CN112396696B - 一种基于特征点检测与分割的语义地图增量更新方法 - Google Patents
一种基于特征点检测与分割的语义地图增量更新方法 Download PDFInfo
- Publication number
- CN112396696B CN112396696B CN202011246768.9A CN202011246768A CN112396696B CN 112396696 B CN112396696 B CN 112396696B CN 202011246768 A CN202011246768 A CN 202011246768A CN 112396696 B CN112396696 B CN 112396696B
- Authority
- CN
- China
- Prior art keywords
- semantic
- semantic map
- map
- segmentation
- increment
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于特征点检测与分割的语义地图增量更新方法,包括以下步骤:S1.获取先前语义地图和室内外RGB图像,并对RGB图像进行预处理;S2.检测预处理后RGB图像的特征点,将采集的特征点与先前语义地图特征点进行匹配,并计算出相应的姿态变换矩阵;S3.计算预处理后RGB图像的语义分割结果;S4.根据姿态变换矩阵完成坐标变化,对比特征点在坐标变换前和变换后对应的语义标签是否一致,提取增量;S5.将提取的增量信息更新到先前语义地图中;S6.最后修复语义地图更新后出现的空缺区域,获得完整的语义地图。本发明在更新的过程中并不需要对没有改变的实物进行重新计算,节约了计算成本,加快了更新速度。
Description
技术领域
本发明涉及语义地图更新技术领域,更具体地,涉及一种基于特征点检测与分割的语义地图增量更新方法。
背景技术
随着我国科技的飞速发展,许多技术得以实现并应用到人们的生活中,如无人驾驶、机器人等。无人驾驶、机器人等这些技术都能大大改善人们的生活,提高工作效率。但是这些技术都需要获取周围环境的信息,然而实时处理获取的环境信息比较难实现,因此语义地图出现了,用来解决这种问题。它需要提前构建出来,然后给机器人使用。
由于语义地图是提前构建的,但是在实际的生活中,场景中的信息是随时可能发生变化的,因为需要语义地图也能随时进行改变以适应环境变化,从而保证语义地图的有效性。中国专利公开号:CN110298873A,公开日期:2019年7月5号,该专利公开了一种三维地图的构建方法、构建装置、机器人及可读存储介质,能够高效率快速根据实际场景更新语义地图。然而实际场景并不是所有的物体都会发生变化,只需要让语义地图只针对发生的地方进行更新,而不是进行全局更新。因为全局更新也需要对没变化的信息进行重新计算,导致浪费资源。
发明内容
本发明的目的在于克服现有语义地图更新都是对实际环境的全局进行重新采集跟计算,没有变化的环境实物也被反复采集跟计算,浪费资源的缺点,提供一种基于特征点检测与分割的语义地图增量更新系统。本发明在语义地图更新的过程中并不需要对没有改变的实物进行重新计算,节约了计算成本,加快了更新速度。
为解决上述技术问题,本发明采用的技术方案是:一种基于特征点检测与分割的语义地图增量更新方法,包括以下步骤:
S1.获取先前语义地图和室内外RGB图像,并对RGB图像进行预处理;
S2.检测预处理后RGB图像的特征点,将采集的特征点与先前语义地图特征点进行匹配,并计算出相应的姿态变换矩阵;
S3.计算预处理后RGB图像的语义分割结果;
S4.根据步骤S2的姿态变换矩阵完成坐标变化,对比特征点在坐标变换前和变换后对应的语义标签是否一致,从而提取增量;
S5.将提取的增量信息更新到先前语义地图中;
S6.修复语义地图更新后出现的空缺区域,获得完整的语义地图。
进一步的,所述步骤S1中通过双目相机采集室内外的RGB图像,计算出RGB图像中的深度信息,并进行剔除RGB图像中动态物的预处理。
进一步的,所述双目相机采集左右RGB图像,根据左右RGB图像计算深度信息。
进一步的,所述步骤S3中通过卷积神经网络的分割模型得到语义分割结果。由于物体的类别即语义信息不会受到光照、季节等环境因素影响,能够直接比较特征点间的语义标签,从而更准确地判断出是否存在发生变化的物体,而且操作简便。利用语义分割还能得到增量的形状,利于后期提取增量。
进一步的,所述步骤S4具体包括以下步骤:S41记录当前图像特征点在语义分割结果中所对应的语义标签;S42.利用姿态变换矩阵将当前图像及其语义分割结果映射到与先前语义地图相同的坐标系中;S43.对比特征点在坐标变换前和变换后对应的语义标签是否一致,从而提取增量。
进一步的,所述步骤S43中包括以下提取增量的方式:a.对比当前图像变换前特征点的语义标签与变换后特征点在先前语义地图对应的语义标签是否一致,若不一致,是增量出现,只需提取与该特征点有相同标签且处于同一连通域的像素所构成的掩膜;b.对比先前语义地图上特征点对应的语义标签与变换过来的语义分割上的语义标签是否一致,若不一致,是增量消失,只需提取与该特征点在先前语义地图上有相同标签且处于同一连通域的点构成的掩膜;c.在同一区域处出现上述两种情况,提取增量出现和增量消失所对应的掩膜。
本技术方案中,通过特征点的存在去寻找增量的存在,能够更加便捷地寻找到环境中增量;而且特征点对比的方法适用于同一场景不同视角,因此即使采集的图像与语义地图处于不同的视角,也能轻松定位到图像的位置并进行匹配。
进一步的,所述连通域是根据语义分割结果计算而得。
进一步的,所述步骤S5中包括以下增量更新方式:a.若存在增量出现,只需将提取的掩膜对应的语义信息替换到先前语义地图上;b.若存在增量消失或增量变换,就需要先将在先前语义地图上提取的掩膜对应的语义信息删除,并将在当前图像上提取的语义信息添加到先前语义地图上。
由于现实环境中变化的地方包括以下三种情况:新物体的出现、原来物体的消失以及物体之间的替换,本技术方案考虑了这三种情况,并制定了相应的增量提取以及更新方法,从而可以应用到各种复杂的变化情况并完成增量的提取。
进一步的,所述步骤S6中通过卷积神经网络来进行图像修复,根据语义地图上下文信息去修补其空缺的区域,获得完整的语义地图。本技术方案修复了语义地图增量更新后出现的空缺区域,使得更新后的语义地图中的语义信息更加连续以及准确。
进一步的,所述语义地图包括特征点信息和语义信息。
与现有技术相比,本发明的有益效果是:
本发明能够根据现实环境中变化,提取相应的增量,再将增量替换到之前的语义地图,只对局部变化的部分进行更新,减少计算量,节约计算成本,提高了语义地图的更新速度。
附图说明
图1为实施例1的结构示意图。
图2为实施例2的流程示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例1
如图1所示为本发明一种基于特征点检测与分割的语义地图增量更新方法的实施例。一种基于特征点检测与分割的语义地图增量更新方法,包括一种更新系统,更新系统包括数据输入模块、与数据输入模块连接的特征点检测与匹配模块和语义分割模块,还包括依次连接的增量提取模块、增量更新模块和地图修复模块,特征点检测与匹配模块和语义分割模块均与增量提取模块连接。
本实施例中,数据输入模块:利用双目相机采集室内和室外的RGB数据,并计算出对应的深度信息,接着对RGB数据进行处理从而剔除动态物,最后将该模块处理得到的数据和先前语义地图输入到特征点检测与匹配模块;特征点检测与匹配模块:对当前的图像进行特征点检测,接着对当前图像的特征点与先前语义地图特征点进行匹配,并利用匹配好的特征点计算出姿态变换矩阵,最后将特征点与姿态变换矩阵输入到增量提取模块;语义分割模块:利用基于卷积神经网络的语义分割模型得到当前采集的图像对应的语义分割结果,将语义信息输入到增量提取模块;增量提取模块:利用姿态变换矩阵将当前图像及其语义分割结果映射到与先前语义地图相同的坐标系下,接着比较当前图像特征点变换前对应的语义标签与变换后在语义地图上的标签是否一致,以及比较先前语义地图上特征点对应的语义标签与变换过来的语义分割上的语义标签是否一致,然后标签不一致的特征点即为增量,得到了增量特征点便可提取出整个增量,最后将提取的增量输入到增量更新模块;增量更新模块:先将先前语义地图中发生变化的语义信息删除,然后将增量对应的语义信息添加到先前语义地图中,将增量更新后语义地图输入到地图修复模块;地图修复模块:该模块修复语义地图更新后出现空缺区域,以适应周围的环境语义信息,最后就实现了语义地图的增量更新。
实施例2
如图2所示为本发明一种基于特征点检测与分割的语义地图增量更新方法的实施例。一种基于特征点检测与分割的语义地图增量更新方法,包括以下步骤:
步骤1、将双目相机采集的室内外RGB图像和先前语义地图输入数据输入模块;
步骤2、数据输入模块通过双目相机采集的室内外RGB图像计算深度。然后剔除图像中的动态物,避免动态物对后面检测结果产生影响;
步骤3、特征点检测与匹配模块检测当前采集到的RGB图像的特征点,并与先前语义地图进行特征点匹配;
步骤4、利用匹配好的特征点计算先前语义地图与当前采集到的RGB图像之间的姿态变换矩阵;
步骤5、语义分割模块利用基于卷积神经网络的语义分割模型得到当前采集到的RGB图像对应的语义分割结果;
步骤6、增量提取模块先记录当前图像特征点在语义分割结果中所对应的语义标签;接着利用姿态变换矩阵将当前图像及其语义分割结果映射到与先前语义地图相同的坐标系中;
步骤7、增量提取模块需分三种情况进行增量提取,第一种情况对比当前图像变换前的特征点的语义标签与变换后特征点在语义地图对应的语义标签是否一致,若不一致,则这种情况是增量出现,只需提取与该特征点有相同标签且处于同一连通域的像素所构成的语义掩膜(增量的掩膜),若一致,该特征点不是增量特征点;第二种情况是比较先前语义地图上特征点对应的语义标签与变换过来的语义分割上的语义标签是否一致,若不一致,则这种情况就是增量消失,只需提取与该特征点在先前语义地图上有相同标签且处于同一连通域的点构成的掩膜(消失物体的掩膜)以及在当前图像中与消失物体的掩膜坐标相对应的掩膜。第三种情况增量变换,就是在同一区域处出现上述两种情况,即要提取增量出现和增量消失所对应的掩膜;
步骤8、增量更新模块根据步骤7检测出来的掩膜,若存在增量出现,将提取的增量的掩膜对应的语义信息替换到先前语义地图上。若存在增量消失或增量变换,就需要先将在先前语义地图上提取的掩膜对应的语义信息删除,并将在当前图像上提取的语义信息添加到语义地图上,从而初步实现增量更新;
步骤9、地图修复模块利用卷积神经网络来进行图像修复,根据先前语义地图上下文信息去修补空缺的区域,最后就输出增量更新后的最新语义地图。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于特征点检测与分割的语义地图增量更新方法,其特征在于:包括以下步骤:
S1.获取先前语义地图和室内外RGB图像,并对RGB图像进行预处理;
S2.检测预处理后RGB图像的特征点,将采集的特征点与先前语义地图特征点进行匹配,并计算出相应的姿态变换矩阵;
S3.计算预处理后RGB图像的语义分割结果;
S4.根据步骤S2的姿态变换矩阵完成坐标变化,对比特征点在坐标变换前和变换后对应的语义标签是否一致,从而提取增量;
具体包括以下步骤:S41.记录当前图像特征点在语义分割结果中所对应的语义标签;S42.利用姿态变换矩阵将当前图像及其语义分割结果映射到与先前语义地图相同的坐标系中;S43.对比特征点在坐标变换前和变换后对应的语义标签是否一致,从而提取增量;步骤S43中包括以下提取增量的方式:a.对比当前图像变换前特征点的语义标签与变换后特征点在先前语义地图对应的语义标签是否一致,若不一致,是增量出现,只需提取与采集的特征点在当前图像有相同标签且处于同一连通域的像素所构成的掩膜;b.对比先前语义地图上特征点对应的语义标签与变换过来的语义分割上的语义标签是否一致,若不一致,是增量消失,只需提取与采集的特征点在先前语义地图上有相同标签且处于同一连通域的点构成的掩膜;c.在同一区域处出现增量出现和增量消失两种情况,提取增量出现和增量消失所对应的掩膜;
S5.将提取的增量信息更新到先前语义地图中;包括以下增量更新方式:a.若存在增量出现,只需将提取的掩膜对应的语义信息替换到先前语义地图上;b.若存在增量消失或增量变换,就需要先将在先前语义地图上提取的掩膜对应的语义信息删除,并将在当前图像上提取的语义信息添加到先前语义地图上;
S6.修复语义地图更新后出现的空缺区域,获得完整的语义地图。
2.根据权利要求1所述的一种基于特征点检测与分割的语义地图增量更新方法,其特征在于:所述步骤S1中通过双目相机采集室内外的RGB图像,计算出RGB图像中的深度信息,并进行剔除RGB图像中动态物的预处理。
3.根据权利要求2所述的一种基于特征点检测与分割的语义地图增量更新方法,其特征在于:所述双目相机采集左右RGB图像,根据左右RGB图像计算深度信息。
4.根据权利要求1所述的一种基于特征点检测与分割的语义地图增量更新方法,其特征在于:所述步骤S3中通过卷积神经网络的分割模型得到语义分割结果。
5.根据权利要求1所述的一种基于特征点检测与分割的语义地图增量更新方法,其特征在于:所述连通域是根据语义分割结果计算而得。
6.根据权利要求1所述的一种基于特征点检测与分割的语义地图增量更新方法,其特征在于:所述步骤S6中通过卷积神经网络来进行图像修复,根据语义地图上下文信息去修补其空缺的区域,获得完整的语义地图。
7.根据权利要求1-6任意一条所述的一种基于特征点检测与分割的语义地图增量更新方法,其特征在于:所述语义地图包括特征点信息和语义信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011246768.9A CN112396696B (zh) | 2020-11-10 | 2020-11-10 | 一种基于特征点检测与分割的语义地图增量更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011246768.9A CN112396696B (zh) | 2020-11-10 | 2020-11-10 | 一种基于特征点检测与分割的语义地图增量更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396696A CN112396696A (zh) | 2021-02-23 |
CN112396696B true CN112396696B (zh) | 2023-08-22 |
Family
ID=74599616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011246768.9A Active CN112396696B (zh) | 2020-11-10 | 2020-11-10 | 一种基于特征点检测与分割的语义地图增量更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396696B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117763064A (zh) * | 2023-11-01 | 2024-03-26 | 武汉中海庭数据技术有限公司 | 地图更新方法、系统、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781262A (zh) * | 2019-10-21 | 2020-02-11 | 中国科学院计算技术研究所 | 基于视觉slam的语义地图的构建方法 |
CN111179426A (zh) * | 2019-12-23 | 2020-05-19 | 南京理工大学 | 基于深度学习的机器人室内环境三维语义地图构建方法 |
-
2020
- 2020-11-10 CN CN202011246768.9A patent/CN112396696B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781262A (zh) * | 2019-10-21 | 2020-02-11 | 中国科学院计算技术研究所 | 基于视觉slam的语义地图的构建方法 |
CN111179426A (zh) * | 2019-12-23 | 2020-05-19 | 南京理工大学 | 基于深度学习的机器人室内环境三维语义地图构建方法 |
Non-Patent Citations (1)
Title |
---|
基于云的语义库设计及机器人语义地图构建;于金山等;机器人;第38卷(第4期);第410-419页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112396696A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | A review of 3D reconstruction techniques in civil engineering and their applications | |
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
Rüther et al. | Application of snakes and dynamic programming optimisation technique in modeling of buildings in informal settlement areas | |
CN110084850B (zh) | 一种基于图像语义分割的动态场景视觉定位方法 | |
CN111222474A (zh) | 一种任意尺度的高分辨率图像小目标检测方法 | |
WO2018214195A1 (zh) | 一种基于卷积神经网络的遥感图像桥梁检测方法 | |
CN109376768B (zh) | 一种基于深度学习的航拍图像杆塔标识牌故障诊断方法 | |
CN103295199B (zh) | 古壁画的裂缝智能修复辅助系统 | |
CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
US20080232715A1 (en) | Image processing apparatus | |
CN112686833B (zh) | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 | |
CN108734109B (zh) | 一种面向图像序列的视觉目标跟踪方法及系统 | |
CN111462140B (zh) | 一种基于区块拼接的实时图像实例分割方法 | |
CN111640116B (zh) | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 | |
CN115294294A (zh) | 基于深度图像和点云的管线bim模型重建方法及系统 | |
CN108694716B (zh) | 一种工件检测方法、模型训练方法及设备 | |
CN112396696B (zh) | 一种基于特征点检测与分割的语义地图增量更新方法 | |
CN115471748A (zh) | 一种面向动态环境的单目视觉slam方法 | |
Zou et al. | Automatic segmentation, inpainting, and classification of defective patterns on ancient architecture using multiple deep learning algorithms | |
CN115035089A (zh) | 适用于二维脑图像数据的脑解剖结构定位方法 | |
CN109727255B (zh) | 一种建筑物三维模型分割方法 | |
CN117308881A (zh) | 一种隧道检修道盖板倾斜角度的检测装置和检测方法 | |
CN112435274A (zh) | 一种基于面向对象分割的遥感影像面状地物提取方法 | |
CN116385465A (zh) | 图像分割模型的构建及图像分割方法、系统、设备和介质 | |
CN114708321B (zh) | 一种基于语义的相机位姿估计方法及系统 |
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 |