CN111369608A - 一种基于图像深度估计的视觉里程计方法 - Google Patents
一种基于图像深度估计的视觉里程计方法 Download PDFInfo
- Publication number
- CN111369608A CN111369608A CN202010478460.0A CN202010478460A CN111369608A CN 111369608 A CN111369608 A CN 111369608A CN 202010478460 A CN202010478460 A CN 202010478460A CN 111369608 A CN111369608 A CN 111369608A
- Authority
- CN
- China
- Prior art keywords
- image
- depth
- estimation
- loss
- pose
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 230000001537 neural effect Effects 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect 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
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像深度估计的视觉里程计方法,针对单目视觉里程计中常见的尺度模糊问题,提出了将深度图像与单目图像结合实现尺度一致性约束的算法思想。在网络结构设计中,将长短时记忆单元融合到卷积神经单元中,利用单目图像进行深度估计网络的训练,在损失函数中不仅引入了光度一致性损失,还加入了平滑度损失的计算,以捕捉更多的图像特征,生成更为精确的深度图像。再结合估计的深度图像与原始的单目图像实现尺度一致性约束,进行位姿估计网络的训练并分别对深度估计网络和位姿估计网络进行了实验以及结果分析,其结果表明了结合深度图像估计的视觉里程计能够在一定程度上解决单目视觉里程计中的尺度模糊问题。
Description
技术领域
本发明涉及视觉里程计技术领域,具体为一种基于图像深度估计的视觉里程计方法。
背景技术
单目的视觉里程计(即从单视图的图像序列对车辆、机器人进行自运动估计)采用的输入是RGB图像,但在计算机视觉与机器人领域,深度图像(Depth Map)信息的使用也为各种应用,如自动驾驶、虚拟现实VR、增强现实AR应用等提供了至关重要的信息。所谓深度图像,又名距离图像(Range Image)就是指包含与视点场景中与对象表面的距离信息的图像或图像通道,其像素值代表的是传感器距离物体的实际距离。传统的单目视觉里程计在进行位姿估计时,与双目视觉里程计相比有一大非常明显的缺陷,就是尺度模糊(ScaleAmbiguity)问题。尺度模糊就是指单目视觉里程计仅仅通过特征之间的相关性无法判断平移运动的具体长度,也就是尺度因子。大多数已有的解决这一问题的方法,就是融合图像测量信息与其它传感器信息,如融合惯导信息(Inertial Navigation System,INS),GNSS传感器信息等。虽然额外使用其它传感器虽然能够解决尺度模糊问题,但是这样的方法打破了单目视觉里程计结构的一个最大优点——体积小,成本低。
传统的深度估计方法通常是手工测算的阶段式***,依靠关联性搜索和多视角几何约束进行估计。而近年来卷积神经网络CNN开始应用于深度估计,且计算出的结果与传统几何方法估计出的结果质量相当,甚至能够通过学习先验信息在比较模糊的区域获取更加完整的结果。但是,大部分基于卷积神经网络CNN的方法只将深度估计作为一个单视图的任务,而忽略了在单目或双目视频中重要的时序信息。单视角的深度估计方法的基本原理是人类通过单个图像感知深度的可能性,但却忽略了对于人类来说,推断距离时更重要的是运动。并且在单目视觉里程计中进行几何图像重建时,存在的运动目标会影响场景的静态假设,从而影响性能。因此本发明提出了一种方案,通过采集到的RGB图像进行深度图像估计,将得到的深度图像与RGB图像相结合输入到深度神经网络中以得到一个6自由度的相机位姿估计,并随后转换成4×4的位姿变换矩阵。根据得到的连续两帧之间的位姿转换矩阵和估计的前一帧深度图像计算下一帧的深度图像,并与深度估计网络输出是下一帧的深度图像相对比,作为模型中用于实现尺度一致性的几何损失约束。接下来的部分主要介绍了该方案的模型设计及其具体实现,实验结果等工作。
发明内容
1.网络架构设计
网络架构包括单目深度图像的神经网络和单目RGB图像,通过使用单目的图像帧序列对深度图像估计网络和自运动估计网络进行训练,实现尺度一致性约束,整体流程是:
2. 深度估计网络
深度估计网络运用了自编码-解码的U型网络架构,如图2所示。本发明将循环神经单元与编码器单元融合组成长短时记忆单元,作为网络的自编码部分,从而实现同时利用空间信息和时间信息;由编码器计算得到的空间-时间特征随后输入到解码器网络中进行精确的深度图像估计与重建,解码器的部分使用跳接的方法来融合来自编码器不同层级的低等级特征表示,图3展示了用于深度估计的神经网络架构的具体参数设置。
3.位姿估计网络
用于位姿估计的神经网络使用的是VGG16卷积神经网络架构并融合循环神经单元进行设计,视觉里程计网络的特点有:1)该方案中视觉里程计的输入包含了当前帧的深度图像信息,保证了深度与位姿之间场景的尺度一致性;2)视觉里程计采用的输入是单个时间点所对应的图像帧与深度图像的联合表示,前一帧的信息均存放在隐藏层中;3)视觉里程计网络在整个图像序列上运行时能够维持同一个场景尺度。
4.损失函数
计算预测的深度图像和已知的深度图像数据之间的光度一致性损失,对深度估计神经网络进行有监督的训练;光度损失在低纹理环境中提供的信息量较少,在进行深度估计时还加入了平滑度损失的计算;在视觉里程计的部分,网络估计的位姿信息与数据集中提供的真值信息进行位姿估计损失的计算,实现位姿估计网络的监督训练;引入几何一致性损失,将前一帧估计的深度图像根据位姿变换矩阵进行扭转变换,并计算与估计的下一帧深度图像之间的差异;整体的目标损失函数计算如下所示:
其中则分别代表光度一致性损失和平滑度损失,表示位姿
估计损失,表示几何一致性损失;为了平衡各损失计算结果的尺度和大小,为每个类别
的损失的计算添加了对应的权重参数;还添加了参数来控制深度图像的平滑程度。
4.1光度一致性损失与平滑度损失
稠密关联算法中使用的亮度一致性和空间平滑先验,对估计的深度图像与真实采集的深度图像信息进行光度差异的计算,并作为网络训练的损失函数,光度一致性损失函数的计算公式进行如下表示:
其中,表示图像中像素点的数目,V则表示图像中所有像素点的集合;在该损失函数的计算中选择了L1范数损失函数;L1范数损失函数也叫作最小绝对值偏差或最小绝对值误差,计算的是估计值与目标值之间的差值绝对值的总和,并使其最小化;与计算差值的平方和的L2范数损失函数相比,L1损失函数的计算方法在处理异常值时有着更加良好的鲁棒性,在该光度一致性差异中L1范数损失可按照如下公式进行计算:
光度损失在场景均匀分布、纹理较少时提供的信息量较少,需要通过计算多重差异来产生较多信息,引入了平滑度损失的计算,使网络能够更加敏感地感知图像中的边缘信息,以保证输出结果在低纹理环境下的准确率;平滑度损失的计算公式如下所示:
4.2位姿估计损失
位姿估计损失,将估计的绝对位姿以六维向量的形式表示,该六
维位姿向量由表示位置的三维向量和表示姿态的三维向量
两个部分组成;将提供的真值位姿向量和与估计的位姿向量进
行拟合,计算两者之间的误差作为位姿估计的损失函数:
4.3 几何一致性损失
几何一致性损失,对预测的结果进行了几何一致性的增强,要求相邻时刻两帧的深度图像和符合同一场景架构,并将两者之间的差异最小化;能够提高同一批训练的样本图像之间的几何一致性,通过其传递性实现整个图像序列的几何一致性,例如同一训练批次中It与It+1的深度图像保持一致,而It+1与It+2的深度图像在另一个训练批次中相一致,那么It与It+2虽然不一定在同一个训练批次中,也能够保证其深度图像的一致性,实现了整个图像序列的深度图像的一致性;在训练过程中位姿估计网络与深度估计网络是自然耦合的,能够在整个图像序列生成尺度一致的预测结果;根据这一约束,进行相邻帧的深度图像不一致性的计算,对于深度图像中任一像素点P,相邻帧的深度图像差其公式定义如下:
其中,表示的是通过深度估计神经网络计算出的t+1时刻图像帧对应的深度图像,表示的是深度估计神经网络对t时刻图像帧进行深度图像估计得到,并根据自运动估计神经网络输出的当前时刻到下一时刻的位姿变换矩阵对进行变换后的深度图像,即
由于相机在不断运动,采集到的图像场景是在不断变化的,通过对深度图像进行裁剪保证计算不一致性像素点的有效性,每个像素点对应算出的进行求和,规范深度图像的计算差异;在优化时将不同绝对深度的点进行同等处理,使其比计算绝对距离更加直观;并且该函数是一个对称函数,函数的值域在0到1之间,有助于保证训练数值的稳定性;根据上述的不一致性映射,提出的几何一致性损失定义如下:
其中V表示对深度图像进行矩阵变换计算并裁剪后的所有像素点,表示V中像素点的数量;该公式算法通过最小化预测深度的几何距离来保证相邻图像对之间尺度一致性,并通过训练,将一致性传播到整个图像序列之中。自运动估计网络与深度估计网络之间存在紧密的联系,自运动估计网络最终能够预测出全局范围内尺度一致的轨迹。
有益效果
本发明公开了一种基于图像深度估计的视觉里程计方法,针对单目视觉里程计中常见的尺度模糊问题,提出了将深度图像与单目图像结合实现尺度一致性约束的算法思想。在网络结构设计中,将长短时记忆单元融合到卷积神经单元中,利用单目图像进行深度估计网络的训练,在损失函数中不仅引入了光度一致性损失,还加入了平滑度损失的计算,以捕捉更多的图像特征,生成更为精确的深度图像。再结合估计的深度图像与原始的单目图像实现尺度一致性约束,进行位姿估计网络的训练并分别对深度估计网络和位姿估计网络进行了实验以及结果分析,其结果表明了结合深度图像估计的视觉里程计能够在一定程度上解决单目视觉里程计中的尺度模糊问题。
附图说明
图1 为结合深度图像估计的视觉里程计网络架构图。
图2 为深度估计网络的架构设计图。
图3 为深度估计网络的参数设置图。
图4 为位姿估计网络架构图。
图5 为位姿估计网络的参数设置图。
图6为Eigen分割数据集下的测试结果图。
图7为KITTI Odometry数据集下的测试结果图。
图8为序列01位姿估计网络模型在各序列的轨迹重建结果图。
图9为序列05位姿估计网络模型在各序列的轨迹重建结果图。
图10为序列09位姿估计网络模型在各序列的轨迹重建结果图。
具体实施方式
1.数据集介绍
本发明将展示实验结果提出的框架性能进行分析评估,并与现有的一些工作进行深度估计与视觉里程计位姿估计的比较。***主要在KITTI原始数据集(raw data)上进行训练,该数据集的采集频率为10Hz,其中包括原始的双目彩色和灰度图像序列(未进行同步和校正)和经过同步和校正处理后的双目彩色和灰度图像序列,3D点云地图信息(每帧对应约有10万个点,以二进制浮点矩阵的形式存储)、3D GPS/IMU数据信息(存储有定位信息、速度、加速度、元信息的txt文件)、相关的相机标定信息以及3D物体的标签信息。整个数据集中共有61个视频序列。进行单目深度图像估计网络的实验时,同时参照了Eigen数据集分割方法和KITTI Odometry数据集分割方法。在进行视觉里程计部分的性能评估时,实验基于KITTIOdometry的数据集,同时结合数据集中的图像与深度估计网络生成的深度图像进行网络模型训练。并且要注意的是Eigen分割数据集与Odometry数据集之间有相互重叠的部分,两种分割方法的如下所述。
数据集分割法
在Eigen等人的工作中,一共从28个图像序列中选择了697张帧图像作为单目深度估计的测试集。其余的33个场景序列,共23488帧双目图像对作为训练集,将双目图像分别作为两个单目相机采集的图像。由于图像重投影损失是由运动时的视差造成的,因此在数据准备阶段将所有与基线运动s小于0.3米的静态帧图像丢弃。
Odometry数据集中共有11个包含相机位姿真值数据的图像序列。在进行位姿估计网络的评估时,将数据集中00-08(不包含03)图像序列作为训练数据集,09-10图像序列作为测试评估的数据集。
3.实验结果与分析
图6分别展示了输入不同图像后输出的深度估计图像的结果,可以看出在不同的场景中模型均能输出较为精确的深度估计结果。为了展现模型较高的鲁棒性,图7中分别输入两张相同场景中同一物体处于不同光照条件下的图像(图中圈出的车辆在两张图像中分别处在阳光照射和树木阴影遮挡的条件下),对应的输出结果表明模型能够在不同的光照条件下依然能够精确地检测出图像中的物体。
在对深度估计神经网络进行性能评估并与其他已有的方法进行比较时,同时使用了Eigen分割和KITTI分割两种测试集分割方法。对比指标分为误差指标部分和精度指标部分,误差指标部分包括绝对相对误差Abs Rel,平方相对误差Sq Rel,均方根误差RMSE以及均方根对数误差RMSE log,误差值越小表示性能越好;精度指标部分包括值越大性能越好。在KITTI分割方法中,测试数据集共包含从28个不同场景中采集的200张图像,每张图像都有对应的真值数据。图6和图7分别展示了深度估计网络在Eigen分割数据集和KITTIOdometry数据集下的测试结果,并与现有的方法进行了对比。
在进行深度估计网络训练之后,结合其输出的深度图像与原始的RGB图像对位姿估计网络,即视觉里程计部分进行模型训练。图8-10展示了最后的轨迹重建效果,其结果表明了结合深度图像估计的视觉里程计能够在一定程度上解决单目视觉里程计中的尺度模糊问题。
需要说明的是,在本发明中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
2.根据权利要求1所述的一种基于图像深度估计的视觉里程计方法,其特征在于:深度估计网络运用了自编码-解码的U型网络架构,将循环神经单元与编码器单元融合组成长短时记忆单元,作为网络的自编码部分,实现同时利用空间信息和时间信息;由编码器计算得到的空间-时间特征,输入到解码器网络中进行精确的深度图像估计与重建,解码器的部分使用跳接的方法来融合来自编码器不同层级的低等级特征表示。
3.根据权利要求1所述的一种基于图像深度估计的视觉里程计方法,其特征在于:用于位姿估计的神经网络使用的是VGG16卷积神经网络架构并融合循环神经单元进行设计,视觉里程计网络的特点有:1)视觉里程计的输入包含了当前帧的深度图像信息,保证了深度与位姿之间场景的尺度一致性;2)视觉里程计采用的输入是单个时间点所对应的图像帧与深度图像的联合表示,前一帧的信息均存放在隐藏层中;3)视觉里程计网络在整个图像序列上运行时能够维持同一个场景尺度。
4.根据权利要求1所述的一种基于图像深度估计的视觉里程计方法,其特征在于:计算预测的深度图像和已知的深度图像数据之间的光度一致性损失,对深度估计神经网络进行有监督的训练;光度损失在低纹理环境中提供的信息量较少,在进行深度估计时还加入了平滑度损失的计算;在视觉里程计的部分,网络估计的位姿信息与数据集中提供的真值信息进行位姿估计损失的计算,实现位姿估计网络的监督训练;引入几何一致性损失,将前一帧估计的深度图像根据位姿变换矩阵进行扭转变换,并计算与估计的下一帧深度图像之间的差异;整体的目标损失函数计算如下所示:
5.根据权利要求4所述的一种基于图像深度估计的视觉里程计方法,其特征在于:光度一致性损失与平滑度损失,稠密关联算法中使用的亮度一致性和空间平滑先验,对估计的深度图像与真实采集的深度图像信息进行光度差异的计算,并作为网络训练的损失函数,光度一致性损失函数的计算公式进行如下表示:
其中,表示图像中像素点的数目,V则表示图像中所有像素点的集合;在该损失函数的计算中选择了L1范数损失函数;L1范数损失函数也叫作最小绝对值偏差或最小绝对值误差,计算的是估计值与目标值之间的差值绝对值的总和,并使其最小化;与计算差值的平方和的L2范数损失函数相比,L1损失函数的计算方法在处理异常值时有着更加良好的鲁棒性,在该光度一致性差异中L1范数损失可按照如下公式进行计算:
光度损失在场景均匀分布、纹理较少时提供的信息量较少,需要通过计算多重差异来产生较多信息,引入了平滑度损失的计算,使网络能够更加敏感地感知图像中的边缘信息,以保证输出结果在低纹理环境下的准确率;平滑度损失的计算公式如下所示:
7.根据权利要求4所述的一种基于图像深度估计的视觉里程计方法,其特征在于:几何一致性损失,对预测的结果进行了几何一致性的增强,要求相邻时刻两帧的深度图像和符合同一场景架构,并将两者之间的差异最小化;能够提高同一批训练的样本图像之间的几何一致性,通过其传递性实现整个图像序列的几何一致性,例如同一训练批次中It与It+1的深度图像保持一致,而It+1与It+2的深度图像在另一个训练批次中相一致,那么It与It+2虽然不一定在同一个训练批次中,也能够保证其深度图像的一致性,实现了整个图像序列的深度图像的一致性;在训练过程中位姿估计网络与深度估计网络是自然耦合的,能够在整个图像序列生成尺度一致的预测结果;根据这一约束,进行相邻帧的深度图像不一致性的计算,对于深度图像中任一像素点P,相邻帧的深度图像差其公式定义如下:
其中,表示的是通过深度估计神经网络计算出的t+1时刻图像帧对应的深度图像,表示的是深度估计神经网络对t时刻图像帧进行深度图像估计得到,并根据自运动估计神经网络输出的当前时刻到下一时刻的位姿变换矩阵对进行变换后的深度图像,即
由于相机在不断运动,采集到的图像场景是在不断变化的,通过对深度图像进行裁剪保证计算不一致性像素点的有效性,每个像素点对应算出的相邻帧的深度图像差进行求和,规范深度图像的计算差异;在优化时将不同绝对深度的点进行同等处理,使其比计算绝对距离更加直观;并且该函数是一个对称函数,函数的值域在0到1之间,有助于保证训练数值的稳定性;根据上述的不一致性映射,提出的几何一致性损失定义如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010478460.0A CN111369608A (zh) | 2020-05-29 | 2020-05-29 | 一种基于图像深度估计的视觉里程计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010478460.0A CN111369608A (zh) | 2020-05-29 | 2020-05-29 | 一种基于图像深度估计的视觉里程计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111369608A true CN111369608A (zh) | 2020-07-03 |
Family
ID=71211134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010478460.0A Pending CN111369608A (zh) | 2020-05-29 | 2020-05-29 | 一种基于图像深度估计的视觉里程计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369608A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899280A (zh) * | 2020-07-13 | 2020-11-06 | 哈尔滨工程大学 | 采用深度学习和混合型位姿估计的单目视觉里程计方法 |
CN112052626A (zh) * | 2020-08-14 | 2020-12-08 | 杭州未名信科科技有限公司 | 一种神经网络自动设计***和方法 |
CN112102399A (zh) * | 2020-09-11 | 2020-12-18 | 成都理工大学 | 一种基于生成式对抗网络的视觉里程计算法 |
CN112150531A (zh) * | 2020-09-29 | 2020-12-29 | 西北工业大学 | 一种鲁棒的自监督学习单帧图像深度估计方法 |
CN112184611A (zh) * | 2020-11-03 | 2021-01-05 | 支付宝(杭州)信息技术有限公司 | 图像生成模型训练方法以及装置 |
CN112308918A (zh) * | 2020-10-26 | 2021-02-02 | 杭州电子科技大学 | 一种基于位姿解耦估计的无监督单目视觉里程计方法 |
CN112561978A (zh) * | 2020-12-18 | 2021-03-26 | 北京百度网讯科技有限公司 | 深度估计网络的训练方法、图像的深度估计方法、设备 |
CN112819853A (zh) * | 2021-02-01 | 2021-05-18 | 太原理工大学 | 一种基于语义先验的视觉里程计方法 |
CN113012191A (zh) * | 2021-03-11 | 2021-06-22 | 中国科学技术大学 | 一种基于点云多视角投影图的激光里程计算法 |
CN113160294A (zh) * | 2021-03-31 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 图像场景深度的估计方法、装置、终端设备和存储介质 |
CN113538335A (zh) * | 2021-06-09 | 2021-10-22 | 香港中文大学深圳研究院 | 一种无线胶囊内窥镜的体内相对定位方法和装置 |
CN113570658A (zh) * | 2021-06-10 | 2021-10-29 | 西安电子科技大学 | 基于深度卷积网络的单目视频深度估计方法 |
CN114463420A (zh) * | 2022-01-29 | 2022-05-10 | 北京工业大学 | 一种基于注意力卷积神经网络的视觉里程计算法 |
CN114526728A (zh) * | 2022-01-14 | 2022-05-24 | 浙江大学 | 一种基于自监督深度学习的单目视觉惯导定位方法 |
CN114663509A (zh) * | 2022-03-23 | 2022-06-24 | 北京科技大学 | 一种关键点热力图引导的自监督单目视觉里程计方法 |
CN114998411A (zh) * | 2022-04-29 | 2022-09-02 | 中国科学院上海微***与信息技术研究所 | 结合时空增强光度损失的自监督单目深度估计方法和装置 |
WO2023109221A1 (zh) * | 2021-12-14 | 2023-06-22 | 北京地平线信息技术有限公司 | 确定单应性矩阵的方法、装置、介质、设备和程序产品 |
WO2023165093A1 (zh) * | 2022-03-01 | 2023-09-07 | 上海商汤智能科技有限公司 | 视觉惯性里程计模型的训练方法、位姿估计方法、装置、电子设备、计算机可读存储介质及程序产品 |
CN117197229A (zh) * | 2023-09-22 | 2023-12-08 | 北京科技大学顺德创新学院 | 一种基于亮度对齐的多阶段估计单目视觉里程计方法 |
WO2024012405A1 (zh) * | 2022-07-11 | 2024-01-18 | 华为技术有限公司 | 一种标定方法及装置 |
CN117456531A (zh) * | 2023-12-25 | 2024-01-26 | 乐山职业技术学院 | 多视图纯旋转异常识别和自动标记训练方法、设备和介质 |
-
2020
- 2020-05-29 CN CN202010478460.0A patent/CN111369608A/zh active Pending
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899280A (zh) * | 2020-07-13 | 2020-11-06 | 哈尔滨工程大学 | 采用深度学习和混合型位姿估计的单目视觉里程计方法 |
CN111899280B (zh) * | 2020-07-13 | 2023-07-25 | 哈尔滨工程大学 | 采用深度学习和混合型位姿估计的单目视觉里程计方法 |
CN112052626B (zh) * | 2020-08-14 | 2024-01-19 | 杭州未名信科科技有限公司 | 一种神经网络自动设计***和方法 |
CN112052626A (zh) * | 2020-08-14 | 2020-12-08 | 杭州未名信科科技有限公司 | 一种神经网络自动设计***和方法 |
CN112102399A (zh) * | 2020-09-11 | 2020-12-18 | 成都理工大学 | 一种基于生成式对抗网络的视觉里程计算法 |
CN112102399B (zh) * | 2020-09-11 | 2022-07-19 | 成都理工大学 | 一种基于生成式对抗网络的视觉里程计算法 |
CN112150531A (zh) * | 2020-09-29 | 2020-12-29 | 西北工业大学 | 一种鲁棒的自监督学习单帧图像深度估计方法 |
CN112308918B (zh) * | 2020-10-26 | 2024-03-29 | 杭州电子科技大学 | 一种基于位姿解耦估计的无监督单目视觉里程计方法 |
CN112308918A (zh) * | 2020-10-26 | 2021-02-02 | 杭州电子科技大学 | 一种基于位姿解耦估计的无监督单目视觉里程计方法 |
CN112184611A (zh) * | 2020-11-03 | 2021-01-05 | 支付宝(杭州)信息技术有限公司 | 图像生成模型训练方法以及装置 |
CN112561978A (zh) * | 2020-12-18 | 2021-03-26 | 北京百度网讯科技有限公司 | 深度估计网络的训练方法、图像的深度估计方法、设备 |
CN112561978B (zh) * | 2020-12-18 | 2023-11-17 | 北京百度网讯科技有限公司 | 深度估计网络的训练方法、图像的深度估计方法、设备 |
CN112819853A (zh) * | 2021-02-01 | 2021-05-18 | 太原理工大学 | 一种基于语义先验的视觉里程计方法 |
CN112819853B (zh) * | 2021-02-01 | 2023-07-25 | 太原理工大学 | 一种基于语义先验的视觉里程计方法 |
CN113012191B (zh) * | 2021-03-11 | 2022-09-02 | 中国科学技术大学 | 一种基于点云多视角投影图的激光里程计算法 |
CN113012191A (zh) * | 2021-03-11 | 2021-06-22 | 中国科学技术大学 | 一种基于点云多视角投影图的激光里程计算法 |
CN113160294A (zh) * | 2021-03-31 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 图像场景深度的估计方法、装置、终端设备和存储介质 |
CN113538335A (zh) * | 2021-06-09 | 2021-10-22 | 香港中文大学深圳研究院 | 一种无线胶囊内窥镜的体内相对定位方法和装置 |
CN113570658A (zh) * | 2021-06-10 | 2021-10-29 | 西安电子科技大学 | 基于深度卷积网络的单目视频深度估计方法 |
WO2023109221A1 (zh) * | 2021-12-14 | 2023-06-22 | 北京地平线信息技术有限公司 | 确定单应性矩阵的方法、装置、介质、设备和程序产品 |
CN114526728B (zh) * | 2022-01-14 | 2023-12-05 | 浙江大学 | 一种基于自监督深度学习的单目视觉惯导定位方法 |
CN114526728A (zh) * | 2022-01-14 | 2022-05-24 | 浙江大学 | 一种基于自监督深度学习的单目视觉惯导定位方法 |
CN114463420A (zh) * | 2022-01-29 | 2022-05-10 | 北京工业大学 | 一种基于注意力卷积神经网络的视觉里程计算法 |
WO2023165093A1 (zh) * | 2022-03-01 | 2023-09-07 | 上海商汤智能科技有限公司 | 视觉惯性里程计模型的训练方法、位姿估计方法、装置、电子设备、计算机可读存储介质及程序产品 |
CN114663509A (zh) * | 2022-03-23 | 2022-06-24 | 北京科技大学 | 一种关键点热力图引导的自监督单目视觉里程计方法 |
CN114998411B (zh) * | 2022-04-29 | 2024-01-09 | 中国科学院上海微***与信息技术研究所 | 结合时空增强光度损失的自监督单目深度估计方法和装置 |
CN114998411A (zh) * | 2022-04-29 | 2022-09-02 | 中国科学院上海微***与信息技术研究所 | 结合时空增强光度损失的自监督单目深度估计方法和装置 |
WO2024012405A1 (zh) * | 2022-07-11 | 2024-01-18 | 华为技术有限公司 | 一种标定方法及装置 |
CN117197229A (zh) * | 2023-09-22 | 2023-12-08 | 北京科技大学顺德创新学院 | 一种基于亮度对齐的多阶段估计单目视觉里程计方法 |
CN117197229B (zh) * | 2023-09-22 | 2024-04-19 | 北京科技大学顺德创新学院 | 一种基于亮度对齐的多阶段估计单目视觉里程计方法 |
CN117456531A (zh) * | 2023-12-25 | 2024-01-26 | 乐山职业技术学院 | 多视图纯旋转异常识别和自动标记训练方法、设备和介质 |
CN117456531B (zh) * | 2023-12-25 | 2024-03-19 | 乐山职业技术学院 | 多视图纯旋转异常识别和自动标记训练方法、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369608A (zh) | 一种基于图像深度估计的视觉里程计方法 | |
Shamwell et al. | Unsupervised deep visual-inertial odometry with online error correction for RGB-D imagery | |
CN111311666B (zh) | 一种融合边缘特征和深度学习的单目视觉里程计方法 | |
CN108961327B (zh) | 一种单目深度估计方法及其装置、设备和存储介质 | |
CN107945204B (zh) | 一种基于生成对抗网络的像素级人像抠图方法 | |
US20210142095A1 (en) | Image disparity estimation | |
US20180308240A1 (en) | Method for estimating the speed of movement of a camera | |
CN110689562A (zh) | 一种基于生成对抗网络的轨迹回环检测优化方法 | |
US11082633B2 (en) | Method of estimating the speed of displacement of a camera | |
CN110675418A (zh) | 一种基于ds证据理论的目标轨迹优化方法 | |
CN113272713B (zh) | 用于执行自改进的视觉测程法的***和方法 | |
Shamwell et al. | Vision-aided absolute trajectory estimation using an unsupervised deep network with online error correction | |
CN112233179B (zh) | 一种视觉里程计测量方法 | |
Chen et al. | A stereo visual-inertial SLAM approach for indoor mobile robots in unknown environments without occlusions | |
CN111998862A (zh) | 一种基于bnn的稠密双目slam方法 | |
CN112184767A (zh) | 对运动物体进行轨迹跟踪的方法、装置、设备及存储介质 | |
CN117274515A (zh) | 基于ORB和NeRF映射的视觉SLAM方法及*** | |
CN117367427A (zh) | 一种适用于室内环境中的视觉辅助激光融合IMU的多模态slam方法 | |
CN103839280B (zh) | 一种基于视觉信息的人体姿态跟踪方法 | |
CN116188550A (zh) | 一种基于几何约束的自监督深度视觉里程计 | |
Yuan et al. | RGB-D DSO: Direct sparse odometry with RGB-D cameras for indoor scenes | |
Koch | Automatic reconstruction of buildings from stereoscopic image sequences | |
CN115482252A (zh) | 基于运动约束的slam闭环检测和位姿图优化方法 | |
Pirvu et al. | Depth distillation: unsupervised metric depth estimation for UAVs by finding consensus between kinematics, optical flow and deep learning | |
CN112731503A (zh) | 一种基于前端紧耦合的位姿估计方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |