CN118411499A - 基于四面体模型的目标检测方法、集群机器人和存储介质 - Google Patents
基于四面体模型的目标检测方法、集群机器人和存储介质 Download PDFInfo
- Publication number
- CN118411499A CN118411499A CN202410806044.7A CN202410806044A CN118411499A CN 118411499 A CN118411499 A CN 118411499A CN 202410806044 A CN202410806044 A CN 202410806044A CN 118411499 A CN118411499 A CN 118411499A
- Authority
- CN
- China
- Prior art keywords
- model
- tetrahedral
- tetrahedron
- target detection
- planar
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 230000014509 gene expression Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及智能识别领域,特别是涉及一种基于四面体模型的目标检测方法、集群机器人和存储介质。所述方法包括:获取四个所述摄像头所采集的平面图像;将四个所述平面图像映射至四面体模版,得到四面体模型;将所述四面体模型输入至训练好的目标检测模型,得到目标检测结果以及目标在所述四面体模型中的位置信息。本申请通过获取四个所述摄像头所采集的平面图像,将四个所述平面图像映射至四面体模版,得到四面体模型,将所述四面体模型输入至训练好的目标检测模型,得到目标检测结果以及目标在所述四面体模型中的位置信息,从而实现360°全方位的目标检测。
Description
技术领域
本申请涉及智能识别领域,特别是涉及一种基于四面体模型的目标检测方法、集群机器人和存储介质。
背景技术
集群机器人(swarm robotics)涉及大集群机器人的设计、建造和部署,它们能够相互协调并协同解决问题或者执行任务。
现有技术中,一些集群机器人仅配备了单个摄像头,用于采集特定方向的图像并进行目标检测。这种方法虽然简单,但视角受限,无法实现全方位的目标检测,这在需要多角度监控的应用场景中尤为明显。此外,还有一些集群机器人尝试通过控制单个摄像头旋转360°来采集全景图像,以期获得更全面的视角。然而,全景图像的采集过程耗时较长,严重影响了目标检测的实时性。在机器人运动过程中,由于环境的动态变化和机器人自身的移动特性,采集到的全景图像往往不够稳定,这进一步降低了检测结果的准确性。
此外,全景摄像头虽然能够捕捉宽广的视野,但它们使用的超广角镜头往往会在图像边缘产生畸变。这种畸变是全景成像的一个固有特性,它可能导致图像边缘的物体形状和大小失真,从而对目标检测算法的准确性构成挑战。尽管可以通过畸变校正算法来减轻这一问题,但这些校正过程本身也需要消耗额外的计算资源,可能会对系统的实时性能造成影响。
发明内容
基于此,有必要针对上述技术问题,提供一种基于四面体模型的目标检测方法、集群机器人和存储介质。
第一方面,本发明实施例提出一种基于四面体模型的目标检测方法,用于集群机器人,所述集群机器人均设有四个不同方向的摄像头,所述方法包括:
获取四个所述摄像头所采集的平面图像;
将四个所述平面图像映射至四面体模版,得到四面体模型;
将所述四面体模型输入至训练好的目标检测模型,得到目标检测结果以及目标在所述四面体模型中的位置信息。
在一些实施例中,所述将四个所述平面图像映射至四面体模版,得到四面体模型包括:
构建四个所述平面图像的平面表达式;
基于所述平面表达式,利用摄像头模型将四个所述平面图像中的点映射至四面体模版,得到四面体模型。
在一些实施例中,所述构建四个所述平面图像的平面表达式包括:
构建所述平面图像的边向量:
其中,V1、V2、V3表示所述平面图像的三个顶点;
构建所述平面图像的法向量:
构建所述平面图像的平面表达式:
其中,(x, y, z)表示空间中任意一点的坐标;(x1, y1, z1)表示平面上已知一点的三维坐标或集群机器人自身的三维坐标;n1、n2、n3表示法向量的分量。
在一些实施例中,所述基于所述平面表达式,利用摄像头模型将四个所述平面图像中的点映射至四面体模版,得到四面体模型包括:
基于坐标转换关系将所述平面图像中的各点转为三维坐标点;
获取各所述三维坐标点到所述四面体模版的最小距离;
通过沿法向量方向移动最小距离,得到所述四面体模版中的各投影点,得到所述四面体模型。
在一些实施例中,所述坐标转换关系为:
其中,表示所述平面图像中的点,表示四面体模版中的点,K表示所述摄像头的内参矩阵,z表示深度。
在一些实施例中,所述最小距离为:
。
在一些实施例中,所述方法还包括:
获取四面体模型样本训练集,并对其中的各四面体模型样本中目标的边界框和类别进行标注;
利用标注后的所述四面体模型样本训练集对初始三维检测模型进行训练,得到所述目标检测模型。
在一些实施例中,所述方法还包括:
对获取的四个所述平面图像进行视角校正。
第二方面,本发明实施例提出一种集群机器人,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行第一方面所述的步骤。
其中,所述方法包括:
获取四个所述摄像头所采集的平面图像;
将四个所述平面图像映射至四面体模版,得到四面体模型;
将所述四面体模型输入至训练好的目标检测模型,得到目标检测结果以及目标在所述四面体模型中的位置信息。
第三方面,本发明实施例提出一种计算机可读存储介质,其上存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的步骤。
其中,所述方法包括:
获取四个所述摄像头所采集的平面图像;
将四个所述平面图像映射至四面体模版,得到四面体模型;
将所述四面体模型输入至训练好的目标检测模型,得到目标检测结果以及目标在所述四面体模型中的位置信息。
上述方法、集群机器人和存储介质,通过获取四个所述摄像头所采集的平面图像,将四个所述平面图像映射至四面体模版,得到四面体模型,将所述四面体模型输入至训练好的目标检测模型,得到目标检测结果以及目标在所述四面体模型中的位置信息,从而实现360°全方位的目标检测。
通过四个摄像头采集平面图像,由于每个摄像头固定在一个方向,无需旋转采集全景图像,相比于现有技术中控制摄像头旋转360°采集全景图像,大大缩短了图像采集和处理的时间,提高了目标检测的实时性。
四面体模型的稳定性有助于在集群机器人运动过程中保持图像采集的一致性和准确性,即使在动态环境中也能提供可靠的检测结果。
通过四个摄像头采集平面图像的畸变极小,不需要对平面图像进行畸变校正从而节省集群机器人的计算资源。
附图说明
图1为一实施例中集群机器人的结构示意图;
图2为一实施例中基于四面体模型的目标检测方法的流程示意图;
图3为一实施例中得到四面体模型的示意图;
图4为一实施例中得到四面体模型方法的流程示意图;
图5为一实施例中得到四面体模型方法的具体流程示意图;
图6为一实施例中四面体模型的训练方法的流程示意图。
具体实施方式
为了更清楚地说明本发明的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本发明应用于其他类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
如本发明和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本发明对根据本发明的实施例的装置中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在计算设备和/或处理器上。模块仅是说明性的,并且装置和方法的不同方面可以使用不同模块。
应当理解的是,当单元或模块被描述为“连接”、“耦接”其它单元、模块或块时,其可以指直接连接或耦接,或者与其它单元、模块或块通信,或者可以存在中间的单元、模块或块,除非上下文明确指明其它方式。本文所使用的术语“和/或”可包括一个或多个相关列出项目的任意与所有组合。
本申请提供的基于四面体模型的目标检测方法,可以应用于如图1所示的集群机器人中,集群机器人获取四个所述摄像头所采集的平面图像,将四个所述平面图像映射至四面体模版,得到四面体模型,将所述四面体模型输入至训练好的目标检测模型,得到目标检测结果以及目标在所述四面体模型中的位置信息。如图1所示,集群机器人可以包括一个或两个(图1中仅示出一个)处理器102和用于存储数据的存储器104,其中,处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述集群机器人还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述集群机器人的结构造成限制。例如,集群机器人还可包括比图1中所示更多或者更少的组件,或者具有与图1所示出的不同配置。
输入输出设备108包括设置在四个不同方向的摄像头。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如在本实施例中的基于四面体模型的目标检测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至集群机器人。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括集群机器人的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(NetworkInterface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
集群机器人还可以包括设于底部的驱动轮,能够在地面进行移动。
集群机器人还可以包括飞行机构,能够在空中进行飞行。
如图2所示,本发明实施例提供了一种基于四面体模型的目标检测方法,以该方法应用于图1中的集群机器人为例进行说明,包括以下步骤:
S202:获取四个所述摄像头所采集的平面图像。
四个摄像头分别采集四个不同方向的平面图像。
优选的,在采集到平面图像后,对平面图像进行预处理,例如对平面图像进行校正等,有利于得到更准确的四面体模型。
S204:将四个所述平面图像映射至四面体模版,得到四面体模型。
如图3所示,四面体模版为预设存储在集群机器人中的包含四个空白面(前后左右)的三维模版。将四个平面图像中的点分别映射至四面体模版中的四个空白面,得到四面体模型,四面体模型的前后左右四个面映射有平面图像,上下两个面为空白面。
S206:将所述四面体模型输入至训练好的目标检测模型,得到目标检测结果以及目标在所述四面体模型中的位置信息。
所述的目标例如为障碍物等。
目标检测模型基于四面体模型样本训练集训练得到,能够输出四面体模型中的目标检测结果以及目标在四面体模型中的位置信息。
目标检测结果例如包括目标的类别及目标所在的检测框。
基于上述步骤S202-S206,通过获取四个所述摄像头所采集的平面图像,将四个所述平面图像映射至四面体模版,得到四面体模型,将所述四面体模型输入至训练好的目标检测模型,得到目标检测结果以及目标在所述四面体模型中的位置信息,从而实现360°全方位的目标检测,避免因为视觉盲区而导致的碰撞等,从而实现集群机器人更好的行驶等。
进一步的,本实施例中通过四个摄像头采集平面图像,相比于现有技术中控制摄像头旋转360°采集全景图像,图像采集的时间更短且更稳定,从而能够更快更准确的进行目标检测。
进一步的,本实施例中通过四个摄像头采集平面图像,由于每个摄像头固定在一个方向,无需旋转采集全景图像,相比于现有技术中控制摄像头旋转360°采集全景图像,大大缩短了图像采集和处理的时间,提高了目标检测的实时性。
进一步的,本实施例中的四面体模型的稳定性有助于在集群机器人运动过程中保持图像采集的一致性和准确性,即使在动态环境中也能提供可靠的检测结果。
进一步的,通过四个摄像头采集平面图像的畸变极小,相比于现有技术中控制摄像头旋转360°采集全景图像,不需要对平面图像进行畸变校正从而节省集群机器人的计算资源。
在步骤S204中,如图4所示,所述将四个所述平面图像映射至四面体模版,得到四面体模型包括:
S302:构建四个所述平面图像的平面表达式。
对于每一个四面体模型,需要定义其平面表达式。每个平面表达式可以通过三个顶点确定。对于面,平面表达式由下列步骤得出。具体的,构建所述平面图像的边向量:
其中,V1、V2、V3表示所述平面图像的三个顶点;
构建所述平面图像的法向量:
构建所述平面图像的平面表达式:
其中,(x, y, z)表示空间中任意一点的坐标;(x1, y1, z1)表示平面上已知一点的坐标;n1、n2、n3表示法向量的分量。
S304:基于所述平面表达式,利用摄像头模型将四个所述平面图像中的点映射至四面体模版,得到四面体模型。
在步骤S204中,如图5所示,所述基于所述平面表达式,利用摄像头模型将四个所述平面图像中的点映射至四面体模版,得到四面体模型包括:
S402:基于坐标转换关系将所述平面图像中的各点转为三维坐标点。
假设每个摄像头均遵循针孔摄像头模型,坐标转换关系将所述平面图像中的各点转为三维坐标点,该坐标转换关系为:
其中,K表示所述摄像头的内参矩阵,z表示深度。
S404:获取各所述三维坐标点到所述四面体模版的最小距离。
通过上面得到的三维坐标点,可以计算这些点在四面体模版上的投影。给定三维坐标点到四面体模版上平面的最小距离D为:
S406:通过沿法向量方向移动最小距离,得到所述四面体模版中的各投影点,得到所述四面体模型。
在得到三维坐标点后,需要将这些点投影到四面体模版上。关键步骤是沿法向量方向移动最小距离,确定投影点。
沿着法向量方向移动这个最小距离,可以将空间中的点投影到四面体模版的平面上。投影点的计算方式为:
如此完成了从空间中任意的三维坐标点得到四面体模型的投影点。
基于上述步骤所构建的四面体模型使得从四个不同方向的图像数据能够在一个统一的三维空间中被有效地处理和分析,从而使得集群机器人更好地理解其周围环境的结构,并进行精确的导航和避障。
下面对目标检测模型的训练进行详细说明。如图6所示,包括以下步骤:
S502:获取四面体模型样本训练集,并对其中的各四面体模型样本中目标的边界框和类别进行标注。
对于四面体模型样本的构建可以采用步骤S204的方法。利用四个摄像头采集平面图像,并进行标注,包括目标的边界框和类别。预处理平面图像,以适应四面体模型的空间表示,确保每个目标的标注转换为三维坐标系,将平面图像从四个面的投影转化为一致的三维表达-四面体模型样本。
所述的类别例如为障碍物或非障碍物。
S504:利用标注后的所述四面体模型样本训练集对初始三维检测模型进行训练,得到所述目标检测模型。
初始三维检测模型为适合处理三维空间数据的神经网络,例如基于3D CNN的模型,或者考虑先进的点云处理模型Point Net。
使用标注后的四面体模型样本训练集训练初始三维检测模型,优化模型以识别和定位三维空间中的目标。同时,应用多任务损失函数,同时学习目标的分类和位置信息(边界框)。
训练好的目标检测模型,能够识别和定位四面体模型中的目标。
上述实施例所提出的目标检测方法不仅可以在四面体模型上有效进行目标检测,还可以显著提升集群机器人的导航和安全性能,从而实现集群机器人更好的行驶等。
应该理解的是,虽然上述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,上述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。
在一实施例中,本发明实施例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上述任一项基于四面体模型的目标检测方法实施例中的步骤。
其中,所述方法包括:
获取四个所述摄像头所采集的平面图像;
将四个所述平面图像映射至四面体模版,得到四面体模型;
将所述四面体模型输入至训练好的目标检测模型,得到目标检测结果以及目标在所述四面体模型中的位置信息。
在一些实施例中,所述将四个所述平面图像映射至四面体模版,得到四面体模型包括:
构建四个所述平面图像的平面表达式;
基于所述平面表达式,利用摄像头模型将四个所述平面图像中的点映射至四面体模版,得到四面体模型。
在一些实施例中,所述构建四个所述平面图像的平面表达式包括:
构建所述平面图像的边向量:
其中,V1、V2、V3表示所述平面图像的三个顶点;
构建所述平面图像的法向量:
构建所述平面图像的平面表达式:
其中,(x, y, z)表示空间中任意一点的坐标;(x1, y1, z1)表示平面上已知一点的三维坐标或集群机器人自身的三维坐标;n1、n2、n3表示法向量的分量。
在一些实施例中,所述基于所述平面表达式,利用摄像头模型将四个所述平面图像中的点映射至四面体模版,得到四面体模型包括:
基于坐标转换关系将所述平面图像中的各点转为三维坐标点;
获取各所述三维坐标点到所述四面体模版的最小距离;
通过沿法向量方向移动最小距离,得到所述四面体模版中的各投影点,得到所述四面体模型。
在一些实施例中,所述坐标转换关系为:
其中,表示所述平面图像中的点,表示四面体模版中的点,K表示所述摄像头的内参矩阵,z表示深度。
在一些实施例中,所述最小距离为:
在一些实施例中,所述方法还包括:
获取四面体模型样本训练集,并对其中的各四面体模型样本中目标的边界框和类别进行标注;
利用标注后的所述四面体模型样本训练集对初始三维检测模型进行训练,得到所述目标检测模型。
在一些实施例中,所述方法还包括:
对获取的四个所述平面图像进行视角校正。
该存储介质通过获取四个所述摄像头所采集的平面图像,将四个所述平面图像映射至四面体模版,得到四面体模型,将所述四面体模型输入至训练好的目标检测模型,得到目标检测结果以及目标在所述四面体模型中的位置信息,从而实现360°全方位的目标检测。
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,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、存储、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、闪存或光存储器等。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。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 Random Access Memory,DRAM)等。
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发明专利范围的限制。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,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于四面体模型的目标检测方法,用于集群机器人,所述集群机器人均设有四个不同方向的摄像头,其特征在于,所述方法包括:
获取四个所述摄像头所采集的平面图像;
将四个所述平面图像映射至四面体模版,得到四面体模型;
将所述四面体模型输入至训练好的目标检测模型,得到目标检测结果以及目标在所述四面体模型中的位置信息。
2.根据权利要求1所述的方法,其特征在于,所述将四个所述平面图像映射至四面体模版,得到四面体模型包括:
构建四个所述平面图像的平面表达式;
基于所述平面表达式,利用摄像头模型将四个所述平面图像中的点映射至四面体模版,得到四面体模型。
3.根据权利要求2所述的方法,其特征在于,所述构建四个所述平面图像的平面表达式包括:
构建所述平面图像的边向量:
其中,V1、V2、V3表示所述平面图像的三个顶点;
构建所述平面图像的法向量:
构建所述平面图像的平面表达式:
其中,(x, y, z)表示空间中任意一点的坐标;(x1, y1, z1)表示平面上已知一点的三维坐标或集群机器人自身的三维坐标;n1、n2、n3表示法向量的分量。
4.根据权利要求3所述的方法,其特征在于,所述基于所述平面表达式,利用摄像头模型将四个所述平面图像中的点映射至四面体模版,得到四面体模型包括:
基于坐标转换关系将所述平面图像中的各点转为三维坐标点;
获取各所述三维坐标点到所述四面体模版的最小距离;
通过沿法向量方向移动最小距离,得到所述四面体模版中的各投影点,得到所述四面体模型。
5.根据权利要求4所述的方法,其特征在于,所述坐标转换关系为:
其中,表示所述平面图像中的点,表示四面体模版中的点,K表示所述摄像头的内参矩阵,z表示深度。
6.根据权利要求5所述的方法,其特征在于,所述最小距离为:
。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取四面体模型样本训练集,并对其中的各四面体模型样本中目标的边界框和类别进行标注;
利用标注后的所述四面体模型样本训练集对初始三维检测模型进行训练,得到所述目标检测模型。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对获取的四个所述平面图像进行视角校正。
9.一种集群机器人,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至权利要求8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其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至权利要求8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410806044.7A CN118411499B (zh) | 2024-06-21 | 2024-06-21 | 基于四面体模型的目标检测方法、集群机器人和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410806044.7A CN118411499B (zh) | 2024-06-21 | 2024-06-21 | 基于四面体模型的目标检测方法、集群机器人和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118411499A true CN118411499A (zh) | 2024-07-30 |
CN118411499B CN118411499B (zh) | 2024-09-17 |
Family
ID=92032444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410806044.7A Active CN118411499B (zh) | 2024-06-21 | 2024-06-21 | 基于四面体模型的目标检测方法、集群机器人和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118411499B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150287196A1 (en) * | 2012-11-29 | 2015-10-08 | Csir | Method of calibrating a camera and a system therefor |
CN113095154A (zh) * | 2021-03-19 | 2021-07-09 | 西安交通大学 | 基于毫米波雷达与单目相机的三维目标检测系统及方法 |
WO2022166606A1 (zh) * | 2021-02-07 | 2022-08-11 | 华为技术有限公司 | 一种目标检测方法及装置 |
CN115272271A (zh) * | 2022-08-09 | 2022-11-01 | 郑州芯视道机器人技术有限公司 | 一种基于双目立体视觉的管道缺陷检测与定位测距系统 |
CN115330976A (zh) * | 2022-07-20 | 2022-11-11 | 北京迈格威科技有限公司 | 一种障碍物检测方法、电子设备、存储介质及程序产品 |
CN115375890A (zh) * | 2022-10-25 | 2022-11-22 | 苏州千里雪智能科技有限公司 | 一种基于5g四目立体视觉摄像机调节系统 |
CN116543143A (zh) * | 2023-03-15 | 2023-08-04 | 中汽创智科技有限公司 | 一种目标检测模型的训练方法、目标检测方法及装置 |
CN116912791A (zh) * | 2023-06-26 | 2023-10-20 | 一汽解放汽车有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN117522803A (zh) * | 2023-11-06 | 2024-02-06 | 南京理工大学 | 基于双目视觉和目标检测的桥梁部件精确定位方法 |
-
2024
- 2024-06-21 CN CN202410806044.7A patent/CN118411499B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150287196A1 (en) * | 2012-11-29 | 2015-10-08 | Csir | Method of calibrating a camera and a system therefor |
WO2022166606A1 (zh) * | 2021-02-07 | 2022-08-11 | 华为技术有限公司 | 一种目标检测方法及装置 |
CN113095154A (zh) * | 2021-03-19 | 2021-07-09 | 西安交通大学 | 基于毫米波雷达与单目相机的三维目标检测系统及方法 |
CN115330976A (zh) * | 2022-07-20 | 2022-11-11 | 北京迈格威科技有限公司 | 一种障碍物检测方法、电子设备、存储介质及程序产品 |
CN115272271A (zh) * | 2022-08-09 | 2022-11-01 | 郑州芯视道机器人技术有限公司 | 一种基于双目立体视觉的管道缺陷检测与定位测距系统 |
CN115375890A (zh) * | 2022-10-25 | 2022-11-22 | 苏州千里雪智能科技有限公司 | 一种基于5g四目立体视觉摄像机调节系统 |
CN116543143A (zh) * | 2023-03-15 | 2023-08-04 | 中汽创智科技有限公司 | 一种目标检测模型的训练方法、目标检测方法及装置 |
CN116912791A (zh) * | 2023-06-26 | 2023-10-20 | 一汽解放汽车有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN117522803A (zh) * | 2023-11-06 | 2024-02-06 | 南京理工大学 | 基于双目视觉和目标检测的桥梁部件精确定位方法 |
Non-Patent Citations (4)
Title |
---|
GUIBIN SUN等: "Mean-shift exploration in shape assembly of robot swarms", NATURE COMMUNICATIONS, 13 June 2023 (2023-06-13) * |
YOGESH PHALAK等: "Tetrahedron and Euclidean Distance Based Decentralized Relative Localization for Multi-Robot Systems", 2020 IEEE INTERNATIONAL CONFERENCE FOR INNOVATION IN TECHNOLOGY (INOCON), 1 January 2021 (2021-01-01) * |
ZIAN NING等: "A bearing-angle approach for unknown target motion analysis based on visual measurements", SAGE JOURNALS, 2 February 2024 (2024-02-02) * |
王德鑫;张茂军;: "四路摄像头分组重建的多触点定位方法", 电子与信息学报, no. 02, 15 February 2010 (2010-02-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN118411499B (zh) | 2024-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108656107B (zh) | 一种基于图像处理的机械臂抓取系统及方法 | |
CN107160395B (zh) | 地图构建方法及机器人控制系统 | |
CN111665842B (zh) | 一种基于语义信息融合的室内slam建图方法及系统 | |
CN110176032B (zh) | 一种三维重建方法及装置 | |
CN108053449A (zh) | 双目视觉系统的三维重建方法、装置及双目视觉系统 | |
CN106908052B (zh) | 用于智能机器人的路径规划方法及装置 | |
US20220319146A1 (en) | Object detection method, object detection device, terminal device, and medium | |
WO2022017131A1 (zh) | 点云数据的处理方法、智能行驶控制方法及装置 | |
CN111144349B (zh) | 一种室内视觉重定位方法及系统 | |
US11403764B2 (en) | Method and computing system for processing candidate edges | |
CN112734765A (zh) | 基于实例分割与多传感器融合的移动机器人定位方法、系统及介质 | |
JP2023059794A (ja) | 全方位場所認識のためのリフトされたセマンティックグラフ埋め込み | |
US20220301277A1 (en) | Target detection method, terminal device, and medium | |
CN115032648B (zh) | 一种基于激光雷达密集点云的三维目标识别与定位方法 | |
CN113052907A (zh) | 一种动态环境移动机器人的定位方法 | |
US20220301176A1 (en) | Object detection method, object detection device, terminal device, and medium | |
CN115410167A (zh) | 目标检测与语义分割方法、装置、设备及存储介质 | |
CN114648640A (zh) | 一种目标物单体化方法、装置、设备及存储介质 | |
CN109636897B (zh) | 一种基于改进RGB-D SLAM的Octomap优化方法 | |
US20210156710A1 (en) | Map processing method, device, and computer-readable storage medium | |
Hu et al. | R-CNN based 3D object detection for autonomous driving | |
CN118411499B (zh) | 基于四面体模型的目标检测方法、集群机器人和存储介质 | |
Chowdhury et al. | Neural Network-Based Pose Estimation Approaches for Mobile Manipulation | |
CN116921932A (zh) | 焊接轨迹识别方法、装置、设备及存储介质 | |
CN114187312A (zh) | 目标物的抓取方法、装置、系统、存储介质及设备 |
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 |