CN112907671B - 点云数据生成方法、装置、电子设备及存储介质 - Google Patents
点云数据生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112907671B CN112907671B CN202110348215.2A CN202110348215A CN112907671B CN 112907671 B CN112907671 B CN 112907671B CN 202110348215 A CN202110348215 A CN 202110348215A CN 112907671 B CN112907671 B CN 112907671B
- Authority
- CN
- China
- Prior art keywords
- dimensional feature
- dimensional
- feature points
- cloud data
- point cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 230000001360 synchronised effect Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000005266 casting Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种点云数据生成方法、装置、电子设备及存储介质,该方法包括:获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息;利用同步定位与建图SLAM系统对应的特征点提取方式,从所述场景图像中提取至少一个二维特征点;根据所述定位位姿信息、和所述二维特征点在所述场景图像中的位置信息,确定预先构建的三维场景地图中,与所述二维特征点匹配的三维特征点、以及所述三维特征点的三维位置信息;基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据。
Description
技术领域
本公开涉及定位技术领域,具体而言,涉及一种点云数据生成方法、装置、电子设备及存储介质。
背景技术
即时定位与地图构建(simultaneous localization and mapping,SLAM)是指可移动设备在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和地图进行自身定位,同时在自身定位的基础上建造增量式地图,从而实现可移动设备的自主定位和导航。一般的,在可移动设备上运行的SLAM系统在长距离跟踪中会产生较大的误差累计,降低了SLAM系统的准确度和稳定性。
发明内容
有鉴于此,本公开至少提供一种点云数据生成方法、装置、电子设备及存储介质。
一方面,本公开提供了一种点云数据生成方法,包括:
获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息;
利用同步定位与建图(simultaneous localization and mapping,SLAM)系统对应的特征点提取方式,从所述场景图像中提取至少一个二维特征点;
根据所述定位位姿信息、和所述二维特征点在所述场景图像中的位置信息,确定预先构建的三维场景地图中,与所述二维特征点匹配的三维特征点、以及所述三维特征点的三维位置信息;
基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据。
采用上述方法,可以利用SLAM系统对应的特征点提取方式,从采集到的场景图像中提取至少一个二维特征点,并根据获取到的定位位姿信息和二维特征点在场景图像中的位置信息,确定三维场景地图中,与二维特征点匹配的三维特征点、以及三维特征点的三维位置信息,由于三维场景地图中包括的特征点信息较为准确,故可以较准确的确定与二维特征点匹配的三维特征点和三维特征点的三维位置信息,进一步,可以生成当前场景对应的较为准确的点云数据。由于使用了SLAM系统对应的特征点提取方式提取场景图像中的二维特征点,该二维特征点与SLAM系统相匹配,使得生成的当前场景的点云数据与SLAM系统相匹配,进而后续可以利用当前场景对应的点云数据对SLAM系统的累计误差进行修正。
一种可能的实施方式中,所述方法还包括:
确定所述三维特征点的语义信息,和/或,所述三维特征点的三维位置信息对应的位置置信度;
所述基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据,包括:
基于所述三维特征点、所述三维特征点的三维位置信息,以及确定的所述语义信息和/或所述位置置信度,生成所述当前场景对应的点云数据。
上述实施方式中,通过确定三维特征点的语义信息和/或三维特征点的三维位置信息对应的位置置信度,基于三维特征点、三维特征点的三维位置信息,以及确定的语义信息和/或位置置信度,生成当前场景对应的点云数据,生成的点云数据中包括的三维特征点的信息较为丰富。
一种可能的实施方式中,所述方法还包括:
确定所述三维特征点的语义信息,和/或,所述三维特征点的三维位置信息对应的位置置信度;
基于所述三维特征点的所述语义信息和/或所述位置置信度,确定至少一个三维特征点中的可信三维特征点;
所述基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据,包括:
基于所述可信三维特征点、和所述可信三维特征点对应的三维位置信息,生成所述当前场景对应的点云数据。
采用上述方法,可以通过三维特征点的语义信息和/或位置置信度,确定可信三维特征点,将至少一个三维特征点中不可信的三维特征点筛除,基于可信三维特征点对应的三维位置信息和可信三维特征点,可以生成当前场景对应的较为准确的点云数据,缓解了不可信三维特征点对点云数据造成的不佳影响。
一种可能的实施方式中,在基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据之后,所述方法还包括:
利用所述当前场景对应的点云数据,对所述SLAM系统的当前定位结果进行调整,得到调整后的当前定位结果。
这里,利用SLAM系统对应的特征点提取方式,从场景图像中提取至少一个二维特征点,即得到的二维特征点的类型与SLAM系统提取到的特征点的类型相同;比如,若SLAM系统对应的特征点提取方式为FAST特征点提取算法,则利用FAST特征点提取算法从场景图像中提取至少一个二维特征点,得到的二维特征点为FAST角点,以及SLAM系统中提取到的特征点也为FAST角点,故提取到的二维特征点与SLAM系统中提取的特征点的类型相同,进而使得利用生成的当前场景对应的点云数据,可以较准确的调整SLAM系统的当前定位结果。
同时,与利用获取的目标设备的位姿数据消除SLAM系统的累计误差相比,可以提高SLAM系统的定位结果的稳定性。
一种可能的实施方式中,获取所述目标设备的定位位姿信息,包括:
基于所述场景图像,确定所述目标设备的所述定位位姿信息;或者,
获取所述目标设备上包括的定位传感器的检测数据;
基于所述检测数据,确定所述目标设备的所述定位位姿信息。
这里,设置多种方式获取目标设备的定位位姿信息,可以提高确定定位位姿信息的灵活性。
一种可能的实施方式中,所述获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息,包括:
在检测到所述目标设备满足设置的移动条件的情况下,获取目标设备采集的当前场景的场景图像,以及所述目标设备的定位位姿信息;
其中,目标设备满足设置的移动条件包括:目标设备的移动距离达到设置的距离阈值;或者,目标设备的移动时间达到设置的时间阈值。
以下装置、电子设备等的效果描述参见上述方法的说明,这里不再赘述。
另一方面,本公开提供了一种点云数据生成装置,包括:
获取模块,用于获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息;
提取模块,用于利用同步定位与建图SLAM系统对应的特征点提取方式,从所述场景图像中提取至少一个二维特征点;
第一确定模块,用于根据所述定位位姿信息、和所述二维特征点在所述场景图像中的位置信息,确定预先构建的三维场景地图中,与所述二维特征点匹配的三维特征点、以及所述三维特征点的三维位置信息;
生成模块,用于基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据。
一种可能的实施方式中,所述装置还包括:第二确定模块,用于:
确定所述三维特征点的语义信息,和/或,所述三维特征点的三维位置信息对应的位置置信度;
所述生成模块,在基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据时,用于:
基于所述三维特征点、所述三维特征点的三维位置信息,以及确定的所述语义信息和/或所述位置置信度,生成所述当前场景对应的点云数据。
一种可能的实施方式中,所述装置还包括:第三确定模块,用于:
确定所述三维特征点的语义信息,和/或,所述三维特征点的三维位置信息对应的位置置信度;
基于所述三维特征点的所述语义信息和/或所述位置置信度,确定至少一个三维特征点中的可信三维特征点;
所述生成模块,在基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据时,用于:
基于所述可信三维特征点、和所述可信三维特征点对应的三维位置信息,生成所述当前场景对应的点云数据。
一种可能的实施方式中,在基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据之后,所述装置还包括:调整模块,用于:
利用所述当前场景对应的点云数据,对所述SLAM系统的当前定位结果进行调整,得到调整后的当前定位结果。
一种可能的实施方式中,所述获取模块,在获取所述目标设备的定位位姿信息时,用于:
基于所述场景图像,确定所述目标设备的所述定位位姿信息;或者,
获取所述目标设备上包括的定位传感器的检测数据;
基于所述检测数据,确定所述目标设备的所述定位位姿信息。
一种可能的实施方式中,所述获取模块,在获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息时,用于:
在检测到所述目标设备满足设置的移动条件的情况下,获取目标设备采集的当前场景的场景图像,以及所述目标设备的定位位姿信息;
其中,目标设备满足设置的移动条件包括:目标设备的移动距离达到设置的距离阈值;或者,目标设备的移动时间达到设置的时间阈值。
另一方面,本公开提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述第一方面或任一实施方式所述的点云数据生成方法的步骤。
另一方面,本公开提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述第一方面或任一实施方式所述的点云数据生成方法的步骤。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的一种点云数据生成方法的流程示意图;
图2示出了本公开实施例所提供的一种点云数据生成方法中,确定可信三维特征点的具体方式的流程示意图;
图3示出了本公开实施例所提供的一种点云数据生成装置的架构示意图;
图4示出了本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
即时定位与地图构建(simultaneous localization and mapping,SLAM)是指可移动设备在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和地图进行自身定位,同时在自身定位的基础上建造增量式地图,从而实现可移动设备的自主定位和导航。一般的,在可移动设备上运行的SLAM系统在长距离跟踪中会产生较大的误差累计,降低了SLAM系统的准确度和稳定性。
由于激光雷达或者三维重建(Struct From Motion,SFM)的方法生成的离线地图具备很高的精度以及全局一致性,故可以将高精度的离线地图点信息融入到SLAM系统的跟踪过程中,以有效降低SLAM系统的误差。一般的,可以将本地图像上传到云端进行视觉定位,根据当前图像与离线地图的定位结果筛选出内点(inlier),并将内点返回给SLAM系统。但是,这种方式通常会导致筛选后的内点数量有限,很难持续的作用到SLAM系统中。
为了解决上述问题,本公开实施例提出了一种点云数据生成方法、装置、电子设备及存储介质。
下面将结合本公开中附图,对本公开中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本公开的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
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定义和解释。
为便于对本公开实施例进行理解,首先对本公开实施例所公开的一种点云数据生成方法进行详细介绍。本公开实施例所提供的点云数据生成方法可应用于具有一定计算能力的可移动计算机设备,比如,该可移动计算机设备可以为手机、电脑、平板、增强显示(Augmented Reality,AR)设备、机器人等。在一些可能的实现方式中,该点云数据生成方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
参见图1所示,为本公开实施例所提供的点云数据生成方法的流程示意图,该方法包括S101-S104,其中:
S101,获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息;
S102,利用同步定位与建图(simultaneous localization and mapping,SLAM)系统对应的特征点提取方式,从所述场景图像中提取至少一个二维特征点;
S103,根据所述定位位姿信息、和所述二维特征点在所述场景图像中的位置信息,确定预先构建的三维场景地图中,与所述二维特征点匹配的三维特征点、以及所述三维特征点的三维位置信息;
S104,基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据。
上述方法中,可以利用SLAM系统对应的特征点提取方式,从采集到的场景图像中提取至少一个二维特征点,并根据获取到的定位位姿信息和二维特征点在场景图像中的位置信息,确定三维场景地图中,与二维特征点匹配的三维特征点、以及三维特征点的三维位置信息,由于三维场景地图中包括的特征点信息较为准确,故可以较准确的确定与二维特征点匹配的三维特征点和三维特征点的三维位置信息,进一步,可以生成当前场景对应的较为准确的点云数据。由于使用了SLAM系统对应的特征点提取方式提取场景图像中的二维特征点,该二维特征点与SLAM系统相匹配,使得生成的当前场景的点云数据与SLAM系统相匹配,进而后续可以利用当前场景对应的点云数据对SLAM系统的累计误差进行修正。
下述对S101-S104进行具体说明。
针对S101:
目标设备可以为任一包括图像采集装置的可移动设备,比如,目标设备可以为机器人、AR设备、手机、电脑等。这里,可以获取目标设备上设置的图像采集装置采集的当前场景的场景图像;该图像采集装置可以为摄像头等。
这里,可以获取目标设备采集的当前场景对应的场景图像,以及获取采集场景图像时的目标设备的定位位姿信息。其中,定位位姿信息可以包括位置信息和朝向信息,比如,位置信息可以为三维位置信息;朝向信息可以用欧拉角进行表示。
一种可选实施方式中,S101中,获取所述目标设备的定位位姿信息,可以包括:
方式一、基于所述场景图像,确定所述目标设备的所述定位位姿信息。
方式二、获取所述目标设备上包括的定位传感器的检测数据;基于所述检测数据,确定所述目标设备的所述定位位姿信息。
在方式一中,可以使用视觉定位算法,基于当前场景对应的场景图像,确定目标设备的定位位姿信息。比如,可以对场景图像进行特征点提取,得到场景图像中包括的多个特征点信息,利用该多个特征点信息和构建的离线地图,确定目标设备的定位位姿信息。
在方式二中,定位传感器可以包括:雷达设备、惯性测量单元(InertialMeasurement Unit,IMU)、陀螺仪等能够测量设备位姿的传感器。
比如,在定位传感器为雷达设备时,雷达设备可以采集当前场景的点云数据,再将采集的点云数据与高精地图进行匹配,确定目标设备的定位位姿信息。
其中,确定目标设备的定位位姿信息的方法还可以包括其他定位方法,此处仅为示例性说明。比如,还可以通过全球定位系统(Global Positioning System,GPS)、无线通信技术WiFi定位、实时动态定位(Real-Timekinematic,RTK)等定位方法确定目标设备的定位位姿信息。
这里,设置多种方式获取目标设备的定位位姿信息,可以提高确定定位位姿信息的灵活性。
一种可选实施方式中,S101中,获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息,可以包括:
在检测到所述目标设备满足设置的移动条件的情况下,获取目标设备采集的当前场景的场景图像,以及所述目标设备的定位位姿信息;
其中,目标设备满足设置的移动条件包括:目标设备的移动距离达到设置的距离阈值;或者,目标设备的移动时间达到设置的时间阈值。
具体实施时,可以在目标设备的移动距离达到设置的距离阈值时,或者,目标设备的移动时间达到设备的时间阈值时,获取目标设备采集的当前场景对应的场景图像以及目标设备的定位位姿信息。其中,距离阈值、时间阈值可以根据需要进行设置,比如,距离阈值可以为20米、30米、50米等;时间阈值可以为30秒、1分钟等。
比如,可以在目标设备每移动20米(距离阈值)时,获取一次目标设备采集的当前场景的场景图像以及目标设备的定位位姿信息。或者,在目标设备每移动20秒(时间阈值)时,获取一次目标设备采集的当前场景的场景图像以及目标设备的定位位姿信息。
示例性的,可以利用目标设备上设置的用于测量移动距离的位移传感器,确定目标设备的移动距离。或者,可以利用设置的定位算法对目标设备的移动距离进行实时检测等。可以利用目标设备上设置的时钟,确定目标设备的移动时间。
针对S102以及S103:
可以利用SLAM系统对应的特征点提取方式,从获取的当前场景的场景图像中提取至少一个二维特征点。比如该二维特征点可以为场景图像中包括的目标对象上的特征点。
这里,可以利用SLAM系统对应的特征点提取方式,从当前场景对应的场景图像中提取至少一个二维特征点。其中,特征点提取方式可以为部署在SLAM系统中的特征点提取算法,比如该特征点提取算法可以包括但不限于尺度不变特征变换(Scale InvariantFeature Transform,SIFT)算法、尺度不变特征变换算法(SIFT算法)的加速版SURF算法、FAST特征点提取算法等。
比如,若SLAM系统对应的特征点提取算法为FAST特征点提取算法,则可以利用FAST特征点提取算法从场景图像中提取至少一个二维特征点。
这里,可以在可移动设备执行利用SLAM系统对应的特征点提取算法,从场景图像中提取至少一个二维特征点的步骤;也可以在服务器上执行利用SLAM系统对应的特征点提取算法,从场景图像中提取至少一个二维特征点的步骤。
比如,在目标设备采集场景图像之后,可以利用可移动设备上设置的SLAM系统对应的特征点提取算法,从场景图像中提取至少一个二维特征点。或者,在目标设备采集场景图像之后,可以将采集的场景图像发送给服务器,以便可以利用服务器上设置的SLAM系统对应的特征点提取算法,从场景图像中提取至少一个二维特征点。
在得到二维特征点之后,可以根据定位位姿信息、和二维特征点在场景图像中的位置信息,确定预先构建的三维场景地图中,与二维特征点匹配的三维特征点、以及三维特征点对应的三维位置信息。
示例性的,可以使用光线投射算法(ray casting),根据定位位姿信息、二维特征点在场景图像中的位置信息和预先构建的三维场景地图,确定与二维特征点匹配的三维特征点、以及三维特征点对应的三维位置信息。
针对S104:
可以利用三维特征点、和三维特征点的三维位置信息,生成当前场景对应的点云数据。
一种可能的实施方式中,所述方法还包括:确定所述三维特征点的语义信息,和/或,所述三维特征点的三维位置信息对应的位置置信度。
所述基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据,包括:基于所述三维特征点、所述三维特征点的三维位置信息,以及确定的所述语义信息和/或所述位置置信度,生成所述当前场景对应的点云数据。
上述实施方式中,通过确定三维特征点的语义信息和/或三维特征点的三维位置信息对应的位置置信度,基于三维特征点、三维特征点的三维位置信息,以及确定的语义信息和/或位置置信度,生成当前场景对应的点云数据,生成的点云数据中包括的三维特征点的信息较为丰富。
示例性的,在预先构建的三维场景地图中,每个三维特征点对应的信息中可以包括语义信息和/或位置置信度信息,在确定了与二维特征点匹配的三维特征点之后,可以从三维场景地图中得到该三维特征点对应的语义信息和/或三维特征点的三维位置信息对应的位置置信度。其中,该位置置信度可以用于表征三维位置信息的可靠程度。
实施时,可以在构建三维场景地图时,确定预先构建的三维场景地图中三维特征点的语义信息、位置置信度;或者,也可以在确定二维特征点的语义信息、或位置置信度时,确定预先构建的三维场景地图中三维特征点的语义信息、位置置信度。
可以根据下述步骤构建三维场景地图:获取该场景对应的视频,从视频中采样得到多帧场景样本,或者,获取采集的该场景对应的多帧场景样本;再利用神经网络算法从多帧场景样本中提取得到多个三维特征点信息;并可以基于提取得到的多个三维特征点信息,构建三维场景地图。
在三维场景地图中三维特征点包含有语义信息时,可以利用训练后的语义分割神经网络,对构建的三维场景地图进行检测,确定三维场景地图中每个三维特征点的语义信息。其中,三维特征点的语义信息可以用于表征该三维特征点对应的目标对象的种类,比如,三维特征点的语义信息可以包括墙壁、桌子、水杯、树叶、动物等。这里,三维特征点的语义信息可以根据需要进行设置。
在三维场景地图中三维特征点包含有位置置信度时,可以利用训练后的神经网络,对构建的三维场景地图进行检测,确定三维场景地图中每个三维特征点的位置置信度。或者,也可以根据三维特征点的语义信息,确定三维场景地图中每个三维特征点的位置置信度。比如,若三维特征点的语义信息为桌子,由于桌子为不易移动的物体,故可以将该三维特征点的位置置信度设置的较大;若三维特征点的语义信息为树叶,由于树叶为较容易移动的物体,故可以将该三维特征点的位置置信度设置的较小。
进而可以基于三维特征点、三维特征点的三维位置信息,以及确定的语义信息和/或位置置信度,生成当前场景对应的点云数据。比如,在三维特征点包括语义信息时,则生成的当前场景对应的点云数据中包括每个点云点的语义信息。
一种可能的实施方式中,参见图2所示,所述方法还包括:
S201,确定所述三维特征点的语义信息,和/或,所述三维特征点的三维位置信息对应的位置置信度;
S202,基于所述三维特征点的所述语义信息和/或所述位置置信度,确定至少一个三维特征点中的可信三维特征点。
所述基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据,包括:基于所述可信三维特征点、和所述可信三维特征点对应的三维位置信息,生成所述当前场景对应的点云数据。
采用上述方法,可以通过三维特征点的语义信息和/或位置置信度,确定可信三维特征点,将至少一个三维特征点中不可信的三维特征点筛除,基于可信三维特征点对应的三维位置信息和可信三维特征点,可以生成当前场景对应的较为准确的点云数据,缓解了不可信三维特征点对点云数据造成的不佳影响。
确定三维特征点的语义信息和三维特征点的三维位置信息对应的位置置信度的方式可以参考上述过程。
在可以基于三维特征点的语义信息和/或位置置信度,确定可信三维特征点。
在基于三维特征点的语义信息,确定至少一个三维特征点中的可信三维特征点时,可以根据三维特征点的语义信息,确定三维特征点对应的对象是否属于可移动类别,若是,确定该三维特征点不属于可信三维特征点;若否,则确定该三维特征点属于可信三维特征点。其中,可以预先设置有可移动类别和不可移动类别的映射关系表,进而可以根据三维特征点的语义信息和设置的映射关系表,确定三维特征点对应的对象属于可移动类别、或属于不可移动类别。
在基于三维特征点的位置置信度,确定至少一个三维特征点中的可信三维特征点时,可以设置置信度阈值,将位置置信度大于或等于置信度阈值的三维特征点,确定为可信三维特征点;将位置置信度小于设置的置信度阈值的三维特征点,确定为不可信三维特征点。
在基于三维特征点的语义信息和位置置信度,确定至少一个三维特征点中的可信三维特征点时,可以先基于三维特征点的语义信息,确定至少一个三维特征点中的候选可信三维特征点;再基于位置置信度,确定候选可信三维特征点中的可信三维特征点。或者,可以先基于三维特征点的位置置信度,确定至少一个三维特征点中的候选可信三维特征点;再基于语义信息,确定候选可信三维特征点中的可信三维特征点。
进而,可以基于可信三维特征点、和可信三维特征点对应的三维位置信息,生成当前场景对应的点云数据。
在基于三维特征点、和三维特征点的三维位置信息,生成当前场景对应的点云数据之后,所述方法还包括:利用所述当前场景对应的点云数据,对所述SLAM系统的当前定位结果进行调整,得到调整后的当前定位结果。
这里,可以将当前场景对应的点云数据输入至SLAM系统中,控制SLAM系统将接收到的点云数据,加入到SLAM系统的跟踪过程中,对SLAM系统的当前定位结果进行调整,以消除SLAM系统的误差累计,得到调整后的当前定位结果,使得得到的调整后的当前定位结果的准确度较高。
这里,利用SLAM系统对应的特征点提取方式,从场景图像中提取至少一个二维特征点,即得到的二维特征点的类型与SLAM系统提取到的特征点的类型相同;比如,若SLAM系统对应的特征点提取方式为FAST特征点提取算法,则利用FAST特征点提取算法从场景图像中提取至少一个二维特征点,得到的二维特征点为FAST角点,以及SLAM系统中提取到的特征点也为FAST角点,故提取到的二维特征点与SLAM系统中提取的特征点的类型相同,进而使得利用生成的当前场景对应的点云数据,可以较准确的调整SLAM系统的当前定位结果。同时,与利用获取的目标设备的位姿数据消除SLAM系统的累计误差相比,可以提高SLAM系统的定位结果的稳定性。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于相同的构思,本公开实施例还提供了一种点云数据生成装置,参见图3所示,为本公开实施例提供的点云数据生成装置的架构示意图,包括获取模块301、提取模块302、第一确定模块303、生成模块304,具体的:
获取模块301,用于获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息;
提取模块302,用于利用同步定位与建图SLAM系统对应的特征点提取方式,从所述场景图像中提取至少一个二维特征点;
第一确定模块303,用于根据所述定位位姿信息、和所述二维特征点在所述场景图像中的位置信息,确定预先构建的三维场景地图中,与所述二维特征点匹配的三维特征点、以及所述三维特征点的三维位置信息;
生成模块304,用于基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据。
一种可能的实施方式中,所述装置还包括:第二确定模块305,用于:
确定所述三维特征点的语义信息,和/或,所述三维特征点的三维位置信息对应的位置置信度;
所述生成模块304,在基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据时,用于:
基于所述三维特征点、所述三维特征点的三维位置信息,以及确定的所述语义信息和/或所述位置置信度,生成所述当前场景对应的点云数据。
一种可能的实施方式中,所述装置还包括:第三确定模块306,用于:
确定所述三维特征点的语义信息,和/或,所述三维特征点的三维位置信息对应的位置置信度;
基于所述三维特征点的所述语义信息和/或所述位置置信度,确定至少一个三维特征点中的可信三维特征点;
所述生成模块304,在基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据时,用于:
基于所述可信三维特征点、和所述可信三维特征点对应的三维位置信息,生成所述当前场景对应的点云数据。
一种可能的实施方式中,在基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据之后,所述装置还包括:调整模块307,用于:
利用所述当前场景对应的点云数据,对所述SLAM系统的当前定位结果进行调整,得到调整后的当前定位结果。
一种可能的实施方式中,所述获取模块301,在获取所述目标设备的定位位姿信息时,用于:
基于所述场景图像,确定所述目标设备的所述定位位姿信息;或者,
获取所述目标设备上包括的定位传感器的检测数据;
基于所述检测数据,确定所述目标设备的所述定位位姿信息。
一种可能的实施方式中,所述获取模块301,在获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息时,用于:
在检测到所述目标设备满足设置的移动条件的情况下,获取目标设备采集的当前场景的场景图像,以及所述目标设备的定位位姿信息;
其中,目标设备满足设置的移动条件包括:目标设备的移动距离达到设置的距离阈值;或者,目标设备的移动时间达到设置的时间阈值。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模板可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
基于同一技术构思,本公开实施例还提供了一种电子设备。参照图4所示,为本公开实施例提供的电子设备的结构示意图,包括处理器401、存储器402、和总线403。其中,存储器402用于存储执行指令,包括内存4021和外部存储器4022;这里的内存4021也称内存储器,用于暂时存放处理器401中的运算数据,以及与硬盘等外部存储器4022交换的数据,处理器401通过内存4021与外部存储器4022进行数据交换,当电子设备400运行时,处理器401与存储器402之间通过总线403通信,使得处理器401在执行以下指令:
获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息;
利用同步定位与建图SLAM系统对应的特征点提取方式,从所述场景图像中提取至少一个二维特征点;
根据所述定位位姿信息、和所述二维特征点在所述场景图像中的位置信息,确定预先构建的三维场景地图中,与所述二维特征点匹配的三维特征点、以及所述三维特征点的三维位置信息;
基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据。
此外,本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的点云数据生成方法的步骤。
本公开实施例还提供一种计算机程序产品,该计算机程序产品承载有程序代码,所述程序代码包括的指令可用于执行上述方法实施例中所述的点云数据生成方法的步骤,具体可参见上述方法实施例,在此不再赘述。
其中,上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本公开所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种点云数据生成方法,其特征在于,包括:
获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息;
利用同步定位与建图SLAM系统对应的特征点提取方式,从所述场景图像中提取至少一个二维特征点;其中,所述特征点提取方式为部署在所述SLAM系统中的特征点提取算法;
利用光线投射算法,根据所述定位位姿信息、和所述二维特征点在所述场景图像中的位置信息,确定预先构建的三维场景地图中,与所述二维特征点匹配的三维特征点、以及所述三维特征点的三维位置信息;
从包含语义信息和位置置信度的所述三维场景地图中,确定所述三维特征点的语义信息,和/或,所述三维特征点的三维位置信息对应的位置置信度;
基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据,包括:
基于所述三维特征点、所述三维特征点的三维位置信息,以及确定的所述语义信息和/或所述位置置信度,生成所述当前场景对应的点云数据。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述三维特征点的所述语义信息和/或所述位置置信度,确定至少一个三维特征点中的可信三维特征点;
所述基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据,包括:
基于所述可信三维特征点、和所述可信三维特征点对应的三维位置信息,生成所述当前场景对应的点云数据。
3.根据权利要求1或2所述的方法,其特征在于,在基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据之后,所述方法还包括:
利用所述当前场景对应的点云数据,对所述SLAM系统的当前定位结果进行调整,得到调整后的当前定位结果。
4.根据权利要求1所述的方法,其特征在于,获取所述目标设备的定位位姿信息,包括:
基于所述场景图像,确定所述目标设备的所述定位位姿信息;或者,
获取所述目标设备上包括的定位传感器的检测数据;
基于所述检测数据,确定所述目标设备的所述定位位姿信息。
5.根据权利要求1~4任一所述的方法,其特征在于,所述获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息,包括:
在检测到所述目标设备满足设置的移动条件的情况下,获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息;
其中,目标设备满足设置的移动条件包括:目标设备的移动距离达到设置的距离阈值;或者,目标设备的移动时间达到设置的时间阈值。
6.一种点云数据生成装置,其特征在于,包括:
获取模块,用于获取目标设备采集的当前场景对应的场景图像,以及所述目标设备的定位位姿信息;
提取模块,用于利用同步定位与建图SLAM系统对应的特征点提取方式,从所述场景图像中提取至少一个二维特征点;其中,所述特征点提取方式为部署在所述SLAM系统中的特征点提取算法;
第一确定模块,用于利用光线投射算法,根据所述定位位姿信息、和所述二维特征点在所述场景图像中的位置信息,确定预先构建的三维场景地图中,与所述二维特征点匹配的三维特征点、以及所述三维特征点的三维位置信息;
第二确定模块,用于从包含语义信息和位置置信度的所述三维场景地图中,确定所述三维特征点的语义信息,和/或,所述三维特征点的三维位置信息对应的位置置信度;
生成模块,在基于所述三维特征点、和所述三维特征点的三维位置信息,生成所述当前场景对应的点云数据时,用于:
基于所述三维特征点、所述三维特征点的三维位置信息,以及确定的所述语义信息和/或所述位置置信度,生成所述当前场景对应的点云数据。
7.根据权利要求6所述的装置,其特征在于,所述获取模块,在获取所述目标设备的定位位姿信息时,用于:
基于所述场景图像,确定所述目标设备的所述定位位姿信息;或者,
获取所述目标设备上包括的定位传感器的检测数据;
基于所述检测数据,确定所述目标设备的所述定位位姿信息。
8.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一所述的点云数据生成方法的步骤。
9.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至5任一所述的点云数据生成方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110348215.2A CN112907671B (zh) | 2021-03-31 | 2021-03-31 | 点云数据生成方法、装置、电子设备及存储介质 |
PCT/CN2021/114435 WO2022205750A1 (zh) | 2021-03-31 | 2021-08-25 | 点云数据生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110348215.2A CN112907671B (zh) | 2021-03-31 | 2021-03-31 | 点云数据生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907671A CN112907671A (zh) | 2021-06-04 |
CN112907671B true CN112907671B (zh) | 2022-08-02 |
Family
ID=76109691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110348215.2A Active CN112907671B (zh) | 2021-03-31 | 2021-03-31 | 点云数据生成方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112907671B (zh) |
WO (1) | WO2022205750A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907671B (zh) * | 2021-03-31 | 2022-08-02 | 深圳市慧鲤科技有限公司 | 点云数据生成方法、装置、电子设备及存储介质 |
CN113470181A (zh) * | 2021-07-14 | 2021-10-01 | 浙江商汤科技开发有限公司 | 平面构建方法、装置、电子设备及存储介质 |
CN113741698B (zh) * | 2021-09-09 | 2023-12-15 | 亮风台(上海)信息科技有限公司 | 一种确定和呈现目标标记信息的方法与设备 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6580821B1 (en) * | 2000-03-30 | 2003-06-17 | Nec Corporation | Method for computing the location and orientation of an object in three dimensional space |
JP6586834B2 (ja) * | 2015-09-14 | 2019-10-09 | 富士通株式会社 | 作業支援方法、作業支援プログラム、及び作業支援システム |
CN108734654A (zh) * | 2018-05-28 | 2018-11-02 | 深圳市易成自动驾驶技术有限公司 | 绘图与定位方法、系统及计算机可读存储介质 |
US10839556B2 (en) * | 2018-10-23 | 2020-11-17 | Microsoft Technology Licensing, Llc | Camera pose estimation using obfuscated features |
CN111260538B (zh) * | 2018-12-03 | 2023-10-03 | 北京魔门塔科技有限公司 | 基于长基线双目鱼眼相机的定位及车载终端 |
CN109887032B (zh) * | 2019-02-22 | 2021-04-13 | 广州小鹏汽车科技有限公司 | 一种基于单目视觉slam的车辆定位方法及系统 |
CN110084272B (zh) * | 2019-03-26 | 2021-01-08 | 哈尔滨工业大学(深圳) | 一种聚类地图创建方法及基于聚类地图和位置描述子匹配的重定位方法 |
CN110288710B (zh) * | 2019-06-26 | 2023-04-07 | Oppo广东移动通信有限公司 | 一种三维地图的处理方法、处理装置及终端设备 |
CN110487274B (zh) * | 2019-07-30 | 2021-01-29 | 中国科学院空间应用工程与技术中心 | 用于弱纹理场景的slam方法、系统、导航车及存储介质 |
CN111586360B (zh) * | 2020-05-14 | 2021-09-10 | 佳都科技集团股份有限公司 | 一种无人机投影方法、装置、设备及存储介质 |
CN111862180B (zh) * | 2020-07-24 | 2023-11-17 | 盛景智能科技(嘉兴)有限公司 | 一种相机组位姿获取方法、装置、存储介质及电子设备 |
CN112269851B (zh) * | 2020-11-16 | 2024-05-17 | Oppo广东移动通信有限公司 | 地图数据更新方法、装置、存储介质与电子设备 |
CN112907671B (zh) * | 2021-03-31 | 2022-08-02 | 深圳市慧鲤科技有限公司 | 点云数据生成方法、装置、电子设备及存储介质 |
-
2021
- 2021-03-31 CN CN202110348215.2A patent/CN112907671B/zh active Active
- 2021-08-25 WO PCT/CN2021/114435 patent/WO2022205750A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022205750A1 (zh) | 2022-10-06 |
CN112907671A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112907671B (zh) | 点云数据生成方法、装置、电子设备及存储介质 | |
US11295472B2 (en) | Positioning method, positioning apparatus, positioning system, storage medium, and method for constructing offline map database | |
CN111199564B (zh) | 智能移动终端的室内定位方法、装置与电子设备 | |
EP3309751B1 (en) | Image processing device, method, and program | |
Hol | Sensor fusion and calibration of inertial sensors, vision, ultra-wideband and GPS | |
US10068344B2 (en) | Method and system for 3D capture based on structure from motion with simplified pose detection | |
RU2628217C2 (ru) | Устройство распознавания трехмерного объекта и способ распознавания трехмерного объекта | |
CN108871311B (zh) | 位姿确定方法和装置 | |
CN105103089B (zh) | 用于基于视频输入生成准确传感器校正的系统和方法 | |
CN106650965B (zh) | 一种远程视频处理方法及装置 | |
CN114120301A (zh) | 一种位姿确定方法、装置及设备 | |
EP3137923A1 (en) | Dead reckoning system based on locally measured movement | |
CN111721283B (zh) | 定位算法的精度检测方法、装置、计算机设备和存储介质 | |
CN113240806B (zh) | 信息处理方法、装置、电子设备及存储介质 | |
EP2927635B1 (en) | Feature set optimization in vision-based positioning | |
CA3122654A1 (en) | Sensor synchronization | |
CN114674328B (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 | |
US9245343B1 (en) | Real-time image geo-registration processing | |
CN113847907B (zh) | 定位方法及装置、设备、存储介质 | |
CN117132904A (zh) | 实时飞行位置定位方法、装置、飞行器以及存储介质 | |
CN111723826B (zh) | 跟踪算法的精度检测方法、装置、计算机设备和存储介质 | |
Jeon et al. | Design of positioning DB automatic update method using Google tango tablet for image based localization system | |
CN114359382A (zh) | 基于深度学习的合作目标靶球检测方法及相关装置 | |
Menke et al. | Multi-modal indoor positioning of mobile devices | |
CN112927291B (zh) | 三维物体的位姿确定方法、装置及电子设备和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40044579 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |