CN117990058A - 一种提高rtk测量精度的方法、装置、计算机设备及介质 - Google Patents

一种提高rtk测量精度的方法、装置、计算机设备及介质 Download PDF

Info

Publication number
CN117990058A
CN117990058A CN202410404506.2A CN202410404506A CN117990058A CN 117990058 A CN117990058 A CN 117990058A CN 202410404506 A CN202410404506 A CN 202410404506A CN 117990058 A CN117990058 A CN 117990058A
Authority
CN
China
Prior art keywords
feature points
feature
feature point
preset
point
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
Application number
CN202410404506.2A
Other languages
English (en)
Other versions
CN117990058B (zh
Inventor
曹为接
江昊
方建迪
吕达
叶晨
任娇蓉
翁格平
江涵
卿华
谢楚
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.)
State Grid Zhejiang Electric Power Co Ltd Ninghai County Power Supply Co
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd Ninghai County Power Supply Co
Ningbo Power Supply Co of State Grid Zhejiang Electric Power 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 State Grid Zhejiang Electric Power Co Ltd Ninghai County Power Supply Co, Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd Ninghai County Power Supply Co
Priority to CN202410404506.2A priority Critical patent/CN117990058B/zh
Publication of CN117990058A publication Critical patent/CN117990058A/zh
Application granted granted Critical
Publication of CN117990058B publication Critical patent/CN117990058B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明涉及一种提高RTK测量精度的方法、装置、计算机设备及介质。该方法在基准站上额外部署位姿相对固定的图像采集设备进行图像采集,并进行灰度化处理,提取灰度图像内特征点及第一描述向量,根据特征点的分布情况构造第二描述向量,根据各个特征点的第二描述向量变化情况,估计基准站的位姿变化情况,从而将位姿变化信息提供给移动站进行测量校正,在山区场景下,基准站易出现较小的位姿变化,相较于电子气泡等仪器监测方式,图像采集设备的精密度需求更低,使得图像处理方式鲁棒性更高,更适应于山区场景,相较于现有监测方式,能够根据基准站位姿的微小变化对测量进行反馈,从而提高RTK测量的精度。

Description

一种提高RTK测量精度的方法、装置、计算机设备及介质
技术领域
本发明适用于移动测量领域,尤其涉及一种提高RTK测量精度的方法、装置、计算机设备及介质。
背景技术
目前,实时动态载波相位差分技术(RTK)接收机广泛应用于导航和测绘领域,RTK通常使用基准站和移动站协同的方式,由已知部署位置的基准站向移动站发送所接受到的差分信号,移动站通过自身接收到的卫星信号以及基准站发送的差分信号,确定与基准站的相对位置以实现测量。
显然,基准站坐标的准确性直接影响移动站测量的精度,理想状态下基准站在测量过程中是静止不动的,从而保证基准站坐标不会改变,然而在现实中,基准站可能受到各种外界因素的干扰,从而出现移动,倾斜,震动等情况,导致基准站位置发生变化,现有方法中,CN107991694A《一种基于RTK基准站姿态监控系统及其监控方法》提出了通过电子气泡监控基准站位姿变化的方案,在位姿变化过大时,对测量人员提供预警,从而能够避免出现测量误差过大的情况。
然而,在基准站位姿变化较小,不满足预警条件时,在测量时仍然会根据基准站的初始位置进行测量,导致测量过程存在误差,在山区等场景下,由于地面平坦度较差等因素,更容易出现基准站位姿出现小幅度变化的情况,而且,此类情况下电子气泡也容易产生仪器误差,从而导致RTK测量精度较低,因此,如何提高RTK测量精度成为了亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种提高RTK测量精度的方法、装置、计算机设备及介质,以解决问题。
第一方面,提供一种提高RTK测量精度的方法,所述方法包括:
获取图像采集设备在第一预设时间点采集到的第一初始图像,所述图像采集设备部署于基准站,且所述图像采集设备的位姿相对于所述基准站固定;
对所述第一初始图像进行灰度化处理,得到第一灰度图像,使用预设的特征描述子对所述第一灰度图像进行特征提取,得到M个目标特征点及对应的第一描述向量,M为大于一的整数;
针对任一目标特征点,根据目标特征点之间的距离确定与所述目标特征点最接近的N个目标特征点作为所述目标特征点的关联特征点,根据N个关联特征点分别对应的坐标,确定所述目标特征点的第二描述向量,N为正整数;
根据M个目标特征点对应的第一描述向量与K个预设的参考特征点对应的第一参考向量,对M个目标特征点和K个参考特征点进行匹配,得到L个特征点匹配对,各个所述特征点匹配对包括一个目标特征点和一个参考特征点,K为正整数,L≤min(M,K)且L为正整数;
针对任一特征点匹配对,将所述特征点匹配对中目标特征点对应的第二描述向量与参考特征点对应的预设第二参考向量进行差值计算,得到所述特征点匹配对的差值向量;
将L个特征点匹配对的差值向量一同输入预设的位姿变化量估计模型中,得到所述基准站的位姿变化量;
将所述位姿变化量发送给对应所述基准站的移动站,所述移动站用于根据所述基准站的预设初始位姿、所述位姿变化量以及所述基准站发送的载波相位信号,进行RTK测量。
第二方面,提供一种提高RTK测量精度的装置,所述装置包括:
图像获取模块,用于获取图像采集设备在第一预设时间点采集到的第一初始图像,所述图像采集设备部署于基准站,且所述图像采集设备的位姿相对于所述基准站固定;
特征提取模块,用于对所述第一初始图像进行灰度化处理,得到第一灰度图像,使用预设的特征描述子对所述第一灰度图像进行特征提取,得到M个目标特征点及对应的第一描述向量,M为大于一的整数;
特征描述模块,用于针对任一目标特征点,根据目标特征点之间的距离确定与所述目标特征点最接近的N个目标特征点作为所述目标特征点的关联特征点,根据N个关联特征点分别对应的坐标,确定所述目标特征点的第二描述向量,N为正整数;
特征匹配模块,用于根据M个目标特征点对应的第一描述向量与K个预设的参考特征点对应的第一参考向量,对M个目标特征点和K个参考特征点进行匹配,得到L个特征点匹配对,各个所述特征点匹配对包括一个目标特征点和一个参考特征点,K为正整数,L≤min(M,K)且L为正整数;
差值计算模块,用于针对任一特征点匹配对,将所述特征点匹配对中目标特征点对应的第二描述向量与参考特征点对应的预设第二参考向量进行差值计算,得到所述特征点匹配对的差值向量;
位姿分析模块,用于将L个特征点匹配对的差值向量一同输入预设的位姿变化量估计模型中,得到所述基准站的位姿变化量;
实时测量模块,用于将所述位姿变化量发送给对应所述基准站的移动站,所述移动站用于根据所述基准站的预设初始位姿、所述位姿变化量以及所述基准站发送的载波相位信号,进行RTK测量。
第三方面,本发明实施例提供一种计算机设备,所述计算机设备包括处理器、存储器以及存储在所述存储器中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如第一方面所述的提高RTK测量精度的方法。
第四方面,本发明实施例提供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程序,所述计算机程序被处理器执行时实现如第一方面所述的提高RTK测量精度的方法。
本发明与现有技术相比存在的有益效果是:
在基准站上额外部署固定位姿的图像采集设备进行图像采集,并根据采集的图像内特征点的分布情况构造特征描述向量,根据各个特征点的特征描述向量变化情况,估计图像采集设备的位姿变化情况,进而能够确定基准站的位姿变化情况,从而将位姿变化信息提供给移动站进行测量校正,相较于电子气泡等仪器监测方式,图像采集设备的精密度需求更低,使得图像处理方式鲁棒性更高,相较于现有监测方式,能够根据基准站位姿的微小变化对测量进行反馈,从而提高RTK测量的精度。
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他的附图;
图1是本发明实施例一提供的一种提高RTK测量精度的方法的一应用环境示意图;
图2是本发明实施例一提供的一种提高RTK测量精度的方法的流程示意图;
图3是为本发明实施例一提供的一种提高RTK测量精度的方法中特征点匹配的效果示意图;
图4是本发明实施例二提供的一种提高RTK测量精度的方法中参考特征点获取的流程示意图;
图5是本发明实施例五提供的一种提高RTK测量精度的方法中灰度化处理的流程示意图
图6是本发明实施例八提供的一种提高RTK测量精度的装置的结构示意图;
图7是本发明实施例九提供的一种提高RTK测量精度的计算机设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本发明说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本发明说明书和所附权利要求书的描述中,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。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解,以下实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
本发明实施例一提供的一种提高RTK测量精度的方法,可应用在如图1的应用环境中,其中,图像采集设备与数据处理终端进行通信。其中,数据处理终端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、上网本、云端终端设备、个人数字助理(personal digital assistant,PDA)等终端设备。图像采集设备包括但不限于摄像机、具备摄像功能的移动终端、摄像头、录影机等,图像采集设备部署于基准站上,基准站和移动站进行通信。
参见图2,是本发明实施例一提供的一种提高RTK测量精度的方法的流程示意图,上述提高RTK测量精度的方法可以应用于图1中的数据处理终端,数据处理终端与图像处理设备通信连接,数据处理终端对应的终端设备在接收到图像采集设备采集到的图像时,触发执行相应的任务。如图2所示,该提高RTK测量精度的方法可以包括以下步骤:
步骤S101,获取图像采集设备在第一预设时间点采集到的第一初始图像,图像采集设备部署于基准站,且图像采集设备的位姿相对于基准站固定;
步骤S102,对第一初始图像进行灰度化处理,得到第一灰度图像,使用预设的特征描述子对第一灰度图像进行特征提取,得到M个目标特征点及对应的第一描述向量,M为大于一的整数;
步骤S103,针对任一目标特征点,根据目标特征点之间的距离确定与目标特征点最接近的N个目标特征点作为目标特征点的关联特征点,根据N个关联特征点分别对应的坐标,确定目标特征点的第二描述向量,N为正整数;
步骤S104,根据M个目标特征点对应的第一描述向量与K个预设的参考特征点对应的第一参考向量,对M个目标特征点和K个参考特征点进行匹配,得到L个特征点匹配对,各个特征点匹配对包括一个目标特征点和一个参考特征点,K为正整数,L≤min(M,K)且L为正整数;
步骤S105,针对任一特征点匹配对,将特征点匹配对中目标特征点对应的第二描述向量与参考特征点对应的预设第二参考向量进行差值计算,得到特征点匹配对的差值向量;
步骤S106,将L个特征点匹配对的差值向量一同输入预设的位姿变化量估计模型中,得到基准站的位姿变化量;
步骤S107,将位姿变化量发送给对应基准站的移动站,移动站用于根据基准站的预设初始位姿、位姿变化量以及基准站发送的载波相位信号,进行RTK测量。
其中,第一预设时间点可以由实施者预先设置,通常情况下,第一预设时间点应当在实施者通过移动站进行测量的时间段内,以确保在使用移动站进行测量时基准站的位置和姿态相较于其部署时的位姿不出现变化,进而减小因基准站位姿变化而引起的测量误差,需要说明的是,实施者可以在通过移动站进行测量的时间段内设置多个第一预设时间点,例如,从使用移动站测量时刻开始,每间隔固定时长即作为一个第一预设时间点,固定时长可以设置为1s,实施者可以根据实际情况调整固定时长或者第一预设时间点。
第一初始图像可以是指图像采集设备对基准站部署的周边环境进行图像采集获取到的,在本实施例中,RTK测量应用于山区场景下,则第一初始图像通常包括山区场景的图像信息。
图像采集设备固定部署于基准站上,以使得基准站位姿变化会直接影响到图像采集设备的位姿变化,而为了从图像采集设备的位姿变化推导出基准站位姿变化,需要保证图像采集设备的位姿相对于基准站是固定的。
第一初始图像通常为RGB图像格式,也即第一初始图像包括R、G、B三个通道的通道图像,为了提高图像处理效率,降低计算量,对第一初始图像采用灰度化处理,得到第一灰度图像,灰度化处理可以理解为,针对任一第一初始图像中的任一个像素点,使用加权相加的方式将该像素点分别在R、G、B三个通道的通道值整合为单个的灰度值。
预设的特征描述子可以用于提取第一灰度图像中特征较为明显的像素点,特征描述子可以使用Harris特征描述子、SIFT特征描述子、FAST特征描述子、ORB特征描述子等,在本实施例中,可以采用FAST特征描述子进行特征点提取,所提取到的特征点即为目标特征点,所提取到的特征点数量为M个,相应地,根据特征描述子对目标特征点进行描述,即可得到目标特征点对应的第一描述向量,第一描述向量可以视作用于描述目标特征点附近的像素分布信息。
由于每个目标特征点均属于第一灰度图像,也即每个目标特征点均在第一灰度图像中有对应的图像坐标,因此可以根据坐标直接计算出目标特征点之间的距离,对于任一个目标特征点,可以根据与其他目标特征点之间的距离,确定与该目标特征点最为接近的N个关联特征点,进而可以根据N个关联特征点的坐标形成该目标特征点的第二描述向量,第二描述向量可以视作用于描述目标特征点之间的局部分布信息。
具体地,数据处理终端中包含根据图像采集设备部署时所采集图像确定的K个预设的参考特征点及对应的第一参考向量,根据第一描述向量和第一参考向量之间的相似度,可以对M个目标特征点和K个参考特征点进行匹配,相似度计算方法可以采用欧式距离、余弦相似度等,在本实施例采用余弦相似度进行第一描述向量和第一参考向量之间的相似度计算,匹配过程本质上属于二分匹配,以使得整体的匹配准确率最高,实施者可以采集RANSAC方法进行特征点匹配,得到L个特征点匹配对,参见图3,为本发明实施例一提供的一种提高RTK测量精度的方法中特征点匹配的效果示意图,需要说明的是,由于特征点匹配过程难免出现错误匹配的特征点对,此时需要将错误匹配的特征点对忽略,因此所得到的特征点匹配对数量L满足L≤min(M,K)。
特征点匹配对的差值向量可以用于描述特征点局部分布的变化情况,以使得能够为预设的位姿变化量估计模型提供输入信息,例如,若特征点的局部分布未变化,且仅特征点位置出现移动,可以认为图像采集设备的位姿出现平移情况,若特征点的局部分布出现放缩情况,可以认为图像采集设备的位姿出现旋转情况。
显然,根据多个特征点匹配对的差值向量,能够计算得到图像采集设备的位姿变化情况,在本实施例中,为了降低人工成本,采用预训练好的位姿变化量估计模型,以多个特征点匹配对的差值向量作为模型的输入,模型能够直接输出图像采集设备的位姿变化量,又由于图像采集设备的位姿与基准站的位姿相对固定且位姿之间的关系已知,可以认为模型能够直接输出基准站的位姿变化量,通常情况下,位姿变化量可以包括世界坐标系下的X轴、Y轴和Z轴方向的偏移量,以及绕X轴旋转的俯仰角pitch、绕Y轴旋转的航向角yaw和绕Z轴旋转的横滚角roll。
实施者可以预先通过调整图像采集设备的位姿以获取多张样本图像,以两张样本图像为一样本组,通过上述方式得到该样本组对应的多个特征点匹配对的差值向量作为训练样本,以该样本组所对应的两张样本图像的位姿变化量为标签数据,使用均方误差损失函数对位姿变化量估计模型进行训练,直至损失函数收敛,即可得到预训练好的位姿变化量估计模型。
移动站通常具备计算功能,以在RTK测量时,根据接收到的卫星信号、基准站的传输信号和基准站的位姿信息,计算得到移动站相对于基准站的相对坐标,本实施例中,将位姿变化量发送给对应基准站的移动站,数据发送可以由数据处理终端执行,在一种实施方式中,可以将位姿变化量发送给对应基准站,再转发给移动站,从而无需建立额外的数据处理终端与移动站之间的通信链路。
移动站在获得基准站的初始位姿和位姿变化量之后,可以更新基准站的位姿,从而使得更新后的位姿进行相对坐标的计算,以保证移动站进行RTK测量的精度。
本实施例中,在基准站上额外部署固定位姿的图像采集设备进行图像采集,并根据采集的图像内特征点的分布情况构造特征描述向量,根据各个特征点的特征描述向量变化情况,估计图像采集设备的位姿变化情况,进而能够确定基准站的位姿变化情况,从而将位姿变化信息提供给移动站进行测量校正,相较于电子气泡、惯性测量仪等仪器监测方式,图像采集设备的精密度需求更低,使得在位姿变化量较小的情况,图像处理方式能够确定出更为准确的位姿变化量,也即图像处理方式的鲁棒性更高,相较于现有监测方式,能够根据基准站位姿的微小变化对测量进行反馈,从而提高RTK测量的精度。
在本发明实施例一的基础上,本发明实施例二还提供了一种提高RTK测量精度的方法,参见图4,为本发明实施例二提供的一种提高RTK测量精度的方法中参考特征点获取的流程示意图,如图4所示,该提高RTK测量精度的方法可以包括实施例一中的步骤S101至步骤S107,以及以下步骤:
步骤S201,获取图像采集设备在第二预设时间点采集到的第二初始图像,对第二初始图像进行灰度化处理,得到第二灰度图像,第二预设时间点在第一预设时间点之前;
步骤S202,使用特征描述子对第二灰度图像进行特征提取,得到K个参考特征点及对应的第一参考向量;
步骤S203,针对任一参考特征点,根据参考特征点之间的距离确定与参考特征点最接近的N个参考特征点作为参考特征点的第二关联特征点,根据N个第二关联特征点分别对应的坐标,确定参考特征点的第二参考向量。
其中,第二预设时间点可以是指图像采集设备已部署到基准站上,且尚未使用移动站进行RTK测量的时刻,此时,由图像采集设备在第二预设时间点采集到的第二初始图像可以作为模板图像,第二初始图像也经过灰度化处理,得到第二灰度图像,第二灰度图像也通过特征描述子进行特征提取,得到K个参考特征点及对应的第一参考向量,需要说明的是,为了便于根据第一参考向量和第一描述向量的相似度进行参考特征点与目标特征点的匹配,第二灰度图像在特征提取时与第一灰度图像采用相同的特征描述子,在本实施例中,为FAST特征描述子。
本发明实施例使用RTK测量之前采集到的第二初始图像进行特征提取以及特征描述,从而使得到的参考特征点以及对应的第一参考向量和第二参考向量能够作为目标特征点以及对应的第一描述向量和第二描述向量的模板信息,从而进行差异比对,能够监测基准站在测量过程中的位姿与其部署时位姿的变化情况,进而提高RTK测量的精度。
在本发明实施例一的基础上,本发明实施例三还提供了一种提高RTK测量精度的方法,该提高RTK测量精度的方法可以包括实施例一中的步骤S101至步骤S107,以及以下步骤:
步骤S301,以固定的时间间隔持续获取基准站中电子气泡的差分监测数据,当任一时刻所获取到的差分监测数据小于预设阈值且大于零时,将时刻作为第一预设时间点,执行获取图像采集设备在第一预设时间点采集到的第一初始图像的步骤。
其中,基准站通常部署有电子气泡等位姿监测仪器,根据电子气泡的差分监测数据,也即第v个采集时刻与第v-1个采集时刻之间的监测数据差值,即可确定基准站位姿是否发生变化。
预设阈值可以用于判断基准站位姿变化量是否过大,在现有方法中,当任一时刻所获取到的差分监测数据大于预设阈值时,说明基准站位姿变化量过大,此时需要提醒测量人员停止使用移动站测量,重新校正基准站位姿,而在本实施例中,若基准站位姿变化量过大,可以无法有效完成特征点匹配,进而确定位姿变化量,因此,当任一时刻所获取到的差分监测数据小于预设阈值且大于零时执行本发明实施例一中的步骤S101至步骤S107,此时,基准站存在位姿变化,但位姿变化量较小,由于位姿监测仪器自身精密程度较高,监测精度受到仪器位姿变化的影响较大,通过位姿监测仪器获取位姿变化量的精度较差,而图像采集设备的内部结构通常可以默认是固定的,不会受到震动、倾斜等外界因素的影响,因此采用更为稳定的图像处理方式。
本发明实施例能够兼容现有的基准站监控方案,并针对现有基准站监控方案无法处理基准站的位姿变化量较小时的痛点,在基准站出现位姿变化且位姿变化量较小时,执行图像处理方式进行基准站位姿变化量确定,从而在此类场景下,移动站的测量结果能够更加精确,提高了山区RTK测量的精度。
在本发明实施例一的基础上,本发明实施例四还提供了一种提高RTK测量精度的方法,该提高RTK测量精度的方法可以包括实施例一中的步骤S101至步骤S106,以及以下步骤:
步骤S401,根据第一预设时间点和预设修正时长,确定目标时间点;
步骤S402,将目标时间点和位姿变化量发送给对应基准站的移动站,移动站用于根据基准站的预设初始位姿、位姿变化量以及基准站在目标时间点之后发送的载波相位信号,进行RTK测量。
其中,预设修正时长可以是指执行步骤S101至步骤S106的预期时长,目标时间点可以根据第一预设时间点和预设修正时长相加得到,在目标时间点之后即为位姿变化量已知情况,移动站可以根据基准站的预设初始位姿、位姿变化量以及基准站在目标时间点之后发送的载波相位信号,进行RTK测量。
本发明实施例考虑到图像处理过程的预设修正时长,进而确定目标时间点,使得移动站能够在已知基准站位姿变化量的情况下进行测量,避免测量出现误差,提高了山区RTK测量的精度。
在本发明实施例一的基础上,本发明实施例五还提供了一种提高RTK测量精度的方法,参见图5,为本发明实施例五提供的一种提高RTK测量精度的方法中灰度化处理的流程示意图,该提高RTK测量精度的方法可以包括实施例一中的步骤S101、步骤S103至步骤S107,以及以下步骤:
步骤S501,使用F个不同尺寸的高斯核对第一初始图像进行模糊处理,得到F张中间图像,F为大于一的整数;
步骤S502,使用预设特征描述子分别对F张中间图像进行特征提取,得到F个中间特征点集合,中间特征点集合包括对应中间图像中特征提取得到的若干个中间特征点;
步骤S503,获取F个中间特征点集合的交集,得到W个期望特征点,W为正整数;
步骤S504,使用初始化的R通道分量权重、G通道分量权重和B通道分量权重对第一初始图像中的每个初始像素点进行灰度化处理,得到每个初始像素点的临时灰度值;
步骤S505,针对任一初始像素点,计算初始像素点分别与其八邻域像素点之间临时灰度值的梯度均值,得到初始像素点的梯度参考值;
步骤S506,使用最小二乘法更新R通道分量权重、G通道分量权重和B通道分量权重,使得W个期望特征点分别对应初始像素点的梯度参考值均值与非期望特征点对应初始像素点的梯度参考值均值之间差异最大,得到更新R通道分量权重、更新G通道分量权重和更新B通道分量权重;
步骤S507,使用更新R通道分量权重、更新G通道分量权重和更新B通道分量权重,对第一初始图像进行灰度化处理,得到第一灰度图像。
其中,特征点提取过程中通常需要保证特征描述具有尺度不变性,也即特征点能够尽量在不同清晰度的图像中被提取出来,现有方法通常使用高斯金字塔的方式确定具有尺度不变性的特征点,也即上述步骤S501至步骤S503的内容,然而,通过不同尺度的高斯核进行模糊处理,再进行特征提取以及整合需要的耗时较长,在应用于RTK测量过程中基准站位姿监测时,会导致RTK测量的滞后性较大,而在本实施例中,由于图像的采集场景为山区场景,山区场景中的景物较为简单,通常仅包括地面、树木等,因此,本实施例通过自适应确定山区场景下的灰度处理方式,以使得直接根据灰度图像所提取的特征点能够满足尺度不变性的要求,而无需进行复杂处理。
具体地,以R通道分量权重、G通道分量权重和B通道分量权重作为超参数,使用最小二乘法更新R通道分量权重、G通道分量权重和B通道分量权重,使得W个期望特征点分别对应初始像素点的梯度参考值均值与非期望特征点对应初始像素点的梯度参考值均值之间差异最大。
需要说明的是,在同一山区场景下,更新得到的R通道分量权重、G通道分量权重和B通道分量权重可以重复应用于图像处理过程中,也即默认同一山区场景下景物的变化程度较小。
本发明实施例通过优化灰度化处理中RGB三通道的权重,使得基于灰度图像提取的特征点能够尽可能满足尺度不变性的特点,从而提高图像处理过程的效率,节省图像处理时长,使得结合图像处理方式对基准站进行监测的山区RTK测量的实时性更强。
在本发明实施例一的基础上,本发明实施例六还提供了一种提高RTK测量精度的方法,该提高RTK测量精度的方法可以包括实施例一中的步骤S101至步骤S107,其中,步骤S103包括以下步骤:
步骤S601,针对任一关联特征点,确定目标特征点指向关联特征点的第一向量,将第一向量与预设坐标轴的轴向之间的夹角作为角度值,计算得到关联特征点对应坐标与目标特征点对应坐标之间的距离值;
步骤S602,根据N个关联特征点分别与目标特征点之间的距离值和角度值,拼接得到目标特征点的第二描述向量。
其中,预设坐标轴可以是指图像坐标系的横轴,轴向可以是指正方向。
本发明实施例通过关联特征点分别与目标特征点之间的距离值和角度值形成第二描述向量,使得第二描述向量对目标特征点的局部分布描述地更为准确,为后续位姿变化量估计模型进行推理提供了更为有效的特征信息,从而提高位姿变化量估计的准确率,也相应提高了RTK测量的精度。
在本发明实施例一的基础上,本发明实施例七还提供了一种提高RTK测量精度的方法,该提高RTK测量精度的方法可以包括实施例一中的步骤S101至步骤S107,其中,步骤S102包括以下步骤:
步骤S701,使用预设的特征描述子对第一灰度图像进行特征提取,得到P个临时特征点及其临时描述向量;
步骤S702,计算得到P个临时特征点对应的坐标分别与第一灰度图像中心点对应的坐标之间的临时距离,P>M且P为整数;
步骤S703,按照临时距离从小到大的顺序将P个临时特征点及其临时描述向量排序,得到临时序列;
步骤S704,从临时序列中选择前M个临时特征点及其临时描述向量作为M个目标特征点及其第一描述向量。
本实施例中,在确定目标特征点时,选择靠近图像中心点的临时特征点作为目标特征点,以避免图像采集设备出现平移、旋转等情况时,位于图像边缘的特征点容易丢失的情况,从而保证了特征点匹配的效果较好,位姿变化量的估计准确率更高,从而提高了山区RTK测量的精度。
对应于上文实施例的方法,图6示出了本发明实施例八提供的提高RTK测量精度的装置的结构框图,上述提高RTK测量精度的装置应用于数据处理终端,数据处理终端与图像处理设备通信连接,数据处理终端对应的终端设备在接收到图像采集设备采集到的图像时,触发执行相应的任务。为了便于说明,仅示出了与本发明实施例相关的部分。
参见图6,该提高RTK测量精度的装置包括:
图像获取模块61,用于获取图像采集设备在第一预设时间点采集到的第一初始图像,图像采集设备部署于基准站,且图像采集设备的位姿相对于基准站固定;
特征提取模块62,用于对第一初始图像进行灰度化处理,得到第一灰度图像,使用预设的特征描述子对第一灰度图像进行特征提取,得到M个目标特征点及对应的第一描述向量,M为大于一的整数;
特征描述模块63,用于针对任一目标特征点,根据目标特征点之间的距离确定与目标特征点最接近的N个目标特征点作为目标特征点的关联特征点,根据N个关联特征点分别对应的坐标,确定目标特征点的第二描述向量,N为正整数;
特征匹配模块64,用于根据M个目标特征点对应的第一描述向量与K个预设的参考特征点对应的第一参考向量,对M个目标特征点和K个参考特征点进行匹配,得到L个特征点匹配对,各个特征点匹配对包括一个目标特征点和一个参考特征点,K为正整数,L≤min(M,K)且L为正整数;
差值计算模块65,用于针对任一特征点匹配对,将特征点匹配对中目标特征点对应的第二描述向量与参考特征点对应的预设第二参考向量进行差值计算,得到特征点匹配对的差值向量;
位姿分析模块66,用于将L个特征点匹配对的差值向量一同输入预设的位姿变化量估计模型中,得到基准站的位姿变化量;
实时测量模块67,用于将位姿变化量发送给对应基准站的移动站,移动站用于根据基准站的预设初始位姿、位姿变化量以及基准站发送的载波相位信号,进行RTK测量。
可选的是,上述提高RTK测量精度的装置还包括:
部署采集模块,用于获取图像采集设备在第二预设时间点采集到的第二初始图像,对第二初始图像进行灰度化处理,得到第二灰度图像,第二预设时间点在第一预设时间点之前;
参考特征提取模块,用于使用特征描述子对第二灰度图像进行特征提取,得到K个参考特征点及对应的第一参考向量;
参考特征描述模块,用于针对任一参考特征点,根据参考特征点之间的距离确定与参考特征点最接近的N个参考特征点作为参考特征点的第二关联特征点,根据N个第二关联特征点分别对应的坐标,确定参考特征点的第二参考向量。
可选的是,上述提高RTK测量精度的装置还包括:
任务触发模块,用于以固定的时间间隔持续获取基准站中电子气泡的差分监测数据,当任一时刻所获取到的差分监测数据小于预设阈值且大于零时,将时刻作为第一预设时间点,执行获取图像采集设备在第一预设时间点采集到的第一初始图像的步骤。
可选的是,上述实时测量模块67包括:
时间点确定单元,用于根据第一预设时间点和预设修正时长,确定目标时间点;
时间点发送单元,用于将目标时间点和位姿变化量发送给对应基准站的移动站,移动站用于根据基准站的预设初始位姿、位姿变化量以及基准站在目标时间点之后发送的载波相位信号,进行RTK测量。
可选的是,上述特征提取模块62包括:
图像模糊单元,用于使用F个不同尺寸的高斯核对第一初始图像进行模糊处理,得到F张中间图像,F为大于一的整数;
中间特征提取单元,用于使用预设特征描述子分别对F张中间图像进行特征提取,得到F个中间特征点集合,中间特征点集合包括对应中间图像中特征提取得到的若干个中间特征点;
集合整合单元,用于获取F个中间特征点集合的交集,得到W个期望特征点,W为正整数;
权重初始化单元,用于使用初始化的R通道分量权重、G通道分量权重和B通道分量权重对第一初始图像中的每个初始像素点进行灰度化处理,得到每个初始像素点的临时灰度值;
梯度计算单元,用于针对任一初始像素点,计算初始像素点分别与其八邻域像素点之间临时灰度值的梯度均值,得到初始像素点的梯度参考值;
权重更新单元,用于使用最小二乘法更新R通道分量权重、G通道分量权重和B通道分量权重,使得W个期望特征点分别对应初始像素点的梯度参考值均值与非期望特征点对应初始像素点的梯度参考值均值之间差异最大,得到更新R通道分量权重、更新G通道分量权重和更新B通道分量权重;
灰度化处理单元,用于使用更新R通道分量权重、更新G通道分量权重和更新B通道分量权重,对第一初始图像进行灰度化处理,得到第一灰度图像。
可选的是,上述特征描述模块63包括:
参数计算单元,用于针对任一关联特征点,确定目标特征点指向关联特征点的第一向量,将第一向量与预设坐标轴的轴向之间的夹角作为角度值,计算得到关联特征点对应坐标与目标特征点对应坐标之间的距离值;
参数拼接单元,用于根据N个关联特征点分别与目标特征点之间的距离值和角度值,拼接得到目标特征点的第二描述向量。
可选的是,上述特征提取模块62包括:
临时特征提取单元,用于使用预设的特征描述子对第一灰度图像进行特征提取,得到P个临时特征点及其临时描述向量;
临时距离计算单元,用于计算得到P个临时特征点对应的坐标分别与第一灰度图像中心点对应的坐标之间的临时距离,P>M且P为整数;
临时排序单元,用于按照临时距离从小到大的顺序将P个临时特征点及其临时描述向量排序,得到临时序列;
目标特征点确定单元,用于从临时序列中选择前M个临时特征点及其临时描述向量作为M个目标特征点及其第一描述向量。
需要说明的是,上述模块、单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图7为本发明实施例九提供的一种计算机设备的结构示意图。如图7所示,该实施例的计算机设备包括:至少一个处理器(图7中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序,处理器执行计算机程序时实现上述任意各个提高RTK测量精度的方法实施例中的步骤。
该计算机设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图7仅仅是计算机设备的举例,并不构成对计算机设备的限定,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU,该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器包括可读存储介质、内存储器等,其中,内存储器可以是计算机设备的内存,内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘,在另一些实施例中也可以是计算机设备的外部存储设备,例如,计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。集成的单元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,本发明实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,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,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。

Claims (10)

1.一种提高RTK测量精度的方法,其特征在于,所述方法包括:
获取图像采集设备在第一预设时间点采集到的第一初始图像,所述图像采集设备部署于基准站,且所述图像采集设备的位姿相对于所述基准站固定;
对所述第一初始图像进行灰度化处理,得到第一灰度图像,使用预设的特征描述子对所述第一灰度图像进行特征提取,得到M个目标特征点及对应的第一描述向量,M为大于一的整数;
针对任一目标特征点,根据目标特征点之间的距离确定与所述目标特征点最接近的N个目标特征点作为所述目标特征点的关联特征点,根据N个关联特征点分别对应的坐标,确定所述目标特征点的第二描述向量,N为正整数;
根据M个目标特征点对应的第一描述向量与K个预设的参考特征点对应的第一参考向量,对M个目标特征点和K个参考特征点进行匹配,得到L个特征点匹配对,各个所述特征点匹配对包括一个目标特征点和一个参考特征点,K为正整数,L≤min(M,K)且L为正整数;
针对任一特征点匹配对,将所述特征点匹配对中目标特征点对应的第二描述向量与参考特征点对应的预设第二参考向量进行差值计算,得到所述特征点匹配对的差值向量;
将L个特征点匹配对的差值向量一同输入预设的位姿变化量估计模型中,得到所述基准站的位姿变化量;
将所述位姿变化量发送给对应所述基准站的移动站,所述移动站用于根据所述基准站的预设初始位姿、所述位姿变化量以及所述基准站发送的载波相位信号,进行RTK测量。
2.根据权利要求1所述的提高RTK测量精度的方法,其特征在于,所述方法还包括:
获取所述图像采集设备在第二预设时间点采集到的第二初始图像,对所述第二初始图像进行灰度化处理,得到第二灰度图像,所述第二预设时间点在所述第一预设时间点之前;
使用所述特征描述子对所述第二灰度图像进行特征提取,得到K个所述参考特征点及对应的第一参考向量;
针对任一参考特征点,根据参考特征点之间的距离确定与所述参考特征点最接近的N个参考特征点作为所述参考特征点的第二关联特征点,根据N个第二关联特征点分别对应的坐标,确定所述参考特征点的第二参考向量。
3.根据权利要求1所述的提高RTK测量精度的方法,其特征在于,所述方法还包括:
以固定的时间间隔持续获取所述基准站中电子气泡的差分监测数据,当任一时刻所获取到的差分监测数据小于预设阈值且大于零时,将所述时刻作为所述第一预设时间点,执行所述获取图像采集设备在第一预设时间点采集到的第一初始图像的步骤。
4.根据权利要求1所述的提高RTK测量精度的方法,其特征在于,所述将所述位姿变化量发送给对应所述基准站的移动站,所述移动站用于根据所述基准站的预设初始位姿、所述位姿变化量以及所述基准站发送的载波相位信号,进行RTK测量包括:
根据所述第一预设时间点和预设修正时长,确定目标时间点;
将所述目标时间点和所述位姿变化量发送给对应所述基准站的移动站,所述移动站用于根据所述基准站的预设初始位姿、所述位姿变化量以及所述基准站在所述目标时间点之后发送的载波相位信号,进行RTK测量。
5.根据权利要求1所述的提高RTK测量精度的方法,其特征在于,所述对所述第一初始图像进行灰度化处理,得到第一灰度图像包括:
使用F个不同尺寸的高斯核对所述第一初始图像进行模糊处理,得到F张中间图像,F为大于一的整数;
使用所述预设特征描述子分别对F张中间图像进行特征提取,得到F个中间特征点集合,所述中间特征点集合包括对应中间图像中特征提取得到的若干个中间特征点;
获取F个中间特征点集合的交集,得到W个期望特征点,W为正整数;
使用初始化的R通道分量权重、G通道分量权重和B通道分量权重对所述第一初始图像中的每个初始像素点进行灰度化处理,得到每个初始像素点的临时灰度值;
针对任一初始像素点,计算所述初始像素点分别与其八邻域像素点之间临时灰度值的梯度均值,得到所述初始像素点的梯度参考值;
使用最小二乘法更新所述R通道分量权重、G通道分量权重和B通道分量权重,使得W个期望特征点分别对应初始像素点的梯度参考值均值与非期望特征点对应初始像素点的梯度参考值均值之间差异最大,得到更新R通道分量权重、更新G通道分量权重和更新B通道分量权重;
使用所述更新R通道分量权重、所述更新G通道分量权重和所述更新B通道分量权重,对所述第一初始图像进行灰度化处理,得到所述第一灰度图像。
6.根据权利要求1所述的提高RTK测量精度的方法,其特征在于,所述根据N个关联特征点分别对应的坐标,确定所述目标特征点的第二描述向量,包括:
针对任一关联特征点,确定所述目标特征点指向所述关联特征点的第一向量,将所述第一向量与预设坐标轴的轴向之间的夹角作为角度值,计算得到所述关联特征点对应坐标与所述目标特征点对应坐标之间的距离值;
根据N个关联特征点分别与所述目标特征点之间的距离值和角度值,拼接得到所述目标特征点的第二描述向量。
7.根据权利要求1至6任一项所述的提高RTK测量精度的方法,其特征在于,所述使用预设的特征描述子对所述第一灰度图像进行特征提取,得到M个目标特征点及其第一描述向量,包括:
使用预设的特征描述子对所述第一灰度图像进行特征提取,得到P个临时特征点及其临时描述向量;
计算得到P个临时特征点对应的坐标分别与所述第一灰度图像中心点对应的坐标之间的临时距离,P>M且P为整数;
按照临时距离从小到大的顺序将P个临时特征点及其临时描述向量排序,得到临时序列;
从所述临时序列中选择前M个临时特征点及其临时描述向量作为所述M个目标特征点及其第一描述向量。
8.一种提高RTK测量精度的装置,其特征在于,所述装置包括:
图像获取模块,用于获取图像采集设备在第一预设时间点采集到的第一初始图像,所述图像采集设备部署于基准站,且所述图像采集设备的位姿相对于所述基准站固定;
特征提取模块,用于对所述第一初始图像进行灰度化处理,得到第一灰度图像,使用预设的特征描述子对所述第一灰度图像进行特征提取,得到M个目标特征点及对应的第一描述向量,M为大于一的整数;
特征描述模块,用于针对任一目标特征点,根据目标特征点之间的距离确定与所述目标特征点最接近的N个目标特征点作为所述目标特征点的关联特征点,根据N个关联特征点分别对应的坐标,确定所述目标特征点的第二描述向量,N为正整数;
特征匹配模块,用于根据M个目标特征点对应的第一描述向量与K个预设的参考特征点对应的第一参考向量,对M个目标特征点和K个参考特征点进行匹配,得到L个特征点匹配对,各个所述特征点匹配对包括一个目标特征点和一个参考特征点,K为正整数,L≤min(M,K)且L为正整数;
差值计算模块,用于针对任一特征点匹配对,将所述特征点匹配对中目标特征点对应的第二描述向量与参考特征点对应的预设第二参考向量进行差值计算,得到所述特征点匹配对的差值向量;
位姿分析模块,用于将L个特征点匹配对的差值向量一同输入预设的位姿变化量估计模型中,得到所述基准站的位姿变化量;
实时测量模块,用于将所述位姿变化量发送给对应所述基准站的移动站,所述移动站用于根据所述基准站的预设初始位姿、所述位姿变化量以及所述基准站发送的载波相位信号,进行RTK测量。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器以及存储在所述存储器中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如权利要求1至7任一项所述的提高RTK测量精度的方法。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的提高RTK测量精度的方法。
CN202410404506.2A 2024-04-07 2024-04-07 一种提高rtk测量精度的方法、装置、计算机设备及介质 Active CN117990058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410404506.2A CN117990058B (zh) 2024-04-07 2024-04-07 一种提高rtk测量精度的方法、装置、计算机设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410404506.2A CN117990058B (zh) 2024-04-07 2024-04-07 一种提高rtk测量精度的方法、装置、计算机设备及介质

Publications (2)

Publication Number Publication Date
CN117990058A true CN117990058A (zh) 2024-05-07
CN117990058B CN117990058B (zh) 2024-06-11

Family

ID=90902399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410404506.2A Active CN117990058B (zh) 2024-04-07 2024-04-07 一种提高rtk测量精度的方法、装置、计算机设备及介质

Country Status (1)

Country Link
CN (1) CN117990058B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1896686A (zh) * 2005-07-11 2007-01-17 株式会社拓普康 地理数据收集装置
JP2010014450A (ja) * 2008-07-01 2010-01-21 Topcon Corp 位置測定方法、位置測定装置、およびプログラム
US20130093620A1 (en) * 2011-04-14 2013-04-18 Thales Dual frequency receiver for satellite based positioning and associated method of reception
CN105300362A (zh) * 2015-11-13 2016-02-03 上海华测导航技术股份有限公司 一种应用于rtk接收机的摄影测量方法
CN107991694A (zh) * 2017-11-24 2018-05-04 上海华测导航技术股份有限公司 一种基于rtk基准站姿态监控系统及其监控方法
KR102129408B1 (ko) * 2020-01-30 2020-07-02 주식회사 디지털커브 공공 지도 또는 외부 지도와 매칭되는 무인 비행체에 의해 촬영된 이미지의 레이어로부터 측량 데이터를 획득하는 방법 및 장치
WO2024032101A1 (zh) * 2022-08-08 2024-02-15 腾讯科技(深圳)有限公司 特征地图生成方法、装置、存储介质和计算机设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1896686A (zh) * 2005-07-11 2007-01-17 株式会社拓普康 地理数据收集装置
JP2010014450A (ja) * 2008-07-01 2010-01-21 Topcon Corp 位置測定方法、位置測定装置、およびプログラム
US20130093620A1 (en) * 2011-04-14 2013-04-18 Thales Dual frequency receiver for satellite based positioning and associated method of reception
CN105300362A (zh) * 2015-11-13 2016-02-03 上海华测导航技术股份有限公司 一种应用于rtk接收机的摄影测量方法
CN107991694A (zh) * 2017-11-24 2018-05-04 上海华测导航技术股份有限公司 一种基于rtk基准站姿态监控系统及其监控方法
KR102129408B1 (ko) * 2020-01-30 2020-07-02 주식회사 디지털커브 공공 지도 또는 외부 지도와 매칭되는 무인 비행체에 의해 촬영된 이미지의 레이어로부터 측량 데이터를 획득하는 방법 및 장치
WO2024032101A1 (zh) * 2022-08-08 2024-02-15 腾讯科技(深圳)有限公司 特征地图生成方法、装置、存储介质和计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘岩;饶才杰;吕达;白志强;: "线性多步预测校正法在GLONASS卫星位置解算中的应用", 全球定位系统, no. 02, 15 April 2013 (2013-04-15) *

Also Published As

Publication number Publication date
CN117990058B (zh) 2024-06-11

Similar Documents

Publication Publication Date Title
CN110322500B (zh) 即时定位与地图构建的优化方法及装置、介质和电子设备
EP3309751B1 (en) Image processing device, method, and program
CN109543705B (zh) 模板创建装置及方法、物体识别处理装置以及记录介质
CN114186632B (zh) 关键点检测模型的训练方法、装置、设备、存储介质
CN110349212B (zh) 即时定位与地图构建的优化方法及装置、介质和电子设备
US20200005078A1 (en) Content aware forensic detection of image manipulations
CN113899364B (zh) 定位方法及装置、设备、存储介质
Zheng et al. Minimal solvers for 3d geometry from satellite imagery
CN111563458A (zh) 基于YOLOv3和OpenCV的目标检测与定位方法
CN113554712B (zh) 自动驾驶车辆的配准方法、装置、电子设备和车辆
CN117990058B (zh) 一种提高rtk测量精度的方法、装置、计算机设备及介质
US20230326251A1 (en) Work estimation device, work estimation method, and non-transitory computer readable medium
CN110032941B (zh) 人脸图像检测方法、人脸图像检测装置及终端设备
CN110533663B (zh) 一种图像视差确定方法、装置、设备及系统
CN114882115B (zh) 车辆位姿的预测方法和装置、电子设备和存储介质
CN113033578B (zh) 基于多尺度特征匹配的图像校准方法、系统、终端及介质
CN111833395B (zh) 一种基于神经网络模型的测向体制单目标定位方法和装置
CN115240029A (zh) 图像回归模型的训练方法、图像回归分析方法、介质及终端
CN114674328A (zh) 地图生成方法、装置、电子设备、存储介质、及车辆
CN114119885A (zh) 图像特征点匹配方法、装置及系统、地图构建方法及系统
CN111311652A (zh) 一种基于回归校正网络的声呐图像配准方法及系统
CN115077467B (zh) 清洁机器人的姿态估计方法、装置及清洁机器人
CN117419690B (zh) 一种无人船的位姿估计方法、装置及介质
CN117671732B (zh) 一种检测体态的方法、装置、设备及存储介质
CN116883652A (zh) 一种可行驶区域分割方法、装置、可读存储介质及机器人

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