CN112348029B - 局部地图调整方法、装置、设备和计算机可读介质 - Google Patents

局部地图调整方法、装置、设备和计算机可读介质 Download PDF

Info

Publication number
CN112348029B
CN112348029B CN202110020916.3A CN202110020916A CN112348029B CN 112348029 B CN112348029 B CN 112348029B CN 202110020916 A CN202110020916 A CN 202110020916A CN 112348029 B CN112348029 B CN 112348029B
Authority
CN
China
Prior art keywords
local map
feature point
feature
object image
preset
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
Application number
CN202110020916.3A
Other languages
English (en)
Other versions
CN112348029A (zh
Inventor
郭培恺
倪凯
骆沛
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.)
Heduo Technology Guangzhou Co ltd
Original Assignee
HoloMatic Technology Beijing 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 HoloMatic Technology Beijing Co Ltd filed Critical HoloMatic Technology Beijing Co Ltd
Priority to CN202110020916.3A priority Critical patent/CN112348029B/zh
Publication of CN112348029A publication Critical patent/CN112348029A/zh
Application granted granted Critical
Publication of CN112348029B publication Critical patent/CN112348029B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了局部地图调整方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：获取局部地图；对局部地图进行语义分割，得到分割后的局部地图，其中，分割后的局部地图包括动态物体图像区域和静态物体图像区域；对分割后的局部地图包括的动态物体图像区域和静态物体图像区域进行特征点标注，得到标注后的局部地图；将标注后的局部地图包括的动态物体图像区域对应的特征点集合进行剔除，得到剔除后的局部地图；对剔除后的局部地图进行调整，得到调整后的局部地图。该实施方式实现了对局部地图的调整，提高了用户体验，为用户的生活提供了便利。

Description

局部地图调整方法、装置、设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及局部地图调整方法、装置、设备和计算机可读介质。
背景技术
局部地图，是自动驾驶领域中与自动泊车相关的一项基本内容。目前，与局部地图调整相关的方法通常是：首先，使用基于特征点的视觉前端构建局部环境地图，之后，通过手动来对局部地图进行调整从而保障局部地图的实时性。
然而，当采用上述方法进行局部地图调整时，往往会存在如下技术问题：
第一，由于未对局部地图的特征提取区域进行限制，从而，导致调整的局部地图中存在动态物体区域上的特征，进而，影响局部地图的调整质量，造成用户体验较差。
第二，由于未考虑对局部地图中的静态物体区域进一步调整，从而，导致静态物体区域中可能存在一些具有干扰性的特征点，进而，影响局部地图的调整。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了局部地图调整方法、装置、电子设备和介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种局部地图调整方法，该方法包括：获取局部地图；对上述局部地图进行语义分割，得到分割后的局部地图，其中，上述分割后的局部地图包括动态物体图像区域和静态物体图像区域；对上述分割后的局部地图包括的动态物体图像区域和静态物体图像区域进行特征点标注，得到标注后的局部地图；将上述标注后的局部地图包括的动态物体图像区域对应的特征点集合进行剔除，得到剔除后的局部地图；对上述剔除后的局部地图进行调整，得到调整后的局部地图。
第二方面，本公开的一些实施例提供了一种局部地图调整装置，该装置包括：获取单元，被配置成获取局部地图；分割单元，被配置成对上述局部地图进行语义分割，得到分割后的局部地图，其中，上述分割后的局部地图包括动态物体图像区域和静态物体图像区域；标注单元，被配置成对上述分割后的局部地图包括的动态物体图像区域和静态物体图像区域进行特征点标注，得到标注后的局部地图；剔除单元，被配置成将上述标注后的局部地图包括的动态物体图像区域对应的特征点集合进行剔除，得到剔除后的局部地图；调整单元，被配置成对上述剔除后的局部地图进行调整，得到调整后的局部地图。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的局部地图调整方法能够有效地对局部地图进行调整，从而，提高局部地图的质量。具体来说，影响局部地图的调整质量，造成用户体验较差的原因在于：目前与局部地图调整相关的方法通常是：首先，使用基于特征点的视觉前端构建局部环境地图，之后，通过手动来对局部地图进行调整从而保障局部地图的实时性，由于未对局部地图的特征提取区域进行限制，从而，导致调整的局部地图中存在动态物体区域上的特征，进而，影响局部地图的调整质量，造成用户体验较差。基于此，本公开的一些实施例提出了局部地图调整方法，首先，获取局部地图。由此可以得到需要进行调整的局部地图。然后，对上述局部地图进行语义分割，得到分割后的局部地图，其中，上述分割后的局部地图包括动态物体图像区域和静态物体图像区域。由此可以通过对局部地图进行分割，从而，区分出局部地图中的动态图像区域和静态图像区域，进而，对局部地图中的特征提取区域进行限制。之后，对上述分割后的局部地图包括的动态物体图像区域和静态物体图像区域进行特征点标注，得到标注后的局部地图。由此可以得到局部地图中的动态物体图像区域和静态物体图像区域上的特征点，从而，可以根据特征点对局部地图进行调整。接着，将上述标注后的局部地图包括的动态物体图像区域对应的特征点集合进行剔除，得到剔除后的局部地图。由此可以在离线状态下删除局部地图中存在的动态物体图像区域上的特征点。最后，对上述剔除后的局部地图进行调整，得到调整后的局部地图。由于可以通过对剔除了动态物体区域上的特征点的局部地图进一步调整，从而，保证了局部地图的调整质量。由于在局部地图调整过程中增加了语义信息，通过对局部地图进行语义分割，分割出动态物体图像区域和静态物体图像区域，从而，可以在离线状态下对动态物体图像区域中的特征点剔除，以及通过对剔除了动态物体区域上的特征点的局部地图进一步调整，进而，保证了局部地图的调整质量，提高了用户体验。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的局部地图调整方法的一个应用场景示意图；
图2是根据本公开的局部地图调整方法的一些实施例的流程图；
图3是根据本公开的局部地图调整装置的一些实施例的结构示意图；
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的局部地图调整方法的一个应用场景的示意图。
如图1所示，首先，计算设备101可以获取局部地图102。对上述局部地图102进行语义分割，得到分割后的局部地图103，其中，上述分割后的局部地图103包括动态物体图像区域和静态物体图像区域。对上述分割后的局部地图103包括的动态物体图像区域和静态物体图像区域进行特征点标注，得到标注后的局部地图104。将上述标注后的局部地图104包括的动态物体图像区域对应的特征点集合进行剔除，得到剔除后的局部地图105。对上述剔除后的局部地图105进行调整，得到调整后的局部地图106。可选地，将上述调整后的局部地图106输入至目标车辆的车载终端107，以供上述车载终端107根据上述调整后的局部地图106操纵上述目标车辆行驶。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的局部地图调整方法的一些实施例的流程200。该局部地图调整方法，包括以下步骤：
步骤201，获取局部地图。
在一些实施例中，局部地图调整方法的执行主体（如图1所示的计算设备101）可以通过有线连接方式或者无线连接方式从目标车辆的车载相机中获取局部地图。其中，上述局部地图可以是目标车辆周围的环境地图。
步骤202，对局部地图进行语义分割，得到分割后到的局部地图。
在一些实施例中，上述执行主体可以对局部地图进行语义分割，得到分割后到的局部地图。其中，上述分割后的局部地图可以包括动态物体图像区域和静态物体图像区域。
具体的，上述动态物体图像区域可以是实际情况中移动的物体在上述局部地图中占据的区域（例如，行人和行驶的车辆等）。上述静态物体图像区域可以是实际情况中静止的物体在上述局部地图中占据的区域（例如，静止的建筑物和长时间停放的汽车）。上述对对局部地图进行语义分割可以是通过引入语义信息，将局部地图输入至语义分割模型进行语义分割。上述语义分割模型可以是神经网络模型。上述语义信息可以是能够消除局部地图中不确定性的区域的有一定意义的信息。
作为示例，上述动态物体图像区域可以包括行人，正在行驶的汽车。上述静态物体图像区域可以包括静止的建筑物，停放长时间的汽车。上述语义分割模型可以是卷积神经网络模型。
在一些实施例的一些可选的实现方式中，上述执行主体可以对上述局部地图进行语义分割，得到分割后的局部地图，可以包括以下步骤：
具体的，将上述局部地图输入至预先训练的语义分割模型，得到分割后的局部地图。其中，上述语义分割模型用于分割局部地图中的动态物体图像区域和静态物体图像区域。上述语义分割模型的训练可以包括但不限于：首先，获取需要进行训练的图像序列。然后，将上述图像序列输入至搭建好的语义分割模型。之后，可以通过调节语义分割模型中的相关参数，使得语义分割模型中损失函数的输出结果的越来越小。直到损失函数的输出结果相对最小，完成语义分割模型的训练。上述语义分割模型可以是神经网络模型。上述语义分割模型中的相关参数可以包括但不限于：语义分割模型的学习率，语义分割模型的迭代次数，语义分割模型的权重等。上述语义分割模型的学习率可以是更新语义分割模型权重的幅度大小。上述语义分割模型的迭代次数可以是语义分割模型进行训练的次数。
作为示例，上述语义分割模型的学习率可以是0.00001。上述语义分割模型的迭代次数可以是100次。上述语义分割模型的权重可以是0.0001。上述预先训练的语义分割模型可以是将图像序列输入至学习率为0.00001、迭代次数为100次、权重为0.0001的神经网络进行训练而得到的语义分割模型。上述分割后的局部地图可以是包括动态物体图像区域和静态物体图像区域的局部地图。
步骤203，对分割后的局部地图包括的动态物体图像区域和静态物体图像区域进行特征点标注，得到标注后的局部地图。
在一些实施例中，上述执行主体可以对分割后的局部地图包括的动态物体图像区域和静态物体图像区域进行特征点标注，得到标注后的局部地图。
具体的，上述标注后的局部地图可以是含有动态物体图像区域和静态物体图像区域中特征点的局部地图。上述对分割后的局部地图包括的动态物体图像区域和静态物体图像区域进行特征点标注可以是通过特征标注模型对分割后的局部地图包括的动态物体图像区域和静态物体图像区域进行特征点标注。上述特征标注模型可以是神经网络模型。
步骤204，将标注后的局部地图包括的动态物体图像区域对应的特征点集合进行剔除，得到剔除后的局部地图。
在一些实施例中，上述执行主体可以将标注后的局部地图包括的动态物体图像区域对应的特征点集合进行剔除，得到剔除后的局部地图。
具体的，上述剔除后的局部地图可以是含有静态物体图像区域对应的特征点集合的局部地图。上述将标注后的局部地图包括的动态物体图像区域对应的特征点集合进行剔除可以是通过随机抽样一致性方法对标注后的局部地图包括的动态物体图像区域对应的特征点集合进行剔除。
步骤205，对剔除后的局部地图进行调整，得到调整后的局部地图。
在一些实施例中，上述执行主体可以对剔除后的局部地图进行调整，得到调整后的局部地图。
具体的，上述对剔除后的局部地图进行调整可以是将局部地图包括的静态物体图像区域对应的特征点集合中存在的具有干扰性的特征点删除的调整。上述调整后的局部地图可以是剔除静态物体图像区域对应的特征点集合中存在的具有干扰性的特征点后的局部地图。
在一些实施例的一些可选的实现方式中，上述执行主体可以对上述剔除后的局部地图进行调整，得到调整后的局部地图，可以包括以下步骤：
第一步，上述执行主体可以对上述剔除后的局部地图包括的静态物体图像区域对应的特征点集合中的每个特征点进行置信度计算，以生成置信度，得到置信度集合。
具体的，上述对上述剔除后的局部地图包括的静态物体图像区域对应的特征点集合中的每个特征点进行置信度计算可以是通过数学公式对特征点的置信度进行计算。上述置信度可以是判断特征点是否保留的判断数值。上述置信度可以是0与1之间的任一数值。
作为示例，上述置信度集合可以是[0，0.54，1，0.82，0，0，0.65，0.73]。
可选地，上述执行主体可以对上述剔除后的局部地图包括的静态物体图像区域对应的特征点集合中的每个特征点进行置信度计算，以生成置信度，可以包括以下子步骤：
第一子步骤，获取目标相机的内参矩阵和上述特征点的世界坐标值。其中，上述世界坐标值是上述特征点在世界坐标系下的坐标值。
具体的，上述执行主体可以通过有线连接方式或者无线连接方式获取目标相机的内参矩阵和上述特征点的世界坐标值。上述内参矩阵可以是将3D相机坐标变换到2D齐次图像坐标的矩阵。上述世界坐标系可以是以目标车辆前后轴的轴心为原点，以与目标车辆后轴垂直、与地面平行的线为横轴，以与车辆后轴平行的线为纵轴，以与地面垂直的线为竖轴建立的坐标系。
作为示例，上述特征点的世界坐标值可以是[1米，5米，25米]。上述内参矩阵可以是：
Figure 969950DEST_PATH_IMAGE001
。
第二子步骤，基于预设定位次数，生成上述目标相机的位姿信息集合和上述特征点的像素坐标值集合。其中，上述位姿信息是上述目标相机在世界坐标系中的位姿信息，上述像素坐标值是上述特征点在相机坐标系中的坐标值，上述位姿信息包括旋转矩阵和平移向量。
具体的，上述执行主体可以是基于预设定位次数，生成上述目标相机的位姿信息集合和上述特征点的像素坐标值集合。根据预设的定位次数，利用剔除后的局部地图对上述目标车辆进行定位，生成上述目标相机的位姿信息集合和上述特征点的像素坐标值集合。上述相机坐标系可以是以相机的聚焦中心为原点，以光轴为竖轴建立的三维直角坐标系。上述预设定位次数可以是6次。上述利用剔除后的局部地图对上述目标车辆进行定位可以是通过车载定位装置对上述目标车辆进行定位。
作为示例，上述位姿信息集合可以是：
Figure 492199DEST_PATH_IMAGE002
。
上述特征点的像素坐标值集合可以是{[906，833]，[868，799]，[952，855]}。
第三子步骤，基于预设定位次数，确定上述世界坐标值与上述目标相机的光心距离，得到光心距离值集合。
具体的，上述执行主体可以是根据预设定位次数，通过距离计算公式确定每次定位时上述世界坐标值与上述目标相机的光心距离，得到光心距离值集合。上述距离计算公式可以是两点间距离公式。
作为示例，上述光心距离集合可以是[25米，25米，25米]。
第四子步骤，将上述内参矩阵、上述世界坐标值、上述位姿信息集合、上述像素坐标值集合和上述光心距离集合输入至以下公式，得到上述置信度：
Figure 66400DEST_PATH_IMAGE003
。
其中，
Figure 15901DEST_PATH_IMAGE004
表示上述置信度。
Figure 42763DEST_PATH_IMAGE005
表示上述特征点的第一参数。
Figure 634281DEST_PATH_IMAGE006
表示上述特征点的第二参数。
Figure 797409DEST_PATH_IMAGE007
表示上述预设定位次数。
Figure 917812DEST_PATH_IMAGE008
表示上述预设定位次数的序号。
Figure 697549DEST_PATH_IMAGE009
表示上述内参矩阵。
Figure 827179DEST_PATH_IMAGE010
表示上述旋转矩阵集合。
Figure 844814DEST_PATH_IMAGE011
表示上述平移向量集合。
Figure 667276DEST_PATH_IMAGE012
表示上述特征点的世界坐标值。
Figure 668730DEST_PATH_IMAGE013
表示上述光心距离集合。
Figure 336472DEST_PATH_IMAGE014
表示上述像素坐标值集合。
Figure 208613DEST_PATH_IMAGE015
表示上述像素坐标值集合中的第
Figure 201977DEST_PATH_IMAGE008
次定位时的像素坐标值。
Figure 690727DEST_PATH_IMAGE016
表示上述光心距离集合中的第
Figure 162160DEST_PATH_IMAGE008
次定位时的光心距离。
Figure 154386DEST_PATH_IMAGE017
表示上述旋转矩阵集合中的第
Figure 318652DEST_PATH_IMAGE008
次定位时的旋转矩阵。
Figure 29119DEST_PATH_IMAGE018
表示上述平移向量集合中的第
Figure 38663DEST_PATH_IMAGE008
次定位时的平移向量。
作为示例，上述预设定位次数可以是3。上述内参矩阵可以是：
Figure 416555DEST_PATH_IMAGE019
。上述旋转矩阵集合可以是：
Figure 220563DEST_PATH_IMAGE020
。上述平移向量集合可以是
Figure 683905DEST_PATH_IMAGE021
。上述特征点的世界坐标值可以是[1米，5米，25米]。上述像素坐标值集合可以是{[906，833]，[868，799]，[952，855]}。上述光心距离集合可以是[25米，25米，25米]。上述特征点第一参数可以是重投影误差的均值。例如，可以是0.9164。上述特征点第二参数可以是重投影误差的方差。例如，可以是0.2157。上述置信度可以是0.7170。
第二步，上述执行主体可以确定上述置信度集合中满足第一预设条件的置信度，作为目标置信度，得到目标置信度集合。
具体的，上述第一预设条件可以是置信度为0。作为示例，上述置信度集合可以是[0，0.54，1，0.82，0，0，0.65，0.73]。上述目标置信度集合可以是[0，0，0]。
第三步，上述执行主体可以对上述目标置信度集合中每个目标置信度对应的特征点进行剔除，得到第一调整后的局部地图。
具体的，上述对上述目标置信度集合中每个目标置信度对应的特征点进行剔除可以是通过随机抽样一致性方法对上述目标置信度集合中每个目标置信度对应的特征点进行剔除。
第四步，上述执行主体可以基于上述第一调整后的局部地图对应的特征点集合中的每个特征点，生成特征概率组，得到特征概率组集合。
具体的，上述生成特征概率组可以是通过数学公式生成特征概率组。作为示例，上述特征概率组可以是[0.9740，0.9655，0.9249，0.9327，0.8829，0.7696，0.8462]。
可选地，上述执行主体可以基于上述第一调整后的局部地图对应的特征点集合中的每个特征点，生成特征概率组，可以包括以下子步骤：
第一子步骤，基于上述预设定位次数和上述特征点，生成特征点记忆强度数据集合。
具体的，上述执行主体可以基于上述预设定位次数和上述特征点，生成特征点记忆强度数据集合。上述特征点记忆强度数据用于表征上述特征点在上述第一调整后的局部地图中的稳定性。根据预设定位次数对第一调整后的局部地图进行定位。
如果定位到特征点，通过第一预设公式对特征点记忆强度数据进行更新。上述第一预设公式可以是：
Figure 231561DEST_PATH_IMAGE022
。
其中，
Figure 463959DEST_PATH_IMAGE008
可以是预设定位次数的序号。
Figure 438868DEST_PATH_IMAGE023
可以是第
Figure 389507DEST_PATH_IMAGE008
次定位时的特征点记忆强度数据。
Figure 740854DEST_PATH_IMAGE024
可以是第
Figure 827758DEST_PATH_IMAGE025
次定位时的特征点记忆强度数据。
Figure 504727DEST_PATH_IMAGE026
可以是第一预设权值。
Figure 411504DEST_PATH_IMAGE027
可以是预设初始特征点记忆强度数据。
如果没有定位到特征点，通过第二预设公式对特征点记忆强度数据进行更新。上述第二预设公式可以是：
Figure 566541DEST_PATH_IMAGE028
。
其中，
Figure 507953DEST_PATH_IMAGE008
可以是预设定位次数的序号。
Figure 90244DEST_PATH_IMAGE023
可以是第
Figure 472597DEST_PATH_IMAGE008
次定位时的特征点记忆强度数据。
Figure 431326DEST_PATH_IMAGE029
可以是上一次定位到特征点时的定位次数。
Figure 227244DEST_PATH_IMAGE030
可以是上一次定位到特征点时的特征点记忆强度数据。
Figure 246015DEST_PATH_IMAGE031
可以是第二预设权值。
作为示例，上述预设定位次数可以是6。上述预设初始特征点记忆强度数据可以是19。上述第一预设权值可以是19。上述第二预设权值可以是3。上述根据预设定位次数对第一调整后的局部地图进行定位的结果可以是[定位到，定位到，未定位到，定位到，未定位到，未定位到，定位到]。上述特征点记忆强度数据集合可以是[38，57，38.413，57.413，40.160，22.908，41.908]（计算过程如下式）：
Figure 392963DEST_PATH_IMAGE032
。
第二子步骤，通过以下公式，生成特征概率组：
Figure 624224DEST_PATH_IMAGE033
。
其中，
Figure 274648DEST_PATH_IMAGE034
表示上述特征概率组。
Figure 198742DEST_PATH_IMAGE007
表示上述预设定位次数。
Figure 832985DEST_PATH_IMAGE008
表示上述预设定位次数的序号。
Figure 867938DEST_PATH_IMAGE035
表示上述特征概率组中的第
Figure 638447DEST_PATH_IMAGE008
次定位时的特征概率。
Figure 733442DEST_PATH_IMAGE036
表示上述特征点记忆强度数据集合。
Figure 854982DEST_PATH_IMAGE037
表示上述特征点记忆强度数据集合中的第
Figure 428046DEST_PATH_IMAGE008
次定位时的特征点记忆强度数据。
作为示例，上述特征点记忆强度数据集合可以是[38，57，38.413，57.413，40.160，22.908，41.908]。上述特征概率组可以是[0.9740，0.9655，0.9249，0.9327，0.8829，0.7696，0.8462]（计算过程如下式）：
Figure 318642DEST_PATH_IMAGE038
。
第五步，上述执行主体可以将上述特征概率组集合中满足第二预设条件的特征概率组对应的特征点进行调整，得到调整后的局部地图。
具体的，上述第二预设条件可以是特征概率组中存在数值小于0.3的特征概率。上述将上述特征概率组集合中满足第二预设条件的特征概率组对应的特征点进行调整可以是将上述特征概率组集合中满足第二预设条件的特征概率组对应的特征点从剔除后的局部地图中删除。
作为示例，上述特征概率组集合可以是{[0.9740，0.9655，0.9249，0.9327，0.8829，0.7696，0.8462]，[0.9740， 0.8890，0.8139，0.6725，0.4855，0.3523，0.2900]}。特征概率组[0.9740， 0.8890，0.8139，0.6725，0.4855，0.3523，0.2900]满足第二预设条件。将特征概率组[0.9740， 0.8890，0.8139，0.6725，0.4855，0.3523，0.2900]对应的特征点从剔除后的局部地图中删除。
上述公式及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“由于未考虑对局部地图中的静态物体区域进一步调整，从而，导致静态物体区域中可能存在一些具有干扰性的特征点，进而，影响局部地图的调整”。造成影响局部地图调整的因素往往如下：由于未考虑对局部地图中的静态物体区域中可能存在具有干扰性的特征点，从而，忽略了对静态物体区域的进一步调整，进而，影响局部地图的调整。如果解决了上述因素，考虑对局部地图中的静态物体区域中可能存在具有干扰性的特征点，对具有干扰性的特征点调整，就能够降低对局部地图进行调整时的影响。为了达到这一效果，本公开引入了与局部地图调整相关的公式，首先，对上述剔除后的局部地图包括的静态物体图像区域对应的特征点集合中的每个特征点进行置信度计算，以生成置信度，得到置信度集合。由此，可以通过特征点对应的置信度，判断是否将特征点剔除。然后，确定上述置信度集合中满足第一预设条件的置信度，作为目标置信度，得到目标置信度集合。由此可以通过目标置信度集合将具有干扰性的特征点剔除。之后，对上述目标置信度集合中每个目标置信度对应的特征点进行剔除，得到第一调整后的局部地图。由此可以得到第一次剔除具有干扰性的特征点的局部地图。接着，基于上述第一调整后的局部地图对应的特征点集合中的每个特征点，生成特征概率组，得到特征概率组集合。由此可以通过特征概率组集合，将静态物体区域中存在的具有干扰性的特征点进行第二次剔除。最后，将上述特征概率组集合中满足第二预设条件的特征概率组对应的特征点进行调整，得到调整后的局部地图。由此可以得到剔除了静态物体区域中的具有干扰性的特征点的局部地图。通过引入与局部地图调整相关的公式，对局部地图中的静态物体区域进一步调整，从而，对静态物体区域中可能存在一些具有干扰性的特征点进行调整，进而，降低对局部地图进行调整时的影响。
可选地，上述执行主体可以将上述调整后的局部地图输入至目标车辆的车载终端，以供上述车载终端根据上述调整后的局部地图操纵上述目标车辆行驶。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的局部地图调整方法能够有效地对局部地图进行调整，从而，提高局部地图的质量。具体来说，影响局部地图的调整质量，造成用户体验较差的原因在于：目前与局部地图调整相关的方法通常是：首先，使用基于特征点的视觉前端构建局部环境地图，之后，通过手动来对局部地图进行调整从而保障局部地图的实时性，由于未对局部地图的特征提取区域进行限制，从而，导致调整的局部地图中存在动态物体区域上的特征，进而，影响局部地图的调整质量，造成用户体验较差。基于此，本公开的一些实施例提出了局部地图调整方法，首先，获取局部地图。由此可以得到需要进行调整的局部地图。然后，对上述局部地图进行语义分割，得到分割后的局部地图，其中，上述分割后的局部地图包括动态物体图像区域和静态物体图像区域。由此可以通过对局部地图进行分割，从而，区分出局部地图中的动态图像区域和静态图像区域，进而，对局部地图中的特征提取区域进行限制。之后，对上述分割后的局部地图包括的动态物体图像区域和静态物体图像区域进行特征点标注，得到标注后的局部地图。由此可以得到局部地图中的动态物体图像区域和静态物体图像区域上的特征点，从而，可以根据特征点对局部地图进行调整。接着，将上述标注后的局部地图包括的动态物体图像区域对应的特征点集合进行剔除，得到剔除后的局部地图。由此可以在离线状态下删除局部地图中存在的动态物体图像区域上的特征点。最后，对上述剔除后的局部地图进行调整，得到调整后的局部地图。由于可以通过对剔除了动态物体区域上的特征点的局部地图进一步调整，从而，保证了局部地图的调整质量。由于在局部地图调整过程中增加了语义信息，通过对局部地图进行语义分割，分割出动态物体图像区域和静态物体图像区域，从而，可以在离线状态下对动态物体图像区域中的特征点剔除，以及通过对剔除了动态物体区域上的特征点的局部地图进一步调整，进而，保证了局部地图的调整质量，提高了用户体验。
进一步参考图3，作为对上述各图上述方法的实现，本公开提供了一种局部地图调整装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，一些实施例的局部地图调整装置300包括：获取单元301、分割单元302、标注单元303、剔除单元304和调整单元305。其中，获取单元301，被配置成获取局部地图；分割单元302，被配置成对上述局部地图进行语义分割，得到分割后的局部地图，其中，上述分割后的局部地图包括动态物体图像区域和静态物体图像区域；标注单元303，被配置成对上述分割后的局部地图包括的动态物体图像区域和静态物体图像区域进行特征点标注，得到标注后的局部地图；剔除单元304，被配置成将上述标注后的局部地图包括的动态物体图像区域对应的特征点集合进行剔除，得到剔除后的局部地图；调整单元305，被配置成对上述剔除后的局部地图进行调整，得到调整后的局部地图。
可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备（例如图1中的计算设备101）400的结构示意图。图4示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置（例如中央处理器、图形处理器等）401，其可以根据存储在只读存储器（ROM）402中的程序或者从存储装置408加载到随机访问存储器（RAM）403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（I/O）接口404也连接至总线404。
通常，以下装置可以连接至I/O接口404：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于——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。计算机可读存储介质的更具体地例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取局部地图；对上述局部地图进行语义分割，得到分割后的局部地图，其中，上述分割后的局部地图包括动态物体图像区域和静态物体图像区域；对上述分割后的局部地图包括的动态物体图像区域和静态物体图像区域进行特征点标注，得到标注后的局部地图；将上述标注后的局部地图包括的动态物体图像区域对应的特征点集合进行剔除，得到剔除后的局部地图；对上述剔除后的局部地图进行调整，得到调整后的局部地图。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、分割单元、标注单元、剔除单元和调整单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取局部地图的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方法。

Claims (6)

1.一种局部地图调整方法，包括：
步骤1，获取局部地图；
步骤2，对所述局部地图进行语义分割，得到分割后的局部地图，其中，所述分割后的局部地图包括动态物体图像区域和静态物体图像区域；
步骤3，对所述分割后的局部地图包括的动态物体图像区域和静态物体图像区域进行特征点标注，得到标注后的局部地图；
步骤4，将所述标注后的局部地图包括的动态物体图像区域对应的特征点集合进行剔除，得到剔除后的局部地图；
步骤5，对所述剔除后的局部地图进行调整，得到调整后的局部地图，其中，所述对所述剔除后的局部地图进行调整，得到调整后的局部地图，包括：
步骤51，对所述剔除后的局部地图包括的静态物体图像区域对应的特征点集合中的每个特征点进行置信度计算，以生成置信度，得到置信度集合，其中，所述对所述剔除后的局部地图包括的静态物体图像区域对应的特征点集合中的每个特征点进行置信度计算，以生成置信度，包括：
步骤511，获取目标相机的内参矩阵和所述特征点的世界坐标值，其中，所述世界坐标值是所述特征点在世界坐标系下的坐标值；
步骤512，基于预设定位次数，生成所述目标相机的位姿信息集合和所述特征点的像素坐标值集合，其中，所述位姿信息是所述目标相机在世界坐标系中的位姿信息，所述像素坐标值是所述特征点在相机坐标系中的坐标值，所述位姿信息包括旋转矩阵和平移向量；
步骤513，基于预设定位次数，确定所述世界坐标值与所述目标相机的光心距离，得到光心距离集合；
步骤514，将所述内参矩阵、所述世界坐标值、所述位姿信息集合、所述像素坐标值集合和所述光心距离集合输入至以下公式，得到所述置信度：
Figure DEST_PATH_IMAGE001
,
其中，
Figure 275142DEST_PATH_IMAGE002
表示所述置信度，
Figure 483270DEST_PATH_IMAGE003
表示所述特征点的第一参数，
Figure DEST_PATH_IMAGE004
表示所述特征点的第二参数，
Figure 983521DEST_PATH_IMAGE005
表示所述预设定位次数，
Figure 420450DEST_PATH_IMAGE006
表示所述预设定位次数的序号，
Figure 424178DEST_PATH_IMAGE007
表示所述内参矩阵，
Figure 68786DEST_PATH_IMAGE008
表示所述旋转矩阵的集合，
Figure DEST_PATH_IMAGE009
表示所述平移向量的集合，
Figure 790754DEST_PATH_IMAGE010
表示所述特征点的世界坐标值，
Figure DEST_PATH_IMAGE011
表示所述光心距离集合，
Figure DEST_PATH_IMAGE013
表示所述像素坐标值集合，
Figure 93691DEST_PATH_IMAGE014
表示所述像素坐标值集合中的第
Figure 686346DEST_PATH_IMAGE006
次定位时的像素坐标值，
Figure 252588DEST_PATH_IMAGE015
表示所述光心距离集合中的第
Figure 196273DEST_PATH_IMAGE006
次定位时的光心距离，
Figure 489851DEST_PATH_IMAGE016
表示所述旋转矩阵的集合中的第
Figure 202592DEST_PATH_IMAGE006
次定位时的旋转矩阵，
Figure 923424DEST_PATH_IMAGE017
表示所述平移向量的集合中的第
Figure 105137DEST_PATH_IMAGE006
次定位时的平移向量，所述特征点的第一参数是重投影误差的均值，所述特征点的第二参数是重投影误差的方差；
步骤52，确定所述置信度集合中满足第一预设条件的置信度，作为目标置信度，得到目标置信度集合；
步骤53，对所述目标置信度集合中每个目标置信度对应的特征点进行剔除，得到第一调整后的局部地图；
步骤54，基于所述第一调整后的局部地图对应的特征点集合中的每个特征点，生成特征概率组，得到特征概率组集合，其中，所述基于所述第一调整后的局部地图对应的特征点集合中的每个特征点，生成特征概率组，包括：
步骤541，基于所述预设定位次数和所述特征点，生成特征点记忆强度数据集合，其中，所述基于所述预设定位次数和所述特征点，生成特征点记忆强度数据集合，包括：
步骤5411，如果定位到特征点，通过第一预设公式对特征点记忆强度数据进行更新，所述第一预设公式是：
Figure DEST_PATH_IMAGE018
，
其中，
Figure 467986DEST_PATH_IMAGE006
是预设定位次数的序号，
Figure 35233DEST_PATH_IMAGE019
是第
Figure 926966DEST_PATH_IMAGE006
次定位时的特征点记忆强度数据，
Figure DEST_PATH_IMAGE020
是第
Figure 861555DEST_PATH_IMAGE021
次定位时的特征点记忆强度数据，
Figure 762515DEST_PATH_IMAGE023
是第一预设权值，
Figure DEST_PATH_IMAGE024
是预设初始特征点记忆强度数据；
步骤5412，如果没有定位到特征点，通过第二预设公式对特征点记忆强度数据进行更新，所述第二预设公式是：
Figure 449848DEST_PATH_IMAGE025
，
其中，
Figure 528794DEST_PATH_IMAGE006
是预设定位次数的序号，
Figure 403209DEST_PATH_IMAGE019
是第
Figure 107860DEST_PATH_IMAGE006
次定位时的特征点记忆强度数据，
Figure DEST_PATH_IMAGE026
是上一次定位到特征点时的定位次数，
Figure 931590DEST_PATH_IMAGE027
是上一次定位到特征点时的特征点记忆强度数据，
Figure DEST_PATH_IMAGE028
是第二预设权值；
步骤542，通过以下公式，生成特征概率组：
Figure 227442DEST_PATH_IMAGE029
，
其中，
Figure DEST_PATH_IMAGE030
表示所述特征概率组，
Figure 402203DEST_PATH_IMAGE005
表示所述预设定位次数，
Figure 379386DEST_PATH_IMAGE006
表示所述预设定位次数的序号，
Figure 775732DEST_PATH_IMAGE031
表示所述特征概率组中的第
Figure 445748DEST_PATH_IMAGE006
次定位时的特征概率，
Figure DEST_PATH_IMAGE032
表示所述特征点记忆强度数据集合，
Figure 107805DEST_PATH_IMAGE033
表示所述特征点记忆强度数据集合中的第
Figure 888679DEST_PATH_IMAGE006
次定位时的特征点记忆强度数据；
步骤55，将所述特征概率组集合中满足第二预设条件的特征概率组对应的特征点进行调整，得到调整后的局部地图，其中，调整是将局部地图包括的静态物体图像区域对应的特征点集合中存在的具有干扰性的特征点删除的调整。
2.根据权利要求1所述的方法，其中，所述方法还包括：
将所述调整后的局部地图输入至目标车辆的车载终端，以供所述车载终端根据所述调整后的局部地图操纵所述目标车辆行驶。
3.根据权利要求2所述的方法，其中，所述对所述局部地图进行语义分割，得到分割后的局部地图，包括：
将所述局部地图输入至预先训练的语义分割模型，得到分割后的局部地图，其中，所述语义分割模型用于分割局部地图中的动态物体图像区域和静态物体图像区域。
4.一种局部地图调整装置，包括：
步骤1，获取单元，被配置成获取局部地图；
步骤2，分割单元，被配置成对所述局部地图进行语义分割，得到分割后的局部地图，其中，所述分割后的局部地图包括动态物体图像区域和静态物体图像区域；
步骤3，标注单元，被配置成对所述分割后的局部地图包括的动态物体图像区域和静态物体图像区域进行特征点标注，得到标注后的局部地图；
步骤4，剔除单元，被配置成将所述标注后的局部地图包括的动态物体图像区域对应的特征点集合进行剔除，得到剔除后的局部地图；
步骤5，调整单元，被配置成对所述剔除后的局部地图进行调整，得到调整后的局部地图，其中，所述对所述剔除后的局部地图进行调整，得到调整后的局部地图，包括：
步骤51，对所述剔除后的局部地图包括的静态物体图像区域对应的特征点集合中的每个特征点进行置信度计算，以生成置信度，得到置信度集合，其中，所述对所述剔除后的局部地图包括的静态物体图像区域对应的特征点集合中的每个特征点进行置信度计算，以生成置信度，包括：
步骤511，获取目标相机的内参矩阵和所述特征点的世界坐标值，其中，所述世界坐标值是所述特征点在世界坐标系下的坐标值；
步骤512，基于预设定位次数，生成所述目标相机的位姿信息集合和所述特征点的像素坐标值集合，其中，所述位姿信息是所述目标相机在世界坐标系中的位姿信息，所述像素坐标值是所述特征点在相机坐标系中的坐标值，所述位姿信息包括旋转矩阵和平移向量；
步骤513，基于预设定位次数，确定所述世界坐标值与所述目标相机的光心距离，得到光心距离集合；
步骤514，将所述内参矩阵、所述世界坐标值、所述位姿信息集合、所述像素坐标值集合和所述光心距离集合输入至以下公式，得到所述置信度：
Figure 155843DEST_PATH_IMAGE001
,
其中，
Figure 731181DEST_PATH_IMAGE002
表示所述置信度，
Figure 333064DEST_PATH_IMAGE003
表示所述特征点的第一参数，
Figure 917629DEST_PATH_IMAGE004
表示所述特征点的第二参数，
Figure 288567DEST_PATH_IMAGE005
表示所述预设定位次数，
Figure 785539DEST_PATH_IMAGE006
表示所述预设定位次数的序号，
Figure 609139DEST_PATH_IMAGE007
表示所述内参矩阵，
Figure 997395DEST_PATH_IMAGE008
表示所述旋转矩阵的集合，
Figure 957260DEST_PATH_IMAGE009
表示所述平移向量的集合，
Figure 139980DEST_PATH_IMAGE010
表示所述特征点的世界坐标值，
Figure 478906DEST_PATH_IMAGE011
表示所述光心距离集合，
Figure 405274DEST_PATH_IMAGE013
表示所述像素坐标值集合，
Figure 219646DEST_PATH_IMAGE014
表示所述像素坐标值集合中的第
Figure 838846DEST_PATH_IMAGE006
次定位时的像素坐标值，
Figure 387770DEST_PATH_IMAGE015
表示所述光心距离集合中的第
Figure 852250DEST_PATH_IMAGE006
次定位时的光心距离，
Figure 786708DEST_PATH_IMAGE016
表示所述旋转矩阵的集合中的第
Figure 576809DEST_PATH_IMAGE006
次定位时的旋转矩阵，
Figure 596718DEST_PATH_IMAGE017
表示所述平移向量的集合中的第
Figure 615620DEST_PATH_IMAGE006
次定位时的平移向量，所述特征点的第一参数是重投影误差的均值，所述特征点的第二参数是重投影误差的方差；
步骤52，确定所述置信度集合中满足第一预设条件的置信度，作为目标置信度，得到目标置信度集合；
步骤53，对所述目标置信度集合中每个目标置信度对应的特征点进行剔除，得到第一调整后的局部地图；
步骤54，基于所述第一调整后的局部地图对应的特征点集合中的每个特征点，生成特征概率组，得到特征概率组集合，其中，所述基于所述第一调整后的局部地图对应的特征点集合中的每个特征点，生成特征概率组，包括：
步骤541，基于所述预设定位次数和所述特征点，生成特征点记忆强度数据集合，其中，所述基于所述预设定位次数和所述特征点，生成特征点记忆强度数据集合，包括：
步骤5411，如果定位到特征点，通过第一预设公式对特征点记忆强度数据进行更新，所述第一预设公式是：
Figure DEST_PATH_IMAGE034
，
其中，
Figure 201322DEST_PATH_IMAGE006
是预设定位次数的序号，
Figure 162325DEST_PATH_IMAGE019
是第
Figure 420262DEST_PATH_IMAGE006
次定位时的特征点记忆强度数据，
Figure 226544DEST_PATH_IMAGE035
是第
Figure 666753DEST_PATH_IMAGE021
次定位时的特征点记忆强度数据，
Figure 267499DEST_PATH_IMAGE023
是第一预设权值，
Figure 527579DEST_PATH_IMAGE024
是预设初始特征点记忆强度数据；
步骤5412，如果没有定位到特征点，通过第二预设公式对特征点记忆强度数据进行更新，所述第二预设公式是：
Figure 888284DEST_PATH_IMAGE025
，
其中，
Figure 651841DEST_PATH_IMAGE006
是预设定位次数的序号，
Figure 689067DEST_PATH_IMAGE019
是第
Figure 436443DEST_PATH_IMAGE006
次定位时的特征点记忆强度数据，
Figure 584527DEST_PATH_IMAGE026
是上一次定位到特征点时的定位次数，
Figure 218902DEST_PATH_IMAGE027
是上一次定位到特征点时的特征点记忆强度数据，
Figure 427030DEST_PATH_IMAGE028
是第二预设权值；
步骤542，通过以下公式，生成特征概率组：
Figure 927281DEST_PATH_IMAGE029
，
其中，
Figure 613477DEST_PATH_IMAGE030
表示所述特征概率组，
Figure 367938DEST_PATH_IMAGE005
表示所述预设定位次数，
Figure 746967DEST_PATH_IMAGE006
表示所述预设定位次数的序号，
Figure 937777DEST_PATH_IMAGE031
表示所述特征概率组中的第
Figure 693243DEST_PATH_IMAGE006
次定位时的特征概率，
Figure 302210DEST_PATH_IMAGE032
表示所述特征点记忆强度数据集合，
Figure 117719DEST_PATH_IMAGE033
表示所述特征点记忆强度数据集合中的第
Figure 61405DEST_PATH_IMAGE006
次定位时的特征点记忆强度数据；
步骤55，将所述特征概率组集合中满足第二预设条件的特征概率组对应的特征点进行调整，得到调整后的局部地图，其中，调整是将局部地图包括的静态物体图像区域对应的特征点集合中存在的具有干扰性的特征点删除的调整。
5.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
6.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-3中任一所述的方法。
CN202110020916.3A 2021-01-08 2021-01-08 局部地图调整方法、装置、设备和计算机可读介质 Active CN112348029B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110020916.3A CN112348029B (zh) 2021-01-08 2021-01-08 局部地图调整方法、装置、设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110020916.3A CN112348029B (zh) 2021-01-08 2021-01-08 局部地图调整方法、装置、设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN112348029A CN112348029A (zh) 2021-02-09
CN112348029B true CN112348029B (zh) 2021-08-10

Family

ID=74428160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110020916.3A Active CN112348029B (zh) 2021-01-08 2021-01-08 局部地图调整方法、装置、设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN112348029B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022131285A (ja) * 2021-02-26 2022-09-07 本田技研工業株式会社 地図生成装置
JP2022137532A (ja) * 2021-03-09 2022-09-22 本田技研工業株式会社 地図生成装置および位置認識装置
CN113542800B (zh) * 2021-06-28 2023-07-18 宜宾中星技术智能系统有限公司 视频画面定标方法、装置、终端设备
CN113704583B (zh) * 2021-10-27 2022-02-18 远江盛邦（北京）网络安全科技股份有限公司 网络疆域地图的坐标连续性调整方法及装置
CN117804423A (zh) * 2022-09-26 2024-04-02 华为云计算技术有限公司 一种重定位方法以及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10147193B2 (en) * 2017-03-10 2018-12-04 TuSimple System and method for semantic segmentation using hybrid dilated convolution (HDC)
CN110109465A (zh) * 2019-05-29 2019-08-09 集美大学 一种自导引车以及基于自导引车的地图构建方法
CN110736465B (zh) * 2019-11-15 2021-01-08 北京云迹科技有限公司 导航方法、装置、机器人及计算机可读存储介质
CN111882611B (zh) * 2020-07-17 2023-11-24 北京三快在线科技有限公司 一种地图构建方法及装置
CN112013841B (zh) * 2020-08-26 2021-08-06 南京工业大学 一种室内动态环境下的语义slam服务机器人导航方法
CN112101160B (zh) * 2020-09-04 2024-01-05 浙江大学 一种面向自动驾驶场景的双目语义slam方法

Also Published As

Publication number Publication date
CN112348029A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN112348029B (zh) 局部地图调整方法、装置、设备和计算机可读介质
CN113607185B (zh) 车道线信息显示方法、装置、电子设备和计算机可读介质
CN115540894B (zh) 车辆轨迹规划方法、装置、电子设备和计算机可读介质
CN112328731B (zh) 车辆车道级定位方法、装置、电子设备和计算机可读介质
CN112598731B (zh) 车辆定位方法、装置、电子设备和计算机可读介质
CN113674357B (zh) 相机外参标定方法、装置、电子设备和计算机可读介质
CN112183627B (zh) 生成预测密度图网络的方法和车辆年检标数量检测方法
CN115257727A (zh) 障碍物信息融合方法、装置、电子设备和计算机可读介质
CN114964296B (zh) 车辆行驶路径规划方法、装置、设备和计算机可读介质
CN114993328B (zh) 车辆定位评估方法、装置、设备和计算机可读介质
CN112464921B (zh) 障碍物检测信息生成方法、装置、设备和计算机可读介质
CN115326099A (zh) 局部路径规划方法、装置、电子设备和计算机可读介质
CN114399589A (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114445597B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN115713560A (zh) 一种摄像头和车辆的外参数标定方法及装置、电子设备、存储介质
CN111965383B (zh) 车速信息生成方法、装置、电子设备和计算可读介质
CN113592033B (zh) 油罐图像识别模型训练方法、油罐图像识别方法和装置
CN112232326A (zh) 行驶信息生成方法、装置、电子设备和计算机可读介质
CN115610415B (zh) 车辆距离控制方法、装置、电子设备和计算机可读介质
CN115512336B (zh) 基于路灯光源的车辆定位方法、装置和电子设备
CN114723640B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN115393826A (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN112528970A (zh) 路牌检测方法、装置、设备和计算机可读介质
CN113688721A (zh) 用于拟合车道线的方法及装置
CN111950238A (zh) 自动驾驶故障评分表生成方法、装置、电子设备

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806

Patentee after: Heduo Technology (Guangzhou) Co.,Ltd.

Address before: 100095 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing

Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd.