CN113010724A - 一种基于视觉特征点匹配的机器人地图选择方法及*** - Google Patents
一种基于视觉特征点匹配的机器人地图选择方法及*** Download PDFInfo
- Publication number
- CN113010724A CN113010724A CN202110471649.1A CN202110471649A CN113010724A CN 113010724 A CN113010724 A CN 113010724A CN 202110471649 A CN202110471649 A CN 202110471649A CN 113010724 A CN113010724 A CN 113010724A
- Authority
- CN
- China
- Prior art keywords
- module
- map
- image
- robot
- matching
- 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 13
- 238000010187 selection method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003491 array Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Library & Information Science (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于视觉特征点匹配的机器人地图选择方法及***,属于机器人应用领域;所述的方法的具体步骤包括:S1采集地图数据并在云端建立字典;S2通过机器人摄像头采集一帧图像并上传至云端服务;S3提取图像关键点;S4计算描述子;S5递归所有地图文件进行特征点匹配S6重复S2~S5步骤直到匹配到对应地图;S7将匹配到的地图文件下发到机器人端进行加载;该方法借助云计算的优势,将当前扫描到的视频逐帧上传至云端,在云端解析其特征点并与云端数据库中所有已知的地图文件进行匹配计算,并将匹配到的地图反馈给机器人,从而使机器人实现自动选择并加载当前场景地图的功能,解决了机器人在不同室内场景需手动切换地图的弊端。
Description
技术领域
本发明公开一种基于视觉特征点匹配的机器人地图选择方法及***,涉及机器人应用技术领域。
背景技术
随着机器人和自动驾驶技术的不断发展,机器人及其自动驾驶技术被应用于越来越多的领域,从室外巡逻机器人到室内配送服务机器人,机器人的应用场景无处不在。
机器人导航及定位技术依赖于提前构建好的地图,室外机器人可以通过GPS进行精确定位,从而确认机器人自身在地图中的位置。然而,当机器人进入室内场景后,由于建筑物遮挡,无法获取GPS信号,导致传统的地图及定位方法失效,且不同的室内环境对应不同的地图文件,固定场景下通常由人们手动配置好机器人地图后才能开始工作,但对于工作于多个室内场景下的机器人,若每次都靠人工切换地图,则费时费力且无法突出机器人的智能性。因此,如何实现已知的室内环境下机器人自动加载对应的地图文件成为目前亟待解决的问题;
故现发明一种基于视觉特征点匹配的机器人地图选择方法及***,以解决上述问题。
发明内容
本发明针对现有技术的问题,提供一种基于视觉特征点匹配的机器人地图选择方法及***,所采用的技术方案为:一种基于视觉特征点匹配的机器人地图选择方法,所述的方法的具体步骤包括:
S1采集地图数据并在云端建立字典;
S2通过机器人摄像头采集一帧图像并上传至云端服务;
S3提取图像关键点;
S4计算描述子;
S5递归所有地图文件进行特征点匹配;
S6重复S2~S5步骤直到匹配到对应地图;
S7将匹配到的地图文件下发到机器人端进行加载。
所述S3云端服务将提取每一帧收到图像的ORB特征点作为图像关键点,具体步骤包括:
S301在图像中选取像素p,设定其亮度为Ip;
S302设置Ip的阈值T;
S303以像素p为中心选取像素点;
S304判断选取的像素点是否为特征点;
S305对每个像素循环执行S301~S304步骤操作,找到图片中所有特征点。
所述S4使用BRIEF特征描述方法对每个图像关键点计算其描述子。
所述S5递归所有地图文件进行特征点匹配的具体步骤包括:
S501将特征点与地图数据库中的地图文件进行特征点匹配;
S502采用快速最近邻算法算法,生成所有地图文件与该帧图像特征点相似度数组、并进行降序排列。
所述S6重复S2~S5步骤直到匹配到对应地图的具体步骤包括:
S601若云端匹配到相应的地图文件,则将地图下发给机器人;
S602若云端没有匹配到相应的地图文件,则机器人继续读取下一帧图像并上传至云端,重复S2~S5步骤。
一种基于视觉特征点匹配的机器人地图选择***,所述的***具体包括采集模块、上传模块、提取模块、计算模块、匹配模块A、匹配模块B和加载模块:
采集模块:采集地图数据并在云端建立字典;
上传模块:通过机器人摄像头采集一帧图像并上传至云端服务;
提取模块:提取图像关键点;
计算模块:计算描述子;
匹配模块A:递归所有地图文件进行特征点匹配;
匹配模块B:重复上传模块、提取模块、计算模块、匹配模块A直到匹配到对应地图;
加载模块:将匹配到的地图文件下发到机器人端进行加载。
所述提取模块云端服务将提取每一帧收到图像的ORB特征点作为图像关键点,具体包括选取模块A、设置模块、选取模块B、判断模块和重复模块A:
选取模块A:在图像中选取像素p,设定其亮度为Ip;
设置模块:设置Ip的阈值T;
选取模块B:以像素p为中心选取像素点;
判断模块:判断选取的像素点是否为特征点;
重复模块A:对每个像素循环执行选取模块A、设置模块、选取模块B、判断模块操作,找到图片中所有特征点。
所述计算模块使用BRIEF特征描述方法对每个图像关键点计算其描述子。
所述匹配模块A具体包括匹配模块C和排序模块:
匹配模块C:将特征点与地图数据库中的地图文件进行特征点匹配;
排序模块:采用快速最近邻算法算法,生成所有地图文件与该帧图像特征点相似度数组、并进行降序排列。
所述匹配模块B具体包括下发模块、重复模块B:
下发模块:若云端匹配到相应的地图文件,则将地图下发给机器人;
重复模块B:若云端没有匹配到相应的地图文件,则机器人继续读取下一帧图像并上传至云端,重复上传模块、提取模块、计算模块、匹配模块A模块操作。
本发明的有益效果为:本发明提供了一种基于视觉特征点匹配的机器人地图选择方法,该方法借助云计算的优势,将当前扫描到的视频逐帧上传至云端,在云端解析其特征点并与云端数据库中所有已知的地图文件进行匹配计算,并将匹配到的地图反馈给机器人,从而使机器人实现自动选择并加载当前场景地图的功能,解决了机器人在不同室内场景需手动切换地图的弊端。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明方法的流程图;图2是本发明***的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例一:
一种基于视觉特征点匹配的机器人地图选择方法,所述的方法的具体步骤包括:
S1采集地图数据并在云端建立字典;
S2通过机器人摄像头采集一帧图像并上传至云端服务;
S3提取图像关键点;
S4计算描述子;
S5递归所有地图文件进行特征点匹配;
S6重复S2~S5步骤直到匹配到对应地图;
S7将匹配到的地图文件下发到机器人端进行加载;
本发明方法的前提是按照S1提前采集所有室内场景的地图数据并在云端建立字典,机器人开机后首先按照S2通过摄像头采集当前帧图像,并将当前帧保存为img_1文件,采集函数接口为Mat img_1=imread(argv[1],CV_LOAD_IMAGE_COLOR),并发送至云端,通过TCP私有协议将img_1文件发送至云端服务器进行下一步处理;
云端服务初始化,主要体现为ORB实例的初始化Ptr<FeatureDetector>detector=ORB::create()和FLANN匹配器初始化FlannBasedMatcher matcher;
接着采用OpenCV库函数detector->detect(img_1,keypoints_1)按照S3提取图像关键点;
根据关键点位置按照S4计算其BRIEF描述子,对应OpenCV库函数为descriptor->compute(img_1,keypoints_1,descriptors_1);
采用FLANN算法对img_1与地图文件按照S5进行递归匹配运算,matcher.match(descriptors_1,descriptors_2,matches);
接着按照S6重复S2~S5步骤直到匹配到对应地图,最后按照S7将匹配到的地图文件下发到机器人端进行加载;
进一步的,所述S3云端服务将提取每一帧收到图像的ORB特征点作为图像关键点,具体步骤包括:
S301在图像中选取像素p,设定其亮度为Ip;
S302设置Ip的阈值T;
S303以像素p为中心选取像素点;
S304判断选取的像素点是否为特征点;
S305对每个像素循环执行S301~S304步骤操作,找到图片中所有特征点;、
云端服务将提取每一帧接收到图像的特征点,本方案采用ORB特征点(包括关键点和描述子)提取方法;
进一步的,关键点检测步骤如下:在图像中选取像素p,假设它的亮度为Ip;设置一个阈值T(比如,Ip的20%);以像素p为中心,选取半径为3的圆上的16个像素点;假如选取的圆上有连续的N个点的亮度大于Ip+T或小于Ip-T,那么像素p可以被认为是特征点(N通常取12);循环以上四步,对每一个像素执行相同的操作,找到图片中所有关键点;
进一步的,所述S4使用BRIEF特征描述方法对每个图像关键点计算其描述子;提取关键点后,对每个点计算其描述子;使用ORB改进的BRIEF特征描述方法。该描述子向量由0和1组成。取关键点附近两个随机像素(比如q和q),如果p>q,则取1;否则取0;
进一步的,所述S5递归所有地图文件进行特征点匹配的具体步骤包括:
S501将特征点与地图数据库中的地图文件进行特征点匹配;
S502采用快速最近邻算法算法,生成所有地图文件与该帧图像特征点相似度数组、并进行降序排列;
每一帧特征点提取完之后,将所有特征点与地图数据库中的地图文件进行特征点匹配,采用快速最近邻算法(FLANN)算法,生成所有地图文件与该帧图像特征点相似度数组,并进行由高到底排序,当某地图文件切片与该帧特征点相似度超过90%,我们认为该地图文件为当前帧所在环境的地图文件;
再进一步的,所述S6重复S2~S5步骤直到匹配到对应地图的具体步骤包括:
S601若云端匹配到相应的地图文件,则将地图下发给机器人;
S602若云端没有匹配到相应的地图文件,则机器人继续读取下一帧图像并上传至云端,重复S2~S5步骤;
若云端匹配到相应地图文件,则将该地图下发给机器人,由机器人加载并使用该地图;
若云端没有匹配到当前帧相对应地图文件,则机器人继续读取下一帧图像并上传至云端,并重复前面S2~S5步骤,如此循环。
实施例二:
一种基于视觉特征点匹配的机器人地图选择***,所述的***具体包括采集模块、上传模块、提取模块、计算模块、匹配模块A、匹配模块B和加载模块:
采集模块:采集地图数据并在云端建立字典;
上传模块:通过机器人摄像头采集一帧图像并上传至云端服务;
提取模块:提取图像关键点;
计算模块:计算描述子;
匹配模块A:递归所有地图文件进行特征点匹配;
匹配模块B:重复上传模块、提取模块、计算模块、匹配模块A直到匹配到对应地图;
加载模块:将匹配到的地图文件下发到机器人端进行加载;
本发明***的前提是通过采集模块提前采集所有室内场景的地图数据并在云端建立字典,机器人开机后首先通过上传模块通过摄像头采集当前帧图像,并将当前帧保存为img_1文件,采集函数接口为Mat img_1=imread(argv[1],CV_LOAD_IMAGE_COLOR),并发送至云端,通过TCP私有协议将img_1文件发送至云端服务器进行下一步处理;
云端服务初始化,主要体现为ORB实例的初始化Ptr<FeatureDetector>detector=ORB::create()和FLANN匹配器初始化FlannBasedMatcher matcher;
接着采用OpenCV库函数detector->detect(img_1,keypoints_1)通过提取模块提取图像关键点;
根据关键点位置通过计算模块计算其BRIEF描述子,对应OpenCV库函数为descriptor->compute(img_1,keypoints_1,descriptors_1);
采用FLANN算法对img_1与地图文件通过匹配模块A进行递归匹配运算,matcher.match(descriptors_1,descriptors_2,matches);
接着匹配模块B重复上传模块、提取模块、计算模块、匹配模块A的操作直到匹配到对应地图,最后通过加载模块将匹配到的地图文件下发到机器人端进行加载;
进一步的,所述提取模块云端服务将提取每一帧收到图像的ORB特征点作为图像关键点,具体包括选取模块A、设置模块、选取模块B、判断模块和重复模块A:
选取模块A:在图像中选取像素p,设定其亮度为Ip;
设置模块:设置Ip的阈值T;
选取模块B:以像素p为中心选取像素点;
判断模块:判断选取的像素点是否为特征点;
重复模块A:对每个像素循环执行选取模块A、设置模块、选取模块B、判断模块操作,找到图片中所有特征点;
进一步的,所述计算模块使用BRIEF特征描述方法对每个图像关键点计算其描述子;
进一步的,所述匹配模块A具体包括匹配模块C和排序模块:
匹配模块C:将特征点与地图数据库中的地图文件进行特征点匹配;
排序模块:采用快速最近邻算法算法,生成所有地图文件与该帧图像特征点相似度数组、并进行降序排列。
再进一步的,所述匹配模块B具体包括下发模块、重复模块B:
下发模块:若云端匹配到相应的地图文件,则将地图下发给机器人;
重复模块B:若云端没有匹配到相应的地图文件,则机器人继续读取下一帧图像并上传至云端,重复上传模块、提取模块、计算模块、匹配模块A模块操作。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于视觉特征点匹配的机器人地图选择方法,其特征是所述的方法的具体步骤包括:
S1采集地图数据并在云端建立字典;
S2通过机器人摄像头采集一帧图像并上传至云端服务;
S3提取图像关键点;
S4计算描述子;
S5递归所有地图文件进行特征点匹配;
S6重复S2~S5步骤直到匹配到对应地图;
S7将匹配到的地图文件下发到机器人端进行加载。
2.根据权利要求1所述的方法,其特征是所述S3云端服务将提取每一帧收到图像的ORB特征点作为图像关键点,具体步骤包括:
S301在图像中选取像素p,设定其亮度为Ip;
S302设置Ip的阈值T;
S303以像素p为中心选取像素点;
S304判断选取的像素点是否为特征点;
S305对每个像素循环执行S301~S304步骤操作,找到图片中所有特征点。
3.根据权利要求2所述的方法,其特征是所述S4使用BRIEF特征描述方法对每个图像关键点计算其描述子。
4.根据权利要求3所述的方法,其特征是所述S5递归所有地图文件进行特征点匹配的具体步骤包括:
S501将特征点与地图数据库中的地图文件进行特征点匹配;
S502采用快速最近邻算法算法,生成所有地图文件与该帧图像特征点相似度数组、并进行降序排列。
5.根据权利要求4所述的方法,其特征是所述S6重复S2~S5步骤直到匹配到对应地图的具体步骤包括:
S601若云端匹配到相应的地图文件,则将地图下发给机器人;
S602若云端没有匹配到相应的地图文件,则机器人继续读取下一帧图像并上传至云端,重复S2~S5步骤。
6.一种基于视觉特征点匹配的机器人地图选择***,其特征是所述的***具体包括采集模块、上传模块、提取模块、计算模块、匹配模块A、匹配模块B和加载模块:
采集模块:采集地图数据并在云端建立字典;
上传模块:通过机器人摄像头采集一帧图像并上传至云端服务;
提取模块:提取图像关键点;
计算模块:计算描述子;
匹配模块A:递归所有地图文件进行特征点匹配;
匹配模块B:重复上传模块、提取模块、计算模块、匹配模块A直到匹配到对应地图;
加载模块:将匹配到的地图文件下发到机器人端进行加载。
7.根据权利要求6所述的***,其特征是所述提取模块云端服务将提取每一帧收到图像的ORB特征点作为图像关键点,具体包括选取模块A、设置模块、选取模块B、判断模块和重复模块A:
选取模块A:在图像中选取像素p,设定其亮度为Ip;
设置模块:设置Ip的阈值T;
选取模块B:以像素p为中心选取像素点;
判断模块:判断选取的像素点是否为特征点;
重复模块A:对每个像素循环执行选取模块A、设置模块、选取模块B、判断模块操作,找到图片中所有特征点。
8.根据权利要求7所述的***,其特征是所述计算模块使用BRIEF特征描述方法对每个图像关键点计算其描述子。
9.根据权利要求8所述的***,其特征是所述匹配模块A具体包括匹配模块C和排序模块:
匹配模块C:将特征点与地图数据库中的地图文件进行特征点匹配;
排序模块:采用快速最近邻算法算法,生成所有地图文件与该帧图像特征点相似度数组、并进行降序排列。
10.根据权利要求9所述的***,其特征是所述匹配模块B具体包括下发模块、重复模块B:
下发模块:若云端匹配到相应的地图文件,则将地图下发给机器人;
重复模块B:若云端没有匹配到相应的地图文件,则机器人继续读取下一帧图像并上传至云端,重复上传模块、提取模块、计算模块、匹配模块A模块操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110471649.1A CN113010724A (zh) | 2021-04-29 | 2021-04-29 | 一种基于视觉特征点匹配的机器人地图选择方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110471649.1A CN113010724A (zh) | 2021-04-29 | 2021-04-29 | 一种基于视觉特征点匹配的机器人地图选择方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113010724A true CN113010724A (zh) | 2021-06-22 |
Family
ID=76380431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110471649.1A Pending CN113010724A (zh) | 2021-04-29 | 2021-04-29 | 一种基于视觉特征点匹配的机器人地图选择方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113010724A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030213A (zh) * | 2023-03-30 | 2023-04-28 | 千巡科技(深圳)有限公司 | 一种多机云边协同地图创建与动态数字孪生方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278170A (zh) * | 2013-05-16 | 2013-09-04 | 东南大学 | 基于显著场景点检测的移动机器人级联地图创建方法 |
CN107436148A (zh) * | 2016-05-25 | 2017-12-05 | 深圳市朗驰欣创科技股份有限公司 | 一种基于多地图的机器人导航方法及装置 |
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 |
CN108256574A (zh) * | 2018-01-16 | 2018-07-06 | 广东省智能制造研究所 | 机器人定位方法及装置 |
CN109073390A (zh) * | 2018-07-23 | 2018-12-21 | 深圳前海达闼云端智能科技有限公司 | 一种定位方法及装置、电子设备和可读存储介质 |
CN109459048A (zh) * | 2019-01-07 | 2019-03-12 | 上海岚豹智能科技有限公司 | 用于机器人的地图加载方法及设备 |
CN109544636A (zh) * | 2018-10-10 | 2019-03-29 | 广州大学 | 一种融合特征点法和直接法的快速单目视觉里程计导航定位方法 |
CN110849367A (zh) * | 2019-10-08 | 2020-02-28 | 杭州电子科技大学 | 基于融合uwb的视觉slam的室内定位与导航的方法 |
CN110967009A (zh) * | 2019-11-27 | 2020-04-07 | 云南电网有限责任公司电力科学研究院 | 变电站巡检机器人导航定位与地图构建方法及装置 |
CN112525206A (zh) * | 2019-09-17 | 2021-03-19 | 隆博科技(常熟)有限公司 | 一种基于多地图切换导航方法 |
CN112666943A (zh) * | 2020-12-17 | 2021-04-16 | 珠海市一微半导体有限公司 | 智能终端、清洁机器人和***的清扫地图存储方法和*** |
-
2021
- 2021-04-29 CN CN202110471649.1A patent/CN113010724A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278170A (zh) * | 2013-05-16 | 2013-09-04 | 东南大学 | 基于显著场景点检测的移动机器人级联地图创建方法 |
CN107436148A (zh) * | 2016-05-25 | 2017-12-05 | 深圳市朗驰欣创科技股份有限公司 | 一种基于多地图的机器人导航方法及装置 |
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 |
CN108256574A (zh) * | 2018-01-16 | 2018-07-06 | 广东省智能制造研究所 | 机器人定位方法及装置 |
CN109073390A (zh) * | 2018-07-23 | 2018-12-21 | 深圳前海达闼云端智能科技有限公司 | 一种定位方法及装置、电子设备和可读存储介质 |
CN109544636A (zh) * | 2018-10-10 | 2019-03-29 | 广州大学 | 一种融合特征点法和直接法的快速单目视觉里程计导航定位方法 |
CN109459048A (zh) * | 2019-01-07 | 2019-03-12 | 上海岚豹智能科技有限公司 | 用于机器人的地图加载方法及设备 |
CN112525206A (zh) * | 2019-09-17 | 2021-03-19 | 隆博科技(常熟)有限公司 | 一种基于多地图切换导航方法 |
CN110849367A (zh) * | 2019-10-08 | 2020-02-28 | 杭州电子科技大学 | 基于融合uwb的视觉slam的室内定位与导航的方法 |
CN110967009A (zh) * | 2019-11-27 | 2020-04-07 | 云南电网有限责任公司电力科学研究院 | 变电站巡检机器人导航定位与地图构建方法及装置 |
CN112666943A (zh) * | 2020-12-17 | 2021-04-16 | 珠海市一微半导体有限公司 | 智能终端、清洁机器人和***的清扫地图存储方法和*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030213A (zh) * | 2023-03-30 | 2023-04-28 | 千巡科技(深圳)有限公司 | 一种多机云边协同地图创建与动态数字孪生方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242973A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN111445517B (zh) | 机器人视觉末端定位方法、装置及计算机可读存储介质 | |
US10867166B2 (en) | Image processing apparatus, image processing system, and image processing method | |
CN110610150B (zh) | 一种目标运动物体的跟踪方法、装置、计算设备和介质 | |
WO2020233397A1 (zh) | 在视频中对目标进行检测的方法、装置、计算设备和存储介质 | |
CN110634138A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN113010724A (zh) | 一种基于视觉特征点匹配的机器人地图选择方法及*** | |
Tsoukalas et al. | Deep learning assisted visual tracking of evader-UAV | |
CN112883827B (zh) | 图像中指定目标的识别方法、装置、电子设备和存储介质 | |
CN114638846A (zh) | 拾取位姿信息确定方法、装置、设备和计算机可读介质 | |
Cai et al. | Improving CNN-based planar object detection with geometric prior knowledge | |
CN110930436B (zh) | 一种目标跟踪方法及设备 | |
CN112084365A (zh) | 基于OpenCV和CUDA加速的网络相机的实时图像检索方法 | |
CN115550555B (zh) | 云台校准方法及相关装置、摄像器件和存储介质 | |
CN109117757B (zh) | 一种提取航拍图像中拉索的方法 | |
CN112802112B (zh) | 视觉定位方法、装置、服务器及存储介质 | |
CN112767431B (zh) | 一种用于电力***的电网目标检测方法及装置 | |
CN112634357B (zh) | 用于机器人二维视觉***的通讯数据处理方法及*** | |
CN115546021A (zh) | 一种应用于冷床分流场景检测的多相机图像拼接方法 | |
CN114422776A (zh) | 摄像设备的检测方法及装置、存储介质、电子装置 | |
CN113721628A (zh) | 一种融合图像处理的迷宫机器人路径规划方法 | |
Bai et al. | Redundancy removal through semantic neighbor selection in visual sensor networks | |
CN112258453A (zh) | 一种工业故障巡检机器人定位地标检测方法 | |
CN115376073B (zh) | 一种基于特征点的异物检测方法和*** | |
CN117409043B (zh) | 一种亚像素级视频目标跟踪方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |
|
RJ01 | Rejection of invention patent application after publication |