CN111664845B - 交通标志定位、视觉地图制作方法及装置、定位系统 - Google Patents
交通标志定位、视觉地图制作方法及装置、定位系统 Download PDFInfo
- Publication number
- CN111664845B CN111664845B CN201910166835.7A CN201910166835A CN111664845B CN 111664845 B CN111664845 B CN 111664845B CN 201910166835 A CN201910166835 A CN 201910166835A CN 111664845 B CN111664845 B CN 111664845B
- Authority
- CN
- China
- Prior art keywords
- dimensional feature
- dimensional
- traffic sign
- point set
- visual image
- 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.)
- Active
Links
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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于卫星定位技术领域,提供了一种交通标志定位、视觉地图制作方法及装置、定位系统,所述定位方法包括:在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;将所述三维特征点集拟合为平面方程以进行平面约束;基于所述平面方程获取所述交通标志的定位数据。本发明中,首先将二维特征点转为三维特征点,然后对三维特征点集拟合为平面方程进行平面约束后来获取交通标志的定位数据,可提高定位精度。
Description
技术领域
本发明属于卫星定位技术领域,尤其涉及一种交通标志定位、视觉地图制作方法及装置、定位系统。
背景技术
随着智能驾驶的发展,高精度地图也广泛受到关注。高精度地图是实现自动驾驶的基础。目前在智能交通领域特别是智能车无人驾驶领域,对于高精细地图的依赖度很高,传统的地图已经无法满足智能车无人驾驶的要求。随着智能车技术研究的热潮,能够提供给智能车使用的高精细地图创建的问题也渐渐纳入人们的视野。
现有技术中,基于视觉地图定位的技术受到关注,视觉地图主要由三维特征点构成,为了提高基于视觉地图定位的精度,一方面需要保证地图与图像特征匹配的鲁棒性,因此构建视觉地图时,往往只采集交通标志等形态固定且具有明确语义信息物体上的特征点。另一方面,需要保证视觉地图自身精度,因此目前多采用BA(Bundle Adjustment)方法对视觉地图特征点三维坐标进行优化,但由于这一过程忽略同一物体特征点之间的几何约束,特别是对于交通标志此类平面物体,该类物体上的特征点集具有极强的平面约束,如果在优化过程中将其忽略,则会在很大程度上降低视觉地图的精度。
发明内容
本发明实施例提供了一种交通标志定位、视觉地图制作方法及装置、定位系统,旨在解决现有技术的由于构建视觉地图时忽略平面约束而影响定位精度的问题。
一种交通标志定位方法,包括:
在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
将所述三维特征点集拟合为平面方程以进行平面约束;
基于所述平面方程获取所述交通标志的定位数据。
优选地,在视觉图像上提取交通标志区域数据之前还包括:
采集一帧以上视觉图像;
从所采集的视觉图像提取二维特征点数据,形成二维特征点跟踪链;
估计所述视觉图像的位姿。
优选地,在视觉图像上提取交通标志区域数据具体为:
基于所估计的位姿结果从所述视觉图像上提取交通标志区域数据。
优选地,
从所采集的视觉图像提取二维特征点数据,形成二维特征点跟踪链包括:
分别从采集的视觉图像上提取二维特征点数据,生成对应的描述子;
基于所述描述子进行视觉图像的二维特征点匹配,剔除不匹配的二维特征点,形成匹配的二维特征点集;
基于所述匹配的二维特征点集形成对应的二维特征点跟踪链。
优选地,估计所述视觉图像的位姿具体为:
基于所述二维特征点跟踪链估计所述视觉图像的位姿。
优选地,基于所估计的位姿结果从所述视觉图像上提取交通标志区域数据包括:
从所述视觉图像中提取交通标志的图像区域;
获取所述交通标志的图像区域中的二维特征点;
基于所获取的二维特征点计算得到三维特征点集。
优选地,将所述三维特征点集拟合为平面方程以进行平面约束包括:
从所述三维特征点集中选择预设数量的三维特征点加入到局内点集中,预估平面方程;
基于所述三维点集中除去被选择的三维特征点之外的三维特征点及所预估的平面方程进行迭代拟合得到平面方程。
优选地,基于所述三维点集中除去被选择的三维特征点之外的三维特征点及所预估的平面方程进行迭代拟合得到平面方程包括:
计算所述三维特征点集中除去被选择的三维特征点之外的每一三维特征点到所述预估平面方程的距离,获得距离集;
将所述距离集中的小于预设值的距离对应的三维特征点加入到所述局内点集中;
基于当前局内点集进行拟合得到平面方程。
优选地,基于所述平面方程获取所述交通标志的定位数据包括:
对拟合得到的平面方程进行优化,得到优化的平面方程;
基于优化的平面方程获取所述交通标志的定位数据。
优选地,对拟合得到的平面方程进行优化,得到优化的平面方程包括:
构建优化方程;
基于所述优化方程对拟合得到的平面方程进行优化,得到优化的平面方程。
本发明还提供一种交通标志定位装置,包括:
提取单元,用于在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
拟合单元,用于将所述三维特征点集拟合为平面方程以进行平面约束;
定位单元,用于基于所述平面方程获取所述交通标志的定位数据。
本发明还提供一种定位系统,所述定位系统包括交通标志定位装置,所述交通标志定位装置包括:
提取单元,用于在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
拟合单元,用于将所述三维特征点集拟合为平面方程以进行平面约束;
定位单元,用于基于所述平面方程获取所述交通标志的定位数据。
本发明还提供一种视觉地图的制作方法,其特征在于,包括:
在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
将所述三维特征点集拟合为平面方程以进行平面约束;
基于所述平面方程获取所述交通标志的定位数据;
基于所获取的交通标志的定位数据来形成视觉地图。
本发明还提供一种视觉地图的制作装置,包括:
提取单元,用于在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
拟合单元,用于将所述三维特征点集拟合为平面方程以进行平面约束;
定位单元,用于基于所述平面方程获取所述交通标志的定位数据;
制作单元,用于基于所获取的交通标志的定位数据来形成视觉地图。
本发明还提供一种存储器,所述存储器存储有计算机程序,所述计算机程序被处理器执行如下步骤:
在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
将所述三维特征点集拟合为平面方程以进行平面约束;
基于所述平面方程获取所述交通标志的定位数据。
本发明还提供一种定位终端,包括存储器、处理器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以下步骤:
在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
将所述三维特征点集拟合为平面方程以进行平面约束;
基于所述平面方程获取所述交通标志的定位数据。
本发明实施例中,首先将二维特征点转为三维特征点,然后对三维特征点集拟合为平面方程进行平面约束后来获取交通标志的定位数据,可提高定位精度。
附图说明
图1为本发明第一实施例提供的一种交通标志定位方法的流程图;
图2为本发明第一实施例提供的一种交通标志定位方法的一优选实施方式的流程图;
图3为本发明第一实施例提供的一种交通标志定位方法的步骤S5的具体流程图;
图4a为本发明第一实施例提供的一种交通标志定位方法的利用极限约束进行匹配的示意图;
图4b为本发明第一实施例提供的一种交通标志定位方法的反投影误差的示意图;
图5为本发明第一实施例提供的一种交通标志定位方法的步骤S1的具体流程图;
图6为本发明第一实施例提供的一种交通标志定位方法的步骤S2的具体流程图;
图7为本发明第一实施例提供的一种交通标志定位方法的步骤S22的具体流程图;
图8为本发明第一实施例提供的一种交通标志定位方法的步骤S3的具体流程图;
图9为本发明第二实施例提供的一种交通标志定位装置的结构图;
图10为本发明第三实施例提供的一种视觉地图的制作方法的流程图;
图11为本发明第四实施例提供的一种视觉地图的制作装置的流程图;
图12为本发明第五实施例提供的一种定位终端的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例中,一种交通标志定位方法,包括:在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;将所述三维特征点集拟合为平面方程以进行平面约束;基于所述平面方程获取所述交通标志的定位数据。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
图1示出了本发明第一实施例提供的一种交通标志定位方法的流程图,该定位方法包括:
步骤S1,在视觉图像上提取交通标志区域数据;
具体地,首先在每一帧视觉图像上提取交通标志区域数据,该区域数据包括对应的三维特征点集对应的参数,例如三维特征点的三维坐标数据等,此处对此不作限制。
步骤S2,将三维特征点集拟合为平面方程以进行平面约束;
具体地,将前述三维特征点集拟合为平面方程以进行平面约束;
步骤S3,基于平面方程获取交通标志的定位数据;
具体地,基于平面方程来获取交通标志的定位数据。例如,基于平面方程重新计算每一特征点的三维坐标,然后对应交通标志的定位数据。
在本实施例中,首先将二维特征点转为三维特征点,然后对三维特征点集拟合为平面方程进行平面约束后来获取交通标志的定位数据,可提高定位精度。
在本实施例的一个优选方案中(见图2),该步骤S1之前还可包括;
步骤S4,采集一帧以上视觉图像;
具体地,通过摄像机采集一帧以上视觉图像;
步骤S5,从所采集的视觉图像提取二维特征点数据,形成二维特征点跟踪链;
具体地,从所采集的视觉图像中提取该图像的二维特征点数据,然后形成二维特征点跟踪链,进一步地,此处提取的二维特征点数据包括交通标志区域的特征点数据,还包括其他区域的特征点数据。
步骤S6,估计视觉图像的位姿;
具体地,估计每一视觉图像的位姿;优选地,采用BA(Bundle Adjustment)算法来估计视觉图像的位姿。
在本实施例的一个优选方案中,如图3所示,为本发明第一实施例提供的一种交通标志定位方法的步骤S5的具体流程图,该步骤S5具体包括:
步骤S51,分别从采集的视觉图像上提取二维特征点数据,生成对应的描述子;
具体地,分布从采集的视觉图像上提取二维特征点数据,然后生成具备尺度及旋转不变性的描述子,每一二维特征点对应一描述子;其中,所述描述子是刻画特征的一种数据结构,通常用向量表示。向量之间的距离对应特征的相似程度,距离越小表明特征越相似,反之特征差异越大。
步骤S52,基于描述子进行视觉图像的二维特征点匹配,剔除不匹配的二维特征点,形成二维特征点集;
具体地,根据前述描述子对多帧视觉图像进行二维特征点匹配,剔除不匹配的二维特征点,得到剔除不匹配特征点之后的二维特征点集(即得到匹配的二维特征点集);
优选地,由于特征点是通过计算描述子之间是的距离来进行匹配的,待匹配特征点集中与目标特征点描述子之间的距离最小的特征点即为匹配点。但得到的结果中可能存在误匹配,因此需要通过下述三种验证手段中的一种、两种或者三种来剔除误匹配特征点。
剔除的过程可如下:
优选地,根据比例来剔除,例如,选择一目标二维特征点,获取其余二维特征点与所述目标二维特征点之间的距离,根据距离由小到大进行排序,若排在前面的两个距离之间的比值(如第一小距离/第二小距离)大于第一阈值,则认为该第一小距离对应的二维特征点为误匹配,剔除该第一小距离对应的二维特征点。该第一阈值的大小可根据实际情况而设,此处对此不作限制。
优选地,根据极线约束来剔除,例如(见图4a),根据双目视觉对极几何原理,图像p1中一点x在图像p2中的匹配点必定位于极线l’上,具体的,极线方程表示为:
x′Tl′=0
其中所述x’为极线l’上一点(即x’为图4a中的p2图像且与p1图像中的x对应的点),T为转置矩阵,所述l’具体可表示为:
l′=Fx
其中F为相机O1,O2之间的基础矩阵,可由经典的8点法求得。
在得到极线方程后计算匹配点到极线的距离,如果距离超过第二阈值则认为该点为误匹配点,将其剔除;该第二阈值的大小可根据实际情况而设,此处对此不作限制。
优选地,根据对称性来剔除,例如,从理论上与二维特征点匹配的二维特征点应是唯一确定的,也就是特征点A找到的匹配点B反相匹配仍能匹配到特征点A,否则认为该匹配为误匹配,将其剔除。
需要说明的是,在本实施例的一个优选方案中,同时采用上述三种方式来来剔除误匹配特征点,以提高剔除的效率。
步骤S53,基于匹配的二维特征点集形成对应的二维特征点跟踪链;
具体地,剔除不匹配的二维特征点后,获得匹配的二维特征点集,将匹配的二维特征点形成对应的跟踪链。
在本实施例的一个优选方案中,该步骤S6具体为:基于二维特征点跟踪链估计视觉图像的位姿;
具体地,根据图像二维特征点匹配关系,利用8点法求解基础矩阵;然后分解基础矩阵得到图像位姿的初步估计;进而利用三角化原理恢复二维特征点三维坐标;最后采用BA(Bundle Adjustment)算法对初步估计的图像位姿进行优化;,基于前述二维特征点跟踪链,采用BA算法来估计视觉图像的位姿,采用公式来优化视觉图像的位姿,其中,C为图像位姿矩阵,X为三维特征点的三维坐标,qij为第i帧图像上特征点j的二维坐标,函数P为相机投影方程,通过P可以获三维得特征点j(三维坐标Xj)在i图像(图像位姿矩阵Ci)上的投影点,理论上投影点与测量点q应重合,但实际中由于各种误差的存在,投影点与测量点存在误差,我们将这种误差称为反投影误差(如图4b),通过最小化反投影误差,就能够准确估计图像的位姿;
在本实施例的一个优选方案中,该步骤S1具体为:基于所估计的位姿结果从视觉图像上提取交通标志区域数据;
如图5所示,为本发明第一实施例提供的一种交通标志定位方法的步骤S1的具体流程图,该步骤S1具体包括:
步骤S11,从视觉图像中提取交通标志图像区域;
具体地,基于前述的剔除不匹配三维特征点之后形成二维特征点跟踪链的视觉图像,采用图像识别算法提取交通标志对应的图像区域;
步骤S12,获取交通标志的图像区域中的二维特征点;
具体地,基于前述的交通标志所在的图像区域中获取二维特征点;
步骤S13,基于所获取的二维特征点计算得到三维特征点集;
具体地,基于特征点的匹配关系及前述的视觉图像的位姿、利用三角化原理计算交通标志的每一三维特征点,将计算所得的三维特征点形成三维特征点集,每一三维特征点包括对应的特征点的三维坐标数据;
在本实施例的一个优选方案中,如图6所示,为本发明第一实施例提供的一种交通标志定位方法的步骤S2的具体流程图,该步骤S2具体包括:
步骤S21,从三维特征点集中选择预设数量的三维特征点加入到局内点集中,预估平面方程;
具体地,从三维特征点集中选择预设数量的三维特征点加入到局内点集中,预估平面方程,该预设数量优选为三个,即从交通标志对应的三维特征点集中随机选择三个三维特征点加入到局内点集中,基于当前的局内点预估平面方程;
步骤S22,基于三维特征点集中除去被选择的三维特征点之外的三维特征点及所预估的平面方程进行迭代拟合得到平面方程;
具体地,基于前述三维特征点集中选择三个三维特征点之后,基于剩下的三维特征点及预估的平面方程迭代拟合得到平面方程;
在本实施例的一个优选方案中,如图7所示,为本发明第一实施例提供的一种交通标志定位方法的步骤S22的具体流程图,该步骤S22具体包括:
步骤S221,计算三维特征点集中除去被选择的三维特征点之外的每一三维特征点到预估平面方程的距离,获得距离集;
具体地,计算前述三维特征点集中的其余每一三维特征点到该预估平面方程的距离,得到对应的距离集;
步骤S222,将距离集中的小于预设值的距离对应的三维特征点加入到局内点集中;
具体地,从该距离集中选择小于预设值的距离,将小于预设值的距离对应的三维特征点也加入到局内点集中;
步骤S223,基于当前局内点集进行拟合得到平面方程;
具体地,基于当前局内点集进行拟合得到平面方程;
在本实施例中,每次从前述三维特征点集中任选三个三维特征点,然后执行上述步骤S221~步骤S222,得到多个局内点集,选择三维特征点数量最多的局内点集,然后基于所选择的局内点集来执行步骤S223,即基于所选择的局内点集进行拟合得到平面方程,进一步地,利用最小二乘算法来进行拟合得到平面方程。
在本实施例的一个优选方案中,如图8所示,为本发明第一实施例提供的一种交通标志定位方法的步骤S3的具体流程图,该步骤S3具体包括:
步骤S31,对拟合得到的平面方程进行优化,得到优化的平面方程;
具体地,首先对拟合得到的平面方程进行优化,得到优化的平面方程,
主要过程为:首先构建优化方程,然后基于优化方程对拟合得到的平面方程进行优化,得到优化的平面方程;
X=(A1 TK-1q1j)-1K-1q1j
其中,K为相机内参矩阵。
然后利用相机投影函数P将三维坐标X投影到第i帧图像,进而与qij比较计算反投影误差,最终通过最小化反投影误差来优化平面方程;
步骤S32,基于优化的平面方程获取交通标志的定位数据;
具体地,基于优化的平面方程获取交通标志的定位数据,例如,基于优化后的平面方程重新计算三维特征点三维坐标,得到交通标志的定位数据,由于在优化过程中将三维特征点限制在同一平面进行调整,可提高定位精度。
在本实施例中,首先将二维特征点转为三维特征点,然后对三维特征点集拟合为平面方程进行平面约束后来获取交通标志的定位数据,可提高定位精度。
其次,将交通标志拟合到一个平面,然后进行整体优化,可提高定位精度。
实施例二:
基于上述实施例一,如图9所示,为本发明第二实施例提供的一种交通标志定位装置的结构图,该定位装置包括:第一提取单元1、与第一提取单元1连接的拟合单元2、与拟合单元2连接的定位单元3,其中:
第一提取单元1,用于在视觉图像上提取交通标志区域数据;
具体地,首先在每一帧视觉图像上提取交通标志区域数据,该区域数据包括对应的三维特征点集对应的参数,例如三维特征点的三维坐标数据等,此处对此不作限制。
拟合单元2,用于将三维特征点集拟合为平面方程以进行平面约束;
具体地,将签署三维特征点集拟合为平面方程以进行平面约束;
定位单元3,用于基于平面方程获取交通标志的定位数据;
具体地,基于平面方程来获取交通标志的定位数据。例如,基于平面方程重新计算每一特征点的三维坐标,然后对应交通标志的定位数据。
在本实施例中,首先将二维特征点转为三维特征点,然后对三维特征点集拟合为平面方程进行平面约束后来获取交通标志的定位数据,可提高定位精度。
在本实施例的一个优选方案中,该定位装置还包括:采集单元4、与采集单元4连接的第二提取单元5、与第二提取单元5连接的估计单元6,所述估计单元6与所述第一提取单元1连接,其中:
采集单元4,用于采集一帧以上视觉图像;
具体地,通过摄像机采集一帧以上视觉图像;
第二提取单元5,用于从所采集的视觉图像提取二维特征点数据,形成二维特征点跟踪链;
具体地,从所采集的视觉图像中提取该图像的二维特征点数据,然后形成二维特征点跟踪链,进一步地,此处提取的二维特征点数据包括交通标志区域的特征点数据,还包括其他区域的特征点数据。
估计单元6,用于估计视觉图像的位姿;
具体地,估计每一视觉图像的位姿;优选地,采用BA(Bundle Adjustment)算法来估计视觉图像的位姿。
在本实施例的一个优选方案中,该第二提取单元5具体包括:提取子单元、与提取子单元连接的剔除子单元、与剔除子单元连接的形成子单元,其中:
提取子单元,用于分别从采集的视觉图像上提取二维特征点数据,生成对应的描述子;
具体地,分布从采集的视觉图像上提取二维特征点数据,然后生成具备尺度及旋转不变性的描述子,每一二维特征点对应一描述子;其中,所述描述子是刻画特征的一种数据结构,通常用向量表示。向量之间的距离对应特征的相似程度,距离越小表明特征越相似,反之特征差异越大。
剔除子单元,用于基于描述子进行视觉图像的二维特征点匹配,剔除不匹配的二维特征点,形成二维特征点集;
具体地,根据前述描述子对多帧视觉图像进行二维特征点匹配,剔除不匹配的二维特征点(即得到匹配的二维特征点集),并在前述多帧视觉图像中形成二维特征点跟踪链。
优选地,由于特征点是通过计算描述子之间是的距离来进行匹配的,待匹配特征点集中与目标特征点描述子之间的距离最小的特征点即为匹配点。但得到的结果中可能存在误匹配,因此需要通过下述三种验证手段中的一种、两种或三种来剔除误匹配特征点。
剔除的过程可如下:
优选地,根据比例来剔除,例如,选择一目标二维特征点,获取其余二维特征点与所述目标二维特征点之间的距离,根据距离由小到大进行排序,若排在前面的两个距离之间的比值(如第一小距离/第二小距离)大于第一阈值,则认为该第一小距离对应的二维特征点为误匹配,剔除该第一小距离对应的二维特征点。该第一阈值的大小可根据实际情况而设,此处对此不作限制。
优选地,根据极线约束来剔除,例如(见图4a),根据双目视觉对极几何原理,图像p1中一点x在图像p2中的匹配点必定位于极线l’上,具体的,极线方程表示为:
x′Tl′=0
其中所述x’为极线l’上一点(即x’为图4a中的p2图像且与p1图像中的x对应的点),T为转置矩阵,所述l’具体可表示为:
l′=Fx
其中F为相机O1,O2之间的基础矩阵,可由经典的8点法求得。
在得到极线方程后计算匹配点到极线的距离,如果距离超过第二阈值则认为该点为误匹配点,将其剔除;该第二阈值的大小可根据实际情况而设,此处对此不作限制。
优选地,根据对称性来剔除,例如,从理论上与二维特征点匹配的二维特征点应是唯一确定的,也就是特征点A找到的匹配点B反相匹配仍能匹配到特征点A,否则认为该匹配为误匹配,将其剔除。
需要说明的是,在本实施例的一个优选方案中,同时采用上述三种方式来来剔除误匹配特征点,以提高剔除的效率。
形成子单元,用于基于匹配的二维特征点集形成对应的二维特征点跟踪链;
具体地,剔除不匹配的二维特征点后,获得匹配的二维特征点集,将匹配的二维特征点形成对应的跟踪链。
在本实施例的一个优选方案中,该估计单元6具体用于:
基于二维特征点跟踪链估计视觉图像的位姿;
具体地,根据图像二维特征点匹配关系,利用8点法求解基础矩阵;然后分解基础矩阵得到图像位姿的初步估计;进而利用三角化原理恢复二维特征点三维坐标;最后采用BA(Bundle Adjustment)算法对初步估计的图像位姿进行优化;,基于前述二维特征点跟踪链,采用BA算法来估计视觉图像的位姿,采用公式来优化视觉图像的位姿,其中,C为图像位姿矩阵,X为特征点三维坐标,qij为第i帧图像上特征点j的二维坐标,函数P为相机投影方程,通过P可以获三维得特征点j(三维坐标Xj)在i图像(图像位姿矩阵Ci)上的投影点,理论上投影点与测量点q应重合,但实际中由于各种误差的存在,投影点与测量点存在误差,我们将这种误差称为反投影误差(如图4b),通过最小化反投影误差,就能够准确估计图像的位姿;
在本实施例的一个优选方案中,该第一提取单元1具体用于:基于所估计的位姿结果从视觉图像上提取交通标志区域数据;
进一步地,该第一提取单元1具体包括:计算子单元、与计算子单元连接的平面拟合子单元、与平面拟合子单元连接的数据提取子单元,其中:
计算子单元,用于从视觉图像中提取交通标志图像区域;
具体地,基于前述的剔除不匹配三维特征点之后形成二维特征点跟踪链的视觉图像,采用图像识别算法提取交通标志对应的图像区域;
平面拟合子单元,用于获取交通标志的图像区域中的二维特征点;
具体地,基于前述的交通标志所在的图像区域中获取二维特征点;
数据提取子单元,用于基于所获取的二维特征点计算得到三维特征点集;
具体地,基于特征点的匹配关系及前述的视觉图像的位姿、利用三角化原理计算交通标志的每一三维特征点,将计算所得的三维特征点形成三维特征点集,每一三维特征点包括对应的特征点的三维坐标数据;
在本实施例的一个优选方案中,该拟合单元2包括:预估子单元及与其连接的迭代拟合子单元,其中:
预估子单元,用于从三维特征点集中选择预设数量的三维特征点加入到局内点集中,预估平面方程;
具体地,从三维特征点集中选择预设数量的三维特征点加入到局内点集中,预估平面方程,该预设数量优选为三个,即从交通标志对应的三维特征点集中随机选择三个三维特征点加入到局内点集中,基于当前的局内点预估平面方程;
迭代拟合子单元,用于基于所述点集中除去被选择的三维特征点之外的三维特征点及所预估的平面方程进行迭代拟合得到平面方程;
具体地,基于前述三维特征点集中选择三个三维特征点之后,基于剩下的三维特征点及预估的平面方程迭代拟合得到平面方程;
在本实施例的一个优选方案中,该迭代拟合子单元具体用于:计算三维特征点集中除去被选择的三维特征点之外的每一三维特征点到预估平面方程的距离,获得距离集;
具体地,计算前述三维特征点集中的其余每一三维特征点到该预估平面方程的距离,得到对应的距离集;
还用于:将距离集中的小于预设值的距离对应的三维特征点加入到局内点集中;
具体地,从该距离集中选择小于预设值的距离,将小于预设值的距离对应的三维特征点也加入到局内点集中;
还用于:基于当前局内点集进行拟合得到优化的平面方程;
具体地,基于当前局内点集进行拟合得到优化的平面方程;
在本实施例中,每次从前述三维特征点集中任选三个三维特征点,然后进获得对应的距离集,然后将距离集中的小于预设值的距离对应的三维特征点加入到局内点集中形成对应的局内点集,经过迭代得到多个局内点集,选择三维特征点数量最多的局内点集,然后基于所选择的局内点集来进行拟合得到平面方程,即基于所选择的局内点集进行拟合得到平面方程,进一步地,利用最小二乘算法来进行拟合得到平面方程。
在本实施例的一个优选方案中,该定位单元3具体包括:优化子单元及与其连接的定位子单元,其中:
优化子单元,用于对拟合得到的平面方程进行优化,得到优化的平面方程;
具体地,首先对拟合得到的平面方程进行优化,得到优化的平面方程,
主要过程为:首先构建优化方程,然后基于优化方程对拟合得到的平面方程进行优化,得到优化的平面方程;
X=(A1 TK-1q1j)-1K-1q1j,其中,
其中,K为相机内参矩阵。
然后利用相机投影函数P将三维坐标X投影到第i帧图像,进而与qij比较计算反投影误差,最终通过最小化反投影误差来优化平面方程;
定位子单元,用于基于优化的平面方程获取交通标志的定位数据;
具体地,基于优化的平面方程获取交通标志的定位数据,例如,基于优化后的平面方程重新计算三维特征点三维坐标,得到交通标志的定位数据,由于在优化过程中将三维特征点限制在同一平面进行调整,可提供定位精度。
在本实施例中,首先将二维特征点转为三维特征点,然后对三维特征点集拟合为平面方程进行平面约束后来获取交通标志的定位数据,可提高定位精度。
其次,将交通标志拟合到一个平面,然后进行整体优化,可提高定位精度。
本发明还提供一种定位系统,该定位系统包括如上述实施例二所述的一种交通标志定位装置,该定位装置的具体结构、工作原理及所带来的技术效果与上述实施例二的描述基本一致,此处不再赘述。
实施例三:
基于上述实施例一,如图10示出了本发明第三实施例提供的一种视觉地图的制作方法的流程图,该制作方法包括:
步骤A1,在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
步骤A2,将三维特征点集拟合为平面方程以进行平面约束;
步骤A3,基于平面方程获取所述交通标志的定位数据;
步骤A4,基于所获取的交通标志的定位数据来形成视觉地图。
在本实施例中,首先将二维特征点转为三维特征点,然后对三维特征点集拟合为平面方程进行平面约束后来获取交通标志的定位数据,可提高定位精度。
需要说明的是,本实施例的步骤A1~A3与上述实施例一所述的步骤S1~S3的具体实现过程一致,具体可参看上述实施例一的描述,此处不再赘述。
在本实施例的一个优选方案中,该步骤A1之前还包括:
步骤A5,采集一帧以上视觉图像;
具体地,通过摄像机采集一帧以上视觉图像;
步骤A6,从所采集的视觉图像提取二维特征点数据,形成二维特征点跟踪链;
具体地从所采集的视觉图像中提取该图像的二维特征点数据,然后形成二维特征点跟踪链,进一步地,此处提取的二维特征点数据包括交通标志区域的特征点数据,还包括其他区域的特征点数据。
步骤A7,估计视觉图像的位姿;
具体地,估计每一视觉图像的位姿;优选地,采用BA(Bundle Adjustment)算法来估计视觉图像的位姿。
在本实施例中,上述步骤A5~步骤A7的具体实现过程分别与上述实施例一的步骤S4~步骤S6一致,具体可参看上述实施例一的描述,此处步骤赘述。
在本实施例中,首先将二维特征点转为三维特征点,然后对三维特征点集拟合为平面方程进行平面约束后来获取交通标志的定位数据,可提高定位精度。
其次,将交通标志拟合到一个平面,然后进行整体优化,可提高定位精度。
实施例四:
基于上述实施例三,如图11示出了本发明第四实施例提供的一种视觉地图的制作装置的流程图,该制作装置包括:第一提取单元111、与第一提取单元111连接的拟合单元112、与拟合单元112连接的定位单元113、与定位单元连接的制作单元114,其中:
第一提取单元111,用于在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
拟合单元112,用于将所述三维特征点集拟合为平面方程以进行平面约束;
定位单元113,用于基于所述平面方程获取所述交通标志的定位数据;
制作单元114,用于基于所获取的交通标志的定位数据来形成视觉地图。
在本实施例中,首先将二维特征点转为三维特征点,然后对三维特征点集拟合为平面方程进行平面约束后来获取交通标志的定位数据,可提高定位精度。
需要说明的是,本实施例的第一提取单元111、拟合单元112及定位单元113的具体结构、工作原理及所带来的技术效果分别与上述实施例二所述的第一提取单元1、拟合单元2及定位单元3的具体结构、工作原理及所带来的技术效果一致,此处不再赘述。
在本实施例的一个优选方案中,该制作装置还包括:采集单元、与采集单元连接的第二提取单元、与第二提取单元连接的估计单元,其中,该采集单元、第二提取单元及估计单元与上述实施例二所述的采集单元、第二提取单元及估计单元分别一致,具体可参看上述实施例二的描述,此处不对具体结构、工作原理及所带来的技术效果进行赘述。
在本实施例中,首先将二维特征点转为三维特征点,然后对三维特征点集拟合为平面方程进行平面约束后来获取交通标志的定位数据,可提高定位精度。
其次,将交通标志拟合到一个平面,然后进行整体优化,可提高定位精度。
实施例五:
图12示出了本发明第五实施例提供的一种定位终端的结构图,该定位终端包括:存储器(memory)121、处理器(processor)122、通信接口(Communications Interface)123和总线124,该处理器122、存储器121、通信接口123通过总线124完成相互之间的交互通信。
存储器121,用于存储各种数据;
具体地,存储器121用于存储各种数据,例如通信过程中的数据、接收的数据等,此处对此不作限制,该存储器还包括有多个计算机程序。
通信接口123,用于该定位终端的通信设备之间的信息传输;
处理器122,用于调用存储器121中的各种计算机程序,以执行上述实施例一所提供的一种交通标志定位方法,例如:
在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
将所述三维特征点集拟合为平面方程以进行平面约束;
基于所述平面方程获取所述交通标志的定位数据。
本实施例中,首先将二维特征点转为三维特征点,然后对三维特征点集拟合为平面方程进行平面约束后来获取交通标志的定位数据,可提高定位精度。
本发明还提供一种存储器,该存储器存储有多个计算机程序,该多个计算机程序被处理器调用执行上述实施例一所述的一种交通标志定位方法。
本发明中,首先将二维特征点转为三维特征点,然后对三维特征点集拟合为平面方程进行平面约束后来获取交通标志的定位数据,可提高定位精度。
其次,将交通标志拟合到一个平面,然后进行整体优化,可提高定位精度。
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发明的范围。以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种交通标志定位方法,其特征在于,包括:
在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
将所述三维特征点集拟合为平面方程以进行平面约束;
基于所述平面方程获取所述交通标志的定位数据;
在视觉图像上提取交通标志区域数据之前还包括:
采集一帧以上视觉图像;
从所采集的视觉图像提取二维特征点数据,形成二维特征点跟踪链;
估计所述视觉图像的位姿;
在视觉图像上提取交通标志区域数据具体为:
基于所估计的位姿结果从所述视觉图像上提取交通标志区域数据;
所述从所采集的视觉图像提取二维特征点数据,形成二维特征点跟踪链包括:
分别从采集的视觉图像上提取二维特征点数据,生成对应的描述子;
基于所述描述子进行视觉图像的二维特征点匹配,剔除不匹配的二维特征点,形成匹配的二维特征点集;
基于所述匹配的二维特征点集形成对应的二维特征点跟踪链;
所述估计所述视觉图像的位姿具体为:
基于所述二维特征点跟踪链估计所述视觉图像的位姿;
所述基于所估计的位姿结果从所述视觉图像上提取交通标志区域数据包括:
从所述视觉图像中提取交通标志的图像区域;
获取所述交通标志的图像区域中的二维特征点;
基于所获取的二维特征点计算得到三维特征点集;
所述将所述三维特征点集拟合为平面方程以进行平面约束包括:
从所述三维特征点集中选择预设数量的三维特征点加入到局内点集中,预估平面方程;
基于所述三维特征点集中除去被选择的三维特征点之外的三维特征点及所预估的平面方程进行迭代拟合得到平面方程。
2.根据权利要求1所述的定位方法,其特征在于,基于所述三维特征点集中除去被选择的三维特征点之外的三维特征点及所预估的平面方程进行迭代拟合得到平面方程包括:
计算所述三维特征点集中除去被选择的三维特征点之外的每一三维特征点到所述预估平面方程的距离,获得距离集;
将所述距离集中的小于预设值的距离对应的三维特征点加入到所述局内点集中;
基于当前局内点集进行拟合得到平面方程。
3.根据权利要求2所述的定位方法,其特征在于,基于所述平面方程获取所述交通标志的定位数据包括:
对拟合得到的平面方程进行优化,得到优化的平面方程;
基于优化的平面方程获取所述交通标志的定位数据。
4.根据权利要求3所述的定位方法,其特征在于,对拟合得到的平面方程进行优化,得到优化的平面方程包括:
构建优化方程;
基于所述优化方程对拟合得到的平面方程进行优化,得到优化的平面方程。
5.一种交通标志定位装置,其特征在于,包括:
第一提取单元,用于在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
拟合单元,用于将所述三维特征点集拟合为平面方程以进行平面约束;
定位单元,用于基于所述平面方程获取所述交通标志的定位数据;
所述交通标志定位装置,还包括:
采集单元,用于采集一帧以上视觉图像;
第二提取单元,用于从所采集的视觉图像提取二维特征点数据,形成二维特征点跟踪链;
估计单元,用于估计视觉图像的位姿;
所述第一提取单元,具体用于基于所估计的位姿结果从所述视觉图像上提取交通标志区域数据;
所述第二提取单元包括:
提取子单元,用于分别从采集的视觉图像上提取二维特征点数据,生成对应的描述子;
剔除子单元,用于基于所述描述子进行视觉图像的二维特征点匹配,剔除不匹配的二维特征点,形成匹配的二维特征点集;
形成子单元,用于基于所述匹配的二维特征点集形成对应的二维特征点跟踪链;
所述估计单元具体用于:基于所述二维特征点跟踪链估计所述视觉图像的位姿;
所述第一提取单元,包括:
计算子单元,用于从所述视觉图像中提取交通标志的图像区域;
平面拟合子单元,用于获取所述交通标志的图像区域中的二维特征点;
数据提取子单元,用于基于所获取的二维特征点计算得到三维特征点集;
所述拟合单元,包括:
预估子单元,用于从所述三维特征点集中选择预设数量的三维特征点加入到局内点集中,预估平面方程;
迭代拟合子单元,用于基于所述三维特征点集中除去被选择的三维特征点之外的三维特征点及所预估的平面方程进行迭代拟合得到平面方程。
6.一种定位系统,其特征在于,包括如权利要求5所述的交通标志定位装置。
7.一种视觉地图的制作方法,其特征在于,包括:
在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
将所述三维特征点集拟合为平面方程以进行平面约束;
基于所述平面方程获取所述交通标志的定位数据;
基于所获取的交通标志的定位数据来形成视觉地图;
在视觉图像上提取交通标志区域数据之前还包括:
采集一帧以上视觉图像;
从所采集的视觉图像提取二维特征点数据,形成二维特征点跟踪链;
估计所述视觉图像的位姿;
在视觉图像上提取交通标志区域数据具体为:
基于所估计的位姿结果从所述视觉图像上提取交通标志区域数据;
所述从所采集的视觉图像提取二维特征点数据,形成二维特征点跟踪链包括:
分别从采集的视觉图像上提取二维特征点数据,生成对应的描述子;
基于所述描述子进行视觉图像的二维特征点匹配,剔除不匹配的二维特征点,形成匹配的二维特征点集;
基于所述匹配的二维特征点集形成对应的二维特征点跟踪链;
所述估计所述视觉图像的位姿具体为:
基于所述二维特征点跟踪链估计所述视觉图像的位姿;
所述基于所估计的位姿结果从所述视觉图像上提取交通标志区域数据包括:
从所述视觉图像中提取交通标志的图像区域;
获取所述交通标志的图像区域中的二维特征点;
基于所获取的二维特征点计算得到三维特征点集;
所述将所述三维特征点集拟合为平面方程以进行平面约束包括:
从所述三维特征点集中选择预设数量的三维特征点加入到局内点集中,预估平面方程;
基于所述三维特征点集中除去被选择的三维特征点之外的三维特征点及所预估的平面方程进行迭代拟合得到平面方程。
8.一种视觉地图的制作装置,其特征在于,包括:
第一提取单元,用于在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
拟合单元,用于将所述三维特征点集拟合为平面方程以进行平面约束;
定位单元,用于基于所述平面方程获取所述交通标志的定位数据;
制作单元,用于基于所获取的交通标志的定位数据来形成视觉地图;
所述视觉地图的制作装置,还包括:
采集单元,用于采集一帧以上视觉图像;
第二提取单元,用于从所采集的视觉图像提取二维特征点数据,形成二维特征点跟踪链;
估计单元,用于估计视觉图像的位姿;
所述第一提取单元,具体用于基于所估计的位姿结果从所述视觉图像上提取交通标志区域数据;
所述第二提取单元包括:
提取子单元,用于分别从采集的视觉图像上提取二维特征点数据,生成对应的描述子;
剔除子单元,用于基于所述描述子进行视觉图像的二维特征点匹配,剔除不匹配的二维特征点,形成匹配的二维特征点集;
形成子单元,用于基于所述匹配的二维特征点集形成对应的二维特征点跟踪链;
所述估计单元具体用于:基于所述二维特征点跟踪链估计所述视觉图像的位姿;
所述第一提取单元,包括:
计算子单元,用于从所述视觉图像中提取交通标志的图像区域;
平面拟合子单元,用于获取所述交通标志的图像区域中的二维特征点;
数据提取子单元,用于基于所获取的二维特征点计算得到三维特征点集;
所述拟合单元,包括:
预估子单元,用于从所述三维特征点集中选择预设数量的三维特征点加入到局内点集中,预估平面方程;
迭代拟合子单元,用于基于所述三维特征点集中除去被选择的三维特征点之外的三维特征点及所预估的平面方程进行迭代拟合得到平面方程。
9.一种存储器,所述存储器存储有计算机程序,其特征在于,所述计算机程序被处理器执行如下步骤:
采集一帧以上视觉图像;
从所采集的视觉图像提取二维特征点数据,形成二维特征点跟踪链;
估计所述视觉图像的位姿;
在视觉图像上提取交通标志区域数据,所述区域数据包括三维特征点集对应的参数;
将所述三维特征点集拟合为平面方程以进行平面约束;
基于所述平面方程获取所述交通标志的定位数据;
在视觉图像上提取交通标志区域数据具体为:
基于所估计的位姿结果从所述视觉图像上提取交通标志区域数据。
10.一种定位终端,包括存储器、处理器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4任意一项所述的交通标志定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910166835.7A CN111664845B (zh) | 2019-03-05 | 2019-03-05 | 交通标志定位、视觉地图制作方法及装置、定位系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910166835.7A CN111664845B (zh) | 2019-03-05 | 2019-03-05 | 交通标志定位、视觉地图制作方法及装置、定位系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111664845A CN111664845A (zh) | 2020-09-15 |
CN111664845B true CN111664845B (zh) | 2023-06-16 |
Family
ID=72381846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910166835.7A Active CN111664845B (zh) | 2019-03-05 | 2019-03-05 | 交通标志定位、视觉地图制作方法及装置、定位系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111664845B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634366B (zh) * | 2020-12-23 | 2023-10-17 | 北京百度网讯科技有限公司 | 位置信息的生成方法、相关装置及计算机程序产品 |
CN112381876B (zh) * | 2021-01-18 | 2021-04-16 | 中智行科技有限公司 | 一种交通标志标注方法、装置及计算机设备 |
CN113160270A (zh) * | 2021-02-24 | 2021-07-23 | 广州视源电子科技股份有限公司 | 视觉地图生成方法、装置、终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345630A (zh) * | 2013-06-14 | 2013-10-09 | 合肥工业大学 | 一种基于球面全景视频的交通标志定位方法 |
CN107818288A (zh) * | 2016-09-13 | 2018-03-20 | 腾讯科技(深圳)有限公司 | 标志牌信息获取方法及装置 |
EP3321887A1 (en) * | 2015-08-04 | 2018-05-16 | Baidu Online Network Technology (Beijing) Co., Ltd. | Urban road recognition method, apparatus, storage medium and device based on laser point cloud |
CN109146958A (zh) * | 2018-08-15 | 2019-01-04 | 北京领骏科技有限公司 | 一种基于二维图像的交通标志空间位置测量方法 |
-
2019
- 2019-03-05 CN CN201910166835.7A patent/CN111664845B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345630A (zh) * | 2013-06-14 | 2013-10-09 | 合肥工业大学 | 一种基于球面全景视频的交通标志定位方法 |
EP3321887A1 (en) * | 2015-08-04 | 2018-05-16 | Baidu Online Network Technology (Beijing) Co., Ltd. | Urban road recognition method, apparatus, storage medium and device based on laser point cloud |
CN107818288A (zh) * | 2016-09-13 | 2018-03-20 | 腾讯科技(深圳)有限公司 | 标志牌信息获取方法及装置 |
CN109146958A (zh) * | 2018-08-15 | 2019-01-04 | 北京领骏科技有限公司 | 一种基于二维图像的交通标志空间位置测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111664845A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
CN112085844B (zh) | 面向野外未知环境的无人机影像快速三维重建方法 | |
CN110335315B (zh) | 一种图像处理方法及装置、计算机可读存储介质 | |
CN108090435B (zh) | 一种可停车区域识别方法、系统及介质 | |
CN110705574B (zh) | 定位方法及装置、设备、存储介质 | |
CN113989450B (zh) | 图像处理方法、装置、电子设备和介质 | |
CN111664845B (zh) | 交通标志定位、视觉地图制作方法及装置、定位系统 | |
CN112435193B (zh) | 一种点云数据去噪的方法、装置、存储介质和电子设备 | |
CN111998862B (zh) | 一种基于bnn的稠密双目slam方法 | |
CN103279955B (zh) | 图像匹配方法和系统 | |
CN110084743B (zh) | 基于多航带起始航迹约束的图像拼接与定位方法 | |
CN113256718B (zh) | 定位方法和装置、设备及存储介质 | |
AU2022223991A1 (en) | Computer vision systems and methods for supplying missing point data in point clouds derived from stereoscopic image pairs | |
CN114419165A (zh) | 相机外参校正方法、装置、电子设备和存储介质 | |
CN112734837B (zh) | 图像匹配的方法及装置、电子设备及车辆 | |
CN111860084B (zh) | 图像特征的匹配、定位方法及装置、定位系统 | |
CN110942102B (zh) | 一种概率松弛核线匹配方法及系统 | |
CN115239776B (zh) | 点云的配准方法、装置、设备和介质 | |
CN117132737A (zh) | 一种三维建筑模型构建方法、系统及设备 | |
US20230053952A1 (en) | Method and apparatus for evaluating motion state of traffic tool, device, and medium | |
CN116664855A (zh) | 适用于行星探测车影像的深度学习三维稀疏重建方法及系统 | |
Zhang et al. | An enhanced multi-view vertical line locus matching algorithm of object space ground primitives based on positioning consistency for aerial and space images | |
CN116385994A (zh) | 一种三维道路线提取方法及相关设备 | |
CN116071491A (zh) | 一种多视角三维点云重建方法及装置 | |
Yang et al. | Ground plane matters: Picking up ground plane prior in monocular 3d object detection |
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 |