的运动轨迹，构建地图，可准确的计算出相机的位姿变化数据，提高了算法的性能，减小了计算量。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图4为本申请一实施例提供的终端设备的结构示意图。如图4所示，该实施例的终端设备4包括：至少一个处理器40(图4中仅示出一个)处理器、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42，所述处理器40执行所述计算机程序42时实现上述任意各个基于分类检测网络构建地图方法实施例中的步骤。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的举例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41在一些实施例中可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，该终端设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读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可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于分类检测网络构建地图方法，其特征在于，包括：
获取当前帧的图片数据；
对所述图片数据进行分类；
根据分类后的图片数据和惯性测量数据计算位姿变化数据；
对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果；
根据位姿变化数据和回环检测结果，估计相机的运动轨迹，并构建地图。
2.如权利要求1所述的基于分类检测网络构建地图方法，其特征在于，所述对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果，包括：
检测当前帧的图片数据与上一帧的图片数据的类别是否相同，获得类别检测结果；
对比当前帧的图片数据中任两个物体的窗口之间的距离与上一帧的图片数据中所述两个物体的窗口之间的距离是否相同，获得距离检测结果；
对比当前帧的惯性测量数据与上一帧的惯性测量数据是否相同，获得惯性测量数据检测结果；
对类别检测结果、距离检测结果和惯性测量数据检测结果进行融合，获得回环检测结果。
3.如权利要求2所述的基于分类检测网络构建地图方法，其特征在于，所述对比当前帧的图片数据中任两个物体的窗口之间的距离与上一帧的图片数据中所述两个物体的窗口之间的距离是否相同，获得距离检测结果之前，包括：
识别当前帧的图片数据中的所有物体，并获取所有物体的候选窗口；
去除当前帧的图片数据中的冗余候选窗口，获得当前帧的图片数据中的任一物体的窗口；
计算当前帧的图片数据中的任两个物体的窗口之间的距离；
识别上一帧的图片数据中的所有物体，并获取所有物体的候选窗口；
去除上一帧的图片数据中的冗余候选窗口，获得上一帧的图片数据中的任一物体的窗口；
计算上一帧的图片数据中的任两个物体的窗口之间的距离。
4.如权利要求1所述的基于分类检测网络构建地图方法，其特征在于，所述图片数据的种类包括动态图片、静态图片和动静混合图片；
所述根据分类后的图片数据和惯性测量数据计算位姿变化数据，包括：
分离动静混合图片数据中的静态图片数据和动态图片数据；
去除所有动态图片数据；
通过同步定位与建图算法对静态图片数据和惯性测量数据进行位姿估计，获得位姿变化数据。
5.如权利要求1所述的基于分类检测网络构建地图方法，其特征在于，所述对所述图片数据进行分类之前，包括：
通过预训练数据对深度学习网络进行预训练，获得预训练后的深度学习网络，作为分类检测网络；其中，分类检测网络用于对输入的图片数据进行分类。
6.一种基于分类检测网络构建地图装置，其特征在于，包括：
获取模块，用于获取当前帧的图片数据；
分类模块，用于对所述图片数据进行分类；
计算模块，用于根据分类后的图片数据和惯性测量数据计算位姿变化数据；
检测模块，用于对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果；
建图模块，用于根据位姿变化数据和回环检测结果，估计相机的运动轨迹，并构建地图。
7.如权利要求6所述的基于分类检测网络构建地图装置，其特征在于，所述检测模块，包括：
检测单元，用于检测当前帧的图片数据与上一帧的图片数据的类别是否相同，获得类别检测结果；
第一对比单元，用于对比当前帧的图片数据中任两个物体的窗口之间的距离与上一帧的图片数据中所述两个物体的窗口之间的距离是否相同，获得距离检测结果；
第二对比单元，用于对比当前帧的惯性测量数据与上一帧的惯性测量数据是否相同，获得惯性测量数据检测结果；
融合单元，用于对类别检测结果、距离检测结果和惯性测量数据检测结果进行融合，获得回环检测结果。
8.如权利要求6所述的基于分类检测网络构建地图装置，其特征在于，所述检测模块，还包括：
第一识别单元，用于识别当前帧的图片数据中的所有物体，并获取所有物体的候选窗口；
第一清除单元，用于去除当前帧的图片数据中的冗余候选窗口，获得当前帧的图片数据中的任一物体的窗口；
第一计算单元，用于计算当前帧的图片数据中的任两个物体的窗口之间的距离；
第二识别单元，用于识别上一帧的图片数据中的所有物体，并获取所有物体的候选窗口；
第二清除单元，用于去除上一帧的图片数据中的冗余候选窗口，获得上一帧的图片数据中的任一物体的窗口；
第二计算单元，用于计算上一帧的图片数据中的任两个物体的窗口之间的距离。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至5任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911340543.7A CN111339226B (zh) | 2019-12-23 | 2019-12-23 | 一种基于分类检测网络构建地图方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911340543.7A CN111339226B (zh) | 2019-12-23 | 2019-12-23 | 一种基于分类检测网络构建地图方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111339226A true CN111339226A (zh) | 2020-06-26 |
| CN111339226B CN111339226B (zh) | 2023-11-24 |
Family
ID=71181382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911340543.7A Active CN111339226B (zh) | 2019-12-23 | 2019-12-23 | 一种基于分类检测网络构建地图方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111339226B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967318A (zh) * | 2020-07-13 | 2020-11-20 | 北京邮电大学 | 一种基于隐私保护原则的摄像头辅助车联网无线通信方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816769A (zh) * | 2017-11-21 | 2019-05-28 | 深圳市优必选科技有限公司 | 基于深度相机的场景地图生成方法、装置及设备 |
| 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 |
-
2019
- 2019-12-23 CN CN201911340543.7A patent/CN111339226B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816769A (zh) * | 2017-11-21 | 2019-05-28 | 深圳市优必选科技有限公司 | 基于深度相机的场景地图生成方法、装置及设备 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 张玉龙;张国山;: "基于关键帧的视觉惯性SLAM闭环检测算法" * |
| 沈燕芬;张小红;朱锋;: "ORB-SLAM2车载双目视觉的自主导航性能评估" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967318A (zh) * | 2020-07-13 | 2020-11-20 | 北京邮电大学 | 一种基于隐私保护原则的摄像头辅助车联网无线通信方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111339226B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110246147B (zh) | 视觉惯性里程计方法、视觉惯性里程计装置及移动设备 | |
| CN110322500B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
| CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
| CN111127563A (zh) | 联合标定方法、装置、电子设备及存储介质 | |
| CN111912416B (zh) | 用于设备定位的方法、装置及设备 | |
| CN113421305B (zh) | 目标检测方法、装置、系统、电子设备及存储介质 | |
| CN107563308B (zh) | 基于粒子群优化算法的slam闭环检测方法 | |
| CN110349212B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
| CN112819860B (zh) | 视觉惯性系统初始化方法及装置、介质和电子设备 | |
| CN111428539A (zh) | 目标跟踪方法及装置 | |
| CN112198878B (zh) | 一种即时地图构建方法、装置、机器人及存储介质 | |
| KR20230008000A (ko) | 차선 및 특징 포인트에 기초한 위치확정방법 및 장치, 전자장비, 저장매체, 컴퓨터 프로그램 및 자율주행차량 | |
| CN114067142A (zh) | 一种实现场景结构预测、目标检测和车道级定位的方法 | |
| CN113743163A (zh) | 交通目标识别模型训练方法、交通目标定位方法、装置 | |
| CN108932839B (zh) | 一种同行车辆判断方法及装置 | |
| CN111339226B (zh) | 一种基于分类检测网络构建地图方法及装置 | |
| CN113570716A (zh) | 云端三维地图构建方法、系统及设备 | |
| JPWO2014027500A1 (ja) | 特徴抽出方法、プログラム及びシステム | |
| Jo et al. | Mixture density-PoseNet and its application to monocular camera-based global localization | |
| CN116823884A (zh) | 多目标跟踪方法、系统、计算机设备及存储介质 | |
| CN111982132B (zh) | 数据处理方法、装置和存储介质 | |
| CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
| CN116543143A (zh) | 一种目标检测模型的训练方法、目标检测方法及装置 | |
| CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
| CN109816709B (zh) | 基于单目摄像头的深度估计方法、装置及设备 |
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 |