CN113780313A - 线特征的提取方法、装置和电子设备 - Google Patents
线特征的提取方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113780313A CN113780313A CN202111101401.2A CN202111101401A CN113780313A CN 113780313 A CN113780313 A CN 113780313A CN 202111101401 A CN202111101401 A CN 202111101401A CN 113780313 A CN113780313 A CN 113780313A
- Authority
- CN
- China
- Prior art keywords
- line segment
- semantic segmentation
- segmentation
- image
- original image
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 165
- 238000012417 linear regression Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 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
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种线特征的提取方法、装置和电子设备，包括：获取原始图像的语义分割图；对语义分割图中类别信息为柱状体的分割区域进行直线回归，提取得到柱状体分割区域的中心线段；将中心线段作为原始图像的特征线段。本发明的线特征提取方法提取的特征线段是基于语义分割提取的柱状体的中心线段，稳定性好，无论拍摄角度如何变化，该中心线段都是唯一不变的，后续不会发生匹配错误的状况，提取的特征线段鲁棒性好，缓解了现有的线特征提取方法提取的线段鲁棒性差，无法应用于后续的特征匹配的技术问题。
Description
技术领域
本发明涉及图像处理的技术领域，尤其是涉及一种线特征的提取方法、装置和电子设备。
背景技术
在目前的视觉同步定位与地图构建系统(Simultaneous Localization andMapping，简称SLAM)中，技术人员通常利用前后帧图像之间的特征匹配估计相机运动。在这一过程中，需要通过图像特征提取算法提取前后帧图像的特征，然后通过前后帧图像特征的匹配，估计相机位置和姿态，从而根据相机位置增量式的构建地图，达到定位和地图构建的目的。
在目前的视觉同步定位与地图构建系统中，对于曼哈顿世界，图像的线段更容易被检测到，线段特征对于提升视觉SLAM定位的鲁棒性具有重要作用，所以，对线段进行特征提取很有必要。目前，在对线段进行特征提取时，常常采用基于LSD的线段提取算法对采集到的图像进行线段提取，从而得到其中的线段，该方法是基于灰度梯度的变化实现的线段提取，如果像素灰度梯度的变化在一条线上是相同的，则说明这些像素组成的点是一条线段。然而，当一条线段受光照的影响不同时，该条线段的像素点的灰度梯度的变化可能不同，例如，该条线段的一段区域的像素点的灰度梯度的变化呈现一种相同的趋势，另一段区域的像素点的灰度梯度的变化呈现另一种相同的趋势，那么，在进行线段提取时，就会将原本为一条线段的线切分提取为两条线段，也就是说，提取的线段在长度上很不稳定，准确性不好；而基于语义提取的柱状体边缘相对稳定，不易受光照的影响，但是，当对两张拍摄角度不同的较粗的柱状体的图像进行边缘提取时，提取的边缘会被认定为相同，而实际上由于拍摄角度不同，提取的边缘应该不同。例如，在柱状体的左侧对其拍摄，然后基于语义对拍摄的图像进行边缘提取，得到第一边缘，再在柱状物的右侧对其拍摄，然后基于语义对拍摄的图像进行边缘提取，得到第二边缘，上述第一边缘和第二边缘实际上并不相同，但是，在进行后续的匹配时，若上述两个边缘的背景也相同，则两个边缘的描述子也相同，基于描述子进行二者的匹配时，就会被认定为相同的边缘，出现匹配错误的现象，即无法在两帧图像之间实现有效的配对。也就是说，基于语义提取的柱状体边缘在进行后续匹配时，存在匹配错误的情况。
综上，现有技术的线特征提取方法提取的线段鲁棒性差，无法应用于后续的特征匹配。
发明内容
有鉴于此，本发明的目的在于提供一种线特征的提取方法、装置和电子设备，以缓解现有的线特征提取方法提取的线段鲁棒性差，无法应用于后续的特征匹配的技术问题。
第一方面，本发明实施例提供了一种线特征的提取方法，包括：
获取原始图像的语义分割图，其中，所述语义分割图包括至少一个分割区域和每个分割区域的类别信息；
对所述语义分割图中类别信息为柱状体的分割区域进行直线回归，提取得到柱状体分割区域的中心线段；
将所述中心线段作为所述原始图像的特征线段。
进一步的，对所述语义分割图中类别信息为柱状体的分割区域进行直线回归，包括：
对所述语义分割图中类别信息为柱状体的分割区域进行支持向量机直线回归，提取得到所述柱状体分割区域的中心线段。
进一步的，当所述原始图像为二维图像时，获取原始图像的语义分割图，包括：
采用语义分割模型对所述二维图像进行语义分割，得到所述二维图像的语义分割图。
进一步的，当所述原始图像为三维点云图像时，获取原始图像的语义分割图，包括：
采用语义分割模型对所述三维点云图像对应的二维图像进行语义分割，得到第一语义分割图；
根据所述三维点云图像与所述第一语义分割图的各个像素点的对应关系，确定所述三维点云图像的语义分割图。
进一步的，对所述语义分割图中类别信息为柱状体的分割区域进行支持向量机直线回归，包括：
在所述柱状体的分割区域中确定目标线段，使得所述柱状体的分割区域中位于所述目标线段的预设区带外的像素点与所述目标线段的距离和最小；
将所述目标线段作为所述柱状体分割区域的中心线段。
进一步的，所述方法还包括：
确定相邻两帧原始图像的特征线段和特征线段的描述子；
计算所述相邻两帧原始图像的特征线段的描述子之间的距离；
若所述距离小于预设值，则确定所述相邻两帧原始图像中与所述特征线段的描述子对应的特征线段匹配；
若所述距离不小于所述预设值，则确定所述相邻两帧原始图像中与所述特征线段的描述子对应的特征线段不匹配。
进一步的，所述语义分割模型为预先训练的模型，当所述原始图像为二维图像，所述原始图像的特征线段为二维线段，当所述原始图像为三维点云图像，所述原始图像的特征线段为三维线段。
第二方面，本发明实施例还提供了一种线特征的提取装置，包括：
获取单元，用于获取原始图像的语义分割图，其中，所述语义分割图包括至少一个分割区域和每个分割区域的类别信息；
直线回归单元，用于对所述语义分割图中类别信息为柱状体的分割区域进行直线回归，提取得到柱状体分割区域的中心线段；
设定单元，用于将所述中心线段作为所述原始图像的特征线段。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
在本发明实施例中，提供了一种线特征的提取方法，包括：先获取原始图像的语义分割图；然后，对语义分割图中类别信息为柱状体的分割区域进行直线回归，提取得到柱状体分割区域的中心线段；最后，将中心线段作为原始图像的特征线段。通过上述描述可知，本发明的线特征提取方法提取的特征线段是基于语义分割提取的柱状体的中心线段，稳定性好，无论拍摄角度如何变化，该中心线段都是唯一不变的，后续不会发生匹配错误的状况，提取的特征线段鲁棒性好，缓解了现有的线特征提取方法提取的线段鲁棒性差，无法应用于后续的特征匹配的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1为本发明实施例提供的一种线特征的提取方法的流程图；
图2为本发明实施例提供的对语义分割图中类别信息为柱状体的分割区域进行支持向量机直线回归的方法流程图；
图3为本发明实施例提供的获取原始图像的语义分割图的方法流程图；
图4为本发明实施例提供的特征匹配的方法流程图；
图5为本发明实施例提供的一种线特征的提取装置的示意图；
图6为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
目前，采用基于LSD的线段提取算法对采集到的图像进行线段提取时，提取的线段在长度上很不稳定，准确性不好；而基于语义提取的柱状体边缘相对稳定，不易受光照的影响，但是，基于语义提取的柱状体边缘在进行后续匹配时，存在匹配错误的情况。
基于此，本发明的线特征提取方法提取的特征线段是基于语义分割提取的柱状体的中心线段，稳定性好，无论拍摄角度如何变化，该中心线段都是唯一不变的，后续不会发生匹配错误的状况，提取的特征线段鲁棒性好。
下面结合附图对本发明实施例进行进一步介绍。
实施例一：
根据本发明实施例，提供了一种线特征的提取方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种线特征的提取方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取原始图像的语义分割图，其中，语义分割图包括至少一个分割区域和每个分割区域的类别信息；
在本发明实施例中，上述原始图像可以为二维的RGB图像，该二维的RGB图像可以是摄像机对柱状体进行拍摄得到的，也可以是预先存储的柱状体的RGB图像，上述原始图像还可以为三维点云图像，该三维点云图像可以是激光雷达对柱状体进行扫描得到的，也可以是预先存储的柱状体的三维点云图像。
具体的，当原始图像为二维图像时，原始图像的语义分割图也为二维的分割图，而当原始图像为三维点云图像时，原始图像的语义分割图也为三维的分割图，上述语义分割图包括至少一个分割区域和每个分割区域的类别信息。
另外，语义分割图为与原始图像的尺度大小相同的包含至少一个分割区域的分割图，也就是说语义分割图中各像素与原始图像中对应的像素点一一对应。
步骤S104，对语义分割图中类别信息为柱状体的分割区域进行直线回归，提取得到柱状体分割区域的中心线段；
上述对柱状体的分割区域进行直线回归是为了提取得到柱状体分割区域的中心线段，这样，无论拍摄角度如何变化，该中心线段都是唯一不变的，后续在进行特征匹配时，不会发生匹配错误的状况，鲁棒性好。也就是说提取得到的是柱状体的中心线，对柱状体分割区域的边缘像素不稳定的情况不敏感。
步骤S106，将中心线段作为原始图像的特征线段。
在本发明实施例中，提供了一种线特征的提取方法，包括：先获取原始图像的语义分割图；然后，对语义分割图中类别信息为柱状体的分割区域进行直线回归，提取得到柱状体分割区域的中心线段；最后，将中心线段作为原始图像的特征线段。通过上述描述可知，本发明的线特征提取方法提取的特征线段是基于语义分割提取的柱状体的中心线段，稳定性好，无论拍摄角度如何变化，该中心线段都是唯一不变的，后续不会发生匹配错误的状况，提取的特征线段鲁棒性好，缓解了现有的线特征提取方法提取的线段鲁棒性差，无法应用于后续的特征匹配的技术问题。
上述内容对本发明的线特征的提取方法进行了简要介绍，下面对其中涉及到的具体内容进行详细描述。
在本发明的一个可选实施例中，上述步骤S104，对语义分割图中类别信息为柱状体的分割区域进行直线回归，具体包括：对语义分割图中类别信息为柱状体的分割区域进行支持向量机直线回归，提取得到柱状体分割区域的中心线段。
在本发明实施例中，采用的是支持向量机直线回归(SVR)，能够回归得到准确的柱状体分割区域的中心线段，适用于语义分割后得到的分割区域中的数据，而最小二乘直线回归适用于服从高斯正态分布的数据，显然，本发明的柱状体分割区域中的数据不服从高斯正态分布，适合采用支持向量机直线回归。
在本发明的一个可选实施例中，参考图2，对语义分割图中类别信息为柱状体的分割区域进行支持向量机直线回归，具体包括如下步骤：
步骤S201，在柱状体的分割区域中确定目标线段，使得柱状体的分割区域中位于目标线段的预设区带外的像素点与目标线段的距离和最小；
上述预设区带为目标线段往左右两侧扩张预设距离后得到的。
步骤S202，将目标线段作为柱状体分割区域的中心线段。
在本发明的一个可选实施例中，当原始图像为二维图像时，获取原始图像的语义分割图，具体包括：采用语义分割模型对二维图像进行语义分割，得到二维图像的语义分割图。
具体的，将二维图像输入至语义分割模型，就能输出得到二维图像的语义分割图。
在本发明的一个可选实施例中，当原始图像为三维点云图像时，参考图3，获取原始图像的语义分割图，具体包括如下步骤：
步骤S301，采用语义分割模型对三维点云图像对应的二维图像进行语义分割，得到第一语义分割图；
步骤S302，根据三维点云图像与第一语义分割图的各个像素点的对应关系，确定三维点云图像的语义分割图。
具体的，第一语义分割图中包含至少一个分割区域和每个分割区域的类别信息，因为第一语义分割图的各点与三维点云图像中的点之间存在对应关系，那么对应的就能根据第一语义分割图的各点的语义讯息确定三维点云图像中的各点的语义讯息，进而确定得到三维点云图像的语义分割图。
在本发明的一个可选实施例中，参考图4，该方法还包括：
步骤S401，确定相邻两帧原始图像的特征线段和特征线段的描述子；
具体的，确定相邻两帧原始图像的特征线段的过程可以参考上述步骤S102至步骤S106进行，而确定特征线段的描述子的过程可以参考现有技术中确定特征线段的描述子的过程进行确定，这里不再赘述。
步骤S402，计算相邻两帧原始图像的特征线段的描述子之间的距离；
步骤S403，若距离小于预设值，则确定相邻两帧原始图像中与特征线段的描述子对应的特征线段匹配；
步骤S404，若距离不小于预设值，则确定相邻两帧原始图像中与特征线段的描述子对应的特征线段不匹配。
在本发明的一个可选实施例中，上述语义分割模型为预先训练的模型，当原始图像为二维图像，原始图像的特征线段为二维线段，当原始图像为三维点云图像，原始图像的特征线段为三维线段。
本发明的线特征的提取方法采用支持向量机直线回归，对于边缘像素不稳定较不敏感，可以提取出概率最大的中心线。而且在不同角度对同一分割出的柱状体分割区域不会因观测到的边缘实际不是同一边缘造成错误匹配而对定位产生负贡献。
实施例二：
本发明实施例还提供了一种线特征的提取装置，该线特征的提取装置主要用于执行本发明实施例一中所提供的线特征的提取方法，以下对本发明实施例提供的线特征的提取装置做具体介绍。
图5是根据本发明实施例的一种线特征的提取装置的示意图，如图5所示，该装置主要包括：获取单元10、直线回归单元20和设定单元30，其中：
获取单元，用于获取原始图像的语义分割图，其中，语义分割图包括至少一个分割区域和每个分割区域的类别信息；
直线回归单元，用于对语义分割图中类别信息为柱状体的分割区域进行直线回归，提取得到柱状体分割区域的中心线段；
设定单元，用于将中心线段作为原始图像的特征线段。
在本发明实施例中，提供了一种线特征的提取装置，包括：先获取原始图像的语义分割图；然后，对语义分割图中类别信息为柱状体的分割区域进行直线回归，提取得到柱状体分割区域的中心线段；最后，将中心线段作为原始图像的特征线段。通过上述描述可知，本发明的线特征提取装置提取的特征线段是基于语义分割提取的柱状体的中心线段，稳定性好，无论拍摄角度如何变化，该中心线段都是唯一不变的，后续不会发生匹配错误的状况，提取的特征线段鲁棒性好，缓解了现有的线特征提取方法提取的线段鲁棒性差，无法应用于后续的特征匹配的技术问题。
可选地，直线回归单元还用于：对语义分割图中类别信息为柱状体的分割区域进行支持向量机直线回归，提取得到柱状体分割区域的中心线段。
可选地，当原始图像为二维图像时，获取单元还用于：采用语义分割模型对二维图像进行语义分割，得到二维图像的语义分割图。
可选地，当原始图像为三维点云图像时，获取单元还用于：采用语义分割模型对三维点云图像对应的二维图像进行语义分割，得到第一语义分割图；根据三维点云图像与第一语义分割图的各个像素点的对应关系，确定三维点云图像的语义分割图。
可选地，直线回归单元还用于：在柱状体的分割区域中确定目标线段，使得柱状体的分割区域中位于目标线段的预设区带外的像素点与目标线段的距离和最小；将目标线段作为柱状体分割区域的中心线段。
可选地，该装置还用于：确定相邻两帧原始图像的特征线段和特征线段的描述子；计算相邻两帧原始图像的特征线段的描述子之间的距离；若距离小于预设值，则确定相邻两帧原始图像中与特征线段的描述子对应的特征线段匹配；若距离不小于预设值，则确定相邻两帧原始图像中与特征线段的描述子对应的特征线段不匹配。
可选地，语义分割模型为预先训练的模型，当原始图像为二维图像，原始图像的特征线段为二维线段，当原始图像为三维点云图像，原始图像的特征线段为三维线段。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
如图6所示，本申请实施例提供的一种电子设备600，包括：处理器601、存储器602和总线，所述存储器602存储有所述处理器601可执行的机器可读指令，当电子设备运行时，所述处理器601与所述存储器602之间通过总线通信，所述处理器601执行所述机器可读指令，以执行如上述线特征的提取方法的步骤。
具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定，当处理器601运行存储器602存储的计算机程序时，能够执行上述线特征的提取方法。
处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。
对应于上述线特征的提取方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述线特征的提取方法的步骤。
本申请实施例所提供的线特征的提取装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。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，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，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。
再例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
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，在本申请提供的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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述车辆标记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-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种线特征的提取方法，其特征在于，包括：
获取原始图像的语义分割图，其中，所述语义分割图包括至少一个分割区域和每个分割区域的类别信息；
对所述语义分割图中类别信息为柱状体的分割区域进行直线回归，提取得到柱状体分割区域的中心线段；
将所述中心线段作为所述原始图像的特征线段。
2.根据权利要求1所述的方法，其特征在于，对所述语义分割图中类别信息为柱状体的分割区域进行直线回归，包括：
对所述语义分割图中类别信息为柱状体的分割区域进行支持向量机直线回归，提取得到所述柱状体分割区域的中心线段。
3.根据权利要求1所述的方法，其特征在于，当所述原始图像为二维图像时，获取原始图像的语义分割图，包括：
采用语义分割模型对所述二维图像进行语义分割，得到所述二维图像的语义分割图。
4.根据权利要求1所述的方法，其特征在于，当所述原始图像为三维点云图像时，获取原始图像的语义分割图，包括：
采用语义分割模型对所述三维点云图像对应的二维图像进行语义分割，得到第一语义分割图；
根据所述三维点云图像与所述第一语义分割图的各个像素点的对应关系，确定所述三维点云图像的语义分割图。
5.根据权利要求2所述的方法，其特征在于，对所述语义分割图中类别信息为柱状体的分割区域进行支持向量机直线回归，包括：
在所述柱状体的分割区域中确定目标线段，使得所述柱状体的分割区域中位于所述目标线段的预设区带外的像素点与所述目标线段的距离和最小；
将所述目标线段作为所述柱状体分割区域的中心线段。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定相邻两帧原始图像的特征线段和特征线段的描述子；
计算所述相邻两帧原始图像的特征线段的描述子之间的距离；
若所述距离小于预设值，则确定所述相邻两帧原始图像中与所述特征线段的描述子对应的特征线段匹配；
若所述距离不小于所述预设值，则确定所述相邻两帧原始图像中与所述特征线段的描述子对应的特征线段不匹配。
7.根据权利要求3或4所述的方法，其特征在于，所述语义分割模型为预先训练的模型，当所述原始图像为二维图像，所述原始图像的特征线段为二维线段，当所述原始图像为三维点云图像，所述原始图像的特征线段为三维线段。
8.一种线特征的提取装置，其特征在于，包括：
获取单元，用于获取原始图像的语义分割图，其中，所述语义分割图包括至少一个分割区域和每个分割区域的类别信息；
直线回归单元，用于对所述语义分割图中类别信息为柱状体的分割区域进行直线回归，提取得到柱状体分割区域的中心线段；
设定单元，用于将所述中心线段作为所述原始图像的特征线段。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111101401.2A CN113780313A (zh) | 2021-09-18 | 2021-09-18 | 线特征的提取方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111101401.2A CN113780313A (zh) | 2021-09-18 | 2021-09-18 | 线特征的提取方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113780313A true CN113780313A (zh) | 2021-12-10 |
Family
ID=78852306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111101401.2A Pending CN113780313A (zh) | 2021-09-18 | 2021-09-18 | 线特征的提取方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780313A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017059207A (ja) * | 2015-09-18 | 2017-03-23 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | 画像認識方法 |
| CN107622271A (zh) * | 2016-07-15 | 2018-01-23 | 科大讯飞股份有限公司 | 手写文本行提取方法及系统 |
| US20190147250A1 (en) * | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | Semantic Segmentation of Three-Dimensional Data |
| US20190155973A1 (en) * | 2017-11-02 | 2019-05-23 | Airworks Solutions, Inc. | Methods and apparatus for automatically defining computer-aided design files using machine learning, image analytics, and/or computer vision |
| CN110781863A (zh) * | 2019-11-07 | 2020-02-11 | 广东星舆科技有限公司 | 车辆与局部区域位置关系的识别方法、装置及存储介质 |
| CN110866497A (zh) * | 2019-11-14 | 2020-03-06 | 合肥工业大学 | 基于点线特征融合的机器人定位与建图方法和装置 |
| CN111242958A (zh) * | 2020-01-15 | 2020-06-05 | 浙江工业大学 | 一种基于结构特征优化的颈动脉级联学习分割方法 |
| CN111461141A (zh) * | 2020-03-30 | 2020-07-28 | 歌尔科技有限公司 | 一种设备位姿计算方法装置及设备 |
| CN112396595A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 一种动态环境下基于点线特征的语义slam方法 |
| CN112465840A (zh) * | 2020-12-10 | 2021-03-09 | 重庆紫光华山智安科技有限公司 | 语义分割模型训练方法、语义分割方法及相关装置 |
| WO2021151321A1 (zh) * | 2020-08-07 | 2021-08-05 | 平安科技（深圳）有限公司 | 一种识别车道线的方法、装置、设备及存储介质 |
-
2021
- 2021-09-18 CN CN202111101401.2A patent/CN113780313A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017059207A (ja) * | 2015-09-18 | 2017-03-23 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | 画像認識方法 |
| CN107622271A (zh) * | 2016-07-15 | 2018-01-23 | 科大讯飞股份有限公司 | 手写文本行提取方法及系统 |
| US20190155973A1 (en) * | 2017-11-02 | 2019-05-23 | Airworks Solutions, Inc. | Methods and apparatus for automatically defining computer-aided design files using machine learning, image analytics, and/or computer vision |
| US20190147250A1 (en) * | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | Semantic Segmentation of Three-Dimensional Data |
| CN110781863A (zh) * | 2019-11-07 | 2020-02-11 | 广东星舆科技有限公司 | 车辆与局部区域位置关系的识别方法、装置及存储介质 |
| CN110866497A (zh) * | 2019-11-14 | 2020-03-06 | 合肥工业大学 | 基于点线特征融合的机器人定位与建图方法和装置 |
| CN111242958A (zh) * | 2020-01-15 | 2020-06-05 | 浙江工业大学 | 一种基于结构特征优化的颈动脉级联学习分割方法 |
| CN111461141A (zh) * | 2020-03-30 | 2020-07-28 | 歌尔科技有限公司 | 一种设备位姿计算方法装置及设备 |
| WO2021151321A1 (zh) * | 2020-08-07 | 2021-08-05 | 平安科技（深圳）有限公司 | 一种识别车道线的方法、装置、设备及存储介质 |
| CN112396595A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 一种动态环境下基于点线特征的语义slam方法 |
| CN112465840A (zh) * | 2020-12-10 | 2021-03-09 | 重庆紫光华山智安科技有限公司 | 语义分割模型训练方法、语义分割方法及相关装置 |
Non-Patent Citations (6)
| Title |
|---|
| SERGIO BENINI等: "Face analysis through semantic face segmentation", SIGNAL PROCESSING: IMAGE COMMUNICATION, vol. 74, pages 21 - 31, XP055815287, DOI: 10.1016/j.image.2019.01.005 * |
| XIAOCHEN WEI等: "Road Extraction in SAR Images Using Ordinal Regression and Road-Topology Loss", REMOTE SENSING, vol. 13, no. 11, pages 1 - 25 * |
| 刘璧钺等: "基于改进 LSD 和 AP 聚类的路径边缘识别策略", 图学学报, vol. 40, no. 5, pages 915 - 924 * |
| 徐云静等: "面向质量退化的车牌字符分割方法", 计算机工程与设计, vol. 40, no. 11, pages 3319 - 3330 * |
| 胡慧娟等: "点线特征结合的视觉 SLAM 闭环检测研究", 计量与测试技术, no. 4, pages 15 - 19 * |
| 郝昭等: "基于WSN路由节点度模型的楼宇走廊定位算法", 传感技术学报, vol. 30, no. 11, pages 1070 - 1075 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016705B (zh) | 计算机视觉系统中的地平面估计 | |
| US20190303650A1 (en) | Automatic object recognition method and system thereof, shopping device and storage medium | |
| CN111860489A (zh) | 一种证件图像校正方法、装置、设备及存储介质 | |
| WO2023024443A1 (zh) | 数据匹配方法及装置、电子设备、存储介质和程序产品 | |
| CN116433701B (zh) | 一种工件孔洞轮廓的提取方法、装置、设备及存储介质 | |
| US20220398716A1 (en) | Method of detecting product defects, electronic device, and storage medium | |
| CN109389628B (zh) | 图像配准方法、设备和存储介质 | |
| CN112767412B (zh) | 车辆部件级分割方法、装置以及电子设备 | |
| US10354409B2 (en) | Image processing device, image processing method, and non-transitory computer-readable recording medium | |
| CN113298852A (zh) | 目标跟踪方法、装置、电子设备及计算机可读存储介质 | |
| CN112837384A (zh) | 车辆标记方法、装置和电子设备 | |
| CN110210291B (zh) | 导向片参数获取方法、装置、电子设备以及存储介质 | |
| CN116977671A (zh) | 基于图像空间定位的目标跟踪方法、装置、设备及存储介质 | |
| CN113780313A (zh) | 线特征的提取方法、装置和电子设备 | |
| US20240127567A1 (en) | Detection-frame position-accuracy improving system and detection-frame position correction method | |
| KR101911860B1 (ko) | 깊이 영상에서 카메라 모델 및 필터를 이용한 도로 검출 방법 및 장치 | |
| JP7152506B2 (ja) | 撮像装置 | |
| CN113569876A (zh) | 图像特征提取方法、装置和电子设备 | |
| CN110287943B (zh) | 图像的对象识别方法、装置、电子设备及存储介质 | |
| CN111429399A (zh) | 一种直线检测方法及装置 | |
| CN115423855B (zh) | 图像的模板匹配方法、装置、设备及介质 | |
| JP2018097853A (ja) | 画像比較装置、方法及び電子機器 | |
| CN117197422B (zh) | 识别码的定位方法、电子设备及存储介质 | |
| US20230023611A1 (en) | Method of identifying characters in images, electronic device, and storage medium | |
| US20230386055A1 (en) | Image feature matching method, computer device, and storage medium |
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 |