CN112116661A - 一种高精地图的构建方法及装置 - Google Patents

一种高精地图的构建方法及装置 Download PDF

Info

Publication number
CN112116661A
CN112116661A CN201910536836.6A CN201910536836A CN112116661A CN 112116661 A CN112116661 A CN 112116661A CN 201910536836 A CN201910536836 A CN 201910536836A CN 112116661 A CN112116661 A CN 112116661A
Authority
CN
China
Prior art keywords
image
camera
gray
point
pose
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
CN201910536836.6A
Other languages
English (en)
Other versions
CN112116661B (zh
Inventor
杨帅
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.)
Beijing Horizon Robotics Technology Research and Development Co Ltd
Original Assignee
Beijing Horizon Robotics Technology Research and Development Co Ltd
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 Beijing Horizon Robotics Technology Research and Development Co Ltd filed Critical Beijing Horizon Robotics Technology Research and Development Co Ltd
Priority to CN201910536836.6A priority Critical patent/CN112116661B/zh
Publication of CN112116661A publication Critical patent/CN112116661A/zh
Application granted granted Critical
Publication of CN112116661B publication Critical patent/CN112116661B/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
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • 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
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Image Processing (AREA)

Abstract

公开了一种高精地图的构建方法、装置、计算机可读存储介质和电子设备，该方法根据相机采集的至少一帧图像和所述相机的内部参数，获取像素坐标和空间坐标的球面成像模型；获取所述图像对应的第一灰度图像；根据所述球面成像模型、所述第一灰度图像和第一相机位姿，获取第二相机位姿和地图点；根据所述第二相机位姿和地图点，构建高精地图。本申请提供的技术方案通过球面成像模型表示相机的成像过程，并基于图像的灰度来进行高精地图的构建，可以有效改善高精地图的构建效率。

Description

一种高精地图的构建方法及装置
技术领域
本申请涉及电子地图技术领域，且更具体地，涉及一种高精地图的构建方法及装置。
背景技术
高精地图在自动驾驶的定位和规划中扮演着重要的角色，在进行高精地图的构建时通常会采用即时定位与地图构建(Simultaneous Localization and Mapping，SLAM)算法。
目前在采用SLAM算法构建高精地图时，多采用针孔成像模型表示相机的成像过程，而针孔成像模型的成像原理限制了相机的视角，从而在构建高精地图时，通常需要在多个运动方向采集多视角的图像，并对图像进行处理才能得到较为准确的高精地图，因此高精地图的构建效率不高。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种高精地图的构建方法、装置、计算机可读存储介质及电子设备，其通过球面成像模型表示相机的成像过程，并基于图像的灰度来进行高精地图的构建，可以有效改善高精地图的构建效率。
根据本申请的一个方面，提供了一种高精地图的构建方法，包括：
根据相机采集的至少一帧图像和所述相机的内部参数，获取像素坐标和空间坐标的球面成像模型；
获取所述图像对应的第一灰度图像；
根据所述球面成像模型、所述第一灰度图像和第一相机位姿，获取第二相机位姿和地图点；
根据所述第二相机位姿和地图点，构建高精地图。
根据本申请的第二方面，提供了一种高精地图的构建装置，包括：
第一获取模块，用于根据相机采集的至少一帧图像和所述相机的内部参数，获取像素坐标和空间坐标的球面成像模型；
第二获取模型，用于根据所述第一获取模块确定的所述图像获取对应的第一灰度图像；
优化模块，用于根据第一相机位姿、所述第一获取模块获取的所述球面成像模型、所述第二获取模块获取的所述第一灰度图像，获取第二相机位姿和地图点；
构建模块，用于根据所述优化模块获取的所述第二相机位姿和地图点，构建所述高精地图。
根据本申请的第三方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述的高精地图的构建方法。
根据本申请的第四方面，提供了一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述的高精地图的构建方法。
与现有技术相比，本申请提供的高精地图的构建方法、装置、计算机可读存储介质及电子设备，至少包括以下有益效果：
一方面，本实施例通过球面成像模型代替针孔成像模型表示相机的成像过程，该球面成像模型对相机与场景结构的方位关系，相机的视角均没有限制，可以使得获取的图像中携带有较多的场景结构信息，因此不需要在多个运动方向采集多视角的图像，从而有效改善高精地图的构建效率。
另一方面，本实施例利用优化相机位姿进行高精地图的构建，可以使得构建出的高精地图具有较高的准确性，同时利用带有深度信息的地图点进行高精地图的构建，使得构建出的高精地图可以更加准确地反映出真实世界中的场景结构。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本申请一示例性实施例提供的高精地图的构建方法的流程示意图；
图2是本申请一示例性实施例提供的高精地图的构建方法中确定球面成像模型的示意图；
图3是本申请一示例性实施例提供的高精地图的构建方法中步骤10的流程示意图；
图4是本申请一示例性实施例提供的高精地图的构建方法中步骤30前还包括的流程示意图；
图5是本申请一示例性实施例提供的高精地图的构建方法中步骤30的流程示意图；
图6是本申请一示例性实施例提供的高精地图的构建方法中步骤31的流程示意图；
图7是本申请一示例性实施例提供的高精地图的构建方法中步骤317前还包括的流程示意图；
图8是本申请一示例性实施例提供的高精地图的构建方法中步骤3167前还包括的流程示意图；
图9是本申请第一种示例性实施例提供的高精地图的构建装置的结构示意图；
图10是本申请第二种示例性实施例提供的高精地图的构建装置的结构示意图；
图11是本申请第三种示例性实施例提供的高精地图的构建装置的结构示意图；
图12是本申请第四种示例性实施例提供的高精地图的构建装置的结构示意图；
图13是本申请第四种示例性实施例提供的高精地图的构建装置中一种第一确定单元851的结构示意图；
图14是本申请第四种示例性实施例提供的高精地图的构建装置中另一种第一确定单元851的结构示意图；
图15是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
即时定位与地图构建(Simultaneous Localization and Mapping，SLAM)被广泛的应用于高精地图的构建中，而目前在利用SLAM进行构建高精地图时，多采用针孔成像模型表示相机的成像过程，而针孔成像模型的成像原理限制了相机的视角，在实际中为了获取较好的去畸变效果，针孔相机的视角一般小于90°，从而在进行高精地图的构建时，需要在多个运动方向采集多视角的图像，并对图像进行处理才能得到较为准确的高精地图，因此高精地图的构建效率不高。
本实施例提出了一种高精地图的构建方法，利用相机对图像进行实时采集，并预先标定相机的内部参数，从而可以获取表示像素坐标和当前相机坐标下的空间坐标间的投影关系的球面成像模型，球面成像模型对相机与场景结构的方位关系不做限制，对相机的视角不做限制，从而使得利用相机采集到的图像拥有更多的场景结构信息，则不需要在多个运动方向采集多视角的图像，有效改善高精地图的构建效率。不仅如此，本实施例利用优化相机位姿进行高精地图的构建，可以使得构建出的高精地图具有较高的准确性，同时利用带有深度信息的地图点进行高精地图的构建，使得构建出的高精地图可以更加准确地反映出真实世界中的场景结构。
在介绍本申请的基本构思之后，下面将结合附图来具体介绍本申请所述提供技术方案的各种非限制性实施例。
示例性方法
图1是本申请一示例性实施例提供的高精地图的构建方法的流程示意图。
本实施例可应用在电子设备上，具体可以应用于服务器或一般计算机上。如图1所示，本申请一示例性实施例提供的高精地图的构建方法至少包括如下步骤：
步骤10：根据相机采集的至少一帧图像和相机的内部参数，获取像素坐标和空间坐标的球面成像模型。
在本实施例中预先对相机进行标定，获取相机的内部参数，相机的内部参数是与相机自身特性相关的参数如相机焦距，像素大小等。在获取到相机的内部参数后，可以获取到像素坐标和在当前相机坐标系下的空间坐标间投影关系的球面成像模型。
具体地，如图2所示，可以通过如下步骤得到上述球面成像模型：
给定当前相机坐标系下一空间点：X(x,y,z)；
将该空间点投影到以相机为中心的相机球体上，则相机中心与该空间点的连线与相机球体的交点为
Figure BDA0002101444730000051
其中||x||表征向量X的模长；
将该交点经过针孔成像过程投影到成像平面上，其中针孔成像的光心为CS，则将该交点从当前相机坐标系转换到CS坐标系下，得到该交点在CS坐标系下的坐标
Figure BDA0002101444730000052
其中ξ是针孔成像的光心与相机中心间的距离；
将PS投影到归一化平面上，得到该空间点在归一化平面上的坐标
Figure BDA0002101444730000053
则，可以得到像素坐标和空间坐标间的球面成像模型：
Figure BDA0002101444730000054
其中，fx表征相机在X轴方向的焦距，fy表征相机在Y轴方向的焦距，cx,cy表征相机的光心坐标。
应当理解的是，上述给出的球面成像模型仅供参考，在本实施例中对球面成像模型的具体形式不作限定。
步骤30：获取图像对应的第一灰度图像。
通常利用相机采集到的图像为彩色图像，不利于计算机的直接识别和后续计算，因此对相机采集到的图像进行预处理，得到以图像对应的光度信息为像素坐标的第一灰度图像。车辆在行驶的过程中相机实时采集图像，并将采集到的图像进行快速的传送，因此相机会采集到一系列的图像，每一帧图像对应一帧第一灰度图像，则会得到一系列的第一灰度图像，并且随着相机对图像的采集，第一灰度图像的数量逐渐增加，因此本实施例提供的高精地图构建方法是在车辆行驶过程中不断执行的。
步骤50：根据球面成像模型、第一灰度图像和第一相机位姿，获取第二相机位姿和地图点。
在相机采集图像时，通常可以通过安装在车辆上的各种装置获取到相机采集图像时对应的第一相机位姿，第一相机位姿可以粗略的表示车辆的位置和姿态，如果直接利用第一相机位姿进行高精地图的构建，得到的高精地图的准确性较低，不能够准确的反映出真实世界的场景结构，因此需要对第一相机位姿进行优化得到第二相机位姿即优化相机位姿，第二相机位姿可以准确的表示车辆的位置和姿态。本实施例中，基于第一灰度图像携带的光度信息和球面成像模型完成对第一相机位姿的优化，并在第一灰度图像中进行关键像素点的选取(如根据灰度梯度进行关键像素点的选取)，并根据各个第一灰度图像间的相机位姿确定关键像素点对应的深度信息，从而得到地图点。
步骤70：根据第二相机位姿和地图点，构建高精地图。
在得到可以准确表示车辆的位置和姿态的第二相机位姿和带有深度信息的地图点后，则可以进行高精地图的构建。
本实施例提供的高精地图的构建方法的有益效果至少在于：
一方面，本实施例利用相机对图像进行实时采集，并预先标定相机的内部参数，从而可以获取表示像素坐标和当前相机坐标下的空间坐标间的投影关系的球面成像模型，球面成像模型不同于传统的针孔成像模型，传统的针孔成像模型要求采集的场景结构位于相机的前方，并且为了减小畸变的存在，传统的针孔成像模型通常要求相机的视角小于90°，但是本实施例中的球面成像模型对相机与场景结构的方位关系不做限制，对相机的视角不做限制，从而使得利用相机采集到的图像拥有更多的场景结构信息，则不需要在多个运动方向采集多视角的图像，有效改善高精地图的构建效率。
另一方面，本实施例利用优化相机位姿进行高精地图的构建，可以使得构建出的高精地图具有较高的准确性，同时利用带有深度信息的地图点进行高精地图的构建，使得构建出的高精地图可以更加准确地反映出真实世界中的场景结构。
图3示出了如图1所示的实施例中根据相机采集的至少一帧图像和相机的内部参数，获取像素坐标和空间坐标的球面成像模型步骤的流程示意图。
如图3所示，在上述图1所示实施例的基础上，本申请一个示例性实施例中，步骤10所示的获取像素坐标和空间坐标的球面成像模型步骤，具体可以包括如下步骤：
步骤11：通过鱼眼相机采集至少一帧鱼眼图像。
鱼眼相机是指带有鱼眼镜头的相机，源于鱼类观看水面的成像过程，是一种广角相机。传统的针孔相机的成像原理限制了针孔相机的视角小于180°，通常为了得到较好的去畸变效果，针孔相机的视角一般小于90°，而狭小的视角使得利用针孔相机采集到的图像携带的场景结构信息较少，而利用鱼眼相机可以一次性获取到的场景结构信息的范围至少为180°的半球空间，因此利用鱼眼相机采集到的鱼眼图像携带的场景结构信息较多，可以减少用于构建高精地图的图像数量，有效改善高精地图的构建效率。
鱼眼相机因为采集到的鱼眼图像具有较大的畸变效果，使得鱼眼相机的应用受到了限制，在本实施例中，利用鱼眼相机采集到鱼眼图像后，基于光度不变假设对第一相机位姿进行优化得到第二相机位姿，其中光度不变假设为同一空间点在连续帧图像中的像素点光度值相同，因此本实施例提供的高精地图的构建方法中可以仅考虑鱼眼图像携带的光度信息，即允许鱼眼图像畸变的存在。
步骤13：根据鱼眼图像和鱼眼相机的内部参数，获取像素坐标和空间坐标间的球面成像模型。
在通过鱼眼相机采集到鱼眼图像后，根据预先标定的鱼眼相机的内部参数，获取像素坐标和空间坐标间的球面成像模型。在确定一帧图像中像素坐标后，可以根据该球面成像模型得到该像素坐标对应在当前相机坐标系下的空间坐标；在确定当前相机坐标系下的一空间点的空间坐标后，根据该球面成像模型可以得到该空间点的像素坐标，即该球面成像模型可以反应像素坐标和相机坐标系下的空间坐标间的投影关系。
本实施例中利用鱼眼相机采集鱼眼图像，鱼眼相机可以采集到180°半球空间内的场景结构信息，因此采集到的鱼眼图像中携带有较多场景结构信息，可以减少用于构建高精地图的图像数量，有效改善高精地图的构建效率。
图4示出了如图1所示的实施例中在根据球面成像模型、第一灰度图像和第一相机位姿，获取第二相机位姿和地图点前，还包括的步骤流程示意图。
如图4所示，在上述图1所示实施例的基础上，本申请一个示例性实施例中，步骤30所示的获取第二相机位姿和地图点前，具体还可以包括如下步骤：
步骤21：获取相机的定位信息。
实现车辆的自动驾驶，需要时刻掌握车辆的定位信息，因此常常会在车辆上安装各种各样的可以获取车辆定位信息的装置，如惯性测量单元、车辆轮速计等。惯性测量单元可以提供车辆的加速度信息和角速度信息，利用提供的加速度信息和角速度信息对时间进行积分即可得到车辆的平移信息和旋转信息，从而获取车辆的定位信息，因为相机是固定安装在车上的，因此根据车辆的定位信息可以计算出相机的定位信息；车辆轮速计也可以读取到车辆的速度信息和角度信息，从而可以获取相机的定位信息；当然也可以通过车辆底盘提供的车辆速度数据和角度数据，获取相机的定位信息，本实施例中对于获取相机定位信息的方式不作限定。
步骤23：根据相机的定位信息获取第一相机位姿。
因为获取的相机的定位信息的准确性较低，因此需要对获取的定位信息进行优化，通常会根据相机的定位信息完成对相机在六个自由度的姿态估计，获取第一相机位姿，第一相机位姿可以粗略的表示车辆的位置和姿态，对第一相机位姿进行优化即可以得到优化相机位姿。虽然第一相机位姿不能准确的表示车辆的位置和姿态，但是却可以为优化相机位姿提供初始信息，即优化相机位姿在第一相机位姿的附近，因此获取第一相机位姿对于得到优化相机位姿是至关重要的。
本实施例中通过安装在车辆上的各种装置获取车辆的定位信息，从而计算出固定安装在车辆上的相机的定位信息，并根据定位信息获取第一相机位姿，从而得到相机采集图像时的粗略位置和姿态，为得到优化相机位姿提供初始信息。
图5示出了如图1所示的实施例中根据球面成像模型、第一灰度图像和第一相机位姿，获取第二相机位姿和地图点步骤的流程示意图。
如图5所示，在上述图1所示实施例的基础上，本申请一个示例性实施例中，步骤30所示的获取第二相机位姿和地图点步骤，具体可以包括如下步骤：
步骤31：在第一灰度图像中确定第二灰度图像，并确定第二灰度图像携带的成熟点。
相机对图像进行采集，会得到一系列的第一灰度图像，但是并不需要利用所有的第一灰度图像进行高精地图的构建，因为可能会出现多帧图像对应同一场景结构的情况，例如，车辆在行驶过程中遇见红灯时，车辆虽然处于停止状态，但是相机还在不断地采集图像，或遇见堵车或道路故障致使车辆行驶缓慢时，都会出现数量较多的重复图像，因此为了改善高精地图的构建效率，在第一灰度图像中确定出第二灰度图像，其中第二灰度图像为关键帧图像对应的灰度图像。
具体地，可以根据各个第一灰度图像携带的光度信息的差异情况来确定某一第一灰度图像是否对应关键帧图像。例如，当相机采集到第一帧图像时，可以直接将第一帧图像确定为关键帧图像，在相机采集到第二帧图像时，判断第一帧图像携带的光度信息和第二帧图像携带的光度信息是否满足预设条件，如果是，则将第二帧图像确定为关键帧图像，即第二帧图像对应的第一灰度图像确定为第二灰度图像，此时关键帧图像包括第一帧图像和第二帧图像，在相机采集到第三帧图像时，判断离第三帧图像最近的关键帧图像即第二帧图像携带的光度信息与第三帧图像携带的光度信息是否满足预设条件，随着相机不断的采集图像，不断地进行当前时刻采集到的图像与关键帧图像的光度信息比较，并确定出新的关键帧图像。上述中的预设条件可以根据用户需要自行设置，如可以设置为：计算当前时刻采集到的图像和与当前时刻最近的关键帧图像之间的光流的均方根，当计算得到的均方根大于一定阈值时则将当前时刻采集到的图像确定为关键帧图像。
当第一灰度图像被确定为第二灰度图像后，会在第二灰度图像中进行关键像素点的选取，因为第二灰度图像携带的光度信息彼此间存在较大差异，则在第二灰度图像中选取出相对较少的关键像素点即可以对应较多的真实世界的场景结构，避免选取出的关键像素点对应相同的真实世界的场景结构，从而有效改善高精地图的构建效率，在关键像素点选取之后，会对关键像素点的深度信息进行确定，使得关键像素点成为成熟点。
步骤33：根据球面成像模型、第二灰度图像、第二灰度图像的第一相机位姿和成熟点，获取第二相机位姿和地图点。
本实施例中，基于光度不变假设完成对第一相机位姿的优化。具体地，将关键帧图像对应的第二灰度图像加入到滑动窗口中，在滑动窗口中的多个第二灰度图像中选取出两个第二灰度图像，为了下述描述方便记为第一选取图像和第二选取图像，根据第一选取图像和第二选取图像分别对应的第一相机位姿确定出第一选取图像和第二选取图像分别对应的当前相机坐标系，并确定第一选取图像携带的成熟点的像素坐标，根据球面成像模型，确定第一选取图像携带的成熟点的像素坐标对应在第一选取图像的当前相机坐标系下的空间坐标，并继续将第一选取图像的当前相机坐标系下的空间坐标转换到第二选取图像的当前相机坐标系下的空间坐标，再次根据球面成像模型，进一步确定第二选取图像的当前相机坐标下的空间坐标投影在第二选取图像中的像素坐标，从而获取投影点对应的灰度值，确定成熟点在第一选取图像中的灰度值和投影点在第二选取图像中的灰度值的差值，因为同一空间点在连续帧图像中的像素点光度值相同，则最小化该差值即可以得到第二相机位姿。在确定了第二相机位姿后，对第二灰度图像携带的成熟点的深度信息进行优化得到更准确的深度信息，从而得到地图点。
本实施例中，在第一灰度图像中确定出关键帧图像对应的第二灰度图像，并确定第二灰度图像中的关键像素点的深度信息，从而确定第二灰度图像携带的成熟点，基于光度不变假设，通过最小化投影点与成熟点间的光度误差可以得到优化的第二相机位姿和地图点，避免利用全部的相机采集到的图像进行高精地图的构建，有效改善高精地图的构建效率。
图6示出了如图5所示的实施例中在第一灰度图像中确定第二灰度图像，并确定第二灰度图像携带的成熟点步骤的流程示意图。
如图6所示，在上述图5所示实施例的基础上，本申请一个示例性实施例中，步骤31所示的确定第二灰度图像携带的成熟点步骤，具体可以包括如下步骤：
步骤311：获取第三灰度图像。
第三灰度图像为相机在当前时刻采集到的最新图像对应的灰度图像，则第三灰度图像实质上属于第一灰度图像。
步骤313：在第一灰度图像中确定第二灰度图像，并在第二灰度图像中选取一帧第四灰度图像。
在获取到第三灰度图像后，在关键帧图像对应的第二灰度图像中选取出一帧第四灰度图像，第四灰度图像对应的图像为参考帧图像，用于与第三灰度图像携带的光度信息进行比较，以判断第三灰度图像是否能成为第二灰度图像。通常可以将上一帧被确定为关键帧图像对应的第二灰度图像确定为第四灰度图像，当然也可以在所有确定的第二灰度图像中进行选取，选取出与第三灰度图像携带的光度信息最相似的第二灰度图像为第四灰度图像，对于第四灰度图像的选取规则本实施例不作限定。
步骤315：确定第四灰度图像携带的成熟点、未成熟点和未成熟点的逆深度分布。
在相机采集图像的过程中，是将真实世界中的具有三维信息的空间点转换为图像中具有二维信息的像素点，因此图像中的像素点会丢失一维信息即深度信息，则在对第二灰度图像进行关键像素点的选取时，得到的关键像素点对应的二维信息即图像空间信息，将只知道图像空间信息的关键像素点称为未成熟点。对于一个未成熟点在多个相机位姿下进行观测，可以得到该未成熟点的逆深度分布，通过采用深度滤波的方式将未成熟点的逆深度分布的不确定性不断降低，得到未成熟点对应的准确的深度信息，即此时未成熟点的逆深度分布收敛，则将确定了深度信息的未成熟点称为成熟点。
步骤317：根据第三灰度图像更新未成熟点的逆深度分布。
在确定出第四灰度图像的未成熟点，并获取到第三灰度图像后，会根据第三灰度图像对未成熟点的逆深度分布进行更新，以降低未成熟点的逆深度分布的不确定性。
步骤319：若第三灰度图像和第四灰度图像满足预设条件，则将第三灰度图像确定为第一灰度图像中新的第二灰度图像，在第三灰度图像中选取新的未成熟点，并将深度收敛的未成熟点确定为新的成熟点。
相机对图像的采集是实时的，因此对应第二灰度图像的确定也是实时的，不断的根据第四灰度图像和第三灰度图像间的光度差异判断是否确定新的第二灰度图像，在确定了新的第二灰度图像后，证明第三灰度图像对应的场景结构较第四灰度图像对应的场景结构有较多的变换，因此需要在新的第二灰度图像中选取新的未成熟点，并将已经深度收敛的未成熟点确定为新的成熟点。
在一种可能的实现方式中，步骤317和步骤319可以融合为以下步骤：
判断第三灰度图像和第四灰度图像是否满足预设条件；
若第三灰度图像和第四灰度图像满足预设条件，则将第三灰度图像确定为第一灰度图像中新的第二灰度图像，并根据第三灰度图像更新未成熟点的逆深度分布，将深度收敛的未成熟点确定为新的成熟点，且在第三灰度图像中选取新的未成熟点。
若第三灰度图像和第四灰度图像不满足预设条件，则根据第三灰度图像更新未成熟点的逆深度分布。
本实施例中，通过相机当前时刻获取到的图像对应的第三灰度图像对第四灰度图像中的未成熟点的逆深度分布进行更新，以获取深度收敛的成熟点，保证每一个成熟点对应的深度信息的准确性，并在第二灰度图像中进行关键像素点的选取，有效地避免关键像素点选取的重合，有效改善高精地图的构建效率。
图7示出了如图6所示的实施例中在根据第三灰度图像更新未成熟点的逆深度分布前的流程示意图。
如图7所示，在上述图6所示实施例的基础上，本申请一个示例性实施例中，步骤317所示的根据第三灰度图像更新未成熟点的逆深度分布步骤前，具体还可以包括如下步骤：
步骤3161：确定第四灰度图像携带的成熟点的像素坐标和成熟点的像素坐标对应的第一灰度值。
第四灰度图像为参考帧图像，在获取到第三灰度图像后，需要根据第三灰度图像携带的光度信息和第四灰度图像携带的光度信息对第四灰度图像和第三灰度图像分别对应的第一相机位姿进行初步优化，以更新第四灰度图像和第三灰度图像分布对应的第一相机位姿，本实施例基于光度不变假设完成对第一相机位姿的初步优化，因此需要确定第四灰度图像携带的成熟点的像素坐标和成熟点的像素坐标对应的第一灰度值。
步骤3163：根据球面成像模型和成熟点的像素坐标，确定成熟点在第三灰度图像上对应的投影点。
在确定了成熟点的像素坐标后，根据球面成像模型确定该成熟点的像素坐标对应在第四灰度图像的当前相机坐标下的空间坐标，并将第四灰度图像的当前相机坐标下的空间坐标转换为第三灰度图像的当前相机坐标下的空间坐标，根据球面成像模型，进一步确定第三灰度图像的当前相机坐标下的空间坐标投影在第三灰度图像中的像素坐标，从而确定成熟点对应在第三灰度图像上的投影点。
步骤3165：确定投影点的像素坐标对应的第二灰度值。
根据光度不变假设需要得到投影点在第三灰度图像中的第二灰度值。
步骤3167：根据最小化第一灰度值和第二灰度值的差值，更新第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿。
因为投影点和成熟点对应在真实世界中的空间点是相同的，根据光度不变假设，则理论上投影点在第三灰度图像中的第二灰度值和成熟点在第四灰度图像中的第一灰度值应该是相同的，因此通过最小化第一灰度值和第二灰度值的差值，可以对第三灰度图像和第四灰度图像分别对应的第一相机位姿进行更新，即初步优化第一相机位姿。
本实施例在获取到第三灰度图像后，根据第四灰度图像携带的关键点，基于光度不变假设，完成对第一相机位姿的初步优化，因此在利用第三灰度图像对未成熟点的逆深度分布进行更新时，使用的是经过优化的第一相机位姿，从而可以保证成熟点携带的深度信息的准确性。
图8示出了如图7所示的实施例中根据最小化第一灰度值和第二灰度值的差值，更新第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿前的流程示意图。
如图8所示，在上述图7所示实施例的基础上，本申请一个示例性实施例中，步骤3167所示的更新第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿步骤前，具体还可以包括如下步骤：
步骤31661：根据相机的定位信息，确定第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿。
根据相机的定位信息，可以确定第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿。具体地，可以利用先验相机位姿即上一帧图像对应的第二相机位姿结合车辆底盘提供的速度信息和角度信息，确定第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿。
步骤31663：将第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿间的相对位姿确定为更新第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿的初始值。
将结合车辆底盘确定的第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿的相对位姿变换确定为更新初始值，可以保证进行更新后的第一相机位姿具有真实性。
本实施例中，通过由各种安装在车辆上的装置确定的相机的定位信息来确定第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿，则保证获取到的第一相机位姿具有一定程度上的真实性和准确性，并将第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿的相对位姿变换确定为更新初始值，从而使得经过更新的第一相机位姿具有更好的真实性和准确性。
示例性装置
基于与本申请方法实施例相同的构思，本申请实施例还提供了一种高精地图的构建装置。
图9示出了本申请一示例性实施例提供的高精地图的构建装置的结构示意图。
如图9所示，本申请一示例性实施例提供的高精地图的构建装置，包括：
第一获取模块81，用于根据相机采集的至少一帧图像和相机的内部参数，获取像素坐标和空间坐标的球面成像模型；
第二获取模型83，用于根据第一获取模块81确定的图像获取对应的第一灰度图像；
优化模块85，用于根据第一相机位姿、第一获取模块81获取的球面成像模型、第二获取模块83获取的第一灰度图像，获取第二相机位姿和地图点；
构建模块87，用于根据优化模块85获取的第二相机位姿和地图点，构建高精地图。
如图10所示，在一个示例性实施例中，第一获取模块81，包括：
鱼眼图像获取单元811：用于通过鱼眼相机采集至少一帧鱼眼图像；
模型获取单元813，用于根据鱼眼图像和鱼眼相机的内部参数，获取像素坐标和空间坐标间的球面成像模型。
如图11所示，在一个示例性实施例中，在优化模块85前，还包括：相机位姿获取模块84，其中，相机位姿获取模块，包括：
定位信息获取单元841，用于获取相机的定位信息；
相机位姿获取单元843，用于根据相机的定位信息获取第一相机位姿。
如图12所示，在一个示例性实施例中，优化模块85，包括：
第一确定单元851，用于在第一灰度图像中确定第二灰度图像，并确定第二灰度图像携带的成熟点；
优化单元853，用于根据球面成像模型、第二灰度图像、第二灰度图像的第一相机位姿和成熟点，获取第二相机位姿和地图点。
如图13所示，在一个示例性实施例中，第一确定单元851，包括：
获取子单元8511，用于获取第三灰度图像；
选取子单元8513，用于在第一灰度图像中确定第二灰度图像，并在第二灰度图像中选取一帧第四灰度图像；
确定子单元8515，用于确定第四灰度图像携带的成熟点、未成熟点和未成熟点的逆深度分布；
更新子单元8517，用于根据第三灰度图像更新未成熟点的逆深度分布；
判断子单元8519，用于若第三灰度图像和第四灰度图像满足预设条件，则将第三灰度图像确定为第一灰度图像中新的第二灰度图像，在第三灰度图像中选取新的未成熟点，并将深度收敛的未成熟点确定为新的成熟点。
如图14所示，在一个示例性实施例中，在更新子单元8517前，还包括：优化子单元8516，优化子单元8516用于执行以下步骤：
确定第四灰度图像携带的成熟点的像素坐标和成熟点的像素坐标对应的第一灰度值；
根据球面成像模型和成熟点的像素坐标，确定成熟点在第三灰度图像上对应的投影点；
确定投影点的像素坐标对应的第二灰度值；
根据最小化第一灰度值和第二灰度值的差值，更新第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿。
在另一个示例性实施例中，优化子单元8516用于执行以下步骤：
确定第四灰度图像携带的成熟点的像素坐标和成熟点的像素坐标对应的第一灰度值；
根据球面成像模型和成熟点的像素坐标，确定成熟点在第三灰度图像上对应的投影点；
确定投影点的像素坐标对应的第二灰度值；
根据相机的定位信息，确定第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿；
将第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿间的相对位姿确定为更新第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿的初始值。
根据最小化第一灰度值和第二灰度值的差值，更新第三灰度图像的第一相机位姿和第四灰度图像的第一相机位姿。
示例性电子设备
图15图示了根据本申请实施例的电子设备的框图。
如图15所示，电子设备100包括一个或多个处理器101和存储器102。
处理器101可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备100中的其他组件以执行期望的功能。
存储器102可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器101可以运行所述程序指令，以实现上文所述的本申请的各个实施例的高精地图的构建方法以及/或者其他期望的功能。
在一个示例中，电子设备100还可以包括：输入装置103和输出装置104，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
当然，为了简化，图15中仅示出了该电子设备100中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备100还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的高精地图的构建方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的高精地图的构建方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种高精地图的构建方法，包括：
根据相机采集的至少一帧图像和所述相机的内部参数，获取像素坐标和空间坐标的球面成像模型；
获取所述图像对应的第一灰度图像；
根据所述球面成像模型、所述第一灰度图像和第一相机位姿，获取第二相机位姿和地图点；
根据所述第二相机位姿和地图点，构建高精地图。
2.根据权利要求1所述的方法，其中，所述根据相机采集的至少一帧图像和所述相机的内部参数，获取像素坐标和空间坐标的球面成像模型，包括：
通过鱼眼相机采集至少一帧鱼眼图像；
根据所述鱼眼图像和所述鱼眼相机的内部参数，获取像素坐标和空间坐标间的球面成像模型。
3.根据权利要求1所述的方法，其中，在所述根据所述球面成像模型、所述第一灰度图像和第一相机位姿，获取第二相机位姿和地图点前，还包括：
获取相机的定位信息；
根据所述相机的定位信息获取第一相机位姿。
4.根据权利要求1所述的方法，其中，所述根据所述球面成像模型、所述第一灰度图像和第一相机位姿，获取第二相机位姿和地图点，包括：
在所述第一灰度图像中确定第二灰度图像，并确定所述第二灰度图像携带的成熟点；
根据所述球面成像模型、所述第二灰度图像、所述第二灰度图像的第一相机位姿和所述成熟点，获取第二相机位姿和地图点。
5.根据权利要求4所述的方法，其中，所述在所述第一灰度图像中确定第二灰度图像，并确定所述第二灰度图像携带的成熟点，包括：
获取第三灰度图像；
在所述第一灰度图像中确定第二灰度图像，并在所述第二灰度图像中选取一帧第四灰度图像；
确定所述第四灰度图像携带的成熟点、未成熟点和所述未成熟点的逆深度分布；
根据所述第三灰度图像更新所述未成熟点的逆深度分布；
若所述第三灰度图像和所述第四灰度图像满足预设条件，则将所述第三灰度图像确定为所述第一灰度图像中新的第二灰度图像，在所述第三灰度图像中选取新的未成熟点，并将深度收敛的未成熟点确定为新的成熟点。
6.根据权利要求5所述的方法，其中，在所述根据所述第三灰度图像更新所述未成熟点的逆深度分布前，还包括：
确定所述第四灰度图像携带的成熟点的像素坐标和所述成熟点的像素坐标对应的第一灰度值；
根据所述球面成像模型和所述成熟点的像素坐标，确定所述成熟点在所述第三灰度图像上对应的投影点；
确定所述投影点的像素坐标对应的第二灰度值；
根据最小化所述第一灰度值和所述第二灰度值的差值，更新所述第三灰度图像的第一相机位姿和所述第四灰度图像的第一相机位姿。
7.根据权利要求6所述的方法，其中，在所述更新所述第三灰度图像的第一相机位姿和所述第四灰度图像的第一相机位姿前，包括：
根据相机的定位信息，确定第三灰度图像的第一相机位姿和所述第四灰度图像的第一相机位姿；
将所述第三灰度图像的第一相机位姿和所述第四灰度图像的第一相机位姿间的相对位姿确定为更新所述第三灰度图像的第一相机位姿和所述第四灰度图像的第一相机位姿的初始值。
8.一种高精地图的构建装置，包括：
第一获取模块，用于根据相机采集的至少一帧图像和所述相机的内部参数，获取像素坐标和空间坐标的球面成像模型；
第二获取模型，用于根据所述第一获取模块确定的所述图像获取对应的第一灰度图像；
优化模块，用于根据第一相机位姿、所述第一获取模块获取的所述球面成像模型、所述第二获取模块获取的所述第一灰度图像，获取第二相机位姿和地图点；
构建模块，用于根据所述优化模块获取的所述第二相机位姿和地图点，构建所述高精地图。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述的高精地图的构建方法。
10.一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-7任一所述的高精地图的构建方法。
CN201910536836.6A 2019-06-20 2019-06-20 一种高精地图的构建方法及装置 Active CN112116661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910536836.6A CN112116661B (zh) 2019-06-20 2019-06-20 一种高精地图的构建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910536836.6A CN112116661B (zh) 2019-06-20 2019-06-20 一种高精地图的构建方法及装置

Publications (2)

Publication Number Publication Date
CN112116661A true CN112116661A (zh) 2020-12-22
CN112116661B CN112116661B (zh) 2024-07-16

Family

ID=73795906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910536836.6A Active CN112116661B (zh) 2019-06-20 2019-06-20 一种高精地图的构建方法及装置

Country Status (1)

Country Link
CN (1) CN112116661B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012040644A1 (en) * 2010-09-24 2012-03-29 Evolution Robotics, Inc. Systems and methods for vslam optimization
CN106934827A (zh) * 2015-12-31 2017-07-07 杭州华为数字技术有限公司 三维场景的重建方法和装置
CN106952219A (zh) * 2017-03-14 2017-07-14 成都通甲优博科技有限责任公司 一种基于外参数修正鱼眼像机的图像生成方法
CN107274336A (zh) * 2017-06-14 2017-10-20 电子科技大学 一种针对车载环境的全景图像拼接方法
CN108537848A (zh) * 2018-04-19 2018-09-14 北京工业大学 一种面向室内场景重建的两级位姿优化估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012040644A1 (en) * 2010-09-24 2012-03-29 Evolution Robotics, Inc. Systems and methods for vslam optimization
CN106934827A (zh) * 2015-12-31 2017-07-07 杭州华为数字技术有限公司 三维场景的重建方法和装置
CN106952219A (zh) * 2017-03-14 2017-07-14 成都通甲优博科技有限责任公司 一种基于外参数修正鱼眼像机的图像生成方法
CN107274336A (zh) * 2017-06-14 2017-10-20 电子科技大学 一种针对车载环境的全景图像拼接方法
CN108537848A (zh) * 2018-04-19 2018-09-14 北京工业大学 一种面向室内场景重建的两级位姿优化估计方法

Also Published As

Publication number Publication date
CN112116661B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
US11704833B2 (en) Monocular vision tracking method, apparatus and non-transitory computer-readable storage medium
CN110070615B (zh) 一种基于多相机协同的全景视觉slam方法
CN112444242B (zh) 一种位姿优化方法及装置
WO2019161813A1 (zh) 动态场景的三维重建方法以及装置和系统、服务器、介质
CN110148185B (zh) 确定成像设备坐标系转换参数的方法、装置和电子设备
CN110568447B (zh) 视觉定位的方法、装置及计算机可读介质
US11830216B2 (en) Information processing apparatus, information processing method, and storage medium
CN108955718B (zh) 一种视觉里程计及其定位方法、机器人以及存储介质
CN112700486B (zh) 对图像中路面车道线的深度进行估计的方法及装置
WO2022183685A1 (zh) 目标检测方法、电子介质和计算机存储介质
CN113052907B (zh) 一种动态环境移动机器人的定位方法
CN112017236A (zh) 一种基于单目相机计算目标物位置的方法及装置
CN115410167A (zh) 目标检测与语义分割方法、装置、设备及存储介质
CN114187589A (zh) 一种目标检测方法、装置、设备和存储介质
CN114529585A (zh) 基于深度视觉和惯性测量的移动设备自主定位方法
JP2018173882A (ja) 情報処理装置、方法、及びプログラム
CN112097742B (zh) 一种位姿确定方法及装置
CN115578432B (zh) 图像处理方法、装置、电子设备及存储介质
CN114648639B (zh) 一种目标车辆的检测方法、系统及装置
CN112212873A (zh) 一种高精地图的构建方法及装置
CN112116661B (zh) 一种高精地图的构建方法及装置
CN113011212B (zh) 图像识别方法、装置及车辆
JP2004020398A (ja) 空間情報獲得方法、空間情報獲得装置、空間情報獲得プログラム、及びそれを記録した記録媒体
CN112417924A (zh) 一种标志杆的空间坐标获取方法及装置
CN117057086B (zh) 基于目标识别与模型匹配的三维重建方法、装置及设备

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