CN116258769A - 一种定位校验方法、装置、电子设备和存储介质 - Google Patents
一种定位校验方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116258769A CN116258769A CN202310498500.1A CN202310498500A CN116258769A CN 116258769 A CN116258769 A CN 116258769A CN 202310498500 A CN202310498500 A CN 202310498500A CN 116258769 A CN116258769 A CN 116258769A
- Authority
- CN
- China
- Prior art keywords
- matching
- image
- positioning
- point
- current frame
- 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.)
- Granted
Links
- 238000012795 verification Methods 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000009467 reduction Effects 0.000 claims description 60
- 238000005070 sampling Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning 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
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种定位校验方法、装置、电子设备和存储介质。其中，该方法包括：获取预设场景的定位生成的当前帧和参考帧，提取所述当前帧和所述参考帧分别对应的特征信息，按照各所述特征信息的匹配结果确定定位校验结果。本发明实施例通过提取基于预设场景定位生成的当前帧和参考帧的特征信息，再按照提取的各特征信息的匹配结果确定定位校验结果，适用于无法利用GNSS等外缘定位信息进行定位的场景，滤除了基于当前帧和参考帧的初始定位结果中的假阳结果，提高了定位结果的准确性。
Description
技术领域
本发明涉及定位技术领域，尤其涉及一种定位校验方法、装置、电子设备和存储介质。
背景技术
定位是指待定位设备获取自位置的过程，以重定位为例，重定位技术能够帮助待定位设备在发生定位失败的情况下，例如运动幅度过大导致采集的图像过于迷糊，或者周围环境的亮度过高或过低等情况，使得待定位设备重新确定自身的位姿信息。现有的定位方法通常十分依赖于全球导航卫星系统（Global Navigation Satellite System，GNSS）等外缘定位信息，在一些大型室内相似且环境变化的场景，例如地下车库或建筑物的不同楼层等，由于无法获取GNSS等外缘定位信息，会导致定位失败或定位结果精度较低。
发明内容
本发明提供了一种定位校验方法、装置、电子设备和存储介质，以实现通过提取基于预设场景定位生成的当前帧和参考帧的特征信息，再按照提取的各特征信息的匹配结果确定定位校验结果，适用于无法利用GNSS等外缘定位信息进行定位的场景，滤除了基于当前帧和参考帧的初始定位结果中的假阳结果，提高了定位结果的准确性。
根据本发明的一方面，提供了一种定位校验方法，该方法包括：
获取预设场景的定位生成的当前帧和参考帧；
提取当前帧和参考帧分别对应的特征信息；
按照各特征信息的匹配结果确定定位校验结果。
根据本发明的另一方面，提供了一种定位校验装置，该装置包括：
数据获取模块，用于获取预设场景的定位生成的当前帧和参考帧；
特征提取模块，用于提取当前帧和参考帧分别对应的特征信息；
结果确定模块，用于按照各特征信息的匹配结果确定定位校验结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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本发明任一实施例所述的定位校验方法。
根据本发明的另一方面，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计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的定位校验方法。
本发明实施例的技术方案，通过获取预设场景的定位生成的当前帧和参考帧，提取当前帧和参考帧分别对应的特征信息，按照各特征信息的匹配结果确定定位校验结果。本发明实施例通过提取基于预设场景定位生成的当前帧和参考帧的特征信息，再按照提取的各特征信息的匹配结果确定定位校验结果，适用于无法利用GNSS等外缘定位信息进行定位的场景，滤除了基于当前帧和参考帧的初始定位结果中的假阳结果，提高了定位结果的准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种定位校验方法的流程图；
图2是根据本发明实施例二提供的一种定位校验方法的流程图；
图3是根据本发明实施例三提供的一种定位校验方法的流程图；
图4是根据本发明实施例四提供的一种定位校验方法的流程图；
图5是根据本发明实施例五提供的一种定位校验方法的流程图；
图6是根据本发明实施例五提供的另一种定位校验方法的流程图；
图7是根据本发明实施例六提供的一种定位校验装置的结构示意图；
图8是实现本发明实施例的定位校验方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种定位校验方法的流程图，本实施例可适用于定位结果进行校验的情况，该方法可以由定位校验装置来执行，该定位校验装置可以采用硬件和/或软件的形式实现，该定位校验装置可配置于电子设备中，示例性的，电子设备可以包括但不限于各种智能穿戴设备、无人驾驶汽车、移动机器人以及无人机等。如图1所示，本实施例一提供的一种定位校验方法，具体包括如下步骤：
S110、获取预设场景的定位生成的当前帧和参考帧。
其中，预设场景可以理解为一些无法利用GNSS等外缘定位信息进行定位的场景，预设场景通常可以包括一些大型室内相似且环境变化的场景，例如可以包括但不限于地下车库或建筑物的不同楼层等。定位可以是指待定位设备确定自身位姿信息的技术，示例性的，定位可以包括重定位或者其他定位技术，此处的待定位设备可以包括各种智能穿戴设备、无人驾驶汽车、移动机器人以及无人机等。当前帧可以是指待定位设备采集的某一帧图像，当前帧例如可以是待定位设备采集的图像帧中对应时间戳最新的那一帧图像，或者是待定位设备采集的图像帧中的任一帧图像，本发明实施例对此不进行限制。参考帧可以是指在待定位设备采集的所有历史帧图像中与当前帧最相似的那一帧图像，可以利用参考帧对应的位姿确定当前帧对应的位姿。
在本发明实施例中，可以先通过一些定位手段获取待定位设备在预设场景的定位生成的当前帧和参考帧，即获取初始定位结果，以便后面对该初始定位结果进行校验，其中，获取预设场景的定位生成的当前帧和参考帧的方式可以包括但不限于以下几种：可以通过待定位设备在预设场景采集的当前帧和历史帧，利用历史帧构建全局语义地图或全局特征地图，再提取当前帧和地图中所有关键帧（即历史帧）的特征信息，将当前帧和各关键帧对应的特征信息进行特征匹配，确定出与当前帧相似度最高的那一帧关键帧，并将该关键帧作为参考帧；可以通过一些第三方的途径获取预设场景的定位生成的当前帧和参考帧，例如可以是通过其他的定位算法确定的当前帧和参考帧等。可以理解的是，本发明实施例的重点在于对当前帧和参考帧对应的初始定位结果进行校验，即确定初始定位结果是否有误，因此，对于获取预设场景的定位生成的当前帧和参考帧的方式，本发明实施例对此不进行限制。
S120、提取当前帧和参考帧分别对应的特征信息。
其中，特征信息可以是指图像的全局或者局部的特征信息，特征信息可以包括但不限于：图像的尺度不变特征转换（Scale-Invariant Feature Transform，SIFT）特征、加速稳健特征（Speeded Up Robust Features，SURF）特征、ORB（Oriented FAST and RotatedBRIEF）特征、方向梯度直方图（Histogram of Oriented Gradient，HOG）特征、FAST特征、BRISK特征、局部二值模式（Local Binary Pattern，LBP）特征以及BEBLID（BoostedEfficient Binary Local Image Descriptor）特征等。
在本发明实施例中，可以通过调用电子设备上预先配置的图像提取规则从获取的当前帧和参考帧中分别提取出对应的特征信息，其中，特征信息可以包括但不限于以下几种：SIFT特征、SURF特征、ORB特征、HOG特征、FAST特征、BRISK特征、LBP特征以及BEBLID特征等，特征信息的提取方式可以包括但不限于以下几种：可以通过电子设备上预先配置的图像几何特征提取规则从获取的当前帧和参考帧中分别提取出对应的图像几何特征；可以将当前帧和参考帧分别输入已经训练好的特征提取网络模型中，将模型的数据结果作为当前帧和参考帧分别对应的特征信息。
S130、按照各特征信息的匹配结果确定定位校验结果。
其中，匹配结果可以是指当前帧和参考帧分别对应的特征信息之间的图像特征匹配结果。定位校验结果可以理解为针对原始定位信息中的当前帧和参考帧确定的校验结果，定位校验结果可以包括校验正确和校验错误两种结果，可以理解的是，定位校验结果中也可以用1或者Y表示校验正确，用0或者N表示校验错误，进一步地，在校验正确时，定位校验结果还可以包括当前帧对应的位姿信息和时间戳等，本发明实施例对此不进行限制。
在本发明实施例中，可以通过调用电子设备上预先配置的图像匹配规则对当前帧和参考帧分别对应的特征信息进行特征点匹配，将各特征点的匹配情况作为各特征信息的匹配结果，并根据该匹配结果确定定位校验结果，其中，根据匹配结果确定定位校验结果的方式可以是：若匹配结果中正确匹配的特征数量超出某个预设阈值，则将定位校验结果确定为校验正确，反之，则将定位校验结果确定为校验错误；还可以是：若匹配结果中正确匹配的特征数量所占的比例超出某个预设阈值，则将定位校验结果确定为校验正确，反之，则将定位校验结果确定为校验错误，本发明实施例对此不进行限制。利用定位校验结果可以对基于当前帧和参考帧的初始定位结果中的假阳结果进行滤除，提高了定位结果的准确率。
本发明实施例的技术方案，通过获取预设场景的定位生成的当前帧和参考帧，提取当前帧和参考帧分别对应的特征信息，按照各特征信息的匹配结果确定定位校验结果。本发明实施例通过提取基于预设场景定位生成的当前帧和参考帧的特征信息，再按照提取的各特征信息的匹配结果确定定位校验结果，适用于无法利用GNSS等外缘定位信息进行定位的场景，滤除了基于当前帧和参考帧的初始定位结果中的假阳结果，提高了定位结果的准确性。
实施例二
图2为本发明实施例二提供的一种定位校验方法的流程图。本实施例在上述实施例的基础上，提供了一种定位校验方法的一个实施方式，能够实现基于当前帧和参考帧的图像降维ORB特征确定定位校验结果。如图2所示，本发明实施例二提供的一种定位校验方法，具体包括如下步骤：
S210、获取预设场景的定位生成的当前帧和参考帧。
S220、从当前帧和参考帧中分别提取对应的图像ORB特征，对各图像ORB特征中的BRIEF描述子进行降维处理，并将降维处理后的各图像ORB特征作为当前帧和参考帧分别对应的图像降维ORB特征。
其中，ORB可以是指一种图像描述符，图像ORB特征具有较好的尺度不变性和旋转不变性，可以为当前帧和参考帧的特征匹配提供较优的图像特征信息。图像降维ORB特征可以是指经过特征降维后的图像ORB特征。
在本发明实施例中，可以调用一些图像特征提取规则从获取的当前帧和参考帧中分别提取对应的图像ORB特征，再对各图像ORB特征进行特征降维，去除图像ORB特征中的冗余信息并保留有效信息，其中，特征降维方式可以不限于：主成分分析（PrincipalComponent Analysis，PCA）以及线性判别分析（Linear Discriminant Analysis，LDA）等，并将降维处理后的各图像ORB特征作为当前帧和参考帧分别对应的图像降维ORB特征。可以理解的是，本发明实施例中的图像ORB特征仅作为示例，图像的其他特征信息可以包括但不限于以下几种：SIFT特征、SURF特征、ORB特征、HOG特征、FAST特征、BRISK特征、LBP特征以及BEBLID特征等，上述图像特征均可适用于本发明实施例的技术方案，本发明实施例对此不进行限制。
S230、调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像降维ORB特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像降维ORB特征作为匹配点对。
其中，预设图像匹配规则可以是指预先配置的图像匹配规则，预设图像匹配规则可以包括暴力匹配和最近邻匹配等。
在本发明实施例中，可以在电子设备上预先配置一个或者多个预设图像匹配规则，可以调用暴力匹配和最近邻匹配等预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像降维ORB特征进行特征点匹配，例如可以通过比较当前帧和参考帧的图像降维ORB特征之间的欧式距离或者汉明距离，确定相似度较高的一组特征点，将匹配成功的当前帧和参考帧分别对应的图像降维ORB特征作为匹配点对。
S240、利用随机抽样一致性规则确定匹配点对内满足预设匹配精度的内点以及不满足预设匹配精度的外点。
其中，随机抽样一致性（Random Sample Consensus，RANSAC）规则可以是指一种可以用来确定匹配点对中的内点和外点的规则，利用RANSAC规则可以去除匹配点对中的误匹配对，提高图像匹配精度。预设匹配精度可以理解为预先配置的用于衡量图像特征匹配精度的一个参数，预设匹配精度可以包括预设汉明距离阈值或者预设欧氏距离阈值等。内点可以是指在匹配点对中有效的且匹配正确的匹配点对。外点可以是指在匹配点对中无效的或匹配错误的匹配点对。
在本发明实施例中，可以调用RANSAC规则对匹配点对进行建模和模型寻优，剔除匹配点对中的错误匹配对，即确定出匹配点对内满足预设匹配精度的内点以及不满足预设匹配精度的外点。
S250、根据内点和外点确定定位校验结果。
在本发明实施例中，根据内点和外点确定定位校验结果的方式，可以包括以下至少之一：
在内点的数量大于预设校验阈值时，将定位校验结果确定为校验正确，在内点的数量小于或者等于预设校验阈值时，将定位校验结果确定为校验错误；
在内点的数量与外点的数量的比值大于预设校验比例阈值时，将定位校验结果确定为校验正确，在内点的数量与外点的数量的比值小于或者等于预设校验比例阈值时，将定位校验结果确定为校验错误。
本发明实施例的技术方案，通过获取预设场景的定位生成的当前帧和参考帧，从当前帧和参考帧中分别提取对应的图像ORB特征，对各图像ORB特征中的BRIEF描述子进行降维处理，并将降维处理后的各图像ORB特征作为当前帧和参考帧分别对应的图像降维ORB特征，调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像降维ORB特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像降维ORB特征作为匹配点对，利用随机抽样一致性规则确定匹配点对内满足预设匹配精度的内点以及不满足预设匹配精度的外点，根据内点和外点确定定位校验结果。本发明实施例通过提取基于预设场景定位生成的当前帧和参考帧的图像降维ORB特征，再利用预设图像匹配规则和随机抽样一致性规则对当前帧和参考帧的图像降维ORB特征进行特征点匹配以及确定对应的内点和外点，最后根据内点和外点确定定位校验结果，可适用于无法利用GNSS等外缘定位信息进行定位的场景，滤除了基于当前帧和参考帧的初始定位结果中的假阳结果，提高了定位结果的准确性。
实施例三
图3为本发明实施例三提供的一种定位校验方法的流程图。本实施例在上述实施例的基础上，提供了一种定位校验方法的一个实施方式，能够实现基于当前帧和参考帧的图像BEBLID特征确定定位校验结果。如图3所示，本发明实施例三提供的一种定位校验方法，具体包括如下步骤：
S310、获取预设场景的定位生成的当前帧和参考帧。
S320、从当前帧和参考帧中分别提取对应的图像BEBLID特征。
其中，BEBLID可以是指一种图像描述符，BEBLID描述符具有较高的性能和鲁棒性，可以为当前帧和参考帧的特征匹配提供较优的图像特征信息。
在本发明实施例中，可以调用一些图像特征提取规则从获取的当前帧和参考帧中分别提取对应的图像BEBLID特征，以便后面特征匹配使用。
S330、调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像BEBLID特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像BEBLID特征作为匹配点对。
S340、利用随机抽样一致性规则确定匹配点对内满足预设匹配精度的内点以及不满足预设匹配精度的外点。
S350、根据内点和外点确定定位校验结果。
本发明实施例的技术方案，通过获取预设场景的定位生成的当前帧和参考帧，从当前帧和参考帧中分别提取对应的图像BEBLID特征，调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像BEBLID特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像BEBLID特征作为匹配点对，利用随机抽样一致性规则确定匹配点对内满足预设匹配精度的内点以及不满足预设匹配精度的外点，根据内点和外点确定定位校验结果。本发明实施例通过提取基于预设场景定位生成的当前帧和参考帧的图像BEBLID特征，再利用预设图像匹配规则和随机抽样一致性规则对当前帧和参考帧的图像BEBLID特征进行特征点匹配以及确定对应的内点和外点，最后根据内点和外点确定定位校验结果，可适用于无法利用GNSS等外缘定位信息进行定位的场景，滤除了基于当前帧和参考帧的初始定位结果中的假阳结果，提高了定位结果的准确性。
实施例四
图4为本发明实施例四提供的一种定位校验方法的流程图。本实施例在上述实施例的基础上，提供了一种定位校验方法的一个实施方式，能够实现基于当前帧和参考帧的图像BEBLID特征和图像降维BEBLID特征确定定位校验结果。如图4所示，本发明实施例四提供的一种定位校验方法，具体包括如下步骤：
S410、获取预设场景的定位生成的当前帧和参考帧。
S420、调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像BEBLID特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像BEBLID特征作为第一匹配点对。
其中，第一匹配点对可以理解为对应于图像BEBLID特征的匹配点对。
S430、利用随机抽样一致性规则确定第一匹配点对内满足第一预设匹配精度的第一内点以及不满足第一预设匹配精度的第一外点。
其中，第一内点和第一外点可以理解为对应于图像BEBLID特征的内点和外点。
S440、根据第一内点和第一外点确定第一定位校验结果。
其中，第一定位校验结果可以理解为根据第一内点和第一外点确定的定位校验结果，即对应于图像BEBLID特征的定位校验结果。
在本发明实施例中，根据第一内点和第一外点确定第一定位校验结果的方式可以与上述实施例使用的相同，即包括以下至少之一：
在第一内点的数量大于预设校验阈值时，将定位校验结果确定为校验正确，在第一内点的数量小于或者等于预设校验阈值时，将定位校验结果确定为校验错误；
在第一内点的数量与第一外点的数量的比值大于预设校验比例阈值时，将定位校验结果确定为校验正确，在第一内点的数量与第一外点的数量的比值小于或者等于预设校验比例阈值时，将定位校验结果确定为校验错误。
S450、从当前帧和参考帧中分别提取对应的图像BEBLID特征，对各图像BEBLID特征中的BEBLID描述子进行降维处理，并将降维处理后的各图像BEBLID特征作为当前帧和参考帧分别对应的图像降维BEBLID特征。
其中，图像降维BEBLID特征可以是指经过特征降维后的图像BEBLID特征。
在本发明实施例中，可以调用一些图像特征提取规则从获取的当前帧和参考帧中分别提取对应的图像BEBLID特征，再对各图像BEBLID特征进行特征降维，去除图像BEBLID特征中的冗余信息并保留有效信息，其中，特征降维方式可以不限于： PCA）以及LDA等，并将降维处理后的各图像BEBLID特征作为当前帧和参考帧分别对应的图像降维BEBLID特征。
S460、调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像降维BEBLID特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像降维BEBLID特征作为第二匹配点对。
其中，第二匹配点对可以理解为对应于图像降维BEBLID特征的匹配点对。
S470、利用随机抽样一致性规则确定第二匹配点对内满足第二预设匹配精度的第二内点以及不满足第二预设匹配精度的第二外点。
其中，第二内点和第二外点可以理解为对应于图像降维BEBLID特征的内点和外点。
S480、根据第二内点和第二外点确定第二定位校验结果。
其中，第二定位校验结果可以理解为根据第二内点和第二外点确定的定位校验结果，即对应于图像降维BEBLID特征的定位校验结果。
在本发明实施例中，根据第二内点和第二外点确定第二定位校验结果的方式可以与上述实施例中的相同，此处不再赘述。
S490、按照第一定位校验结果和第二定位校验结果确定定位校验结果。
在本发明实施例中，按照第一定位校验结果和第二定位校验结果确定定位校验结果的方式可以是：若第一定位校验结果为校验错误，则将最终的定位校验结果确定为校验错误；若第一定位校验结果为校验正确，且第二定位校验结果也为校验正确，则将最终的定位校验结果确定为校验正确；若第一定位校验结果为校验正确，且第二定位校验结果为校验错误，则将最终的定位校验结果确定为校验错误，即以第二定位校验结果为准。
本发明实施例的技术方案，通过获取预设场景的定位生成的当前帧和参考帧，调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像BEBLID特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像BEBLID特征作为第一匹配点对，利用随机抽样一致性规则确定第一匹配点对内满足第一预设匹配精度的第一内点以及不满足第一预设匹配精度的第一外点，根据第一内点和第一外点确定第一定位校验结果，从当前帧和参考帧中分别提取对应的图像BEBLID特征，对各图像BEBLID特征中的BEBLID描述子进行降维处理，并将降维处理后的各图像BEBLID特征作为当前帧和参考帧分别对应的图像降维BEBLID特征，调用预设图像匹配规则对当前帧和参考帧分别对应的图像降维BEBLID特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像降维BEBLID特征作为第二匹配点对，利用随机抽样一致性规则确定第二匹配点对内满足第二预设匹配精度的第二内点以及不满足第二预设匹配精度的第二外点，根据第二内点和第二外点确定第二定位校验结果，按照第一定位校验结果和第二定位校验结果确定定位校验结果。本发明实施例通过提取基于预设场景定位生成的当前帧和参考帧的图像BEBLID特征和图像降维BEBLID特征，再分别利用预设图像匹配规则和随机抽样一致性规则，确定基于图像BEBLID特征的第一定位校验结果，以及基于图像降维BEBLID特征的第二定位校验结果，最后基于第一定位校验结果和第二定位校验结果确定定位校验结果，可适用于无法利用GNSS等外缘定位信息进行定位的场景，滤除了基于当前帧和参考帧的初始定位结果中的假阳结果，提高了定位结果的准确性。
实施例五
图5为本发明实施例五提供的一种定位校验方法的流程图。本实施例在上述实施例的基础上，提供了一种定位校验方法的一个实施方式，能够实现基于当前帧和参考帧的图像降维ORB特征和图像BEBLID特征确定分别对应的第三定位校验结果和第四定位校验结果，再利用卡尔曼滤波器融合第三定位校验结果和第四定位校验结果以生成最终的定位校验结果。如图5所示，本发明实施例五提供的一种定位校验方法，具体包括如下步骤：
S510、获取预设场景的定位生成的当前帧和参考帧。
S520、调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像降维ORB特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像降维ORB特征作为第三匹配点对。
其中，第三匹配点对可以理解为对应于图像降维ORB特征的匹配点对。
S530、利用随机抽样一致性规则确定第三匹配点对内满足第三预设匹配精度的第三内点以及不满足第三预设匹配精度的第三外点。
其中，第三内点和第三外点可以理解为对应于图像降维ORB特征的内点和外点。
S540、根据第三内点和第三外点确定第三定位校验结果。
其中，第三定位校验结果可以理解为根据第三内点和第三外点确定的定位校验结果，即对应于图像降维ORB特征的定位校验结果。
在本发明实施例中，根据第三内点和第三外点确定第三定位校验结果的方式可以与上述实施例中的相同，此处不再赘述。
S550、调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像BEBLID特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像BEBLID特征作为第四匹配点对。
其中，第四匹配点对可以理解为对应于图像BEBLID特征的匹配点对。
S560、利用随机抽样一致性规则确定第四匹配点对内满足第四预设匹配精度的第四内点以及不满足第四预设匹配精度的第四外点。
其中，第四内点和第四外点可以理解为对应于图像BEBLID特征的内点和外点。
S570、根据第四内点和第四外点确定第四定位校验结果。
其中，第四定位校验结果可以理解为根据第四内点和第四外点确定的定位校验结果，即对应于图像BEBLID特征的定位校验结果。
在本发明实施例中，根据第四内点和第四外点确定第四定位校验结果的方式可以与上述实施例中的相同，此处不再赘述。
S580、利用卡尔曼滤波器融合第三定位校验结果和第四定位校验结果以得到定位校验结果。
其中，卡尔曼滤波器可以通过系统输入观测数据，对系统状态进行最优估计，是一种高效率的递归滤波器。
在本发明实施例中，在获取第三定位校验结果和第四定位校验结果后，可以利用卡尔曼滤波器对其进行融合，以得到更为精确、鲁棒性更好的定位校验结果，融合过程可以如下：将基于图像降维ORB特征的第三定位校验结果作为卡尔曼滤波状态进行预测，对第三定位校验结果利用状态转移矩阵进行传播，预测得到下一时刻的定位校验结果，再通过预测的定位校验结果计算卡尔曼滤波增益系数，最后将基于图像BEBLID特征的第四定位校验结果作为系统观测，对预测的系统状态及其协方差矩阵进行更新，进而得到融合后的定位校验结果。
进一步地，在上述发明实施例的基础上，图6为本发明实施例五提供的另一种定位校验方法的流程图。如图6所示，该定位校验方法是以重定位场景为例，可以实现4种不同定位校验方法的结合，此处4种定位校验方法已在前述实施例介绍过，这里不再赘述。在地图模块的构建中，地图模块可以包括多个地图关键帧，每个关键帧可以包含图像特征信息、时间戳以及位姿等信息，其中，关键帧是指在图像的获取过程中，每经过一段距离（例如0.5米）选择一帧图像作为关键帧；图像特征信息可以是指在图像中提取的ORB特征或者BEBLID特征；时间戳可以是指图像曝光的时间；位姿可以是指关键帧对应的位姿信息。获取当前帧的语义信息可以是指获取当前图像帧的图像特征信息，可以为ORB特征或者BEBLID特征。
本发明实施例的技术方案，通过获取预设场景的定位生成的当前帧和参考帧，调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像降维ORB特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像降维ORB特征作为第三匹配点对，利用随机抽样一致性规则确定第三匹配点对内满足第三预设匹配精度的第三内点以及不满足第三预设匹配精度的第三外点，根据第三内点和第三外点确定第三定位校验结果，调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像BEBLID特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像BEBLID特征作为第四匹配点对，利用随机抽样一致性规则确定第四匹配点对内满足第四预设匹配精度的第四内点以及不满足第四预设匹配精度的第四外点，根据第四内点和第四外点确定第四定位校验结果，利用卡尔曼滤波器融合第三定位校验结果和第四定位校验结果以得到定位校验结果。本发明实施例通过提取基于预设场景定位生成的当前帧和参考帧的图像降维ORB特征和图像BEBLID特征，再分别利用预设图像匹配规则和随机抽样一致性规则，确定基于图像降维ORB特征的第三定位校验结果，以及基于图像BEBLID特征的第四定位校验结果，最后利用卡尔曼滤波器融合第三定位校验结果和第四定位校验结果以得到定位校验结果，可适用于无法利用GNSS等外缘定位信息进行定位的场景，滤除了基于当前帧和参考帧的初始定位结果中的假阳结果，提高了定位结果的准确性。
实施例六
图7为本发明实施例六提供的一种定位校验装置的结构示意图。如图7所示，该装置包括：
数据获取模块61，用于获取预设场景的定位生成的当前帧和参考帧；
特征提取模块62，用于提取当前帧和参考帧分别对应的特征信息；
结果确定模块63，用于按照各特征信息的匹配结果确定定位校验结果。
本发明实施例的技术方案，通过数据获取模块获取预设场景的定位生成的当前帧和参考帧，特征提取模块提取当前帧和参考帧分别对应的特征信息，结果确定模块按照各特征信息的匹配结果确定定位校验结果。本发明实施例通过提取基于预设场景定位生成的当前帧和参考帧的特征信息，再按照提取的各特征信息的匹配结果确定定位校验结果，适用于无法利用GNSS等外缘定位信息进行定位的场景，滤除了基于当前帧和参考帧的初始定位结果中的假阳结果，提高了定位结果的准确性。
进一步地，在上述发明实施例的基础上，特征提取模块62包括以下至少之一：
第一特征提取单元，用于从当前帧和参考帧中分别提取对应的图像ORB特征，对各图像ORB特征中的BRIEF描述子进行降维处理，并将降维处理后的各图像ORB特征作为当前帧和参考帧分别对应的图像降维ORB特征。
第二特征提取单元，用于从当前帧和参考帧中分别提取对应的图像BEBLID特征。
第三特征提取单元，用于从当前帧和参考帧中分别提取对应的图像BEBLID特征，对各图像BEBLID特征中的BEBLID描述子进行降维处理，并将降维处理后的各图像BEBLID特征作为当前帧和参考帧分别对应的图像降维BEBLID特征。
进一步地，在上述发明实施例的基础上，结果确定模块63包括：
降维ORB特征匹配单元，用于调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像降维ORB特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像降维ORB特征作为匹配点对。
内外点确定单元，用于利用随机抽样一致性规则确定匹配点对内满足预设匹配精度的内点以及不满足预设匹配精度的外点。
校验结果确定单元，用于根据内点和外点确定定位校验结果。
进一步地，在上述发明实施例的基础上，结果确定模块63包括：
BEBLID特征匹配单元，用于调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像BEBLID特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像BEBLID特征作为匹配点对。
内外点确定单元，用于利用随机抽样一致性规则确定匹配点对内满足预设匹配精度的内点以及不满足预设匹配精度的外点。
校验结果确定单元，用于根据内点和外点确定定位校验结果。
进一步地，在上述发明实施例的基础上，结果确定模块63包括：
第一特征匹配单元，用于调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像BEBLID特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像BEBLID特征作为第一匹配点对。
第一内外点确定单元，用于利用随机抽样一致性规则确定第一匹配点对内满足第一预设匹配精度的第一内点以及不满足第一预设匹配精度的第一外点。
第一校验结果确定单元，用于根据第一内点和第一外点确定第一定位校验结果。
第二特征匹配单元，用于调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像降维BEBLID特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像降维BEBLID特征作为第二匹配点对。
第二内外点确定单元，用于利用随机抽样一致性规则确定第二匹配点对内满足第二预设匹配精度的第二内点以及不满足第二预设匹配精度的第二外点。
第二校验结果确定单元，用于根据第二内点和第二外点确定第二定位校验结果。
最终校验结果确定单元，用于按照第一定位校验结果和第二定位校验结果确定定位校验结果。
进一步地，在上述发明实施例的基础上，结果确定模块63包括：
第三特征匹配单元，用于调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像降维ORB特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像降维ORB特征作为第三匹配点对。
第三内外点确定单元，用于利用随机抽样一致性规则确定第三匹配点对内满足第三预设匹配精度的第三内点以及不满足第三预设匹配精度的第三外点。
第三校验结果确定单元，用于根据第三内点和第三外点确定第三定位校验结果。
第四特征匹配单元，用于调用预设图像匹配规则对当前帧和参考帧分别对应的特征信息中的图像BEBLID特征进行特征点匹配，并将匹配成功的当前帧和参考帧分别对应的图像BEBLID特征作为第四匹配点对。
第四内外点确定单元，用于利用随机抽样一致性规则确定第四匹配点对内满足第四预设匹配精度的第四内点以及不满足第四预设匹配精度的第四外点。
第四校验结果确定单元，用于根据第四内点和第四外点确定第四定位校验结果。
校验结果融合单元，用于利用卡尔曼滤波器融合第三定位校验结果和第四定位校验结果以得到定位校验结果。
进一步地，在上述发明实施例的基础上，校验结果确定单元具体用于以下至少之一：
在内点的数量大于预设校验阈值时，将定位校验结果确定为校验正确，在内点的数量小于或者等于预设校验阈值时，将定位校验结果确定为校验错误；
在内点的数量与外点的数量的比值大于预设校验比例阈值时，将定位校验结果确定为校验正确，在内点的数量与外点的数量的比值小于或者等于预设校验比例阈值时，将定位校验结果确定为校验错误。
本发明实施例所提供的定位校验装置可执行本发明任意实施例所提供的定位校验方法，具备执行方法相应的功能模块和有益效果。
实施例七
图8示出了可以用来实施本发明的实施例的电子设备70的结构示意图。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（如头盔、眼镜、手表等）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/或者要求的本发明的实现。
如图8所示，电子设备70包括至少一个处理器71，以及与至少一个处理器71通信连接的存储器，如只读存储器（ROM）72、随机访问存储器（RAM）73等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器71可以根据存储在只读存储器（ROM）72中的计算机程序或者从存储单元78加载到随机访问存储器（RAM）73中的计算机程序，来执行各种适当的动作和处理。在RAM 73中，还可存储电子设备70操作所需的各种程序和数据。处理器71、ROM 72以及RAM 73通过总线74彼此相连。输入/输出（I/O）接口75也连接至总线74。
电子设备70中的多个部件连接至I/O接口75，包括：输入单元76，例如键盘、鼠标等；输出单元77，例如各种类型的显示器、扬声器等；存储单元78，例如磁盘、光盘等；以及通信单元79，例如网卡、调制解调器、无线通信收发机等。通信单元79允许电子设备70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。
处理器71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。处理器71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处理器、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。处理器71执行上文所描述的各个方法和处理，例如定位校验方法。
在一些实施例中，定位校验方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元78。在一些实施例中，计算机程序的部分或者全部可以经由ROM 72和/或通信单元79而被载入和/或安装到电子设备70上。当计算机程序加载到RAM 73并由处理器71执行时，可以执行上文描述的定位校验方法的一个或多个步骤。备选地，在其他实施例中，处理器71可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行定位校验方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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）、区块链网络和互联网。
计算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服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
Claims (10)
1.一种定位校验方法，其特征在于，所述方法包括：
获取预设场景的定位生成的当前帧和参考帧；
提取所述当前帧和所述参考帧分别对应的特征信息；
按照各所述特征信息的匹配结果确定定位校验结果。
2.根据权利要求1所述的方法，其特征在于，所述提取所述当前帧和所述参考帧分别对应的特征信息，包括以下至少之一：
从所述当前帧和所述参考帧中分别提取对应的图像ORB特征，对各所述图像ORB特征中的BRIEF描述子进行降维处理，并将所述降维处理后的各所述图像ORB特征作为所述当前帧和所述参考帧分别对应的图像降维ORB特征；
从所述当前帧和所述参考帧中分别提取对应的图像BEBLID特征；
从所述当前帧和所述参考帧中分别提取对应的图像BEBLID特征，对各所述图像BEBLID特征中的BEBLID描述子进行降维处理，并将所述降维处理后的各所述图像BEBLID特征作为所述当前帧和所述参考帧分别对应的图像降维BEBLID特征。
3.根据权利要求1所述的方法，其特征在于，所述按照各所述特征信息的匹配结果确定定位校验结果，包括：
调用预设图像匹配规则对所述当前帧和所述参考帧分别对应的所述特征信息中的图像降维ORB特征进行特征点匹配，并将匹配成功的所述当前帧和所述参考帧分别对应的所述图像降维ORB特征作为匹配点对；
利用随机抽样一致性规则确定所述匹配点对内满足预设匹配精度的内点以及不满足预设匹配精度的外点；
根据所述内点和所述外点确定所述定位校验结果。
4.根据权利要求1所述的方法，其特征在于，所述按照各所述特征信息的匹配结果确定定位校验结果，包括：
调用预设图像匹配规则对所述当前帧和所述参考帧分别对应的所述特征信息中的图像BEBLID特征进行特征点匹配，并将匹配成功的所述当前帧和所述参考帧分别对应的所述图像BEBLID特征作为匹配点对；
利用随机抽样一致性规则确定所述匹配点对内满足预设匹配精度的内点以及不满足预设匹配精度的外点；
根据所述内点和所述外点确定所述定位校验结果。
5.根据权利要求1所述的方法，其特征在于，所述按照各所述特征信息的匹配结果确定定位校验结果，包括：
调用预设图像匹配规则对所述当前帧和所述参考帧分别对应的所述特征信息中的图像BEBLID特征进行特征点匹配，并将匹配成功的所述当前帧和所述参考帧分别对应的所述图像BEBLID特征作为第一匹配点对；
利用随机抽样一致性规则确定所述第一匹配点对内满足第一预设匹配精度的第一内点以及不满足第一预设匹配精度的第一外点；
根据所述第一内点和所述第一外点确定第一定位校验结果；
调用预设图像匹配规则对所述当前帧和所述参考帧分别对应的所述特征信息中的图像降维BEBLID特征进行特征点匹配，并将匹配成功的所述当前帧和所述参考帧分别对应的所述图像降维BEBLID特征作为第二匹配点对；
利用随机抽样一致性规则确定所述第二匹配点对内满足第二预设匹配精度的第二内点以及不满足第二预设匹配精度的第二外点；
根据所述第二内点和所述第二外点确定第二定位校验结果；
按照所述第一定位校验结果和所述第二定位校验结果确定所述定位校验结果。
6.根据权利要求1所述的方法，其特征在于，所述按照各所述特征信息的匹配结果确定定位校验结果，包括：
调用预设图像匹配规则对所述当前帧和所述参考帧分别对应的所述特征信息中的图像降维ORB特征进行特征点匹配，并将匹配成功的所述当前帧和所述参考帧分别对应的所述图像降维ORB特征作为第三匹配点对；
利用随机抽样一致性规则确定所述第三匹配点对内满足第三预设匹配精度的第三内点以及不满足第三预设匹配精度的第三外点；
根据所述第三内点和所述第三外点确定第三定位校验结果；
调用预设图像匹配规则对所述当前帧和所述参考帧分别对应的所述特征信息中的图像BEBLID特征进行特征点匹配，并将匹配成功的所述当前帧和所述参考帧分别对应的所述图像BEBLID特征作为第四匹配点对；
利用随机抽样一致性规则确定所述第四匹配点对内满足第四预设匹配精度的第四内点以及不满足第四预设匹配精度的第四外点；
根据所述第四内点和所述第四外点确定第四定位校验结果；
利用卡尔曼滤波器融合所述第三定位校验结果和所述第四定位校验结果以得到所述定位校验结果。
7.根据权利要求3或4所述的方法，其特征在于，所述根据所述内点和所述外点确定所述定位校验结果，包括以下至少之一：
在所述内点的数量大于预设校验阈值时，将所述定位校验结果确定为校验正确，在所述内点的数量小于或者等于所述预设校验阈值时，将所述定位校验结果确定为校验错误；
在所述内点的数量与所述外点的数量的比值大于预设校验比例阈值时，将所述定位校验结果确定为校验正确，在所述内点的数量与所述外点的数量的比值小于或者等于所述预设校验比例阈值时，将所述定位校验结果确定为校验错误。
8.一种定位校验装置，其特征在于，所述装置包括：
数据获取模块，用于获取预设场景的定位生成的当前帧和参考帧；
特征提取模块，用于提取所述当前帧和所述参考帧分别对应的特征信息；
结果确定模块，用于按照各所述特征信息的匹配结果确定定位校验结果。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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1-7中任一项所述的定位校验方法。
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计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的定位校验方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310498500.1A CN116258769B (zh) | 2023-05-06 | 2023-05-06 | 一种定位校验方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310498500.1A CN116258769B (zh) | 2023-05-06 | 2023-05-06 | 一种定位校验方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116258769A true CN116258769A (zh) | 2023-06-13 |
| CN116258769B CN116258769B (zh) | 2023-07-25 |
Family
ID=86688254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310498500.1A Active CN116258769B (zh) | 2023-05-06 | 2023-05-06 | 一种定位校验方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116258769B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109658366A (zh) * | 2018-10-23 | 2019-04-19 | 平顶山天安煤业股份有限公司 | 基于改进ransac和动态融合的实时视频拼接方法 |
| CN109947886A (zh) * | 2019-03-19 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN110335315A (zh) * | 2019-06-27 | 2019-10-15 | Oppo广东移动通信有限公司 | 一种图像处理方法及装置、计算机可读存储介质 |
| CN111429517A (zh) * | 2020-03-23 | 2020-07-17 | Oppo广东移动通信有限公司 | 重定位方法、重定位装置、存储介质与电子设备 |
| US20200302615A1 (en) * | 2018-04-27 | 2020-09-24 | Tencent Technology (Shenzhen) Company Limited | Repositioning method and apparatus in camera pose tracking process, device, and storage medium |
| CN111709973A (zh) * | 2020-06-16 | 2020-09-25 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、设备及存储介质 |
| CN111750864A (zh) * | 2020-06-30 | 2020-10-09 | 杭州海康机器人技术有限公司 | 一种基于视觉地图的重定位方法和装置 |
| CN112200850A (zh) * | 2020-10-16 | 2021-01-08 | 河南大学 | 一种基于成熟特征点的orb提取方法 |
| CN112396654A (zh) * | 2020-11-17 | 2021-02-23 | 闪耀现实(无锡)科技有限公司 | 用于在图像跟踪过程中确定跟踪对象的位姿的方法及装置 |
| CN113313763A (zh) * | 2021-05-26 | 2021-08-27 | 珠海深圳清华大学研究院创新中心 | 一种基于神经网络的单目相机位姿优化方法及装置 |
| CN113674412A (zh) * | 2021-08-12 | 2021-11-19 | 浙江工商大学 | 基于位姿融合优化的室内地图构建方法、系统及存储介质 |
| CN114283397A (zh) * | 2021-11-24 | 2022-04-05 | 亿咖通(湖北)技术有限公司 | 全局重定位方法、装置、设备及存储介质 |
| CN114494150A (zh) * | 2021-12-30 | 2022-05-13 | 杭州电子科技大学 | 一种基于半直接法的单目视觉里程计的设计方法 |
| CN115512124A (zh) * | 2022-10-20 | 2022-12-23 | 亿咖通(湖北)技术有限公司 | 一种重定位帧的确定方法、装置、车辆及存储介质 |
-
2023
- 2023-05-06 CN CN202310498500.1A patent/CN116258769B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200302615A1 (en) * | 2018-04-27 | 2020-09-24 | Tencent Technology (Shenzhen) Company Limited | Repositioning method and apparatus in camera pose tracking process, device, and storage medium |
| CN109658366A (zh) * | 2018-10-23 | 2019-04-19 | 平顶山天安煤业股份有限公司 | 基于改进ransac和动态融合的实时视频拼接方法 |
| CN109947886A (zh) * | 2019-03-19 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN110335315A (zh) * | 2019-06-27 | 2019-10-15 | Oppo广东移动通信有限公司 | 一种图像处理方法及装置、计算机可读存储介质 |
| CN111429517A (zh) * | 2020-03-23 | 2020-07-17 | Oppo广东移动通信有限公司 | 重定位方法、重定位装置、存储介质与电子设备 |
| CN111709973A (zh) * | 2020-06-16 | 2020-09-25 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、设备及存储介质 |
| CN111750864A (zh) * | 2020-06-30 | 2020-10-09 | 杭州海康机器人技术有限公司 | 一种基于视觉地图的重定位方法和装置 |
| CN112200850A (zh) * | 2020-10-16 | 2021-01-08 | 河南大学 | 一种基于成熟特征点的orb提取方法 |
| CN112396654A (zh) * | 2020-11-17 | 2021-02-23 | 闪耀现实(无锡)科技有限公司 | 用于在图像跟踪过程中确定跟踪对象的位姿的方法及装置 |
| CN113313763A (zh) * | 2021-05-26 | 2021-08-27 | 珠海深圳清华大学研究院创新中心 | 一种基于神经网络的单目相机位姿优化方法及装置 |
| CN113674412A (zh) * | 2021-08-12 | 2021-11-19 | 浙江工商大学 | 基于位姿融合优化的室内地图构建方法、系统及存储介质 |
| CN114283397A (zh) * | 2021-11-24 | 2022-04-05 | 亿咖通(湖北)技术有限公司 | 全局重定位方法、装置、设备及存储介质 |
| CN114494150A (zh) * | 2021-12-30 | 2022-05-13 | 杭州电子科技大学 | 一种基于半直接法的单目视觉里程计的设计方法 |
| CN115512124A (zh) * | 2022-10-20 | 2022-12-23 | 亿咖通(湖北)技术有限公司 | 一种重定位帧的确定方法、装置、车辆及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| MARVIN FERBER 等: "Combining SURF and SIFT for Challenging Indoor Localization using a Feature Cloud", 《INSTITUTE OF COMPUTER SCIENCE TECHNICAL UNIVERSITY BERGAKADEMIE FREIBERG》, pages 1 - 4 * |
| 赵燕成 等: "移动机器人视觉SLAM 回环检测现状研究", 《测控遥感与导航定位》, vol. 53, no. 1, pages 129 - 139 * |
| 韦坤: "基于视觉惯导融合的SLAM系统优化方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 140 - 667 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116258769B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113205037B (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
| CN111563429A (zh) | 一种图纸校对方法、装置、电子设备及存储介质 | |
| CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
| CN113920158A (zh) | 跟踪模型的训练与交通对象跟踪方法、装置 | |
| CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
| CN116309963B (zh) | 一种图像的批量标注方法、装置、电子设备及存储介质 | |
| CN116258769B (zh) | 一种定位校验方法、装置、电子设备和存储介质 | |
| CN114120252B (zh) | 自动驾驶车辆状态的识别方法、装置、电子设备及车辆 | |
| CN112966609B (zh) | 目标检测方法及装置 | |
| CN116295466A (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 | |
| CN113360688B (zh) | 信息库的构建方法、装置及系统 | |
| CN116186549B (zh) | 模型的训练方法、装置、设备和介质 | |
| CN114299522B (zh) | 图像识别方法装置、设备和存储介质 | |
| CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
| CN115471717B (zh) | 模型的半监督训练、分类方法装置、设备、介质及产品 | |
| CN114049615B (zh) | 行驶环境中交通对象融合关联方法、装置及边缘计算设备 | |
| CN114911963B (zh) | 一种模板图片分类方法、装置、设备、存储介质及产品 | |
| CN113361524B (zh) | 图像处理方法及装置 | |
| CN117746515A (zh) | 检测模型的训练方法、检测方法、装置、设备和介质 | |
| CN117743617A (zh) | 人物交互检测方法、模型训练方法及装置 | |
| CN116204671A (zh) | 图像搜索方法和装置 | |
| CN116977524A (zh) | 一种三维地图构建方法、装置、电子设备及存储介质 | |
| CN117710459A (zh) | 三维信息的确定方法、装置及计算机程序产品 | |
| CN116563811A (zh) | 一种车道线识别方法、装置、车辆及存储介质 | |
| CN113591847A (zh) | 一种车辆定位方法、装置、电子设备及存储介质 |
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 |