CN111024078B - 基于gpu加速的无人机视觉slam方法 - Google Patents
基于gpu加速的无人机视觉slam方法 Download PDFInfo
- Publication number
- CN111024078B CN111024078B CN201911072718.0A CN201911072718A CN111024078B CN 111024078 B CN111024078 B CN 111024078B CN 201911072718 A CN201911072718 A CN 201911072718A CN 111024078 B CN111024078 B CN 111024078B
- Authority
- CN
- China
- Prior art keywords
- image
- pose
- words
- feature
- pyramid
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于GPU加速的无人机视觉SLAM方法,首先进行相机图像信息的读取和预处理;执行前端任务:采用特征点法估计位姿;包括:相机图像的特征提取和特征匹配,采用ICP算法估算位姿;进行后端优化:基于图优化的后端优化进而优化位姿;进行词袋回环检测,构建和优化位姿图;其中步骤相机图像的特征提取和特征匹配在GUP上进行,相机图像的特征提取和特征匹配之后的步骤使用OpenCV实现CUDA并行化。本发明方法在现有的嵌入式小型GPU的基础上完成视觉SLAM前端部分的特征提取和特征匹配任务,SLAM算法的其它部分集中在CPU进行并行计算,在不降低定位精度的前提下,提高算法计算速度,减少无人机的体积与重量。
Description
技术领域
本发明涉及无人机技术领域,尤其涉及基于GPU加速的无人机视觉SLAM方法。
背景技术
SLAM(Simultaneous localization and mapping)是即时定位与地图构建技术,利用摄像机和计算机视觉算法为机器人***提供状态估计,在小型移动机器人、自动驾驶汽车和无人机中变得越来越流行。
在室外运行的无人机需要与执行SLAM计算的***进行实时通信,脱机处理可以减小无人机的尺寸,从而增加飞行时间,但由于无人机需要工作在SLAM处理***的无线通信范围内,该限制会对飞行范围产生严重影响。为了消除对飞行范围的影响,SLAM处理放在无人机上进行。然而,基于视觉图像处理的前端和后端的位姿优化相对来说计算量大,资源受限,很难在嵌入式控制器中实现实时运行。但是通过增加处理硬件,由于载重量和大小会对无人机的飞行时间和机动性造成影响。因此减小机载处理***的体积、功耗和计算时间,对移动机器人,特别是无人机具有重要意义。
发明内容
本发明为解决现有应用于无人机的视觉SLAM方法存在需减小机载处理***的体积、功耗和计算时间等问题,提供了一种基于GPU加速的无人机视觉SLAM方法。
为实现以上发明目的,而采用的技术手段是:
基于GPU加速的无人机视觉SLAM方法,包括以下步骤:
S1.相机图像信息的读取和预处理;所述相机为双目摄像头;
S2.前端任务:采用特征点法估计位姿;包括:相机图像的特征提取和特征匹配,采用ICP算法估算位姿;
S3.后端优化:基于图优化的后端优化进而优化位姿;
S4.进行词袋回环检测,构建和优化位姿图;
其中步骤S2中相机图像的特征提取和特征匹配在GUP上进行,所述步骤S2中相机图像的特征提取和特征匹配之后的步骤使用OpenCV实现CUDA并行化。
优选的,所述预处理为对读取得到的相机图像进行灰度化处理。
优选的,所述步骤S2中相机图像的特征提取和特征匹配具体包括以下步骤:
S21.对处理后的灰度图构建图像金字塔,并为每层金字塔图像分配应提取的特征点数量;
S22.进行各层金字塔图像的特征提取:首先对每层金字塔图像进行边界处理,在金字塔图像上划分网格后对每一网格进行特征点提取:选定在所述网格中的任一像素为待检测像素,以待检测像素为圆心,r为半径作一个圆,与该圆相交的共有n个像素,若所述n个像素中有连续N个像素与待检测像素灰度值的差大于预设阈值T,则认为该待检测像素为特征点;然后循环检测每一个像素得到所有特征点;其中一般N取11或9;
S23.对步骤S22提取得到的特征点进行剔除与均匀分布的优化;
S24.对于步骤S23得到的任一特征点,定义邻域像素的矩为:
其中I(x,y)为点x,y处的灰度值;
得到金字塔图像的质心为:
θ=arctan(m01/m10)
S25.利用rBRIEF算法计算每个特征点的描述子,实现所述金字塔图像中当前帧与参考帧的特征点匹配。
优选的,所述步骤S2中采用ICP算法估算位姿的具体步骤包括:
通过ICP算法,利用非线性方法估算出帧间位姿变换(R,T),基于特征点的深度信息构建最小二乘问题:
把当前位姿作为优化变量,采用Bundle Adjustment为核心的图优化方法进行优化,通过不断迭代的方法估算当前位姿。
优选的,所述步骤S3的具体步骤包括:
对于SLAM过程的观测方程,其整体的代价函数为:
其中zij为在位姿ξi处观察路标pj产生的观测数据,eij为观测值与测量值的误差;
对上式的最小二乘进行求解,其中以位姿和路标是优化变量,采用BundleAdjustment非线性优化方法,不断寻找下降方向Δx以求得上式的最优解,即给优化变量一个增量,并对上式进行一次泰勒展开后简化为:
其中Fij表示整体代价函数在当前状态下对相机姿态的偏导,Eij表示整体代价函数对路标点位置的偏导;
将位姿变量放到一起:
将空间点的变量放到一起:
简化为:
其中Δxc和Δxp分别为所有位姿变量整合到一起的整体增量、空间点的变量整合到一起的整体增量;雅克比矩阵F和E是整体代价函数对所述整体增量的导数;
展开得到增量线性方程:
HΔx=g
使用LM方法求解则:H=JTJ+λI,而J=[FE],g=-J(x)Tf(x);
其中I为单位阵,λ为正实数;当参数λ较小时,H占主导地位,LM方法更接近高斯牛顿法,当λ较大时,λI占主导,LM方法更接近于最速下降法。
优选的,所述步骤S4具体包括以下步骤:
S41.利用词袋模型计算图像间的相似度加速回环发生的识别,通过动态计算回环帧筛选阈值,确定回环关键帧;对当前关键帧与回环关键帧计算Sim3变换得到回环检测结果;
S42.根据步骤S41的回环检测结果进行运行轨迹的纠正,构建得到轨迹符合回环检测结果的位姿图。
优选的,所述步骤S41中图像间相似度的计算步骤为:
基于所述词袋模型并使用TF-IDF算法进行计算:
设训练词典时所有特征数量为n,图像中单词wi数量为ni,则单词的IDF为:
设图像中单词wi出现了ni次,一共出现的单词数为n,则TF为:
得到单词wi的权重为:
ni=TFi×IDFi
对于每一幅图像具有多个特征点,每个特征点分别对应上词典中的某个单词并赋予权重,组成属于该图像的Bag-of-words,其中N为所述词典中的单词数,表示如下:
设另一幅图像的Bag-of-words为υB,则两幅图像的相似度为:
其中N为所述词典中的单词数,υA为一幅图像的Bag-of-words,υB为另一幅图像的Bag-of-words。
优选的,所述步骤S41中确定回环关键帧的具体步骤包括:
将与当前帧相连的局部关键帧剔除后遍历所有关键帧;
找出与当前关键帧具有相同单词的关键帧,并统计所有闭环候选帧中与当前关键帧具有共同单词最多的单词数,将最多单词的80%设置为第一阈值;
找出所有单词数超过所述第一阈值,且相似度检测大于相邻关键帧最低分数的关键帧;将其与自己相邻最紧密的前10个关键帧设定为一组;即所述组以每一个关键帧为中心,加上与中心的关键帧相邻的关键帧所形成,一个关键帧出现在一个或多个组内;
计算分组后每组的总得分以及每组得分最高的关键帧,以组得分最高的0.75作为第二阈值,找出高于所述第二阈值的所有组里面得分最高的帧,作为回环关键帧。
与现有技术相比,本发明技术方案的有益效果是:
本发明中采用了基于OBR特征提取以及结合词袋模型进行特征匹配判断的方法,减少了视觉SLAM前端处理的运算量,以及计算所需的硬件资源;另外将视觉SLAM前端图像处理的特征提取和特征匹配部分进行了CUDA并行化并调用GPU进行加速,减轻CPU的计算负担,提升处理速度,减小机载处理***的体积、功耗和计算时间,实现无人机的实时视觉SLAM。
附图说明
图1为本发明方法的整体流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
在本实施例中,为减少无人机的体积和载重,选择Nvidia Jetson TX2作为视觉SLAM算法执行机载处理器进行运算和图像处理;Nvidia Jetson TX2核心模块加上载板重量不到300g,大大降低了无人机的载重负荷;同时Nvidia Jetson TX2内含ARM Cortex-A57(四核)和Nvidia Denver2(双核)处理核心、256个CUDA核心Pascal TM架构设计,可以满足本发明的GPU加速的要求。
下面对本实施例提供的基于GPU加速的无人机视觉SLAM方法进行说明,如图1所示,包括以下步骤:
S1.相机图像信息的读取和预处理;所述相机为双目摄像头;其中的预处理为对读取得到的相机图像进行灰度化处理。本实施例选用的双目摄像头的分辨率为752*480,并可以达到60fps的采集频率,基线长度为120mm;
S2.前端任务:采用特征点法估计位姿;包括:相机图像的特征提取和特征匹配,采用ICP算法估算位姿;其中步骤S2中相机图像的特征提取和特征匹配在GUP上进行,所述步骤S2中相机图像的特征提取和特征匹配之后的步骤使用OpenCV实现CUDA并行化;
其中相机图像的特征提取和特征匹配具体包括以下步骤:
S21.对处理后的灰度图构建图像金字塔,并为每层金字塔图像分配应提取的特征点数量;CUDA并行化后,该处使用OpenCV CUDAGpuMat方法对尺度金字塔进行预计算;
S22.进行各层金字塔图像的特征提取:首先对每层金字塔图像进行边界处理,在金字塔图像上划分网格后对每一网格进行特征点提取:选定在所述网格中的任一像素为待检测像素,以待检测像素为圆心,r为半径作一个圆,与该圆相交的共有16个像素,若所述16个像素中有连续12个像素与待检测像素灰度值的差大于预设阈值T,则认为该待检测像素为特征点;其中T设为原点像素灰度值的20%;然后循环检测每一个像素得到所有特征点;CUDA并行化后,对于每层金字塔,都会启动一个CUDA异步内核,以便在块上快速运行;
S23.对步骤S22提取得到的特征点进行剔除与均匀分布的优化;
S24.对于步骤S23得到的任一特征点,定义邻域像素的矩为:
其中I(x,y)为点x,y处的灰度值;
得到金字塔图像的质心为:
θ=arctan(m01/m10)
S25.利用rBRIEF算法计算每个特征点的描述子,实现所述金字塔图像中当前帧与参考帧的特征点匹配;CUDA并行化后,对于每层金字塔,都会启动一个CUDA异步内核来计算关键点的描述子。
其中采用ICP算法估算位姿的具体步骤包括:
通过ICP算法,利用非线性方法估算出帧间位姿变换(R,T),基于特征点的深度信息构建最小二乘问题:
把当前位姿作为优化变量,采用Bundle Adjustment为核心的图优化方法进行优化,通过不断迭代的方法估算当前位姿。
S3.后端优化:本实施例采用了基于图优化的后端优化,由于视觉SLAM的前端视觉里程计仅给出一个短时间内的轨迹和地图,不可避免的会存在着误差,这样随着时间的延长会导致地图不够精确,因此在后端优化中考虑一段更长时间内的状态估计问题,在SLAM中的运动方程和观测方程都是非线性函数,因此在本实施例中采用非线性方法表述此类问题,具体步骤包括:
对于SLAM过程的观测方程,其整体的代价函数为:
其中zij为在位姿ξi处观察路标pj产生的观测数据,eij为观测值与测量值的误差;
对上式的最小二乘进行求解,其中以位姿和路标是优化变量,即通过迭代的方法不断的对位姿和路标进行调整,采用Bundle Adjustment非线性优化方法,不断寻找下降方向Δx以求得上式的最优解,即给优化变量一个增量,并对上式进行一次泰勒展开后简化为:
其中Fij表示整体代价函数在当前状态下对相机姿态的偏导,Eij表示整体代价函数对路标点位置的偏导;
将位姿变量放到一起:
将空间点的变量放到一起:
简化为:
其中Δxc和Δxp分别为所有位姿变量整合到一起的整体增量、空间点的变量整合到一起的整体增量;雅克比矩阵F和E是整体代价函数对所述整体增量的导数;因为后端优化考虑一个更长时间的状态估计,这是一个非常大的矩阵,其中中由每个误差项的导数拼凑起来的;
展开得到增量线性方程:
HΔx=g
使用LM方法求解则:H=JTJ+λI,而J=[FE],g=-J(x)Tf(x);其中I为单位阵,λ为正实数;
此处的H矩阵是一个很大的矩阵,直接求逆非常消耗计算资源,但是该矩阵稀疏矩阵有一定的特殊结构,利用这个矩阵的稀疏性进行边缘化可以加速求解过程。
S4.进行词袋回环检测,构建和优化位姿图;具体包括:
S41.所述步骤S41中图像间相似度的计算步骤为:
基于所述词袋模型并使用TF-IDF算法进行计算:
设训练词典时所有特征数量为n,图像中单词wi数量为ni,则单词的IDF为:
设图像中单词wi出现了ni次,一共出现的单词数为n,则TF为:
得到单词wi的权重为:
ni=TFi×IDFi
对于每一幅图像具有多个特征点,每个特征点分别对应上词典中的某个单词并赋予权重,组成属于该图像的Bag-of-words,其中N为所述词典中的单词数,表示如下:
设另一幅图像的Bag-of-words为υB,则两幅图像的相似度为:
其中N为所述词典中的单词数,υA为一幅图像的Bag-of-words,υB为另一幅图像的Bag-of-words。
其中确定回环关键帧的具体步骤包括:
将与当前帧相连的局部关键帧剔除后遍历所有关键帧;
找出与当前关键帧具有相同单词的关键帧,并统计所有闭环候选帧中与当前关键帧具有共同单词最多的单词数,将最多单词的80%设置为第一阈值;
找出所有单词数超过所述第一阈值,且相似度检测大于相邻关键帧最低分数的关键帧;将其与自己相邻最紧密的前10个关键帧设定为一组;即所述组以每一个关键帧为中心,加上与中心的关键帧相邻的关键帧所形成,一个关键帧出现在一个或多个组内;
计算分组后每组的总得分以及每组得分最高的关键帧,以组得分最高的0.75作为第二阈值,找出高于所述第二阈值的所有组里面得分最高的帧,作为回环关键帧;
S42.根据步骤S41的回环检测结果进行运行轨迹的纠正,构建得到轨迹符合回环检测结果的位姿图。由于位姿的估计往往是一个递推的过程,即由上一帧位姿解算当前帧位姿,因此其中的误差便在这个递推过程中一帧一帧地传递下去,从而造成累计误差。为了消除或减少这里的累积误差,进行运行轨迹的纠正,构建位姿图对位姿进行优化。
其中在本实施例中使用OpenCV实现CUDA并行化,并行化须为CUDA追踪块ID和线程ID。CUDA在同一个代码块中有许多线程,与同一块中的其他线程相比每个线程都有它ID,它们具有唯一标识符,每个代码块都有它拥有唯一的ID,以便每个代码块中的线程不会被意外地视为线程另一个代码块。对于每个块的大小,它可以显示每个块中有多少线程。线程被放置到块中以存储线程跟踪信息,而不需要使用大量内存。
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.基于GPU加速的无人机视觉SLAM方法,其特征在于,包括以下步骤:
S1.相机图像信息的读取和预处理;所述相机为双目摄像头;
S2.前端任务:采用特征点法估计位姿;包括:相机图像的特征提取和特征匹配,采用ICP算法估算位姿;
S3.后端优化:基于图优化的后端优化进而优化位姿;
S4.进行词袋回环检测,构建和优化位姿图;
其中步骤S2中相机图像的特征提取和特征匹配在GPU上进行,所述步骤S2中相机图像的特征提取和特征匹配之后的步骤使用OpenCV实现CUDA并行化;
所述预处理为对读取得到的相机图像进行灰度化处理;
所述步骤S2中相机图像的特征提取和特征匹配具体包括以下步骤:
S21.对处理后的灰度图构建图像金字塔,并为每层金字塔图像分配应提取的特征点数量;CUDA并行化后,该处使用OpenCV CUDAGpuMat方法对尺度金字塔进行预计算;
S22.进行各层金字塔图像的特征提取:首先对每层金字塔图像进行边界处理,在金字塔图像上划分网格后对每一网格进行特征点提取:选定在所述网格中的任一像素为待检测像素,以待检测像素为圆心,r为半径作一个圆,与该圆相交的共有n个像素,若所述n个像素中有连续N个像素与待检测像素灰度值的差大于预设阈值T,则认为该待检测像素为特征点;然后循环检测每一个像素得到所有特征点;CUDA并行化后,对于每层金字塔,都会启动一个CUDA异步内核,以便在块上快速运行;
S23.对步骤S22提取得到的特征点进行剔除与均匀分布的优化;
S24.对于步骤S23得到的任一特征点,定义邻域像素的矩为:
mpq=∑x,yxpyqI(x,y),p,q={0,1}
其中I(x,y)为点x,y处的灰度值;
得到金字塔图像的质心为:
θ=arctan(m01/m10)
S25.利用rBRIEF算法计算每个特征点的描述子,实现所述金字塔图像中当前帧与参考帧的特征点匹配;CUDA并行化后,对于每层金字塔,都会启动一个CUDA异步内核来计算关键点的描述子。
3.根据权利要求2所述的基于GPU加速的无人机视觉SLAM方法,其特征在于,所述步骤S3的具体步骤包括:
对于SLAM过程的观测方程,其整体的代价函数为:
其中zij为在位姿ξi处观察路标pj产生的观测数据,eij为观测值与测量值的误差;
对上式的最小二乘进行求解,其中以位姿和路标是优化变量,采用Bundle Adjustment非线性优化方法,不断寻找下降方向Δx以求得上式的最优解,即给优化变量一个增量,并对上式进行一次泰勒展开后简化为:
其中Fij表示整体代价函数在当前状态下对相机姿态的偏导,Eij表示整体代价函数对路标点位置的偏导;
将位姿变量放到一起:
将空间点的变量放到一起:
简化为:
其中△xc和△xp分别为所有位姿变量整合到一起的整体增量、空间点的变量整合到一起的整体增量;雅克比矩阵F和E是整体代价函数对所述整体增量的导数;
展开得到增量线性方程:
HΔx=g
使用LM方法求解则:H=JTJ+λI,而J=[F E],g=-J(x)Tf(x);
其中I为单位阵,λ为正实数。
4.根据权利要求3所述的基于GPU加速的无人机视觉SLAM方法,其特征在于,所述步骤S4具体包括以下步骤:
S41.利用词袋模型计算图像间的相似度加速回环发生的识别,通过动态计算回环帧筛选阈值,确定回环关键帧;对当前关键帧与回环关键帧计算Sim3变换得到回环检测结果;
S42.根据步骤S41的回环检测结果进行运行轨迹的纠正,构建得到轨迹符合回环检测结果的位姿图。
5.根据权利要求4所述的基于GPU加速的无人机视觉SLAM方法,其特征在于,所述步骤S41中图像间相似度的计算步骤为:
基于所述词袋模型并使用TF-IDF算法进行计算:
设训练词典时所有特征数量为n,图像中单词wi数量为ni,则单词的IDF为:
设图像中单词wi出现了ni次,一共出现的单词数为n,则TF为:
得到单词wi的权重为:
ni=TFi×IDFi
对于每一幅图像具有多个特征点,每个特征点分别对应上词典中的某个单词并赋予权重,组成属于该图像的Bag-of-words,其中N为所述词典中的单词数,表示如下:
设另一幅图像的Bag-of-words为υB,则两幅图像的相似度为:
其中N为所述词典中的单词数,υA为一幅图像的Bag-of-words,υB为另一幅图像的Bag-of-words。
6.根据权利要求5所述的基于GPU加速的无人机视觉SLAM方法,其特征在于,所述步骤S41中确定回环关键帧的具体步骤包括:
将与当前帧相连的局部关键帧剔除后遍历所有关键帧;
找出与当前关键帧具有相同单词的关键帧,并统计所有闭环候选帧中与当前关键帧具有共同单词最多的单词数,将最多单词的80%设置为第一阈值;
找出所有单词数超过所述第一阈值,且相似度检测大于相邻关键帧最低分数的关键帧;将其与自己相邻最紧密的前10个关键帧设定为一组;即所述组以每一个关键帧为中心,加上与中心的关键帧相邻的关键帧所形成,一个关键帧出现在一个或多个组内;
计算分组后每组的总得分以及每组得分最高的关键帧,以组得分最高的0.75作为第二阈值,找出高于所述第二阈值的所有组里面得分最高的帧,作为回环关键帧。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911072718.0A CN111024078B (zh) | 2019-11-05 | 2019-11-05 | 基于gpu加速的无人机视觉slam方法 |
JP2020168209A JP6886212B2 (ja) | 2019-11-05 | 2020-10-05 | Gpuアクセラレーションに基づくドローン視覚slam方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911072718.0A CN111024078B (zh) | 2019-11-05 | 2019-11-05 | 基于gpu加速的无人机视觉slam方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111024078A CN111024078A (zh) | 2020-04-17 |
CN111024078B true CN111024078B (zh) | 2021-03-16 |
Family
ID=70200815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911072718.0A Active CN111024078B (zh) | 2019-11-05 | 2019-11-05 | 基于gpu加速的无人机视觉slam方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6886212B2 (zh) |
CN (1) | CN111024078B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070201A (zh) * | 2020-08-26 | 2020-12-11 | 成都睿芯行科技有限公司 | 一种基于Gmapping提升建图速度的方法 |
CN111898589B (zh) * | 2020-08-26 | 2023-11-14 | 中国水利水电科学研究院 | 一种基于gpu+特征识别的无人机影像快速配准方法 |
CN112233177B (zh) * | 2020-10-10 | 2021-07-30 | 中国安全生产科学研究院 | 一种无人机位姿估计方法及*** |
CN113112394A (zh) * | 2021-04-13 | 2021-07-13 | 北京工业大学 | 一种基于cuda技术的视觉slam前端加速方法 |
CN113076914B (zh) * | 2021-04-16 | 2024-04-12 | 咪咕文化科技有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
CN113313763B (zh) * | 2021-05-26 | 2023-06-23 | 珠海深圳清华大学研究院创新中心 | 一种基于神经网络的单目相机位姿优化方法及装置 |
CN113670268B (zh) * | 2021-08-04 | 2023-08-01 | 国网福建省电力有限公司泉州供电公司 | 基于双目视觉的无人机和电力杆塔距离测量方法 |
CN113961013A (zh) * | 2021-11-10 | 2022-01-21 | 吉林省春城热力股份有限公司 | 一种基于rgb-d slam的无人机路径规划方法 |
CN115586968B (zh) * | 2022-10-12 | 2023-10-27 | 北京斯年智驾科技有限公司 | 一种icp并行加速计算方法、***、终端及介质 |
CN116883502B (zh) * | 2023-09-05 | 2024-01-09 | 深圳市智绘科技有限公司 | 相机位姿和路标点位置的确定方法、装置、介质及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345382A (zh) * | 2013-07-15 | 2013-10-09 | 郑州师范学院 | 一种cpu+gpu群核超算***及sift特征匹配并行计算方法 |
CN105550974A (zh) * | 2015-12-13 | 2016-05-04 | 复旦大学 | 基于gpu的图像特征提取算法的加速方法 |
CN106648901A (zh) * | 2016-12-29 | 2017-05-10 | 广东工业大学 | 一种多通道信号相关性分析方法及*** |
CN107680133A (zh) * | 2017-09-15 | 2018-02-09 | 重庆邮电大学 | 一种基于改进闭环检测算法的移动机器人视觉slam方法 |
CN108664348A (zh) * | 2018-05-08 | 2018-10-16 | 广东工业大学 | 一种基于cuda的快速变点检测方法、装置及存储介质 |
CN109063665A (zh) * | 2018-08-13 | 2018-12-21 | 广东工业大学 | 一种遥感图像的解混方法、***及相关组件 |
CN109165680A (zh) * | 2018-08-01 | 2019-01-08 | 东南大学 | 基于视觉slam的室内场景下单一目标物体字典模型改进方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019003910A1 (ja) * | 2017-06-27 | 2019-01-03 | ソニー株式会社 | 画像処理装置、画像処理方法、およびプログラム |
-
2019
- 2019-11-05 CN CN201911072718.0A patent/CN111024078B/zh active Active
-
2020
- 2020-10-05 JP JP2020168209A patent/JP6886212B2/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345382A (zh) * | 2013-07-15 | 2013-10-09 | 郑州师范学院 | 一种cpu+gpu群核超算***及sift特征匹配并行计算方法 |
CN105550974A (zh) * | 2015-12-13 | 2016-05-04 | 复旦大学 | 基于gpu的图像特征提取算法的加速方法 |
CN106648901A (zh) * | 2016-12-29 | 2017-05-10 | 广东工业大学 | 一种多通道信号相关性分析方法及*** |
CN107680133A (zh) * | 2017-09-15 | 2018-02-09 | 重庆邮电大学 | 一种基于改进闭环检测算法的移动机器人视觉slam方法 |
CN108664348A (zh) * | 2018-05-08 | 2018-10-16 | 广东工业大学 | 一种基于cuda的快速变点检测方法、装置及存储介质 |
CN109165680A (zh) * | 2018-08-01 | 2019-01-08 | 东南大学 | 基于视觉slam的室内场景下单一目标物体字典模型改进方法 |
CN109063665A (zh) * | 2018-08-13 | 2018-12-21 | 广东工业大学 | 一种遥感图像的解混方法、***及相关组件 |
Non-Patent Citations (7)
Title |
---|
CUDA和OpenCV图像并行处理方法研究;刘鑫等;《测绘科学》;20120731;第37卷(第4期);123-125 * |
一种用于图像拼接的改进ORB算法;王健等;《液晶与显示》;20180630;第33卷(第6期);正文第21-22页 * |
基于几何特征回环检测的RGB-D SLAM算法研究;孙文池;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190215(第2期);摘要,正文1-4,9,12-13,16-22,40,47页 * |
基于嵌入式并行处理的视觉惯导SLAM算法研究;张建越;《中国优秀硕士学位论文全文数据库信息科技辑》;20190115(第1期);I138-2342 * |
基于视觉的机器人室内定位算法研究与嵌入式实现;窦赫暄;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180215(第2期);I138-1965 * |
孙文池.基于几何特征回环检测的RGB-D SLAM算法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2019,(第2期), * |
面向地-空机器人协同的SLAM技术研究及实验平台构建;张特;《中国优秀硕士学位论文全文数据库信息科技辑》;20180915(第9期);正文第26-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111024078A (zh) | 2020-04-17 |
JP6886212B2 (ja) | 2021-06-16 |
JP2021077353A (ja) | 2021-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111024078B (zh) | 基于gpu加速的无人机视觉slam方法 | |
Gehrig et al. | End-to-end learning of representations for asynchronous event-based data | |
CN112634451B (zh) | 一种融合多传感器的室外大场景三维建图方法 | |
Chaurasia et al. | Linknet: Exploiting encoder representations for efficient semantic segmentation | |
Wu et al. | Vision-based real-time aerial object localization and tracking for UAV sensing system | |
CN110533687B (zh) | 多目标三维轨迹跟踪方法及装置 | |
Nguyen et al. | HOOFR SLAM system: An embedded vision SLAM algorithm and its hardware-software mapping-based intelligent vehicles applications | |
Zhang et al. | Weakly aligned feature fusion for multimodal object detection | |
CN103440667A (zh) | 一种遮挡状态下运动目标稳定追踪的自动装置 | |
Liu et al. | Learning optical flow and scene flow with bidirectional camera-lidar fusion | |
Gökçe et al. | Recognition of dynamic objects from UGVs using Interconnected Neuralnetwork-based Computer Vision system | |
CN106408593A (zh) | 一种基于视频的车辆跟踪方法及装置 | |
Sinha et al. | Human activity recognition from UAV videos using a novel DMLC-CNN model | |
CN105335717A (zh) | 基于智能移动终端视频抖动分析的人脸识别*** | |
Lu et al. | Hybrid deep learning based moving object detection via motion prediction | |
CN116734834A (zh) | 应用于动态场景的定位建图方法、装置和智能设备 | |
Piekenbrock et al. | Automated aerial refueling: Parallelized 3D iterative closest point: Subject area: Guidance and control | |
Li et al. | Fast-Poly: A Fast Polyhedral Framework For 3D Multi-Object Tracking | |
Wu et al. | Real-time visual tracking via incremental covariance model update on Log-Euclidean Riemannian manifold | |
Voronin et al. | Real‐time deep learning semantic segmentation for 3-D augmented reality | |
Wu et al. | A Multi-Target Tracking and Positioning Technology for UAV Based on Siamrpn Algorithm | |
Zhu et al. | Mobile Robot Tracking Method Based on Improved YOLOv8 Pedestrian Detection Algorithm | |
Mone et al. | Machine Learning Based Computer Vision Application for Visually Disabled People | |
Ma et al. | Localization and Mapping Method Based on Multimodal Information Fusion and Deep Learning for Dynamic Object Removal | |
Ouerghi et al. | CUDA-based SeqSLAM for real-time place recognition |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Fei Zhijie Inventor after: Meng Wei Inventor after: Lu Renquan Inventor after: Cai Qianqian Inventor before: Fei Zhijie Inventor before: Meng Wei Inventor before: Lu Renquan Inventor before: Fu Min Yue Inventor before: Cai Qianqian |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |