CN111551167A - 一种基于无人机拍摄和语义分割的全局导航辅助方法 - Google Patents
一种基于无人机拍摄和语义分割的全局导航辅助方法 Download PDFInfo
- Publication number
- CN111551167A CN111551167A CN202010175657.7A CN202010175657A CN111551167A CN 111551167 A CN111551167 A CN 111551167A CN 202010175657 A CN202010175657 A CN 202010175657A CN 111551167 A CN111551167 A CN 111551167A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- semantic segmentation
- shooting
- picture
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 11
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 11
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 206010070834 Sensitisation Diseases 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008313 sensitization Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机拍摄和语义分割的全局导航辅助方法，进行无人机目标飞行区域的设定，利用Dubins轨迹规划算法规划飞行巡航轨迹；无人机根据设定的飞行巡航轨迹对目标飞行区域进行拍摄，无人机以垂直地面的角度对地面进行拍摄,在巡航轨迹中的直线飞行航线中均匀选择一系列点作为GPS位置标定点；根据拍摄数据中每一张照片所携带的GPS点位信息以及时间戳信息，利用图像拼接融合算法对拍摄数据进行合成处理；对合成处理的结果进行语义分割地图制作；完成的制作地图导入QGIS系统。本发明利用神经网络模型构建需求的地图，可以为户外越野设备的特殊性质提供其对所需的路径特殊的需求。
Description
技术领域
本发明涉及户外全局导航领域，更具体地说，它涉及一种基于无人机拍摄和语义分割的全局导航辅助方法。
背景技术
当前无人驾驶技术的发展如日中天，但其很大程度是依赖于现有的卫星地图及高精度道路地图而进行全局路径规划，但是对于没有道路的户外场地的路径却没有任何成熟的技术可以采用，即无法实现工程车辆的越野导航需求及其低速自动驾驶，一方面原因是户外的越野导航区域太大，地图提供商不可能覆盖每一寸土地，另一方面原因是户外场地地形复杂，障碍物数量和类型都颇多，没有一种通用的办法可以对其进行有效的避让，最后便是户外越野设备的特殊性质导致其对所需的路径有特殊的需求。因此，亟待开发一种通用的户外导航系统。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于无人机拍摄和语义分割的全局导航辅助方法，解决上述问题的一个或多个。
为实现上述目的，本发明提供了如下技术方案：
一种基于无人机拍摄和语义分割的全局导航辅助方法，包括进行无人机目标飞行区域的设定，利用Dubins轨迹规划算法规划飞行巡航轨迹；
无人机根据设定的飞行巡航轨迹对目标飞行区域进行拍摄，无人机以垂直地面的角度对地面进行拍摄,在巡航轨迹中的直线飞行航线中均匀选择一系列点作为GPS位置标定点，用于后续位置校正使用；
获取无人机拍摄数据，根据拍摄数据中每一张照片所携带的GPS 点位信息以及时间戳信息，可以得知照片序列所对应的位置以及照片与照片间的位置关系，利用序列在轨迹中的位置排序，得到相片之间的重叠率，对于重叠率超过设定阈值的照片，利用图像拼接融合算法对拍摄数据进行合成处理；
对合成处理的结果进行语义分割地图制作；
完成的制作地图导入QGIS系统。
通过采用上述方案，采用无人机与语义分割相配合制作地图，可以为户外越野设备的特殊性质提供其对所需的路径特殊的需求。
在一些实施方式中，所述无人机对目标飞行区域进行拍摄包括：
无人机在拍摄每一帧图片时无人机所在GPS位置也被记录在图
片信息中，然后根据拍摄设备的焦距以及感光区域大小计算出拍摄的照片内容所对应的实际地貌大小，具体公式为:
其中,R为拍摄内容的实际大小，r为摄像头的感光区域大小，H 为无人机飞行高度，f为摄像机焦距。
在一些实施方式中，在无人机在飞行拍摄过程中在GPS位置标定点无人机悬停5s，进行GPS位置校正，拼接后图片以校正点的GPS 位置作为标准位置，从而计算出全图所有点的GPS位置。
在一些实施方式中，利用图像拼接融合算法对拍摄数据进行合成处理，包括通过连续帧间的重合部分，使用SURF算法计算出每张拍摄照片的特征，根据特征的空间尺度不变特性实现帧间特征匹配，实现对拍摄数据的合成处理。
在一些实施方式中，所述语义分割地图制作包括：
训练语义分割地图的神经网络模型；
将训练好的神经网络模型对需要合成的图片进行处理。
在一些实施方式中，所述训练语义分割地图的神经网络模型步骤具体包括：
利用开源软件，将合成处理的拍摄数据进行人工标注，人工标注出可行使区域与不可行使区域，此标注数据作训练集；
采用Auto-DeepLab方法对VOC2012和COCO语义分割训练集进行预训练，获取神经网络模型；
将标注数据的训练集输入到神经网络模型，通过设定的损失函数对神经网络模型进行微调，并通过验证集和测试集的检验。
在一些实施方式中，所述获取无人机拍摄数据，并利用图像拼接融合算法对拍摄数据进行合成处理具体包括：
提取拍摄数据中拍摄图片的特征点，并进行拍摄图片的特征点匹配得到图片拼接位置顺序并完成拼接。
在一些实施方式中，利用特征点匹配得到图片拼接位置顺序并完成拼接，具体包括：
1)通过SURF算法对所有采集的图像提取特征点；
2)计算图片与图片之间特征点蔑视算子之间的欧氏距离，小于规定阈值的则此特征点匹配成功，否则失败；
3)根据匹配成功的特征点，通过仿射变换，获取图像与图像之间的变换矩阵。
4)通过图像间变换矩阵H,可以实现对相应图像进行变换并确定图像间的重叠区域，然后将待融和图像映射到到一幅新的空白图像中形成拼接图。
在一些实施方式中，在步骤4中，为了防止出现亮度差异，对于中间的重叠区域的灰度值使用加权方式确定
其中αi为重叠区域每张图片对于的透明度，n为重叠区域中涉及的图片个数，α为计算得出的平均透明度，Pi为重叠区域图片的像素值，P为计算后的重叠区域的结果。
综上所述，本发明具有以下有益效果：本发明提供一种基于无人机拍摄和语义分割的全局导航辅助方法，采用无人机与语义分割相配合制作地图，利用无人机拍摄数据，获取照片所携带的GPS点位信息以及时间戳信息，利用神经网络模型构建需求的地图，可以为户外越野设备的特殊性质提供其对所需的路径特殊的需求。
附图说明
图1为本发明一种基于无人机拍摄和语义分割的全局导航辅助方法的流程图。
具体实施方式
实施例：
以下结合附图对本发明作进一步详细说明。
一种基于无人机拍摄和语义分割的全局导航辅助方法，如图1所示，包进行无人机目标飞行区域的设定，利用Dubins轨迹规划算法规划飞行巡航轨迹；
无人机根据设定的飞行巡航轨迹对目标飞行区域进行拍摄，无人机以垂直地面的角度对地面进行拍摄,在巡航轨迹中的直线飞行航线中均匀选择一系列点作为GPS位置标定点，用于后续位置校正使用；
无人机返航后，将其携带的存储卡中信息上传至服务器，获取到无人机拍摄数据，根据拍摄数据中每一张照片所携带的GPS点位信息以及时间戳信息，可以得知照片序列所对应的位置以及照片与照片间的位置关系，利用序列在轨迹中的位置排序，得到相片之间的重叠率，对于重叠率超过设定阈值的照片，利用图像拼接融合算法对拍摄数据进行合成处理；
对合成处理的结果进行语义分割地图制作；
完成的制作地图导入QGIS系统。
在本实施例中，无人机目标飞行区域的设定具体人工通过网页访问服务器，调用百度地图api接口，在网页显示的地图中标定飞行区域的角点，角点坐标信息发送至服务器，完成无人机目标飞行区域的设定。
在一些实施方式中，所述无人机对目标飞行区域进行拍摄包括：
无人机在拍摄每一帧图片时无人机所在GPS位置也被记录在图
片信息中，然后根据拍摄设备的焦距以及感光区域大小计算出拍摄的照片内容所对应的实际地貌大小，具体公式为:
其中,R为拍摄内容的实际大小，r为摄像头的感光区域大小，H 为无人机飞行高度，f为摄像机焦距。
在本实施方式中，在无人机在飞行拍摄过程中在GPS位置标定点无人机悬停5s，进行GPS位置校正，拼接后图片以校正点的GPS位置作为标准位置，从而计算出全图所有点的GPS位置。
在本实施方式中，利用图像拼接融合算法对拍摄数据进行合成处理，包括通过连续帧间的重合部分，使用SURF算法计算出每张拍摄照片的特征，根据特征的空间尺度不变特性实现帧间特征匹配，实现对拍摄数据的合成处理。
在本实施方式中，所述语义分割地图制作包括：
训练语义分割地图的神经网络模型；
将训练好的神经网络模型对需要合成的图片进行处理。具体包括使用训练好的神经网络模型得到像素级的分割信息，通过此信息对图片进行栅格化标注，最终实现对地图的制作。
在本实施方式中，所述训练语义分割地图的神经网络模型步骤具体包括：
利用开源软件，将合成处理的拍摄数据进行人工标注，人工标注出可行使区域与不可行使区域，此标注数据作训练集；
采用Auto-DeepLab方法对VOC2012和COCO语义分割训练集进行预训练，获取神经网络模型；
将标注数据的训练集输入到神经网络模型，通过设定的损失函数对神经网络模型进行微调，并通过验证集和测试集的检验。具体地，当验证集和测试集的检验准确率超过80％,则默认神经网络模型训练成功。
具体地，开源软件可以采用labelme开源软件，用labelme软件可以在一块区域周围绘制线条，将特定区域标注出来。
在本实施方式中，所述获取无人机拍摄数据，并利用图像拼接融合算法对拍摄数据进行合成处理具体包括：
提取拍摄数据中拍摄图片的特征点，并进行拍摄图片的特征点匹配得到图片拼接位置顺序并完成拼接。
在本实施方式中，利用特征点匹配得到图片拼接位置顺序并完成拼接，具体包括：
1)通过SURF算法对所有采集的图像提取特征点；
2)计算图片与图片之间特征点蔑视算子之间的欧氏距离，小于规定阈值的则此特征点匹配成功，否则失败；
3)根据匹配成功的特征点，通过仿射变换，获取图像与图像之间的变换矩阵。
4)通过图像间变换矩阵H,可以实现对相应图像进行变换并确定图像间的重叠区域，然后将待融和图像映射到到一幅新的空白图像中形成拼接图。
具体地，在步骤2中，针对匹配成功的特征点，取两张图片，根据一张图片中坐标a(x1,y1)和另一张图片中坐标b(u1，v1),通过仿射变换a＝Hb,其中H为变换矩阵
通过RANSAC算法寻找最佳的单应性矩阵，在匹配点中随机抽取至少八个特征点来求解H中的未知参数，然后再从特征点中随机抽取测试点对矩阵进行测试，并计算投影误差，使得该误差即代价函数最小，从而计算图像与图像间的变换矩阵H，通过变换矩阵H去定义极线附近的搜索区域，进一步确定特征点的对应关系，精炼H。
在本实施方式中，，在步骤4中，为了防止出现亮度差异，对于中间的重叠区域的灰度值使用加权方式确定
其中αi为重叠区域每张图片对于的透明度，n为重叠区域中涉及的图片个数，α为计算得出的平均透明度，Pi为重叠区域图片的像素值，P为计算后的重叠区域的结果。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (9)
1.一种基于无人机拍摄和语义分割的全局导航辅助方法，其特征在于，包括：
进行无人机目标飞行区域的设定，利用Dubins轨迹规划算法规划飞行巡航轨迹；
无人机根据设定的飞行巡航轨迹对目标飞行区域进行拍摄，无人机以垂直地面的角度对地面进行拍摄,在巡航轨迹中的直线飞行航线中均匀选择一系列点作为GPS位置标定点，用于后续位置校正使用；
获取无人机拍摄数据，根据拍摄数据中每一张照片所携带的GPS点位信息以及时间戳信息，可以得知照片序列所对应的位置以及照片与照片间的位置关系，利用序列在轨迹中的位置排序，得到相片之间的重叠率，对于重叠率超过设定阈值的照片，利用图像拼接融合算法对拍摄数据进行合成处理；
对合成处理的结果进行语义分割地图制作；
完成的制作地图导入QGIS系统。
2.根据权利要求1所述的一种基于无人机拍摄和语义分割的全局导航辅助方法，其特征在于，所述无人机对目标飞行区域进行拍摄包括：
无人机在拍摄每一帧图片时无人机所在GPS位置也被记录在图
片信息中，然后根据拍摄设备的焦距以及感光区域大小计算出拍摄的照片内容所对应的实际地貌大小，具体公式为:
其中,R为拍摄内容的实际大小，r为摄像头的感光区域大小，H为无人机飞行高度，f为摄像机焦距。
3.根据权利要求1所述的一种基于无人机拍摄和语义分割的全局导航辅助方法，其特征在于，在无人机在飞行拍摄过程中在GPS位置标定点无人机悬停5s，进行GPS位置校正，拼接后图片以校正点的GPS位置作为标准位置，从而计算出全图所有点的GPS位置。
4.根据权利要求1所述的一种基于无人机拍摄和语义分割的全局导航辅助方法，其特征在于，利用图像拼接融合算法对拍摄数据进行合成处理，包括通过连续帧间的重合部分，使用SURF算法计算出每张拍摄照片的特征，根据特征的空间尺度不变特性实现帧间特征匹配，实现对拍摄数据的合成处理。
5.根据权利要求1所述的一种基于无人机拍摄和语义分割的全局导航辅助方法，其特征在于，所述语义分割地图制作包括：
训练语义分割地图的神经网络模型；
将训练好的神经网络模型对需要合成的图片进行处理。
6.根据权利要求5所述的一种基于无人机拍摄和语义分割的全局导航辅助方法，其特征在于，所述训练语义分割地图的神经网络模型步骤具体包括：
利用开源软件，将合成处理的拍摄数据进行人工标注，人工标注出可行使区域与不可行使区域，此标注数据作训练集；
采用Auto-DeepLab方法对VOC2012和COCO语义分割训练集进行预训练，获取神经网络模型；
将标注数据的训练集输入到神经网络模型，通过设定的损失函数对神经网络模型进行微调，并通过验证集和测试集的检验。
7.根据权利要求1所述的一种基于无人机拍摄和语义分割的全局导航辅助方法，其特征在于，所述获取无人机拍摄数据，并利用图像拼接融合算法对拍摄数据进行合成处理具体包括：
提取拍摄数据中拍摄图片的特征点，并进行拍摄图片的特征点匹配得到图片拼接位置顺序并完成拼接。
8.根据权利要求7所述的一种基于无人机拍摄和语义分割的全局导航辅助方法，其特征在于，利用特征点匹配得到图片拼接位置顺序并完成拼接，具体包括：
1)通过SURF算法对所有采集的图像提取特征点；
2)计算图片与图片之间特征点蔑视算子之间的欧氏距离，小于规定阈值的则此特征点匹配成功，否则失败；
3)根据匹配成功的特征点，通过仿射变换，获取图像与图像之间的变换矩阵。
4)通过图像间变换矩阵H,可以实现对相应图像进行变换并确定图像间的重叠区域，然后将待融和图像映射到到一幅新的空白图像中形成拼接图。
9.根据权利要求8所述的一种基于无人机拍摄和语义分割的全局导航辅助方法，其特征在于，在步骤4中，为了防止出现亮度差异，对于中间的重叠区域的灰度值使用加权方式确定
其中αi为重叠区域每张图片对于的透明度，n为重叠区域中涉及的图片个数，α为计算得出的平均透明度，Pi为重叠区域图片的像素值，P为计算后的重叠区域的结果。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2020100850529 | 2020-02-10 | ||
| CN202010085052 | 2020-02-10 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111551167A true CN111551167A (zh) | 2020-08-18 |
| CN111551167B CN111551167B (zh) | 2022-09-27 |
Family
ID=72005507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010175657.7A Active CN111551167B (zh) | 2020-02-10 | 2020-03-13 | 一种基于无人机拍摄和语义分割的全局导航辅助方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111551167B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102412A (zh) * | 2020-11-09 | 2020-12-18 | 中国人民解放军国防科技大学 | 一种无人机降落过程中视觉锚点的检测方法及系统 |
| CN112465970A (zh) * | 2020-11-27 | 2021-03-09 | 北京斯年智驾科技有限公司 | 导航地图构建方法、装置、系统、电子装置和存储介质 |
| CN112966622A (zh) * | 2021-03-15 | 2021-06-15 | 广州小鹏自动驾驶科技有限公司 | 一种停车场语义地图完善方法、装置、设备和介质 |
| CN113052369A (zh) * | 2021-03-15 | 2021-06-29 | 北京农业智能装备技术研究中心 | 智能农机作业管理方法及系统 |
| CN114136286A (zh) * | 2021-11-29 | 2022-03-04 | 苏州华创智城科技有限公司 | 一种移动设备高清影像辅助定位方法 |
| CN115345257A (zh) * | 2022-09-22 | 2022-11-15 | 中山大学 | 飞行轨迹分类模型训练方法、分类方法、装置及存储介质 |
| CN116817892A (zh) * | 2023-08-28 | 2023-09-29 | 之江实验室 | 基于视觉语义地图的云端一体无人机航线定位方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495522A (zh) * | 2011-12-01 | 2012-06-13 | 天津曙光敬业科技有限公司 | 基于无人直升机航拍的360°空中全景互动漫游系统的制作方法 |
| CN104574339A (zh) * | 2015-02-09 | 2015-04-29 | 上海安威士科技股份有限公司 | 一种用于视频监控的多尺度柱面投影全景图像生成方法 |
| CN106683045A (zh) * | 2016-09-28 | 2017-05-17 | 深圳市优象计算技术有限公司 | 一种基于双目像机的全景图像拼接方法 |
| CN107202982A (zh) * | 2017-05-22 | 2017-09-26 | 徐泽宇 | 一种基于无人机位姿计算的信标布置及图像处理方法 |
| US20180108138A1 (en) * | 2015-04-29 | 2018-04-19 | Siemens Aktiengesellschaft | Method and system for semantic segmentation in laparoscopic and endoscopic 2d/2.5d image data |
| CN108513648A (zh) * | 2017-06-19 | 2018-09-07 | 深圳市大疆创新科技有限公司 | 地图构建方法、地图构建系统、无人飞行器和控制终端 |
| CN108920584A (zh) * | 2018-06-25 | 2018-11-30 | 广州视源电子科技股份有限公司 | 一种语义栅格地图生成方法及其装置 |
| CN109029422A (zh) * | 2018-07-10 | 2018-12-18 | 北京木业邦科技有限公司 | 一种多无人机协作构建三维调查地图的方法和装置 |
| CN109086770A (zh) * | 2018-07-25 | 2018-12-25 | 成都快眼科技有限公司 | 一种基于精准尺度预测的图像语义分割方法及模型 |
| US20190043203A1 (en) * | 2018-01-12 | 2019-02-07 | Intel Corporation | Method and system of recurrent semantic segmentation for image processing |
| CN109584251A (zh) * | 2018-12-06 | 2019-04-05 | 湘潭大学 | 一种基于单目标区域分割的舌体图像分割方法 |
| CN110243370A (zh) * | 2019-05-16 | 2019-09-17 | 西安理工大学 | 一种基于深度学习的室内环境三维语义地图构建方法 |
| CN110362083A (zh) * | 2019-07-17 | 2019-10-22 | 北京理工大学 | 一种基于多目标跟踪预测的时空地图下自主导航方法 |
-
2020
- 2020-03-13 CN CN202010175657.7A patent/CN111551167B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495522A (zh) * | 2011-12-01 | 2012-06-13 | 天津曙光敬业科技有限公司 | 基于无人直升机航拍的360°空中全景互动漫游系统的制作方法 |
| CN104574339A (zh) * | 2015-02-09 | 2015-04-29 | 上海安威士科技股份有限公司 | 一种用于视频监控的多尺度柱面投影全景图像生成方法 |
| US20180108138A1 (en) * | 2015-04-29 | 2018-04-19 | Siemens Aktiengesellschaft | Method and system for semantic segmentation in laparoscopic and endoscopic 2d/2.5d image data |
| CN106683045A (zh) * | 2016-09-28 | 2017-05-17 | 深圳市优象计算技术有限公司 | 一种基于双目像机的全景图像拼接方法 |
| CN107202982A (zh) * | 2017-05-22 | 2017-09-26 | 徐泽宇 | 一种基于无人机位姿计算的信标布置及图像处理方法 |
| CN108513648A (zh) * | 2017-06-19 | 2018-09-07 | 深圳市大疆创新科技有限公司 | 地图构建方法、地图构建系统、无人飞行器和控制终端 |
| US20190043203A1 (en) * | 2018-01-12 | 2019-02-07 | Intel Corporation | Method and system of recurrent semantic segmentation for image processing |
| CN108920584A (zh) * | 2018-06-25 | 2018-11-30 | 广州视源电子科技股份有限公司 | 一种语义栅格地图生成方法及其装置 |
| CN109029422A (zh) * | 2018-07-10 | 2018-12-18 | 北京木业邦科技有限公司 | 一种多无人机协作构建三维调查地图的方法和装置 |
| CN109086770A (zh) * | 2018-07-25 | 2018-12-25 | 成都快眼科技有限公司 | 一种基于精准尺度预测的图像语义分割方法及模型 |
| CN109584251A (zh) * | 2018-12-06 | 2019-04-05 | 湘潭大学 | 一种基于单目标区域分割的舌体图像分割方法 |
| CN110243370A (zh) * | 2019-05-16 | 2019-09-17 | 西安理工大学 | 一种基于深度学习的室内环境三维语义地图构建方法 |
| CN110362083A (zh) * | 2019-07-17 | 2019-10-22 | 北京理工大学 | 一种基于多目标跟踪预测的时空地图下自主导航方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102412A (zh) * | 2020-11-09 | 2020-12-18 | 中国人民解放军国防科技大学 | 一种无人机降落过程中视觉锚点的检测方法及系统 |
| CN112465970A (zh) * | 2020-11-27 | 2021-03-09 | 北京斯年智驾科技有限公司 | 导航地图构建方法、装置、系统、电子装置和存储介质 |
| CN112465970B (zh) * | 2020-11-27 | 2024-03-19 | 北京斯年智驾科技有限公司 | 导航地图构建方法、装置、系统、电子装置和存储介质 |
| CN112966622A (zh) * | 2021-03-15 | 2021-06-15 | 广州小鹏自动驾驶科技有限公司 | 一种停车场语义地图完善方法、装置、设备和介质 |
| CN113052369A (zh) * | 2021-03-15 | 2021-06-29 | 北京农业智能装备技术研究中心 | 智能农机作业管理方法及系统 |
| CN112966622B (zh) * | 2021-03-15 | 2024-03-29 | 广州小鹏汽车科技有限公司 | 一种停车场语义地图完善方法、装置、设备和介质 |
| CN113052369B (zh) * | 2021-03-15 | 2024-05-10 | 北京农业智能装备技术研究中心 | 智能农机作业管理方法及系统 |
| CN114136286A (zh) * | 2021-11-29 | 2022-03-04 | 苏州华创智城科技有限公司 | 一种移动设备高清影像辅助定位方法 |
| CN115345257A (zh) * | 2022-09-22 | 2022-11-15 | 中山大学 | 飞行轨迹分类模型训练方法、分类方法、装置及存储介质 |
| CN116817892A (zh) * | 2023-08-28 | 2023-09-29 | 之江实验室 | 基于视觉语义地图的云端一体无人机航线定位方法及系统 |
| CN116817892B (zh) * | 2023-08-28 | 2023-12-19 | 之江实验室 | 基于视觉语义地图的云端一体无人机航线定位方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111551167B (zh) | 2022-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111551167B (zh) | 一种基于无人机拍摄和语义分割的全局导航辅助方法 | |
| CN109931939B (zh) | 车辆的定位方法、装置、设备及计算机可读存储介质 | |
| CN113989450B (zh) | 图像处理方法、装置、电子设备和介质 | |
| EP3551967A2 (en) | Method and system for video-based positioning and mapping | |
| CN109141444B (zh) | 定位方法、装置、存储介质及移动设备 | |
| EP3676796A1 (en) | Systems and methods for correcting a high-definition map based on detection of obstructing objects | |
| CN110795819A (zh) | 自动驾驶仿真场景的生成方法和装置、存储介质 | |
| CN110110682B (zh) | 遥感图像的语义立体重构方法 | |
| CN105825173A (zh) | 通用道路和车道检测系统与方法 | |
| CN111830953A (zh) | 车辆自定位方法、装置及系统 | |
| CN110727009B (zh) | 一种基于车载环视图像的高精视觉地图构建和定位方法 | |
| CN108196285A (zh) | 一种基于多传感器融合的精确定位系统 | |
| CN109863547A (zh) | 用于使用机器学习和图像处理来构建地图的设备 | |
| CN110135323A (zh) | 图像标注方法、装置、系统及存储介质 | |
| CN111768332A (zh) | 一种车载环视实时3d全景图像的拼接方法及图形采集装置 | |
| Zhang et al. | Image-only real-time incremental UAV image mosaic for multi-strip flight | |
| CN112232275A (zh) | 基于双目识别的障碍物检测方法、系统、设备及存储介质 | |
| CN114663852A (zh) | 车道线图的构建方法、装置、电子设备及可读存储介质 | |
| CN110736472A (zh) | 一种基于车载环视图像与毫米波雷达融合的室内高精地图表征方法 | |
| CN105335977A (zh) | 摄像系统及目标对象的定位方法 | |
| CN113793266A (zh) | 一种多目机器视觉图像拼接方法、系统及存储介质 | |
| KR20210119532A (ko) | 화상 수집 제어 방법, 장치, 전자 디바이스 및 기억 매체 | |
| CN117372907A (zh) | 一种基于人工智能无人机模拟训练的集群方法 | |
| CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
| CN115018926A (zh) | 车载相机的俯仰角确定方法、装置、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 |