CN113656629B - 视觉定位方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种视觉定位方法、装置、电子设备及存储介质，涉及计算机技术领域，具体涉及图像处理、计算机视觉和深度学习等人工智能技术领域。具体实现方案为：获取室内图像；对室内图像进行识别以获取室内图像的第一光学字符识别OCR信息，其中，第一OCR信息包括文本框内的文本信息和文本框内的图像特征点信息；以文本信息为索引从图像数据库之中进行查询，以获取至少一个候选图像的第一图像信息；根据图像特征点信息从至少一个候选图像的第一图像信息中获取目标图像的第二图像信息；以及根据第二图像信息和图像特征点信息确定室内图像的目标位置信息。由此，可以实现利用室内图像的OCR信息进行定位。

Description

视觉定位方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，具体涉及图像处理、计算机视觉和深度学习等人工智能技术领域，尤其涉及一种视觉定位方法、装置、电子设备及存储介质。

背景技术

随着手机等便携摄影设备的发展，基于摄像头的低成本视觉定位方法逐渐受到大家的关注。基于图像的特征十分丰富，从最基础的特征点元素，到十分常见的线、面特征，以及偏向于人脑理解的高层语义特征。

相关技术中，主要使用图像的特征点来进行定位。

发明内容

本公开提供了一种视觉定位方法、装置、电子设备及存储介质。

根据本公开的一方面，提供了一种视觉定位方法，包括：

获取室内图像；

对所述室内图像进行识别以获取所述室内图像的第一光学字符识别OCR(OpticalCharacter Recognition，光学字符识别)信息，其中，所述第一OCR信息包括文本框内的文本信息和所述文本框内的图像特征点信息；

以所述文本信息为索引从图像数据库之中进行查询，以获取至少一个候选图像的第一图像信息；

根据所述图像特征点信息从所述至少一个候选图像的第一图像信息中获取目标图像的第二图像信息；以及

根据所述第二图像信息和所述图像特征点信息确定所述室内图像的目标位置信息。

根据本公开的另一方面，提供了一种视觉定位装置，包括：

第一获取模块，用于获取室内图像；

识别模块，用于对所述室内图像进行识别以获取所述室内图像的第一光学字符识别OCR信息，其中，所述第一OCR信息包括文本框内的文本信息和所述文本框内的图像特征点信息；

第二获取模块，用于以所述文本信息为索引从图像数据库之中进行查询，以获取至少一个候选图像的第一图像信息；

第三获取模块，用于根据所述图像特征点信息从所述至少一个候选图像的第一图像信息中获取目标图像的第二图像信息；以及

确定模块，用于根据所述第二图像信息和所述图像特征点信息确定所述室内图像的目标位置信息。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述一方面实施例所述的视觉定位方法。

根据本公开另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述一方面实施例所述的视觉定位方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述一方面实施例所述的视觉定位方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开实施例提供的一种视觉定位方法的流程示意图；

图2为本公开实施例提供的另一种视觉定位方法的流程示意图；

图3为本公开实施例提供的另一种视觉定位方法的流程示意图；

图4为本公开实施例提供的另一种视觉定位方法的流程示意图；

图5为本公开实施例提供的另一种视觉定位方法的流程示意图；

图6为本公开实施例提供的一种视觉定位装置的结构示意图；以及

图7为本公开实施例的视觉定位方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

下面参考附图描述本公开实施例的视觉定位方法、装置、电子设备及存储介质。

人工智能是研究使用计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术领域也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术包括计算机视觉技术、语音识别技术、自然语言处理技术以及深度学习、大数据处理技术、知识图谱技术等几大方向。

图像处理(image processing)，用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。图像处理技术一般包括图像压缩，增强和复原，匹配、描述和识别3个部分。

计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。这里所指的信息指Shannon定义的，可以用来帮助做一个“决定”的信息。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。

深度学习是机器学习领域中一个新的研究方向。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

本公开实施例提供的视觉定位方法，可以由电子设备来执行，该电子设备可为PC(Personal Computer，个人计算机)电脑、平板电脑或掌上电脑、手机或服务器等，此处不做任何限定。

在本公开实施例中，电子设备中可以设置有处理组件、存储组件和驱动组件。可选的，该驱动组件和处理组件可以集成设置，该存储组件可以存储操作系统、应用程序或其他程序模块，该处理组件通过执行存储组件中存储的应用程序来实现本公开实施例提供的视觉定位方法。

图1为本公开实施例提供的一种视觉定位方法的流程示意图。

本公开实施例的视觉定位方法，还可由本公开实施例提供的视觉定位装置执行，该装置可配置于电子设备中，以实现对获取到的室内图像进行识别以获取室内图像的第一光学字符识别OCR信息，其中，第一OCR信息包括文本框内的文本信息和文本框内的图像特征点信息，而后以文本信息为索引从图像数据库之中进行查询，以获取至少一个候选图像的第一图像信息，并根据图像特征点信息从至少一个候选图像的第一图像信息中获取目标图像的第二图像信息，以及根据第二图像信息和图像特征点信息确定室内图像的目标位置信息，从而可以实现利用室内图像的OCR信息进行定位。

作为一种可能的情况，本公开实施例的视觉定位方法还可以在服务器端执行，服务器可以为云服务器，可以在云端执行该视觉定位方法。

如图1所示，该视觉定位方法，可包括：

步骤101，获取室内图像。其中，室内图像可为多张，且该室内图像可为室内全景图像。

需要说明的是，该实施例中所描述的室内图像可为停车场、CBD(CentralBusiness District，中央商务区)等室内场景中的图像。

在本公开实施例中，获取室内图像的途径可有多条，其中，可以通过具有摄像头的采集终端(例如，手机、平板电脑等移动终端)采集多张室内图像，例如，通过采集终端上的摄像头进行连续拍照以获得多张室内图像，或将采集终端上的全景摄像头以人工的形式环绕室内环境，采集基本覆盖室内环境的图像，即室内全景图像；或者可从图像提供设备中获取，其中，图像提供设备可包括数字通用光盘播放机、影音光盘播放机、服务器、移动终端和智能硬盘等。此处不做任何限定。

需要说明的是，当使用采集终端采集多张室内图像时，可将采集终端采集的多张室内图像保存至电脑、服务器或该采集终端等电子设备的存储空间中，以便于后续对该多张室内图像的使用。其中，该存储空间不仅限于基于实体的存储空间，例如，硬盘，该存储空间还可以是连接电子设备的网络硬盘的存储空间(云存储空间)。

具体地，电子设备(例如，手机)可从自身的存储空间中获取室内图像，或者通过自身的摄像头进行拍摄以获取室内图像，再或者从图像提供设备中获取室内图像。

步骤102，对室内图像进行识别以获取室内图像的第一光学字符识别OCR信息，其中，第一OCR信息包括文本框内的文本信息和文本框内的图像特征点信息。其中，该文本框内的图像特征点信息可为该本框内图像各个像素的特征点信息。

在本公开实施例中，可根据预设的识别算法对室内图像进行识别以获取室内图像的第一光学字符识别OCR信息。其中，预设的识别算法可根据实际情况进行标定，例如，预设的识别算法可为图像OCR信息识别算法。

具体地，电子设备在获取到室内图像之后，可根据预设的识别算法(例如，图像OCR信息识别算法)对室内图像进行识别(即，OCR信息识别)以获取室内图像的第一光学字符识别OCR信息。

作为一种可能的情况，电子设备还可使用图像识别工具(例如，插件)，对室内图像进行识别以获取室内图像的第一光学字符识别OCR信息。

需要说明的是，上述实施例中所描述的文本框可为在对室内图像进行识别时，在室内图像中的每个文本信息的四周形成的矩形方框，例如，文本信息：“XX鞋子”四周形成的矩形方框。

步骤103，以文本信息为索引从图像数据库之中进行查询，以获取至少一个候选图像的第一图像信息。

需要说明的是，该实施例中所描述的图像数据库可以是提前生产好的，并将其预存在电子设备的存储空间中，以方便调取应用。其中，该图像数据库中包括多张图像和该多张图像的图像信息，且该图像信息可包括图像的真实位姿(例如，图像的在地图上的3D位置)和图像的OCR信息。其中，该OCR信息可包括文本框内的文本信息、文本框内的图像特征点信息和文本框的平面参数(例如，平面参数：(20,30,40))等。

具体地，电子设备在获取到室内图像的第一OCR信息之后，可先从自身的存储空间中调出图像数据库，然后以第一OCR信息中的文本信息为索引从图像数据库之中进行查询，以获取含有该文本信息的至少一个候选图像的第一图像信息。

步骤104，根据图像特征点信息从至少一个候选图像的第一图像信息中获取目标图像的第二图像信息。

具体地，电子设备在获取到至少一个候选图像的第一图像信息之后，可将上述文本框内(即，上述文本信息对应的文本框)的图像特征点信息分别与，所述至少一个候选图像中每个所述候选图像的第一图像信息中各个文本框内的图像特征点信息进行匹配，并可将匹配成功的候选图像作为目标图像，以及将该匹配成功的候选图像的第一图像信息作为该目标图像的第二图像信息。

步骤105，根据第二图像信息和图像特征点信息确定室内图像的目标位置信息。

在本公开实施例中，可根据预设的定位策略、第二图像信息和图像特征点信息确定室内图像的目标位置信息。其中，预设的定位策略可根据实际情况进行标定。

具体地，电子设备在获取到目标图像的第二图像信息之后，可根据预设的定位策略、该第二图像信息和上述文本框内(即，上述文本信息对应的文本框)的图像特征点信息，确定室内图像的目标位置信息，即，室内图像所对应的室内在地图中位置信息。

作为一种可能的情况，可根据图像定位模型对该第二图像信息和图像特征点信息进行处理，以确定室内图像的目标位置信息。应说明的是，该实施例中所描述的图像定位模型可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取应用。

其中，该图像定位模型的训练与生成均可由相关的训练服务器执行，该训练服务器可以是云端服务器，也可以是一台电脑的主机，该训练服务器与可执行本公开实施例提供的视觉定位方法的电子设备之间，建立有通信连接，该通信连接可以是无线网络连接和有线网络连接的至少一种。该训练服务器可将训练完成的图像定位模型发送给该电子设备，以便该电子设备在需要时调用，从而大大减少该电子设备的计算压力。

具体地，电子设备在获取到目标图像的第二图像信息之后，可从自身的存储空间中调出(获取)图像定位模型，并将该第二图像信息和上述的图像特征点信息输入至该图像定位模型，从而通过该图像定位模型对该第二图像信息和该图像特征点信息进行处理，以得到该图像定位模型输出的上述室内图像的目标位置信息。

作为另一种可能的情况，电子设备还可使用图像定位工具(例如，插件)，对上述的第二图像信息进行处理，以确定室内图像的目标位置信息。

在本公开实施例中，首先获取室内图像，并对室内图像进行识别以获取室内图像的第一光学字符识别OCR信息，其中，第一OCR信息包括文本框内的文本信息和文本框内的图像特征点信息，然后以文本信息为索引从图像数据库之中进行查询，以获取至少一个候选图像的第一图像信息，并根据图像特征点信息从至少一个候选图像的第一图像信息中获取目标图像的第二图像信息，最后根据第二图像信息和图像特征点信息确定室内图像的目标位置信息。由此，可以实现利用室内图像的OCR信息进行定位。

为了清楚说明上一实施例，在本公开的一个实施例中，如图2所示，对室内图像进行识别以获取室内图像的第一光学字符识别OCR信息，可包括：

步骤201，获取图像识别模型。

需要说明的是，该实施例中所描述的图像识别模型可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取应用。

步骤202，将室内图像输入至图像识别模型。

步骤203，通过图像识别模型对室内图像进行识别，以生成第一OCR信息。

具体地，电子设备在获取到室内图像之后，可从自身的存储空间中调出(获取)图像识别模型，并将该室内图像输入至该图像识别模型，从而通过该图像识别模型对该室内图像进行识别，以得到该图像识别模型输出的室内图像的第一OCR信息。由此，通过图像识别模型辅助室内图像中OCR信息的识别，可以提高识别的精确度。

进一步地，在本公开的一个实施例中，图像特征点信息可包括图像特征点位置信息和图像特征点特征向量，如图3所示，第二图像信息包括目标图像的第二OCR信息，根据图像特征点信息从至少一个候选图像的第一图像信息中获取目标图像的第二图像信息，可包括：

步骤301，将图像特征点特征向量分别与至少一个候选图像中每个候选图像对应的图像特征点特征向量进行匹配，以生成匹配结果。

具体地，电子设备在获取到至少一个候选图像的第一图像信息之后，可对上述文本框内的图像特征点信息进行解析，以获取该图像特征点信息中的图像特征点特征向量，然后将该图像特征点特征向量分别与至少一个候选图像中每个候选图像的第一图像信息中各个文本框内的图像特征点特征向量进行匹配，并生成相关的匹配结果。

步骤302，根据匹配结果从至少一个候选图像的第一图像信息中获取目标图像的第二图像信息。

具体地，电子设备在得到上述匹配结果之后，可对该匹配结果进行解析，以将匹配成功的候选图像作为目标图像，并将该匹配成功的候选图像的第一图像信息作为该目标图像的第二图像信息。由此，能够精确的得到待定位处的图像信息。

进一步地，在本公开的一个实施例中，第二图像信息还可包括目标图像的真实位姿，第二OCR信息可包括文本框的平面参数，如图4所示，根据第二图像信息和图像特征点信息确定室内图像的目标位置信息，可包括：

步骤401，根据真实位姿和平面参数，生成文本框内的图像特征点3D位置信息。

需要说明的是，该实施例中的目标图像的真实位姿可通过将目标图像使用SfM(Structure from motion)技术(即，三维重建的方法)重建室内并获得。

步骤402，根据图像特征点3D位置信息和图像特征点位置信息，生成目标位置信息。

需要说明的是，该实施例中所描述的图像特征点位置信息可为上述文本框内图像的像素特征点的坐标信息(即，2D位置)。

具体地，电子设备在获取到目标图像的第二图像信息之后，可对该第二图像信息进行解析，以获取该第二图像信息中的真实位姿和上述文本框的平面参数，然后可根据该真实位姿和该平面参数，并基于相关的计算公式使用该平面参数将目标图像中的该平面参数对应的文本框内的特征点(即，像素特征点)反投回3D世界坐标系，以得到该文本框内每个特征点的3D位置。再然后电子设备可将该3D位置与室内图像中上述文本框内的图像特征点位置进行PnP算法求解得到室内图像的目标位置信息，即室内图像所对应的室内在地图中位置信息，其中，PnP(Pespective-n-Point)算法可以包括P3P、EPnP、UPnP、DLT(DirectLinear Transform)、优化求解等算法。由此，可实现利用室内图像的OCR信息进行定位。

进一步地，在本公开的一个实施例中，上述的目标图像可为多个，如图5所示，根据第二图像信息和图像特征点信息确定室内图像的目标位置信息，可包括：

步骤501，分别根据多个目标图像的第二图像信息和图像特征点信息确定室内图像的多个初始位置信息。

步骤502，对多个初始位置信息进行全变量优化，以生成目标位置信息。

具体地，电子设备在获取到多张目标图像的第二图像信息之后，可对该多个第二图像信息进行解析，以获取每个第二图像信息中的真实位姿和上述文本框的平面参数，并根据该每个第二图像信息中的真实位姿、上述文本框的平面参数和上述文本框内的图像特征点位置信息，确定室内图像的多个初始位置信息，具体的计算过程上述实施例中已进行了详细的说明与描述，此处不再赘述。

进一步地，电子设备可将该多个初始位置信息加入到一个非线性优化的方程组里进行全变量优化后，得到室内图像的目标位置信息。其中，该非线性优化的方程组可根据实际情况进行标定。由此，可提高定位的精确度。

在本公开实施例中，本公开实施例提供的视觉定位方法可利用文字标识等城市室内场景中非常常见的特征信息进行定位，例如，在商场中，需要找到一家门店的具体位置，由于GPS(Global Positioning System，全球定位系统)信号较差，基于GPS得到的位置误差往往很大，而使用该视觉定位方法则可以获得较为准确的位置信息，以辅助用户做路径规划决策。

图6为本公开实施例提供的一种视觉定位装置的结构示意图。

本公开实施例的视觉定位装置，可配置于电子设备中，以实现对获取到的室内图像进行识别以获取室内图像的第一光学字符识别OCR信息，其中，第一OCR信息包括文本框内的文本信息和文本框内的图像特征点信息，而后以文本信息为索引从图像数据库之中进行查询，以获取至少一个候选图像的第一图像信息，并根据图像特征点信息从至少一个候选图像的第一图像信息中获取目标图像的第二图像信息，以及根据第二图像信息和图像特征点信息确定室内图像的目标位置信息，从而可以实现利用室内图像的OCR信息进行定位。

如图6所示，该视觉定位装置600，可包括：第一获取模块610、识别模块620、第二获取模块630、第三获取模块640和确定模块650。

其中，第一获取模块610用于获取室内图像。其中，室内图像可为多张，且该室内图像可为室内全景图像。

需要说明的是，该实施例中所描述的室内图像可为停车场、CBD(CentralBusiness District，中央商务区)等室内场景中的图像。

在本公开实施例中，获取室内图像的途径可有多条，其中，可以通过具有摄像头的采集终端(例如，手机、平板电脑等移动终端)采集多张室内图像，例如，通过采集终端上的摄像头进行连续拍照以获得多张室内图像，或将采集终端上的全景摄像头以人工的形式环绕室内环境，采集基本覆盖室内环境的图像，即室内全景图像；或者可从图像提供设备中获取，其中，图像提供设备可包括数字通用光盘播放机、影音光盘播放机、服务器、移动终端和智能硬盘等。此处不做任何限定。

需要说明的是，当使用采集终端采集多张室内图像时，可将采集终端采集的多张室内图像保存至电脑、服务器或该采集终端等电子设备的存储空间中，以便于后续对该多张室内图像的使用。其中，该存储空间不仅限于基于实体的存储空间，例如，硬盘，该存储空间还可以是连接电子设备的网络硬盘的存储空间(云存储空间)。

具体地，第一获取模块610可从电子设备(例如，手机)的存储空间中获取室内图像，或者通过电子设备的摄像头进行拍摄以获取室内图像，再或者从图像提供设备中获取室内图像。

识别模块620用于对室内图像进行识别以获取室内图像的第一光学字符识别OCR信息，其中，第一OCR信息包括文本框内的文本信息和文本框内的图像特征点信息。

在本公开实施例中，识别模块620可根据预设的识别算法对室内图像进行识别以获取室内图像的第一光学字符识别OCR信息。其中，预设的识别算法可根据实际情况进行标定，例如，预设的识别算法可为图像OCR信息识别算法。

具体地，在第一获取模块610获取到室内图像之后，识别模块620可根据预设的识别算法(例如，图像OCR信息识别算法)对室内图像进行识别(即，OCR信息识别)以获取室内图像的第一光学字符识别OCR信息。

作为一种可能的情况，识别模块620还可使用图像识别工具(例如，插件)，对室内图像进行识别以获取室内图像的第一光学字符识别OCR信息。

需要说明的是，上述实施例中所描述的文本框可为在对室内图像进行识别时，在室内图像中的每个文本信息的四周形成的矩形方框，例如，文本信息：“XX鞋子”四周形成的矩形方框。

第二获取模块630用于以文本信息为索引从图像数据库之中进行查询，以获取至少一个候选图像的第一图像信息。

需要说明的是，该实施例中所描述的图像数据库可以是提前生产好的，并将其预存在电子设备的存储空间中，以方便调取应用。其中，该图像数据库中包括多张图像和该多张图像的图像信息，且该图像信息可包括图像的真实位姿(例如，图像的在地图上的3D位置)和图像的OCR信息。其中，该OCR信息可包括文本框内的文本信息、文本框内的图像特征点信息和文本框的平面参数(例如，平面参数：(20,30,40))等。

具体地，在识别模块620获取到室内图像的第一OCR信息之后，第二获取模块630可先从电子设备的存储空间中调出图像数据库，然后以第一OCR信息中的文本信息为索引从图像数据库之中进行查询，以获取含有该文本信息的至少一个候选图像的第一图像信息。

第三获取模块640用于根据图像特征点信息从至少一个候选图像的第一图像信息中获取目标图像的第二图像信息。

具体地，在第二获取模块630获取到至少一个候选图像的第一图像信息之后，第三获取模块640可将上述文本框内(即，上述文本信息对应的文本框)的图像特征点信息分别与，所述至少一个候选图像中每个所述候选图像的第一图像信息中各个文本框内的图像特征点信息进行匹配，并可将匹配成功的候选图像作为目标图像，以及将该匹配成功的候选图像的第一图像信息作为该目标图像的第二图像信息。

确定模块650用于根据第二图像信息和图像特征点信息确定室内图像的目标位置信息。

在本公开实施例中，确定模块650可根据预设的定位策略、第二图像信息和图像特征点信息确定室内图像的目标位置信息。其中，预设的定位策略可根据实际情况进行标定。

具体地，在第三获取模块640获取到目标图像的第二图像信息之后，确定模块650可根据预设的定位策略、该第二图像信息和上述文本框内(即，上述文本信息对应的文本框)的图像特征点信息，确定室内图像的目标位置信息，即，室内图像所对应的室内在地图中位置信息。

作为一种可能的情况，确定模块650可根据图像定位模型对该第二图像信息和图像特征点信息进行处理，以确定室内图像的目标位置信息。应说明的是，该实施例中所描述的图像定位模型可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取应用。

其中，该图像定位模型的训练与生成均可由相关的训练服务器执行，该训练服务器可以是云端服务器，也可以是一台电脑的主机，该训练服务器与配置本公开该实施例提供的视觉定位装置的电子设备之间，建立有通信连接，该通信连接可以是无线网络连接和有线网络连接的至少一种。该训练服务器可将训练完成的图像定位模型发送给该电子设备，以便该电子设备在需要时调用，从而大大减少该电子设备的计算压力。

具体地，在第三获取模块640获取到目标图像的第二图像信息之后，确定模块650可从电子设备的存储空间中调出(获取)图像定位模型，并将该第二图像信息和上述的图像特征点信息输入至该图像定位模型，从而通过该图像定位模型对该第二图像信息和该图像特征点信息进行处理，以得到该图像定位模型输出的上述室内图像的目标位置信息。

作为另一种可能的情况，确定模块650还可使用图像定位工具(例如，插件)，对上述的第二图像信息进行处理，以确定室内图像的目标位置信息。

在本公开实施例中，通过第一获取模块获取室内图像，并通过识别模块对室内图像进行识别以获取室内图像的第一光学字符识别OCR信息，其中，第一OCR信息包括文本框内的文本信息和文本框内的图像特征点信息，然后通过第二获取模块以文本信息为索引从图像数据库之中进行查询，以获取至少一个候选图像的第一图像信息，并通过第三获取模块根据图像特征点信息从至少一个候选图像的第一图像信息中获取目标图像的第二图像信息，最后通过确定模块根据第二图像信息和图像特征点信息确定室内图像的目标位置信息。由此，可以实现利用室内图像的OCR信息进行定位。

在本公开的一个实施例中，识别模块620具体用于：获取图像识别模型；将室内图像输入至图像识别模型；通过图像识别模型对室内图像进行识别，以生成第一OCR信息。

在本公开的一个实施例中，图像特征点信息包括图像特征点位置信息和图像特征点特征向量，第二图像信息包括目标图像的第二OCR信息，第三获取模块640具体用于：将图像特征点特征向量分别与至少一个候选图像中每个候选图像对应的图像特征点特征向量进行匹配，以生成匹配结果；根据匹配结果从至少一个候选图像的第一图像信息中获取目标图像的第二图像信息。

在本公开的一个实施例中，第二图像信息还包括目标图像的真实位姿，第二OCR信息包括文本框的平面参数，确定模块650具体用于：根据真实位姿和平面参数，生成文本框内的图像特征点3D位置信息；根据图像特征点3D位置信息和图像特征点位置信息，生成目标位置信息。

在本公开的一个实施例中，目标图像为多个，确定模块650具体用于：分别根据多个目标图像的第二图像信息和图像特征点信息确定室内图像的多个初始位置信息；对多个初始位置信息进行全变量优化，以生成目标位置信息。

需要说明的是，前述对视觉定位方法实施例的解释说明也适用于该实施例的视觉定位装置，此处不再赘述。

本公开实施例的视觉定位装置，通过第一获取模块获取室内图像，并通过识别模块对室内图像进行识别以获取室内图像的第一光学字符识别OCR信息，其中，第一OCR信息包括文本框内的文本信息和文本框内的图像特征点信息，然后通过第二获取模块以文本信息为索引从图像数据库之中进行查询，以获取至少一个候选图像的第一图像信息，并通过第三获取模块根据图像特征点信息从至少一个候选图像的第一图像信息中获取目标图像的第二图像信息，最后通过确定模块根据第二图像信息和图像特征点信息确定室内图像的目标位置信息。由此，可以实现利用室内图像的OCR信息进行定位。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如视觉定位方法。例如，在一些实施例中，视觉定位方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的视觉定位方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行视觉定位方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (9)

1.一种视觉定位方法，包括：

获取室内图像；

对所述室内图像进行识别以获取所述室内图像的第一光学字符识别OCR信息，其中，所述第一OCR信息包括文本框内的文本信息和所述文本框内的图像特征点信息；

以所述文本信息为索引从图像数据库之中进行查询，以获取至少一个候选图像的第一图像信息，所述图像数据库中包括多张图像和所述多张图像的图像信息，且所述多张图像的图像信息包括图像的真实位姿和所述图像的OCR信息；

根据所述文本信息对应的文本框内的图像特征点信息从所述至少一个候选图像的第一图像信息中获取目标图像的第二图像信息；以及

根据所述第二图像信息和所述图像特征点信息确定所述室内图像的目标位置信息；

其中，所述图像特征点信息包括图像特征点位置信息和图像特征点特征向量，所述第二图像信息包括所述目标图像的第二OCR信息，所述根据所述图像特征点信息从所述至少一个候选图像的第一图像信息中获取目标图像的第二图像信息，包括：

将所述图像特征点特征向量分别与所述至少一个候选图像中每个所述候选图像对应的图像特征点特征向量进行匹配，以生成匹配结果；

根据所述匹配结果从所述至少一个候选图像的第一图像信息中获取所述目标图像的第二图像信息；

其中，所述第二图像信息还包括所述目标图像的真实位姿，所述第二OCR信息包括所述文本框的平面参数，所述根据所述第二图像信息和所述图像特征点信息确定所述室内图像的目标位置信息，包括：

根据所述真实位姿和所述平面参数，生成所述文本框内的图像特征点3D位置信息；

根据所述图像特征点3D位置信息和所述图像特征点位置信息，生成所述目标位置信息。

2.根据权利要求1所述的方法，其中，所述对所述室内图像进行识别以获取所述室内图像的第一光学字符识别OCR信息，包括：

获取图像识别模型；

将所述室内图像输入至所述图像识别模型；

通过所述图像识别模型对所述室内图像进行识别，以生成所述第一OCR信息。

3.根据权利要求1所述的方法，其中，所述目标图像为多个，所述根据所述第二图像信息和所述图像特征点信息确定所述室内图像的目标位置信息，包括：

分别根据多个所述目标图像的第二图像信息和所述图像特征点信息确定所述室内图像的多个初始位置信息；

对所述多个初始位置信息进行全变量优化，以生成所述目标位置信息。

4.一种视觉定位装置，包括：

第一获取模块，用于获取室内图像；

识别模块，用于对所述室内图像进行识别以获取所述室内图像的第一光学字符识别OCR信息，其中，所述第一OCR信息包括文本框内的文本信息和所述文本框内的图像特征点信息；

第二获取模块，用于以所述文本信息为索引从图像数据库之中进行查询，以获取至少一个候选图像的第一图像信息，所述图像数据库中包括多张图像和所述多张图像的图像信息，且所述多张图像的图像信息包括图像的真实位姿和所述图像的OCR信息；

第三获取模块，用于根据所述文本信息对应的文本框内的图像特征点信息从所述至少一个候选图像的第一图像信息中获取目标图像的第二图像信息；以及

确定模块，用于根据所述第二图像信息和所述图像特征点信息确定所述室内图像的目标位置信息；

其中，所述图像特征点信息包括图像特征点位置信息和图像特征点特征向量，所述第二图像信息包括所述目标图像的第二OCR信息，所述第三获取模块，具体用于：

将所述图像特征点特征向量分别与所述至少一个候选图像中每个所述候选图像对应的图像特征点特征向量进行匹配，以生成匹配结果；

根据所述匹配结果从所述至少一个候选图像的第一图像信息中获取所述目标图像的第二图像信息；

其中，所述第二图像信息还包括所述目标图像的真实位姿，所述第二OCR信息包括所述文本框的平面参数，所述确定模块，具体用于：

根据所述真实位姿和所述平面参数，生成所述文本框内的图像特征点3D位置信息；

根据所述图像特征点3D位置信息和所述图像特征点位置信息，生成所述目标位置信息。

5.根据权利要求4所述的装置，其中，所述识别模块，具体用于：

获取图像识别模型；

将所述室内图像输入至所述图像识别模型；

通过所述图像识别模型对所述室内图像进行识别，以生成所述第一OCR信息。

6.根据权利要求4所述的装置，其中，所述目标图像为多个，所述确定模块，具体用于：

分别根据多个所述目标图像的第二图像信息和所述图像特征点信息确定所述室内图像的多个初始位置信息；

对所述多个初始位置信息进行全变量优化，以生成所述目标位置信息。

7.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的视觉定位方法。

8.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-3中任一项所述的视觉定位方法。

9.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-3中任一项所述的视觉定位方法。

Images