DE112020007687T5 - RELIABILITY DETERMINATION DEVICE, POSITION DETERMINATION DEVICE AND RELIABILITY DEGREE DETERMINATION METHOD - Google Patents
RELIABILITY DETERMINATION DEVICE, POSITION DETERMINATION DEVICE AND RELIABILITY DEGREE DETERMINATION METHOD Download PDFInfo
- Publication number
- DE112020007687T5 DE112020007687T5 DE112020007687.3T DE112020007687T DE112020007687T5 DE 112020007687 T5 DE112020007687 T5 DE 112020007687T5 DE 112020007687 T DE112020007687 T DE 112020007687T DE 112020007687 T5 DE112020007687 T5 DE 112020007687T5
- Authority
- DE
- Germany
- Prior art keywords
- reliability
- degree
- feature
- calculation unit
- feature amount
- 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 description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 160
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 18
- 230000015654 memory Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003936 working memory 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
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)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
Eine Zuverlässigkeitsgrad-Ermittlungseinrichtung (20) ist eingerichtet, einen Zuverlässigkeitsgrad einer ermittelten Position eines Objekts, die auf Grundlage eines Kamerabilds ermittelt wird, zu ermitteln, wobei die Zuverlässigkeitsgrad-Ermittlungseinrichtung (20) umfasst: eine Merkmalsmenge-Berechnungseinheit (21) zum Berechnen einer Merkmalsmenge des Objekts auf Grundlage einer Merkmalspunktinformation über mehrere Merkmalspunkte des Objekts in dem Kamerabild; und eine Zuverlässigkeitsgrad-Berechnungseinheit (22) zum Berechnen des Zuverlässigkeitsgrades auf Grundlage der von der Merkmalsmenge-Berechnungseinheit (21) berechneten Merkmalsmenge.A reliability level determination device (20) is set up to determine a reliability level of a determined position of an object, which is determined on the basis of a camera image, wherein the reliability level determination device (20) comprises: a feature set calculation unit (21) for calculating a feature set the object based on feature point information about a plurality of feature points of the object in the camera image; and a reliability degree calculation unit (22) for calculating the reliability degree based on the feature quantity calculated by the feature quantity calculation unit (21).
Description
TECHNISCHES GEBIETTECHNICAL AREA
Die vorliegende Offenbarung bezieht sich auf eine Zuverlässigkeitsgrad-Ermittlungseinrichtung.The present disclosure relates to a reliability level determination device.
HINTERGRUND ZUM STAND DER TECHNIKBACKGROUND ART
Es wurde ein Algorithmus zur Ermittlung der dreidimensionalen Position eines Objekts auf der Grundlage eines Bildes entwickelt (in dieser Beschreibung ist die dreidimensionale Position eines Objekts gleichbedeutend mit einer dreidimensionalen Körperhaltung). In der Nichtpatentliteratur 1 wird beispielsweise ein Verfahren zur Ermittlung einer dreidimensionalen Position beschrieben, bei dem ein neuronales Netzwerkmodell auf ein Kamerabild angewendet wird, das bei der Erfassung eines Bildes eines Objekts mit einer monokularen Kamera beschafft wird, wodurch das Objekt im Kamerabild erkannt, die Position eines Merkmalspunkts des Objekts ermittelt und die dreidimensionale Position des Objekts auf der Grundlage der ermittelten Position des Merkmalspunkts ermittelt wird. Im Folgenden wird die Position eines Objekts, die unter Verwendung eines solchen Ermittlungsverfahrens einer dreidimensionalen Position ermittelt wird (z. B. die Position eines Merkmalspunkts eines Objekts, die dreidimensionale Position eines Objekts o. Ä.), als ermittelte Position bezeichnet.An algorithm for determining the three-dimensional position of an object based on an image has been developed (in this description, the three-dimensional position of an object is equivalent to a three-dimensional posture). For example, Non-patent
REFERENZLISTEREFERENCE LIST
NICHTPATENTLITERATURNON-PATENT LITERATURE
Nichtpatentliteratur 1:
KURZFASSUNG DER ERFINDUNGSUMMARY OF THE INVENTION
TECHNISCHES PROBLEMTECHNICAL PROBLEM
In einem herkömmlichen Ermittlungsverfahren für eine dreidimensionale Position, wie oben beschrieben, bei dem ein neuronales Netzwerkmodell auf ein Bild angewendet wird, kann der Zuverlässigkeitsgrad einer ermittelten Position unter Verwendung desselben neuronalen Netzwerkmodells wie ein maschinelles Lernmodell, das bei der Ermittlung der ermittelten Position verwendet wird, berechnet werden, und der berechnete Zuverlässigkeitsgrad kann für eine Evaluierung der ermittelten Position verwendet werden.In a conventional three-dimensional position detection method as described above in which a neural network model is applied to an image, the degree of reliability of a detected position can be estimated using the same neural network model as a machine learning model used in detecting the detected position. are calculated, and the calculated degree of confidence can be used for an evaluation of the determined position.
In diesem Fall wird davon ausgegangen, dass eine Korrelation zwischen der Zuverlässigkeit der ermittelten Position und der Zuverlässigkeit des Zuverlässigkeitsgrads selbst besteht. Somit besteht ein Problem, dass wenn die ermittelte Position unzuverlässig ist, auch die Zuverlässigkeit des Zuverlässigkeitsgrades selbst unzuverlässig wird, und die Gültigkeit der Evaluierung der ermittelten Position anhand des Zuverlässigkeitsgrades wird unsicher. In this case, it is assumed that there is a correlation between the reliability of the determined position and the reliability of the degree of reliability itself. Thus, there is a problem that when the detected position is unreliable, the reliability of the degree of reliability itself becomes unreliable, and the validity of the evaluation of the detected position based on the degree of reliability becomes uncertain.
Die vorliegende Offenbarung dient dazu, das oben erwähnte Problem zu lösen, und es ist eine Aufgabe der vorliegenden Offenbarung, eine Technik zur Verbesserung der Zuverlässigkeit des Zuverlässigkeitsgrades selbst von einer ermittelten bereitzustellen.The present disclosure is to solve the above-mentioned problem, and it is an object of the present disclosure to provide a technique for improving the reliability of the reliability level even from a detected one.
LÖSUNG DES PROBLEMSTHE SOLUTION OF THE PROBLEM
Eine Zuverlässigkeitsgrad-Ermittlungseinrichtung gemäß der vorliegenden Offenbarung ist eingerichtet, einen Zuverlässigkeitsgrad einer ermittelten Position eines Objekts, die auf Grundlage eines Kamerabilds ermittelt wird, zu ermitteln, wobei die Zuverlässigkeitsgrad-Ermittlungseinrichtung aufweist: eine Merkmalsmenge-Berechnungseinheit zum Berechnen einer Merkmalsmenge des Objekts auf Grundlage einer Merkmalspunktinformation über mehrere Merkmalspunkte des Objekts in dem Kamerabild; und eine Zuverlässigkeitsgrad-Berechnungseinheit zum Berechnen des Zuverlässigkeitsgrades auf Grundlage der von der Merkmalsmenge-Berechnungseinheit berechneten Merkmalsmenge.A degree of reliability determination device according to the present disclosure is set up to determine a degree of reliability of a determined position of an object, which is determined based on a camera image, the degree of reliability determination device comprising: a feature amount calculation unit for calculating a feature amount of the object based on a feature point information about a plurality of feature points of the object in the camera image; and a degree of reliability calculation unit for calculating the degree of reliability based on the amount of features calculated by the amount of features calculation unit.
VORTEILHAFTE WIRKUNGEN DER ERFINDUNGADVANTAGEOUS EFFECTS OF THE INVENTION
Gemäß der vorliegenden Offenbarung kann die Zuverlässigkeit des Zuverlässigkeitsgrades selbst einer ermittelten Position verbessert werden.According to the present disclosure, the reliability of the degree of reliability even of a detected position can be improved.
KURZBESCHREIBUNG DER ZEICHNUNGENBRIEF DESCRIPTION OF THE DRAWINGS
-
1 ist ein Blockdiagramm, das die Konfiguration eines Position-Ermittlungssystems gemäß Ausführungsform 1 zeigt;1 12 is a block diagram showing the configuration of a position detecting system according toEmbodiment 1; -
2 ist ein Ablaufschema, das ein Zuverlässigkeitsgrad-Ermittlungsverfahren, das durch eine Position-Ermittlungseinrichtung implementiert wird, gemäß Ausführungsform 1 zeigt;2 12 is a flowchart showing a reliability degree determination method implemented by a position determination device according toEmbodiment 1; -
3 ist ein Ablaufschema, das die Details eines Merkmalsmenge-Berechnungsverfahrens in dem durch die Position-Ermittlungseinrichtung implementierten Zuverlässigkeit-Ermittlungsverfahren gemäß Ausführungsform 1 zeigt; und3 12 is a flowchart showing the details of a feature amount calculation process in the reliability determination method implemented by the position determination device according toEmbodiment 1; and -
4A ist ein Blockdiagramm, das eine Hardwarekonfiguration zur Implementierung der Funktionen der Position-Ermittlungseinrichtung gemäß Ausführungsform 1 zeigt, und4B ist ein Blockdiagramm, das eine Hardwarekonfiguration zur Ausführung von Software zeigt, die die Funktionen der Position-Ermittlungseinrichtung gemäß Ausführungsform 1 implementiert.4A 12 is a block diagram showing a hardware configuration for implementing the functions of the position detection device according toEmbodiment 1, and4B Fig. 13 is a block diagram showing a hardware configuration for executing software that implements the functions of the position detection device according toEmbodiment 1.
BESCHREIBUNG DER AUSFÜHRUNGSFORMENDESCRIPTION OF THE EMBODIMENTS
Nachfolgend werden Ausführungsformen der vorliegenden Offenbarung unter Bezugnahme auf die beigefügten Zeichnungen erläutert, um die vorliegende Offenbarung näher zu erläutern.Hereinafter, embodiments of the present disclosure will be explained with reference to the accompanying drawings to further explain the present disclosure.
Ausführungsform 1.
Die N Kameras 2 umfassen die erste bis N-te Kamera 2. Jede der N Kameras 2 erfasst ein Bild eines Objekts, wodurch Kamerabilder (Kamerabilder D11 bis D1N) beschafft werden. Jede der N Kameras 2 gibt das dadurch beschaffte Kamerabild an die Kameraauswahleinheit 40 der Position-Ermittlungseinrichtung 1 aus.The N cameras 2 include the first to Nth cameras 2. Each of the N cameras 2 captures an image of an object, thereby acquiring camera images (camera images D11 to D1N). Each of the N cameras 2 outputs the camera image thus obtained to the
Die Kameraauswahleinheit 40 wählt mindestens ein Kamerabild D2 aus den mehreren Kamerabildern aus. Konkreter wählt die Kameraauswahleinheit 40 in Ausführungsform 1 mindestens ein Kamerabild D2 aus den durch die N Kameras 2 beschafften mehreren Kamerabildern D11 bis D1N aus. Die Details der Konfiguration der Kameraauswahleinheit 40 werden später beschrieben. Die Kameraauswahleinheit 40 gibt das so ausgewählte Kamerabild D2 an die Merkmalspunkt-Ermittlungseinheit 10 und die Merkmalsmenge-Berechnungseinheit 21 aus.The
Die Merkmalspunkt-Ermittlungseinheit 10 ermittelt Teile von Merkmalspunktinformationen über mehrere Merkmalspunkte des Objekts auf der Grundlage des Kamerabildes. Konkreter ermittelt die Merkmalspunkt-Ermittlungseinheit 10 in Ausführungsform 1 Teile von Merkmalspunktinformationen auf der Grundlage des durch die Kameraauswahleinheit 40 ausgewählten Kamerabildes D2.The feature
Konkreter speichert die Speichereinrichtung 3 in Ausführungsform 1 ein PVNet, das ein neuronales Faltungsnetzwerkmodell für die Erfassung einer Objektposition ist. Die Merkmalspunkt-Ermittlungseinheit 10 wendet PVNet, das in der Speichereinrichtung 3 gespeichert ist, auf das Kamerabild D2 an, das von der Kameraauswahleinheit 40 ausgewählt wurde, und ermittelt dadurch jede der ermittelten Positionen D3 der mehreren Merkmalspunkte, eine Varianz D4 einer Gruppe von Kandidatenpunkten aus den Merkmalspunkten und einen Objektbereich D5, der ein Bereich ist, der von dem Objekt in dem Kamerabild eingenommen wird, als die Teile der Merkmalspunktinformationen.More specifically, in
Die Merkmalspunkt-Ermittlungseinheit 10 gibt jede der ermittelten Positionen D3 der mehreren Merkmalspunkte, die dadurch ermittelt wird, an die Position-Berechnungseinheit 30 aus. Die Merkmalspunkt-Ermittlungseinheit 10 gibt auch jede der ermittelten Positionen D3 der mehreren Merkmalspunkte, die Varianz D4 der Gruppe von Kandidatenpunkten aus den Merkmalspunkten und den Objektbereich D5, die dadurch ermittelt werden, an die Merkmalsmenge-Berechnungseinheit 21 aus.The feature
Die Merkmalsmenge-Berechnungseinheit 21 berechnet eine Merkmalsmenge des Objekts auf der Grundlage der Teile von Merkmalspunktinformationen über die mehreren Merkmalspunkte des Objekts in dem Kamerabild. Konkreter berechnet die Merkmalsmenge-Berechnungseinheit 21 in Ausführungsform 1 eine Merkmalsmenge des Objekts auf der Grundlage der Teile von Merkmalspunktinformationen, die von der Merkmalspunkt-Ermittlungseinheit 10 ermittelt werden.The feature
Konkreter umfasst die Merkmalsmenge-Berechnungseinheit 21 in Ausführungsform 1 m Merkmalsmenge-Berechnungseinheiten von einer ersten Merkmalsmenge-Berechnungseinheit 201 bis zu einer m-ten Merkmalsmenge-Berechnungseinheit 20m.More specifically, in
Die erste Merkmalsmenge-Berechnungseinheit 201 berechnet eine Merkmalsmenge D61 des Objekts auf der Grundlage der Varianz D4 der Gruppe von Kandidatenpunkten aus den Merkmalspunkten, die von der Merkmalspunkt-Ermittlungseinheit 10 ermittelt wird. In Ausführungsform 1 ist die von der ersten Merkmalsmenge-Berechnungseinheit 201 berechnete Merkmalsmenge D61 proportional zum Kehrwert der Varianz D4 der Gruppe von Kandidatenpunkten aus den Merkmalspunkten. Mit anderen Worten ist die von der ersten Merkmalsmenge-Berechnungseinheit 201 berechnete Merkmalsmenge D61 umgekehrt proportional zu der Varianz D4 der Gruppe von Kandidatenpunkten aus den Merkmalspunkten. Die erste Merkmalsmenge-Berechnungseinheit 201 gibt die dadurch berechnete Merkmalsmenge D61 an die Zuverlässigkeitsgrad-Berechnungseinheit 22 aus.The first feature
Die zweite Merkmalsmenge-Berechnungseinheit 202 berechnet eine Merkmalsmenge D62, die eine Funktion des Empfangens eines Bereichs, der aus den mehreren Merkmalspunkten besteht, und des Objektbereichs als Eingabe ist, auf der Grundlage jeder der ermittelten Positionen D3 der mehreren Merkmalspunkte und des Objektbereichs D5, die von der Merkmalspunkt-Ermittlungseinheit 10 ermittelt werden. In Ausführungsform 1 berechnet die zweite Merkmalsmenge-Berechnungseinheit 202 das Verhältnis der Fläche einer konvexen Oberfläche, die aus den mehreren Merkmalspunkten besteht, zur Fläche des Objektbereichs auf der Grundlage jeder der ermittelten Positionen D3 der mehreren Merkmalspunkte und des Objektbereichs D5, die von der Merkmalspunkt-Ermittlungseinheit 10 ermittelt werden, und berechnet entweder eine Merkmalsmenge, die proportional zum Kehrwert des dadurch berechneten Flächenverhältnisses ist, oder eine Merkmalsmenge D62, die proportional zum Kehrwert der Differenz zwischen dem dadurch berechneten Flächenverhältnis und 1 ist. Die hier erwähnte „konvexe Oberfläche aus den mehreren Merkmalspunkten“ ist z. B. die größte konvexe Oberfläche, die von den mehreren Merkmalspunkten aufgespannt wird, oder die kleinste konvexe Oberfläche, die alle der mehreren Merkmalspunkte enthält. Die zweite Merkmalsmenge-Berechnungseinheit 202 gibt die dadurch berechnete Merkmalsmenge D62 an die Zuverlässigkeitsgrad-Berechnungseinheit 22 aus.The second feature
Auf der Grundlage von mindestens einer der folgenden Informationen gilt: das von der Kameraauswahleinheit 40 ausgewählte Kamerabild D2 und jede der ermittelten Positionen D3 der mehreren Merkmalspunkte, die Varianz D4 der Gruppe von Kandidatenpunkten aus den Merkmalspunkten und der Objektbereich D5, die von der Merkmalspunkt-Ermittlungseinheit 10 ermittelt werden, jede der Merkmalsmenge-Berechnungseinheiten von der dritten Merkmalsmenge-Berechnungseinheit bis zur m-ten Merkmalsmenge-Berechnungseinheit 20m, die nicht dargestellt sind, berechnet eine Merkmalsmenge (eine entsprechende der Merkmalsmengen D63 bis D6m), die aus mindestens der einen Information berechnet werden können. Jede der Merkmalsmenge-Berechnungseinheiten von der dritten Merkmalsmenge-Berechnungseinheit bis zur m-ten Merkmalsmenge-Berechnungseinheit 20m, die nicht dargestellt sind, gibt die dadurch berechnete Merkmalsmenge an die Zuverlässigkeitsgrad-Berechnungseinheit 22 aus.Based on at least one of the following information: the camera image D2 selected by the
Die Zuverlässigkeitsgrad-Berechnungseinheit 22 berechnet den Zuverlässigkeitsgrad der ermittelten Position des Objekts auf der Grundlage der Merkmalsmengen, die von der Merkmalsmenge-Berechnungseinheit 21 berechnet werden. In Ausführungsform 1 berechnet die Zuverlässigkeitsgrad-Berechnungseinheit 22 genauer einen Zuverlässigkeitsgrad D7, der mit einem Ermittlungsfehler der ermittelten Position des Objekts korreliert ist (z.B. einen Zuverlässigkeitsgrad D7, der eine positive Korrelation mit dem Ermittlungsfehler aufweist), auf der Grundlage der von der Merkmalsmenge-Berechnungseinheit 21 berechneten mehreren Merkmalsmengen (die Merkmalsmengen D61 bis D6m).The degree of
In Ausführungsform 1 speichert die Speichereinrichtung 3 das neuronale Netzwerkmodell zur Berechnung eines Zuverlässigkeitsgrades aus den Merkmalsmengen. Die Zuverlässigkeitsgrad-Berechnungseinheit 22 wendet das in der Speichereinrichtung 3 gespeicherte neuronale Netzwerkmodell auf die von der Merkmalsmenge-Berechnungseinheit 21 berechneten mehreren Merkmalsmengen (die Merkmalsmengen D61 bis D6m) an, wodurch ein Zuverlässigkeitsgrad D7 berechnet wird, der umgekehrt proportional zum Ermittlungsfehler der ermittelten Position des Objekts ist. Die Zuverlässigkeitsgrad-Berechnungseinheit 22 gibt den dadurch berechneten Zuverlässigkeitsgrad D7 an die Kameraauswahleinheit 40 und an die Außenseite der Position-Ermittlungseinrichtung 1 aus.In
Die oben erwähnte Kameraauswahleinheit 40 wählt aus den N Kamerabildern D11 bis D1N mindestens ein Kamerabild D2 auf der Grundlage des von der Zuverlässigkeitsgrad-Berechnungseinheit 22 berechneten Zuverlässigkeitsgrads D7 aus. Die Kameraauswahleinheit 40 gibt das so ausgewählte Kamerabild D2 auf der Grundlage des Zuverlässigkeitsgrades D7 an die Merkmalspunkt-Ermittlungseinheit 10 und die Merkmalsmenge-Berechnungseinheit 21 aus.The above-mentioned
Die Position-Berechnungseinheit 30 berechnet eine ermittelte Position D8 des Objekts auf der Grundlage der Teile von Merkmalspunktinformationen, die von der Merkmalspunkt-Ermittlungseinheit 10 ermittelt werden. In Ausführungsform 1 speichert die Speichereinrichtung 3 die Positionen der Merkmalspunkte des Objekts. Die Position-Berechnungseinheit 30 berechnet die ermittelte Position D8 des Objekts durch Lösen eines PnP-Problems auf der Grundlage jeder der ermittelten Positionen D3 der mehreren Merkmalspunkte, die von der Merkmalspunkt-Ermittlungseinheit 10 ermittelt wird, und der Positionen der Merkmalspunkte des Objekts, die von der Speichereinrichtung 3 gespeichert werden. Als Beispiel für die von der Position-Berechnungseinheit 30 berechnete ermittelte Position D8 wird die dreidimensionale Position (die dreidimensionale Körperhaltung) des Objekts oder dergleichen bereitgestellt. Die Position-Berechnungseinheit 30 gibt die dadurch berechnete ermittelte Position D8 an die Außenseite der Position-Ermittlungseinrichtung 1 aus.The
Der von der Zuverlässigkeitsgrad-Berechnungseinheit 22 nach außen abgegebene Zuverlässigkeitsgrad D7 der Position-Ermittlungseinrichtung 1 wird z.B. für eine Evaluierung der von der Position-Berechnungseinheit 30 nach außen abgegebenen ermittelten Position D8 der Position-Ermittlungseinrichtung 1 verwendet.The degree of reliability D7 of the
Nachfolgend wird der Betrieb der Position-Ermittlungseinrichtung 1 gemäß Ausführungsform 1 anhand der Zeichnungen erläutert.
Wie in
Wenn der Zuverlässigkeitsgrad D7 nicht in einem Prozess des Schrittes ST4, der später erwähnt wird, berechnet wurde, wählt die Kameraauswahleinheit 40 in Schritt ST1 ein beliebiges Kamerabild D2 aus den mehreren Kamerabildern aus. Wenn im Gegensatz dazu der Zuverlässigkeitsgrad D7 in einem Prozess des Schrittes ST4, der später erwähnt wird, berechnet wurde, wählt die Kameraauswahleinheit 40 in Schritt ST1 zumindest ein Kamerabild D2 aus den N Kamerabildern D11 bis D1N auf der Grundlage des Zuverlässigkeitsgrades D7 aus.If the degree of reliability D7 has not been calculated in a process of step ST4 mentioned later, the
Als nächstes ermittelt die Merkmalspunkt-Ermittlungseinheit 10 jede der ermittelten Positionen D3 der mehreren Merkmalspunkte, eine Varianz D4 einer Gruppe von Kandidatenpunkten aus den Merkmalspunkten und einen Objektbereich D5 als Teile von Merkmalspunktinformationen auf der Grundlage des durch die Kameraauswahleinheit 40 ausgewählten Kamerabildes D2 (Schritt ST2). Die Merkmalspunkt-Ermittlungseinheit 10 gibt sowohl die ermittelten Positionen D3 der mehreren Merkmalspunkte, die Varianz D4 der Gruppe von Kandidatenpunkten aus den Merkmalspunkten als auch den Objektbereich D5, die dadurch ermittelt werden, an die Merkmalsmenge-Berechnungseinheit 21 aus.Next, the feature
Als nächstes berechnet die Merkmalsmenge-Berechnungseinheit 21 die Merkmalsmengen D61 bis D6m des Objekts auf der Grundlage mindestens eines Teils einer Information in der Merkmalsmenge-Berechnungseinheit 21 aus dem von der Kameraauswahleinheit 40 ausgewählten Kamerabild D2 und jede der ermittelten Positionen D3 der mehreren Merkmalspunkte, der Varianz D4 der Gruppe von Kandidatenpunkten aus den Merkmalspunkten und der Objektregion D5, die von der Merkmalspunkt-Ermittlungseinheit 10 ermittelt werden (Schritt ST3). Die Merkmalsmenge-Berechnungseinheit 21 gibt die dadurch berechneten Merkmalsmengen D61 bis D6m an die Zuverlässigkeitsgrad-Berechnungseinheit 22 aus.Next, the feature
Als nächstes berechnet die Zuverlässigkeitsgrad-Berechnungseinheit 22 einen Zuverlässigkeitsgrad D7, der mit einem Ermittlungsfehler der ermittelten Position des Objekts korreliert ist, auf der Grundlage der von der Merkmalsmenge-Berechnungseinheit 21 berechneten Merkmalsmengen D61 bis D6m (Schritt ST4). Obwohl nicht dargestellt, führt die Position-Ermittlungseinrichtung 1 wiederholt die Reihe von Prozessen der oben erwähnten Schritte ST1 bis ST4 durch.Next, the reliability
Nachfolgend werden Einzelheiten von Schritt ST3 erläutert.
Wie in
Die zweite Merkmalsmenge-Berechnungseinheit 202 berechnet das Verhältnis der Fläche einer konvexen Oberfläche, die aus den mehreren Merkmalspunkten besteht, zur Fläche des Objektbereichs auf der Grundlage jeder der ermittelten Positionen D3 der mehreren Merkmalspunkte und des Objektbereichs D5, die von der Merkmalspunkt-Ermittlungseinheit 10 ermittelt werden, und berechnet entweder eine Merkmalsmenge, die proportional zum Kehrwert des dadurch berechneten Flächenverhältnisses ist, oder eine Merkmalsmenge D62, die proportional zum Kehrwert der Differenz zwischen dem dadurch berechneten Flächenverhältnis und 1 ist (Schritt ST32). Die zweite Merkmalsmenge-Berechnungseinheit 202 gibt die dadurch berechnete Merkmalsmenge D62 an die Zuverlässigkeitsgrad-Berechnungseinheit 22 aus.The second feature
Jede der Merkmalsmenge-Berechnungseinheiten von der dritten Merkmalsmenge-Berechnungseinheit bis zur m-ten Merkmalsmenge-Berechnungseinheit 20m berechnet die entsprechende der anderen Merkmalsmengen D63 bis D6m auf der Grundlage mindestens eines Teils von Informationen aus dem von der Kameraauswahleinheit 40 ausgewählten Kamerabild D2 und jeder der ermittelten Positionen D3 der mehreren Merkmalspunkte, der Varianz D4 der Gruppe von Kandidatenpunkten aus den Merkmalspunkten und der Objektregion D5, die von der Merkmalspunkt-Ermittlungseinheit 10 ermittelt werden (Schritt ST33). Jede der Merkmalsmenge-Berechnungseinheiten von der dritten Merkmalsmenge-Berechnungseinheit bis zur m-ten Merkmalsmenge-Berechnungseinheit 20m gibt die dadurch berechnete Merkmalsmenge an die Zuverlässigkeitsgrad-Berechnungseinheit 22 aus.Each of the feature amount calculation units from the third feature amount calculation unit to the mth feature
Nachfolgend wird ein konkretes Beispiel für das Kameraauswahlverfahren (Schritt ST1) in dem Zuverlässigkeitsgrad-Ermittlungsverfahren, das von der Position-Ermittlungseinrichtung 1 gemäß Ausführungsform 1 implementiert wird, im Detail erläutert. Es wird davon ausgegangen, dass der Prozess des Schrittes ST1, der im Folgenden erläutert wird, erneut durchgeführt wird, nachdem die Reihe von Prozessen der Schritte ST1 bis ST4 ein oder mehrere Male durchgeführt wurde.A concrete example of the camera selection process (step ST<b>1 ) in the reliability degree detection process implemented by the
Im konkreten Beispiel wählt die Kameraauswahleinheit 40 in Schritt ST1 aus den N Kamerabildern D11 bis D1N mindestens ein Kamerabild D2 auf der Grundlage des von der Zuverlässigkeitsgrad-Berechnungseinheit 22 im oben erwähnten Schritt ST4 berechneten Zuverlässigkeitsgrad D7 aus. Genauer wählt die Kameraauswahleinheit 40 im konkreten Beispiel auf der Grundlage der N Kamerabilder D11 bis D1N und des von der Zuverlässigkeitsgrad-Berechnungseinheit 22 berechneten Zuverlässigkeitsgrades D7 entweder einen Modus zur Durchführung einer nachfolgenden Positionsermittlung unter Verwendung eines Kamerabildes oder einen Modus zur Durchführung einer Positionsermittlung unter Verwendung aller Kamerabilder in der Reihenfolge aus.In the concrete example, the
Im konkreten Beispiel wählt die Kameraauswahleinheit 40 im Schritt ST1 konkreter ein Kamerabild D2 der Kamera 2 aus, das dem zuletzt ausgewählten Kamerabild entspricht, wenn der von der Zuverlässigkeitsgrad-Berechnungseinheit 22 berechnete Zuverlässigkeitsgrad D7 größer als oder gleich wie ein Schwellenwert ist. Mit anderen Worten, wenn der von der Zuverlässigkeitsgrad-Berechnungseinheit 22 berechnete Zuverlässigkeitsgrad D7 größer als oder gleich wie der Schwellenwert ist, wählt die Kameraauswahleinheit 40 ein Kamerabild D2 von der Kamera 2 aus, die das zuletzt ausgewählte Kamerabild aufgenommen hat. In diesem Fall ermittelt die Merkmalspunkt-Ermittlungseinheit 10 in dem oben erwähnten Schritt ST2 wie vorstehend erwähnt die Teile von Merkmalspunktinformationen auf der Grundlage des durch die Kameraauswahleinheit 40 ausgewählten Kamerabildes D2.More specifically, in the concrete example, the
Wenn dagegen der von der Zuverlässigkeitsgrad-Berechnungseinheit 22 berechnete Zuverlässigkeitsgrad unter dem Schwellenwert liegt, wählt die Kameraauswahleinheit 40 in Schritt ST1 alle der N Kamerabilder D11 bis D1N aus. Wenn die Kameraauswahleinheit 40 in Schritt ST1 alle der N Kamerabilder D11 bis D1N auswählt, ermittelt die Merkmalspunkt-Ermittlungseinheit 10 dann in dem oben erwähnten Schritt ST2 die Teile von Merkmalspunktinformationen für jedes der Kamerabilder.On the other hand, when the confidence level calculated by the confidence
Als nächstes berechnet die Merkmalsmenge-Berechnungseinheit 21 im oben erwähnten Schritt ST3 die Merkmalsmengen des Objekts für jedes der Kamerabilder auf der Grundlage der durch die Merkmalspunkt-Ermittlungseinheit 10 in Schritt ST2 ermittelten Teile von Merkmalspunktinformation für jedes der Kamerabilder.Next, in the above-mentioned step ST3, the feature
Als nächstes berechnet die Zuverlässigkeitsgrad-Berechnungseinheit 22 im oben erwähnten Schritt ST4 den Zuverlässigkeitsgrad der ermittelten Position des Objekts für jedes der Kamerabilder auf der Grundlage der Merkmalsmengen, die von der Merkmalsmenge-Berechnungseinheit 21 für jedes der Kamerabilder berechnet werden.Next, in the above-mentioned step ST4, the degree of
Als nächstes kehrt die Position-Ermittlungseinrichtung 1 zu dem Prozess des vorstehend erwähnten Schritts ST1 zurück und wenn die Zuverlässigkeitsgrad-Berechnungseinheit 22 den Zuverlässigkeitsgrad für jedes der Kamerabilder berechnet, wählt die Kameraauswahleinheit 40 mindestens ein Kamerabild D2 aus den N Kamerabildern D11 bis D1N auf der Grundlage des höchsten von der Zuverlässigkeitsgrad-Berechnungseinheit 22 berechneten Zuverlässigkeitsgrades für jedes der Kamerabilder aus. Im Detail gilt, wenn die Zuverlässigkeitsgrad-Berechnungseinheit 22 den Zuverlässigkeitsgrad für jedes der Kamerabilder berechnet, wählt die Kameraauswahleinheit 40 beispielsweise das von der Kamera 2 erfasste Kamerabild D2 entsprechend des höchsten von der Zuverlässigkeitsgrad-Berechnungseinheit 22 berechneten Zuverlässigkeitsgrades für jedes der Kamerabilder aus.Next, the
Jede der Funktionen der Kameraauswahleinheit 40, der Merkmalspunkt-Ermittlungseinheit 10, der Merkmalsmenge-Berechnungseinheit 21 und der Zuverlässigkeitsgrad-Berechnungseinheit 22 der Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 sowie der Position-Berechnungseinheit 30, die in der Position-Ermittlungseinrichtung 1 enthalten sind, wird durch eine Verarbeitungsschaltung implementiert. Genauer gesagt enthält die Position-Ermittlungseinrichtung 1 eine Verarbeitungsschaltung, um den Prozess jedes der in den
Falls die oben erwähnte Verarbeitungsschaltung eine in
Jede der Funktionen der Kameraauswahleinheit 40, der Merkmalspunkt-Ermittlungseinheit 10, der Merkmalsmenge-Berechnungseinheit 21 und der Zuverlässigkeitsgrad-Berechnungseinheit 22 der Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 sowie der Position-Berechnungseinheit 30, die in der Position-Ermittlungseinrichtung 1 enthalten sind, können durch separate Verarbeitungsschaltungen implementiert sein oder diese Funktionen können gemeinsam durch eine einzelne Verarbeitungsschaltung implementiert sein.Each of the functions of the
Wenn die oben erwähnte Verarbeitungsschaltung ein in
Die Software oder Firmware wird als Programm beschrieben und das Programm wird in einem Speicher 52 gespeichert.The software or firmware is described as a program and the program is stored in a
Der Prozessor 51 implementiert jede der Funktionen der Kameraauswahleinheit 40, der Merkmalspunkt-Ermittlungseinheit 10, der Merkmalsmenge-Berechnungseinheit 21 und der Zuverlässigkeitsgrad-Berechnungseinheit 22 der Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 sowie der Position-Berechnungseinheit 30, die in der Position-Ermittlungseinrichtung 1 enthalten sind, durch Auslesen und Ausführen von in dem Speicher 52 gespeicherten Programmen. Genauer gesagt enthält die Position-Ermittlungseinrichtung 1 den Speicher 52, um Programme zu speichern, in denen der Prozess jedes der in den
Diese Programme veranlassen einen Computer, Abläufe oder Verfahren durchzuführen, von denen jede von der Kameraauswahleinheit 40, der Merkmalspunkt-Ermittlungseinheit 10, der Merkmalsmenge-Berechnungseinheit 21 und der Zuverlässigkeitsgrad-Berechnungseinheit 22 der Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 sowie der Position-Berechnungseinheit 30, die in der Position-Ermittlungseinrichtung 1 enthalten sind, durchgeführt wird. Der Speicher 52 kann ein computerlesbares Speichermedium sein, in dem die Programme, die einen Computer veranlassen, als die Kameraauswahleinheit 40, die Merkmalspunkt-Ermittlungseinheit 10, die Merkmalsmenge-Berechnungseinheit 21 und die Zuverlässigkeitsgrad-Berechnungseinheit 22 der Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 sowie die Position-Berechnungseinheit 30, die in der Position-Ermittlungseinrichtung 1 gespeichert sind, zu arbeiten.These programs cause a computer to perform processes or methods, each of which is selected from the
Der Prozessor 51 ist zum Beispiel eine zentrale Verarbeitungseinheit (CPU), eine Verarbeitungseinrichtung, eine arithmetische Einrichtung, ein Prozessor, ein Mikroprozessor, ein Mikrocomputer, oder ein Digitalsignalprozessor (DSP).The
Der Speicher 52 ist zum Beispiel ein nichtflüchtiger oder flüchtiger Halbleiterspeicher, wie z. B. ein Arbeitsspeicher (random access memory, RAM), ein Festwertspeicher (read only memory, ROM), ein Flash-Speicher, ein löschbarer programmierbarer ROM (erasable programmable ROM, EPROM) oder ein elektrischer EPROM (electrically EPROM, EEPROM), eine Magnetplatte, wie beispielsweise eine Festplatte oder eine flexible Platte, eine flexible Platte, eine optische Platte, eine Compact Disc, eine Mini-Disc oder eine DVD (digital versatile disc).The
Einige der Funktionen der Kameraauswahleinheit 40, der Merkmalspunkt-Ermittlungseinheit 10, der Merkmalsmenge-Berechnungseinheit 21 und der Zuverlässigkeitsgrad-Berechnungseinheit 22 der Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 sowie der Position-Berechnungseinheit 30, die in der Position-Ermittlungseinrichtung 1 enthalten sind, können durch Hardware zur ausschließlichen Verwendung implementiert sein einige der Funktionen können durch Software oder Firmware implementiert sein.Some of the functions of the
Beispielsweise werden die Funktionen der Kameraauswahleinheit 40, der Merkmalspunkt-Ermittlungseinheit 10 und der Position-Berechnungseinheit 30 durch eine Verarbeitungsschaltung als Hardware zur ausschließlichen Verwendung implementiert. Die Funktionen der Merkmalsmenge-Berechnungseinheit 21 und der Zuverlässigkeitsgrad-Berechnungseinheit 22 der Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 können durch das Lesen und Ausführen eines im Speicher 52 gespeicherten Programms durch den Prozessor 51 implementiert werden.For example, the functions of the
Auf diese Weise kann die Verarbeitungsschaltung jede der obengenannten Funktionen unter Verwendung von Hardware, Software, Firmware oder einer Kombination von Hardware, Software und Firmware implementieren.In this way, the processing circuitry can implement any of the above functions using hardware, software, firmware, or a combination of hardware, software, and firmware.
Wie oben erwähnt, umfasst die Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 gemäß Ausführungsform 1, die den Zuverlässigkeitsgrad einer ermittelten Position eines Objekts ermittelt, wobei die Position auf der Grundlage eines Kamerabildes ermittelt wird, Folgendes: die Merkmalsmenge-Berechnungseinheit 21 zum Berechnen einer Merkmalsmenge des Objekts auf der Grundlage von Teilen von Merkmalspunktinformationen über mehrere Merkmalspunkte des Objekts in dem Kamerabild; und die Zuverlässigkeitsgrad-Berechnungseinheit 22 zum Berechnen des Zuverlässigkeitsgrades der ermittelten Position des Objekts auf der Grundlage der Merkmalsmenge, die von der Merkmalsmenge-Berechnungseinheit 21 berechnet wird.As mentioned above, the degree of
Gemäß der oben beschriebenen Konfiguration wird der Zuverlässigkeitsgrad der ermittelten Position des Objekts auf der Grundlage der Merkmalsmenge des Objekts berechnet, die aus den Teilen von Merkmalspunktinformationen berechnet wird. Da die Zuverlässigkeit des Zuverlässigkeitsgrades selbst der ermittelten Position nicht von der Zuverlässigkeit der ermittelten Position abhängt, kann die Zuverlässigkeit des Zuverlässigkeitsgrades der ermittelten Position selbst folglich verbessert werden, verglichen mit dem Fall, dass der Zuverlässigkeitsgrad direkt aus der ermittelten Position berechnet wird. So kann zum Beispiel auch bei der Eingabe eines Bildes, bei dem die Ermittlung der Position schwierig ist, die Zuverlässigkeit des Zuverlässigkeitsgrades selbst der ermittelten Position verbessert werden.According to the configuration described above, the degree of reliability of the detected position of the object is calculated based on the feature amount of the object calculated from the pieces of feature point information. Consequently, since the reliability of the degree of reliability of the detected position itself does not depend on the reliability of the detected position, the reliability of the degree of reliability of the detected position itself can be improved as compared with the case that the degree of reliability is calculated directly from the detected position. For example, even when inputting an image where it is difficult to detect the position, the reliability of the degree of reliability even of the detected position can be improved.
Die Teile von Merkmalspunktinformationen in der Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 gemäß Ausführungsform 1 enthalten eine Varianz einer Gruppe von Kandidatenpunkten aus den Merkmalspunkten, und die Merkmalsmenge-Berechnungseinheit 21 berechnet die Merkmalsmenge des Objekts auf der Grundlage der Varianz der Gruppe von Kandidatenpunkten aus den Merkmalspunkten. The pieces of feature point information in the reliability
Gemäß der oben beschriebenen Konfiguration wird der Zuverlässigkeitsgrad der ermittelten Position des Objekts auf der Grundlage der Merkmalsmenge des Objekts berechnet, die aus der Varianz der Gruppe von Kandidatenpunkten aus den Merkmalspunkten berechnet wird. Als Folge kann die Zuverlässigkeit des Zuverlässigkeitsgrades selbst der ermittelten Position angemessen verbessert werden.According to the configuration described above, the degree of reliability of the detected position of the object is calculated based on the feature amount of the object calculated from the variance of the group of candidate points out of the feature points. As a result, the reliability of the degree of reliability even of the detected position can be appropriately improved.
Die Merkmalsmenge-Berechnungseinheit 21 in der Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 gemäß Ausführungsform 1 berechnet eine Merkmalsmenge, die proportional zu dem Kehrwert der Varianz ist.The feature
Gemäß der oben beschriebenen Konfiguration wird der Zuverlässigkeitsgrad der ermittelten Position des Objekts auf der Grundlage der Merkmalsmenge, die proportional zu dem Kehrwert der Varianz ist, berechnet. Als Folge kann die Zuverlässigkeit des Zuverlässigkeitsgrades selbst der ermittelten Position angemessen verbessert werden.According to the configuration described above, the degree of reliability of the detected position of the object is calculated based on the feature amount that is proportional to the inverse of the variance. As a result, the reliability of the degree of reliability even of the detected position can be appropriately improved.
Die Teile von Merkmalspunktinformationen in der Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 gemäß Ausführungsform 1 enthalten jeweils ermittelte Positionen der mehreren Merkmalspunkte und einen Objektbereich, der ein Bereich ist, der von dem Objekt in dem Kamerabild eingenommen wird, und die Merkmalsmenge-Berechnungseinheit 21 berechnet eine Merkmalsmenge, die eine Funktion des Empfangens, als eine Eingabe, eines Bereichs ist, der aus den mehreren Merkmalspunkten und dem Objektbereich besteht, auf der Grundlage jeder der ermittelten Positionen der mehreren Merkmalspunkte und des Objektbereichs.The pieces of feature point information in the reliability
Gemäß der oben beschriebenen Konfiguration wird der Zuverlässigkeitsgrad der ermittelten Position des Objekts auf der Grundlage der Merkmalsmenge berechnet, die die Funktion des Empfangens der Region, die aus den mehreren Merkmalspunkten besteht, und der Objektregion als Eingabe ist. Als Folge kann die Zuverlässigkeit des Zuverlässigkeitsgrades selbst der ermittelten Position angemessen verbessert werden.According to the configuration described above, the degree of reliability of the detected position of the object is calculated based on the feature amount that is the function of receiving the region composed of the plurality of feature points and the object region as input. As a result, the reliability of the degree of reliability even of the detected position can be appropriately improved.
Die Teile von Merkmalspunktinformationen in der Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 gemäß Ausführungsform 1 enthalten jeweils die ermittelten Positionen der mehreren Merkmalspunkte, und einen Objektbereich, der ein von dem Objekt in dem Kamerabild eingenommener Bereich ist, die Merkmalsmenge-Berechnungseinheit 21 berechnet das Verhältnis der Fläche einer konvexen Oberfläche, die aus den mehreren Merkmalspunkten besteht, zur Fläche des Objektbereichs auf der Grundlage jeder der ermittelten Positionen der mehreren Merkmalspunkte und des Objektbereichs, und berechnet entweder eine Merkmalsmenge, die proportional zum Kehrwert des dadurch berechneten Flächenverhältnisses ist, oder eine Merkmalsmenge, die proportional zum Kehrwert der Differenz zwischen dem dadurch berechneten Flächenverhältnis und 1 ist.The pieces of feature point information in the reliability
Gemäß der oben beschriebenen Konfiguration wird der Zuverlässigkeitsgrad der ermittelten Position des Objekts entweder auf der Grundlage der Merkmalsmenge, die proportional zum Kehrwert des Flächenverhältnisses ist, die aus jeder der ermittelten Positionen der mehreren Merkmalspunkte und des Objektbereichs, oder der Merkmalsmenge, die proportional zum Kehrwert der Differenz zwischen dem Flächenverhältnis und 1 ist, berechnet. Als Folge kann die Zuverlässigkeit des Zuverlässigkeitsgrades selbst der ermittelten Position angemessen verbessert werden.According to the configuration described above, the degree of reliability of the detected position of the object is determined based on either the feature amount proportional to the reciprocal of the area ratio obtained from each of the detected positions of the plurality of feature points and the object area, or the feature amount proportional to the reciprocal of the difference between the area ratio and 1 is calculated. As a result, the reliability of the degree of reliability even of the detected position can be appropriately improved.
Die Merkmalsmenge-Berechnungseinheit 21 in der Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 gemäß Ausführungsform 1 berechnet mehrere Merkmalsmengen des Objekts und die Zuverlässigkeitsgrad-Berechnungseinheit 22 berechnet einen Zuverlässigkeitsgrad, der mit einem Ermittlungsfehler der ermittelten Position des Objekts korreliert ist, auf der Grundlage der von der Merkmalsmenge-Berechnungseinheit 21 berechneten Merkmalsmengen.The feature
Gemäß der oben beschriebenen Konfiguration kann die ermittelte Position des Objekts anhand des Zuverlässigkeitsgrads bewertet werden, der mit dem Ermittlungsfehler der ermittelten Position des Objekts korreliert.According to the configuration described above, the detected position of the object can be evaluated based on the degree of reliability that correlates with the detection error of the detected position of the object.
Die Position-Ermittlungseinrichtung 1 gemäß Ausführungsform 1 umfasst: die Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 gemäß Ausführungsform 1; die Merkmalspunkt-Ermittlungseinheit 10 zum Ermitteln einer Merkmalspunktinformation auf der Grundlage eines Kamerabildes; und die Position-Berechnungseinheit 30 zum Berechnen einer ermittelten Position des Objekts auf der Grundlage der von der Merkmalspunkt-Ermittlungseinheit 10 ermittelten Merkmalspunktinformation, und die Merkmalmenge-Berechnungseinheit 21 berechnet eine Merkmalmenge des Objekts auf der Grundlage der von der Merkmalspunkt-Ermittlungseinheit 10 ermittelten Merkmalspunktinformation.The
Gemäß der oben erwähnten Konfiguration kann jeder der oben erwähnten vorteilhaften Effekte, die von der Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 gemäß Ausführungsform 1 bereitgestellt werden, in der Position-Ermittlungseinrichtung 1 implementiert werden. Zum Beispiel kann die Position-Ermittlungseinrichtung 1 gemäß Ausführungsform 1 auf eine Ermittlung der Position eines Objekts unter Verwendung eines Kamerabildes angewendet werden. Die Position-Ermittlungseinrichtung kann zum Beispiel für ein autonomes Fahrzeug in der prallen Sonne oder für ein FA-Gerät wie einen Roboterarm verwendet werden.According to the configuration mentioned above, each of the above-mentioned advantageous effects provided by the reliability
Wenn zum Beispiel ein Objekt unter Verwendung eines Roboterarms gehalten wird, muss die Position des Objekts erfasst werden. Daher kann durch die Anwendung eines Bildes, das unter Verwendung einer am Arm angebrachten monokularen Kamera oder ähnlichem aufgenommen wurde, als das oben erwähnte Kamerabild auf die Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 gemäß Ausführungsform 1 der oben erwähnte Zuverlässigkeitsgrad mit hoher Zuverlässigkeit berechnet werden, selbst wenn ein Bild eingegeben wird, das unter schlechten Bedingungen aufgenommen wurde und schwer für die Positionsermittlung zu verwenden ist, und die ermittelte Position kann auf der Grundlage des Zuverlässigkeitsgrades evaluiert werden. Dadurch wird es möglich, eine stabile eine Robotersteuerung zu implementieren.For example, when holding an object using a robotic arm, the position of the object needs to be detected. Therefore, by applying an image captured using an arm-mounted monocular camera or the like as the above-mentioned camera image to the reliability
Die Position-Ermittlungseinrichtung 1 gemäß Ausführungsform 1 umfasst ferner die Kameraauswahleinheit 40, um mindestens ein Kamerabild aus mehreren Kamerabildern auf der Grundlage des von der Zuverlässigkeitsgrad-Berechnungseinheit 22 berechneten Zuverlässigkeitsgrads auszuwählen, und die Merkmalspunkt-Ermittlungseinheit 10 ermittelt die Merkmalspunktinformation auf der Grundlage des von der Kameraauswahleinheit 40 ausgewählten Kamerabilds.The
Gemäß der oben beschriebenen Konfiguration wird die Merkmalspunktinformation aus dem Kamerabild, das auf der Grundlage des Zuverlässigkeitsgrades der ermittelten Position ausgewählt wird, ermittelt. Als Folge kann die Zuverlässigkeit der ermittelten Merkmalspunktinformation verbessert werden. Daher können die Zuverlässigkeit der ermittelten Position und der Zuverlässigkeitsgrad, die jeweils auf der Merkmalspunktinformation beruhen, verbessert werden.According to the configuration described above, the feature point information is acquired from the camera image selected based on the degree of reliability of the acquired position. As a result, the reliability of the obtained feature point information can be improved. Therefore, the reliability of the detected position and the degree of reliability each based on the feature point information can be improved.
Die Kameraauswahleinheit 40 in der Position-Ermittlungseinrichtung 1 gemäß Ausführungsform 1 wählt ein Kamerabild von einer Kamera 2 aus, das einem zuletzt ausgewählten Kamerabild entspricht, wenn der von der Zuverlässigkeitsgrad-Berechnungseinheit 22 berechnete Zuverlässigkeitsgrad größer als oder gleich wie ein Schwellenwert ist, während die Kameraauswahleinheit alle mehreren Kamerabilder auswählt, wenn der von der Zuverlässigkeitsgrad-Berechnungseinheit 22 berechnete Zuverlässigkeitsgrad kleiner als der Schwellenwert ist.The
Entsprechend der oben beschriebenen Konfiguration kann ein Kamerabild angemessen ausgewählt werden, das für die Ermittlung der ermittelten Position geeignet ist. Daher können die Zuverlässigkeit der Merkmalspunktinformation, die Zuverlässigkeit der ermittelten Position und der Zuverlässigkeitsgrad verbessert werden, wobei die Merkmalspunktinformation, die ermittelte Position und der Zuverlässigkeitsgrad auf dem Kamerabild basieren.According to the configuration described above, a camera image suitable for detecting the detected position can be appropriately selected. Therefore, the reliability of the feature point information, the reliability of the detected position, and the degree of reliability can be improved where the feature point information, the detected position, and the degree of reliability are based on the camera image.
Wenn die Kameraauswahleinheit 40 alle der mehreren Kamerabilder auswählt, ermittelt die Merkmalspunkt-Ermittlungseinheit 10 in der Position-Ermittlungseinrichtung 1 gemäß Ausführungsform 1 die Merkmalspunktinformation für jedes der Kamerabilder, berechnet die Merkmalsmenge-Berechnungseinheit 21 eine Merkmalsmenge des Objekts für jedes der Kamerabilder auf der Grundlage der durch die Merkmalspunkt-Ermittlungseinheit 10 ermittelten Merkmalspunktinformation für jedes der Kamerabilder, berechnet die Zuverlässigkeitsgrad-Berechnungseinheit 22 den Zuverlässigkeitsgrad der ermittelten Position des Objekts für jedes der Kamerabilder auf der Grundlage der Merkmalsmenge, die von der Merkmalsmenge-Berechnungseinheit 21 für jedes der Kamerabilder berechnet wird, und wenn die Zuverlässigkeitsgrad-Berechnungseinheit 22 den Zuverlässigkeitsgrad für jedes der Kamerabilder berechnet, wählt die Kameraauswahleinheit 40 mindestens ein Kamerabild aus den mehreren Kamerabildern auf der Grundlage des höchsten Zuverlässigkeitsgrades jedes der Kamerabilder aus, wobei der Zuverlässigkeitsgrad durch die Zuverlässigkeitsgrad-Berechnungseinheit 22 berechnet wird.When the
Entsprechend der oben beschriebenen Konfiguration kann, selbst wenn das zuletzt ausgewählte Kamerabild nicht für die Ermittlung der ermittelten Position geeignet ist, ein Kamerabild, das für die Ermittlung der ermittelten Position geeignet ist, beim nächsten Mal ausgewählt werden. Daher können die Zuverlässigkeit jeder der Merkmalspunktinformation, der ermittelten Position und des Zuverlässigkeitsgrades, die jeweils auf dem Kamerabild beruhen, verbessert werden.According to the configuration described above, even if the last selected camera image is not suitable for detecting the detected position, a camera image suitable for detecting the detected position can be selected next time. Therefore, the reliability of each of the feature point information, the detected position, and the degree of reliability based on the camera image, respectively, can be improved.
Das Zuverlässigkeitsgrad-Ermittlungsverfahren gemäß Ausführungsform 1, das den Schritt des Ermittelns des Zuverlässigkeitsgrades einer ermittelten Position eines Objekts aufweist, wobei die Position auf der Grundlage eines Kamerabildes ermittelt wird, weist auf: einen Merkmalsmenge-Berechnungsschritt des Berechnens einer Merkmalsmenge des Objekts auf der Grundlage von Teilen von Merkmalspunktinformationen über mehrere Merkmalspunkte des Objekts in dem Kamerabild; und einen Zuverlässigkeitsgrad-Berechnungsschritt des Berechnens des Zuverlässigkeitsgrades auf der Grundlage der im Merkmalsmenge-Berechnungsschritt berechneten Merkmalsmenge.The degree of reliability determination method according to
Gemäß der oben erwähnten Konfiguration werden die gleichen vorteilhaften Effekte wie die oben erwähnten und durch die Zuverlässigkeitsgrad-Ermittlungseinrichtung 20 gemäß Ausführungsform 1 bereitgestellten bereitgestellt.According to the configuration mentioned above, the same advantageous effects as those mentioned above and provided by the reliability
Es versteht sich, dass eine beliebige Komponente in der Ausführungsform verändert werden kann, oder eine beliebige Komponente in der Ausführungsform weggelassen werden kann.It is understood that any component in the embodiment can be changed, or any component in the embodiment can be omitted.
GEWERBLICHE ANWENDBARKEITCOMMERCIAL APPLICABILITY
Da die Zuverlässigkeitsgrad-Ermittlungseinrichtung gemäß der vorliegenden Offenbarung die Zuverlässigkeit des Zuverlässigkeitsgrads selbst einer ermittelten Position verbessern kann, kann die Zuverlässigkeitsgrad-Ermittlungseinrichtung für Position-Ermittlungseinrichtungen verwendet werden.Since the reliability degree determining device according to the present disclosure can improve the reliability of the reliability degree even of a detected position, the reliability degree determining device can be used for position determining devices.
BEZUGSZEICHENLISTEREFERENCE LIST
- 11
- Position-Ermittlungseinrichtung,position determination device,
- 22
- Kamera,Camera,
- 33
- Speichereinrichtung,storage device,
- 1010
- Merkmalspunkt-Ermittlungseinheit,feature point determination unit,
- 2020
- Zuverlässigkeitsgrad-Ermittlungseinrichtung,degree of reliability determination device,
- 2121
- Merkmalsquantität-Berechnungseinheit,feature quantity calculation unit,
- 2222
- Zuverlässig- keitsgrad-Berechnungseinheit,confidence level calculation unit,
- 3030
- Position-Berechnungseinheit,position calculation unit,
- 4040
- Kamera-auswahleinheit,camera selection unit,
- 5050
- Verarbeitungsschaltung,processing circuit,
- 5151
- Prozessor,Processor,
- 5252
- Speicher,Storage,
- 100100
- Position-Ermittlungssystem,position detection system,
- 201201
- Erste Merkmalsmenge-Berechnungseinheit,First characteristic quantity calculation unit,
- 202202
- Zweite Merkmalsmenge-Berechnungseinheit, undsecond feature quantity calculation unit, and
- 20m20m
- M-te Merkmals- menge-Berechnungseinheit.M-th feature quantity calculation unit.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte Nicht-PatentliteraturNon-patent Literature Cited
- S. Peng, Y. Liu, O. Huang, H. Bao, X. Zhou, „PVNet: Pixel-wise Voting Network for 6DoF Pose Estimation,“ In Computer Vision and Pattern Recognition (CVPR), 2019 [0003]Peng S, Liu Y, Huang O, Bao H, Zhou X, "PVNet: Pixel-wise Voting Network for 6DoF Pose Estimation," In Computer Vision and Pattern Recognition (CVPR), 2019 [0003]
Claims (10)
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/046360 WO2022123786A1 (en) | 2020-12-11 | 2020-12-11 | Reliability estimation device, position estimation device, and reliability estimation method |
Publications (1)
Publication Number | Publication Date |
---|---|
DE112020007687T5 true DE112020007687T5 (en) | 2023-09-07 |
Family
ID=81974299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE112020007687.3T Pending DE112020007687T5 (en) | 2020-12-11 | 2020-12-11 | RELIABILITY DETERMINATION DEVICE, POSITION DETERMINATION DEVICE AND RELIABILITY DEGREE DETERMINATION METHOD |
Country Status (5)
Country | Link |
---|---|
JP (1) | JP7221469B2 (en) |
CN (1) | CN116547714A (en) |
DE (1) | DE112020007687T5 (en) |
TW (1) | TW202232433A (en) |
WO (1) | WO2022123786A1 (en) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4919036B2 (en) | 2007-01-30 | 2012-04-18 | アイシン精機株式会社 | Moving object recognition device |
JP4999570B2 (en) * | 2007-06-18 | 2012-08-15 | キヤノン株式会社 | Facial expression recognition apparatus and method, and imaging apparatus |
-
2020
- 2020-12-11 WO PCT/JP2020/046360 patent/WO2022123786A1/en active Application Filing
- 2020-12-11 CN CN202080107744.7A patent/CN116547714A/en active Pending
- 2020-12-11 DE DE112020007687.3T patent/DE112020007687T5/en active Pending
- 2020-12-11 JP JP2022568023A patent/JP7221469B2/en active Active
-
2021
- 2021-04-23 TW TW110114658A patent/TW202232433A/en unknown
Non-Patent Citations (1)
Title |
---|
S. Peng, Y. Liu, O. Huang, H. Bao, X. Zhou, „PVNet: Pixel-wise Voting Network for 6DoF Pose Estimation," In Computer Vision and Pattern Recognition (CVPR), 2019 |
Also Published As
Publication number | Publication date |
---|---|
WO2022123786A1 (en) | 2022-06-16 |
JP7221469B2 (en) | 2023-02-13 |
CN116547714A (en) | 2023-08-04 |
TW202232433A (en) | 2022-08-16 |
JPWO2022123786A1 (en) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241967B (en) | Thyroid ultrasound image automatic identification system based on deep neural network, computer equipment and storage medium | |
DE60316690T2 (en) | IMAGE COMPARISON SYSTEM USING A THREE-DIMENSIONAL OBJECT MODEL, IMAGE COMPARISON METHOD, AND IMAGE COMPARE PROGRAM | |
DE112016007498T5 (en) | INVESTIGATION EQUIPMENT AND INVESTIGATION PROCEDURES | |
CN111340070B (en) | Plant pest diagnosis method and system | |
DE102006004411B4 (en) | Method and system for measuring data evaluation in semiconductor processing by correlation-based data filtering | |
DE102004004528A1 (en) | Stereo image processing method for measuring parallax between stereo images to determine 3D position coordinates of image objects, wherein both parallax and a parallax reliability factor are determined | |
DE102006041645A1 (en) | Method and device for orientation determination in an image | |
CN106934804B (en) | Image definition detection method and device | |
DE102017210692B4 (en) | lifespan determination device; Service life determination method and program for cutting tool | |
DE112017006891T5 (en) | MOTOR MESSAGE DEVICE, SKILL DISTORTION DEVICE AND SKILL DISTORTION SYSTEM | |
DE102019113830A1 (en) | Information processing method, information processing apparatus and program | |
CN110956615A (en) | Image quality evaluation model training method and device, electronic equipment and storage medium | |
DE112017007532T5 (en) | AGING DEGRADATION DIAGNOSIS DEVICE AND AGING DEGRADATION DIAGNOSIS METHOD | |
DE112019007232T5 (en) | STATE ESTIMATE DEVICE AND STATE ESTIMATE METHOD | |
DE112015006266T5 (en) | Cell analyzer and cell analysis method | |
DE3718620A1 (en) | METHOD AND DEVICE FOR DETERMINING THE TURNING ANGLE OF AN OBJECT PATTERN | |
DE102020115669A1 (en) | WORK SUPPORT DEVICE, WORK SUPPORT PROCEDURES, AND WORK SUPPORT PROGRAM | |
WO2018077745A1 (en) | Method for analysing object labels in images on the basis of models | |
DE112012005521T5 (en) | Image processing apparatus, image recording, apparatus, microscope apparatus, image processing method and image processing program | |
DE112020007687T5 (en) | RELIABILITY DETERMINATION DEVICE, POSITION DETERMINATION DEVICE AND RELIABILITY DEGREE DETERMINATION METHOD | |
DE102018109794A1 (en) | Error signal recovery system and method | |
CN110517234B (en) | Method and device for detecting characteristic bone abnormality | |
DE102020100210A1 (en) | Neural network processor for compressing feature mapping data and computer system including the same | |
DE112020006786T5 (en) | Image inspection device and image inspection method | |
DE102018102705A1 (en) | Image processing apparatus, setting support method, and setting support program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R084 | Declaration of willingness to licence |