CN114359375A - 目标定位方法、装置、计算机设备、存储介质 - Google Patents
目标定位方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN114359375A CN114359375A CN202111422791.3A CN202111422791A CN114359375A CN 114359375 A CN114359375 A CN 114359375A CN 202111422791 A CN202111422791 A CN 202111422791A CN 114359375 A CN114359375 A CN 114359375A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- frame image
- current
- processed
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种目标定位方法、装置、计算机设备、存储介质和计算机程序产品。方法包括:获取待处理图像;根据所述待处理图像计算得到自移动设备的在目标地图坐标系中的当前位姿;识别所述待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置;根据所述自移动设备的当前位姿与所述目标在相机坐标系下的位置,计算得出所述目标在目标地图坐标系中的位置。采用本方法能够得到目标在目标地图中的位置。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种目标定位方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
由于变电站大多位于人烟稀少甚至环境恶劣的地区,且变电站通常占地面积大,如果只通过人工巡检的话,效率低下、可靠性差,因此会采用巡检机器人来对高压及无人值守的变电站设备进行高效、不断巡检。目前,巡检机器人的导航地图为2D地图,机器人无法实现爬坡、爬台阶等功能,且巡检机器人在巡检过程中只能检测到目标,而无法知道目标在地图中的位置。
发明内容
基于此,有必要针对上述技术问题,提供一种能够得到目标在目标地图中的位置的目标定位方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种目标定位方法。所述方法包括:
获取待处理图像;
根据所述待处理图像计算得到自移动设备的在目标地图坐标系中的当前位姿;
识别所述待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置;
根据所述自移动设备的当前位姿与所述目标在相机坐标系下的位置,计算得出所述目标在目标地图坐标系中的位置。
在其中一个实施例中,所述识别所述待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置,包括:
判断所述待处理图像中是否包括所述目标;
当所述待处理图像中包括所述目标时,识别所述目标的类型和所述目标在所述待处理图像中的边框;
根据所述目标在所述待处理图像中的边框及深度图像,计算所述目标在所述相机坐标系下的位置。
在其中一个实施例中,所述获取待处理图像之前,还包括:
根据关键帧数据进行场景重建得到目标地图。
在其中一个实施例中,所述根据关键数据进行场景重建得到目标地图之前,包括:
通过深度相机采集当前帧图像;
将所述当前帧图像与前一帧图像进行匹配;
当所述当前帧图像与所述前一帧图像的特征的匹配结果满足预设条件时,将所述当前帧图像作为当前关键帧图像;
将当前关键帧图像信息保存为关键帧数据。
在其中一个实施例中,当所述当前帧图像与所述前一帧图像的特征的匹配结果满足预设条件时,将所述当前帧图像作为当前关键帧图像之后,还包括:
计算所述当前关键帧图像对应的自移动设备的目标位姿;
根据所述当前关键帧图像自移动设备的目标位姿调整自移动设备当前位姿,并通过深度相机采集下一帧图像分别作为当前帧图像,继续所述将当前帧图像与前一帧图像进行匹配。
在其中一个实施例中,所述方法还包括:
当所述当前帧图像与所述前一帧图像的特征的匹配结果不满足所述预设条件时,从已存储的关键帧图像中查找与所述当前帧图像相匹配的关键帧帧。
第二方面,本申请还提供了一种目标定位装置。所述装置包括:
图像获取模块,用于获取待处理图像;
位姿计算模块,用于根据所述待处理图像计算得到自移动设备的在目标地图坐标系中的当前位姿;
位置计算模块,用于识别所述待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置;
目标位置计算模块,用于根据所述自移动设备的当前位姿与所述目标在相机坐标系下的位置,计算得出所述目标在目标地图坐标系中的位置。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述任意一个实施例中的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任意一个实施例中的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任意一个实施例中的方法的步骤。
上述目标定位方法、装置、计算机设备、存储介质和计算机程序产品,通过对待处理图像进行处理以获得自移动设备的在目标地图坐标系中的当前位姿以及所识别的目标在相机坐标系下的位置,并结合自移动设备的在目标地图坐标系中的当前位姿以及所识别的目标在相机坐标系下的位置即可得到目标在目标地图中的位置以及不需要激光发射器和接收器,即可完成导航定位功能。
附图说明
图1为一个实施例中目标定位方法的应用环境图;
图2为一个实施例中目标定位方法的流程示意图;
图3为一个实施例中目标在待处理图像中的边框示意图;
图4为另一个实施例中目标定位方法的流程示意图;
图5为一个实施例中目标定位装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的目标定位方法,可以应用于如图1所示的应用环境中。其中,自移动设备102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104获取自移动设备102拍摄的待处理图像;根据待处理图像计算得到自移动设备在目标地图坐标系中的当前位姿;识别待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置;根据自移动设备的当前位姿与目标在相机坐标系下的位置,计算得出目标在目标地图坐标系中的位置以得到具体目标在地图中的坐标以及不需要激光发射器和接收器,即可完成导航定位功能。其中,自移动设备102可以但不限于是各种机器人、无人机等可以远程遥控的设备,可以通过自移动设备代替技术人员去到人烟稀少甚至环境恶劣的地区进行信息采集。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种目标定位方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202,获取待处理图像。
具体地,待处理图像是自移动设备拍摄的图像,其可以包括彩色图像和/或深度图像,其中彩色图像是指通过红、绿、蓝三个颜色通道变化以及她们之间的叠加来得到各式各样颜色的图像,深度图像是指可以反映与场景对象的表面的距离有关的信息的图像。
其中可选地,自移动设备可以是携带深度相机的机器人,深度相机指的是可以测量物体到相机距离(深度)的相机,机器人在移动过程中采用深度相机拍摄周围环境的图像。其中优选地,深度相机拍摄的待处理图像包括彩色图像与深度图像。
S204,根据待处理图像计算得到自移动设备的在目标地图坐标系中的当前位姿。
其中,目标地图是指特定地某一区域的地图,例如3D地图,该目标地图可以是服务器预先通过自移动设备拍摄的特定地某一区域的图像生成的,其可以根据实际场景进行重建得到任意区域的3D地图;目标地图坐标系是指当自移动设备拍摄图像的满足预设条件时,以自移动设备位置为原点建立的三维直角坐标系,例如自移动设备携带的相机在移动过程中拍摄到某一帧图像的特征点达到预设点数时,将自移动设备当前的位置作为原点建立三维直角坐标系;当前位姿是拍摄当前待处理图像的相机的位置及角度。
具体地,服务器会根据深度相机拍摄的待处理图像进行计算,得到自移动设备在目标地图坐标系中的当前位置,例如服务器可以通过对待处理图像进行处理,得到机器人在变电站地图中的位姿,即机器人在变电站地图中的位置及拍摄待处理图像的角度。其中,变电站地图是指在某一使用场景中的目标地图,其中可选地,可以使用SLAM算法(Simultaneous Localization and Mapping,一种定位算法)对深度相机拍摄的RGBD数据进行处理,得到机器人当前位姿。
S206,识别待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置。
具体地,目标是指在待处理图像中所包括的各个对象,例如车辆、行人等等,其中在识别目标时,还可以对目标进行分类,以得到不同类别的目标;相机坐标系是指深度相机为原点建立的三维直角坐标系。
具体地,服务器首先识别待处理图像中的目标,然后对待处理图像进行处理得到所识别的目标在相机坐标系下的位置,例如结合目标在彩色图像中的位置以及对应的深度图像中的像素值进行计算得到目标在相机坐标系下的位置。其中可选地,服务器可以先判断待处理图像中的彩色图像中是否目标,若彩色图像中包括目标,则识别目标的标签与边框,并根据边框得到目标在彩色图像中的位置,进一步结合待处理图像中包括的深度图像进行计算得到目标在相机坐标系下的位置。其中可选地,服务器可以使用预先训练的目标检测算法来识别待处理图像中的目标。
S208,根据自移动设备的当前位姿与目标在相机坐标系下的位置,计算得出目标在目标地图坐标系中的位置。
具体地,服务器会根据先前计算得到的自移动设备的当前位姿与目标在相机坐标系下的位置进行处理,得到目标在目标地图坐标系中的位置,其中可选地,服务器可以通过对坐标系的转换得到目标在目标地图坐标系中的位置。
具体地,由于当前位姿是在目标地图坐标系下的,因此可以计算得到相机坐标系的下自移动设备对应的点,例如原点与当前位姿的转换关系,并根据该转换关系将在相机坐标系下目标转换至目标地图坐标系中。
在上述实施例中,通过对待处理图像进行处理以获得自移动设备的在目标地图坐标系中的当前位姿以及所识别的目标在相机坐标系下的位置,并结合自移动设备的在目标地图坐标系中的当前位姿以及所识别的目标在相机坐标系下的位置即可得到目标在目标地图中的位置以及不需要激光发射器和接收器,即可完成导航定位功能。
在其中一个实施例中,识别待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置,包括:判断待处理图像中是否包括目标;当待处理图像中包括目标时,识别目标的类型和目标在待处理图像中的边框;根据目标在待处理图像中的边框及深度图像,计算目标在相机坐标系下的位置。
其中,边框是指根据待处理图像中的目标的外轮廓线所生成的具有规则形状的框,具体结合图3所示,图3中的黑色实线为目标(车辆)在待处理图像中的边框。
具体地,服务器在收到待处理图像后,首先对待处理图像中是否包括目标进行判断,当服务器识别待处理图像中包括目标时,识别目标的类型和目标在待处理图像中的边框,然后根据目标在待处理图像中的边框及深度图像进一步计算目标在相机坐标系的位置。其中可选地,服务器可以使用预先训练的目标检测算法对待识别图像中包括的彩色图像进行处理以识别目标类型和目标在待处理图像中的边框,在一个实施例中,服务器可以将训练图像、图像中待识别的目标的目标标签以及目标边框输入至深度学习模型中,其中深度学习模型是指能够获取图像中某一目标标签以及目标边框的机器训练模型,其中可选的,深度学习模型可以是YOLOv3(You Only Look Once,一种对象检测算法),该深度学习模型通过对大量训练图像、目标标签以及目标边框进行训练学习,得到能够对待处理图像进行处理以识别图像中的目标及其目标边框的目标检测模型。优选地,服务器可以使用预选训练的目标检测算法判断彩色图像中是否包括目标,如果待处理图像中包括目标,则会给出目标的标签和目标在图像中的boudingbox(边框),根据boudingbox可以计算目标在彩色图像中的坐标(xp,yp),然后结合待处理图像中的深度图像进行计算,例如坐标转换,即得到目标在相机坐标系下的位置(XP,YP,ZP)。
在上述实施例中,通过目标在待处理图像中的边框可以得到目标在待处理图像中的坐标,再结合待处理图像中的深度图像进行计算即可得到目标在相机坐标系下的位置,目标在相机坐标系下的位置可用于后续计算目标在目标地图中的位置。
在其中一个实施例中,获取待处理图像之前,还包括:根据关键帧数据进行场景重建得到目标地图。
其中,关键帧是指由深度相机拍摄的在重建地图时所需的,包括重要特征的图像帧,关键帧数据是指包括关键帧信息的数据,其可以是关键帧对应的彩色图像和深度图像。
具体地,在对待处理图像进行处理之前需要根据关键帧数据进行场景重建得到目标地图,其中可选地,可以使用关键帧数据生成点云地图后再生成八叉树地图作为目标地图。在一个实施例中,首先将巡检机器人放置在变电站任一位置,巡检机器人中携带深度相机,遥控巡检机器人在变电站内移动,移动过程中深度相机采集周围环境的彩色图像和深度图像,然后对彩色图像和深度图像进行处理后,得到关键帧数据,然后根据关键帧数据对变电站地图进行重建,其中可选地,可以对彩色图像进行预处理后提取彩色特征与前一帧图像进行匹配判断是否为关键帧。
在上述实施例中,根据关键帧数据可以进行场景重建得到目标地图,通过目标地图可判断目标的位置以及自移动设备可以完成爬台阶的任务。
在其中一个实施例中,根据关键数据进行场景重建得到目标地图之前,包括:通过深度相机采集当前帧图像;将当前帧图像与前一帧图像进行匹配;当当前帧图像与前一帧图像的特征的匹配结果满足预设条件时,将当前帧图像作为当前关键帧图像;将当前关键帧图像信息保存为关键帧数据。
具体地,服务器在根据关键帧数据进行场景重建得到目标地图之前需要获得关键帧数据,然后根据关键帧数据进行场景,具体地,服务器首先获得深度相机采集当前帧图像,其中当前帧图像包括深度图像与彩色图像,然后将当前帧图像与前一帧图像进行匹配,其中可选地,采用当前帧中包括的彩色图像与前一帧图像中包括的彩色图像进行匹配,并判断当前帧是否为关键帧,优选地,将当前帧图像中包括的彩色图像进行预处理后与前一帧图像进行匹配,这样可以加速匹配的过程,在其他实施例中,预处理可以是灰度化和特征提取中的任意一种。具体地,当当前帧图像与前一帧图像的特征匹配满足预设条件时,就将当前帧图像作为当前关键帧图像,其中可选地,预设条件可以是1)与前一帧匹配成功,也就是相邻两帧的匹配点数目大于10;2)与前一个关键帧间隔大于20帧;3)出现新的特征点中的任意一种,其中预设条件可以根据实际情况进行调整,然后将当前关键帧信息保存为关键帧数据,其中可选地,会将关键帧信息保存为二进制文件,同时也会保存每一个关键帧的对应的深度图像和彩色图像。
其中可选地,在一个实施例中,服务器会将彩色图像先转化为灰度图像,然后再提取ORB特征,并将灰度化及特征提取后的彩色图像交由SLAM算法系统,由SLAM系统算法进行处理,其中SLAM算法系统在机器人启动之后会先进入初始化阶段,当当前帧的特征点数大于500时,设置当前帧的相机位置为坐标原点。成功初始化后,SLAM算法系统会计算每一帧图像中的ORB特征并与前一帧进行ORB特征匹配,当匹配达到预设条件时,当前帧即可设定为关键帧,然后将关键帧信息保存为二进制文件,同时保存每一关键帧对应的的彩色图像和深度图像,其中关键帧信息包括当前关键帧的位姿等。
在上述实施例中,可以通过与前一帧图像进行匹配来判断当前帧图像是否为关键帧,这样可以使服务器后续在使用关键帧数据时更快地进行场景重建得到目标地图。
在其中一个实施例中,当当前帧图像与前一帧图像的特征的匹配结果满足预设条件时,将当前帧图像作为当前关键帧图像之后,还包括:计算当前关键帧图像对应的自移动设备的目标位姿;根据当前关键帧图像自移动设备的目标位姿调整自移动设备当前位姿,并通过深度相机采集下一帧图像作为当前帧图像,继续将当前帧图像与前一帧图像进行匹配。
其中,目标位姿是指自移动设备拍摄下一帧图像时所需的位姿,具体地,服务器判断当前帧图像为关键帧图像之后,会计算当前关键帧图像的位姿,其中可选地,可以通过PnP算法(Perspective-n-Point,一种求解3D到2D点对运动的方法)估计当前关键帧的位姿,然后计算目标位姿,其中可选地,可以通过BundleAdjustment算法计算得到目标位姿,自移动设备会根据目标位姿调整当前位姿,并通过自移动设备中携带的深度相机继续拍摄下一帧图像,并将下帧图像作为服务器处理的当前帧图像,继续将当前帧图像与前一帧图像进行匹配,如此循环下去,直至得到一系列关键帧图像及关键帧信息。
在上述实施例中,通过不断调整自移动设备的位姿,来获取一些列用于重建目标地图的关键帧。
在其中一个实施例中,目标定位方法还包括:当当前帧图像与前一帧图像的特征的匹配结果不满足预设条件时,从已存储的关键帧图像中查找与当前图像相匹配的关键帧。
具体地,当当前帧图像与前一帧图像的特征的匹配结果不满足预设条件时,即两帧图像之间的特征过少时,服务器此时认为出现追踪失败的情况,因此服务器会进入重定位寻找与当前帧图像相匹配的关键帧帧进行重定位,其中具体地,可以从已存储的关键帧图像中查找与当前帧图像相匹配的关键帧,当确认当前帧图像是已存储的关键帧图像中的某一关键帧帧时重定位成功,其中可选地,服务器可以通过不断计算当前帧的BOW值,来加速当前帧图像与已存储的关键帧图像的匹配过程。
在上述实施例中,可通过图像匹配的方式进行重定位以避免关键帧数据采集不完整的情况。
在其中一个实施例中,结合图4,图4为一个实施例中服务器通过深度相机拍摄的RGBD数据来计算目标在目标地图中的位置的流程示意图,包括以下步骤:
服务器首先将机器人携带的深度相机实时拍摄的RGBD数据同时提供给SLAM算法和YOLOv3算法,RGBD数据经过SLAM算法处理后,会得到机器人当前位姿(XR,YR,ZR,QR);YOLOv3首先对RGB图像进行判断,当识别到RGB图像中包括目标时,就会给出目标的标签和目标在图像中的boudingbox。根据boudingbox可以计算得出目标O在RGB图像中的坐标(xp,yp),然后结合深度图像即可得到目标O在相机坐标系中的坐标(Xp,YP,ZP)此时结合机器人当前位姿,即可计算出目标O在地图中的位置。
在上述实施例中,通过SLAM算法和YOLOv3算法对深度相机拍摄的RGBD数据进行处理,以得到目标在目标地图中的位置。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种目标定位装置,包括:图像获取模块100、位姿计算模块200、位置计算模块300和目标位置计算模块400,其中:
图像获取模块100,用于获取待处理图像。
位姿计算模块200,用于根据待处理图像计算得到自移动设备的在目标地图坐标系中的当前位姿。
位置计算模块300,用于识别待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置。
目标位置计算模块400,用于根据自移动设备的当前位姿与目标在相机坐标系下的位置,计算得出目标在目标地图坐标系中的位置。
在一个实施例中,上述位置计算模块300包括:
判断单元,用于判断待处理图像中是否包括目标。
边框获取单元,用于当待处理图像中包括目标时,识别目标的类型和目标在待处理图像中的边框。
相机坐标系计算单元,用于根据目标在待处理图像中的边框及深度图像,计算目标在相机坐标系下的位置。
在一个实施例中,目标定位装置还包括:
地图重建模块,用于根据关键帧数据进行场景重建得到目标地图。
在一个实施例中,上述地图重建模块包括:
图像采集单元,用于通过深度相机采集当前帧图像。
图像匹配单元,用于将当前帧图像与前一帧图像进行匹配。
关键帧计算单元,用于当当前帧图像与前一帧图像的特征的匹配结果满足预设条件时,将当前帧图像作为当前关键帧图像。
关键帧信息保存单元,用于将当前关键帧图像信息保存为关键帧数据。
在一个实施例中,上述地图重建模块还包括:
目标位姿计算单元,用于计算当前关键帧图像对应的自移动设备的目标位姿。
关键帧匹配单元,用于根据当前关键帧图像自移动设备的目标位姿调整自移动设备当前位姿,并通过深度相机采集下一帧图像分别作为当前帧图像,继续将当前帧图像与前一帧图像进行匹配。
在一个实施例中,上述地图重建模块还包括:
关键帧查到单元,用于当当前帧图像与前一帧图像的特征的匹配结果不满足预设条件时,从已存储的关键帧图像中查找与当前帧图像相匹配的关键帧。
上述目标定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待处理图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标定位方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取待处理图像;根据所述待处理图像计算得到自移动设备的在目标地图坐标系中的当前位姿;识别所述待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置;根据所述自移动设备的当前位姿与所述目标在相机坐标系下的位置,计算得出所述目标在目标地图坐标系中的位置。
在一个实施例中,处理器执行计算机程序时实现的所述识别所述待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置,包括:判断所述待处理图像中是否包括所述目标;当所述待处理图像中包括所述目标时,识别所述目标的类型和所述目标在所述待处理图像中的边框;根据所述目标在所述待处理图像中的边框及深度图像,计算所述目标在所述相机坐标系下的位置。
在一个实施例中,处理器执行计算机程序时实现的所述获取待处理图像之前,还包括:根据关键帧数据进行场景重建得到目标地图。
在一个实施例中,处理器执行计算机程序时实现的所述根据关键数据进行场景重建得到目标地图之前,包括:通过深度相机采集当前帧图像;将所述当前帧图像与前一帧图像进行匹配;当所述当前帧图像与所述前一帧图像的特征的匹配结果满足预设条件时,将所述当前帧图像作为当前关键帧图像;将当前关键帧图像信息保存为所述关键帧数据。
在一个实施例中,处理器执行计算机程序时实现的当所述当前帧图像与所述前一帧图像的特征的匹配结果满足预设条件时,将所述当前帧图像作为当前关键帧图像之后,还包括:计算所述当前关键帧图像对应的自移动设备的目标位姿;根据所述当前关键帧图像自移动设备的目标位姿调整自移动设备当前位姿,并通过深度相机采集下一帧图像作为当前帧图像,继续将所述当前帧图像与前一帧图像进行匹配。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当所述当前帧图像与所述前一帧图像的特征的匹配结果不满足预设条件时,从已存储的关键帧图像中查找与所述当前帧图像相匹配的关键帧。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取待处理图像;根据待处理图像计算得到自移动设备的在目标地图坐标系中的当前位姿;识别待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置;根据自移动设备的当前位姿与目标在相机坐标系下的位置,计算得出目标在目标地图坐标系中的位置。
在一个实施例中,计算机程序被处理器执行时实现的识别待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置,包括:判断待处理图像中是否包括目标;当待处理图像中包括目标时,识别目标的类型和目标在待处理图像中的边框;根据目标在待处理图像中的边框及深度图像,计算目标在相机坐标系下的位置。
在一个实施例中,计算机程序被处理器执行时实现的获取待处理图像之前,还包括:根据关键帧数据进行场景重建得到目标地图。
在一个实施例中,计算机程序被处理器执行时实现的根据关键数据进行场景重建得到目标地图之前,包括:通过深度相机采集当前帧图像;将当前帧图像与前一帧图像进行匹配;当当前帧图像与前一帧图像的特征的匹配结果满足预设条件时,将当前帧图像作为当前关键帧图像;将当前关键帧图像信息保存为关键帧数据。
在一个实施例中,计算机程序被处理器执行时实现的当当前帧图像与前一帧图像的特征的匹配结果满足预设条件时,将当前帧图像作为当前关键帧图像之后,还包括:计算当前关键帧图像对应的自移动设备的目标位姿;根据当前关键帧图像自移动设备的目标位姿调整自移动设备当前位姿,并通过深度相机采集下一帧图像作为当前帧图像,继续将当前帧图像与前一帧图像进行匹配。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当当前帧图像与前一帧图像的特征的匹配结果不满足预设条件时,从已存储的关键帧图像中查找与当前帧图像相匹配的关键帧。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取待处理图像;根据所述待处理图像计算得到自移动设备的在目标地图坐标系中的当前位姿;识别所述待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置;根据所述自移动设备的当前位姿与所述目标在相机坐标系下的位置,计算得出所述目标在目标地图坐标系中的位置。
在一个实施例中,计算机程序被处理器执行时实现的获取待处理图像之前,还包括:根据关键帧数据进行场景重建得到目标地图。
在一个实施例中,计算机程序被处理器执行时实现的根据关键数据进行场景重建得到目标地图之前,包括:通过深度相机采集当前帧图像;将当前帧图像与前一帧图像进行匹配;当当前帧图像与前一帧图像的特征的匹配结果满足预设条件时,将当前帧图像作为当前关键帧图像;将当前关键帧图像信息保存为关键帧数据。
在一个实施例中,计算机程序被处理器执行时实现的当当前帧图像与前一帧图像的特征的匹配结果满足预设条件时,将当前帧图像作为当前关键帧图像之后,还包括:计算当前关键帧图像对应的自移动设备的目标位姿;根据当前关键帧图像自移动设备的目标位姿调整自移动设备当前位姿,并通过深度相机采集下一帧图像作为当前帧图像,继续将当前帧图像与前一帧图像进行匹配。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当当前帧图像与前一帧图像的特征的匹配结果不满足预设条件时,从已存储的关键帧图像中查找与当前帧图像相匹配的关键帧。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种目标定位方法,其特征在于,方法包括:
获取待处理图像;
根据所述待处理图像计算得到自移动设备的在目标地图坐标系中的当前位姿;
识别所述待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置;
根据所述自移动设备的当前位姿与所述目标在相机坐标系下的位置,计算得出所述目标在目标地图坐标系中的位置。
2.根据权利要求1所述的方法,其特征在于,所述识别所述待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置,包括:
判断所述待处理图像中是否包括所述目标;
当所述待处理图像中包括所述目标时,识别所述目标的类型和所述目标在所述待处理图像中的边框;
根据所述目标在所述待处理图像中的边框及深度图像,计算所述目标在所述相机坐标系下的位置。
3.根据权利要求1所述的方法,其特征在于,所述获取待处理图像之前,还包括:
根据关键帧数据进行场景重建得到目标地图。
4.根据权利要求3所述的方法,其特征在于,所述根据关键数据进行场景重建得到目标地图之前,包括:
通过深度相机采集当前帧图像;
将所述当前帧图像与前一帧图像进行匹配;
当所述当前帧图像与所述前一帧图像的特征的匹配结果满足预设条件时,将所述当前帧图像作为当前关键帧图像;
将当前关键帧图像信息保存为所述关键帧数据。
5.根据权利要求4所述的方法,其特征在于,当所述当前帧图像与所述前一帧图像的特征的匹配结果满足预设条件时,将所述当前帧图像作为当前关键帧图像之后,还包括:
计算所述当前关键帧图像对应的自移动设备的目标位姿;
根据所述当前关键帧图像自移动设备的目标位姿调整自移动设备当前位姿,并通过深度相机采集下一帧图像作为当前帧图像,继续将所述当前帧图像与前一帧图像进行匹配。
6.根据权利要求5的方法,其特征在于,方法还包括:
当所述当前帧图像与所述前一帧图像的特征的匹配结果不满足预设条件时,从已存储的关键帧图像中查找与所述当前帧图像相匹配的关键帧。
7.一种目标定位装置,其特征在于,所述装置包括:
图像获取模块,用于获取待处理图像;
位姿计算模块,用于根据所述待处理图像计算得到自移动设备的在目标地图坐标系中的当前位姿;
位置计算模块,用于识别所述待处理图像中的目标,并获取所识别的目标在相机坐标系下的位置;
目标位置计算模块,用于根据所述自移动设备的当前位姿与所述目标在相机坐标系下的位置,计算得出所述目标在目标地图坐标系中的位置。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111422791.3A CN114359375A (zh) | 2021-11-26 | 2021-11-26 | 目标定位方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111422791.3A CN114359375A (zh) | 2021-11-26 | 2021-11-26 | 目标定位方法、装置、计算机设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114359375A true CN114359375A (zh) | 2022-04-15 |
Family
ID=81096026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111422791.3A Pending CN114359375A (zh) | 2021-11-26 | 2021-11-26 | 目标定位方法、装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359375A (zh) |
-
2021
- 2021-11-26 CN CN202111422791.3A patent/CN114359375A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742311B (zh) | 一种视觉定位的方法及装置 | |
US10748247B2 (en) | Computing high-resolution depth images using machine learning techniques | |
US11113526B2 (en) | Training methods for deep networks | |
CN107045631B (zh) | 人脸特征点检测方法、装置及设备 | |
CN109410316B (zh) | 物体的三维重建的方法、跟踪方法、相关装置及存储介质 | |
CN109033985B (zh) | 商品识别的处理方法、装置、设备、系统及存储介质 | |
CN108921782A (zh) | 一种图像处理方法、装置及存储介质 | |
KR20120048370A (ko) | 물체 자세 인식장치 및 이를 이용한 물체 자세 인식방법 | |
GB2612029A (en) | Lifted semantic graph embedding for omnidirectional place recognition | |
US11354923B2 (en) | Human body recognition method and apparatus, and storage medium | |
CN115004259B (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
CN108109164B (zh) | 一种信息处理方法及电子设备 | |
CN115861799A (zh) | 基于注意力梯度的轻量化空对地目标检测方法 | |
CN114066999A (zh) | 基于三维建模的目标定位系统及方法 | |
WO2020133080A1 (zh) | 物体定位方法、装置、计算机设备及存储介质 | |
CN117367404A (zh) | 基于动态场景下slam的视觉定位建图方法及系统 | |
CN115880428A (zh) | 一种基于三维技术的动物检测数据处理方法、装置及设备 | |
CN114359375A (zh) | 目标定位方法、装置、计算机设备、存储介质 | |
CN115953471A (zh) | 室内场景多尺度矢量图像检索与定位方法、系统及介质 | |
CN111144489B (zh) | 匹配对滤除方法、装置、电子设备与存储介质 | |
EP3646243B1 (en) | Learning template representation libraries | |
CN108426566B (zh) | 一种基于多摄像机的移动机器人定位方法 | |
CN114694204A (zh) | 社交距离检测方法、装置、电子设备及存储介质 | |
AU2017300877B2 (en) | Method and device for aiding the navigation of a vehicle | |
CN114155281B (zh) | 一种无人机目标跟踪自动初始化方法 |
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 |