CN112070833A - 招牌地图生成方法、装置和路径规划方法、装置 - Google Patents
招牌地图生成方法、装置和路径规划方法、装置 Download PDFInfo
- Publication number
- CN112070833A CN112070833A CN202010790386.6A CN202010790386A CN112070833A CN 112070833 A CN112070833 A CN 112070833A CN 202010790386 A CN202010790386 A CN 202010790386A CN 112070833 A CN112070833 A CN 112070833A
- Authority
- CN
- China
- Prior art keywords
- signboard
- frame
- point
- map
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000006399 behavior Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 24
- 238000004590 computer program Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 235000021168 barbecue Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000009012 visual motion Effects 0.000 description 1
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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- 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
- G06T2207/30204—Marker
-
- 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
- G06T2207/30244—Camera pose
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了一种招牌地图生成方法、装置和路径规划方法、装置,所述招牌地图生成方法包括:获取目标区域的图像序列;从所述图像序列中识别出关注点招牌帧;确定图像序列中各帧的相机位姿,根据各帧的相机位姿生成目标区域的路网图,并根据所述关注点招牌帧的相机位姿在所述路网图中标记出相应的关注点;根据所述路网图和各关注点的招牌图像生成招牌地图。本申请的招牌地图生成方法以招牌图像为主要数据生成室内地图,它可以绕过多个传统室内建图算法在技术上和运营上的难点,可以成为用户线下体验的入口,实现用户消费行为的线上化、数字化。
Description
技术领域
本申请涉及室内定位技术领域,具体涉及一种招牌地图生成方法、装置和路径规划方法、装置。
背景技术
在室内定位领域,由于GPS(Global Positioning System,全球定位系统)信号在室内环境较弱,当前主流的室内导航方案是采用SLAM(Simultaneous localization andmapping,同时定位与招牌地图构建)算法,SLAM问题可以描述为:目标物在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和地图进行自身定位,同时在自身定位的基础上建造增量式地图,实现目标物的自主定位和导航。
然而发明人发现,现有技术中的SLAM等算法在技术上和运营上仍然面临许多难点,而各类地图导航应用程序在商场等室内地图的展示方面也存在着粗糙且不准确的问题,导致用户体验较差。
发明内容
鉴于上述问题,提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的招牌地图生成方法、装置和路径规划方法、装置。
依据本申请的第一方面,提供了一种招牌地图生成方法,包括:
获取目标区域的图像序列;
从所述图像序列中识别出关注点招牌帧;
确定图像序列中各帧的相机位姿,根据各帧的相机位姿生成目标区域的路网图,并根据所述关注点招牌帧的相机位姿在所述路网图中标记出相应的关注点;
根据所述路网图和各关注点的招牌图像生成招牌地图。
可选地,所述从所述图像序列中识别出关注点招牌帧包括:
确定所述图像序列中的招牌帧;
在关注点数据库中检索与所述招牌帧匹配的关注点,根据检索结果确定所述招牌帧对应的关注点,得到所述关注点招牌帧。
可选地,所述目标区域的图像序列是通过沿目标区域所在路线进行拍摄并在招牌区域停留预设时间得到的,所述确定所述图像序列中的招牌帧包括:
确定所述图像序列中各帧的帧间差距,并将所述帧间差距与预设阈值进行比较;
当所述帧间差距小于预设阈值时,则确定对应的图像帧为招牌帧。
可选地,所述从所述图像序列中识别出关注点招牌帧包括:
利用招牌识别模型对所述招牌帧进行招牌识别,得到招牌识别结果;
根据所述招牌识别结果在所述关注点数据库中进行检索。
可选地,所述确定图像序列中各帧的相机位姿包括:
利用三维重建算法,提取所述图像序列中各帧图像的图像特征并进行特征匹配;
对匹配后的图像特征进行稀疏重建,得到各帧图像的所述相机位姿。
可选地,所述方法还包括:
利用三维重建算法生成所述图像序列中各帧图像的稀疏点云;
基于所述稀疏点云、所述图像序列和所述路网图生成招牌地图资源库。
可选地,所述根据所述路网图和各关注点的招牌图像生成招牌地图包括:
从关注点数据库中获取各关注点的招牌图像,和/或,根据所述关注点招牌帧生成各关注点的招牌图像;
根据所述路网图中与各关注点对应的节点位置,确定各招牌图像的部署位置和方向。
依据本申请的第二方面,提供了一种路径规划方法,包括:
获取第一关注点的招牌图像和第二关注点的查询信息;
根据所述招牌图像确定第一关注点,根据所述查询信息确定第二关注点;
根据确定的第一关注点和第二关注点进行路径规划,并在所述招牌地图中展示路径规划结果,其中所述招牌地图基于如前所述的招牌地图生成方法得到。
依据本申请的第三方面,提供了一种招牌地图生成装置,包括:
第一获取单元,用于获取目标区域的图像序列;
识别单元,用于从所述图像序列中识别出关注点招牌帧;
第一确定单元,用于确定图像序列中各帧的相机位姿,根据各帧的相机位姿生成目标区域的路网图,并根据所述关注点招牌帧的相机位姿在所述路网图中标记出相应的关注点;
生成单元,用于根据所述路网图和各关注点的招牌图像生成招牌地图。
可选地,所述识别单元还用于:
确定所述图像序列中的招牌帧;
在关注点数据库中检索与所述招牌帧匹配的关注点,根据检索结果确定所述招牌帧对应的关注点,得到所述关注点招牌帧。
可选地,所述目标区域的图像序列是通过沿目标区域所在路线进行拍摄并在招牌区域停留预设时间得到的,所述识别单元还用于:
确定所述图像序列中各帧的帧间差距,并将所述帧间差距与预设阈值进行比较;
当所述帧间差距小于预设阈值时,则确定对应的图像帧为招牌帧。
可选地,所述识别单元还用于:
利用招牌识别模型对所述招牌帧进行招牌识别,得到招牌识别结果;
根据所述招牌识别结果在所述关注点数据库中进行检索。
可选地,所述第一确定单元还用于:
利用三维重建算法,提取所述图像序列中各帧图像的图像特征并进行特征匹配;
对匹配后的图像特征进行稀疏重建,得到各帧图像的所述相机位姿。
可选地,所述招牌地图生成装置还包括:
利用三维重建算法生成所述图像序列中各帧图像的稀疏点云;
基于所述稀疏点云、所述图像序列和所述路网图生成招牌地图资源库。
可选地,所述生成单元还用于:
从关注点数据库中获取各关注点的招牌图像,和/或,根据所述关注点招牌帧生成各关注点的招牌图像;
根据所述路网图中与各关注点对应的节点位置,确定各招牌图像的部署位置和方向。
依据本申请的第四方面,提供了一种路径规划装置,包括:
第二获取单元,用于获取第一关注点的招牌图像和第二关注点的查询信息;
第二确定单元,用于根据所述招牌图像确定第一关注点,根据所述查询信息确定第二关注点;
路径规划单元,用于根据确定的第一关注点和第二关注点进行路径规划,并在所述招牌地图中展示路径规划结果,其中所述招牌地图基于如前所述的招牌地图生成装置得到。
依据本申请的第五方面,提供了一种电子设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如前任一项所述的招牌地图生成方法,或者如前任一项所述的路径规划方法。
依据本申请的第六方面,提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现如前任一项所述的招牌地图生成方法,或者如前任一项所述的路径规划方法。
由上述可知,本申请的技术方案,通过获取目标区域的图像序列;从所述图像序列中识别出关注点招牌帧;确定图像序列中各帧的相机位姿,根据各帧的相机位姿生成目标区域的路网图,并根据所述关注点招牌帧的相机位姿在所述路网图中标记出相应的关注点;根据所述路网图和各关注点的招牌图像生成招牌地图。本申请的招牌地图生成方法以招牌图像为主要数据生成室内地图,它可以绕过多个传统室内建图算法在技术上和运营上的难点,可以成为用户线下体验的入口,实现用户消费行为的线上化、数字化。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了现有技术中一种室内定位地图的界面示意图;
图2示出了根据本申请一个实施例的招牌地图生成方法的流程示意图;
图3示出了根据本申请一个实施例的路网图的结构示意图;
图4示出了根据本申请一个实施例的招牌地图的生成效果示意图;
图5示出了根据本申请一个实施例的招牌地图生成流程示意图;
图6示出了根据本申请一个实施例的路径规划方法的流程示意图;
图7示出了根据本申请一个实施例的路径规划结果的示意图;
图8示出了根据本申请一个实施例的招牌地图生成装置的结构示意图;
图9示出了根据本申请一个实施例的路径规划装置的结构示意图;
图10示出了根据本申请一个实施例的电子设备的结构示意图;
图11示出了根据本申请一个实施例的计算机可读存储介质的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
现有技术对于室内高精地图的构建需要通过专业的三维采集设备进行图像采集和地图构建,通过手机端进行图像检索实现实时定位,该方案至少存在着如下技术问题:
1)高精地图的建立需要复杂的采集设备和专业人员操作,无法快速扩展;
2)由于需要专业设备在商场等室内场所长时间采集,需要和每个相关管理人员进行沟通,流程复杂,推进慢;
3)商场场景复杂,人流密度大,极易影响特征点获取,造成定位导航出现误差,几乎无法使用;
4)需要一套在线的系统,实时根据图像计算用户位置进行定位导航,繁琐复杂,计算量大且成本高。
如图1所示,提供了一种室内定位地图的界面示意图,可以看出,现有的地图导航类应用程序在商场等室内招牌地图的展示方面较为粗糙,无法起到定位和引导的作用。
基于此,本申请实施例提供了一种招牌地图生成方法,如图2所示,所述招牌地图生成方法包括如下的步骤S210至步骤S240:
步骤S210,获取目标区域的图像序列。
在生成招牌地图时,首先可以获取目标区域的图像序列,该目标区域可以根据实际情况灵活选择,例如,若想要生成某一商场内的招牌地图时,则将该商场作为目标区域。图像序列是指在不同时间、不同方位对目标依序连续获取的系列图像。
在本申请实施例中,图像序列的获取方式可以是利用图像采集设备按照预定规划路线拍摄目标区域如商场内部的视频,进而得到该目标区域的图像序列。拍摄的视频中可以包括目标区域内的门脸招牌,以作为后续生成招牌地图的基础。本申请实施例采集的图像序列对于图像精度的要求相对较低,利用手机等设备进行拍摄就可得到,无需依赖于高精度的复杂图像采集设备,易于扩展。
步骤S220,从所述图像序列中识别出关注点招牌帧。
这里所说的关注点(Point of Interest,简称POI)也叫作兴趣点或信息点(Pointof Information),其是指一切可以抽象为点的地理对象,尤其是一些与人们生活密切相关的地理实体,如学校、银行、餐馆、加油站、医院、超市等。兴趣点的主要用途是对事物或事件的地址进行描述,能在很大程度上增强对事物或事件位置的描述能力和查询能力,提高地理定位的精度和速度。
具体实施时,本申请实施例中的关注点可以理解为是目标区域内的所有地理实体,如商场内的任一门店均可看做是一个关注点。在得到目标区域的图像序列后,可以采用图像识别匹配等算法确定图像序列中所包含的招牌帧及对应的关注点,完成对图像序列的预处理。
步骤S230,确定图像序列中各帧的相机位姿,根据各帧的相机位姿生成目标区域的路网图,并根据所述关注点招牌帧的相机位姿在所述路网图中标记出相应的关注点。
在得到预处理后的图像序列后,可以采用预设算法估计图像序列中各帧图像的相机位姿。相机位姿估计是计算机视觉中的重要组成部分,其可以根据已知三维空间中一些三维点以及它们在相机图像上的二维投影点,来估算相机在三维空间中的位置和姿态。在现有技术中,相机位姿估计的方法可以包括基于结构匹配的方法和基于图像检索的方法。其中,上述基于结构匹配的方法直接将二维特征点或三维特征点与三维点进行匹配,并根据匹配上的点对来计算输入图像所对应的相机位姿。上述基于图像检索的方法首先通过图像检索技术来确定与输入图像最相关的若干基准图像,然后通过匹配算法计算输入图像所对应的相机位姿。本申请实施例中可以采用SFM(Structure From Motion,从运动恢复结构)算法来估计各帧图像的相机位姿,当然本领域技术人员也可以根据实际需求选择其他相机位姿估计方法,在此不作具体限定。
在得到各帧图像的相机位姿后,根据各帧的相机位姿连线可以生成目标区域的路网图,路网图展示了一定区域内各个路径节点之间的连线关系,具体可以建立为无向图的数据结构。为了进一步明确路网图中所包含的门脸招牌及其所在位置,可以根据上述图像序列中的关注点招牌帧的相机位姿在路网图中标记出相应的关注点。如图3所示,提供了一种路网图的结构示意图,从中可以看到各门脸招牌的名称在路网图中所处的位置。
除了上述采用的根据采集到的每一帧图像的相机位姿建立路网图的情形,也可以根据实际应用场景仅根据招牌帧的相机位姿建立路网图,例如在门店排布较为密集的商场场景下,可以只根据招牌帧的位姿生成路网图,同样可以得到较为精准的地图。
步骤S240,根据所述路网图和各关注点的招牌图像生成招牌地图。
具体实施时,在得到上述路网图后,为了在路网图中直观的展示门脸招牌,可以将门脸招牌图像添加到路网图中相应的位置上,进而得到最终的招牌地图。
本申请的招牌地图生成方法以招牌图像为主要数据源,利用三维重建算法提取出图像的相机位姿,即可以基于相机位姿实现招牌地图的构建,无需构建复杂的室内建图算法,进而可以绕过多个传统室内建图算法在技术上和运营上的难点,成为用户线下体验的入口。在实际应用时,用户通过使用招牌地图进行搜索,就可以根据招牌地图中显示的导航路径快速到达所要到达的门店位置,实现了用户消费行为的线上化,后期还可以对用户的历史搜索数据进行统计和分析,实现对用户消费行为的数字化管理。
在本申请的一个实施例中,所述从所述图像序列中识别出关注点招牌帧包括:确定所述图像序列中的招牌帧;在关注点数据库中检索与所述招牌帧匹配的关注点,根据检索结果确定所述招牌帧对应的关注点,得到所述关注点招牌帧。
这里所说的招牌帧与关注点招牌帧的区别在于,招牌帧是指尚未与关注点进行关联的招牌帧,而关注点招牌帧是指对招牌帧进行了关注点标记的图像帧。具体实施时,本申请实施例在从图像序列中确定关注点招牌帧时,可以先检测出图像序列中哪些图像帧为招牌帧,然后在预设的关注点数据库中检索与该招牌帧匹配的关注点,根据检索到的关注点确定该招牌帧对应的关注点,利用该关注点对招牌帧进行标记,进而得到关注点招牌帧。
在本申请的一个实施例中,所述目标区域的图像序列是通过沿目标区域所在路线进行拍摄并在招牌区域停留预设时间得到的,所述确定所述图像序列中的招牌帧包括:确定所述图像序列中各帧的帧间差距,并将所述帧间差距与预设阈值进行比较;当所述帧间差距小于预设阈值时,则确定对应的图像帧为招牌帧。
本申请实施例在确定图像序列中的招牌帧时,可以根据帧间差距来确定。例如,在商场内部场景下,先使用手机等图像采集设备拍摄视频,沿商场常规路线缓慢拍摄一遍,在走至某一门店前时可以用手机摄像头转向门店的门脸招牌停留拍摄一定时间如2秒,以便后续高效的进行招牌检测和识别。
由于在视频采集过程中,会在门店的门脸招牌前停留拍摄一定时间,这样在遍历图像序列时可以找到帧间差距较小的图像,当帧间差距小于预设阈值时,即可以认为该帧图像是门脸招牌帧,该阈值的大小可以根据实际拍摄情况来灵活设置,在此不做具体的限定。当获取到一帧门脸招牌帧之后,距离此帧帧间差距很小的后续帧可以忽略,以此类推,按顺序获取到该区域内的所有门脸招牌帧。
在本申请的一个实施例中,所述从所述图像序列中识别出关注点招牌帧包括:利用招牌识别模型对所述招牌帧进行招牌识别,得到招牌识别结果;根据所述招牌识别结果在所述关注点数据库中进行检索。
具体实施时,本申请实施例在得到招牌帧后,可以利用招牌识别模型对招牌帧进行招牌识别,得到招牌识别结果,将该结果在事先构建好的关注点数据库中进行检索匹配,确定该招牌帧对应的关注点,利用该关注点对招牌帧进行标记,进而得到上述关注点招牌帧。
这里所说的招牌识别模型可以采用现有技术中的文字识别模型,如单字识别模型Faster-RCNN和SSD等,Faster-RCNN(Faster Region-based Convolutional NeuralNetworks,更快速的区域卷积神经网络)是一种目标检测算法,是在基于区域的卷积神经网络(Region-based Convolutional Neural Networks,简称R-CNN)的基础上演变而来的。SSD(Single Shot MultiBox Detector,暂无中文译名),是ECCV(European Conference onComputer Vision,欧洲计算机视觉国际会议)2016会议上提出的一种目标检测算法,截至目前仍是主要的目标检测框架之一。具体采用哪种文字识别模型作为本申请实施例的招牌识别模型,本领域技术人员可以根据实际需要灵活选择,在此不作具体限定。
在本申请的一个实施例中,所述确定图像序列中各帧的相机位姿包括:利用三维重建算法,提取所述图像序列中各帧图像的图像特征并进行特征匹配;对匹配后的图像特征进行稀疏重建,得到各帧图像的所述相机位姿。
本申请实施例在估计各帧图像的相机位姿时,可以采用三维重建算法来计算,三维重建是基于对环境或者物体的一系列不同角度的照片,通过一系列的处理,获得环境或物体的三维模型的过程。具体地,本申请实施例可以采用SFM算法来实现,SFM算法是从一系列包含视觉运动信息的多幅二维图像序列中估计三维结构的技术,它能够自动地完成相机追踪与运动匹配,是三维重建的一种常见方法。该算法受环境约束较小,在室内和室外均能使用。
具体实施时,本申请实施例利用SFM算法先提取图像序列中各帧图像的图像特征,并进行特征匹配,之后对匹配后的图像特征进行稀疏重建,进而得到各帧图像的相机位姿。
在本申请的一个实施例中,所述招牌地图生成方法还包括:利用三维重建算法生成所述图像序列中各帧图像的稀疏点云;基于所述稀疏点云、所述图像序列和所述路网图生成招牌地图资源库。
具体实施时,在利用SFM算法对图像序列中的各帧图像进行处理时,除了会得到各帧图像的相机位姿,还会得到图像的稀疏点云。点云是指当一束激光照射到物体表面时,所反射的激光会携带方位、距离等信息。点云可以分为稀疏点云和密集点云,通常使用三维坐标测量机所得到的点数量比较少,点与点的间距也比较大,对应得到的就是稀疏点云;而使用三维激光扫描仪或照相式扫描仪得到的点云,点数量比较大并且比较密集,得到的就是密集点云。本申请实施例采用SFM算法得到是稀疏点云,基于稀疏点云,结合前面得到的各帧图像的相机位姿,可以更直观的看到相机位姿生成的路网图的整体效果。
最后可以将上述过程得到的图像序列、对应的稀疏点云和路网图等数据均存储到地图资源库中。通过本申请实施例的这种设计,可以方便后续对地图进行迭代更新。例如,当某一门店的招牌名称发生了改变,由“烧烤”换成了“麻辣烫”,而门店的实际位置未发生改动,则根据该地图资源库中存储的信息仅需要变动该位置的招牌图像和对应的关注点信息即可。
在本申请的一个实施例中,所述根据所述路网图和各关注点的招牌图像生成招牌地图包括:从关注点数据库中获取各关注点的招牌图像,和/或,根据所述关注点招牌帧生成各关注点的招牌图像;根据所述路网图中与各关注点对应的节点位置,确定各招牌图像的部署位置和方向。
具体实施时,本申请实施例在得到路网图后,为了更直观地在路网图中展示各关注点的门店招牌信息,可以将各关注点的招牌图像添加到路网图的相应位置上。这里的关注点的招牌图像可以直接从关注点数据库中获取,也可以根据前面得到的关注点招牌帧生成相应的招牌图像,在将招牌图像添加到相应的位置上时,可以根据路网图中与各关注点对应的节点位置,确定各招牌图像的部署位置、方向以及大小等。如图4所示,提供了一种招牌地图的生成效果示意图,在该招牌地图上,用户可以直观的看到各门店在商场中所处的位置。
如图5所示,提供了一种招牌地图生成流程示意图。首先通过拍摄视频等方式采集图像序列,对图像序列进行预处理,确定图像序列中的关注点招牌帧。之后利用三维重建算法对图像序列中的各帧图像进行处理,计算得到各帧图像的相机位姿和稀疏点云等数据,根据各帧图像的相机位姿连线可以生成路网图,同时将各帧图像的相机位姿对应的关注点标记到路网图中的相应位置上,最后为了更直观的展示路网图中的招牌图像信息,将各关注点的招牌图像添加到路网图中相应的位置上,进而得到最终的招牌地图。对于三维重建过程中产生的稀疏点云,可以将其与图像序列及路网图一起存储到地图资源库中,供后续迭代分析及定位使用。
本申请实施例提供了一种路径规划方法,如图6所示,所述路径规划方法包括如下步骤S610至步骤S630:
步骤S610,获取第一关注点的招牌图像和第二关注点的查询信息。
具体实施时,先获取用户上传的招牌图像和查询信息,招牌图像可以通过用户拍摄当前所在门店的招牌并上传得到。查询信息可以包括用户想要到达的目标位置信息,对于目标位置信息则可以采用用户直接输入目标门店的招牌名称的方式来得到。
步骤S620,根据所述招牌图像确定第一关注点,根据所述查询信息确定第二关注点。
在得到用户上传的招牌图像后,利用招牌识别模型对用户上传的该招牌图像进行检测和识别,以确定用户当前所在的门店位置即第一关注点,并且根据用户输入的查询信息确定用户想要到达的目标位置即第二关注点。
步骤S630,根据确定的第一关注点和第二关注点进行路径规划,并在所述招牌地图中展示路径规划结果,其中所述招牌地图基于如前所述的招牌地图生成方法得到。
在得到第一关注点和第二关注点后,就可以基于第一关注点和第二关注点进行路径规划了。路径规划的方法可以是将路网图建立为无向图的数据结构,然后根据用户所在的当前位置节点和目标位置节点计算最小路径,即为导航路径。当然本领域技术人员也可以在现有技术中选择其它的路径规划方法,在此不一一列举。最后可以在招牌地图中展示出该导航路径,实现对用户的定位和引导。
对于用户当前位置信息的获取,除了通过用户上传招牌图像的方式,也可以是通过用户直接输入当前所在门店的招牌名称的方式来得到。
如图7所示,提供了一种路径规划结果的示意图,在该路径规划结果中,用户可以直观地看到自己当前所处的门店位置、所要到达的目标门店位置以及如何到达目标门店的导航路径等信息,便于用户快速到达目标位置,大大提高了用户体验。
本申请实施例的招牌地图基于如下方法得到:获取目标区域的图像序列;从所述图像序列中识别出关注点招牌帧;确定图像序列中各帧的相机位姿,根据各帧的相机位姿生成目标区域的路网图,并根据所述关注点招牌帧的相机位姿在所述路网图中标记出相应的关注点;根据所述路网图和各关注点的招牌图像生成招牌地图。
本申请实施例提供了一种招牌地图生成装置800,如图8所示,所述招牌地图生成装置800包括:第一获取单元810、识别单元820、第一确定单元830和生成单元840。
本申请实施例的第一获取单元810,用于获取目标区域的图像序列。
在生成招牌地图时,首先可以获取目标区域的图像序列,该目标区域可以根据实际情况灵活选择,例如,若想要生成某一商场内的招牌地图时,则将该商场作为目标区域。图像序列是指在不同时间、不同方位对目标依序连续获取的系列图像。
在本申请实施例中,图像序列的获取方式可以是利用图像采集设备按照预定规划路线拍摄目标区域如商场内部的视频,进而得到该目标区域的图像序列。拍摄的视频中可以包括目标区域内的门脸招牌,以作为后续生成招牌地图的基础。本申请实施例采集的图像序列对于图像精度的要求相对较低,利用手机等设备进行拍摄就可得到,无需依赖于高精度的复杂图像采集设备,易于扩展。
本申请实施例的识别单元820,用于从所述图像序列中识别出关注点招牌帧。
这里所说的关注点(Point of Interest,简称POI)也叫作兴趣点或信息点(Pointof Information),其是指一切可以抽象为点的地理对象,尤其是一些与人们生活密切相关的地理实体,如学校、银行、餐馆、加油站、医院、超市等。兴趣点的主要用途是对事物或事件的地址进行描述,能在很大程度上增强对事物或事件位置的描述能力和查询能力,提高地理定位的精度和速度。
具体实施时,本申请实施例中的关注点可以理解为是目标区域内的所有地理实体,如商场内的任一门店均可看做是一个关注点。在得到目标区域的图像序列后,可以采用图像识别匹配等算法确定图像序列中所包含的招牌帧及对应的关注点,完成对图像序列的预处理。
本申请实施例的第一确定单元830,用于确定图像序列中各帧的相机位姿,根据各帧的相机位姿生成目标区域的路网图,并根据所述关注点招牌帧的相机位姿在所述路网图中标记出相应的关注点。
在得到预处理后的图像序列后,可以采用预设算法估计图像序列中各帧图像的相机位姿。相机位姿估计是计算机视觉中的重要组成部分,其可以根据已知三维空间中一些三维点以及它们在相机图像上的二维投影点,来估算相机在三维空间中的位置和姿态。在现有技术中,相机位姿估计的方法可以包括基于结构匹配的方法和基于图像检索的方法。其中,上述基于结构匹配的方法直接将二维特征点或三维特征点与三维点进行匹配,并根据匹配上的点对来计算输入图像所对应的相机位姿。上述基于图像检索的方法首先通过图像检索技术来确定与输入图像最相关的若干基准图像,然后通过匹配算法计算输入图像所对应的相机位姿。本申请实施例中可以采用SFM(Structure From Motion,从运动恢复结构)算法来估计各帧图像的相机位姿,当然本领域技术人员也可以根据实际需求选择其他相机位姿估计方法,在此不作具体限定。
在得到各帧图像的相机位姿后,根据各帧的相机位姿连线可以生成目标区域的路网图,路网图展示了一定区域内各个路径节点之间的连线关系,具体可以建立为无向图的数据结构。为了进一步明确路网图中所包含的门脸招牌及其所在位置,可以根据上述图像序列中的关注点招牌帧的相机位姿在路网图中标记出相应的关注点。如图3所示,提供了一种路网图的结构示意图,从中可以看到各门脸招牌的名称在路网图中所处的位置。
除了上述采用的根据采集到的每一帧图像的相机位姿建立路网图的情形,也可以根据实际应用场景仅根据招牌帧的相机位姿建立路网图,例如在门店排布较为密集的商场场景下,可以只根据招牌帧的位姿生成路网图,同样可以得到较为精准的地图。
本申请实施例的生成单元840,用于根据所述路网图和各关注点的招牌图像生成招牌地图。
具体实施时,在得到上述路网图后,为了在路网图中直观的展示门脸招牌,可以将门脸招牌图像添加到路网图中相应的位置上,进而得到最终的招牌地图。
本申请的招牌地图生成方法以招牌图像为主要数据源,利用三维重建算法提取出图像的相机位姿,即可以根据相机位姿实现招牌地图的构建,无需构建复杂的室内建图算法,进而可以绕过多个传统室内建图算法在技术上和运营上的难点,成为用户线下体验的入口。在实际应用时,用户通过使用招牌地图进行搜索,就可以根据招牌地图中显示的导航路径快速到达所要到达的门店位置,实现了用户消费行为的线上化,后期还可以对用户的历史搜索数据进行统计和分析,实现对用户消费行为的数字化管理。
在本申请的一个实施例中,所述识别单元820还用于:确定所述图像序列中的招牌帧;在关注点数据库中检索与所述招牌帧匹配的关注点,根据检索结果确定所述招牌帧对应的关注点,得到所述关注点招牌帧。
在本申请的一个实施例中,所述目标区域的图像序列是通过沿目标区域所在路线进行拍摄并在招牌区域停留预设时间得到的,所述识别单元还用于:确定所述图像序列中各帧的帧间差距,并将所述帧间差距与预设阈值进行比较;当所述帧间差距小于预设阈值时,则确定对应的图像帧为招牌帧。
在本申请的一个实施例中,所述识别单元820还用于:利用招牌识别模型对所述招牌帧进行招牌识别,得到招牌识别结果;根据所述招牌识别结果在所述关注点数据库中进行检索。
在本申请的一个实施例中,所述第一确定单元830还用于:利用三维重建算法,提取所述图像序列中各帧图像的图像特征并进行特征匹配;对匹配后的图像特征进行稀疏重建,得到各帧图像的所述相机位姿。
在本申请的一个实施例中,所述招牌地图生成装置还包括:利用三维重建算法生成所述图像序列中各帧图像的稀疏点云;基于所述稀疏点云、所述图像序列和所述路网图生成招牌地图资源库。
在本申请的一个实施例中,所述生成单元840还用于:从关注点数据库中获取各关注点的招牌图像,和/或,根据所述关注点招牌帧生成各关注点的招牌图像;根据所述路网图中与各关注点对应的节点位置,确定各招牌图像的部署位置和方向。
需要说明的是,本申请对图1、图3、图4和图7中涉及商业的文本内容作了模糊处理。
本申请实施例提供了一种路径规划装置900,如图9所示,所述路径规划装置900包括:第二获取单元910、第二确定单元920和路径规划单元930。
本申请实施例的第二获取单元910,用于获取第一关注点的招牌图像和第二关注点的查询信息。
具体实施时,先获取用户上传的招牌图像和查询信息,招牌图像可以通过用户拍摄当前所在门店的招牌并上传得到。查询信息可以包括用户想要到达的目标位置信息,对于目标位置信息则可以采用用户直接输入目标门店的招牌名称的方式来得到。
本申请实施例的第二确定单元920,用于根据所述招牌图像确定第一关注点,根据所述查询信息确定第二关注点。
在得到用户上传的招牌图像后,利用招牌识别模型对用户上传的该招牌图像进行检测和识别,以确定用户当前所在的门店位置即第一关注点,并且根据用户输入的查询信息确定用户想要到达的目标位置即第二关注点。
本申请实施例的路径规划单元930,用于根据确定的第一关注点和第二关注点进行路径规划,并在所述招牌地图中展示路径规划结果,其中所述招牌地图基于如前所述的招牌地图生成装置得到。
在得到第一关注点和第二关注点后,就可以基于第一关注点和第二关注点进行路径规划了。路径规划的方法可以是将路网图建立为无向图的数据结构,然后根据用户所在的当前位置节点和目标位置节点计算最小路径,即为导航路径。当然本领域技术人员也可以在现有技术中选择其它的路径规划方法,在此不一一列举。最后可以在招牌地图中展示出该导航路径,实现对用户的定位和引导。
对于用户当前位置信息的获取,除了通过用户上传招牌图像的方式,也可以是通过用户直接输入当前所在门店的招牌名称的方式来得到。
如图7所示,提供了一种路径规划结果的示意图,在该路径规划结果中,用户可以直观地看到自己当前所处的门店位置、所要到达的目标门店位置以及如何到达目标门店的导航路径等信息,便于用户快速到达目标位置,大大提高了用户体验。
本申请实施例的招牌地图基于如下装置得到:第一获取单元,用于获取目标区域的图像序列;识别单元,用于从所述图像序列中识别出关注点招牌帧;第一确定单元,用于确定图像序列中各帧的相机位姿,根据各帧的相机位姿生成目标区域的路网图,并根据所述关注点招牌帧的相机位姿在所述路网图中标记出相应的关注点;生成单元,用于根据所述路网图和各关注点的招牌图像生成招牌地图。
需要说明的是,上述各装置实施例的具体实施方式可以参照前述对应方法实施例的具体实施方式进行,在此不再赘述。
综上所述,本申请的技术方案,通过获取目标区域的图像序列;从所述图像序列中识别出关注点招牌帧;确定图像序列中各帧的相机位姿,根据各帧的相机位姿生成目标区域的路网图,并根据所述关注点招牌帧的相机位姿在所述路网图中标记出相应的关注点;根据所述路网图和各关注点的招牌图像生成招牌地图。本申请的招牌地图生成方法以招牌图像为主要数据生成室内地图,它可以绕过多个传统室内建图算法在技术上和运营上的难点,可以成为用户线下体验的入口,实现用户消费行为的线上化、数字化。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的招牌地图生成装置或者路径规划装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
例如,图10示出了根据本申请一个实施例的电子设备的结构示意图。该电子设备1000包括处理器1010和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器1020。存储器1020可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器1020具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码1031的存储空间1030。例如,用于存储计算机可读程序代码的存储空间1030可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码1031。计算机可读程序代码1031可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图11所示的计算机可读存储介质。图11示出了根据本申请一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质1100存储有用于执行根据本申请的方法步骤的计算机可读程序代码1031,可以被电子设备1000的处理器1010读取,当计算机可读程序代码1031由电子设备1000运行时,导致该电子设备1000执行上面所描述的方法中的各个步骤,具体来说,该计算机可读存储介质存储的计算机可读程序代码1031可以执行上述任一实施例中示出的方法。计算机可读程序代码1031可以以适当形式进行压缩。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (12)
1.一种招牌地图生成方法,其特征在于,包括:
获取目标区域的图像序列;
从所述图像序列中识别出关注点招牌帧;
确定图像序列中各帧的相机位姿,根据各帧的相机位姿生成目标区域的路网图,并根据所述关注点招牌帧的相机位姿在所述路网图中标记出相应的关注点;
根据所述路网图和各关注点的招牌图像生成招牌地图。
2.根据权利要求1所述的招牌地图生成方法,其特征在于,所述从所述图像序列中识别出关注点招牌帧包括:
确定所述图像序列中的招牌帧;
在关注点数据库中检索与所述招牌帧匹配的关注点,根据检索结果确定所述招牌帧对应的关注点,得到所述关注点招牌帧。
3.根据权利要求2所述的招牌地图生成方法,其特征在于,所述目标区域的图像序列是通过沿目标区域所在路线进行拍摄并在招牌区域停留预设时间得到的,所述确定所述图像序列中的招牌帧包括:
确定所述图像序列中各帧的帧间差距,并将所述帧间差距与预设阈值进行比较;
当所述帧间差距小于预设阈值时,则确定对应的图像帧为招牌帧。
4.根据权利要求2所述的招牌地图生成方法,其特征在于,所述从所述图像序列中识别出关注点招牌帧包括:
利用招牌识别模型对所述招牌帧进行招牌识别,得到招牌识别结果;
根据所述招牌识别结果在所述关注点数据库中进行检索。
5.根据权利要求2所述的招牌地图生成方法,其特征在于,所述确定图像序列中各帧的相机位姿包括:
利用三维重建算法,提取所述图像序列中各帧图像的图像特征并进行特征匹配;
对匹配后的图像特征进行稀疏重建,得到各帧图像的所述相机位姿。
6.根据权利要求5所述的招牌地图生成方法,其特征在于,所述方法还包括:
利用三维重建算法生成所述图像序列中各帧图像的稀疏点云;
基于所述稀疏点云、所述图像序列和所述路网图生成招牌地图资源库。
7.根据权利要求1所述的招牌地图生成方法,其特征在于,所述根据所述路网图和各关注点的招牌图像生成招牌地图包括:
从关注点数据库中获取各关注点的招牌图像,和/或,根据所述关注点招牌帧生成各关注点的招牌图像;
根据所述路网图中与各关注点对应的节点位置,确定各招牌图像的部署位置和方向。
8.一种路径规划方法,其特征在于,包括:
获取第一关注点的招牌图像和第二关注点的查询信息;
根据所述招牌图像确定第一关注点,根据所述查询信息确定第二关注点;
根据确定的第一关注点和第二关注点进行路径规划,并在所述招牌地图中展示路径规划结果,其中所述招牌地图基于权利要求1至7任一项所述的招牌地图生成方法得到。
9.一种招牌地图生成装置,其特征在于,包括:
第一获取单元,用于获取目标区域的图像序列;
识别单元,用于从所述图像序列中识别出关注点招牌帧;
第一确定单元,用于确定图像序列中各帧的相机位姿,根据各帧的相机位姿生成目标区域的路网图,并根据所述关注点招牌帧的相机位姿在所述路网图中标记出相应的关注点;
生成单元,用于根据所述路网图和各关注点的招牌图像生成招牌地图。
10.一种路径规划装置,其特征在于,包括:
第二获取单元,用于获取第一关注点的招牌图像和第二关注点的查询信息;
第二确定单元,用于根据所述招牌图像确定第一关注点,根据所述查询信息确定第二关注点;
路径规划单元,用于根据确定的第一关注点和第二关注点进行路径规划,并在所述招牌地图中展示路径规划结果,其中所述招牌地图基于权利要求9所述的招牌地图生成装置得到。
11.一种电子设备,其中,该电子设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如权利要求1至7中任一项所述的招牌地图生成方法,或者如权利要求8中所述的路径规划方法。
12.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现如权利要求1至7中任一项所述的招牌地图生成方法,或者如权利要求8中所述的路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790386.6A CN112070833A (zh) | 2020-08-07 | 2020-08-07 | 招牌地图生成方法、装置和路径规划方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790386.6A CN112070833A (zh) | 2020-08-07 | 2020-08-07 | 招牌地图生成方法、装置和路径规划方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112070833A true CN112070833A (zh) | 2020-12-11 |
Family
ID=73660877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010790386.6A Pending CN112070833A (zh) | 2020-08-07 | 2020-08-07 | 招牌地图生成方法、装置和路径规划方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070833A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326769A (zh) * | 2021-05-28 | 2021-08-31 | 北京三快在线科技有限公司 | 高精地图生成方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130310081A1 (en) * | 2012-05-18 | 2013-11-21 | Winitech Co., Ltd. | Indoor positioning service system usingbeacon nodes |
CN104748738A (zh) * | 2013-12-31 | 2015-07-01 | 深圳先进技术研究院 | 室内定位导航方法和系统 |
CN106885580A (zh) * | 2015-12-15 | 2017-06-23 | 广东瑞图万方科技股份有限公司 | 电子地图中基于店铺招牌的定位方法及装置 |
CN107687854A (zh) * | 2017-07-20 | 2018-02-13 | 努比亚技术有限公司 | 一种室内导航方法、终端和计算机可读存储介质 |
CN107702706A (zh) * | 2017-09-20 | 2018-02-16 | 广东欧珀移动通信有限公司 | 路径确定方法、装置、存储介质及移动终端 |
CN108197619A (zh) * | 2017-12-27 | 2018-06-22 | 百度在线网络技术(北京)有限公司 | 一种基于招牌图像的定位方法、装置、设备和存储介质 |
CN109509255A (zh) * | 2018-07-26 | 2019-03-22 | 京东方科技集团股份有限公司 | 一种标签化地图构建及空间地图更新方法和装置 |
CN110264509A (zh) * | 2018-04-27 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 确定图像捕捉设备的位姿的方法、装置及其存储介质 |
-
2020
- 2020-08-07 CN CN202010790386.6A patent/CN112070833A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130310081A1 (en) * | 2012-05-18 | 2013-11-21 | Winitech Co., Ltd. | Indoor positioning service system usingbeacon nodes |
CN104748738A (zh) * | 2013-12-31 | 2015-07-01 | 深圳先进技术研究院 | 室内定位导航方法和系统 |
CN106885580A (zh) * | 2015-12-15 | 2017-06-23 | 广东瑞图万方科技股份有限公司 | 电子地图中基于店铺招牌的定位方法及装置 |
CN107687854A (zh) * | 2017-07-20 | 2018-02-13 | 努比亚技术有限公司 | 一种室内导航方法、终端和计算机可读存储介质 |
CN107702706A (zh) * | 2017-09-20 | 2018-02-16 | 广东欧珀移动通信有限公司 | 路径确定方法、装置、存储介质及移动终端 |
CN108197619A (zh) * | 2017-12-27 | 2018-06-22 | 百度在线网络技术(北京)有限公司 | 一种基于招牌图像的定位方法、装置、设备和存储介质 |
CN110264509A (zh) * | 2018-04-27 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 确定图像捕捉设备的位姿的方法、装置及其存储介质 |
CN109509255A (zh) * | 2018-07-26 | 2019-03-22 | 京东方科技集团股份有限公司 | 一种标签化地图构建及空间地图更新方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326769A (zh) * | 2021-05-28 | 2021-08-31 | 北京三快在线科技有限公司 | 高精地图生成方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | ViNav: A vision-based indoor navigation system for smartphones | |
CN107967457B (zh) | 一种适应视觉特征变化的地点识别与相对定位方法及系统 | |
US11003956B2 (en) | System and method for training a neural network for visual localization based upon learning objects-of-interest dense match regression | |
CN111199564B (zh) | 智能移动终端的室内定位方法、装置与电子设备 | |
JP6022562B2 (ja) | モバイル拡張現実システム | |
US20200401617A1 (en) | Visual positioning system | |
US9324003B2 (en) | Location of image capture device and object features in a captured image | |
CN109582880B (zh) | 兴趣点信息处理方法、装置、终端及存储介质 | |
WO2019184542A1 (zh) | 室内定位方法、室内定位系统、室内定位设备和计算机可读介质 | |
CN111028358B (zh) | 室内环境的增强现实显示方法、装置及终端设备 | |
CN112435338B (zh) | 电子地图的兴趣点的位置获取方法、装置及电子设备 | |
CN108388649B (zh) | 处理音视频的方法、系统、设备及存储介质 | |
US20170039450A1 (en) | Identifying Entities to be Investigated Using Storefront Recognition | |
CN108197619A (zh) | 一种基于招牌图像的定位方法、装置、设备和存储介质 | |
US11341183B2 (en) | Apparatus and method for searching for building based on image and method of constructing building search database for image-based building search | |
US11915478B2 (en) | Bayesian methodology for geospatial object/characteristic detection | |
CN111143489B (zh) | 基于图像的定位方法及装置、计算机设备和可读存储介质 | |
CN112634368A (zh) | 场景目标的空间与或图模型生成方法、装置及电子设备 | |
WO2019062694A1 (zh) | 可视化对象的生成方法、装置和设备 | |
Cheng et al. | Extracting three-dimensional (3D) spatial information from sequential oblique unmanned aerial system (UAS) imagery for digital surface modeling | |
CN113822996B (zh) | 机器人的位姿估计方法及装置、电子设备、存储介质 | |
CN112070833A (zh) | 招牌地图生成方法、装置和路径规划方法、装置 | |
CN110068328B (zh) | 导航路线生成方法、装置、计算机可读存储介质和计算机设备 | |
CN110096609A (zh) | 房源搜索方法、装置、设备及计算机可读存储介质 | |
Park et al. | Estimating the camera direction of a geotagged image using reference images |
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 |