CN112102398B - 一种定位方法、装置、设备及存储介质 - Google Patents
一种定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112102398B CN112102398B CN202010950647.6A CN202010950647A CN112102398B CN 112102398 B CN112102398 B CN 112102398B CN 202010950647 A CN202010950647 A CN 202010950647A CN 112102398 B CN112102398 B CN 112102398B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- acquisition
- distance
- target object
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种定位方法、装置、设备及存储介质,其中,该方法包括:定位设备获取包含目标物体的目标图像和目标图像的采集定位信息;对目标图像进行图像识别处理,得到目标物体在目标图像中的像素数量;定位设备再根据像素数量确定目标物体与目标图像的采集点之间的目标距离;根据目标距离与采集定位信息确定目标物体的位置信息。通过上述方法,能高效地实现物体的定位。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种定位方法、装置、设备及存储介质。
背景技术
随着人们生活水平的不断提高,伴随着道路的不断翻新,地图便成了人们的出行必备。但道路快速地更新,也需要对地图进行不断地更新,以确定地图中各个物体的位置。
目前,对物体位置的确认方法多是依靠人工进行的,比较耗费人力资源,因此,怎样高效地确定地图中物体的真实位置成为亟待解决的问题。
发明内容
本申请实施例提供了一种定位方法、装置、设备及存储介质,能提高确定物体位置的效率。
本申请实施例一方面提供了一种定位方法,该方法包括:
获取包含目标物体的目标图像,获取所述目标图像的采集定位信息;
对所述目标图像进行图像识别处理,得到所述目标物体在所述目标图像中的像素数量;
根据所述像素数量确定所述目标物体与所述目标图像的采集点之间的目标距离;
根据所述目标距离与所述采集定位信息确定所述目标物体的位置信息。
本申请实施例一方面提供了一种定位装置,该装置包括:
获取单元,用于获取包含目标物体的目标图像,获取所述目标图像的采集定位信息;
处理单元,用于对所述目标图像进行图像识别处理,得到所述目标物体在所述目标图像中的像素数量;
确定单元,用于根据所述像素数量确定所述目标物体与所述目标图像的采集点之间的目标距离;
所述确定单元,用于根据所述目标距离与所述采集定位信息确定所述目标物体的位置信息。
本申请实施例一方面提供了一种定位设备,该定位设备包括:
存储器,用于存储计算机程序;
处理器,运行所述计算机程序;实现上述所述的定位方法。
本申请实施例一方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述的定位方法。
本申请实施例一方面提供了一种计算机程序产品或计算机程序,计算机程序产品或计算机程序包括计算机指令,计算机指令存储在计算机可读存储介质中,计算机指令被计算机设备的处理器执行时,执行上述各实施例中的方法。
本申请实施例,定位设备获取包含目标物体的目标图像和目标图像的采集定位信息,对目标图像进行图像识别处理,得到目标物体在目标图像中的像素数量,定位设备再根据像素数量确定目标物体与目标图像的采集点之间的目标距离,根据目标距离与采集定位信息确定目标物体的位置信息,通过上述方法,定位设备自动执行,不需要人工,可以节约人力资源成本,能高效地实现物体的定位;进一步,本方案中,定位设备根据目标物体与目标图像的采集点之间的距离确定目标物体的位置信息,可以丰富确定目标物体位置信息的方式,以及提高确定目标物体的位置信息的精准性。
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是本申请实施例公开的一种定位系统的架构示意图;
图2是本申请实施例提供的一种定位方法的流程示意图;
图3是本申请实施例提供的另一种定位方法的流程示意图;
图4a是本申请实施例提供的一种公式推导模型的示意图;
图4b是本申请实施例提供的一种确定采集轨迹方向的示意图;
图4c是本申请实施例提供的一种确定目标物体位置信息的示意图;
图5是本申请实施例提供的又一种定位方法的流程示意图;
图6是本申请实施例提供的一种目标物体类型与类型编号映射表的示意图;
图7是本申请实施例提供的一种定位装置的结构示意图;
图8是本申请实施例提供的一种定位设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供的定位方法,还涉及:
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请涉及人工智能软件下属的计算机视觉技术以及机器学习。其中,计算机视觉技术(Computer Vision,CV)是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
结合本申请实施例,定位设备获取包含目标物体的目标图像和目标图像的采集定位信息后,通过计算机视觉技术对目标图像进行处理,得到目标物体在目标图像中的像素数量,定位设备再根据像素数量确定目标物体与目标图像的采集点之间的目标距离,根据目标距离与采集定位信息确定目标物体的位置信息。通过上述方法,通过定位设备确定出目标物体的位置信息,不需要人工,可以节约人力资源成本,高效地实现物体的定位,实现对物体真实位置的还原;同时,定位设备根据目标物体与目标图像的采集点之间的距离便可以得出目标物体的真实位置,数据量准备少,可以在一定程度上减少财力资源。
可选的,定位设备获取包含目标物体的目标图像以及目标图像的采集定位信息,通过计算机视觉技术对目标图像进行识别处理,得到目标物体的像素数量以及目标物体的类型,再根据采集定位信息确定出采集轨迹方向,定位设备利用机器学习手段训练出距离识别模型,再调用距离识别模型对输入的目标物体在目标图像中的像素数量和目标物体的物体类型进行识别以得到目标物体到目标图像的采集点之间的目标距离,最后根据目标距离以及此采集轨迹方向确定出目标物体的位置信息。通过上述方法,调用距离识别模型获取目标图像的采集点之间的目标距离,也可以在一定程度上降低成本,高效地实现物体的定位。
请参见图1,图1是本申请实施例公开的一种定位系统的架构示意图,如图1所示,该定位系统的架构示意图100包括了采集设备101以及定位设备102。采集设备101可以和定位设备102实现实时地通信。其中,采集设备101包括的摄像设备与车载设备可以是一体的,也可以是独立的两个设备。对于一体的情况,当摄像设备采集到图像时,则将图像存储于车载设备中,以可视化界面显示采集到的图像;对于独立的两个设备,其中,车载设备充当交通工具的作用,摄像设备采集到图像后将图像存储于摄像设备的硬件设备中。
其中,定位设备102具体可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。定位设备102可以是平板电脑、笔记本电脑、台式计算机等,但并不局限于此。本申请实施例提供的技术方案中,以定位设备102为例,描述本申请实施例提供的技术方案。
在一种可能的实现方式中,采集设备101在外场环境中采集包含目标物体的目标图像,并对其进行存储,同时存储采集定位信息,采集设备101实时地或者当收到定位设备102的请求时,将采集到的目标图像以及采集定位信息发送给定位设备102;定位设备102在接收到包含目标物体的目标图像和目标图像的采集定位信息,对目标图像进行图像识别处理,得到目标物体在目标图像中的像素数量;定位设备102再根据像素数量确定目标物体与目标图像的采集点之间的目标距离,根据目标距离与采集定位信息确定目标物体的位置信息。
本申请可以于地图采集场景中,采集设备101将采集到的每一个目标物体的目标图像以及采集定位信息发送给定位设备102,定位设备102按照前述方式,分别确定每个目标物体的位置信息,进而地图绘制人员可以基于这多个目标物体的位置信息实现地图绘制。可选地,可以是机器基于这多个目标物体的位置信息自动进行地图绘制。
通过上述实施例,通过定位设备确定出目标物体的位置信息,不需要人工,可以节约人力资源成本,高效地实现物体的定位,实现对物体真实位置的还原;同时,定位设备根据目标物体与目标图像的采集点之间的距离便可以得出目标物体的真实位置,数据量准备较少,可以在一定程度上减少财力资源。
请参见图2,图2为本申请实施例提供的一种定位方法的流程示意图,主要阐述定位设备是如何确定目标物体的位置信息,具体的,该定位方法可以包括以下步骤:
S201、定位设备获取包含目标物体的目标图像,获取目标图像的采集定位信息。
其中,目标图像指的是包含有目标物体的图像,其张数不做限定。其中,目标物体可以是交通要素,如各种交通标牌;目标物体也可以是建筑要素,如各种楼宇等。目标图像的采集定位信息具体指的是,采集设备在拍摄目标图像时定位信息,一般来说,采集设备在进行位置采集时,会每隔固定的距离,如10米,确定出一个采集点,其中,每一个采集点都有一个对应的采集定位信息。这里的采集设备可以是摄像机、采集车等。采集定位信息可以指的是基于GPS(Global Positioning System,全球定位系统)或者北斗导航系统所确定的定位信息,采集定位信息主要可以包括经度和纬度信息,还可以包括拍摄目标图像的时间。
S202、定位设备对目标图像进行图像识别处理,得到目标物体在目标图像中的像素数量。
其中,图像识别,具体是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,是应用深度学习算法的一种实践应用。图像识别流程大致可以分为四个步骤:图像采集→图像预处理→特征提取→图像识别。
在一种可能的实现方式中,定位设备在获取到目标图像后,首先识别出目标图像中的目标物体,提取该目标物体,并对其进行二值化处理,得到二值化图像,将二值化图像中像素值为1的像素作为目标物体的像素,在二值化图像的所有像素中,统计属于目标物体的像素的数量,将统计出来的数据作为目标物体的像素数量。
在一种可能的实现方式中,定位设备在获取到目标图像后,首先调用maskrcnn模型以识别出目标图像在目标图像中的图像区域,该图像区域以一个矩形框在目标图像中标识出来。统计这个矩形框包含像素的像素数量,将统计的像素数量作为目标物体的像素数量。
S203、定位设备根据像素数量确定目标物体与目标图像的采集点之间的目标距离。
其中,目标物体与目标图像的采集点之间的目标距离指的是两者之间的直线距离。当目标图像包括多张图像时,则目标物体与目标图像的采集点之间的目标距离指的是,目标物体到任意一张图像之间的距离。
在一种可能的实现方式中,定位设备确定目标物体与目标图像的采集点之间的目标距离,主要是通过三角形的相似原理推导出固定公式,再将目标物体的像素值以及定位采集信息的差值带入固定公式来确定目标物体与目标图像的采集点之间的目标距离。
在一种可能的实现方式中,定位设备确定目标物体与目标图像的采集点之间的目标距离,主要是通过建立模型,通过调用建立好的模型将识别得到的目标物体的像素数量以及目标物体的类型,以得到目标物体与目标图像的采集点之间的目标距离。
S204、定位设备根据目标距离与采集定位信息确定目标物体的位置信息。
在一种可能的实现方式中,定位设备首先根据采集定位信息确定出采集轨迹方向,再根据步骤S203中得到的目标物体与目标图像的采集点之间的目标距离以及采集轨迹方向来确定目标物体的位置信息。
本申请实施中,定位设备获取包含目标物体的目标图像和目标图像的采集定位信息,对目标图像进行图像识别处理,得到目标物体在目标图像中的像素数量,定位设备再根据像素数量确定目标物体与目标图像的采集点之间的目标距离,根据目标距离与采集定位信息确定目标物体的位置信息,通过上述方法,可以节约成本,高效地实现物体的定位。
请参见图3,图3为本申请实施提供的另一种定位方法的流程示意图,该实施例主要阐述的是定位设备将目标物体的像素数量和两张图像的距离差值代入固定的公式,以得到目标物体与目标图像的采集点之间的目标距离,该方法具体可以包括以下步骤:
S301、定位设备获取包含目标物体的目标图像,获取目标图像的采集定位信息,其中,目标图像包括第一图像和第二图像,采集定位信息包括第一图像的第一采集定位信息和第二图像的第二采集定位信息。
其中,第一图像和第二图像有一个采集的时间的先后,将第一图像作为先采集的图像,将第二图像作为后采集的图像。
S302、定位设备对第一图像和第二图像进行图像识别处理,得到第一图像和第二图像的像素数量。
在一种可能的实现方式中,定位设备获取第一图像和第二图像之后,就对第一图像进行图像识别处理,得到目标物体在第一图像中的第一像素数量,同时,对第二图像进行图像识别处理,得到目标物体在第二图像中的第二像素数量。其中,第一像素数量和第二像素数量统称为目标物体在目标图像中的像素数量。
S303、定位设备根据第一采集定位信息和第二采集定位信息确定出第一图像和第二图像的第一距离。
在一种可能的实现方式中,定位设备根据第一采集定位信息和第二采集定位信息确定出第一图像和第二图像的第一距离的具体过程为:定位设备获取第一采集定位信息中的经纬度信息,以及获取第二采集定位信息中的经纬度信息,将第一采集定位信息中的经纬度信息和第二采集定位信息中的经纬度信息进行运算,以得到第一图像和第二图像的第一距离。
例如,假设第一图像的第一采集定位信息为(x1,y1),第二图像的第二采集定位信息为(x2,y2),由于地球的经纬度坐标是球坐标(x,y),其中x是经度,y是纬度,所以要先把它转换成直角坐标(X,Y,Z),设地球半径为r,则对应的转换式有:X=r*cos(y)*cos(x),Y=r*cos(y)*sin(x),Z=r*sin(y),则得到的第一采集定位信息对应的直角坐标为(X1,Y1,Z1),第二采集定位信息对应的直角坐标为(X2,Y2,Z2),那么第一图像和第二图像的第一距离是可以由公式求出的:
S304、定位设备根据第一图像和第二图像的第一距离、第一像素数量、第二像素数量确定目标物体与目标图像的采集点之间的目标距离。
在一种可能的实现方式中,确定目标物体与目标图像的采集点之间的目标距离具体为:先得到第一图像和第二图像的第一距离与第二像素数量之间的乘积值,得到第一像素数量与第二像素数量之间的差值,用得到的乘积值比上差值得到一个商,这个商即为目标物体与目标图像的采集点之间的目标距离,该过程可以用下述数学公式(1)进行表示:
其中,d表示第一图像和第二图像的第一距离,P表示第一像素数量,P′表示第二像素数量。
下面具体介绍是如何得到上述公式(1)的:
至少需要两张图像才能确定上述公式,如图4a所示,对同一目标物体有两个采集点,分别为采集点1和采集点2,对应两张图像,为第一图像和第二图像。其中,第一采集点到目标物体的距离为D,第二采集点到目标物体的距离为D’,这两个距离中的任一距离都可以作为目标距离。第一采集点为第一图像的采集点,第二采集点为第二图像的采集点。假定采集点的镜头焦距为f,该值为固定值,第一采集点和第二采集点都为f。若是通过图像识别处理得到的第一图像中目标物体的像素数量为P,第一图像中目标物体的像素数量为P’。假定图片成像尺寸与长度像素数量的比值为c,则得到的第一图像的成像尺寸为P*c,第二图像的成像尺寸为P’*c。对于镜头焦距来说,有F=f/c。图4a的左边的两个三角形相似,图4a的右边的两个三角形也相似,则根据三角形的相似性原理:
左边有公式(2):
由F=f/c,则有公式(3)
右边有公式(4):
由F=f/c,则有公式(5):
将两式相减,则有公式(6):
进一步,经过公式的换算,得到公式(7):
再计算距离D或者D’,分别对应公式(8)和公式(9):
由公式(8)所确定的目标距离即是第一图像的采集点到目标物体的距离,由公式(9)所确定的目标距离即是第二图像的采集点到目标物体的距离。
通过上述推导过程可知,只要获取到第一图像和第二图像的像素数量,以及第一采集点和第二采集点之间的距离,就可以推导出目标物体与采集点之间的距离。采用本申请提供的方法,不需要知道目标物体的具体大小,便可以有效确定目标物体位置,降低了人力资源和财力资源成本。
其中,需要注意的是,上述公式的推导过程所用到的数据如表一所示,在本申请中,只需要知道目标物体在第一图像中的第一像素数量、目标物体在第二图像中的第二像素数量以及第一图像的采集点和第二图像的采集点的距离差就可以求出目标物体与采集点之间的距离,而在现有技术,还需要知道目标物体的大小、第一图像的采集点到目标物体的距离、第二图像的采集点到目标物体的距离、镜头焦距等,需要获取的参数较多,对人力和财力的消耗比较大,而本申请就巧妙地避开了多数据准备的麻烦,利用尽可能少的数据求到目标物体与采集点之间的距离。
表一
S305、定位设备根据第一图像的第一采集定位信息与第二图像的第二采集定位信息确定目标物体的采集轨迹方向。
在一种可能的实现方式中,定位设备在或获取到第一图像的第一采集定位信息与第二图像的第二采集定位信息后,由于第一采集定位信息和第二采集定位信息有时间的先后,因此,可以根据采集定位信息时间的先后来确定采集轨迹方向。如图4b所示,知道第一采集定位信息和第二采集定位信息后,便可以得出采集轨迹方向。
S306、定位设备根据采集轨迹方向与目标距离确定目标物体的位置信息。
由前述可知,由于目标图像包括第一图像和第二图像,目标距离可以是第一图像到第一采集点的距离,也可以是第二图像到第二采集点的距离。若目标距离是第一图像到第一采集点的距离,则以第一图像的为圆心,以第一图像到第一采集点的距离为半径确定出一个圆,由此得到的圆与采集轨迹方向上的交点,即为目标物体的真实位置信息。对应的,若是目标距离是第二图像到第二采集点的距离,则以第二图像的为圆心,以第二图像到第二采集点的距离为半径确定出一个圆。具体可以如图4c所示,当确定出采集轨迹方向,便可以拍摄位置为中心,以第二距离为半径确定出一个圆,由此得到的圆与采集轨迹方向上的交点,即为目标物体的真实位置信息。
可选的,为了保证采集定位信息偏差带来的误差,可以对多张目标图像进行如步骤S301-S304相同的方法,如有N张目标图像,按照上述方法,便可以得到N个目标距离,N个目标距离可以用集合表示:{D1,,D2,D3,…,DN},利用预设方式对N个目标距离进行处理,得到目标物体与目标图像的多个采集点中一个采集点之间的第二距离。其中,对N个目标距离进行处理的预设方式可以是中位数处理方法,即选取{D1,,D2,D3,…,DN}的中间的数,作为第二距离。若是N是奇数,则第二距离是D(N+1)/2,若N是偶数,则第二距离是(DN/2+DN/2+1)/2。例如,若N为5,则第二距离D=D3,若N为6,则第二距离D=(D3+D4)/2。确定出第二距离后,定位设备根据任一目标图像中的第一图像的第一采集定位信息和第二图像的第二采集定位信息确定的出采集轨迹方向,根据采集轨迹方向与第二距离确定出目标物体的位置信息。
本申请实施例中,定位设备获取包含目标物体的第一图像和第二图像以及第一采集定位信息和第二采集定位信息,根据图像识别技术,确定出第一图像和第二图像的像素数量,并根据第一采集定位信息和第二采集定位信息确定出第一图像和第二图像之间的距离,利用固定的推导出来的公式对像素数量和距离进行运算,得到目标物体到目标图像的采集点之间的目标距离;同时,定位设备根据第一采集定位信息和第二采集定位信息确定出采集轨迹方向,利用采集轨迹方向和目标物体到目标图像的采集点之间的目标距离确定出目标物体的位置信息,通过上述实施例,定位设备可以通过目标图像的采集点之间的目标距离以及采集轨迹方向便可以确定目标物体的位置信息,需要的数据较少,也无需人工测量,可以节约人力资源和财力资源,从而高效地实现了物体的定位。
请参见图5,图5为本申请实施例提供的又一种定位方法的流程示意图,该方法主要阐述定位设备调用距离识别模型对输入的目标物体在目标图像中的像素数量和目标物体的物体类型进行识别以得到目标物体到目标图像的采集点之间的目标距离,该定位方法具体可以包括以下步骤:
S501、定位设备获取包含目标物体的目标图像,获取目标图像的采集定位信息。
在一种可能的实现方式中,其中,目标图像可以是一张图像,即采集设备采集到的包含目标物体的一张图像,该图像对应一个采集定位信息。获取的采集定位信息包括多个,但只有一个采集定位信息对应的图像包括了目标物体,其余采集定位信息对应的图像是无效的或者采集设备并未向定位设备回传图像信息。
其中,需要注意的是,在采集设备采集图像的过程中,采集定位信息的数量可以大于等于包含目标物体的图像,因为在采集设备采集的过程中,会因为遮挡物等原因,导致拍摄不到目标物体。
S502、定位设备对目标图像进行图像识别处理,得到目标物体在目标图像中的像素数量。
S503、定位设备识别目标图像,确定目标图像包含的目标物体的物体类型。
在一种可能的实现方式中,定位设备对获取到的目标图像进行识别处理,确定出目标图像中包含的目标物体的类型。其中,目标物体的类型可以有一个编号映射表,即知道目标物体的类型就可以知道对应的类型编号,知道类型编号就可以知道对应的目标物体的类型。其中,目标物体的类型与类型编号的映射表可以如图6所示,每一种目标物体的类型对应一个类型编号,每一个编号有对目标物体的类型的具体解释。
S504、定位设备根据距离识别模型、物体类型和像素数量确定目标物体与目标图像的采集点之间的目标距离。
在一种可能的实现方式中,定位设备调用已经训练好的距离识别模型,对物体类型以及目标物体的像素数量进行识别,以确定出目标物体与目标图像的采集点之间的目标距离。该模型已经训练好的,其目标物体类型、目标物体的像素数量、以及目标物体与目标图像的采集点之间的目标距离有一个确定的关系,可以是线性关系。
上述的距离识别模型的训练过程如下:
定位设备获取包含样本物体的样本图像,获取样本图像的样本采集定位信息,对样本图像进行图像识别处理,得到样本物体在样本图像中的样本像素数量;同时识别样本图像,得到样本物体的样本物体类型;这里的样本物体类型包括多个,每个样本物体类型都包括一系列样本像素数量;根据样本距离识别模型、样本像素数量和样本物体类型(类型编号)确定样本物体与样本图像的采集点之间的样本距离;定位设备再获取样本物体与样本图像的采集点之间的距离标签,包括了多个距离值;根据上述距离标签和上述样本距离训练样本距离识别模型,以得到距离识别模型。其中,训练过程中,可以采用分桶统计中位数的方法来确认样本物体与样本图像的采集点之间的样本距离。
S505、定位设备根据目标距离与采集定位信息确定目标物体的位置信息。
其中,在定位设备根据目标距离与采集定位信息确定目标物体的位置信息之前,定位设备根据多个采集定位信息中的任意两个采集定位信息确定出采集轨迹方向。
在一种可能的实现方式中,定位设备根据获取到的采集轨迹方向以及目标物体与目标图像的采集点之间的目标距离确定出目标物体的位置信息,其确认方法和步骤S306一样,这里便不再赘述了。
在一种可能的实现方式中,针对某一目标物体可能也有多张目标图像,在这种情况下,则定位设备调用已经训练好的距离识别模型,对物体类型以及目标物体的像素数量进行识别,会确定出目标物体与每个目标图像的采集点之间的目标距离,则此时,需要对多个目标距离做平均处理,以得到平均结果距离。再根据采集轨迹方向以及平均结果距离来确定目标物体的位置信息。通常,若是针对同一目标物体有多张目标图像时,多采用图3阐述的方法,其精确度更高。
本申请实施例中,定位设备获取包含目标物体的目标图像以及目标图像的采集定位信息,对目标图像进行识别处理,得到目标物体的像素数量以及目标物体的类型,再根据采集定位信息确定出采集轨迹方向,定位设备调用距离识别模型对输入的目标物体在目标图像中的像素数量和目标物体的物体类型进行识别以得到目标物体到目标图像的采集点之间的目标距离,最后根据目标距离以及此采集轨迹方向确定出目标物体的位置信息。通过上述方法,调用距离识别模型获取目标图像的采集点之间的目标距离,也可以在一定程度上降低成本,高效地实现物体的定位。
请参见图7,图7为申请实施例提供的一种定位装置的示意图,该定位装置70可以包括:获取单元701、处理单元702、确定单元703,主要可以用于执行以下步骤:
获取单元701,用于获取包含目标物体的目标图像,获取所述目标图像的采集定位信息;
处理单元702,用于对所述目标图像进行图像识别处理,得到所述目标物体在所述目标图像中的像素数量;
确定单元703,用于根据所述像素数量确定所述目标物体与所述目标图像的采集点之间的目标距离;
所述确定单元703,用于根据所述目标距离与所述采集定位信息确定所述目标物体的位置信息。
在一种可能的实现方式中,所述目标图像包括第一图像和第二图像;所述处理单元702用于对所述目标图像进行图像识别处理,得到所述目标物体在所述目标图像中的像素数量,包括(用于):
对所述第一图像进行图像识别处理,得到所述目标物体在所述第一图像中的第一像素数量;
对所述第二图像进行图像识别处理,得到所述目标物体在所述第二图像中的第二像素数量。
在一种可能的实现方式中,所述采集定位信息包括所述第一图像的第一采集定位信息和所述第二图像的第二采集定位信息;所述确定单元703用于根据所述像素数量确定所述目标物体与所述目标图像的采集点之间的目标距离,包括:
根据所述第一采集定位信息和所述第二采集定位信息确定所述第一图像和所述第二图像的第一距离;
根据所述第一图像和所述第二图像的第一距离、所述第一像素数量、所述第二像素数量确定所述目标物体与所述目标图像的采集点之间的目标距离。
在一种可能的实现方式中,所述目标图像属于图像集合,所述图像集合包括N张目标图像;所述确定单元703用于根据所述目标距离与所述采集定位信息确定所述目标物体的位置信息,包括:
获取所述N张目标图像的目标距离;
根据N个目标距离确定所述目标物体与所述目标图像集合的采集点集合之间的第二距离;
根据所述第二距离与所述采集定位信息确定所述目标物体的位置信息。
在一种可能的实现方式中,所述确定单元703用于根据所述第二距离与所述采集定位信息确定所述目标物体的位置信息,包括:
获取采集轨迹方向;所述采集轨迹方向是根据任一目标图像中的第一图像的第一采集定位信息和第二图像的第二采集定位信息确定的;
根据所述采集轨迹方向与所述第二距离确定所述目标物体的位置信息。
在一种可能的实现方式中,所述确定单元703用于根据所述像素数量确定所述目标物体与所述目标图像的采集点之间的目标距离,包括:
识别所述目标图像,确定所述目标图像包含的目标物体的物体类型;
根据距离识别模型、所述物体类型和所述像素数量确定所述目标物体与所述目标图像的采集点之间的距离。
在一种可能的实现方式中,所述获取单元701,还用于获取包含样本物体的样本图像,获取所述样本图像的样本采集定位信息;
所述处理单元702,还用于:
对所述样本图像进行图像识别处理,得到所述样本物体在所述样本图像中的样本像素数量;
识别所述样本图像,得到所述样本物体的样本物体类型;
所述确定单元703,还用于根据样本距离识别模型、所述样本像素数量和所述样本物体类型确定所述样本物体与所述样本图像的采集点之间的样本距离;
所述获取单元701,还用于获取所述样本物体与所述样本图像的采集点之间的距离标签;
所述确定单元703,还用于根据所述距离标签和所述样本距离训练所述样本距离识别模型,得到所述距离识别模型。
本申请实施中,获取单元701获取包含目标物体的目标图像和目标图像的采集定位信息,处理单元702对目标图像进行图像识别处理,得到目标物体在目标图像中的像素数量,确定单元703再根据像素数量确定目标物体与目标图像的采集点之间的目标距离,根据目标距离与采集定位信息确定目标物体的位置信息,通过上述方法,定位设备自动执行,不需要人工,可以节约人力资源成本,能高效地实现物体的定位。
请参见图8,图8为本申请实施例提供的一种定位设备的结构示意图,该定位设备80至少包括处理器801以及存储器802。其中,处理器801以及存储器802可通过总线或者其它方式连接。存储器802可以包括计算机可读存储介质,存储器802用于存储计算机程序,计算机程序包括计算机指令,处理器801用于执行存储器802存储的计算机指令。处理器801(或称CPU(Central Processing Unit,中央处理器))是定位设备80的计算核心以及控制核心,其适于实现一条或多条计算机指令,具体适于加载并执行一条或多条计算机指令从而实现相应方法流程或相应功能。
本申请实施例还提供了一种计算机可读存储介质(Memory),计算机可读存储介质是定位设备80中的记忆设备,用于存放程序和数据。可以理解的是,此处的存储器802既可以包括定位设备80中的内置存储介质,当然也可以包括定位设备80所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了定位设备80的操作系统。并且,在该存储空间中还存放了适于被处理器801加载并执行的一条或多条的计算机指令,这些计算机指令可以是一个或多个的计算机程序(包括程序代码)。需要说明的是,此处的存储器802可以是高速RAM存储器,也可以是非不稳定的存储器(Non-Volatile Memory),例如至少一个磁盘存储器;可选的还可以是至少一个位于远离前述处理器801的计算机可读存储介质。
在一种实现方式中,该定位设备80可以是图1所示的定位系统中的定位设备102;该存储器802中存储有第一计算机指令;由处理器801加载并执行存储器802中存放的第一计算机指令,以实现图2、图3以及图5所示方法实施例中的相应步骤;具体实现中,存储器802中的第一计算机指令由处理器801加载并执行如下步骤:
获取包含目标物体的目标图像,获取所述目标图像的采集定位信息;
对所述目标图像进行图像识别处理,得到所述目标物体在所述目标图像中的像素数量;
根据所述像素数量确定所述目标物体与所述目标图像的采集点之间的目标距离;
根据所述目标距离与所述采集定位信息确定所述目标物体的位置信息。
在一种可能的实现方式中,所述目标图像包括第一图像和第二图像;所述处理器801对所述目标图像进行图像识别处理,得到所述目标物体在所述目标图像中的像素数量,包括:
对所述第一图像进行图像识别处理,得到所述目标物体在所述第一图像中的第一像素数量;
对所述第二图像进行图像识别处理,得到所述目标物体在所述第二图像中的第二像素数量。
在一种可能的实现方式中,所述采集定位信息包括所述第一图像的第一采集定位信息和所述第二图像的第二采集定位信息;所述处理器801根据所述像素数量确定所述目标物体与所述目标图像的采集点之间的目标距离,包括:
根据所述第一采集定位信息和所述第二采集定位信息确定所述第一图像和所述第二图像的第一距离;
根据所述第一图像和所述第二图像的第一距离、所述第一像素数量、所述第二像素数量确定所述目标物体与所述目标图像的采集点之间的目标距离。
在一种可能的实现方式中,所述目标图像属于图像集合,所述图像集合包括N张目标图像;所述处理器801根据所述目标距离与所述采集定位信息确定所述目标物体的位置信息,包括:
获取所述N张目标图像的目标距离;
根据N个目标距离确定所述目标物体与所述目标图像集合的采集点集合之间的第二距离;
根据所述第二距离与所述采集定位信息确定所述目标物体的位置信息。
在一种可能的实现方式中,所述处理器801根据所述第二距离与所述采集定位信息确定所述目标物体的位置信息,包括:
获取采集轨迹方向;所述采集轨迹方向是根据任一目标图像中的第一图像的第一采集定位信息和第二图像的第二采集定位信息确定的;
根据所述采集轨迹方向与所述第二距离确定所述目标物体的位置信息。
在一种可能的实现方式中,所述处理器801根据所述像素数量确定所述目标物体与所述目标图像的采集点之间的目标距离,包括:
识别所述目标图像,确定所述目标图像包含的目标物体的物体类型;
根据距离识别模型、所述物体类型和所述像素数量确定所述目标物体与所述目标图像的采集点之间的距离。
在一种可能的实现方式中,所述处理器801根据距离识别模型、所述物体类型和所述像素数量确定所述目标物体与所述目标图像的采集点之间的距离之前,还用于:
获取包含样本物体的样本图像,获取所述样本图像的样本采集定位信息;
对所述样本图像进行图像识别处理,得到所述样本物体在所述样本图像中的样本像素数量;
识别所述样本图像,得到所述样本物体的样本物体类型;
根据样本距离识别模型、所述样本像素数量和所述样本物体类型确定所述样本物体与所述样本图像的采集点之间的样本距离;
获取所述样本物体与所述样本图像的采集点之间的距离标签;
根据所述距离标签和所述样本距离训练所述样本距离识别模型,得到所述距离识别模型。
本申请实施中,定位设备的处理器获取包含目标物体的目标图像和目标图像的采集定位信息,对目标图像进行图像识别处理,得到目标物体在目标图像中的像素数量,再根据像素数量确定目标物体与目标图像的采集点之间的目标距离,根据目标距离与采集定位信息确定目标物体的位置信息,通过上述方法,定位设备自动执行,不需要人工,可以节约人力资源成本,能高效地实现物体的定位。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备可以执行前文图2、图3和图5的流程图所对应实施例中的方法,因此,这里将不再进行赘述。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可能可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种定位方法,其特征在于,所述方法包括:
获取包含目标物体的目标图像,获取所述目标图像的采集定位信息,所述目标图像包括第一图像和第二图像,所述采集定位信息包括所述第一图像的第一采集定位信息和所述第二图像的第二采集定位信息;
对所述第一图像进行图像识别处理,得到所述目标物体在所述第一图像中的第一像素数量;
对所述第二图像进行图像识别处理,得到所述目标物体在所述第二图像中的第二像素数量;
根据所述第一采集定位信息和所述第二采集定位信息确定所述第一图像和所述第二图像的第一距离;
根据所述第一图像和所述第二图像的第一距离、所述第一像素数量、所述第二像素数量确定所述目标物体与所述目标图像的采集点之间的目标距离;
根据第一图像的第一采集定位信息与第二图像的第二采集定位信息确定目标物体的采集轨迹方向;
根据采集轨迹方向与目标距离确定目标物体的位置信息。
2.根据权利要求1所述的方法,其特征在于,所述目标图像属于图像集合,所述图像集合包括N张目标图像;
所述方法还包括:
获取所述N张目标图像的目标距离;
根据N个目标距离确定所述目标物体与所述目标图像集合的采集点集合之间的第二距离;
根据所述第二距离与所述采集定位信息确定所述目标物体的位置信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第二距离与所述采集定位信息确定所述目标物体的位置信息,包括:
获取采集轨迹方向;所述采集轨迹方向是根据任一目标图像中的第一图像的第一采集定位信息和第二图像的第二采集定位信息确定的;
根据所述采集轨迹方向与所述第二距离确定所述目标物体的位置信息。
4.根据权利要求1所述的方法,其特征在于,所述根据所述像素数量确定所述目标物体与所述目标图像的采集点之间的目标距离,包括:
识别所述目标图像,确定所述目标图像包含的目标物体的物体类型;
根据距离识别模型、所述物体类型和所述像素数量确定所述目标物体与所述目标图像的采集点之间的距离。
5.根据权利要求4所述的方法,其特征在于,所述根据距离识别模型、所述物体类型和所述像素数量确定所述目标物体与所述目标图像的采集点之间的距离之前,所述方法还包括:
获取包含样本物体的样本图像,获取所述样本图像的样本采集定位信息;
对所述样本图像进行图像识别处理,得到所述样本物体在所述样本图像中的样本像素数量;
识别所述样本图像,得到所述样本物体的样本物体类型;
根据样本距离识别模型、所述像素数量和所述样本物体类型确定所述样本物体与所述样本图像的采集点之间的样本距离;
获取所述样本物体与所述样本图像的采集点之间的距离标签;
根据所述距离标签和所述样本距离训练所述样本距离识别模型,得到所述距离识别模型。
6.一种定位装置,其特征在于,所述装置包括:
获取单元,用于获取包含目标物体的目标图像,获取所述目标图像的采集定位信息,所述目标图像包括第一图像和第二图像,所述采集定位信息包括所述第一图像的第一采集定位信息和所述第二图像的第二采集定位信息;
处理单元,用于对所述第一图像进行图像识别处理,得到所述目标物体在所述第一图像中的第一像素数量;对所述第二图像进行图像识别处理,得到所述目标物体在所述第二图像中的第二像素数量;
确定单元,用于根据所述第一采集定位信息和所述第二采集定位信息确定所述第一图像和所述第二图像的第一距离;根据所述第一图像和所述第二图像的第一距离、所述第一像素数量、所述第二像素数量确定所述目标物体与所述目标图像的采集点之间的目标距离;
所述确定单元,用于根据第一图像的第一采集定位信息与第二图像的第二采集定位信息确定目标物体的采集轨迹方向;根据采集轨迹方向与目标距离确定目标物体的位置信息。
7.一种定位设备,其特征在于,所述定位设备包括:
存储器,用于存储计算机程序;
处理器,运行所述计算机程序;实现如权利要求1-5任一项所述的定位方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器实现如权利要求1-5任一项所述的定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010950647.6A CN112102398B (zh) | 2020-09-10 | 2020-09-10 | 一种定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010950647.6A CN112102398B (zh) | 2020-09-10 | 2020-09-10 | 一种定位方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102398A CN112102398A (zh) | 2020-12-18 |
CN112102398B true CN112102398B (zh) | 2022-07-29 |
Family
ID=73750929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010950647.6A Active CN112102398B (zh) | 2020-09-10 | 2020-09-10 | 一种定位方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102398B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114216462B (zh) * | 2021-10-26 | 2024-06-11 | 北京星航机电装备有限公司 | 一种agv自然导航与末端定位的控制系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5548482B2 (ja) * | 2010-02-26 | 2014-07-16 | キヤノン株式会社 | 位置姿勢計測装置、位置姿勢計測方法、プログラム及び記憶媒体 |
TW201937452A (zh) * | 2018-03-01 | 2019-09-16 | 緯創資通股份有限公司 | 定位系統及方法及電腦可讀取儲存媒體 |
CN110132274A (zh) * | 2019-04-26 | 2019-08-16 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种室内定位方法、装置、计算机设备及存储介质 |
CN110458888A (zh) * | 2019-07-23 | 2019-11-15 | 深圳前海达闼云端智能科技有限公司 | 基于图像的测距方法、装置、存储介质和电子设备 |
CN111311675B (zh) * | 2020-02-11 | 2022-09-16 | 腾讯科技(深圳)有限公司 | 车辆定位方法、装置、设备和存储介质 |
-
2020
- 2020-09-10 CN CN202010950647.6A patent/CN112102398B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112102398A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109931945B (zh) | Ar导航方法、装置、设备和存储介质 | |
US8442307B1 (en) | Appearance augmented 3-D point clouds for trajectory and camera localization | |
CN110874362A (zh) | 一种数据关联分析方法及装置 | |
CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
CN112954399B (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN109902681B (zh) | 用户群体关系确定方法、装置、设备及存储介质 | |
CN111709382A (zh) | 人体轨迹处理方法、装置、计算机存储介质以及电子设备 | |
CN114612902A (zh) | 图像语义分割方法、装置、设备、存储介质及程序产品 | |
CN110363193B (zh) | 车辆重识别方法、装置、设备和计算机存储介质 | |
CN117197388A (zh) | 一种基于生成对抗神经网络和倾斜摄影的实景三维虚拟现实场景构建方法及系统 | |
CN115577768A (zh) | 半监督模型训练方法和装置 | |
CN112102398B (zh) | 一种定位方法、装置、设备及存储介质 | |
CN111753766B (zh) | 一种图像处理方法、装置、设备及介质 | |
CN113688839A (zh) | 视频处理方法及装置、电子设备、计算机可读存储介质 | |
CN111767839B (zh) | 一种车辆行驶轨迹确定方法、装置、设备及介质 | |
CN112529116B (zh) | 场景元素融合处理方法、装置和设备及计算机存储介质 | |
CN114419338B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN113887384B (zh) | 基于多轨迹融合的行人轨迹分析方法、装置、设备及介质 | |
CN112651351B (zh) | 一种数据处理的方法和装置 | |
CN112215205B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN112732446B (zh) | 一种任务处理方法、装置及存储介质 | |
CN112258647B (zh) | 地图重建方法及装置、计算机可读介质和电子设备 | |
CN115115513A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111461091B (zh) | 万能指纹生成方法和装置、存储介质及电子装置 | |
CN114119757A (zh) | 图像处理方法、装置、设备、介质和计算机程序产品 |
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 |