CN112017229A - 一种相机相对位姿求解方法 - Google Patents

一种相机相对位姿求解方法 Download PDF

Info

Publication number
CN112017229A
CN112017229A CN202010925216.4A CN202010925216A CN112017229A CN 112017229 A CN112017229 A CN 112017229A CN 202010925216 A CN202010925216 A CN 202010925216A CN 112017229 A CN112017229 A CN 112017229A
Authority
CN
China
Prior art keywords
camera
dimensional
acquiring
pose
height value
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
CN202010925216.4A
Other languages
English (en)
Other versions
CN112017229B (zh
Inventor
马峻
赵浚壹
姚震
李俊
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202010925216.4A priority Critical patent/CN112017229B/zh
Publication of CN112017229A publication Critical patent/CN112017229A/zh
Application granted granted Critical
Publication of CN112017229B publication Critical patent/CN112017229B/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
    • G06T7/50—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
    • G06T7/70—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种相机相对位姿求解方法，包括通过相机采集被测物体的图像；获取所述相机的加速度和角速度以及姿态角；估算所述相机在高度方向的运动，获取所述相机在高度方向上的高度值；估算所述相机在当前的所述高度值上的姿态，获取所述相机在二维平面上的二维位姿；将所述姿态角、所述高度值和所述二维位姿进行融合计算，获得所述相机的三维位姿，针对结构化的环境，比如走廊，将一个三维空间的位置估计问题转化为一个一维和二维位置估计问题，有效减少需要处理数据量的大小。相比于传统方法，大大提高计算机的效率。

Description

一种相机相对位姿求解方法
技术领域
本发明涉及计算机视觉领域技术领域，具体为一种相机相对位姿求解方法。
背景技术
AI的崛起以及智能设备的更新换代，计算机视觉技术在了人们生活的各个方面得到了广泛的应用，例如AI拍照、AI试衣以及智能驾驶等。
其中，相机是整个机器视觉系统的直接来源，而估计相机的运动即求解相机位姿是计算机视觉的一种底层技术。
现有技术对如室内比较空荡的走廊，这类场景环境的纹理不够明显或者光线比较暗时，提取图像特征往往需要消耗过大的计算资源。
发明内容
有鉴于此，本发明提供了一种相机相对位姿求解方法，旨在解决了现有技术中，提取图像特征往往需要消耗过大的计算资源，影响效率的问题。
为实现以上目的，本发明提供一种相机相对位姿求解方法，
获取图像的深度信息，包括通过相机采集被测物体的图像；
获取所述相机的加速度和角速度以及姿态角；
估算所述相机在高度方向的运动，获取所述相机在高度方向上的高度值；
估算所述相机在当前的所述高度值上的姿态，获取所述相机在二维平面上的二维位姿；
将所述姿态角、所述高度值和所述二维位姿进行融合计算，获得所述相机的三维位姿。
其中，在所述相机采集被测物体的图像步骤中，所述相机为RGB-D相机或双目相机。
其中，在获取所述相机的加速度和角速度以及姿态角的步骤中，通过惯性测量单元对所述相机进行测量。
其中，在获取所述相机在高度方向上的高度值的步骤中，采用垂直运动估计模块对所述相机进行测量。
其中，在所述垂直运动估计模块测量过程中，抽取由所述相机采集得到的深度图像中的最后一行像素，再根据惯性测量单元测得的当前相机倾角，测量当前所述相机的高度方向上的所述高度值。
其中，在获取所述相机在二维平面上的二维位姿过程中，采用水平运动估计模块对所述二维位姿进行测量。
其中，在所述水平运动估计模块的测量过程中，抽取由所述相机采集得到的深度图像中的多行像素，并将该多行像素的像素值转换为点云，用以估计在当前所述高度值对应二维平面上的所述二维位姿。
其中，在将所述姿态角、所述高度值和所述二维位姿进行融合计算的步骤中，采用扩展卡尔曼滤波器进行处理数据。
其中，在采用扩展卡尔曼滤波器进行处理数据的步骤中，具体为将所述二维位姿和所述高度值输入扩展卡尔曼滤波器进行处理获得测量值，再与所述加速度、所述角速度以及所述姿态角融合计算，获得所述三维位姿。
本发明的一种相机相对位姿求解方法，通过获取图像的深度信息，包括通过相机采集被测物体的图像；获取所述相机的加速度和角速度以及姿态角；估算所述相机在高度方向的运动，获取所述相机在高度方向上的高度值；估算所述相机在当前的所述高度值上的姿态，获取所述相机在二维平面上的二维位姿；将所述姿态角、所述高度值和所述二维位姿进行融合计算，获得所述相机的三维位姿，针对结构化的环境，比如走廊，将一个三维空间的位置估计问题转化为一个一维和二维位置估计问题，有效减少需要处理数据量的大小。相比于传统方法，大大提高计算机的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的相机相对位姿求解方法的走廊场景示意图；
图2是本发明的相机相对位姿求解方法的逻辑框图；
图3是本发明的相机相对位姿求解方法的成像结果图；
图4是本发明的相机相对位姿求解方法的成像的侧边投影图；
图5是本发明的相机移动单位时刻示意图；
图6是本发明的相机移动相邻两时刻的点云示意图；
图7是本发明的扩展卡尔曼滤波模块的逻辑框图；
图8是本发明的相机相对位姿求解方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例的描述中，需要理解的是，术语“上”“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是暗示或指示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1至图8所示，本发明提供一种相机相对位姿求解方法，获取图像的深度信息，包括通过相机采集被测物体的图像；获取所述相机的加速度和角速度以及姿态角；估算所述相机在高度方向的运动，获取所述相机在高度方向上的高度值；估算所述相机在当前的所述高度值上的姿态，获取所述相机在二维平面上的二维位姿；将所述姿态角、所述高度值和所述二维位姿进行融合计算，获得所述相机的三维位姿。所述相机为RGB-D相机或双目相机。
在本实施方式中，在获取所述相机的加速度和角速度以及姿态角的步骤中，通过惯性测量单元对所述相机进行测量。在获取所述相机在高度方向上的高度值的步骤中，采用垂直运动估计模块对所述相机进行测量。在所述垂直运动估计模块测量过程中，抽取由所述相机采集得到的深度图像中的最后一行像素，再根据惯性测量单元测得的当前相机倾角，测量当前所述相机的高度方向上的所述高度值。
在本实施方式的实施例中，垂直运动估计模块，抽取由相机采集得到的深度图像中的最后一行像素，再根据惯性测量单元IMU测得的当前相机倾角，测量当前相机的高度方向z上的位置，如图3所示，走廊环境中地面上一点的成像结果，O为相机光心，假设地面上的某一点P1在相机成像平面上的成像点P1m恰好落在最后一行像素上。图中的虚线表示相机垂直视场角的角平分线。d1表示空间点P1到相机光心O的距离，其中d1可以从相机采集到的深度图像中得到。θV表示相机垂直视场角的一半，该夹角可以根据相机内参数得到。
如图4所示，将上述成像侧边投影，根据三角形边与角的关系，可以求出高度为：
h＝d1 sin(θV+ψ)
由最后一行像素所求得高度集{hi}，i＝0,1,...,n，取这一组高度集中的最大值作为所述高度值：
h＝max{hi}
在本实施方式中，在获取所述相机在二维平面上的二维位姿过程中，采用水平运动估计模块对所述二维位姿进行测量。在所述水平运动估计模块的测量过程中，抽取由所述相机采集得到的深度信息中的多行像素，并将该多行像素的像素值转换为点云，用以估计在当前所述高度值对应二维平面上的所述二维位姿。
在本实施方式的实施例中，水平运动估计模块，抽取由相机采集得到的深度图像中的几行像素，并将这几行像素的像素值转换为点云用于估计在当前高度h下的二维平面上的位姿(R，T)。
假设在某一走廊环境中，由相机采集得到的深度图像的中间几行像素，并将这些像素值转换为点云，如图5中所示。在相机移动的每单位时刻，对相邻帧的这些点云进行配准即可求出位姿(R，T)。
如图6所示，在相机移动的过程中，相邻两时刻的点云。在当前时刻的点云集
Figure BDA0002668234460000041
和上一时刻点云集
Figure BDA0002668234460000042
这相邻两组点集的刚体变换：
μk＝Rμk-1+T
其中，其中R为2x2旋转矩阵，T为2x1平移向量。
Figure BDA0002668234460000051
其中
Figure BDA0002668234460000052
为两组点云集之间的旋转角度。Δx，Δy为两组点云集在x轴方向和y轴方向上的平移。构造一个目标评价函数，使目标评价函数达到最小值：
Figure BDA0002668234460000053
从而求得变换参数R和T，获取相机在二维平面上的位姿，即所述二维位姿。
在本实施方式中，在将所述姿态角、所述高度值和所述二维位姿进行融合计算的步骤中，采用扩展卡尔曼滤波器进行处理数据。其中，在采用扩展卡尔曼滤波器进行处理数据的步骤中，具体为将所述二维位姿和所述高度值输入扩展卡尔曼滤波器进行处理获得测量值，再与所述加速度、所述角速度以及所述姿态角融合计算，获得所述三维位姿。
在本实施方式的实施中，由于垂直运动估计模块和水平运动估计只能输出x、y、z轴的位置信息以及一个自由度的旋转，而惯性测量单元IMU能获得六个自由度位姿。另外，惯性测量单元IMU位姿计算频率快，动态响应好，但也存在漂移、静态特性差和时间累积误差大的问题。因此采用扩展卡尔曼滤波器实现运动估计模块与惯性测量单元IMU的数据融合，以增强相机相对位姿求解方法的鲁棒性。扩展卡尔曼滤波(Extended Kalman Filter)是卡尔曼滤波器的改进，在控制领域通常用于非线性系统，主要分为预测模型和观测模型两个部分。惯性测量单元IMU动态响应好，位姿输出频率高，长时间大范围运行后会存在时间累积误差，造成估计结果不准确，因此，将惯性测量单元IMU输出数据用作EKF滤波的预测值。运动估计模块输出的位置信息，更新频率相对于惯性测量单元IMU较低，较为准确，因此采用运动估计模块的输出信息作为EKF滤波的测量值。从而得到出扩展卡尔曼滤波器的框架，如图7所示。通过处理这一系列带有误差的实际测量数据得到所述三维位姿的最佳估计。
以上所揭露的仅为本发明几种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (9)

1.一种相机相对位姿求解方法，其特征在于，
获取图像的深度信息，包括通过相机采集被测物体的图像；
获取所述相机的加速度和角速度以及姿态角；
估算所述相机在高度方向的运动，获取所述相机在高度方向上的高度值；
估算所述相机在当前的所述高度值上的姿态，获取所述相机在二维平面上的二维位姿；
将所述姿态角、所述高度值和所述二维位姿进行融合计算，获得所述相机的三维位姿。
2.如权利要求1所述的相机相对位姿求解方法，其特征在于，在所述相机采集被测物体的图像步骤中，所述相机为RGB-D相机或双目相机。
3.如权利要求1所述的相机相对位姿求解方法，其特征在于，在获取所述相机的加速度和角速度以及姿态角的步骤中，通过惯性测量单元对所述相机进行测量。
4.如权利要求3所述的相机相对位姿求解方法，其特征在于，在获取所述相机在高度方向上的高度值的步骤中，采用垂直运动估计模块对所述相机进行测量。
5.如权利要求4所述的相机相对位姿求解方法，其特征在于，在所述垂直运动估计模块测量过程中，
抽取由所述相机采集得到的深度图像中的最后一行像素，再根据惯性测量单元测得的当前相机倾角，测量当前所述相机的高度方向上的所述高度值。
6.如权利要求5所述的相机相对位姿求解方法，其特征在于，在获取所述相机在二维平面上的二维位姿过程中，采用水平运动估计模块对所述二维位姿进行测量。
7.如权利要求6所述的相机相对位姿求解方法，其特征在于，在所述水平运动估计模块的测量过程中，抽取由所述相机采集得到的深度图像中的多行像素，并将该多行像素的像素值转换为点云，用以估计在当前所述高度值对应二维平面上的所述二维位姿。
8.如权利要求7所述的相机相对位姿求解方法，其特征在于，在将所述姿态角、所述高度值和所述二维位姿进行融合计算的步骤中，采用扩展卡尔曼滤波器进行处理数据。
9.如权利要求8所述的相机相对位姿求解方法，其特征在于，在采用扩展卡尔曼滤波器进行处理数据的步骤中，具体为将所述二维位姿和所述高度值输入扩展卡尔曼滤波器进行处理获得测量值，再与所述加速度、所述角速度以及所述姿态角融合计算，获得所述三维位姿。
CN202010925216.4A 2020-09-06 2020-09-06 一种相机相对位姿求解方法 Active CN112017229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010925216.4A CN112017229B (zh) 2020-09-06 2020-09-06 一种相机相对位姿求解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010925216.4A CN112017229B (zh) 2020-09-06 2020-09-06 一种相机相对位姿求解方法

Publications (2)

Publication Number Publication Date
CN112017229A true CN112017229A (zh) 2020-12-01
CN112017229B CN112017229B (zh) 2023-06-27

Family

ID=73516868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010925216.4A Active CN112017229B (zh) 2020-09-06 2020-09-06 一种相机相对位姿求解方法

Country Status (1)

Country Link
CN (1) CN112017229B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114526735A (zh) * 2022-04-24 2022-05-24 南京航空航天大学 一种无人飞行器集群仅测距初始相对位姿确定方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100726552B1 (ko) * 2005-12-09 2007-06-11 주식회사 대우일렉트로닉스 움직임을 이용한 적응적인 영상 디인터레이스 장치 및 그방법
CN101803361A (zh) * 2007-09-10 2010-08-11 Nxp股份有限公司 用于基于行的垂直运动估计和补偿的方法和装置
US20130162785A1 (en) * 2010-05-17 2013-06-27 Commissariat A L'energie Atomique Et Aux Energies Alternatives Method and system for fusing data arising from image sensors and from motion or position sensors
US20140293016A1 (en) * 2011-08-31 2014-10-02 Metaio Gmbh Method for estimating a camera motion and for determining a three-dimensional model of a real environment
US20140293043A1 (en) * 2013-03-28 2014-10-02 International Business Machines Corporation Determining camera height using distributions of object heights and object image heights
JP2015132544A (ja) * 2014-01-14 2015-07-23 日本ユニシス株式会社 画像処理装置および３次元空間情報取得方法
CN105931275A (zh) * 2016-05-23 2016-09-07 北京暴风魔镜科技有限公司 基于移动端单目和imu融合的稳定运动跟踪方法和装置
CN106780576A (zh) * 2016-11-23 2017-05-31 北京航空航天大学 一种面向rgbd数据流的相机位姿估计方法
CN106821692A (zh) * 2016-11-23 2017-06-13 杭州视氪科技有限公司 一种基于rgb‑d相机和立体声的视障人士楼梯检测系统及方法
WO2017164479A1 (en) * 2016-03-25 2017-09-28 Samsung Electronics Co., Ltd. A device and method for determining a pose of a camera
CN107590827A (zh) * 2017-09-15 2018-01-16 重庆邮电大学 一种基于Kinect的室内移动机器人视觉SLAM方法
US20180075614A1 (en) * 2016-09-12 2018-03-15 DunAn Precision, Inc. Method of Depth Estimation Using a Camera and Inertial Sensor
CN109993113A (zh) * 2019-03-29 2019-07-09 东北大学 一种基于rgb-d和imu信息融合的位姿估计方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100726552B1 (ko) * 2005-12-09 2007-06-11 주식회사 대우일렉트로닉스 움직임을 이용한 적응적인 영상 디인터레이스 장치 및 그방법
CN101803361A (zh) * 2007-09-10 2010-08-11 Nxp股份有限公司 用于基于行的垂直运动估计和补偿的方法和装置
US20130162785A1 (en) * 2010-05-17 2013-06-27 Commissariat A L'energie Atomique Et Aux Energies Alternatives Method and system for fusing data arising from image sensors and from motion or position sensors
US20140293016A1 (en) * 2011-08-31 2014-10-02 Metaio Gmbh Method for estimating a camera motion and for determining a three-dimensional model of a real environment
US20140293043A1 (en) * 2013-03-28 2014-10-02 International Business Machines Corporation Determining camera height using distributions of object heights and object image heights
JP2015132544A (ja) * 2014-01-14 2015-07-23 日本ユニシス株式会社 画像処理装置および３次元空間情報取得方法
WO2017164479A1 (en) * 2016-03-25 2017-09-28 Samsung Electronics Co., Ltd. A device and method for determining a pose of a camera
CN105931275A (zh) * 2016-05-23 2016-09-07 北京暴风魔镜科技有限公司 基于移动端单目和imu融合的稳定运动跟踪方法和装置
US20180075614A1 (en) * 2016-09-12 2018-03-15 DunAn Precision, Inc. Method of Depth Estimation Using a Camera and Inertial Sensor
CN106780576A (zh) * 2016-11-23 2017-05-31 北京航空航天大学 一种面向rgbd数据流的相机位姿估计方法
CN106821692A (zh) * 2016-11-23 2017-06-13 杭州视氪科技有限公司 一种基于rgb‑d相机和立体声的视障人士楼梯检测系统及方法
CN107590827A (zh) * 2017-09-15 2018-01-16 重庆邮电大学 一种基于Kinect的室内移动机器人视觉SLAM方法
CN109993113A (zh) * 2019-03-29 2019-07-09 东北大学 一种基于rgb-d和imu信息融合的位姿估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
熊敏君;卢惠民;熊丹;肖军浩;吕鸣;: "基于单目视觉与惯导融合的无人机位姿估计", 计算机应用, no. 2, pages 132 - 138 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114526735A (zh) * 2022-04-24 2022-05-24 南京航空航天大学 一种无人飞行器集群仅测距初始相对位姿确定方法
CN114526735B (zh) * 2022-04-24 2022-08-05 南京航空航天大学 一种无人飞行器集群仅测距初始相对位姿确定方法

Also Published As

Publication number Publication date
CN112017229B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN112634451B (zh) 一种融合多传感器的室外大场景三维建图方法
CN112396664B (zh) 一种单目摄像机与三维激光雷达联合标定及在线优化方法
CN112734852A (zh) 一种机器人建图方法、装置及计算设备
CN111968228B (zh) 一种基于航空装配的增强现实自定位方法
CN112346073A (zh) 一种动态视觉传感器与激光雷达数据融合方法
WO2021004416A1 (zh) 一种基于视觉信标建立信标地图的方法、装置
CN114018236B (zh) 一种基于自适应因子图的激光视觉强耦合slam方法
CN102788572B (zh) 一种工程机械吊钩姿态的测量方法、装置及系统
CN110634138A (zh) 一种基于视觉感知的桥梁变形的监测方法、装置及设备
Mi et al. A vision-based displacement measurement system for foundation pit
JP2016194895A (ja) 室内２ｄ平面図の生成方法、装置及びシステム
CN112183506A (zh) 一种人体姿态生成方法及其系统
CN114812558B (zh) 一种结合激光测距的单目视觉无人机自主定位方法
CN112700486A (zh) 对图像中路面车道线的深度进行估计的方法及装置
CN117036300A (zh) 基于点云-rgb异源图像多级配准映射的路面裂缝识别方法
CN114608554A (zh) 一种手持slam设备以及机器人即时定位与建图方法
CN112580683A (zh) 一种基于互相关的多传感器数据时间对齐系统及其方法
CN110720113A (zh) 一种参数处理方法、装置及摄像设备、飞行器
CN116619358A (zh) 一种矿山自主探测机器人自适应定位优化与建图方法
CN112017229B (zh) 一种相机相对位姿求解方法
Huttunen et al. A monocular camera gyroscope
CN117115252A (zh) 一种基于视觉的仿生扑翼无人机空间位姿估计方法
CN115773759A (zh) 自主移动机器人的室内定位方法、装置、设备及存储介质
JP6262949B2 (ja) キャリブレーション装置およびキャリブレーションプログラム
Mirisola et al. Trajectory recovery and 3d mapping from rotation-compensated imagery for an airship

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