CN112381939A - 一种视觉slam方法、装置、机器人及存储介质 - Google Patents

一种视觉slam方法、装置、机器人及存储介质 Download PDF

Info

Publication number
CN112381939A
CN112381939A CN202011352975.2A CN202011352975A CN112381939A CN 112381939 A CN112381939 A CN 112381939A CN 202011352975 A CN202011352975 A CN 202011352975A CN 112381939 A CN112381939 A CN 112381939A
Authority
CN
China
Prior art keywords
target object
preset type
determining
line
characteristic
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
Application number
CN202011352975.2A
Other languages
English (en)
Inventor
李昂
郭盖华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen LD Robot Co Ltd
Original Assignee
Shenzhen LD Robot Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen LD Robot Co Ltd filed Critical Shenzhen LD Robot Co Ltd
Priority to CN202011352975.2A priority Critical patent/CN112381939A/zh
Publication of CN112381939A publication Critical patent/CN112381939A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)
  • Manipulator (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种视觉SLAM方法、装置、机器人及存储介质。本申请实施例中获取当前图像，从所述当前图像中确定预设类型目标物的特征线；获取相邻图像，从所述相邻图像中确定所述预设类型目标物的历史特征线；将所述预设类型目标物的特征线与所述历史特征线进行匹配处理；当匹配成功后，根据所述预设类型目标物的特征线与所述历史特征线确定当前位姿，并根据所述当前位姿构建地图，从而提高了视觉SLAM建图定位的准确性。

Description

一种视觉SLAM方法、装置、机器人及存储介质
技术领域
本申请属于图像处理技术领域，尤其涉及一种视觉SLAM方法、装置、机器人及存储介质。
背景技术
目前，同步定位与地图构建(Simultaneous Localization And Mapping，SLAM)是机器人实现自主导航的研究热点。其主要用于在机器人进入未知环境后，对周围环境进行感知，进而构建增量式地图，并同时进行自身定位。一般传统的视觉SLAM手段因自然环境中的特征点便于检测和跟踪，而主要利用自然环境中的特征点进行制图和定位，但因其仅考虑自然环境中的特征点信息，而会导致视觉SLAM手段对于一些人造建筑的环境如墙体等，判断不准确，将严重影响视觉SLAM的准确度，致使视觉SLAM建图定位准确性较低。
发明内容
本申请实施例提供了一种视觉SLAM方法、装置、机器人及存储介质，可以解决视觉SLAM的弱纹理性，例如周围环境下的特征点数量不足引起的匹配成功度低或精度较差等因素，而导致的视觉SLAM建图定位准确性较低的问题。
第一方面，本申请实施例提供了一种视觉SLAM方法，包括：
获取当前图像，从所述当前图像中确定预设类型目标物的特征线；
获取相邻图像，从所述相邻图像中确定所述预设类型目标物的历史特征线；将所述预设类型目标物的特征线与所述历史特征线进行匹配处理；
当匹配成功后，根据所述预设类型目标物的特征线与所述历史特征线确定当前位姿，并根据所述当前位姿构建地图。
可选的，所述从所述当前图像中确定预设类型目标物的特征线，包括：
从所述当前图像中提取图像中的各条线段；
根据各条线段的连接状况确定至少两条线段交于一点的目标物；
当所述目标物符合预设类型时，将所述预设类型目标物对应的线段作为所述预设类型目标物的特征线。
可选的，所述将所述预设类型目标物的特征线与所述历史特征线进行匹配处理，包括：
确定所述历史特征线的特征值与所述预设类型目标物的特征线的特征值；
计算所述历史特征线的特征值与所述预设类型目标物的特征线的特征值之间的第一误差值；
当所述第一误差值小于预设的第一阈值时，匹配成功。
可选的，所述将所述预设类型目标物的特征线与所述历史特征线进行匹配处理，还包括：
根据所述预设类型目标物的特征线确定所述预设类型目标物的特征点；
根据所述历史特征线确定所述预设类型目标物的历史特征点；
计算所述历史特征点的位置与所述预设类型目标物的特征点的位置之间的第二误差值；
当所述第二误差值小于预设的第二阈值时，匹配成功。
可选的，所述根据所述预设类型目标物的特征线确定所述预设类型目标物的特征点，包括：
确定所述预设类型目标物的特征线之间相交的交点；
将所述交点作为所述预设类型目标物的特征点。
可选的，所述根据所述预设类型目标物的特征线与所述历史特征线确定当前位姿，包括：
获取所述预设类型目标物的特征线与所述历史特征线相同位置的采样点集；
根据预设的算法计算所述采样点集、所述历史特征点与所述预设类型目标物的特征点，确定所述相邻图像与所述当前图像之间的旋转矩阵和平移矩阵；
根据所述旋转矩阵和所述平移矩阵确定当前位姿。
可选的，所述根据所述预设类型目标物的特征线与所述历史特征线确定当前位姿，还包括：
获取所述预设类型目标物的特征线与所述历史特征线相同位置的至少三对采样点；
根据预设的算法计算所述至少三对采样点，确定所述相邻图像与所述当前图像之间的旋转矩阵和平移矩阵；
根据所述旋转矩阵和所述平移矩阵确定当前位姿。
第二方面，本申请实施例提供了一种视觉SLAM装置，包括：
获取模块，用于获取当前图像，从所述当前图像中确定预设类型目标物的特征线；
匹配模块，用于获取相邻图像，从所述相邻图像中确定所述预设类型目标物的历史特征线；将所述预设类型目标物的特征线与所述历史特征线进行匹配处理；
构建模块，用于当匹配成功后，根据所述特征线确定当前位姿，并根据所述当前位姿构建地图。
第三方面，本申请实施例提供了一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种视觉SLAM方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现上述任一种视觉SLAM方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在机器人上运行时，使得机器人执行上述第一方面中任一种视觉SLAM方法。
本申请实施例中获取当前图像，从所述当前图像中确定预设类型目标物的特征线，确定出机器人当前环境中进行比对的特征线；获取相邻图像，从所述相邻图像中确定所述预设类型目标物的历史特征线；将所述预设类型目标物的特征线与所述历史特征线进行匹配处理，从而判断出机器人当前获取的特征线是否与历史特征线是同一预设类型目标物的，当匹配成功后，根据所述预设类型目标物的特征线与所述历史特征线确定当前位姿，从而根据当前环境进一步较为准确得出当前机器人的位姿，并根据所述当前位姿构建地图，从而提高了视觉SLAM建图定位的准确性及鲁棒性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的视觉SLAM方法的第一种流程示意图；
图2是本申请实施例提供的视觉SLAM方法的目标物示意图；
图3是本申请实施例提供的视觉SLAM方法的第二种流程示意图；
图4是本申请实施例提供的视觉SLAM方法的第三种流程示意图；
图5是本申请实施例提供的视觉SLAM装置的结构示意图；
图6是本申请实施例提供的机器人的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
图1所示为本申请实施例中一种视觉SLAM方法的流程示意图，该方法的执行主体可以是机器人，如图1所示，所述视觉SLAM方法可以包括如下步骤：
步骤S101、获取当前图像，从所述当前图像中确定预设类型目标物的特征线。
在本实施例中，因视觉SLAM若仅考虑自然环境中的特征点信息，将会导致视觉SLAM建图定位的准确性较低，故可通过利用机器人上安装的摄像头采集当前图像，机器人从当前图像中确定预设类型目标物的特征线，以便于机器人针对当前所处环境中的特殊类型的目标物的特征进行比对，从而准确判断其当前位姿。上述当前图像如图2所示，若当前目标物为墙角，则组成墙角的三条线段则是该墙角的特征线，特征线之间的交点，则可以是该墙角的特征点。其中，上述预设类型的目标物可以为直角类型的目标物，也就是指目标物上有直角特征。
可选的，上述摄像头可安装在机器人的前段且具有一定倾斜角度的位置，机器人上可安装至少一个摄像头，且该摄像头包括单目摄像头和双目摄像头中的至少一种，用于感知周围环境，虽然用于感知周围环境的传感器有很多种，而摄像设备凭借其廉价，体积小，便于安装等优点，可使视觉SLAM方法成为领域中重要研究内容。
可选的，步骤S101包括：
从所述当前图像中提取图像中的各条线段。
根据各条线段的连接状况确定至少两条线段交于一点的目标物。
当所述目标物符合预设类型时，将所述预设类型目标物对应的线段作为所述预设类型目标物的特征线。
在本实施例中，机器人从所获取的当前环境的图像中提取图像中的各条线段，可根据各条线段的连接状况确定出由至少两条线段交于一点的目标物，并判断该目标物的类型，当该目标物的类型符合预设类型时，将上述方法中得到该目标物的至少两条线段作为本实施例中的特征线。
步骤S102、获取相邻图像，从所述相邻图像中确定所述预设类型目标物的历史特征线；将所述预设类型目标物的特征线与所述历史特征线进行匹配处理。
在本实施例中，当机器人获取当前图像后，进一步获取其相邻时刻的相邻图像，也就是上一帧图像，为便于将两帧图像进行对比，可从相邻图像中确定该预设类型目标物的历史特征线，以便于历史特征线与当前图像中得到的预设类型目标物的特征线进行匹配处理，以判断当前机器人所获取的当前图像以及相邻图像中的目标物是否能够匹配，并便于机器人根据两帧图像中的目标物进一步准确确定其当前位姿。
可选的，在获取相邻图像后，可根据从上述当前图像中所确定预设类型目标物的特征线的特征值进行跟踪处理，从而在相邻图像中确定历史特征线。
可选的，如图3所示，步骤S102包括：
步骤S301、确定所述历史特征线的特征值与所述预设类型目标物的特征线的特征值。
步骤S302、计算所述历史特征线的特征值与所述预设类型目标物的特征线的特征值之间的第一误差值。
步骤S303、当所述第一误差值小于预设的第一阈值时，匹配成功。
在本实施例中，机器人可从相邻图像中的预设类型目标物的历史特征线中选取预设数量的采样点，并确定其位置坐标，根据位置坐标计算其均值得到历史特征线的特征值；并从当前图像中的预设类型目标物的特征线的与上述选取历史特征线中采样点相同的位置处，选取预设数量的采样点，并确定其位置坐标，根据位置坐标计算其均值得到预设类型目标物的特征线的特征值，并通过计算两者的差值，得到第一误差值，进行比较，当第一误差值小于机器人内部预设的第一阈值时，说明两者匹配成功。其中，上述第一阈值可根据相机的角分辨率、帧率以及机器人的运动速度进行设定，这里不做限定，例如，若当前环境为30帧率、1080p、120度视场角以及机器人30cm/s的速度进行运动，则第一阈值可设为3.6像素。
可选的，如图4所示，步骤S102还包括：
步骤S401、根据所述预设类型目标物的特征线确定所述预设类型目标物的特征点。
可选的，步骤S401包括：
确定所述预设类型目标物的特征线之间相交的交点；将所述交点作为所述预设类型目标物的特征点。
可选的，还可将特征线周围预设位置处的点，作为预设类型目标物的特征点。
步骤S402、根据所述历史特征线确定所述预设类型目标物的历史特征点。
步骤S403、计算所述历史特征点的位置与所述预设类型目标物的特征点的位置之间的第二误差值。
步骤S404、当所述第二误差值小于预设的第二阈值时，匹配成功。
在本实施例中，机器人可通过上述特征点选取手段从历史特征线中确定预设类型目标物的历史特征点，以及当前图像中的预设类型目标物的特征线中确定预设类型目标物的特征点，并通过计算两个特征点位置的差值，得到第二误差值，并进行比较，当第二误差值小于机器人内部预设的第二阈值时，说明两者匹配成功。其中，上述第二阈值可根据相机的角分辨率、帧率以及机器人的运动速度进行设定，这里不做限定，例如，若当前环境为30帧率、1080p、120度视场角以及机器人30cm/s的速度进行运动，则第二阈值可设为9像素；上述特征点如图2所示，可以为特征线的交点。
可选的，当存在至少两个预设类型的目标物时，可确定至少两个预设类型目标物的相对位置关系，根据上述至少两个预设类型目标物的相对位置关系对在上述匹配处理的过程中进行辅助配准，以便于提高匹配速度。其中，上述至少两个预设类型目标物的相对位置关系可通过至少两个预设类型目标物的特征线所相交点的相对位置进行确定。
可选的，上述特征点的选取可在机器人运行场景中随机在固定物上设置至少两个点作为特征点，以便于机器人根据图像中所出现的特征点进行匹配处理。
步骤S103、当匹配成功后，根据所述预设类型目标物的特征线与所述历史特征线确定当前位姿，并根据所述当前位姿构建地图。
在本实施例中，当匹配成功时，说明机器人的当前图像中的预设类型的目标物与相邻图像中的预设类型的目标物为同一个，且因符合上述设定的阈值条件，而可结合计算机器人的当前位姿，故机器人可根据当前图像中的预设类型目标物的特征线与相邻图像中的历史特征线结合计算，得到机器人从相邻图像获取的时刻运动到当前图像获取的时刻的过程中的运动方式，即可得到机器人当前时刻的位姿，并进而以当前位姿为基准构建地图。
可选的，步骤S103包括：
获取所述预设类型目标物的特征线与所述历史特征线相同位置的采样点集。
根据预设的算法计算所述采样点集、所述历史特征点与所述预设类型目标物的特征点，确定所述相邻图像与所述当前图像之间的旋转矩阵和平移矩阵。
根据所述旋转矩阵和所述平移矩阵确定当前位姿。
在本实施例中，机器人可根据预设类型目标物中特征线与特征点结合的方式确定其当前位姿，机器人可通过获取预设类型目标物的特征线与历史特征线相同位置的采样点，以及上述所得到的历史特征点与预设类型目标的特征点，并以预设的算法对上述所获取的数据点进行计算，从而确定出相邻图像与当前图像之间的旋转矩阵和平移矩阵，并根据旋转矩阵和平移矩阵即可得到机器人由相邻图像获取的时刻运动到当前图像获取的时刻的过程中的运动方式，即可根据上相邻图像的位姿通过旋转矩阵和平移矩阵得到当前时刻的位姿。
可选的，还可选取预设类型目标物的特征线与历史特征线相近位置的采样点集用于计算，其中，上述相近位置的采样点可以为上述预设类型目标物的特征线与历史特征线分别选取的位置差小于或等于预设的位置阈值的采样点。
可以理解的，上述通过特征线所得到的采样点集可通过对点集中的点进行均值计算，得到代表上述预设类型目标物的特征线的点，以及代表上述历史特征线的点。例如，从预设类型目标物的特征线中选取点A、点B、点C，则计算后，即可得到代表该特征线的点为(A+B+C)/2；同理，从历史特征线中选取对应位置的三个点，也进行上述计算，即可得到代表历史特征线的点。
具体示例而非限定的，若当前图像中包含在真实场景下预设的特征点P1、P2、P3以及特征线L；则机器人通过获取当前图像A和相邻图像B就会得到当前图像A下的P1′、P2′、P3′以及代表特征线的点L′；以及相邻图像下B的P1″、P2″、P3″以及代表特征线的点L″；其中，上述代表特征线L的点可以通过选取特征线上预设数量的采样点求均值得出代表特征线的点。根据预设的算法计算上述所得到的数据，可得到公式：
P′1＝K*P1；P″1＝K*(R*P1+T)；
P′2＝K*P2；P″2＝K*(R*P2+T)；
P′3＝K*P3；P″3＝K*(R*P3+T)；
L′＝K*L；L″＝K*(R*L+T)；
其中，上述K为相机内参矩阵，为在机器人内部提前预设的；根据上述公式可推导出机器人的运动方式(R,T)，上述R为旋转矩阵，上述T为平移矩阵。根据旋转矩阵和平移矩阵即可得到机器人由相邻图像获取的时刻运动到当前图像获取的时刻的过程中的运动方式，即可根据上相邻图像的位姿通过旋转矩阵和平移矩阵得到当前时刻的位姿。
可选的，步骤S103还包括：
获取所述预设类型目标物的特征线与所述历史特征线相同位置的至少三对采样点。
根据预设的算法计算所述至少三对采样点，确定所述相邻图像与所述当前图像之间的旋转矩阵和平移矩阵。
根据所述旋转矩阵和所述平移矩阵确定当前位姿。
在本实施例中，机器人还可根据特征线确定其当前位姿，机器人可通过获取预设类型目标物的特征线与历史特征线相同位置的至少三对采样点，并以与上述一致的算法对上述所获取的至少三对采样点进行计算，从而确定出相邻图像与当前图像之间的旋转矩阵和平移矩阵，并根据旋转矩阵和平移矩阵即可得到机器人由相邻图像获取的时刻运动到当前图像获取的时刻的过程中的运动方式，即可根据上相邻图像的位姿通过旋转矩阵和平移矩阵得到当前时刻的位姿。
本申请实施例中获取当前图像，从所述当前图像中确定预设类型目标物的特征线，确定出机器人当前环境中进行比对的特征线；获取相邻图像，从所述相邻图像中确定所述预设类型目标物的历史特征线；将所述预设类型目标物的特征线与所述历史特征线进行匹配处理，从而判断出机器人当前获取的特征线是否与历史特征线是同一预设类型目标物的，当匹配成功后，根据所述预设类型目标物的特征线与所述历史特征线确定当前位姿，从而根据当前环境进一步较为准确得出当前机器人的位姿，并根据所述当前位姿构建地图，从而提高了视觉SLAM建图定位的准确性及鲁棒性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文所述的一种视觉SLAM方法，图5所示为本申请实施例中一种视觉SLAM装置的结构示意图，如图5所示，所述视觉SLAM装置可以包括：
获取模块501，用于获取当前图像，从所述当前图像中确定预设类型目标物的特征线。
匹配模块502，用于获取相邻图像，从所述相邻图像中确定所述预设类型目标物的历史特征线；将所述预设类型目标物的特征线与所述历史特征线进行匹配处理。
构建模块503，用于当匹配成功后，根据所述特征线确定当前位姿，并根据所述当前位姿构建地图。
可选的，所述获取模块501可以包括：
提取单元，用于从所述当前图像中提取图像中的各条线段。
第一确定单元，用于根据各条线段的连接状况确定至少两条线段交于一点的目标物。
作为特征线单元，用于当所述目标物符合预设类型时，将所述预设类型目标物对应的线段作为所述预设类型目标物的特征线。
可选的，所述匹配模块502可以包括：
第二确定单元，用于确定所述历史特征线的特征值与所述预设类型目标物的特征线的特征值。
第一计算单元，用于计算所述历史特征线的特征值与所述预设类型目标物的特征线的特征值之间的第一误差值。
第一匹配单元，用于当所述第一误差值小于预设的第一阈值时，匹配成功。
可选的，所述匹配模块502还可以包括：
第三确定单元，用于根据所述预设类型目标物的特征线确定所述预设类型目标物的特征点。
第四确定单元，用于根据所述历史特征线确定所述预设类型目标物的历史特征点。
第二计算单元，用于计算所述历史特征点的位置与所述预设类型目标物的特征点的位置之间的第二误差值。
第二匹配单元，用于当所述第二误差值小于预设的第二阈值时，匹配成功。
可选的，所述第二确定单元可以包括：
确定交点子单元，用于确定所述预设类型目标物的特征线之间相交的交点。
作为特征点子单元，用于将所述交点作为所述预设类型目标物的特征点。
可选的，所述构建模块503可以包括：
第一获取单元，用于获取所述预设类型目标物的特征线与所述历史特征线相同位置的采样点集。
第三计算单元，用于根据预设的算法计算所述采样点集、所述历史特征点与所述预设类型目标物的特征点，确定所述相邻图像与所述当前图像之间的旋转矩阵和平移矩阵。
第五确定单元，用于根据所述旋转矩阵和所述平移矩阵确定当前位姿。
可选的，所述构建模块503还可以包括：
第二获取单元，用于获取所述预设类型目标物的特征线与所述历史特征线相同位置的至少三对采样点。
第四计算单元，用于根据预设的算法计算所述至少三对采样点，确定所述相邻图像与所述当前图像之间的旋转矩阵和平移矩阵。
第六确定单元，用于根据所述旋转矩阵和所述平移矩阵确定当前位姿。
本申请实施例中获取当前图像，从所述当前图像中确定预设类型目标物的特征线，确定出机器人当前环境中进行比对的特征线；获取相邻图像，从所述相邻图像中确定所述预设类型目标物的历史特征线；将所述预设类型目标物的特征线与所述历史特征线进行匹配处理，从而判断出机器人当前获取的特征线是否与历史特征线是同一预设类型目标物的，当匹配成功后，根据所述预设类型目标物的特征线与所述历史特征线确定当前位姿，从而根据当前环境进一步较为准确得出当前机器人的位姿，并根据所述当前位姿构建地图，从而提高了视觉SLAM建图定位的准确性及鲁棒性。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述***实施例以及方法实施例中的对应过程，在此不再赘述。
图6为本申请实施例提供的机器人的结构示意图。为了便于说明，仅示出了与本申请实施例相关的部分。
如图6所示，该实施例的机器人6包括：至少一个处理器600(图6中仅示出一个)，与所述处理器600连接的存储器601，以及存储在所述存储器601中并可在所述至少一个处理器600上运行的计算机程序602，例如视觉SLAM程序。所述处理器600执行所述计算机程序602时实现上述各个视觉SLAM方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器600执行所述计算机程序602时实现上述各装置实施例中各模块的功能，例如图5所示模块501至503的功能。
示例性的，所述计算机程序602可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器601中，并由所述处理器600执行，以完成本申请。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序602在所述机器人6中的执行过程。例如，所述计算机程序602可以被分割成获取模块501、匹配模块502、构建模块503，各模块具体功能如下：
获取模块501，用于获取当前图像，从所述当前图像中确定预设类型目标物的特征线；
匹配模块502，用于获取相邻图像，从所述相邻图像中确定所述预设类型目标物的历史特征线；将所述预设类型目标物的特征线与所述历史特征线进行匹配处理；
构建模块503，用于当匹配成功后，根据所述特征线确定当前位姿，并根据所述当前位姿构建地图。
所述机器人6可包括，但不仅限于，处理器600、存储器601。本领域技术人员可以理解，图6仅仅是机器人6的举例，并不构成对机器人6的限定，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，例如还可以包括输入输出设备、网络接入设备、总线等。
所称处理器600可以是中央处理单元(Central Processing Unit，CPU)，该处理器600还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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。
所述存储器601在一些实施例中可以是所述机器人6的内部存储单元，例如机器人6的硬盘或内存。所述存储器601在另一些实施例中也可以是所述机器人6的外部存储设备，例如所述机器人6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器601还可以既包括所述机器人6的内部存储单元也包括外部存储设备。所述存储器601用于存储操作***、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器601还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/机器人和方法，可以通过其它的方式实现。例如，以上所描述的装置/机器人实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/机器人的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种视觉SLAM方法，其特征在于，包括：
获取当前图像，从所述当前图像中确定预设类型目标物的特征线；
获取相邻图像，从所述相邻图像中确定所述预设类型目标物的历史特征线；将所述预设类型目标物的特征线与所述历史特征线进行匹配处理；
当匹配成功后，根据所述预设类型目标物的特征线与所述历史特征线确定当前位姿，并根据所述当前位姿构建地图。
2.如权利要求1所述的视觉SLAM方法，其特征在于，所述从所述当前图像中确定预设类型目标物的特征线，包括：
从所述当前图像中提取图像中的各条线段；
根据各条线段的连接状况确定至少两条线段交于一点的目标物；
当所述目标物符合预设类型时，将所述预设类型目标物对应的线段作为所述预设类型目标物的特征线。
3.如权利要求1所述的视觉SLAM方法，其特征在于，所述将所述预设类型目标物的特征线与所述历史特征线进行匹配处理，包括：
确定所述历史特征线的特征值与所述预设类型目标物的特征线的特征值；
计算所述历史特征线的特征值与所述预设类型目标物的特征线的特征值之间的第一误差值；
当所述第一误差值小于预设的第一阈值时，匹配成功。
4.如权利要求1所述的视觉SLAM方法，其特征在于，所述将所述预设类型目标物的特征线与所述历史特征线进行匹配处理，还包括：
根据所述预设类型目标物的特征线确定所述预设类型目标物的特征点；
根据所述历史特征线确定所述预设类型目标物的历史特征点；
计算所述历史特征点的位置与所述预设类型目标物的特征点的位置之间的第二误差值；
当所述第二误差值小于预设的第二阈值时，匹配成功。
5.如权利要求4所述的视觉SLAM方法，其特征在于，所述根据所述预设类型目标物的特征线确定所述预设类型目标物的特征点，包括：
确定所述预设类型目标物的特征线之间相交的交点；
将所述交点作为所述预设类型目标物的特征点。
6.如权利要求4所述的视觉SLAM方法，其特征在于，所述根据所述预设类型目标物的特征线与所述历史特征线确定当前位姿，包括：
获取所述预设类型目标物的特征线与所述历史特征线相同位置的采样点集；
根据预设的算法计算所述采样点集、所述历史特征点与所述预设类型目标物的特征点，确定所述相邻图像与所述当前图像之间的旋转矩阵和平移矩阵；
根据所述旋转矩阵和所述平移矩阵确定当前位姿。
7.如权利要求1所述的视觉SLAM方法，其特征在于，所述根据所述预设类型目标物的特征线与所述历史特征线确定当前位姿，还包括：
获取所述预设类型目标物的特征线与所述历史特征线相同位置的至少三对采样点；
根据预设的算法计算所述至少三对采样点，确定所述相邻图像与所述当前图像之间的旋转矩阵和平移矩阵；
根据所述旋转矩阵和所述平移矩阵确定当前位姿。
8.一种视觉SLAM装置，其特征在于，包括：
获取模块，用于获取当前图像，从所述当前图像中确定预设类型目标物的特征线；
匹配模块，用于获取相邻图像，从所述相邻图像中确定所述预设类型目标物的历史特征线；将所述预设类型目标物的特征线与所述历史特征线进行匹配处理；
构建模块，用于当匹配成功后，根据所述特征线确定当前位姿，并根据所述当前位姿构建地图。
9.一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的一种视觉SLAM方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种视觉SLAM方法的步骤。
CN202011352975.2A 2020-11-26 2020-11-26 一种视觉slam方法、装置、机器人及存储介质 Pending CN112381939A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011352975.2A CN112381939A (zh) 2020-11-26 2020-11-26 一种视觉slam方法、装置、机器人及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011352975.2A CN112381939A (zh) 2020-11-26 2020-11-26 一种视觉slam方法、装置、机器人及存储介质

Publications (1)

Publication Number Publication Date
CN112381939A true CN112381939A (zh) 2021-02-19

Family

ID=74587942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011352975.2A Pending CN112381939A (zh) 2020-11-26 2020-11-26 一种视觉slam方法、装置、机器人及存储介质

Country Status (1)

Country Link
CN (1) CN112381939A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077809A (zh) * 2014-06-24 2014-10-01 上海交通大学 基于结构性线条的视觉slam方法
JP2017208038A (ja) * 2016-05-20 2017-11-24 株式会社リコー 画像処理装置、画像処理方法、画像処理システム及びプログラム
CN109558879A (zh) * 2017-09-22 2019-04-02 华为技术有限公司 一种基于点线特征的视觉slam方法和装置
CN110246147A (zh) * 2019-05-14 2019-09-17 中国科学院深圳先进技术研究院 视觉惯性里程计方法、视觉惯性里程计装置及移动设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077809A (zh) * 2014-06-24 2014-10-01 上海交通大学 基于结构性线条的视觉slam方法
JP2017208038A (ja) * 2016-05-20 2017-11-24 株式会社リコー 画像処理装置、画像処理方法、画像処理システム及びプログラム
CN109558879A (zh) * 2017-09-22 2019-04-02 华为技术有限公司 一种基于点线特征的视觉slam方法和装置
CN110246147A (zh) * 2019-05-14 2019-09-17 中国科学院深圳先进技术研究院 视觉惯性里程计方法、视觉惯性里程计装置及移动设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIANG BIAN等: "A Point-line-based SLAM Framework for UAV Close Proximity Transmission Tower Inspection", PROCEEDINGS OF THE 2018 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS DECEMBER 12-15, 2018, KUALA LUMPUR, MALAYSIA, 14 March 2019 (2019-03-14), pages 1016 - 1021 *

Similar Documents

Publication Publication Date Title
US11002840B2 (en) Multi-sensor calibration method, multi-sensor calibration device, computer device, medium and vehicle
CN110322500B (zh) 即时定位与地图构建的优化方法及装置、介质和电子设备
US9270891B2 (en) Estimation of panoramic camera orientation relative to a vehicle coordinate frame
CN112880687B (zh) 一种室内定位方法、装置、设备和计算机可读存储介质
CN112667837A (zh) 图像数据自动标注方法及装置
CN110349212B (zh) 即时定位与地图构建的优化方法及装置、介质和电子设备
CN110260857A (zh) 视觉地图的校准方法、装置及存储介质
CN112198878B (zh) 一种即时地图构建方法、装置、机器人及存储介质
CN110673607B (zh) 动态场景下的特征点提取方法、装置、及终端设备
JP7351892B2 (ja) 障害物検出方法、電子機器、路側機器、及びクラウド制御プラットフォーム
CN113601510A (zh) 基于双目视觉的机器人移动控制方法、装置、***及设备
CN113515143A (zh) 机器人导航方法、机器人及计算机可读存储介质
CN114066930A (zh) 一种平面目标跟踪方法、装置、终端设备及存储介质
CN111157012A (zh) 一种机器人导航方法、装置、可读存储介质及机器人
CN113628284B (zh) 位姿标定数据集生成方法、装置、***、电子设备及介质
CN112381939A (zh) 一种视觉slam方法、装置、机器人及存储介质
WO2022205841A1 (zh) 机器人导航方法、装置、终端设备及计算机可读存储介质
CN111223139B (zh) 目标定位方法及终端设备
CN113227708B (zh) 确定俯仰角的方法、装置及终端设备
CN112614181B (zh) 一种基于高亮目标的机器人定位方法及装置
US20230386055A1 (en) Image feature matching method, computer device, and storage medium
CN114739382A (zh) 机器人及其建图方法、装置及存储介质
CN117541464A (zh) 一种全局初始化方法、***、车辆、存储介质及设备
CN115690148A (zh) 电子设备、光流追踪方法、装置及存储介质
CN117671217A (zh) 设备安装搬迁方法、装置、服务器及计算机可读存储介质

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
CB02 Change of applicant information

Address after: 518000 room 1601, building 2, Vanke Cloud City phase 6, Tongfa South Road, Xili community, Xili street, Nanshan District, Shenzhen City, Guangdong Province (16th floor, block a, building 6, Shenzhen International Innovation Valley)

Applicant after: Shenzhen Ledong robot Co.,Ltd.

Address before: 518000 room 1601, building 2, Vanke Cloud City phase 6, Tongfa South Road, Xili community, Xili street, Nanshan District, Shenzhen City, Guangdong Province (16th floor, block a, building 6, Shenzhen International Innovation Valley)

Applicant before: SHENZHEN LD ROBOT Co.,Ltd.

CB02 Change of applicant information