一种车辆移动轨迹修正方法及相关装置转让专利
申请号 : CN202011334110.3
文献号 : CN112132754B
文献日 : 2021-06-04
发明人 : 单国航 , 朱磊 , 贾双成 , 李倩 , 李成军
申请人 : 蘑菇车联信息科技有限公司
摘要 :
权利要求 :
1.一种车辆移动轨迹修正方法,其特征在于,包括:获取位于车辆上的单目摄像装置在所述车辆行驶过程中拍摄的图片序列,以及获取所述图片序列中每一帧图片的拍摄时间;
利用所述图片序列构建所述车辆的SLAM移动轨迹,其中,所述SLAM移动轨迹包括拍摄所述每一帧图片时所述车辆的预测位置的组合;
获取所述SLAM移动轨迹上的拍摄至少两帧目标图片时所述车辆的预测位置;
根据所述至少两帧目标图片的拍摄时间,分别获得所述车辆上的定位系统对应测得的定位位置;
根据拍摄所述至少两帧目标图片时所述车辆的预测位置和所述定位系统对应测得的定位位置,计算得到所述SLAM移动轨迹的修正参数,其中,所述修正参数至少包括:尺度因子、旋转矩阵、平移矩阵,所述旋转矩阵和所述平移矩阵分别为所述SLAM移动轨迹在根据所述尺度因子进行尺度变换后相对于真实移动轨迹的旋转矩阵和平移矩阵;
根据所述尺度因子对所述SLAM移动轨迹进行尺度变换,得到新的SLAM移动轨迹;
将所述新的SLAM移动轨迹按照所述旋转矩阵和所述平移矩阵进行旋转和平移,得到修正后的移动轨迹。
2.根据权利要求1所述的方法,其特征在于,当所述至少两帧目标图片仅包括两帧目标图片时,所述根据拍摄所述至少两帧目标图片时所述车辆的预测位置和所述定位系统对应测得的定位位置,计算得到所述SLAM移动轨迹的修正参数,包括:根据拍摄所述两帧目标图片时所述车辆的预测位置,得到车辆的第一移动距离;
根据拍摄所述两帧目标图片时所述定位系统对应测得的定位位置,得到车辆的第二移动距离;
计算所述第二移动距离与所述第一移动距离的比值,将所述比值确定为尺度因子;
根据拍摄所述两帧目标图片时所述车辆的预测位置、所述定位系统对应测得的定位位置以及所述尺度因子,利用相似变换公式计算得到旋转矩阵和平移矩阵。
3.根据权利要求1所述的方法,其特征在于,当所述至少两帧目标图片包括多于两帧目标图片时,所述根据拍摄所述至少两帧目标图片时所述车辆的预测位置和所述定位系统对应测得的定位位置,计算得到所述SLAM移动轨迹的修正参数,包括:根据拍摄所述多于两帧目标图片时所述车辆的预测位置和所述定位系统对应测得的定位位置,利用最小二乘优化算法计算定位误差,得到最小定位误差以及对应的修正参数,并将所述最小定位误差对应的修正参数确定为所述SLAM移动轨迹的修正参数。
4.根据权利要求1‑3任一所述的方法,其特征在于,所述利用所述图片序列构建所述车辆的SLAM移动轨迹,包括:
确定滑动窗口大小,所述滑动窗口内包括所述图片序列中拍摄时间相邻的至少两帧图片;
根据所述至少两帧图片构建三维空间坐标;
获取所述图片序列中位于所述至少两帧图片之后的下一帧图片;
根据所述下一帧图片和所述三维空间坐标,确定拍摄所述下一帧图片时所述单目摄像装置的位姿;
根据拍摄所述下一帧图片时所述单目摄像装置的位姿,获得拍摄所述下一帧图片时所述车辆的预测位置;
将所述滑动窗口以预设步长在所述图片序列中滑动,分别得到拍摄各帧图片时所述车辆的预测位置;
根据拍摄所述各帧图片时所述车辆的预测位置,生成所述车辆的SLAM移动轨迹。
5.根据权利要求4所述的方法,其特征在于,所述根据所述至少两帧图片构建三维空间坐标之前,所述方法还包括:
对所述至少两帧图片中的目标物体进行识别,并标定出所述至少两帧图片的每一帧图片中的所述目标物体;
其中,所述根据所述至少两帧图片构建三维空间坐标,包括:利用所述至少两帧图片的每一帧图片中的位于所述目标物体标定范围外的区域构建三维空间坐标;
所述获取所述图片序列中位于所述至少两帧图片之后的下一帧图片之后,所述方法还包括:
对所述下一帧图片中的所述目标物体进行识别,并标定出所述下一帧图片中的所述目标物体;
其中,所述根据所述下一帧图片和所述三维空间坐标,确定拍摄所述下一帧图片时所述单目摄像装置的位姿,包括:
根据所述下一帧图片中的位于所述目标物体标定范围外的区域和所述三维空间坐标,确定拍摄所述下一帧图片时所述单目摄像装置的位姿。
6.一种车辆移动轨迹修正装置,其特征在于,包括:第一获取单元,用于获取位于车辆上的单目摄像装置在所述车辆行驶过程中拍摄的图片序列,以及获取所述图片序列中每一帧图片的拍摄时间;
轨迹构建单元,用于利用所述图片序列构建所述车辆的SLAM移动轨迹,其中,所述SLAM移动轨迹包括拍摄所述每一帧图片时所述车辆的预测位置的组合;
第二获取单元,用于获取所述SLAM移动轨迹上的拍摄至少两帧目标图片时所述车辆的预测位置;
第三获取单元,用于根据所述至少两帧目标图片的拍摄时间,分别获得所述车辆上的定位系统对应测得的定位位置;
参数计算单元,用于根据拍摄所述至少两帧目标图片时所述车辆的预测位置和所述定位系统对应测得的定位位置,计算得到所述SLAM移动轨迹的修正参数,其中,所述修正参数至少包括:尺度因子、旋转矩阵、平移矩阵,所述旋转矩阵和所述平移矩阵分别为所述SLAM移动轨迹在根据所述尺度因子进行尺度变换后相对于真实移动轨迹的旋转矩阵和平移矩阵;
尺度变换单元,用于根据所述尺度因子对所述SLAM移动轨迹进行尺度变换,得到新的SLAM移动轨迹;
轨迹修正单元,用于将所述新的SLAM移动轨迹按照所述旋转矩阵和所述平移矩阵进行旋转和平移,得到修正后的移动轨迹。
7.根据权利要求6所述的装置,其特征在于,当所述至少两帧目标图片仅包括两帧目标图片时,所述参数计算单元具体用于根据拍摄所述两帧目标图片时所述车辆的预测位置,得到车辆的第一移动距离;根据拍摄所述两帧目标图片时所述定位系统对应测得的定位位置,得到车辆的第二移动距离;计算所述第二移动距离与所述第一移动距离的比值,将所述比值确定为尺度因子;根据拍摄所述两帧目标图片时所述车辆的预测位置、所述定位系统对应测得的定位位置以及所述尺度因子,利用相似变换公式计算得到旋转矩阵和平移矩阵。
8.根据权利要求6所述的装置,其特征在于,当所述至少两帧目标图片包括多于两帧目标图片时,所述参数计算单元具体用于根据拍摄所述多于两帧目标图片时所述车辆的预测位置和所述定位系统对应测得的定位位置,利用最小二乘优化算法计算定位误差,得到最小定位误差以及对应的修正参数,并将所述最小定位误差对应的修正参数确定为所述SLAM移动轨迹的修正参数。
9.根据权利要求6‑8任一所述的装置,其特征在于,所述轨迹构建单元包括:窗口确定子单元,用于确定滑动窗口大小,所述滑动窗口内包括所述图片序列中拍摄时间相邻的至少两帧图片;
空间构建子单元,用于根据所述至少两帧图片构建三维空间坐标;
图片获取子单元,用于获取所述图片序列中位于所述至少两帧图片之后的下一帧图片;
位姿确定子单元,用于根据所述下一帧图片和所述三维空间坐标,确定拍摄所述下一帧图片时所述单目摄像装置的位姿;
位置获取子单元,用于根据拍摄所述下一帧图片时所述单目摄像装置的位姿,获得拍摄所述下一帧图片时所述车辆的预测位置;
窗口滑动子单元,用于将所述滑动窗口以预设步长在所述图片序列中滑动,分别得到拍摄各帧图片时所述车辆的预测位置;
轨迹生成子单元,用于根据拍摄所述各帧图片时所述车辆的预测位置,生成所述车辆的SLAM移动轨迹。
10.一种电子设备,其特征在于,包括:处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1‑5中任一项所述的方法。
说明书 :
一种车辆移动轨迹修正方法及相关装置
技术领域
背景技术
图,首先需要采集数据,当利用单目摄像装置(如单目摄像头、单目行车记录仪等)采集到的
图像数据进行定位时,只能得到物体间相对的距离关系,使得通过单目视觉SLAM进行定位
导航得到的移动轨迹是相对的,而不是移动设备的真实移动轨迹。因此,要想得到高精度的
移动轨迹,需要对相对轨迹进行修正。
发明内容
之一:尺度因子、旋转矩阵、平移矩阵;
述SLAM移动轨迹的修正参数,包括:
所述SLAM移动轨迹的修正参数,包括:
参数,并将所述最小定位误差对应的修正参数确定为所述SLAM移动轨迹的修正参数。
参数至少包括如下之一:尺度因子、旋转矩阵、平移矩阵;
据拍摄所述两帧目标图片时所述定位系统对应测得的定位位置,得到车辆的第二移动距
离;计算所述第二移动距离与所述第一移动距离的比值,将所述比值确定为尺度因子;根据
拍摄所述两帧目标图片时所述车辆的预测位置、所述定位系统对应测得的定位位置以及所
述尺度因子,利用相似变换公式计算得到旋转矩阵和平移矩阵。
得的定位位置,利用最小二乘优化算法计算定位误差,得到最小定位误差以及对应的修正
参数,并将所述最小定位误差对应的修正参数确定为所述SLAM移动轨迹的修正参数。
动轨迹上可以获取拍摄至少两帧目标图片时车辆的预测位置,以及在拍摄上述至少两帧目
标图片时定位系统对应测得的定位位置;进一步地,根据拍摄至少两帧目标图片时车辆的
预测位置和定位位置,计算得到尺度因子、旋转矩阵和平移矩阵,并根据尺度因子对SLAM移
动轨迹进行尺度变换,将尺度变换后的SLAM移动轨迹按照旋转矩阵和平移矩阵进行旋转和
平移,得到修正后的移动轨迹。本申请的技术方案,利用单目视觉下的图片实现车辆的即时
定位,以构建出车辆的相对移动轨迹,在对车辆的相对移动轨迹在尺度上进行缩放后,可以
再进行角度和位置上的旋转平移,将车辆的相对移动轨迹往真实移动轨迹上进行修正,从
而能够提升车辆移动轨迹的精度。
附图说明
通常代表相同部件。
具体实施方式
式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的
范围完整地传达给本领域的技术人员。
形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包
含一个或多个相关联的列出项目的任何或所有可能组合。
在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以
被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更
多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限
定。
辆的尾部以采集其后方的视频,这里不作限定。为了获得图片,需要对单目摄像装置获取的
视频数据进行抽帧。通常,视频的帧率为每秒30帧,可以按照预置的规则对视频进行抽帧,
例如,每秒抽10帧、15帧、20帧或其他值,从而获得拍摄的多帧图片,上述多帧图片可以组成
图片序列。其中,图片序列中的任意相邻两帧图片的时间间隔为抽帧时间间隔。此外,单目
摄像装置在拍摄图片的同时,会记录下图片的拍摄时间。
车辆的预测位置可以绘制出车辆的SLAM移动轨迹,如图2所示。车辆的SLAM移动轨迹为车辆
的相对轨迹,而不是车辆的真实移动轨迹,因此,要想得到车辆的真实移动轨迹,需要对车
辆的SLAM移动轨迹进行修正。
特征点。为了后续更好的进行图片匹配,一般可以将图片中不会随着相机的移动、旋转或者
光照的变化而变化的稳定的点选取为特征点。优选的,可以选择固定的建筑物(如路边的房
屋)、固定的树木或广告牌等中的特征点,而不选择天空或地面上的特征点。
成功。其中,第一特征点集为上述至少两帧图片中每一帧图片上均匹配成功的特征点的集
合。例如,当滑动窗口大小为包含两帧图片,则上述至少两帧图片仅包含两帧图片(如A、B两
帧图片)时,第一特征点集为A、B两帧图片进行匹配并匹配成功的特征点;当滑动窗口大小
为包含三帧图片,则上述至少两帧图片包含A、B、C三帧图片时,第一特征点集为A、B、C三帧
图片同时进行匹配并匹配成功的特征点,即匹配成功的特征点要同时出现在A、B、C三帧图
片上,不能仅出现在其中一帧或其中两帧图片上。
子。brisk算法主要利用FAST9‑16进行特征点检测,取得分值较大的点作为特征点(即关键
点),即完成特征点的提取。仅仅利用关键点的信息还无法很好的进行特征点匹配,所以需
要进一步得到更详细的信息,将特征区分开来,因此,需要进行特征点描述,得到特征描述
子。通过特征描述子可以消除视角的变化带来图片的尺度和方向的变化,能够更好的在图
片间匹配。一张图片上的每一个特征描述子都是独特的,具有排他性,尽可能减少彼此间的
相似性。brisk特征描述子可以用二进制数来表示,如256bit或512bit的二进制数。
其他帧图片上匹配距离最小且匹配距离小于预设值的特征点作为匹配点。按照上述方法,
可以逐一对每帧图片上的所有特征点进行匹配,找到匹配成功的特征点。可以理解的是,在
得出匹配距离后,可以再结合特征点在图片上的uv坐标来共同确定匹配的特征点,例如匹
配距离小于预设值,且特征点的uv坐标的差距也在允许的范围内时,才确定为匹配的特征
点,否则不匹配。
可以进行丢弃。当一帧图片上的某一个特征点在其他帧图片上均能找到匹配的特征点,则
该特征点可以看作为有效特征点。将所有的有效特征点集合起来,可以看作为第一特征点
集。
到200个特征点。对A、B两帧图片中的特征点进行描述,得到对应的特征描述子。对A、B两帧
图片上的所有特征描述子进行逐一匹配后,得到匹配成功的特征点共50个,即A帧图片上有
50个特征点与B帧图片上的50个特征点一一匹配,则第一特征点集中可以包含匹配成功的A
帧图片上的50个特征点和B帧图片上的50个特征点,即可以将第一特征点集看作为50对特
征点。
取到150个特征点,从C帧图片中提取到120个点。对A、B、C三帧图片中的特征点进行描述,得
到对应的特征描述子;对A、B、C三帧图片上的所有特征描述子进行逐一匹配后,得到匹配成
功的特征点共50个,即A帧图片上的50个特征点、B帧图片上的50个特征点、C帧图片上的50
个特征点均匹配成功,则第一特征点集中可以包含匹配成功的A帧图片上的50个特征点、B
帧图片上的50个特征点和C帧图片上的50个特征点,即可以将第一特征点集看作为50组特
征点。
异。
法均为较成熟的相关技术,这里将不再叙述其具体实现过程。
点,并对提取的特征点进行描述,以得到特征描述子。
A、B两帧图片匹配成功的特征点50个,即第一特征点集包含有50对点。提取到C帧图片中的
特征点200个,分别与A帧图片中的特征点匹配成功70个,与B帧图片中的特征点匹配成功60
个,将其中C帧图片中既与A帧图片中的特征点又与B帧图片中的特征点均匹配成功的特征
点划入第二特征点集。例如,C帧图片上编号为c1的特征点与A帧图片上编号为a3的特征点
匹配,又与B帧图片上编号为b2的特征点匹配,则特征点c1为有效特征点,特征点(a3,b2,
c1)为第二特征点集中的其中一组特征点。当C帧图片上编号为c1的特征点仅与A帧图片上
编号为a3的特征点匹配,而在B帧图片中没有找到相匹配的特征点,则特征点c1为无效特征
点(或噪点),将不被包含在第二特征点集内。按照上述方法,可以找到在三帧图片中都匹配
的特征点,以构成第二特征点集。
功的50个特征点中,因此,可以从这50个特征点的三维空间坐标中提取出上述30个特征点
的三维空间坐标。当然,也可以直接利用三角化计算出上述30个特征点的三维空间坐标,这
里不作限定。进一步的,可以根据上述30个特征点的三维空间坐标,以及30个特征点在C帧
图片上的位置(即uv坐标),采用PnP优化方法可以计算得到拍摄C帧图片时单目摄像装置的
位姿。
个,C帧图片中的特征点为150个,A、B、C三帧图片匹配成功的特征点50个,即第一特征点集
包含有50组点。提取到D帧图片中的特征点200个,分别与A帧图片中的特征点匹配成功70
个,与B帧图片中的特征点匹配成功60个,与C帧图片中的特征点匹配成功65个。可以将D帧
图片中同时与A、B、C三帧图片中的至少两帧图片匹配成功的特征点划入第二特征点集,例
如D帧图片中某一特征点在A、B、C三帧图片中均能找到与之匹配的特征点,或者在A、B、C三
帧图片的其中两帧中能找到与之匹配的特征点,则可以认为该特征点为有效特征点,与其
他图片匹配成功的特征点组合起来作为第二特征点集中的一组特征点。而当D帧图片中某
一特征点仅在A、B、C三帧图片的其中一帧图片上找到与之匹配的特征点,则可以认为该特
征点为无效特征点(或噪点),将不被包含在第二特征点集内。按照上述方法逐一匹配,以找
到满足条件的匹配特征点构成第二特征点集。进一步地,通过第二特征点集的三维空间坐
标及其在D帧图片中的位置采用PnP优化方法来计算出拍摄D帧图片时单目摄像装置的位
姿。
动窗口取4帧图片时,可以将预设数量设为2或3或4;当滑动窗口取5帧图片时,可以将预设
数量设为3或4或5。
然,也可以是单目摄像装置与车辆之间预设有一种位置关系,根据位置关系对单目摄像装
置的位置进行转换,即可得到车辆的预测位置。
40个剩余特征点和上述30个剩余特征点的三维空间坐标,从而利用剩余特征点的三维空间
坐标来调整第一特征点集的三维空间坐标和第二特征点集的三维空间坐标,以使第一特征
点集对应的三维空间范围以及第二特征点集对应的三维空间范围能够得以扩充,构建出包
含更多信息的三维地图,进而有利于后续图片配准,提高配准精度。
照上述方法不断迭代,可以得到拍摄各帧图片时所述车辆的预测位置,从而可以构建出车
辆的SLAM移动轨迹。
建B、C两帧图片的第一特征点集的三维空间坐标,并将D帧的特征点分别与B、C两帧图片的
特征点进行匹配,得到匹配成功的第二特征点集。利用第二特征点集的三维空间坐标及其
位于D帧图片上的位置,确定拍摄D帧图片时单目摄像装置的位姿,以得到拍摄D帧图片时车
辆的预测位置。当要对再下一帧(E帧)图片进行配准时,滑动窗口从包含B、C两帧图片滑动
到包含C、D两帧图片,构建C、D两帧图片的第一特征点集的三维空间坐标,并将E帧的特征点
分别与C、D两帧图片的特征点进行匹配,得到匹配成功的第二特征点集。利用第二特征点集
的三维空间坐标及其位于E帧图片上的位置,确定拍摄E帧图片时单目摄像装置的位姿,以
得到拍摄E帧图片时车辆的预测位置。按照上述过程往后迭代,一直到最后一帧图片,以得
到拍摄最后一帧图片时车辆的预测位置。
片,构建B、C、D三帧图片的第一特征点集的三维空间坐标,并将E帧的特征点分别与B、C、D三
帧图片的特征点进行匹配,得到匹配成功的第二特征点集。利用第二特征点集的三维空间
坐标及其位于E帧图片上的位置,确定拍摄E帧图片时单目摄像装置的位姿,以得到拍摄E帧
图片时车辆的预测位置。当要对再下一帧(F帧)图片进行配准时,滑动窗口从包含B、C、D三
帧图片滑动到包含C、D、E三帧图片,构建C、D、E三帧图片的第一特征点集的三维空间坐标,
并将F帧的特征点分别与C、D、E三帧图片的特征点进行匹配,得到匹配成功的第二特征点
集。利用第二特征点集的三维空间坐标及其位于F帧图片上的位置,确定拍摄F帧图片时单
目摄像装置的位姿,以得到拍摄F帧图片时车辆的预测位置。按照上述过程往后迭代,一直
到最后一帧图片,以得到拍摄最后一帧图片时车辆的预测位置。
机或风筝等等移动的物体。目标物体可以看作为预先设置的一种或几种动态物体。由于动
态物体其位置和姿态可能会实时发生变动,如果利用动态物体的特征来构建三维空间的
话,则构建的三维空间精度差。因此,为了保证三维空间构建的准确性,有必要消除动态物
体对三维空间构建的影响,从而需要先找出图片上的所有动态物体,再利用除动态物体以
外的区域上的特征点去构建三维空间坐标。
示的图片进行动态物体识别,并识别出图片上所有的车辆和行人,并将识别出的车辆和行
人用矩形框进行标定,以标定出每个动态物体所在的位置和大小。其中,可以根据矩形框的
四个顶点的坐标位置来确定动态物体的位置和大小,或者可以以其中一个顶点为原点通过
矢量确定矩形框的范围等。可以理解的是,也可以利用圆圈、椭圆形圈或其他规则或不规则
形状对动态物体进行标定,这里不作唯一限定。
样本,具体的可以采集若干样本图片,将样本图片中的目标物体进行标定后,训练标定后的
样本图片,得到样本模型,再将上述至少两帧图片输入样本模型中进行学习,以识别出图片
上所有的目标物体。可以理解的是,还可以采用卷积神经网络CNN算法、R‑CNN算法或其他算
法对图片中的目标物体进行识别,这里不作唯一限定。
每一帧图片中的每个区域提取预设个数的特征点,并将每个区域提取的特征点的集合作为
该帧图片的特征点;将上述至少两帧图片的特征点进行匹配,得到上述至少两帧图片中匹
配成功的第一特征点集,从而根据第一特征点集构建三维空间坐标。相应地,在步骤13)获
取图片序列中位于上述至少两帧图片之后的下一帧图片之后,对该下一帧图片进行分区处
理后提取该下一帧图片的特征点,从而根据该下一帧图片的特征点和第一特征点集的三维
空间坐标,确定拍摄该下一帧图片时单目摄像装置的位姿。
征点,从而出现特征点集中在局部的现象,会导致局部特征权重过大,而其他地方的特征点
会被忽略,这种情况将不利于三维空间构建。基于此,对每一帧图片进行分区处理,以将每
一帧图片分割成若干个区域,该若干个区域可以为2个、4个、5个、6个、8个或其他值等。每个
区域中均可以包含有特征点,当提取图片中的特征点时,可以从该帧图片上的每个区域内
提取预设个数的特征点,这些特征点组合起来构成该帧图片的特征点,从而使得提取到的
特征点的位置能够尽可能分布均匀一些,更有利于构建三维空间,进而能够提高三维空间
的构建精度。
根据每一帧图片的图片信息确定每一帧图片的分区策略,按照每一帧图片的分区策略对每
一帧图片进行分区处理,得到分区后的每一帧图片,其中,图片信息可以包括但不限于图片
的像素值、灰度值以及RGB值中的至少一种。
出现道路两边特征比较多,而天空和路面上的特征比较少的情况,可以将图片按照“田”字
形分为4个区域。或者,为了更均匀的提取到特征点,可以将区域分割得更多。
布情况确定图片的分区策略,并根据图片的分区策略对图片将进行分区处理。其中,分区策
略可以包含图片的区域个数和区域位置等信息。
目标图片的拍摄时间测得的车辆的定位位置。其中,该定位系统可以包括但不限于GPS
(Global Positioning System,全球定位系统)、北斗卫星定位系统、RTK
(RealTimeKinematic,实时动态)定位系统等中的至少一种。
两帧图片,对应的,定位系统获取的是结尾至少两点的车辆定位位置;上述至少两帧目标图
片也可以是起始一帧或几帧图片和结尾一帧或几帧图片,对应的,定位系统获取的是起始
一点或几点的车辆定位位置和结尾一点或几点的车辆定位位置;上述至少两帧目标图片还
可以是拍摄的其中至少两帧或任意至少两帧图片,对应的,定位系统获取的是拍摄这至少
两帧图片时车辆定位位置。
平移矩阵中的至少一个。
计算得到SLAM移动轨迹的修正参数的具体实施方式可以包括以下步骤:
y2、z2),根据上述两个预测位置坐标,可以得到两者之间的第一移动距离d1。拍摄图片p1时
车辆的定位位置为P1gps(x3、y3、z3),拍摄图片p2时车辆的定位位置为P2gps(x4、y4、z4),根
据上述两个定位位置坐标,可以得到两者之间的第二移动距离d2。根据第二移动距离d2与
第一移动距离d1的比值可以求得尺度因子s,即尺度因子s=d2/d1。进一步地,利用相似变换
公式可以求得旋转矩阵R和平移矩阵t,该旋转矩阵R和平移矩阵t分别为车辆的SLAM移动轨
迹在根据尺度因子s进行尺度变换后相对于真实移动轨迹的旋转矩阵和平移矩阵。
和拍摄图片p1时车辆的定位位置为P1gps(x3、y3、z3)代入上述公式,以及将尺度因子s、拍摄
图片p2时车辆的预测位置为P2slam(x2、y2、z2)和拍摄图片p2时车辆的定位位置为P2gps(x4、
y4、z4)代入上述公式,可以得到六个方程式,而旋转矩阵R和平移矩阵t共包含有六个自由
度,因此,可以利用六个方程式求解出六个自由度,从而得到旋转矩阵R和平移矩阵t。
置,计算得到SLAM移动轨迹的修正参数的具体实施方式可以包括以下步骤:
将最小定位误差对应的修正参数确定为SLAM移动轨迹的修正参数。
摄图片p2时车辆的预测位置为P2slam(x2、y2、z2),拍摄图片p3时车辆的预测位置为P3slam
(x3、y3、z3)。拍摄图片p1时车辆的定位位置为P1gps(x4、y4、z4),拍摄图片p2时车辆的定位
位置为P2gps(x5、y5、z5),拍摄图片p3时车辆的定位位置为P3gps(x6、y6、z6)。由于受定位误
差的影响,不能单纯通过距离比值来确定尺度因子s。因此可以利用最小二乘优化算法建立
误差方程:
式求解七个未知数,可以得出最优解,该最优解包含了最小定位误差error,以及该最小定
位误差对应的修正参数(即s、R和t)。该最小定位误差对应的修正参数则用于后续SLAM移动
轨迹的修正。
值,这里不作限定。
度因子s为小于1的数时,可以将SLAM移动轨迹的长度缩小为原来的s倍。在进行完尺度变换
后,可以将尺度变化后的SLAM移动轨迹按照旋转矩阵R和平移矩阵t进行旋转和平移,使得
SLAM移动轨迹向真实移动轨迹进行修正。
移动机器人中,这里不作限定。
动轨迹上可以获取拍摄至少两帧目标图片时车辆的预测位置,以及在拍摄上述至少两帧目
标图片时定位系统对应测得的定位位置;进一步地,根据拍摄至少两帧目标图片时车辆的
预测位置和定位位置,计算得到尺度因子、旋转矩阵和平移矩阵,并根据尺度因子对SLAM移
动轨迹进行尺度变换,将尺度变换后的SLAM移动轨迹按照旋转矩阵和平移矩阵进行旋转和
平移,得到修正后的移动轨迹。本申请的技术方案,利用单目视觉下的图片实现车辆的即时
定位,以构建出车辆的相对移动轨迹,在对车辆的相对移动轨迹在尺度上进行缩放后,再进
行角度和位置上的旋转平移,将车辆的相对移动轨迹往真实移动轨迹上进行修正,从而能
够提升车辆移动轨迹的精度。
包括如下之一:尺度因子、旋转矩阵、平移矩阵;
拍摄上述两帧目标图片时定位系统对应测得的定位位置,得到车辆的第二移动距离;计算
第二移动距离与第一移动距离的比值,将该比值确定为尺度因子;根据拍摄上述两帧目标
图片时车辆的预测位置、定位系统对应测得的定位位置以及该尺度因子,利用相似变换公
式计算得到旋转矩阵和平移矩阵。
位位置,利用最小二乘优化算法计算定位误差,得到最小定位误差以及对应的修正参数,并
将最小定位误差对应的修正参数确定为SLAM移动轨迹的修正参数。
帧图片中的目标物体;
片中的目标物体;
旋转平移,将车辆的相对移动轨迹往真实移动轨迹上进行修正,从而能够提升车辆移动轨
迹的精度。
理器501、存储器502、至少一个通信接口503等组件。其中,这些组件可以通过一条或多条通
信总线504进行通信连接。本领域技术人员可以理解,图5中示出的电子设备500的结构并不
构成对本申请实施例的限定,它既可以是总线形结构,也可以是星型结构,还可以包括比图
示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field‑
Programmable Gate 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。
令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不
会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用
大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存
储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者
易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器
在运行时需要的指令和数据。此外,存储器502可以包括任意计算机可读存储媒介的组合,
包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或
光盘也可以采用。在一些实施方式中,存储器502可以包括可读和/或写的可移除的存储设
备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD‑ROM,双层DVD‑ROM)、只读蓝光光盘、
超密度光盘、闪存卡(例如SD卡、min SD卡、Micro‑SD卡等等)、磁性软盘等等。计算机可读存
储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
本领域技术人员也应该知悉,说明书中所涉及的动作和模块并不一定是本申请所必须的。
另外,可以理解,本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删
减,本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
程序代码指令。
当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器
等)的处理器执行时,使所述处理器执行根据本申请的上述方法的各个步骤的部分或全部。
序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的
逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标记的功能也可
以以不同于附图中所标记的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,
它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流
程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作
的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨
在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的
其它普通技术人员能理解本文披露的各实施例。