CN113743413B - 一种结合图像语义信息的视觉slam方法及系统 - Google Patents

一种结合图像语义信息的视觉slam方法及系统 Download PDF

Info

Publication number
CN113743413B
CN113743413B CN202110876185.2A CN202110876185A CN113743413B CN 113743413 B CN113743413 B CN 113743413B CN 202110876185 A CN202110876185 A CN 202110876185A CN 113743413 B CN113743413 B CN 113743413B
Authority
CN
China
Prior art keywords
image
feature
module
features
visual slam
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
CN202110876185.2A
Other languages
English (en)
Other versions
CN113743413A (zh
Inventor
许璇
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.)
Dilu Technology Co Ltd
Original Assignee
Dilu Technology 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 Dilu Technology Co Ltd filed Critical Dilu Technology Co Ltd
Priority to CN202110876185.2A priority Critical patent/CN113743413B/zh
Publication of CN113743413A publication Critical patent/CN113743413A/zh
Application granted granted Critical
Publication of CN113743413B publication Critical patent/CN113743413B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种结合图像语义信息的视觉SLAM方法，包括以下步骤，采集图像并对图像进行均衡化处理；对所述处理后的图片进行图像特征提取；利用语义分割结合所述图像特征，对图像中的物体进行分类；设定可匹配范围，剔除错误匹配的特征对，并基于图优化的集束调整算法进行跟踪定位。本发明的有益效果：本发明提供的方法能够提升视觉SLAM定位精度，以及对于弱纹理等环境下的定位鲁棒性。在此过程中无需再借助于其它传感器设备，鲁棒性强，且无需人工干预。

Description

一种结合图像语义信息的视觉SLAM方法及系统
技术领域
本发明涉及视觉SLAM定位的技术领域，尤其涉及一种结合图像语义信息的视觉SLAM方法及系统。
背景技术
近年来，在机器人、无人机和自动驾驶等领域中，SLAM技术作为一个极其重要的模块，为其提供基本的定位，建图等相关的功能。而相机传感器作为一种信息丰富且廉价的传感器，是这些应用领域中必不可少的传感设备。因此基于图像视觉的视觉SLAM技术被经常应用在以上领域中。但传统的视觉SLAM方法中，需要对相机传感器获取的图像进行角点特征提取，而这在一些弱纹理，无纹理等场景中会造成极大的不便。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的一个技术问题是：提供一种结合图像的语义信息的视觉SLAM方法来提升视觉SLAM定位精度，以及对于弱纹理等环境下的定位鲁棒性。
为解决上述技术问题，本发明提供如下技术方案：采集图像并对图像进行均衡化处理；对所述处理后的图片进行图像特征提取；利用语义分割结合所述图像特征，对图像中的物体进行分类；设定可匹配范围，剔除错误匹配的特征对，并基于图优化的集束调整算法进行跟踪定位。
作为本发明所述的结合图像语义信息的视觉SLAM方法的一种优选方案，其中：所述图像特征提取还包括以下步骤，利用ORB算法提取角点特征，计算特征描述子，在候选区域内检测周围像素值，将周围区域内有足够多的像素点或者灰度值差别够大定为一个特征点，利用BRIEF算法计算一个二进制串作为特征描述子。
作为本发明所述的结合图像语义信息的视觉SLAM方法的一种优选方案，其中：所述对图像中的物体进行分类包括，利用卷积神经网络进行图像的语义分割，所述卷积神经网络包括对图像特征进行非线性映射，减少特征图像，输出分类后的图像，其中利用池化层进行特征图像的减少，其公式为如下：
Yn＝down(Yn-1)
其中：down为下采样操作，Yn为输出特征描述子，Yn-1为输入特征描述子，在反向传播时，要进行误差项传播，采用上采样计算误差项：
δn-1＝up(δn)
作为本发明所述的结合图像语义信息的视觉SLAM方法的一种优选方案，其中：所述设定可匹配范围包括：在两个特征点进行所述分类后属于同一类后，当其特征描述子的相似度达到85％，则认定二者相匹配并剔除错误匹配的特征对。
作为本发明所述的结合图像语义信息的视觉SLAM方法的一种优选方案，其中：所述并基于图优化的集束调整算法进行跟踪定位包括，将所述错误匹配的特征对剔除后，对图像进行跟踪定位，其公式可以表示为如下：
其中：α为定位参数，取值为0.7，Y为特征描述子，K为乘积概率，x、y为特征描述子中的特征因子。
作为本发明所述的结合图像语义信息的视觉SLAM方法的一种优选方案，其中：所述对图像进行均衡化处理包括，将原始图像进行非线性拉伸，重新分配图像的灰度值，使得一定范围内的所述图像灰度大致相同，其所用的公式为如下：
sk＝T(rk)＝L·∑i＝0i＝kPr(rk)
其中：sk为灰度级，L为图像中最大灰度级，k为像素总数，Pr(rk)为原始图像的灰度概率密度。
本发明解决的另一个技术问题是：提供一种结合图像的语义信息的视觉SLAM系统，使上述方法能够依托于该系统实现。
为解决上述技术问题，本发明提供如下技术方案：采集模块，所述采集模块用于进行图像的获取；处理模块能够对所述采集模块获取的图像进行均衡化处理；特征提取模块对所述处理模块均衡化处理后的图像进行特征提取；语义分割模块根据所述特征提取模块的提取特征，对所述数据特征进行分类；特征匹配模块连接于所述特征提取模块以及语义分割模块，根据分类类别以及图像特征进行匹配，并剔除错误匹配；后端优化模块连接于所述特征匹配模块，根据匹配好的图像特征，结合集束调整算法进行定位。
作为本发明所述的结合图像语义信息的视觉SLAM系统的一种优选方案，其中：所述特征匹配模块包括，特征匹配单元根据所述特征提取模块的提取特征进行特征匹配；特征剔除单元依据所述语义分割模块的分类情况以及所述特征匹配单元的匹配结果，将低于85％匹配度的特征剔除。
本发明的有益效果：本发明提供的方法能够提升视觉SLAM定位精度，以及对于弱纹理等环境下的定位鲁棒性。在此过程中无需再借助于其它传感器设备，鲁棒性强，且无需人工干预。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一种实施例所述结合图像的语义信息的视觉SLAM方法的整体流程结构示意图；
图2为本发明第一种实施例所述结合图像的语义信息的视觉SLAM方法的不同匹配度物体情况；
图3为本发明第二种实施例所述结合图像的语义信息的视觉SLAM系统的整体结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～2的示意，为本实施例中提出的结合图像语义信息的视觉SLAM方法的整体流程结构示意图。为了解决现有的觉SLAM定位方法对于弱纹理等场景有一定的限制，且视觉SLAM的定位精度与鲁棒性不够高的问题，本实施例提出通过结合图像语义信息的视觉SLAM方法，从而提高视觉SLAM的定位精度与鲁棒性。
更加具体的，本实施例提出的结合图像语义信息的视觉SLAM方法，还包括以下步骤，
S1：采集图像并对图像进行均衡化处理。其中需要说明的是，
对图像进行均衡化处理包括，将原始图像进行非线性拉伸，重新分配图像的灰度值，使得一定范围内的图像灰度大致相同，其所用的公式为如下：
sk＝T(rk)＝L·∑i＝0i＝kPr(rk)
其中：sk为灰度级，L为图像中最大灰度级，k为像素总数，Pr(rk)为原始图像的灰度概率密度。
S2：对处理后的图片进行图像特征提取。其中需要说明的是，
图像特征提取还包括以下步骤，利用ORB算法提取角点特征，计算特征描述子，在候选区域内检测周围像素值，将周围区域内有足够多的像素点或者灰度值差别够大定为一个特征点，利用BRIEF算法计算一个二进制串作为特征描述子。
S3：利用语义分割结合图像特征，对图像中的物体进行分类。其中需要说明的是，
对图像中的物体进行分类包括，利用卷积神经网络进行图像的语义分割，卷积神经网络包括对图像特征进行非线性映射，减少特征图像，输出分类后的图像，其中利用池化层进行特征图像的减少，其公式为如下：
Yn＝down(Yn-1)
其中：down为下采样操作，Yn为输出特征描述子，Yn-1为输入特征描述子，在反向传播时，要进行误差项传播，采用上采样计算误差项：
δn-1＝up(δn)
语义分割是对图像中属于不同类别的物体，具体为如天空、道路、马路牙和树木等的像素进行分类，并分别标注不同的类别。
S4：设定可匹配范围，剔除错误匹配的特征对，并基于图优化的集束调整算法进行跟踪定位。
设定可匹配范围包括：在两个特征点进行分类后属于同一类后，当其特征描述子的相似度达到85％，则认定二者相匹配并剔除错误匹配的特征对，将错误匹配的特征对剔除后，对图像进行跟踪定位，其公式可以表示为如下：
其中：α为定位参数，取值为0.7，Y为特征描述子，K为乘积概率，x、y为特征描述子中的特征因子。
在进行图像特征筛选时，选取85％作为筛选阈值，在进行特征匹配时，为了保障定位的精准性，会尽量提高图像特征筛选阈值，而在本发明中，其筛选条件中还添加了同类特征的元素，在同类特征中，参照图2所示，可以看出匹配度达到85％时，两种特征基本为同一物体。
为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例中选择数码影像定位方法进行测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
搭建一个图像定位模拟平台，选择一段1min的风景影像作为实验对象，并对影像中的某个人物个体进行定位，在使用传统数码影像定位方法进行定位时，首先将图像缩小、提取图像特征，并根据图像纹理特征进行候选区过滤，进而产生图像候选位置，在进行实验时，在对影像每隔10s进行影像截图，通过两种方法对特征定位的偏离位置进行定位误差度的测试，其中误差度以偏移量为5mm作为基准进行计算，其测试结果如下表1所示：
表1：不同定位方法的图像定位结果。
由上表可以看出，本发明进行定位时，其偏移距离均不超过1mm，误差度在15％，即其准确率在85％左右，而传统方法的误差度基本在20％以上，甚至达到25％，因此可以看出本申请的定位准确度明显高于传统方法，因此具有实用性。
实施例2
参照图3的示意，为实现上述结合图像语义信息的视觉SLAM方法，本实施例中提出一种结合图像语义信息的视觉SLAM系统，具体的，该系统包括采集模块100、处理模块200、特征提取模块300、语义分割模块400、特征匹配模块500和后端优化模块600。
其中，采集模块100，采集模块100用于进行图像的获取；处理模块200能够对采集模块100获取的图像进行均衡化处理；特征提取模块300对处理模块200均衡化处理后的图像进行特征提取；语义分割模块400根据特征提取模块300的提取特征，对数据特征进行分类；特征匹配模块500连接于特征提取模块300以及语义分割模块400，根据分类类别以及图像特征进行匹配，并剔除错误匹配；
后端优化模块600连接于特征匹配模块500，根据匹配好的图像特征，结合集束调整算法进行定位，具体的，采集模块100为相机，通过相机传感器能够获取其采集的图像。
进一步的是，特征匹配模块500包括，特征匹配单元501根据特征提取模块300的提取特征进行特征匹配；特征剔除单元502依据语义分割模块400的分类情况以及特征匹配单元501的匹配结果，将低于85％匹配度的特征剔除。
不难理解的是，不难理解的是，本实施例中所提供的系统，其涉及采集模块100、处理模块200、特征提取模块300、语义分割模块400、特征匹配模块500和后端优化模块600，例如可以是运行在计算机可读程序，通过提高各模块的程序数据接口实现。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组的信号，以本地和/或远程过程的方式进行通信。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种结合图像语义信息的视觉SLAM方法，其特征在于：包括，
采集图像并对图像进行均衡化处理；
对处理后的图片进行图像特征提取；
利用语义分割结合图像特征，对图像中的物体进行分类；
设定可匹配范围，剔除错误匹配的特征对，并基于图优化的集束调整算法进行跟踪定位；
所述图像特征提取还包括以下步骤，
利用ORB算法提取角点特征，计算特征描述子，在候选区域内检测周围像素值，将周围区域内有足够多的像素点或者灰度值差别够大定为一个特征点，利用BRIEF算法计算一个二进制串作为特征描述子；
所述对图像中的物体进行分类包括，
利用卷积神经网络进行图像的语义分割，卷积神经网络包括对图像特征进行非线性映射，减少特征图像，输出分类后的图像，其中利用池化层进行特征图像的减少，其公式如下：
Yn＝down(Yn-1)
其中：down为下采样操作，Yn为输出特征描述子，Yn-1为输入特征描述子，在反向传播时，要进行误差项传播，采用上采样计算误差项：
δn-1＝up(δn)
所述设定可匹配范围包括：
在两个特征点进行分类后属于同一类后，当其特征描述子的相似度达到85％，则认定二者相匹配并剔除错误匹配的特征对；
所述并基于图优化的集束调整算法进行跟踪定位包括，
将错误匹配的特征对剔除后，对图像进行跟踪定位，其公式表示为如下：
其中，α为定位参数，取值为0.7，Y为特征描述子，K为乘积概率，x、y为特征描述子中的特征因子。
2.如权利要求1所述的结合图像语义信息的视觉SLAM方法，其特征在于：
所述对图像进行均衡化处理包括，
将原始图像进行非线性拉伸，重新分配图像的灰度值，使得一定范围内的图像灰度相同，其所用的公式为如下：
sk＝T(rk)＝L·∑i＝0i＝kPr(rk)
其中，sk为灰度级，L为图像中最大灰度级，k为像素总数，Pr(rk)为原始图像的灰度概率密度。
3.一种结合图像语义信息的视觉SLAM系统，基于权利要求1～2任一所述的结合图像语义信息的视觉SLAM方法，其特征在于：包括，
采集模块(100)，所述采集模块(100)用于进行图像的获取；
处理模块(200)能够对所述采集模块(100)获取的图像进行均衡化处理；
特征提取模块(300)对所述处理模块(200)均衡化处理后的图像进行特征提取；
语义分割模块(400)根据所述特征提取模块(300)的提取特征，对数据特征进行分类；
特征匹配模块(500)连接于所述特征提取模块(300)以及语义分割模块(400)，根据分类类别以及图像特征进行匹配，并剔除错误匹配；
后端优化模块(600)连接于所述特征匹配模块(500)，根据匹配好的图像特征，结合集束调整算法进行定位。
4.如权利要求3所述的结合图像语义信息的视觉SLAM系统，其特征在于：所述特征匹配模块(500)包括，
特征匹配单元(501)根据所述特征提取模块(300)的提取特征进行特征匹配；
特征剔除单元(502)依据所述语义分割模块(400)的分类情况以及所述特征匹配单元(501)的匹配结果，将低于85％匹配度的特征剔除。
CN202110876185.2A 2021-07-30 2021-07-30 一种结合图像语义信息的视觉slam方法及系统 Active CN113743413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110876185.2A CN113743413B (zh) 2021-07-30 2021-07-30 一种结合图像语义信息的视觉slam方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110876185.2A CN113743413B (zh) 2021-07-30 2021-07-30 一种结合图像语义信息的视觉slam方法及系统

Publications (2)

Publication Number Publication Date
CN113743413A CN113743413A (zh) 2021-12-03
CN113743413B true CN113743413B (zh) 2023-12-01

Family

ID=78729696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110876185.2A Active CN113743413B (zh) 2021-07-30 2021-07-30 一种结合图像语义信息的视觉slam方法及系统

Country Status (1)

Country Link
CN (1) CN113743413B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105989586A (zh) * 2015-03-04 2016-10-05 北京雷动云合智能技术有限公司 一种基于语义光束平差法的slam方法
CN107680133A (zh) * 2017-09-15 2018-02-09 重庆邮电大学 一种基于改进闭环检测算法的移动机器人视觉slam方法
CN109307508A (zh) * 2018-08-29 2019-02-05 中国科学院合肥物质科学研究院 一种基于多关键帧的全景惯导slam方法
CN111080659A (zh) * 2019-12-19 2020-04-28 哈尔滨工业大学 一种基于视觉信息的环境语义感知方法
CN112381841A (zh) * 2020-11-27 2021-02-19 广东电网有限责任公司肇庆供电局 一种动态场景下基于gms特征匹配的语义slam方法
CN112509044A (zh) * 2020-12-02 2021-03-16 重庆邮电大学 一种基于点线特征融合的双目视觉slam方法
CN112785643A (zh) * 2021-02-02 2021-05-11 武汉科技大学 一种基于机器人平台的室内墙角二维语义地图构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10852838B2 (en) * 2014-06-14 2020-12-01 Magic Leap, Inc. Methods and systems for creating virtual and augmented reality

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105989586A (zh) * 2015-03-04 2016-10-05 北京雷动云合智能技术有限公司 一种基于语义光束平差法的slam方法
CN107680133A (zh) * 2017-09-15 2018-02-09 重庆邮电大学 一种基于改进闭环检测算法的移动机器人视觉slam方法
CN109307508A (zh) * 2018-08-29 2019-02-05 中国科学院合肥物质科学研究院 一种基于多关键帧的全景惯导slam方法
CN111080659A (zh) * 2019-12-19 2020-04-28 哈尔滨工业大学 一种基于视觉信息的环境语义感知方法
CN112381841A (zh) * 2020-11-27 2021-02-19 广东电网有限责任公司肇庆供电局 一种动态场景下基于gms特征匹配的语义slam方法
CN112509044A (zh) * 2020-12-02 2021-03-16 重庆邮电大学 一种基于点线特征融合的双目视觉slam方法
CN112785643A (zh) * 2021-02-02 2021-05-11 武汉科技大学 一种基于机器人平台的室内墙角二维语义地图构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
动态环境下视觉 SLAM 算法研究;姚若龙;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 *
移动机器人视觉里程计综述;丁文东;徐德;刘希龙;张大朋;陈天;;自动化学报(第03期);全文 *

Also Published As

Publication number Publication date
CN113743413A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN108009543B (zh) 一种车牌识别方法及装置
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
JP5775225B2 (ja) マルチレイヤ連結成分をヒストグラムと共に用いるテキスト検出
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
WO2020253508A1 (zh) 异常细胞检测方法、装置及计算机可读存储介质
CN111145209A (zh) 一种医学图像分割方法、装置、设备及存储介质
CN110717497B (zh) 图像相似度匹配方法、装置及计算机可读存储介质
CN110766708B (zh) 基于轮廓相似度的图像比较方法
CN110910445B (zh) 一种物件尺寸检测方法、装置、检测设备及存储介质
Thajeel et al. A Novel Approach for Detection of Copy Move Forgery using Completed Robust Local Binary Pattern.
CN113609984A (zh) 一种指针式仪表读数识别方法、装置及电子设备
CN112241745A (zh) 一种基于光照不变颜色空间的特征点提取方法
CN112861785A (zh) 一种基于实例分割和图像修复的带遮挡行人重识别方法
CN108960246B (zh) 一种用于图像识别的二值化处理装置及方法
Shit et al. An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection
CN110555406B (zh) 一种基于Haar-like特征及CNN匹配的视频运动目标识别方法
CN113743413B (zh) 一种结合图像语义信息的视觉slam方法及系统
CN111444834A (zh) 图像文本行检测方法、装置、设备及存储介质
CN111178200A (zh) 一种仪表盘指示灯的识别方法及计算设备
CN112699898B (zh) 一种基于多层特征融合的图像方向识别方法
CN111931689B (zh) 一种在线提取视频卫星数据鉴别特征的方法
Wang et al. Single image deraining using deep convolutional networks
CN116206229A (zh) 目标检测方法和装置
CN113837015A (zh) 一种基于特征金字塔的人脸检测方法及系统
Rani et al. Object Detection in Natural Scene Images Using Thresholding Techniques

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