CN111523409A - 用于生成位置信息的方法和装置 - Google Patents

用于生成位置信息的方法和装置 Download PDF

Info

Publication number
CN111523409A
CN111523409A CN202010272803.8A CN202010272803A CN111523409A CN 111523409 A CN111523409 A CN 111523409A CN 202010272803 A CN202010272803 A CN 202010272803A CN 111523409 A CN111523409 A CN 111523409A
Authority
CN
China
Prior art keywords
image
depth map
target element
sample
position information
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
CN202010272803.8A
Other languages
English (en)
Other versions
CN111523409B (zh
Inventor
叶晓青
谭啸
孙昊
章宏武
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010272803.8A priority Critical patent/CN111523409B/zh
Publication of CN111523409A publication Critical patent/CN111523409A/zh
Priority to KR1020210021969A priority patent/KR102463890B1/ko
Priority to US17/179,456 priority patent/US11521331B2/en
Priority to EP21159477.5A priority patent/EP3892958A1/en
Priority to JP2021038406A priority patent/JP7324792B2/ja
Application granted granted Critical
Publication of CN111523409B publication Critical patent/CN111523409B/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
    • G06T7/70—Determining position or orientation of objects or 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3811—Point data, e.g. Point of Interest [POI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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]
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本公开实施例公开了用于生成位置信息的方法和装置。该方法的一具体实施方式包括：获取车载图像采集设备采集的图像和采集图像时的车辆位置信息，图像中包括属于预设类别的目标要素；将图像输入预先建立的深度图生成模型，得到针对图像的第一深度图，深度图生成模型训练时所使用的样本数据的样本图像的焦距为样本焦距；基于样本焦距、第一深度图和图像的预估焦距，生成第二深度图；根据目标要素在图像中的要素位置信息和第二深度图，确定目标要素的深度信息；基于车辆位置信息和目标要素的深度信息，生成目标要素的位置信息。该实施方式实现了基于车载图像采集设备采集的图像和采集图像时的车辆位置信息，生成图像中目标要素的位置信息。

Description

用于生成位置信息的方法和装置
技术领域
本公开实施例涉及计算机技术领域，具体涉及用于生成位置信息的方法和装置。
背景技术
在电子地图中，限速牌、标记牌、红绿灯等要素的定位对地图的更新有着不可忽视的重要作用。要素位置计算的准确性对地图数据的更新影响巨大。在实际的应用场景中，会出现某个要素在某次信息采集时仅在单张图像中被检测到，而在前后帧图像中没有被检测到的情况。针对这种情况，现阶段可以基于经验知识，根据图像中要素的面积大小，粗略估计其距离。然后基于前后帧车辆的定位数据来推算要素的经纬度。然而，由于同一距离的要素在不同焦距的镜头下成像的大小并不一致。因此，依据要素的面积大小来估计距离，估计的误差较大，精度较低。
发明内容
本公开实施例提出了用于生成位置信息的方法和装置。
第一方面，本公开实施例提供了一种用于生成位置信息的方法，该方法包括：获取车载图像采集设备采集的图像和采集上述图像时的车辆位置信息，其中，上述图像中包括属于预设类别的目标要素；将上述图像输入预先建立的深度图生成模型，得到针对上述图像的第一深度图，其中，上述深度图生成模型训练时所使用的样本数据的样本图像的焦距为样本焦距；基于上述样本焦距、上述第一深度图和上述图像的预估焦距，生成第二深度图，其中，上述图像的预估焦距是基于上述图像的尺寸生成的；根据上述目标要素在上述图像中的要素位置信息和上述第二深度图，确定上述目标要素的深度信息；基于上述车辆位置信息和上述目标要素的深度信息，生成上述目标要素的位置信息。
在一些实施例中，上述方法还包括：基于上述第二深度图和上述目标要素的深度信息，确定上述目标要素的深度信息的置信度；基于针对上述目标要素得到的至少一个置信度和位置信息，生成上述目标要素的综合位置信息。
在一些实施例中，上述深度图生成模型是通过以下方式训练得到的：获取样本数据集，其中，样本数据包括样本图像和样本图像对应的样本深度图；将上述样本数据集中的样本图像作为输入，将与输入的样本图像对应的样本深度图作为期望输出，利用预先构建的损失函数训练得到上述深度图生成模型，其中，上述损失函数为第一损失函数、第二损失函数和第三损失函数的加权和，上述第一损失函数为基于模型输出和期望输出得到的，上述第二损失函数为基于模型输出的梯度和期望输出的梯度得到的，上述第三损失函数为基于模型输出和期望输出的相似性得到的。
在一些实施例中，上述基于上述样本焦距、上述第一深度图和上述图像的预估焦距，生成第二深度图，包括：确定上述预估焦距和上述样本焦距之间的比值；计算上述比值与上述第一深度图之积，将计算结果作为第二深度图。
在一些实施例中，上述车辆位置信息包括经纬度；以及上述基于上述车辆位置信息和上述目标要素的深度信息，生成上述目标要素的位置信息，包括：确定上述目标要素的中心点和上述图像底边中心点组成的直线与上述图像底边之间的角度为第一角度；确定车辆的行驶方向与方向北之间的夹角为第二角度；根据上述第一角度和上述第二角度，确定上述目标要素的指北角；根据上述目标要素的指北角、上述经纬度和上述目标要素的深度信息，计算上述目标要素的经纬度。
第二方面，本公开实施例提供了一种用于生成位置信息的装置，上述装置包括：获取单元，被配置成获取车载图像采集设备采集的图像和采集上述图像时的车辆位置信息，其中，上述图像中包括属于预设类别的目标要素；输入单元，被配置成将上述图像输入预先建立的深度图生成模型，得到针对上述图像的第一深度图，其中，上述深度图生成模型训练时所使用的样本数据的样本图像的焦距为样本焦距；第一生成单元，被配置成基于上述样本焦距、上述第一深度图和上述图像的预估焦距，生成第二深度图，其中，上述图像的预估焦距是基于上述图像的尺寸生成的；第一确定单元，被配置成根据上述目标要素在上述图像中的要素位置信息和上述第二深度图，确定上述目标要素的深度信息；第二生成单元，被配置成基于上述车辆位置信息和上述目标要素的深度信息，生成上述目标要素的位置信息。
在一些实施例中，上述装置还包括：第二确定单元，被配置成基于上述第二深度图和上述目标要素的深度信息，确定上述目标要素的深度信息的置信度；第三生成单元，被配置成基于针对上述目标要素得到的至少一个置信度和位置信息，生成上述目标要素的综合位置信息。
在一些实施例中，上述深度图生成模型是通过以下方式训练得到的：获取样本数据集，其中，样本数据包括样本图像和样本图像对应的样本深度图；将上述样本数据集中的样本图像作为输入，将与输入的样本图像对应的样本深度图作为期望输出，利用预先构建的损失函数训练得到上述深度图生成模型，其中，上述损失函数为第一损失函数、第二损失函数和第三损失函数的加权和，上述第一损失函数为基于模型输出和期望输出得到的，上述第二损失函数为基于模型输出的梯度和期望输出的梯度得到的，上述第三损失函数为基于模型输出和期望输出的相似性得到的。
在一些实施例中，上述第一生成单元进一步被配置成：确定上述预估焦距和上述样本焦距之间的比值；计算上述比值与上述第一深度图之积，将计算结果作为第二深度图。
在一些实施例中，上述车辆位置信息包括经纬度；以及上述第二生成单元进一步被配置成：确定上述目标要素的中心点和上述图像底边中心点组成的直线与上述图像底边之间的角度为第一角度；确定车辆的行驶方向与方向北之间的夹角为第二角度；根据上述第一角度和上述第二角度，确定上述目标要素的指北角；根据上述目标要素的指北角、上述经纬度和上述目标要素的深度信息，计算上述目标要素的经纬度。
第三方面，本公开实施例提供了一种设备，该设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的用于生成位置信息的方法和装置，首先可以获取车载图像采集设备采集的包括目标要素的图像和采集图像时的车辆位置信息。其次，将图像输入预先建立的深度图生成模型，得到针对图像的第一深度图，其中，深度图生成模型训练时所使用的样本数据的样本图像的焦距为样本焦距。之后，基于样本焦距、第一深度图和图像的预估焦距，生成第二深度图。然后，根据目标要素在图像中的要素位置信息和第二深度图，确定目标要素的深度信息。最后，基于车辆位置信息和目标要素的深度信息，生成目标要素的位置信息。从而实现了基于车载图像采集设备采集的图像和采集图像时的车辆位置信息，生成图像中目标要素的位置信息。且在生成目标要素的位置信息时，充分考虑了焦距对深度的影响，因此可以使生成的位置信息更加准确。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于生成位置信息的方法的一个实施例的流程图；
图3是计算目标要素的经纬度的一个示例的示意图；
图4是根据本公开的用于生成位置信息的方法的一个应用场景的示意图；
图5是根据本公开的用于生成位置信息的方法的又一个实施例的流程图；
图6是根据本公开的用于生成位置信息的装置的一个实施例的结构示意图；
图7是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开实施例的用于生成位置信息的方法或用于生成位置信息的装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理软件、电子地图生成软件、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有信息生成功能的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的信息提供支持的后台服务器。后台服务器可以对接收到的图像和车辆位置信息等数据进行分析等处理，并将处理结果(例如目标要素的位置信息)反馈给终端设备。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
需要说明的是，本公开实施例所提供的用于生成位置信息的方法可以由终端设备101、102、103执行，也可以由服务器105执行。相应地，用于生成位置信息的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。
继续参考图2，示出了根据本公开的用于生成位置信息的方法的一个实施例的流程200。该用于生成位置信息的方法，包括以下步骤：
步骤201，获取车载图像采集设备采集的图像和采集图像时的车辆位置信息。
在本实施例中，用于生成位置信息的方法的执行主体(例如图1所示的终端设备101、102、103或者服务器105)可以通过有线连接方式或者无线连接方式获取车载图像采集设备(例如，摄像头)采集的图像，以及采集图像时的车辆位置信息。作为示例，车辆位置信息可以包括GPS(Global Positioning System，全球定位系统)数据。这里，上述图像中可以包括属于预设类别的目标要素。这里，要素可以是指地图要素，目标要素可以是指地图要素中预设类别的要素。举例来说，预设类别可以包括但不限于道路交通标志牌、红绿灯等等。
步骤202，将图像输入预先建立的深度图生成模型，得到针对图像的第一深度图。
在本实施例中，执行主体可以将步骤201中获取的图像输入预先建立的深度图生成模型，从而得到针对所输入图像的第一深度图。这里，上述深度图生成模型可以用于根据输入的单张图像生成针对所输入单张图像的深度图。其中，深度图(Depth Map)可以是包含与视点的场景对象的表面的距离有关的信息的图像或者图像通道。深度图的每一个像素值是传感器距离物体的距离。
作为示例，深度图生成模型可以是采用机器学习方法利用预设样本数据集训练得到的。这里，样本数据集中的样本数据可以包括样本图像和与样本图像对应的样本深度图。深度图生成模型训练时所使用的样本数据的样本图像的焦距为样本焦距。其中，样本数据集中的样本图像的焦距可以相同。举例来说，深度图生成模型可以是通过以下步骤训练得到的：S1，将样本数据集中的至少一个样本数据的样本图像分别输入至初始机器学习模型，得到上述至少一个样本图像中的每个样本图像对应的预测深度图，在这里，上述初始机器学习模型可以是未经训练的神经网络模型或未训练完成的神经网络模型，例如，卷积神经网络、深度神经网络等等。S2，将上述至少一个样本图像中的每个样本图像对应的预测深度图与对应的样本深度图进行比较。S3，根据比较结果确定上述初始机器学习模型是否达到预设条件，作为示例，上述预设条件可以是损失函数值小于预设阈值，例如，损失函数可以是预测深度图与样本深度图之间的差异。S4，响应于确定上述初始机器学习模型达到预设的优化目标，将上述初始机器学习模型作为训练完成的深度图生成模型。S5，响应于确定上述初始机器学习模型未达到预设条件，可以调整上述初始机器学习模型的网络参数，以及使用未用过的样本数据组成样本数据集，继续执行上述训练步骤。作为示例，可以采用反向传播算法(Back Propgation Algorithm，BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始机器学习模型的网络参数进行调整。需要说明的是，反向传播算法和梯度下降法是目前广泛研究和应用的公知技术，在此不再赘述。
在本实施例的一些可选的实现方式中，用于训练深度图生成模型的执行主体可以与上述用于生成位置信息的执行主体相同，也可以不同。上述深度图生成模型可以是通过以下方式训练得到的：
首先，获取样本数据集。
在本实现方式中，用于训练深度图生成模型的执行主体可以获取样本数据集。这里，样本数据集中的各样本数据可以包括样本图像和样本图像对应的样本深度图。
然后，将样本数据集中的样本图像作为输入，将与输入的样本图像对应的样本深度图作为期望输出，利用预先构建的损失函数训练得到深度图生成模型。
在本实现方式中，用于训练深度图生成模型的执行主体可以将上述样本数据集中的样本图像作为输入，将与输入的样本图像对应的样本深度图作为期望输出，利用预先构建的损失函数训练得到深度图生成模型。这里，上述损失函数可以是第一损失函数、第二损失函数和第三损失函数的加权和。其中，第一损失函数可以是基于模型输出和期望输出得到的。第二损失函数可以是基于模型输出的梯度和期望输出的梯度得到的。第三损失函数可以是基于模型输出和期望输出的相似性得到的。
作为示例，第一损失函数可以如下所示：
Ldepth＝|ypred-ygt|，
其中，Ldepth表示第一损失函数，ypred表示深度图生成模型针对输入的样本图像输出的预测深度图，ygt表示所输入的样本图像对应的期望输出。
第二损失函数可以如下所示：
Figure BDA0002443716460000081
其中，Ledge表示第二损失函数，
Figure BDA0002443716460000082
和
Figure BDA0002443716460000083
分别表示深度图生成模型针对输入的样本图像输出的预测深度图沿X轴和沿Y轴的梯度，
Figure BDA0002443716460000084
和
Figure BDA0002443716460000085
分别表示所输入的样本图像对应的期望输出沿X轴和沿Y轴的梯度。
第三损失函数可以如下所示：
Figure BDA0002443716460000091
其中，Lssim表示第三损失函数，SSIM(ypred,ygt)表示ypred和ygt的结构相似性。这里，SSIM(structural similarity index，结构相似性)，是一种衡量两幅图像相似度的指标。这里，在对第一损失函数、第二损失函数和第三损失函数进行加权时，权值可以根据实际需要进行设定。本实现方式在训练深度图生成模型时，综合考虑了模型输出和期望输出在梯度、相似度等方面的差异，因此可以使用训练得到的深度图生成模型生成的深度图更加准确。
步骤203，基于样本焦距、第一深度图和图像的预估焦距，生成第二深度图。
在本实施例中，执行主体首先可以基于步骤201中获取的图像的尺寸生成图像的预估焦距。一般而言，在拍摄图像时，聚焦与所成图像的尺寸有一定的关联关系。因此，可以基于图像的尺寸预估图像的焦距。作为一个示例，可以将图像的宽度乘以预设值得到预估焦距。其中，预设值可以是技术人员根据实际经验设定的值。例如，预设值可以是0.85。举例来说，假设图像的尺寸为W1×H1，其中，W1表示图像宽度，H1表示图像高度。则图像的预估焦距可以通过以下公式计算得到：
f1＝0.85*W1，
其中，f1表示图像的预估焦距。
作为另一个示例，执行主体可以基于多视图运动恢复结构的方法确实图像的预估焦距。
之后，执行主体可以根据样本焦距、第一深度图和图像的预估焦距生成第二深度图。这里，技术人员可以根据实际经验设定样本焦距、第一深度图和图像的预估焦距与第二深度图之间的变换关系。变换关系可以是技术人员基于对大量的样本焦距、第一深度图、图像的预估焦距和第二深度图的统计而制定的。这样，执行主体可以根据设定的变换关系、样本焦距、第一深度图和图像的预估焦距，生成第二深度图。
在本实施例的一些可选的实现方式中，上述步骤203可以具体如下进行：
首先，确定预估焦距和样本焦距之间的比值。
在本实现方式中，执行主体可以计算图像的预估焦距和样本焦距之间的比值。
然后，计算比值与第一深度图之积，将计算结果作为第二深度图。
在本实现方式中，执行主体可以计算上述比值与第一深度图之积，并将计算结果作为第二深度图。具体的，执行主体可以通过以下公式计算第二深度图中各深度值：
depthreal＝f1/f0*depthpred，
其中，depthreal表示第二深度图中的深度值，f1表示图像的预估焦距，f0表示样本焦距，depthpred表示第一深度图中的深度值。
步骤204，根据目标要素在图像中的要素位置信息和第二深度图，确定目标要素的深度信息。
在本实施例中，执行主体首先可以确定目标要素在图像中的要素位置信息。作为一个示例，执行主体可以对图像进行图像分割，并根据分割结果确定目标要素在图像中的位置信息，即要素位置信息。作为另一个示例，执行主体可以对图像进行图像识别，识别出图像中的目标要素以及目标要素的检测框，并根据目标要素的检测框确定目标要素在图像中的要素位置信息。之后，执行主体可以根据目标要素在图像中的要素位置信息和第二深度图，确定目标要素的深度信息。作为示例，执行主体可以获取第二深度图中的、与要素位置信息所指示位置相对应位置的多个像素值，并基于获取的多个像素值确定目标要素的深度信息。例如，可以选取所获取多个像素值中出现次数最多的像素值作为目标要素的深度信息。又例如，可以将所获取多个像素值的均值作为目标要素的深度信息。
步骤205，基于车辆位置信息和目标要素的深度信息，生成目标要素的位置信息。
在本实施例中，基于车辆位置信息和目标要素的深度信息，执行主体可以采用各种方式生成目标要素的位置信息。实践中，由于目标要素的深度信息可以表示图像采集时车载图像采集设备距离目标要素的距离，因此可以基于车辆位置信息和目标要素的深度信息确定目标要素的位置信息。例如，可以将车辆位置信息和目标要素的深度信息分别在X轴和Y轴方向上的加权和确定为目标要素的位置信息。
在本实施例的一些可选的实现方式中，上述车辆位置信息可以包括车辆的经纬度。以及上述步骤206可以具体如下进行：
首先，确定目标要素的中心点和图像底边中心点组成的直线与图像底边之间的角度为第一角度。
在本实现方式中，执行主体首先可以确定目标要素的中心点。之后，执行主体可以计算目标要素的中心点和图像底边中心点组成的直线与图像底边之间的角度，该角度为锐角，并将计算得到的角度作为第一角度。实践中，图像底边中心点可以近似为车辆的位置。
其次，确定车辆的行驶方向与方向北之间的夹角为第二角度。
在本实现方式中，执行主体可以确定车辆在采集图像和车辆位置信息时的行驶方向，并计算车辆行驶方向与方向北(即，正北)之间的夹角。之后，执行主体可以将计算得到的夹角作为第二角度。
然后，根据第一角度和第二角度，确定目标要素的指北角。
在本实现方式中，执行主体可以根据第一角度和第二角度，确定目标要素的指北角。作为示例，执行主体可以将第一角度和第二角度之和作为目标要素的指北角。
最后，根据目标要素的指北角、经纬度和目标要素的深度信息，计算目标要素的经纬度。
在本实现方式中，执行主体可以根据目标要素的指北角、车辆位置信息中的经纬度和目标要素的深度信息，计算目标要素的经纬度。
作为示例，如图3所示，假设目标要素的中心点为P(x,y)，图像底边中心点为
Figure BDA0002443716460000111
目标要素的中心点和图像底边中心点组成的直线与图像底边之间的第一角度为θ，车辆的行驶方向与方向北之间的第二角度为
Figure BDA0002443716460000127
目标要素的指北角为
Figure BDA0002443716460000121
车辆位置信息中的经纬度为
Figure BDA0002443716460000122
目标要素的深度信息为depthmark，则目标要素的经纬度可以通过以下方式确定：
Figure BDA0002443716460000123
Figure BDA0002443716460000124
其中，
Figure BDA0002443716460000125
表示目标要素的经度，
Figure BDA0002443716460000126
表示目标要素的纬度。
继续参见图4，图4是根据本实施例的用于生成位置信息的方法的应用场景的一个示意图。在图4的应用场景中，终端设备首先可以获取车载图像采集设备采集的图像401和采集图像时的车辆位置信息。其次，终端设备可以将图像401输入预先建立的深度图生成模型，得到针对图像的第一深度图。之后，基于样本焦距、第一深度图和图像401的预估焦距，生成第二深度图402。然后，根据目标要素在图像中的要素位置信息和第二深度图，确定目标要素的深度信息。最后，基于车辆位置信息和目标要素的深度信息，生成目标要素的位置信息。
本公开的上述实施例提供的方法可以基于车载图像采集设备采集的图像和采集图像时的车辆位置信息，生成图像中目标要素的位置信息。且在生成目标要素的位置信息时，充分考虑了焦距对深度的影响，因此可以使生成的位置信息更加准确。
进一步参考图5，其示出了用于生成位置信息的方法的又一个实施例的流程500。该用于生成位置信息的方法的流程500，包括以下步骤：
步骤501，获取车载图像采集设备采集的图像和采集图像时的车辆位置信息。
在本实施例中，步骤501与图2所示实施例的步骤201类似，此处不再赘述。
步骤502，将图像输入预先建立的深度图生成模型，得到针对图像的第一深度图。
在本实施例中，步骤502与图2所示实施例的步骤202类似，此处不再赘述。
步骤503，基于样本焦距、第一深度图和图像的预估焦距，生成第二深度图。
在本实施例中，步骤503与图2所示实施例的步骤203类似，此处不再赘述。
步骤504，根据目标要素在图像中的要素位置信息和第二深度图，确定目标要素的深度信息。
在本实施例中，步骤504与图2所示实施例的步骤204类似，此处不再赘述。
步骤505，基于车辆位置信息和目标要素的深度信息，生成目标要素的位置信息。
在本实施例中，步骤505与图2所示实施例的步骤205类似，此处不再赘述。
步骤506，基于第二深度图和目标要素的深度信息，确定目标要素的深度信息的置信度。
在本实施例中，执行主体可以根据第二深度图和目标要素的深度信息，确定目标要素的深度信息的置信度。作为示例，执行主体首先可以基于目标像素在图像中的要素位置信息和第二深度图，确定第二深度图中的、与要素位置信息所指示位置相对应位置的多个像素值。之后，可以确定多个像素值的倒数的标准差。然后，可以计算标准差的倒数。最后，使用标准差的倒数乘以目标要素的深度信息的倒数，并将得到的值作为目标要素的深度信息的置信度。具体的，可以通过以下公式计算得到目标要素的深度信息的置信度：
Figure BDA0002443716460000131
其中，conf表示目标要素的深度信息的置信度；depthi表示第二深度图中的、与要素位置信息所指示位置相对应位置的多个像素值，其中，i大于等于1，小于等于多个像素值的个数；depthmark表示目标要素的深度信息。
步骤507，基于针对目标要素得到的至少一个置信度和位置信息，生成目标要素的综合位置信息。
在本实施例中，针对目标要素，执行主体可以得到至少一个置信度和至少一个位置信息。举例来说，执行主体可以多次获取包括同一个目标要素的图像和采集图像时的车辆位置信息，并执行步骤501～506多次，每一次可以得到一个置信度和一个位置信息，从而得到多个置信度和多个位置信息。之后，执行主体可以根据得到的多个置信度和多个位置信息生成目标要素的综合位置信息。作为示例，可以将每次得到置信度作为该次计算得到的位置信息的权值，从而计算多个位置信息的加权和，并将计算结果作为目标要素的综合位置信息。
从图5中可以看出，与图2对应的实施例相比，本实施例中的用于生成位置信息的方法的流程500突出了生成综合位置信息的步骤。由此，本实施例描述的方案在生成位置信息时可以综合考虑多次得到的置信度和位置信息，从而使生成的综合位置信息更加准确。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种用于生成位置信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的用于生成位置信息的装置600包括：获取单元601、输入单元602、第一生成单元603、第一确定单元604和第二生成单元605。获取单元601被配置成获取车载图像采集设备采集的图像和采集上述图像时的车辆位置信息，其中，上述图像中包括属于预设类别的目标要素；输入单元602被配置成将上述图像输入预先建立的深度图生成模型，得到针对上述图像的第一深度图，其中，上述深度图生成模型训练时所使用的样本数据的样本图像的焦距为样本焦距；第一生成单元603被配置成基于上述样本焦距、上述第一深度图和上述图像的预估焦距，生成第二深度图，其中，上述图像的预估焦距是基于上述图像的尺寸生成的；第一确定单元604被配置成根据上述目标要素在上述图像中的要素位置信息和上述第二深度图，确定上述目标要素的深度信息；第二生成单元605被配置成基于上述车辆位置信息和上述目标要素的深度信息，生成上述目标要素的位置信息。
在本实施例中，用于生成位置信息的装置600的获取单元601、输入单元602、第一生成单元603、第一确定单元604和第二生成单元605的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述装置600还包括：第二确定单元(图中未示出)，被配置成基于上述第二深度图和上述目标要素的深度信息，确定上述目标要素的深度信息的置信度；第三生成单元(图中未示出)，被配置成基于针对上述目标要素得到的至少一个置信度和位置信息，生成上述目标要素的综合位置信息。
在本实施例的一些可选的实现方式中，上述深度图生成模型是通过以下方式训练得到的：获取样本数据集，其中，样本数据包括样本图像和样本图像对应的样本深度图；将上述样本数据集中的样本图像作为输入，将与输入的样本图像对应的样本深度图作为期望输出，利用预先构建的损失函数训练得到上述深度图生成模型，其中，上述损失函数为第一损失函数、第二损失函数和第三损失函数的加权和，上述第一损失函数为基于模型输出和期望输出得到的，上述第二损失函数为基于模型输出的梯度和期望输出的梯度得到的，上述第三损失函数为基于模型输出和期望输出的相似性得到的。
在本实施例的一些可选的实现方式中，上述第一生成单元603进一步被配置成：确定上述预估焦距和上述样本焦距之间的比值；计算上述比值与上述第一深度图之积，将计算结果作为第二深度图。
在本实施例的一些可选的实现方式中，上述车辆位置信息包括经纬度；以及上述第二生成单元605进一步被配置成：确定上述目标要素的中心点和上述图像底边中心点组成的直线与上述图像底边之间的角度为第一角度；确定车辆的行驶方向与方向北之间的夹角为第二角度；根据上述第一角度和上述第二角度，确定上述目标要素的指北角；根据上述目标要素的指北角、上述经纬度和上述目标要素的深度信息，计算上述目标要素的经纬度。
下面参考图7，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取车载图像采集设备采集的图像和采集上述图像时的车辆位置信息，其中，上述图像中包括属于预设类别的目标要素；将上述图像输入预先建立的深度图生成模型，得到针对上述图像的第一深度图，其中，上述深度图生成模型训练时所使用的样本数据的样本图像的焦距为样本焦距；基于上述样本焦距、上述第一深度图和上述图像的预估焦距，生成第二深度图，其中，上述图像的预估焦距是基于上述图像的尺寸生成的；根据上述目标要素在上述图像中的要素位置信息和上述第二深度图，确定上述目标要素的深度信息；基于上述车辆位置信息和上述目标要素的深度信息，生成上述目标要素的位置信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、输入单元、第一生成单元、第一确定单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取车载图像采集设备采集的图像和采集图像时的车辆位置信息的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于生成位置信息的方法，包括：
获取车载图像采集设备采集的图像和采集所述图像时的车辆位置信息，其中，所述图像中包括属于预设类别的目标要素；
将所述图像输入预先建立的深度图生成模型，得到针对所述图像的第一深度图，其中，所述深度图生成模型训练时所使用的样本数据的样本图像的焦距为样本焦距；
基于所述样本焦距、所述第一深度图和所述图像的预估焦距，生成第二深度图，其中，所述图像的预估焦距是基于所述图像的尺寸生成的；
根据所述目标要素在所述图像中的要素位置信息和所述第二深度图，确定所述目标要素的深度信息；
基于所述车辆位置信息和所述目标要素的深度信息，生成所述目标要素的位置信息。
2.根据权利要求1所述的方法，其中，所述方法还包括：
基于所述第二深度图和所述目标要素的深度信息，确定所述目标要素的深度信息的置信度；
基于针对所述目标要素得到的至少一个置信度和位置信息，生成所述目标要素的综合位置信息。
3.根据权利要求1所述的方法，其中，所述深度图生成模型是通过以下方式训练得到的：
获取样本数据集，其中，样本数据包括样本图像和样本图像对应的样本深度图；
将所述样本数据集中的样本图像作为输入，将与输入的样本图像对应的样本深度图作为期望输出，利用预先构建的损失函数训练得到所述深度图生成模型，其中，所述损失函数为第一损失函数、第二损失函数和第三损失函数的加权和，所述第一损失函数为基于模型输出和期望输出得到的，所述第二损失函数为基于模型输出的梯度和期望输出的梯度得到的，所述第三损失函数为基于模型输出和期望输出的相似性得到的。
4.根据权利要求1所述的方法，其中，所述基于所述样本焦距、所述第一深度图和所述图像的预估焦距，生成第二深度图，包括：
确定所述预估焦距和所述样本焦距之间的比值；
计算所述比值与所述第一深度图之积，将计算结果作为第二深度图。
5.根据权利要求1所述的方法，其中，所述车辆位置信息包括经纬度；以及
所述基于所述车辆位置信息和所述目标要素的深度信息，生成所述目标要素的位置信息，包括：
确定所述目标要素的中心点和所述图像底边中心点组成的直线与所述图像底边之间的角度为第一角度；
确定车辆的行驶方向与方向北之间的夹角为第二角度；
根据所述第一角度和所述第二角度，确定所述目标要素的指北角；
根据所述目标要素的指北角、所述经纬度和所述目标要素的深度信息，计算所述目标要素的经纬度。
6.一种用于生成位置信息的装置，包括：
获取单元，被配置成获取车载图像采集设备采集的图像和采集所述图像时的车辆位置信息，其中，所述图像中包括属于预设类别的目标要素；
输入单元，被配置成将所述图像输入预先建立的深度图生成模型，得到针对所述图像的第一深度图，其中，所述深度图生成模型训练时所使用的样本数据的样本图像的焦距为样本焦距；
第一生成单元，被配置成基于所述样本焦距、所述第一深度图和所述图像的预估焦距，生成第二深度图，其中，所述图像的预估焦距是基于所述图像的尺寸生成的；
第一确定单元，被配置成根据所述目标要素在所述图像中的要素位置信息和所述第二深度图，确定所述目标要素的深度信息；
第二生成单元，被配置成基于所述车辆位置信息和所述目标要素的深度信息，生成所述目标要素的位置信息。
7.根据权利要求6所述的装置，其中，所述装置还包括：
第二确定单元，被配置成基于所述第二深度图和所述目标要素的深度信息，确定所述目标要素的深度信息的置信度；
第三生成单元，被配置成基于针对所述目标要素得到的至少一个置信度和位置信息，生成所述目标要素的综合位置信息。
8.根据权利要求6所述的装置，其中，所述深度图生成模型是通过以下方式训练得到的：
获取样本数据集，其中，样本数据包括样本图像和样本图像对应的样本深度图；
将所述样本数据集中的样本图像作为输入，将与输入的样本图像对应的样本深度图作为期望输出，利用预先构建的损失函数训练得到所述深度图生成模型，其中，所述损失函数为第一损失函数、第二损失函数和第三损失函数的加权和，所述第一损失函数为基于模型输出和期望输出得到的，所述第二损失函数为基于模型输出的梯度和期望输出的梯度得到的，所述第三损失函数为基于模型输出和期望输出的相似性得到的。
9.根据权利要求6所述的装置，其中，所述第一生成单元进一步被配置成：
确定所述预估焦距和所述样本焦距之间的比值；
计算所述比值与所述第一深度图之积，将计算结果作为第二深度图。
10.根据权利要求6所述的装置，其中，所述车辆位置信息包括经纬度；以及
所述第二生成单元进一步被配置成：
确定所述目标要素的中心点和所述图像底边中心点组成的直线与所述图像底边之间的角度为第一角度；
确定车辆的行驶方向与方向北之间的夹角为第二角度；
根据所述第一角度和所述第二角度，确定所述目标要素的指北角；
根据所述目标要素的指北角、所述经纬度和所述目标要素的深度信息，计算所述目标要素的经纬度。
11.一种设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN202010272803.8A 2020-04-09 2020-04-09 用于生成位置信息的方法和装置 Active CN111523409B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010272803.8A CN111523409B (zh) 2020-04-09 2020-04-09 用于生成位置信息的方法和装置
KR1020210021969A KR102463890B1 (ko) 2020-04-09 2021-02-18 위치 정보를 생성하는 방법, 장치, 기기, 매체 및 프로그램
US17/179,456 US11521331B2 (en) 2020-04-09 2021-02-19 Method and apparatus for generating position information, device, and medium
EP21159477.5A EP3892958A1 (en) 2020-04-09 2021-02-26 Method and apparatus for generating position information, device, medium and computer program product
JP2021038406A JP7324792B2 (ja) 2020-04-09 2021-03-10 位置情報を生成するための方法及び装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010272803.8A CN111523409B (zh) 2020-04-09 2020-04-09 用于生成位置信息的方法和装置

Publications (2)

Publication Number Publication Date
CN111523409A true CN111523409A (zh) 2020-08-11
CN111523409B CN111523409B (zh) 2023-08-29

Family

ID=71902557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010272803.8A Active CN111523409B (zh) 2020-04-09 2020-04-09 用于生成位置信息的方法和装置

Country Status (5)

Country Link
US (1) US11521331B2 (zh)
EP (1) EP3892958A1 (zh)
JP (1) JP7324792B2 (zh)
KR (1) KR102463890B1 (zh)
CN (1) CN111523409B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008287379A (ja) * 2007-05-16 2008-11-27 Hitachi Ltd 道路標識データ入力システム
US20150294475A1 (en) * 2009-11-27 2015-10-15 Sony Corporation Image processing apparatus, image processing method and program
JP2016519822A (ja) * 2013-04-15 2016-07-07 クアルコム，インコーポレイテッド 動きゴーストフィルタリングのための基準画像選択
CN106504248A (zh) * 2016-12-06 2017-03-15 成都通甲优博科技有限责任公司 基于计算机视觉的车辆损伤判别方法
US20170294002A1 (en) * 2016-04-07 2017-10-12 Qualcomm Incorporated Systems and methods for adjusting an image
WO2018066352A1 (ja) * 2016-10-06 2018-04-12 株式会社アドバンスド・データ・コントロールズ 画像生成システム、プログラム及び方法並びにシミュレーションシステム、プログラム及び方法
CN108389172A (zh) * 2018-03-21 2018-08-10 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
CN109782766A (zh) * 2019-01-25 2019-05-21 北京百度网讯科技有限公司 用于控制车辆行驶的方法和装置
CN110160502A (zh) * 2018-10-12 2019-08-23 腾讯科技（深圳）有限公司 地图要素提取方法、装置及服务器
JP2019526878A (ja) * 2016-09-12 2019-09-19 ナイアンティック， インコーポレイテッドＮｉａｎｔｉｃ，Ｉｎｃ． 統計モデルを用いた画像データからの深度予測
CN110796714A (zh) * 2019-08-22 2020-02-14 腾讯科技（深圳）有限公司 一种地图构建方法、装置、终端以及计算机可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020040679A1 (en) * 2018-08-22 2020-02-27 I-Conic Vision Ab A method and corresponding system for generating video-based models of a target such as a dynamic event
US11176709B2 (en) * 2019-10-17 2021-11-16 Toyota Research Institute, Inc. Systems and methods for self-supervised scale-aware training of a model for monocular depth estimation

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008287379A (ja) * 2007-05-16 2008-11-27 Hitachi Ltd 道路標識データ入力システム
US20150294475A1 (en) * 2009-11-27 2015-10-15 Sony Corporation Image processing apparatus, image processing method and program
JP2016519822A (ja) * 2013-04-15 2016-07-07 クアルコム，インコーポレイテッド 動きゴーストフィルタリングのための基準画像選択
US20170294002A1 (en) * 2016-04-07 2017-10-12 Qualcomm Incorporated Systems and methods for adjusting an image
JP2019526878A (ja) * 2016-09-12 2019-09-19 ナイアンティック， インコーポレイテッドＮｉａｎｔｉｃ，Ｉｎｃ． 統計モデルを用いた画像データからの深度予測
WO2018066352A1 (ja) * 2016-10-06 2018-04-12 株式会社アドバンスド・データ・コントロールズ 画像生成システム、プログラム及び方法並びにシミュレーションシステム、プログラム及び方法
CN106504248A (zh) * 2016-12-06 2017-03-15 成都通甲优博科技有限责任公司 基于计算机视觉的车辆损伤判别方法
CN108389172A (zh) * 2018-03-21 2018-08-10 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
CN110160502A (zh) * 2018-10-12 2019-08-23 腾讯科技（深圳）有限公司 地图要素提取方法、装置及服务器
CN109782766A (zh) * 2019-01-25 2019-05-21 北京百度网讯科技有限公司 用于控制车辆行驶的方法和装置
CN110796714A (zh) * 2019-08-22 2020-02-14 腾讯科技（深圳）有限公司 一种地图构建方法、装置、终端以及计算机可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CARVALHO MARCELA ET AL: "On Regression Losses for Deep Depth Estimation", 《2018 25TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》, pages 2915 - 2919 *
JINGYUAN HUANG ET AL: "Simple 3D Reconstruction of Single Indoor Image with Perspective Cues", 《2009 CANADIAN CONFERENCE ON COMPUTER AND ROBOTV ISION》, pages 140 - 146 *
SHING YAN LOO ET AL: "CNN-SVO: Improving the Mapping in Semi-Direct Visual Odometry Using Sigle-Image Depth Prediction", 《HTTPS://ARXIV.ORG/PDF/1810.01011.PDF》, pages 1 - 6 *
TAO HUANG ET AL.: "Unsupervised Monocular Depth Estimation Based on Residual Neural Network of Coarse-Refined Feature Extractions for Drone", 《ELECTRONICS》, vol. 08, no. 10, pages 1 - 20 *

Also Published As

Publication number Publication date
US11521331B2 (en) 2022-12-06
JP2021168119A (ja) 2021-10-21
KR20210125899A (ko) 2021-10-19
CN111523409B (zh) 2023-08-29
US20210319579A1 (en) 2021-10-14
KR102463890B1 (ko) 2022-11-04
EP3892958A1 (en) 2021-10-13
JP7324792B2 (ja) 2023-08-10

Similar Documents

Publication Publication Date Title
CN109858445B (zh) 用于生成模型的方法和装置
CN112598762B (zh) 三维车道线信息生成方法、装置、电子设备和介质
CN113377888B (zh) 训练目标检测模型和检测目标的方法
CN110163153B (zh) 用于识别交通标志牌边界的方法及装置
CN110689804B (zh) 用于输出信息的方法和装置
CN107941226B (zh) 用于生成车辆的方向引导线的方法和装置
CN110059623B (zh) 用于生成信息的方法和装置
CN107830869B (zh) 用于车辆的信息输出方法和装置
CN112598731B (zh) 车辆定位方法、装置、电子设备和计算机可读介质
CN115616937B (zh) 自动驾驶仿真测试方法、装置、设备和计算机可读介质
CN110110696B (zh) 用于处理信息的方法和装置
CN112183627A (zh) 生成预测密度图网络的方法和车辆年检标数量检测方法
CN110287817B (zh) 目标识别及目标识别模型的训练方法、装置和电子设备
CN111340015A (zh) 定位方法和装置
CN111586295B (zh) 图像生成方法、装置和电子设备
CN110321854B (zh) 用于检测目标对象的方法和装置
CN110097600B (zh) 用于识别交通标志牌的方法及装置
CN111523409B (zh) 用于生成位置信息的方法和装置
CN111383337B (zh) 用于识别对象的方法和装置
CN112880675B (zh) 用于视觉定位的位姿平滑方法、装置、终端和移动机器人
CN111369624B (zh) 定位方法和装置
CN113642493A (zh) 一种手势识别方法、装置、设备及介质
CN113255812A (zh) 视频边框检测方法、装置和电子设备
CN112597174A (zh) 地图更新方法、装置、电子设备和计算机可读介质
CN110033088B (zh) 估计gps数据的方法和装置

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