CN113870428A - 场景地图生成方法、相关装置及计算机程序产品 - Google Patents
场景地图生成方法、相关装置及计算机程序产品 Download PDFInfo
- Publication number
- CN113870428A CN113870428A CN202111148059.1A CN202111148059A CN113870428A CN 113870428 A CN113870428 A CN 113870428A CN 202111148059 A CN202111148059 A CN 202111148059A CN 113870428 A CN113870428 A CN 113870428A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- feature
- features
- scene map
- scene
- 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 58
- 238000004590 computer program Methods 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 27
- 230000004044 response Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 abstract description 12
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/61—Scene description
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了场景地图生成方法、装置、电子设备、计算机可读存储介质及计算机程序产品,涉及计算机视觉和深度学习等人工智能技术领域,可应用于视觉定位和三维视觉场景下。该方法的一具体实施方式包括:采用不同的特征提取算法分别从目标场景的二维图像集中提取二维特征后,关联对应相同物体的不同二维特征,生成关联二维特征组,其中,该关联二维特征组中包括的二维特征都属于相同物体,接下来,利用该关联二维特征组生成对应物体的三维特征,最后,汇聚该目标场景内包括的各物体的三维特征,生成该目标场景的场景地图。该实施方式可增强场景地图对于不同类型二维特征的兼容能力,在降低场景地图维护难度的同时,便于用户进行视觉定位。
Description
技术领域
本公开涉及计算机技术领域,具体涉及计算机视觉和深度学习等人工智能技术领域,可应用于视觉定位和三维视觉场景下,尤其涉及场景地图生成方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
三维场景地图,指的是以三维电子地图数据库为基础,按照一定比例对现实世界或其中一部分的一个或多个方面的三维、抽象的描述。网络三维电子地图不仅通过直观的地理实景模拟表现方式,为用户提供地图查询、出行导航等地图检索功能,同时集成生活资讯、电子政务、电子商务、虚拟社区、出行导航等一系列服。
现有技术中,在三维场景地图的构建过程中,需要利用基于真实场景拍摄得到的二维图像,从该二维图像中提取出真实物体的三维特征,并汇聚场景中各真实物体的三维特征,重建得到三维场景地图。
发明内容
本公开实施例提出了一种场景地图生成方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本公开实施例提出了一种场景地图生成方法,包括:采用不同的特征提取算法分别从目标场景的二维图像集中提取二维特征;关联对应相同物体的不同二维特征,生成关联二维特征组,其中,该关联二维特征组中包括的二维特征都属于相同物体;利用该关联二维特征组生成对应物体的三维特征;汇聚该目标场景内包括的各物体的三维特征,生成该目标场景的场景地图。
第二方面,本公开实施例提出了一种场景地图生成装置,包括:二维特征提取单元,被配置成采用不同的特征提取算法分别从目标场景的二维图像集中提取二维特征;特征组生成单元,被配置成关联对应相同物体的不同二维特征,生成关联二维特征组,其中,该关联二维特征组中包括的二维特征都属于相同物体;三维特征生成单元,被配置成利用该关联二维特征组生成对应物体的三维特征;场景地图生成单元,被配置成汇聚该目标场景内包括的各物体的三维特征,生成该目标场景的场景地图。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的场景地图生成方法。
第四方面,本公开实施例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,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的场景地图生成方法。
第五方面,本公开实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的场景地图生成方法。
本公开实施例提供的场景地图生成方法、装置、电子设备、计算机可读存储介质及计算机程序产品,采用不同的特征提取算法分别从目标场景的二维图像集中提取二维特征后,关联对应相同物体的不同二维特征,生成关联二维特征组,其中,该关联二维特征组中包括的二维特征都属于相同物体,接下来,利用该关联二维特征组生成对应物体的三维特征,最后,汇聚该目标场景内包括的各物体的三维特征,生成该目标场景的场景地图。
本公开基于不同的特征提取算法提取处的二维特征进行场景地图的构建,可增强场景地图对于不同类型二维特征的兼容能力,在降低场景地图维护难度的同时,便于用户进行视觉定位。
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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性系统架构;
图2为本公开实施例提供的一种场景地图生成方法的流程图;
图3为本公开实施例提供的另一种场景地图生成方法的流程图;
图4为本公开实施例提供的一种基于特征类型调整后的各关联二维特征生成对应物体的三维特征的流程图;
图5-1和5-2为本公开实施例提供的在一应用场景下的场景地图生成方法的效果示意图;
图6为本公开实施例提供的一种场景地图生成装置的结构框图;
图7为本公开实施例提供的一种适用于执行场景地图生成方法的电子设备的结构示意图。
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。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
此外,本公开涉及的技术方案中,所涉及的用户个人信息的获取、存储、使用、加工、运输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1示出了可以应用本公开的场景地图生成方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用,例如场景地图构筑类应用、视觉定位类应用、即时通讯类应用等。
终端设备101、102、103和服务器105可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等;当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中,其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
服务器105通过内置的各种应用可以提供各种服务,以可以提供场景地图互动生成的场景地图构筑类应用为例,服务器105在运行该场景地图构筑类应用时可实现如下效果:首先,通过网络104从终端设备101、102、103中获取目标场景的二维场景图像集,并采用不同的特征提取算法分别从目标场景的二维图像集中提取二维特征;然后,服务器105关联对应相同物体的不同二维特征,生成关联二维特征组,其中,该关联二维特征组中包括的二维特征都属于相同物体;接下来,服务器105利用该关联二维特征组生成对应物体的三维特征;最后,服务器105汇聚该目标场景内包括的各物体的三维特征,生成该目标场景的场景地图。
需要指出的是,目标场景的二维场景图像集除可以从终端设备101、102、103通过网络104获取到之外,也可以通过各种方式预先存储在服务器105本地。因此,当服务器105检测到本地已经存储有这些数据时(例如开始处理之前留存的场景地图生成任务),可选择直接从本地获取这些数据,在此种情况下,示例性系统架构100也可以不包括终端设备101、102、103和网络104。
由于采用不同的特征提取算法对从二维图像中提取二维特征,以及构筑场景地图需要占用较多的运算资源和较强的运算能力,因此本公开后续各实施例所提供的场景地图生成方法一般由拥有较强运算能力、较多运算资源的服务器105来执行,相应地,场景地图生成装置一般也设置于服务器105中。但同时也需要指出的是,在终端设备101、102、103也具有满足要求的运算能力和运算资源时,终端设备101、102、103也可以通过其上安装的场景地图构筑类应用完成上述本交由服务器105做的各项运算,进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下,但场景地图构筑类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时,可以让终端设备来执行上述运算,从而适当减轻服务器105的运算压力,相应的,场景地图生成装置也可以设置于终端设备101、102、103中。在此种情况下,示例性系统架构100也可以不包括服务器105和网络104。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,图2为本公开实施例提供的一种场景地图生成方法的流程图,其中流程200包括以下步骤:
步骤201,采用不同的特征提取算法分别从目标场景的二维图像集中提取二维特征。
在本实施例中,由场景地图生成方法的执行主体(例如图1所示的服务器105)采用不同的特征提取算法分别从目标场景的二维图像集中提取二维特征,示例性的可以如尺度不变特征变换(Scale-Invariant Feature Transform,简称SIFT)提取算法,方向梯度直方图特征提取算法(Histogram of Oriented Gradient,简称HOG),D2-神经网络特征提取算法等,此外,为便于获知二维特征的来源图像,以及提取出该二维特征的特征提取算法,还可以对应二维特征添加相应的标记,以便于后续根据该标记对二维特征进行整理。
需要指出的是,目标场景的二维图像集可以由上述执行主体直接从本地的存储设备获取,也可以从非本地的存储设备(例如图1所示的终端设备101、102、103)中获取。本地的存储设备可以是设置在上述执行主体内的一个数据存储模块,例如服务器硬盘,在此种情况下,目标场景的二维图像集可以在本地快速读取到;非本地的存储设备还可以为其它任何被设置用于存储数据的电子设备,例如一些用户终端等,在此情况下,上述执行主体可以通过向该电子设备发送获取命令来获取所需的目标场景的二维图像集。
步骤202,关联对应相同物体的不同二维特征,生成关联二维特征组。
在本实施例中,基于各二维特征在二维图像中所指向的内容,建立各二维特征之间的关联关系,将指向相同内容(相同物体)的各二维特征关联至同一组内,生成关联二维特征组。
优选的,可基于二维特征所指向的像素内容是否为该目标场景中同一对象的同一位置的内容确定不同的二维特征之间的关联关系,以进一步提升关联二维特征组中各二维特征之间的关联强度。
步骤203,利用关联二维特征组生成对应物体的三维特征。
在本实施例中,基于关联二维特征组中各二维特征的内容进行三维重建,以确定各二维特征所指向的物体、内容的三维特征,示例性的,使用对应的特征提取器Fw对二维图像进行特征提取,得到二维特征Fw(In),其中In代表所采用的二维图像集中的第n张二维图像,选取与物体w相关的二维特征其中height为物体位于二维图像中的高度信息,width为物体位于二维图像中的宽度信息,N为包含与上述二维特征Fw(In)所关联二维特征的其他图像的数量。
进一步的,后续构建的场景地图中,属于该物体w的三维点之一为该三维点有对应的若干个二维点以及这些二维点对应的特征对这些特征聚类去掉离群点并进行平均从而得到对于该物体在该三维点上的三维特征汇总属于该物体的各三维点对应的三维特征,并生成该物体的三维特征。
步骤204,汇聚目标场景内包括的各物体的三维特征,生成目标场景的场景地图。
在本实施例中,汇聚目标场景中所包括的各物体的基于上述步骤203中得到的三维特征,构建空间坐标系后对应的将该目标场景中存在的各物体的三维特征填入,得到目标场景的场景地图。
本公开实施例提供的场景地图生成方法,基于不同的特征提取算法提取处的二维特征进行场景地图的构建,可增强场景地图对于不同类型二维特征的兼容能力,在降低场景地图维护难度的同时,便于用户进行视觉定位。
在本实施例的一些可选的实现方式中,该场景地图生成方法,还包括:存储该关联二维特征组中各不同类型的二维特征之间的关联关系。
具体的,在生成关联二维特征组后,还对该关联二维特征组中,属于不同特征类型的二维特征进行分析,并建立不同类型的二维特征之间对应的转换关系,并对该转换关系进行存储,以便于后续得到该关联二维特征组中存在类型的二维特征时,利用该转换关系对该类型的二维特征进行转换,实现不同类别的二维特征之间的互通,提升场景地图对于不同类别的二维特征的适配能力。
在本实施例的一些可选的实现方式中,在对场景地图更新时,在接收到的二维更新图像中所提取出的更新特征无法被上述执行主体直接用于更新场景地图时,该场景地图生成方法,还包括:响应于接收到二维更新图像,获取该二维更新图像所包括的更新特征和该更新特征的特征类型;响应于该二维更新特征的特征类型无法被直接使用,基于该关联关系将该二维更新特征的特征类型调整为可使用类型;使用调整为可使用类型的二维更新特征对该场景地图进行更新。
具体的,上述场景地图生成方法的执行主体在接收到二维更新图像时进行响应,提取该二维特更新图像所包括的更新特征和该更新特征的特征类型,当该更新特征的特征类型无法被上述场景地图生成方法的执行主体直接使用时,即无法直接使用该更新特征进行场景地图的更新时,根据存储的各不同类型的二维特征之间的关联关系对该二维更新提取进行调整,得到可使用类型的、调整后的二维更新特征,并完成对场景地图的更新,该实现方式可利用存储有的不同类型的二维特征之间的关联关系对更新特征进行调整,降低场景地图维护难度。
在实践中,可根据需求直接传入用于对场景地图进行更新的更新特征,此时,该实现方式中可直接在获取到该更新特征后对该更新特征的特征类型进行解析,无需再获取二维更细图像。
进一步的,获取到更新特征的特征类型后,若该特征类型无法任一关联二维特征组中存有的二维特征的特征类型所完全对象,则可获取各关联二维特征组中存有的二维特征的特征类型与该更新特征的特征类型进行比对,以确定相似度最高,或可通过现有的其他转化方式转化得到该更新特征的特征类型的二维特征的特征类型,并将该更新特征的特征类型调整为确定得到的二维特征的特征类型,以达到相同的目的。
请参考图3,图3为本公开实施例提供的另一种场景地图生成方法的流程图,其中流程300包括以下步骤:
步骤301,采用不同的特征提取算法分别从目标场景的二维图像集中提取二维特征。
步骤302,关联对应相同物体的不同二维特征,生成关联二维特征组。
步骤303,将关联二维特征组中的各关联二维特征调整至同一特征类型。
在本实施例中,在生成关联二维特征组后,将各关联二维特征组中的各关联二维特征的特征类型调整为同一特征类型。
优选的,该可对属于同一关联二维特征组内的各关联二维特征的数量进行统计,将包括有数量最多的特征类型确定为目标特征类型,并将其他不属于该目标特征类型的关联二维特征调整至该目标特征类型,以提升调整效率。
实践中,还可以根据对各不同特征类型的使用难度、频率等相关参数确定将各关联二维特征的特征类型调整为同一特征类型时所选定的目标特征。
步骤304,基于特征类型调整后的各关联二维特征生成对应物体的三维特征。
步骤305,汇聚目标场景内包括的各物体的三维特征,生成目标场景的场景地图。
以上步骤301、302、304和305分别与如图2所示的步骤201-204相似,相同部分内容请参见上一实施例的相应部分,此处不再进行赘述,本实施例在上述图2所示实施例的基础上,进一步的,可对生成的关联二维特征组中存有的关联二维特征进行类型上的统一,以便于使用相同类型的特征进行场景地图生成、更新等,提升作业效率。
在本实施例的一些可选的实现方式中,为了提升得到的物体的三维特征的质量,实现对应物体的高质量的三维重建,可参见图4中所示,其中具体示出了一种,基于特征类型调整后的各该关联二维特征生成对应物体的三维特征的流程400,具体包括:
步骤401,获取特征类型调整后的各关联二维特征。
具体的,获取经过特征类型调整后的、属于同一类型的各关联二维特征。
步骤402,对各关联二维特征进行三角化处理。
具体的,对于二维特征的变形,需将需要变形的不规则区域进行三角形划分,使复杂多边形由1到多个三角形组成,使得最终的变形动作转化为这些三角形变形,以便于将二维图像中的二维特征所对应的点(即真实物体在二维图像中的投影点)还原为空间中的三维点和该三维点对应的三维特征。
步骤403,基于各关联二维特征的三角化处理结果进行三维注册。
具体的,三维注册,即对现实场景中的图像或物体进行跟踪与定位的技术,是一种可将虚拟场景准确定位到真实环境中的过程,通过该处理,可将上述步骤中402中得到的关联二维特征的三角化处理结果进行注册,达到将上述步骤402生成的三维特征还原至真实环境、构造场景地图的目的。
步骤404,对三维注册结果进行光束平差处理,生成对应物体的三维特征。
具体的,光束平差(Bundle Adjustment,简称BA),它利用LM算法(Levenberg-Marquardt,简称LM)使得观测的图像点坐标与预测的图像点坐标之间的误差最小,即在给定图像特征点的对应关系及初始三维点的情况下,BA可以同时精化特征点对应的三维坐标及相应的相机参数,根据这些光束对结构和视角参数进行调节,获得空间结构及视角参数的最优解,对三维注册结果进行光束平差处理后,可以确定目标场景地图中对应物体进行拍摄、采集图像二维图像时最优的观测角度,以便于提升构建的场景地图进行视觉定位的质量。
在上述任一实施例的基础上,该场景地图生成方法,还包括:响应于该关联二维特征组中存在至少一个所对应内容和特征类型与其他的关联二维特征都相同的重复关联二维特征,剔除该重复关联二维特征。
具体的,在生成关联二维特征组后,在该关联特征组中存在有所对应内容和特征类型与其他的关联二维特征都相同的重复关联二维特征时进行响应,对该重复关联二维特征进行剔除,在节省存储空间资源的同时,剔该关联二维特征组中已有的重复关联二维特征,以防止因重复识别造成计算错误。
进一步的,为达到相同的目的,还可以使用经由非最大抑制(Non-MaximumSuppression,NMS)算法改进得到的软非最大抑制(Soft-Non-Maximum Suppression,简称Soft-NMS)算法,在固定区域范围内对重复的二维特征去重的方式,使得在生成关联二维特征组的过程中避免重复关联二维特征存入以达到相同的目的。
为加深理解,本公开还结合一个具体应用场景,给出了一种具体的实现方案,具体如下:
获取目标场景(包括“杯子雕塑”的场景)的二维图像集中的二维图像A和二维图像B。
采用采用尺度不变特征变换特征提取算法提取二维图像A中的二维特征,得到二维特征A1和A2,包含该二维特征A1和A2的二维图像A可参考图5-1所示。
采用D2-神经网络特征提取算法提取二维图像B中的二维特征,得到二维特征B1、B2和B3,包含该二维特征B1、B2和B3的二维图像B可参考图5-2所示。
关联对应于相同物体(“杯子雕塑”)的不同二维特征(二维特征A1与二维特征B1对应,二维特征A2和二维特征B2对应)生成关联二维特征组。
利用该关联二维特征组生成“杯子雕塑”的三维特征,并汇聚该目标场景内包括的各物体的三维特征,生成该目标场景的场景地图。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种场景地图生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的场景地图生成装置600可以包括:二维特征提取单元601、特征组生成单元602、三维特征生成单元603和场景地图生成单元604。其中,二维特征提取单元601,被配置成采用不同的特征提取算法分别从目标场景的二维图像集中提取二维特征;特征组生成单元602,被配置成关联对应相同物体的不同二维特征,生成关联二维特征组,其中,该关联二维特征组中包括的二维特征都属于相同物体;三维特征生成单元603,被配置成利用该关联二维特征组生成对应物体的三维特征;场景地图生成单元604,被配置成汇聚该目标场景内包括的各物体的三维特征,生成该目标场景的场景地图。
在本实施例中,场景地图生成装置600中:二维特征提取单元601、特征组生成单元602、三维特征生成单元603和场景地图生成单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,该三维特征生成单元603,包括:特征类型调整子单元,被配置成将该关联二维特征组中的各关联二维特征调整至同一特征类型;三维特征生成子单元,被配置成基于特征类型调整后的各该关联二维特征生成对应物体的三维特征。
在本实施例的一些可选的实现方式中,该三维特征生成子单元,包括:关联二维特征获取模块,被配置成获取特征类型调整后的各该关联二维特征;三角化处理模块,被配置成对各该关联二维特征进行三角化处理;三维注册模块,被配置成基于各该关联二维特征的三角化处理结果进行三维注册;光束平差处理模块,被配置成对三维注册结果进行光束平差处理,生成对应物体的三维特征。
在本实施例的一些可选的实现方式中,场景地图生成装置,还包括:关联关系存储单元,被配置成存储该关联二维特征组中各不同类型的二维特征之间的关联关系。
在本实施例的一些可选的实现方式中,场景地图生成装置,还包括:二维更新特征提取单元,被配置成响应于接收到二维更新图像,获取该二维更新图像所包括的更新特征和该更新特征的特征类型;特征类型调整单元,被配置成响应于该二维更新特征的特征类型无法被直接使用,基于该关联关系将该二维更新特征的特征类型调整为可使用类型;场景地图更新单元,被配置成使用调整为可使用类型的二维更新特征对该场景地图进行更新。
在本实施例的一些可选的实现方式中,场景地图生成装置,还包括:重复特征剔除单元,被配置成响应于该关联二维特征组中存在至少一个所对应内容和特征类型与其他的关联二维特征都相同的重复关联二维特征,剔除该重复关联二维特征。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的场景地图生成装置,基于不同的特征提取算法提取处的二维特征进行场景地图的构建,可增强场景地图对于不同类型二维特征的兼容能力,在降低场景地图维护难度的同时,便于用户进行视觉定位。
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,例如场景地图生成方法。例如,在一些实施例中,场景地图生成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场景地图生成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)而被配置为执行场景地图生成方法。
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)和互联网。
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,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。服务器也可以分为分布式系统的服务器,或者是结合了区块链的服务器。
根据本公开实施例的技术方案,基于不同的特征提取算法提取处的二维特征进行场景地图的构建,可增强场景地图对于不同类型二维特征的兼容能力,在降低场景地图维护难度的同时,便于用户进行视觉定位。
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提供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 (15)
1.一种场景地图生成方法,包括:
采用不同的特征提取算法分别从目标场景的二维图像集中提取二维特征;
关联对应相同物体的不同二维特征,生成关联二维特征组,其中,所述关联二维特征组中包括的二维特征都属于相同物体;
利用所述关联二维特征组生成对应物体的三维特征;
汇聚所述目标场景内包括的各物体的三维特征,生成所述目标场景的场景地图。
2.根据权利要求1所述的方法,其中,所述利用所述关联二维特征组生成对应物体的三维特征,包括:
将所述关联二维特征组中的各关联二维特征调整至同一特征类型;
基于特征类型调整后的各所述关联二维特征生成对应物体的三维特征。
3.根据权利要求2所述的方法,其中,所述基于特征类型调整后的各所述关联二维特征生成对应物体的三维特征,包括:
获取特征类型调整后的各所述关联二维特征;
对各所述关联二维特征进行三角化处理;
基于各所述关联二维特征的三角化处理结果进行三维注册;
对三维注册结果进行光束平差处理,生成对应物体的三维特征。
4.根据权利要求1所述的方法,还包括:
存储所述关联二维特征组中各不同类型的二维特征之间的关联关系。
5.根据权利要求4所述的方法,还包括:
响应于接收到二维更新图像,获取所述二维更新图像所包括的更新特征和所述更新特征的特征类型;
响应于所述二维更新特征的特征类型无法被直接使用,基于所述关联关系将所述二维更新特征的特征类型调整为可使用类型;
使用调整为可使用类型的二维更新特征对所述场景地图进行更新。
6.根据权利要求1-5中任一项所述的方法,还包括:
响应于所述关联二维特征组中存在至少一个所对应内容和特征类型与其他的关联二维特征都相同的重复关联二维特征,剔除所述重复关联二维特征。
7.一种场景地图生成装置,包括:
二维特征提取单元,被配置成采用不同的特征提取算法分别从目标场景的二维图像集中提取二维特征;
特征组生成单元,被配置成关联对应相同物体的不同二维特征,生成关联二维特征组,其中,所述关联二维特征组中包括的二维特征都属于相同物体;
三维特征生成单元,被配置成利用所述关联二维特征组生成对应物体的三维特征;
场景地图生成单元,被配置成汇聚所述目标场景内包括的各物体的三维特征,生成所述目标场景的场景地图。
8.根据权利要求7所述的装置,其中,所述三维特征生成单元,包括:
特征类型调整子单元,被配置成将所述关联二维特征组中的各关联二维特征调整至同一特征类型;
三维特征生成子单元,被配置成基于特征类型调整后的各所述关联二维特征生成对应物体的三维特征。
9.根据权利要求8所述的装置,其中,所述三维特征生成子单元,包括:
关联二维特征获取模块,被配置成获取特征类型调整后的各所述关联二维特征;
三角化处理模块,被配置成对各所述关联二维特征进行三角化处理;
三维注册模块,被配置成基于各所述关联二维特征的三角化处理结果进行三维注册;
光束平差处理模块,被配置成对三维注册结果进行光束平差处理,生成对应物体的三维特征。
10.根据权利要求7所述的装置,还包括:
关联关系存储单元,被配置成存储所述关联二维特征组中各不同类型的二维特征之间的关联关系。
11.根据权利要求7所述的装置,还包括:
二维更新特征提取单元,被配置成响应于接收到二维更新图像,获取所述二维更新图像所包括的更新特征和所述更新特征的特征类型;
特征类型调整单元,被配置成响应于所述二维更新特征的特征类型无法被直接使用,基于所述关联关系将所述二维更新特征的特征类型调整为可使用类型;
场景地图更新单元,被配置成使用调整为可使用类型的二维更新特征对所述场景地图进行更新。
12.根据权利要求7-11中任一项所述的装置,还包括:
重复特征剔除单元,被配置成响应于所述关联二维特征组中存在至少一个所对应内容和特征类型与其他的关联二维特征都相同的重复关联二维特征,剔除所述重复关联二维特征。
13.一种电子设备,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1-6中任一项所述的场景地图生成方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的场景地图生成方法。
15.一种计算机程序产品,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1-6中任一项所述的场景地图生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148059.1A CN113870428A (zh) | 2021-09-29 | 2021-09-29 | 场景地图生成方法、相关装置及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148059.1A CN113870428A (zh) | 2021-09-29 | 2021-09-29 | 场景地图生成方法、相关装置及计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113870428A true CN113870428A (zh) | 2021-12-31 |
Family
ID=78992193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111148059.1A Pending CN113870428A (zh) | 2021-09-29 | 2021-09-29 | 场景地图生成方法、相关装置及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870428A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677572A (zh) * | 2022-04-08 | 2022-06-28 | 北京百度网讯科技有限公司 | 对象描述参数的生成方法、深度学习模型的训练方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087748A (zh) * | 2009-12-08 | 2011-06-08 | 财团法人资讯工业策进会 | 二维向量图形三角化系统及其方法 |
CN107481321A (zh) * | 2017-08-16 | 2017-12-15 | 城市生活(北京)资讯有限公司 | 一种三维模型生成方法及三维模型生成系统 |
CN109685891A (zh) * | 2018-12-28 | 2019-04-26 | 鸿视线科技(北京)有限公司 | 基于深度图像的建筑物三维建模与虚拟场景生成系统 |
CN110288710A (zh) * | 2019-06-26 | 2019-09-27 | 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 |
WO2020259248A1 (zh) * | 2019-06-28 | 2020-12-30 | Oppo广东移动通信有限公司 | 基于深度信息的位姿确定方法、装置、介质与电子设备 |
CN112308969A (zh) * | 2020-12-23 | 2021-02-02 | 中智行科技有限公司 | 三维地图生成方法及装置 |
US20210035314A1 (en) * | 2018-10-12 | 2021-02-04 | Tencent Technology (Shenzhen) Company Limited | Map element extraction method and apparatus, and server |
WO2021082801A1 (zh) * | 2019-10-31 | 2021-05-06 | Oppo广东移动通信有限公司 | 增强现实处理方法及装置、系统、存储介质和电子设备 |
CN112991451A (zh) * | 2021-03-25 | 2021-06-18 | 北京百度网讯科技有限公司 | 图像识别方法、相关装置及计算机程序产品 |
CN113255664A (zh) * | 2021-05-26 | 2021-08-13 | 北京百度网讯科技有限公司 | 图像处理方法、相关装置及计算机程序产品 |
CN113327278A (zh) * | 2021-06-17 | 2021-08-31 | 北京百度网讯科技有限公司 | 三维人脸重建方法、装置、设备以及存储介质 |
-
2021
- 2021-09-29 CN CN202111148059.1A patent/CN113870428A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087748A (zh) * | 2009-12-08 | 2011-06-08 | 财团法人资讯工业策进会 | 二维向量图形三角化系统及其方法 |
CN107481321A (zh) * | 2017-08-16 | 2017-12-15 | 城市生活(北京)资讯有限公司 | 一种三维模型生成方法及三维模型生成系统 |
US20210035314A1 (en) * | 2018-10-12 | 2021-02-04 | Tencent Technology (Shenzhen) Company Limited | Map element extraction method and apparatus, and server |
CN109685891A (zh) * | 2018-12-28 | 2019-04-26 | 鸿视线科技(北京)有限公司 | 基于深度图像的建筑物三维建模与虚拟场景生成系统 |
CN110288710A (zh) * | 2019-06-26 | 2019-09-27 | 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 |
WO2020259248A1 (zh) * | 2019-06-28 | 2020-12-30 | Oppo广东移动通信有限公司 | 基于深度信息的位姿确定方法、装置、介质与电子设备 |
WO2021082801A1 (zh) * | 2019-10-31 | 2021-05-06 | Oppo广东移动通信有限公司 | 增强现实处理方法及装置、系统、存储介质和电子设备 |
CN112308969A (zh) * | 2020-12-23 | 2021-02-02 | 中智行科技有限公司 | 三维地图生成方法及装置 |
CN112991451A (zh) * | 2021-03-25 | 2021-06-18 | 北京百度网讯科技有限公司 | 图像识别方法、相关装置及计算机程序产品 |
CN113255664A (zh) * | 2021-05-26 | 2021-08-13 | 北京百度网讯科技有限公司 | 图像处理方法、相关装置及计算机程序产品 |
CN113327278A (zh) * | 2021-06-17 | 2021-08-31 | 北京百度网讯科技有限公司 | 三维人脸重建方法、装置、设备以及存储介质 |
Non-Patent Citations (3)
Title |
---|
孙轶红;焦永和;: "与二维电子地图互响应的虚拟三维场景生成", 计算机仿真, no. 12, 28 December 2005 (2005-12-28) * |
孙轶红;赵增慧;: "虚拟三维场景与二维电子地图交互系统研究", 计算机工程, no. 01, 5 January 2008 (2008-01-05) * |
樊亚春;谭小慧;周明全;陆兆老;: "基于形状检索的场景图像三维建模", 高技术通讯, no. 08, 15 August 2013 (2013-08-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677572A (zh) * | 2022-04-08 | 2022-06-28 | 北京百度网讯科技有限公司 | 对象描述参数的生成方法、深度学习模型的训练方法 |
CN114677572B (zh) * | 2022-04-08 | 2023-04-18 | 北京百度网讯科技有限公司 | 对象描述参数的生成方法、深度学习模型的训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657289B (zh) | 阈值估计模型的训练方法、装置和电子设备 | |
CN115147265B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN112784765B (zh) | 用于识别动作的方法、装置、设备以及存储介质 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114627239B (zh) | 包围盒生成方法、装置、设备及存储介质 | |
US20220351495A1 (en) | Method for matching image feature point, electronic device and storage medium | |
US20230005171A1 (en) | Visual positioning method, related apparatus and computer program product | |
CN114638846A (zh) | 拾取位姿信息确定方法、装置、设备和计算机可读介质 | |
CN113870428A (zh) | 场景地图生成方法、相关装置及计算机程序产品 | |
CN113887630A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN112784102A (zh) | 视频检索方法、装置和电子设备 | |
US11403835B2 (en) | Method and device for processing feature point of image | |
CN115496916B (zh) | 图像识别模型的训练方法、图像识别方法以及相关装置 | |
CN116152702A (zh) | 点云标签的获取方法、装置、电子设备和自动驾驶车辆 | |
CN112991451B (zh) | 图像识别方法、相关装置及计算机程序产品 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN114723796A (zh) | 一种三维点云生成方法、装置及电子设备 | |
CN113903071A (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
CN112561061A (zh) | 神经网络稀疏化方法、装置、设备、存储介质及程序产品 | |
CN113379592A (zh) | 图片中敏感区域的处理方法、装置和电子设备 | |
CN112990046A (zh) | 差异信息获取方法、相关装置及计算机程序产品 | |
CN116229209B (zh) | 目标模型的训练方法、目标检测方法及装置 | |
CN112966606B (zh) | 图像识别方法、相关装置及计算机程序产品 | |
CN116188875B (zh) | 图像分类方法、装置、电子设备、介质和产品 | |
CN113065011B (zh) | 图片的确定方法和装置 |
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 |