CN112529957A - 确定摄像设备位姿的方法和装置、存储介质、电子设备 - Google Patents
确定摄像设备位姿的方法和装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN112529957A CN112529957A CN202011423106.4A CN202011423106A CN112529957A CN 112529957 A CN112529957 A CN 112529957A CN 202011423106 A CN202011423106 A CN 202011423106A CN 112529957 A CN112529957 A CN 112529957A
- Authority
- CN
- China
- Prior art keywords
- information
- pose
- road
- determining
- road surface
- 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 62
- 230000000875 corresponding effect Effects 0.000 claims description 63
- 239000003550 marker Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
Abstract
本公开实施例公开了一种确定摄像设备位姿的方法和装置、计算机可读存储介质、电子设备,其中,方法包括:利用摄像设备采集得到路面图像;获得摄像设备的初始位姿信息;基于所述初始位姿信息确定相关位姿集合;其中,所述相关位姿集合中包括多个相关位姿信息;基于所述多个相关位姿信息中的每个相关位姿信息,在高精度地图中确定多组第一道路信息;基于所述多组第一道路信息和所述路面图像,确定所述摄像设备的目标位姿信息。本公开实施例通过相关位姿集合从高精度地图中获得了多个第一道路信息,通过将第一道路信息投影到摄像设备采集的路面图像上,以获得目标位姿信息,大大提高了摄像设备的位姿信息的准确度。
Description
技术领域
本公开涉及设备位姿确定技术,尤其是一种确定摄像设备位姿的方法和装置、计算机可读存储介质、电子设备。
背景技术
在利用路侧摄像头对物体进行定位的过程中,目标是感知物体的位置信息,并将其对齐于真正的地图信息中。因此,需要对摄像头的位姿进行标定,目前单目摄像头对物体进行定位通常通过IPM投影完成,需要对摄像头位姿的六个自由度(翻滚角roll,俯仰角pitch,偏航角yaw,x轴,y轴,z轴)进行精确标定。
发明内容
为了解决上述技术问题,提出了本公开。本公开的实施例提供了一种确定摄像设备位姿的方法和装置、计算机可读存储介质、电子设备。
根据本公开实施例的一个方面,提供了一种确定摄像设备位姿的方法,包括:
利用摄像设备采集得到路面图像;
获得所述摄像设备的初始位姿信息;
基于所述初始位姿信息确定相关位姿集合;其中,所述相关位姿集合中包括多个相关位姿信息;
基于所述多个相关位姿信息中的每个相关位姿信息,在高精度地图中确定多组第一道路信息;
基于所述多组第一道路信息和所述路面图像,确定所述摄像设备的目标位姿信息。
根据本公开实施例的另一方面,提供了一种确定摄像设备位姿的装置,包括:
图像采集模块,用于利用摄像设备采集得到路面图像;
初始位姿确定模块,用于获得所述摄像设备的初始位姿信息;
相关位姿确定模块,用于基于所述初始位姿确定模块确定的初始位姿信息确定相关位姿集合;其中,所述相关位姿集合中包括多个相关位姿信息;
相关道路获取模块,用于基于所述相关位姿确定模块确定的多个相关位姿信息中的每个相关位姿信息,在高精度地图中确定多组第一道路信息;
位姿优化模块,用于基于所述相关道路获取模块确定的多组第一道路信息和所述图像采集模块得到的路面图像,确定所述摄像设备的目标位姿信息。
根据本公开实施例的又一方面,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实施例所述的确定摄像设备位姿的方法。
根据本公开实施例的还一方面,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实施例所述的确定摄像设备位姿的方法。
基于本公开上述实施例提供的一种确定摄像设备位姿的方法和装置、计算机可读存储介质、电子设备,通过相关位姿集合从高精度地图中获得了多个第一道路信息,通过将第一道路信息投影到摄像设备采集的路面图像上,以获得目标位姿信息,由于高精地图所记录了精度较高的道路信息,因此基于高精度地图可获得更准确的第一道路信息,大大提高了摄像设备的位姿信息的准确度。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本公开一示例性实施例提供的确定摄像设备位姿的方法的流程示意图。
图2a是本公开一示例性实施例提供的确定摄像设备位姿的方法中的一种多假设匹配示意图。
图2b是本公开一示例性实施例提供的确定摄像设备位姿的方法中的另一种多假设匹配示意图。
图3是本公开另一示例性实施例提供的确定摄像设备位姿的方法的流程示意图。
图4是本公开图3所示的实施例中步骤303的一个流程示意图。
图5是本公开图3所示的实施例中步骤304的一个流程示意图。
图6是本公开图3所示的实施例中步骤305的一个流程示意图。
图7是本公开图6所示的实施例中步骤3053的一个流程示意图。
图8是本公开一示例性实施例提供的确定摄像设备位姿的装置的结构示意图。
图9是本公开另一示例性实施例提供的确定摄像设备位姿的装置的结构示意图。
图10是本公开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公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本公开实施例中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本公开实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本公开中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
申请概述
在实现本公开的过程中,发明人发现,现有确定摄像设备位姿的方法通常采用手动标注的方式,需要提前在标定区域安装标记(Marker),然后通过人工标定的方式确定映射关系,之后通过求解拟合方程组的方式,计算参数标定矩阵;但现有技术至少存在以下问题:费时费力,专业要求高,人员的参与度比较高,安装复杂。
示例性系统
本公开利用定位系统(例如,GNSS、GPS等)提供的经纬度和高度,确定摄像设备姿态的初始坐标信息(包括:x轴坐标、y轴坐标和z轴坐标),通过设置在摄像设备上的惯性测量单元(IMU)中加速度计提供摄像设备姿态中的roll(翻滚角)和pitch(俯仰角)信息,磁力计提供摄像设备的yaw(偏航角)信息;得到初始位姿,本公开中的位姿包括以下6个自由度信息:x轴坐标、y轴坐标、z轴坐标、roll、pitch和yaw。随后通过在初始位姿附近进行位姿搜索,获得多个相关位姿,对于每个相关位姿通过同高精度地图匹配计算重投影误差,最终通过最小重投影误差是否小于阈值判定标定结果是否有效。匹配过程主要利用从摄像设备采集的路面图像中识别出的车道线和路面标志,同高精度地图中车道线和路面标志进行匹配。
图1是本公开一示例性实施例提供的确定摄像设备位姿的方法的流程示意图。如图1所示,包括以下步骤:
步骤103,对摄像设备采集的路面图像执行图像分割,根据图像分割结果获得至少一条车道线的直线方程和至少一个路面标志的中点,并获得至少一条车道线与至少一个路面标志之间的相对位置关系,得到第二道路信息。
步骤104,道路信息投影:对于相关位姿集合{T}中的每一个相关位姿Ti,以该相对位姿为中心取长宽高为一个设定值(例如,50m等)的边界框(boundingbox),获得在boundingbox内的高精度地图中的第一道路信息,将第一道路信息投影到路面图像中得到第三道路信息,在路面图像中获得第三道路信息中车道线和路面标志之间的相对位置关系。
步骤105,道路信息匹配:根据启发式多假设匹配算法,获得多种可能匹配,图2a是本公开一示例性实施例提供的确定摄像设备位姿的方法中的一种多假设匹配示意图,图2b是本公开一示例性实施例提供的确定摄像设备位姿的方法中的另一种多假设匹配示意图。如图2a和图2b所示:其中黑色的箭头和黑色的圆点分别表示采集得到的路面图像中的车道线和路面标志;灰色的箭头和空心的圆圈分别表示基于一个相关位姿获得的高精度地图中的车道线和路面标志在路面图像中的投影,虚线代表可能的匹配关系,图2a和图2b是相同的车道线和路面标志之间的两种匹配关系。以路面标志的位置为依据,遍历其各种可能的匹配关系,对于各种可能的匹配关系,根据各个车道线和路面标志间的相对位置关系进行匹配,得到一个重投影误差;其中,遍历的过程是试错的过程。
步骤106,重投影误差最小化:对于一个相关位姿对应的多种匹配关系中的每种匹配关系,通过非线性优化求解得到一个更新位姿。
步骤107,阈值判断:判断重投影误差最小的更新位姿对应的重投影误差是否小于或等于设定阈值,其中,设定阈值可根据实际应用场景进行设定,例如,10个像素等;如果存在,则将重投影误差最小的更新位姿作为目标位姿信息;否则,扩大位姿搜索中的设定范围,以扩大后的设定范围重新执行步骤102。
本公开实施例基于高精度地图,结合GNSS、IMU信息,利用摄像头语义分割结果通过高精度地图进行匹配定位,达到对物体进行亚米级全局定位。上述实施例利用高精度地图以及摄像设备自身的感知对摄像设备实现了位姿的自动标定;利用位姿搜索及多假设匹配进行要素关联实现了位姿优化;还利用了GNSS IMU磁力计提供初始位姿,提高了初始位姿的准确度,进一步提高了最终确定的位姿信息的准确度。
示例性方法
图3是本公开另一示例性实施例提供的确定摄像设备位姿的方法的流程示意图。本实施例可应用在电子设备上,如图3所示,包括如下步骤:
步骤301,利用摄像设备采集得到路面图像。
其中,摄像设备可以摄像头等可进行图像采集的设备,可选地,为了采集路面图像可以将该摄像设备设置在路侧。
步骤302,获得摄像设备的初始位姿信息。
在一实施例中,可参照上述图1提供的实施例中步骤101所示,确定摄像设备的初始位姿信息;具体地,以GNSS提供的经度纬度高度作为摄像头姿态中的空间坐标初始值,其中,空间坐标初始值包括:x轴坐标、y轴坐标和z轴坐标;利用设置在摄像设备上的加速度计根据公式(1)和(2)确定摄像设备相对于地面的roll和pitch角;利用磁力计根据roll和pitch角以及公式(3)、(4)和(5)确定摄像设备的yaw角;进而获得摄像设备的初始位姿
roll=atan2(ay,az) 公式(1)
m′x=mx*cos(pitch)+my*sin(roll)*sin(pitch)+mz*cos(roll)*cos(pitch) 公式(3)
m′y=my*cos(roll)-mz*sin(roll) 公式(4)
yaw=-atan2(m′y,m′x) 公式(5)
其中,ax,ay,az为加速度计读数,加速度计获得摄像设备此时的加速度,当摄像设备处于静态的时候基本就是重力加速度在IMU里的读数,如果IMU平放的话读数基本是(0,0,9.8)m/s2,如果不平放的话就会出现一些读数的偏差,然后根据这个读数可以算出来IMU是怎么不平放的,即得到roll和pitch角;mx,my,mz为磁力计读数,分别表示磁力计三轴磁分量的数据;atan是反正切函数。
步骤303,基于初始位姿信息确定相关位姿集合。
其中,相关位姿集合中包括多个相关位姿信息。
可选地,可参照上述图1提供的实施例中步骤102所示,基于初始位姿信息在x轴、y轴、z轴和yaw角四个自由度进行搜索得到多个相关位姿信息。
步骤304,基于多个相关位姿信息中的每个相关位姿信息,在高精度地图中确定多组第一道路信息。
可选地,可参照上述图1提供的实施例中步骤104前半部分所示,以每个相关位姿信息从高精度地图中获得相应的边界框,获得在boundingbox内的高精度地图中的第一道路信息。
步骤305,基于多组第一道路信息和路面图像,确定摄像设备的目标位姿信息。
本实施例中,结合多组相关位姿信息从高精度地图中获得对应的多组第一道路信息,将每组第一道路信息投影到路面图像上,并基于路面图像上的道路信息对每组第一道路信息对应的相关位姿信息进行调整,即可获得摄像设备的目标位姿信息。
本公开上述实施例提供的一种确定摄像设备位姿的方法,通过相关位姿集合从高精度地图中获得了多个第一道路信息,通过将第一道路信息投影到摄像设备采集的路面图像上,以获得目标位姿信息,由于高精地图所记录了精度较高的道路信息,因此基于高精度地图可获得更准确的第一道路信息,大大提高了摄像设备的位姿信息的准确度。
如图4所示,在上述图3所示实施例的基础上,步骤303可包括如下步骤:
步骤3031,以初始位姿信息为中心,在设定范围内以第一设定间隔搜索世界坐标系下的三个坐标轴方向,获得第一位姿集合。
初始位姿信息中包括在世界坐标系下的坐标位置(包括:x轴坐标、y轴坐标和z轴坐标),本实施例以初始位姿中的坐标位置中中心在世界坐标系下进行搜索,实现了位姿信息中的三个自由度的搜索(x轴、y轴和z轴),具体搜索过程可参照图1提供的实施例中的步骤102所示;可选地,对于平移部分,以第一设定间隔进行搜索,即,分别在x轴、y轴和z轴方向上每间隔第一设定间隔获取一个位姿信息,其中,第一设定间隔可根据具体场景进行设定,例如,1-5米之间的任意值,如,2m等;在设定范围内进行位姿搜索,设定范围可以是以一个设定值为半径确定的范围,其中,设定值可根据具体场景进行设定,例如,20m等。
步骤3032,以初始位姿信息和第一位姿集合中的每个位姿信息分别为中心,在设定角度内以第二设定间隔搜索摄像设备所在的局部三维坐标系下的偏航角,得到相关位姿集合。
本实施例中,对于旋转部分,保持初始位姿中的roll角和pitch角不动,对yaw角以第二设定间隔进行搜索,即,在yaw角每间隔第二设定间隔获取一个位姿信息,其中,第二设定间隔可根据具体场景进行设定,例如,5度等;在设定角度内进行搜索,其中,设定角度可根据具体场景进行设定,例如,10到30度之间的任意值;实现在四个自由度(包括:x轴、y轴、z轴和yaw角)的位姿搜索。
本实施例中对在三个自由度上搜索得到的第一位姿集合中的每个位姿再进行第四个自由度(yaw角)的搜索,以获得更多位姿信息,并且,在搜索第四个自由度时,第一位姿集合中的每个第一位姿对应的roll角和pitch角不变;本实施例通过在四个自由度上进行搜索,获得了更多可能是摄像设备位姿的相关位姿信息,避免了由于搜索不全而导致的遗漏或定位不准确的问题。
如图5所示,在上述图3所示实施例的基础上,步骤304可包括如下步骤:
步骤3041,对路面图像执行分割操作,得到路面图像中的第二道路信息。
可选地,对路面图像的分割操作可参照图1提供的实施例中的步骤103所示,确定的第二道路信息包括路面图像中的至少一条车道线的直线方程、至少一个路面标志的坐标,以及至少一条车道线与至少一个路面标志之间的相对位置关系。
步骤3042,基于多个相关位姿信息中的每个相关位姿信息确定对应的边界框,得到多个边界框。
可选地,边界框的获取可参照图1提供的实施例中的步骤104所示,每个相关位姿信息对应一个边界框,该边界框以该相关位姿信息为中心。其中,第一道路信息包括:在高精度地图上的边界框内的所有车道线以及所有路面标志;根据Ti以及摄像设备的内参将第一道路信息投影到路面图像中,得到第三道路信息的过程可包括:通过将第一道路信息从高精度地图坐标系下转换到摄像设备坐标系下,再根据摄像设备的内参将第一道路信息从摄像设备坐标系下转换到图像坐标系下,实现将第一道路信息投影到路面图像中;其中,摄像设备的内参包括:摄像设备的焦距、光心坐标等。
步骤3043,在高精度地图中基于多个边界框进行区域搜索,获得多个边界框在高精度地图中对应的多组第一道路信息。
其中,每个边界框对应一个组第一道路信息。
本实施例基于边界框在高精度地图中搜索可获得多个区域地图,每个区域地图中包括至少一条车道线和至少一个路面标志构成的第一道路信息,该每组第一道路信息中包括对应的区域地图中的至少一条车道线的直线方程、至少一个路面标志的坐标,以及至少一条车道线与至少一个路面标志之间的相对位置关系;本实施例结合高精度地图获得精确度较高的多组第一道路信息,提高了最终确定的摄像设备的位姿的精度。
可选地,上述实施例中的步骤3041可以包括:
利用深度神经网络对路面图像执行分割操作,确定路面图像中包括的至少一条车道线和至少一个路面标志对应的像素坐标。
可选地,可基于深度神经网络确定路面图像中每个像素点的类别,基于类别为车道线的所有像素点确定至少一条车道线对应的像素坐标;基于类别为路面标志的所有像素点确定至少一个路面标志对应的像素坐标。
对至少一条车道线中每条车道线对应的像素坐标进行直线拟合,得到每条车道线对应的直线方程。
其中,直线拟合是将类别确定为车道线的离散的像素点,确定一条直线使得所有像素点到这条直线的距离平方和最小,那么这条直线就是车道线的拟合直线,即可得到路面图像中的每条车道线的直线方程。
基于至少一个路面标志中每个路面标志对应的像素坐标,确定每个路面标志对应的坐标。
可选地,当每个路面标志对应多个像素点时,以这些像素点对应的像素坐标的平均值作为该路面标志的中点,以该中点作为该路面标志对应的坐标。
基于每条车道线对应的直线方程和每个路面标志对应的坐标,确定至少一条车道线和至少一个路面标志在路面图像中的相对位置关系。
可选地,基于上述得到的每个路面标志对应的坐标以及每条车道线对应的直线方程,即可确定,在路面图像中,至少一条车道线和至少一个路面标志之间的相对位置关系,例如,一个路面标志位于哪两个车道线之间等。
基于车道线的直线方程、路面标志坐标和车道线与路面标志之间的相对位置关系,确定路面图像中的第二道路信息。
本实施例中得到的第二道路信息包括车道线的直线方程、路面标志坐标和车道线与路面标志之间的相对位置关系,通过深度神经网络确定每个像素点的类别,并基于确定类别的像素点的坐标确定第二道路信息,实现全自动确定道路信息,提高了道路信息的准确性,并且更高效快捷。
如图6所示,在上述图3所示实施例的基础上,步骤305可包括如下步骤:
步骤3051,将多组第一道路信息投影到路面图像中,得到在路面图像中的多组第三道路信息。
可选地,第一道路信息的投影可参照图1提供的实施例中步骤104所示,通过两次坐标转换,得到第三道路信息。
步骤3052,对多组第三道路信息与第二道路信息进行匹配,得到多个重投影误差。
其中,每个重投影误差对应一个第三道路信息。
本实施例中计算重投影误差可参照图1提供的实施例中步骤105,对每组第三道路信息对应的至少一个匹配关系进行计算,得到每组第三道路信息对应的至少一个重投影误差,例如,如图2a和图2b是基于一组第三道路信息的两种匹配关系,可计算得到两个重投影误差。
步骤3053,基于多个重投影误差中的每个重投影误差,确定摄像设备的目标位姿信息。
本实施例利用多假设匹配算法确定每组第三道路信息可能与第二道路信息匹配的至少一种匹配关系,在每种匹配关系中计算相同的车道线(基于相对位置关系确定两个道路信息中哪些车道线相同)之间的距离以及相同的路面标志之间的距离,以所有距离的和作为重投影误差;本实施例通过基于重投影误差确定目标位姿信息,由于利用了多个相关位姿信息分别进行确定重投影误差,避免了目标位姿信息被遗漏的问题,并且,由于多个相关位姿信息之间的差异较小,分别基于每个相关位姿信息对应的重投影误差确定目标位姿信息,避免了更好的结果由于两个相关位姿信息之间的差异较大而被遗漏的问题,提高了获得的目标位姿信息的准确度。
如图7所示,在上述图6所示实施例的基础上,步骤3053可包括如下步骤:
步骤701,基于多个重投影误差中的每个重投影误差,对该重投影误差对应的相关位姿信息进行调整,得到更新位姿信息。
其中,基于更新位姿信息确定的重投影误差最小。
可选地,参照图1提供的实施例中步骤106所示,通过重投影误差最小化得到多组更新位姿信息;具体地,以最小化重投影误差为目标,通过非线性优化求解得到一个更新位姿,使基于新的位姿得到的重投影误差最小,其中,非线性优化的优化变量是摄像设备的位姿。
步骤702,从多个更新位姿信息中确定重投影误差最小的更新位姿信息。
可选地,可对多个更新位姿信息按照对应的重投影误差进行排序(例如,按照重投影误差从小到大排序或从大到小排序),基于排序后的序列可以获得重投影误差最小的更新位姿信息。
步骤703,基于重投影误差最小的更新位姿信息确定摄像设备的目标位姿信息。
可选地,步骤703可包括如下步骤:
判断重投影误差最小的更新位姿信息对应的重投影误差是否小于或等于预设阈值。
可选地,该预设阈值的大小可根据实际应用场景进行设置,例如,10个像素等。
响应于重投影误差最小的更新位姿信息对应的重投影误差小于或等于预设阈值,基于重投影误差最小的更新位姿信息确定目标位姿信息。
当重投影误差小于或等于预设阈值,可认为路面图像是摄像设备在该重投影误差最小的更新位姿信息下采集到的,即重投影误差最小的更新位姿信息可作为摄像设备的目标位姿信息。
响应于重投影误差最小的更新位姿信息对应的重投影误差大于预设阈值,扩大设定范围,重新获得相关位姿集合,获得在路面图像中的多组第四道路信息;基于多组第四道路信息确定新的更新位姿信息,基于新的更新位姿信息确定目标位姿信息。
本实施例通过设定阈值确定重投影误差最小的更新位姿信息是否可替换初始位姿信息,具体的判断过程可参照图1提供的实施例中的步骤107所示,在判断不满足的情况下返回重新进行相关位姿搜索,获得更多的相关位姿信息,以获得重投影误差小于或等于设定阈值的新的重投影误差最小的更新位姿信息,通过该实施例解决了在一次搜索无法获得目标位姿信息的情况下,扩大范围以获得更准确的位姿信息。
本实施例利用高精度地图以及摄像设备自身的感知对摄像设备实现了位姿的自动标定,实现了高精度的确定摄像设备的位姿。
在上述图6所示实施例的基础上,步骤3042可包括如下步骤:
基于第二道路信息中的车道线与路面标志之间的相对位置关系对多组第三道路信息进行筛选,得到筛选后的多组第三道路信息。
在确定每组第三道路信息与第二道路信息的匹配关系时,可先以相对位置关系进行匹配,当相对位置关系不匹配时,说明该第三道路信息与第二道路信息不可能匹配,即第三道路信息对应的相对位姿信息无论如何调整都无法采集到包括第二道路信息的路面图像;本实施例通过先利用相对位置关系进行第三道路信息的筛选,提高了处理效率。
针对筛选后的多组第三道路信息中的每组第三道路信息,确定该第三道路信息对应的至少一个匹配关系。
每组第三道路信息与第二道路信息可能存在至少一种匹配关系,例如,如图2a和图2b所示的是一组第三道路信息与第二道路信息的两种匹配关系。
基于至少一个匹配关系中的每个匹配关系,确定第三道路信息中的路面标志坐标与第二道路信息中的路面标志坐标之间的第一误差,确定第三道路信息中的车道线的直线方程与第二道路信息中的车道线的直线方程之间的第二误差。
可选地,计算第三道路信息中的路面标志坐标与第二道路信息中的路面标志坐标之间的距离可作为第一误差,可基于在该匹配关系中每两个对应的直线方程之间的距离确定第二误差。
基于第一误差和第二误差,确定第三道路信息中的一个匹配关系对应的重投影误差。
可选地,可基于所有第一误差和所有第二误差的和作为该匹配关系对应的重投影误差,或者根据重要性对所有第一误差和所有第二误差执行加权求和等方式,得到该匹配关系对应的重投影误差。
本实施例利用每组第三道路信息对应的至少一个匹配关系分别计算重投影误差,避免了由于匹配错误导致正确的道路信息被误判,而导致摄像设备得不到准确的位姿信息的问题,并且通过基于相对位置关系匹配减少了计算量,提高了处理效率。
本公开实施例提供的任一种确定摄像设备位姿的方法可以由任意适当的具有数据处理能力的设备执行,包括但不限于:终端设备和服务器等。或者,本公开实施例提供的任一种确定摄像设备位姿的方法可以由处理器执行,如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种确定摄像设备位姿的方法。下文不再赘述。
示例性装置
图8是本公开一示例性实施例提供的确定摄像设备位姿的装置的结构示意图。如图8所示,本实施例提供的装置包括:
图像采集模块81,用于利用摄像设备采集得到路面图像。
初始位姿确定模块82,用于获得摄像设备的初始位姿信息。
相关位姿确定模块83,用于基于初始位姿确定模块82确定的初始位姿信息确定相关位姿集合。
其中,相关位姿集合中包括多个相关位姿信息。
相关道路获取模块84,用于基于相关位姿确定模块83确定的多个相关位姿信息中的每个相关位姿信息,在高精度地图中确定多组第一道路信息。
目标位姿确定模块85,用于基于相关道路获取模块84确定的多组第一道路信息和图像采集模块81得到的路面图像,确定摄像设备的目标位姿信息。
本公开上述实施例提供的一种确定摄像设备位姿的装置,通过相关位姿集合从高精度地图中获得了多个第一道路信息,通过将第一道路信息投影到摄像设备采集的路面图像上,以获得目标位姿信息,由于高精地图所记录了精度较高的道路信息,因此基于高精度地图可获得更准确的第一道路信息,大大提高了摄像设备的位姿信息的准确度。
图9是本公开另一示例性实施例提供的确定摄像设备位姿的装置的结构示意图。如图9所示,本实施例提供的装置包括:
相关位姿确定模块83,包括:
第一搜索单元831,用于以初始位姿信息为中心,在设定范围内以第一设定间隔搜索世界坐标系下的三个坐标轴方向,获得第一位姿集合。
第二搜索单元832,用于以初始位姿信息和第一位姿集合中的每个位姿信息分别为中心,在设定角度内以第二设定间隔搜索摄像设备所在的局部三维坐标系下的偏航角,得到相关位姿集合。
相关道路获取模块84,包括:
图像分割单元841,用于对路面图像执行分割操作,得到路面图像中的第二道路信息。
边界框确定单元842,用于基于多个相关位姿信息中的每个相关位姿信息确定对应的边界框,得到多个边界框。
区域搜索单元843,用于在高精度地图中基于多个边界框进行区域搜索,获得多个边界框在高精度地图中对应的多组第一道路信息,其中,每个边界框对应一个组第一道路信息。
图像分割单元841,具体用于利用深度神经网络对路面图像执行分割操作,确定路面图像中包括的至少一条车道线和至少一个路面标志对应的像素坐标;对至少一条车道线中每条车道线对应的像素坐标进行直线拟合,得到每条车道线对应的直线方程;基于至少一个路面标志中每个路面标志对应的像素坐标,确定每个路面标志对应的坐标;基于每条车道线对应的直线方程和每个路面标志对应的坐标,确定至少一条车道线和至少一个路面标志在路面图像中的相对位置关系;基于车道线的直线方程、路面标志坐标和车道线与路面标志之间的相对位置关系,确定路面图像中的第二道路信息。
位姿优化模块85,包括:
信息投影单元851,用于将多组第一道路信息投影到路面图像中,得到在路面图像中的多组第三道路信息。
误差确定单元852,用于对多组第三道路信息与第二道路信息进行匹配,得到多个重投影误差;其中,每个第三道路信息对应至少一个重投影误差。
位姿调整模块853,用于基于多个重投影误差中的每个重投影误差,确定摄像设备的目标位姿信息。
位姿调整模块853,具体用于基于多个重投影误差中的每个重投影误差,对该重投影误差对应的相关位姿信息进行调整,得到更新位姿信息;其中,基于更新位姿信息确定的重投影误差最小;从多个更新位姿信息中确定重投影误差最小的更新位姿信息;基于重投影误差最小的更新位姿信息确定摄像设备的目标位姿信息。
可选地,位姿调整模块853在基于重投影误差最小的更新位姿信息对初始位姿信息确定摄像设备的目标位姿信息时,具体用于判断重投影误差最小的更新位姿信息对应的重投影误差是否小于或等于预设阈值;响应于重投影误差最小的更新位姿信息对应的重投影误差小于或等于预设阈值,基于重投影误差最小的更新位姿信息确定目标位姿信息;响应于重投影误差最小的更新位姿信息对应的重投影误差大于预设阈值,扩大设定范围,重新获得相关位姿集合,获得在路面图像中的多组第四道路信息;基于多组第四道路信息确定新的更新位姿信息,基于新的更新位姿信息确定目标位姿信息。
误差确定单元852,具体用于基于第二道路信息中的车道线与路面标志之间的相对位置关系对多组第三道路信息进行筛选,得到筛选后的多组第三道路信息;针对筛选后的多组第三道路信息中的每组第三道路信息,确定第三道路信息对应的至少一个匹配关系;基于至少一个匹配关系中的每个匹配关系,确定第三道路信息中的路面标志坐标与第二道路信息中的路面标志坐标之间的第一误差,确定第三道路信息中的车道线的直线方程与第二道路信息中的车道线的直线方程之间的第二误差;基于第一误差和第二误差,确定第三道路信息中的一个匹配关系对应的重投影误差。
示例性电子设备
下面,参考图10来描述根据本公开实施例的电子设备。该电子设备可以是第一设备100和第二设备200中的任一个或两者、或与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收所采集到的输入信号。
图10图示了根据本公开实施例的电子设备的框图。
如图10所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11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10中的其他组件以执行期望的功能。
存储器12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11可以运行所述程序指令,以实现上文所述的本公开的各个实施例的确定摄像设备位姿的方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,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。
例如,在该电子设备是第一设备100或第二设备200时,该输入装置13可以是上述的麦克风或麦克风阵列,用于捕捉声源的输入信号。在该电子设备是单机设备时,该输入装置13可以是通信网络连接器,用于从第一设备100和第二设备200接收所采集的输入信号。
此外,该输入设备13还可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图10中仅示出了该电子设备10中与本公开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10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,本公开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公开各种实施例的确定摄像设备位姿的方法中的步骤。
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公开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,本公开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公开各种实施例的确定摄像设备位姿的方法中的步骤。
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公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开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公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、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。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是,在本公开的装置、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公开的等效方案。
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公开。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公开的范围。因此,本公开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,此描述不意图将本公开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)
1.一种确定摄像设备位姿的方法,包括:
利用摄像设备采集得到路面图像;
获得所述摄像设备的初始位姿信息;
基于所述初始位姿信息确定相关位姿集合;其中,所述相关位姿集合中包括多个相关位姿信息;
基于所述多个相关位姿信息中的每个相关位姿信息,在高精度地图中确定多组第一道路信息;
基于所述多组第一道路信息和所述路面图像,确定所述摄像设备的目标位姿信息。
2.根据权利要求1所述的方法,其中,所述基于所述初始位姿信息确定相关位姿集合,包括:
以所述初始位姿信息为中心,在设定范围内以第一设定间隔搜索世界坐标系下的三个坐标轴方向,获得第一位姿集合;
以所述初始位姿信息和所述第一位姿集合中的每个位姿信息分别为中心,在设定角度内以第二设定间隔搜索所述摄像设备所在的局部三维坐标系下的偏航角,得到所述相关位姿集合。
3.根据权利要求1或2所述的方法,其中,所述基于所述多个相关位姿信息中的每个相关位姿信息,在高精度地图中获得多组第一道路信息,包括:
对所述路面图像执行分割操作,得到所述路面图像中的第二道路信息;
基于所述多个相关位姿信息中的每个相关位姿信息确定对应的边界框,得到多个边界框;
在所述高精度地图中基于所述多个边界框进行区域搜索,获得所述多个边界框在所述高精度地图中对应的多组第一道路信息,其中,每个所述边界框对应一个组第一道路信息。
4.根据权利要求3所述的方法,其中,所述对所述路面图像执行分割操作,得到所述路面图像中的第二道路信息,包括:
利用深度神经网络对所述路面图像执行分割操作,确定所述路面图像中包括的至少一条车道线和至少一个路面标志对应的像素坐标;
对所述至少一条车道线中每条车道线对应的像素坐标进行直线拟合,得到每条所述车道线对应的直线方程;
基于所述至少一个路面标志中每个路面标志对应的像素坐标,确定每个所述路面标志对应的坐标;
基于每条所述车道线对应的直线方程和每个所述路面标志对应的坐标,确定所述至少一条车道线和所述至少一个路面标志在所述路面图像中的相对位置关系;
基于所述车道线的直线方程、路面标志坐标和车道线与路面标志之间的相对位置关系,确定所述路面图像中的第二道路信息。
5.根据权利要求3所述的方法,其中,所述基于所述多组第一道路信息和所述路面图像,确定所述摄像设备的目标位姿信息,包括:
将所述多组第一道路信息投影到所述路面图像中,得到在所述路面图像中的多组第三道路信息;
对所述多组第三道路信息与所述第二道路信息进行匹配,得到多个重投影误差;其中,每个所述第三道路信息对应至少一个重投影误差;
基于所述多个重投影误差中的每个重投影误差,确定所述摄像设备的目标位姿信息。
6.根据权利要求5所述的方法,其中,所述基于所述多个重投影误差中的每个重投影误差,确定所述摄像设备的目标位姿信息,包括:
基于所述多个重投影误差中的每个重投影误差,对所述重投影误差对应的相关位姿信息进行调整,得到更新位姿信息;其中,基于所述更新位姿信息确定的重投影误差最小;
从所述多个更新位姿信息中确定重投影误差最小的更新位姿信息;
基于所述重投影误差最小的更新位姿信息确定所述摄像设备的目标位姿信息。
7.根据权利要求5所述的方法,其中,所述对所述多组第三道路信息与所述第二道路信息进行匹配,得到多个重投影误差,包括:
基于所述第二道路信息中的车道线与路面标志之间的相对位置关系对所述多组第三道路信息进行筛选,得到筛选后的多组第三道路信息;
针对所述筛选后的多组第三道路信息中的每组第三道路信息,确定所述第三道路信息对应的至少一个匹配关系;
基于所述至少一个匹配关系中的每个匹配关系,确定所述第三道路信息中的路面标志坐标与所述第二道路信息中的路面标志坐标之间的第一误差,确定所述第三道路信息中的车道线的直线方程与所述第二道路信息中的车道线的直线方程之间的第二误差;
基于所述第一误差和所述第二误差,确定所述第三道路信息中的一个匹配关系对应的重投影误差。
8.一种确定摄像设备位姿的装置,包括:
图像采集模块,用于利用摄像设备采集得到路面图像;
初始位姿确定模块,用于获得所述摄像设备的初始位姿信息;
相关位姿确定模块,用于基于所述初始位姿确定模块确定的初始位姿信息确定相关位姿集合;其中,所述相关位姿集合中包括多个相关位姿信息;
相关道路获取模块,用于基于所述相关位姿确定模块确定的多个相关位姿信息中的每个相关位姿信息,在高精度地图中确定多组第一道路信息;
目标位姿确定模块,用于基于所述相关道路获取模块确定的多组第一道路信息和所述图像采集模块得到的路面图像,确定所述摄像设备的目标位姿信息。
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任一所述的确定摄像设备位姿的方法。
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任一所述的确定摄像设备位姿的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011423106.4A CN112529957A (zh) | 2020-12-08 | 2020-12-08 | 确定摄像设备位姿的方法和装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011423106.4A CN112529957A (zh) | 2020-12-08 | 2020-12-08 | 确定摄像设备位姿的方法和装置、存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529957A true CN112529957A (zh) | 2021-03-19 |
Family
ID=74998232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011423106.4A Pending CN112529957A (zh) | 2020-12-08 | 2020-12-08 | 确定摄像设备位姿的方法和装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529957A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948411A (zh) * | 2021-04-15 | 2021-06-11 | 深圳市慧鲤科技有限公司 | 位姿数据的处理方法及接口、装置、系统、设备和介质 |
CN113432620A (zh) * | 2021-06-04 | 2021-09-24 | 苏州智加科技有限公司 | 误差估计方法、装置、车载终端及存储介质 |
CN114140538A (zh) * | 2021-12-03 | 2022-03-04 | 禾多科技(北京)有限公司 | 车载相机位姿调整方法、装置、设备和计算机可读介质 |
CN116958271A (zh) * | 2023-06-06 | 2023-10-27 | 阿里巴巴(中国)有限公司 | 标定参数确定方法以及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087359A (zh) * | 2018-08-30 | 2018-12-25 | 网易(杭州)网络有限公司 | 位姿确定方法、位姿确定装置、介质和计算设备 |
CN110660098A (zh) * | 2018-06-28 | 2020-01-07 | 北京京东尚科信息技术有限公司 | 基于单目视觉的定位方法和装置 |
CN110766785A (zh) * | 2019-09-17 | 2020-02-07 | 武汉大学 | 一种地下管道实时定位与三维重建装置及方法 |
CN111178286A (zh) * | 2019-12-31 | 2020-05-19 | 智车优行科技(上海)有限公司 | 姿态轨迹预测方法、装置及电子设备 |
CN111968129A (zh) * | 2020-07-15 | 2020-11-20 | 上海交通大学 | 具有语义感知的即时定位与地图构建系统及方法 |
-
2020
- 2020-12-08 CN CN202011423106.4A patent/CN112529957A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110660098A (zh) * | 2018-06-28 | 2020-01-07 | 北京京东尚科信息技术有限公司 | 基于单目视觉的定位方法和装置 |
CN109087359A (zh) * | 2018-08-30 | 2018-12-25 | 网易(杭州)网络有限公司 | 位姿确定方法、位姿确定装置、介质和计算设备 |
CN110766785A (zh) * | 2019-09-17 | 2020-02-07 | 武汉大学 | 一种地下管道实时定位与三维重建装置及方法 |
CN111178286A (zh) * | 2019-12-31 | 2020-05-19 | 智车优行科技(上海)有限公司 | 姿态轨迹预测方法、装置及电子设备 |
CN111968129A (zh) * | 2020-07-15 | 2020-11-20 | 上海交通大学 | 具有语义感知的即时定位与地图构建系统及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948411A (zh) * | 2021-04-15 | 2021-06-11 | 深圳市慧鲤科技有限公司 | 位姿数据的处理方法及接口、装置、系统、设备和介质 |
CN113432620A (zh) * | 2021-06-04 | 2021-09-24 | 苏州智加科技有限公司 | 误差估计方法、装置、车载终端及存储介质 |
CN113432620B (zh) * | 2021-06-04 | 2024-04-09 | 苏州智加科技有限公司 | 误差估计方法、装置、车载终端及存储介质 |
CN114140538A (zh) * | 2021-12-03 | 2022-03-04 | 禾多科技(北京)有限公司 | 车载相机位姿调整方法、装置、设备和计算机可读介质 |
CN114140538B (zh) * | 2021-12-03 | 2022-09-27 | 禾多科技(北京)有限公司 | 车载相机位姿调整方法、装置、设备和计算机可读介质 |
CN116958271A (zh) * | 2023-06-06 | 2023-10-27 | 阿里巴巴(中国)有限公司 | 标定参数确定方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529957A (zh) | 确定摄像设备位姿的方法和装置、存储介质、电子设备 | |
CN110927708B (zh) | 智能路侧单元的标定方法、装置及设备 | |
US8885049B2 (en) | Method and device for determining calibration parameters of a camera | |
CN112444242B (zh) | 一种位姿优化方法及装置 | |
CN108810473B (zh) | 一种在移动平台上实现gps映射摄像机画面坐标的方法及系统 | |
US20180150974A1 (en) | Image processing apparatus, method, and program | |
Wang et al. | Automated road sign inventory system based on stereo vision and tracking | |
CN102084398A (zh) | 街道级图像到3d建筑物模型的对准 | |
US9551579B1 (en) | Automatic connection of images using visual features | |
CN110260857A (zh) | 视觉地图的校准方法、装置及存储介质 | |
US10235800B2 (en) | Smoothing 3D models of objects to mitigate artifacts | |
CN111127584A (zh) | 建立视觉地图的方法和装置、电子设备和存储介质 | |
US10499038B2 (en) | Method and system for recalibrating sensing devices without familiar targets | |
WO2022217988A1 (zh) | 传感器配置方案确定方法、装置、计算机设备、存储介质及程序 | |
CN114777768A (zh) | 一种卫星拒止环境高精度定位方法、系统及电子设备 | |
CN114820793A (zh) | 基于无人机的目标检测及目标点定位方法及系统 | |
CN114185073A (zh) | 一种位姿显示方法、装置及系统 | |
KR102050995B1 (ko) | 공간좌표의 신뢰성 평가 장치 및 방법 | |
JP2023523364A (ja) | 視覚測位方法、装置、機器及び可読記憶媒体 | |
CN113301248B (zh) | 拍摄方法、装置、电子设备及计算机存储介质 | |
US11669988B1 (en) | System and method for three-dimensional box segmentation and measurement | |
CN114842224A (zh) | 一种基于地理底图的单目无人机绝对视觉匹配定位方案 | |
KR20210010309A (ko) | 항공사진을 이용하여 3차원 지도를 생성하는 장치 및 방법 | |
US20180367730A1 (en) | Pose estimation of 360-degree photos using annotations | |
Shin et al. | Multi-matching-based vision navigation referencing map tile |
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 |