CN113034562A - 用于优化深度信息的方法和装置 - Google Patents

用于优化深度信息的方法和装置 Download PDF

Info

Publication number
CN113034562A
CN113034562A CN201911251104.9A CN201911251104A CN113034562A CN 113034562 A CN113034562 A CN 113034562A CN 201911251104 A CN201911251104 A CN 201911251104A CN 113034562 A CN113034562 A CN 113034562A
Authority
CN
China
Prior art keywords
depth information
sparse
dense
information acquisition
key point
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.)
Granted
Application number
CN201911251104.9A
Other languages
English (en)
Other versions
CN113034562B (zh
Inventor
宋希彬
杨睿刚
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201911251104.9A priority Critical patent/CN113034562B/zh
Publication of CN113034562A publication Critical patent/CN113034562A/zh
Application granted granted Critical
Publication of CN113034562B publication Critical patent/CN113034562B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本申请实施例公开了用于优化深度信息的方法和装置。该方法的一具体实施方式包括：获取稀疏深度信息采集设备采集的稀疏深度信息和稠密深度信息采集设备采集的稠密深度信息，其中，稀疏深度信息采集设备与稠密深度信息采集设备安装在同一无人自主设备上，且存在视野共享区域；利用稀疏深度信息采集设备与稠密深度信息采集设备之间的标定参数将稀疏深度信息投影到稠密深度信息采集设备的坐标系中，得到投影深度信息；计算稠密深度信息的视野共享区域中的点与投影深度信息的视野共享区域中的点的深度误差；基于深度误差拟合误差模型函数；利用误差模型函数优化稠密深度信息。该实施方式提高了稠密深度信息的深度精度。

Description

用于优化深度信息的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于优化深度信息的方法和装置。
背景技术
目前稠密深度信息采集设备因其价格便宜在计算机视觉和机器人视觉中的应用越来越广泛。常见的稠密深度信息采集设备如ZED、Kinect等，这些稠密深度信息采集设备通常通过双目立体视觉或结构光及TOF技术等方式来获取场景中的深度信息。稠密深度信息采集设备获取的场景深度信息往往包含噪声，其深度精度较低。特别是距离较远时，稠密深度信息采集设备的深度精度较差。稠密深度信息采集设备的深度精度的衰退随着距离的增加呈指数级增长。
目前稠密深度信息采集设备获取的深度信息深度精度提升方式主要是使用稠密深度信息采集设备在不同距离上采集一块平面板的深度。平面板可以是门或其他特制的平面，平面板一般需与地面垂直。由于平面板到稠密深度信息采集设备的距离已知，通过稠密深度信息采集设备测量的平面板深度与已知的距离的比较，可以建立在不同距离上稠密深度信息采集设备的深度精度误差，从而来优化稠密深度信息采集设备的深度精度。
发明内容
本申请实施例提出了用于优化深度信息的方法和装置。
第一方面，本申请实施例提出了一种用于优化深度信息的方法，包括：获取稀疏深度信息采集设备采集的稀疏深度信息和稠密深度信息采集设备采集的稠密深度信息，其中，稀疏深度信息采集设备与稠密深度信息采集设备安装在同一无人自主设备上，且存在视野共享区域；利用稀疏深度信息采集设备与稠密深度信息采集设备之间的标定参数将稀疏深度信息投影到稠密深度信息采集设备的坐标系中，得到投影深度信息；计算稠密深度信息的视野共享区域中的点与投影深度信息的视野共享区域中的点的深度误差；基于深度误差拟合误差模型函数；利用误差模型函数优化稠密深度信息。
在一些实施例中，误差模型函数是直线方程或指数函数。
在一些实施例中，标定参数通过如下步骤确定：确定稀疏深度信息采集设备与稠密深度信息采集设备之间的初始标定参数；获取视野共享区域在稀疏深度信息采集设备的坐标系中的稀疏关键点集合和在稠密深度信息采集设备的坐标系中的稠密关键点集合；基于稀疏关键点集合和稠密关键点集合，生成关键点对集合；基于关键点对集合优化初始标定参数，得到标定参数。
在一些实施例中，获取视野共享区域在稀疏深度信息采集设备的坐标系中的稀疏关键点集合和在稠密深度信息采集设备的坐标系中的稠密关键点集合，包括：从稀疏深度信息选取视野共享区域中的稀疏关键点集合；从稠密深度信息选取与稀疏关键点集合的位置对应的稠密关键点集合。
在一些实施例中，基于关键点对集合优化初始标定参数，得到标定参数，包括：执行以下优化步骤：对于关键点对集合中的关键点对，利用初始标定参数将该关键点对中的稀疏关键点投影到稠密深度信息采集设备的坐标系中，得到投影关键点；计算投影关键点与该关键点对中的稠密关键点之间的距离；基于距离确定是否满足约束条件；若满足约束条件，将初始标定参数确定为标定参数。
在一些实施例中，基于关键点对集合优化初始标定参数，得到标定参数，还包括：响应于不满足约束条件，通过最小化距离优化初始标定参数，以及继续执行优化步骤。
在一些实施例中，在继续执行优化步骤之前，还包括：从稀疏深度信息的视野共享区域中选取与稀疏关键点集合不同的新稀疏关键点集合；从稠密深度信息的视野共享区域中选取与新稀疏关键点集合的位置对应的新稠密关键点集合；基于新稀疏关键点集合和新稠密关键点集合，生成新关键点对集合，以及合并到关键点对集合中。
在一些实施例中，初始标定参数包括初始旋转矩阵和初始平移矩阵；以及利用初始标定参数将该关键点对中的稀疏关键点投影到稠密深度信息采集设备的坐标系中，得到投影关键点，包括：计算该关键点对中的稀疏关键点与初始旋转矩阵的乘积，以及计算乘积与初始平移矩阵的和，得到投影关键点。
在一些实施例中，在优化步骤中利用最小二乘优化算法或迭代最近点算法优化初始标定参数。
第二方面，本申请实施例提出了一种用于优化深度信息的装置，包括：获取单元，被配置成获取稀疏深度信息采集设备采集的稀疏深度信息和稠密深度信息采集设备采集的稠密深度信息，其中，稀疏深度信息采集设备与稠密深度信息采集设备安装在同一无人自主设备上，且存在视野共享区域；投影单元，被配置成利用稀疏深度信息采集设备与稠密深度信息采集设备之间的标定参数将稀疏深度信息投影到稠密深度信息采集设备的坐标系中，得到投影深度信息；计算单元，被配置成计算稠密深度信息的视野共享区域中的点与投影深度信息的视野共享区域中的点的深度误差；拟合单元，被配置成基于深度误差拟合误差模型函数；优化单元，被配置成利用误差模型函数优化稠密深度信息。
在一些实施例中，误差模型函数是直线方程或指数函数。
在一些实施例中，标定参数通过如下步骤确定：确定稀疏深度信息采集设备与稠密深度信息采集设备之间的初始标定参数；获取视野共享区域在稀疏深度信息采集设备的坐标系中的稀疏关键点集合和在稠密深度信息采集设备的坐标系中的稠密关键点集合；基于稀疏关键点集合和稠密关键点集合，生成关键点对集合；基于关键点对集合优化初始标定参数，得到标定参数。
在一些实施例中，获取视野共享区域在稀疏深度信息采集设备的坐标系中的稀疏关键点集合和在稠密深度信息采集设备的坐标系中的稠密关键点集合，包括：从稀疏深度信息选取视野共享区域中的稀疏关键点集合；从稠密深度信息选取与稀疏关键点集合的位置对应的稠密关键点集合。
在一些实施例中，基于关键点对集合优化初始标定参数，得到标定参数，包括：执行以下优化步骤：对于关键点对集合中的关键点对，利用初始标定参数将该关键点对中的稀疏关键点投影到稠密深度信息采集设备的坐标系中，得到投影关键点；计算投影关键点与该关键点对中的稠密关键点之间的距离；基于距离确定是否满足约束条件；若满足约束条件，将初始标定参数确定为标定参数。
在一些实施例中，基于关键点对集合优化初始标定参数，得到标定参数，还包括：响应于不满足约束条件，通过最小化距离优化初始标定参数，以及继续执行优化步骤。
在一些实施例中，在继续执行优化步骤之前，还包括：从稀疏深度信息的视野共享区域中选取与稀疏关键点集合不同的新稀疏关键点集合；从稠密深度信息的视野共享区域中选取与新稀疏关键点集合的位置对应的新稠密关键点集合；基于新稀疏关键点集合和新稠密关键点集合，生成新关键点对集合，以及合并到关键点对集合中。
在一些实施例中，初始标定参数包括初始旋转矩阵和初始平移矩阵；以及利用初始标定参数将该关键点对中的稀疏关键点投影到稠密深度信息采集设备的坐标系中，得到投影关键点，包括：计算该关键点对中的稀疏关键点与初始旋转矩阵的乘积，以及计算乘积与初始平移矩阵的和，得到投影关键点。
在一些实施例中，在优化步骤中利用最小二乘优化算法或迭代最近点算法优化初始标定参数。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于优化深度信息的方法和装置，首先获取稀疏深度信息采集设备采集的稀疏深度信息和稠密深度信息采集设备采集的稠密深度信息；之后利用稀疏深度信息采集设备与稠密深度信息采集设备之间的标定参数将稀疏深度信息投影到稠密深度信息采集设备的坐标系中，得到投影深度信息；而后计算稠密深度信息的视野共享区域中的点与投影深度信息的视野共享区域中的点的深度误差；然后基于深度误差拟合误差模型函数；最后利用误差模型函数优化稠密深度信息。基于稀疏深度信息采集设备采集的稀疏深度信息优化稠密深度信息采集设备采集的稠密深度信息，不会引入测量误差，提高了稠密深度信息的深度精度。此外，稀疏深度信息在距离上连续，能够优化在任意位置处采集到的稠密深度信息。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性***架构；
图2是根据本申请的用于优化深度信息的方法的一个实施例的流程图；
图3是根据本申请的用于确定标定参数的方法的一个实施例的流程图；
图4是根据本申请的用于确定标定参数的方法的又一个实施例的流程图；
图5是根据本申请的用于优化深度信息的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于优化深度信息的方法或用于优化深度信息的装置的实施例的示例性***架构100。
如图1所示，***架构100中可以包括无人自主设备101、稀疏深度信息采集设备102、稠密深度信息采集设备103、服务器104和网络105。网络105用以在无人自主设备101、稀疏深度信息采集设备102、稠密深度信息采集设备103和服务器104之间提供通信链路的介质。网络105可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
稀疏深度信息采集设备102和稠密深度信息采集设备103安装在无人自主设备101上。通常，安装在无人自主设备101上的稀疏深度信息采集设备102和稠密深度信息采集设备103存在视野共享区域。
服务器104可以是提供各种服务的服务器，例如，无人自主设备101的后台服务器。无人自主设备101的后台服务器可以对稀疏深度信息采集设备102采集的稀疏深度信息和稠密深度信息采集设备103采集的稠密深度信息等数据进行分析等处理，生成处理结果(例如优化后的稠密深度信息)。
需要说明的是，服务器104可以是硬件，也可以是软件。当服务器104为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器104为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于优化深度信息的方法一般由服务器104执行，相应地，用于优化深度信息的装置一般设置于服务器104中。
应该理解，图1中的无人自主设备、稀疏深度信息采集设备、稠密深度信息采集设备、服务器和网络的数目仅仅是示意性的。根据实现需要，可以具有任意数目的无人自主设备、稀疏深度信息采集设备、稠密深度信息采集设备、服务器和网络。
继续参考图2，其示出了根据本申请的用于优化深度信息的方法的一个实施例的流程200。该用于优化深度信息的方法包括以下步骤：
步骤201，获取稀疏深度信息采集设备采集的稀疏深度信息和稠密深度信息采集设备采集的稠密深度信息。
在本实施例中，用于优化深度信息的方法的执行主体(例如图1所示的服务器104)可以获取稀疏深度信息采集设备(例如图1所示的稀疏深度信息采集设备102)采集的稀疏深度信息和稠密深度信息采集设备(例如图1所示的稠密深度信息采集设备103)采集的稠密深度信息。其中，稀疏深度信息包括的点是在稀疏深度信息采集设备的坐标系中的点。稠密深度信息包括的点是在稠密深度信息采集设备的坐标系中的点。
通常，无人自主设备(例如图1所示的无人自主设备101)可以是无需人为控制即可自主行驶或自主行走的设备，包括但不限于无人驾驶汽车、无人自主挖掘机、机器人等等。稀疏深度信息采集设备和稠密深度信息采集设备可以固定安装在同一无人自主设备上，且存在视野共享区域。稀疏深度信息采集设备可以例如是激光雷达，其采集的深度信息通常较为稀疏，且深度精度较高，但其价格通常较为昂贵。稠密深度信息采集设备可以例如是ZED、Kinect，其采集的深度信息通常较为稠密，且其价格通常较为便宜，但其深度精度较低。
需要说明的是，上述执行主体获取到的稀疏深度信息和稠密深度信息可以是稀疏深度信息采集设备和稠密深度信息采集设备同一时刻在任意不同场景下采集的深度信息。
步骤202，利用稀疏深度信息采集设备与稠密深度信息采集设备之间的标定参数将稀疏深度信息投影到稠密深度信息采集设备的坐标系中，得到投影深度信息。
在本实施例中，上述执行主体可以利用稀疏深度信息采集设备与稠密深度信息采集设备之间的标定参数将稀疏深度信息投影到稠密深度信息采集设备的坐标系中，得到投影深度信息。
通常，标定参数可以表征稀疏深度信息采集设备的坐标系与稠密深度信息采集设备的坐标系之间的位姿关系。标定参数可以通过多种方式确定。例如，通过测量法测量标定参数。具体地，上述执行主体可以首先获取稀疏深度信息采集设备的坐标系与稠密深度信息采集设备的坐标系之间的测量角度和测量距离；然后基于测量角度和测量距离，计算标定参数。其中，测量工具可以包括但不限于水平仪、量角器、卷尺和米尺等等。在稀疏深度信息采集设备和稠密深度信息采集设备固定安装在无人自主设备上之后，稀疏深度信息采集设备与稠密深度信息采集设备之间位姿关系就被固定下来。此时，不仅能够测量稀疏深度信息采集设备的坐标系的原点与稠密深度信息采集设备的坐标系的原点之间的距离，还能够测量稀疏深度信息采集设备的坐标系的三个坐标轴与稠密深度信息采集设备的坐标系的三个坐标轴之间的角度。
由于标定参数可以表征稀疏深度信息采集设备的坐标系与稠密深度信息采集设备的坐标系之间的位姿关系，因此稀疏深度信息采集设备的坐标系中的点可以基于标定参数投影到稠密深度信息采集设备的坐标系中的。
在本实施例的一些可选的实现方式中，标定参数可以包括旋转矩阵和平移矩阵。此时，上述执行主体可以计算稀疏深度信息中的点与旋转矩阵的乘积，以及计算乘积与平移矩阵的和，得到投影深度信息中的点。具体计算公式如下所示：
P2＝R×P1+T；
其中，R是旋转矩阵，T是平移矩阵，P1是稀疏深度信息中的点，P2是投影深度信息中的点。
步骤203，计算稠密深度信息的视野共享区域中的点与投影深度信息的视野共享区域中的点的深度误差。
在本实施例中，上述执行主体可以计算稠密深度信息的视野共享区域中的点与投影深度信息的视野共享区域中的点的深度误差。具体地，对于投影深度信息的视野共享区域中的点，上述执行主体可以计算稠密深度信息中的位置对应点与投影深度信息中的该点之间的距离，作为深度误差。
步骤204，基于深度误差拟合误差模型函数。
在本实施例中，上述执行主体可以首先在以深度距离为横坐标，以深度误差为纵坐标的二维坐标系中绘制深度误差对应的各个点；然后利用这些点拟合平滑直线或曲线。拟合的直线或曲线可以用函数表示，即误差模型函数。通常，误差模型函数可以是直线方程或指数函数。
步骤205，利用误差模型函数优化稠密深度信息。
在本实施例中，上述执行主体可以利用误差模型函数优化稠密深度信息。具体地，上述执行主体可以将稠密深度信息中的点作为自变量代入误差模型函数，得到的因变量就是优化后的稠密深度信息中的点。例如，若误差模型函数为y＝F(x)，稠密深度信息中的点为dk，那么优化后的稠密深度信息中的点dk'＝F(dk)。
本申请实施例提供的用于优化深度信息的方法，首先获取稀疏深度信息采集设备采集的稀疏深度信息和稠密深度信息采集设备采集的稠密深度信息；之后利用稀疏深度信息采集设备与稠密深度信息采集设备之间的标定参数将稀疏深度信息投影到稠密深度信息采集设备的坐标系中，得到投影深度信息；而后计算稠密深度信息的视野共享区域中的点与投影深度信息的视野共享区域中的点的深度误差；然后基于深度误差拟合误差模型函数；最后利用误差模型函数优化稠密深度信息。基于稀疏深度信息采集设备采集的稀疏深度信息优化稠密深度信息采集设备采集的稠密深度信息，不会引入测量误差，提高了稠密深度信息的深度精度。此外，稀疏深度信息在距离上连续，能够优化在任意位置处采集到的稠密深度信息。
进一步参考图3，其示出了根据本申请的用于确定标定参数的方法的一个实施例的流程300。该用于确定标定参数的方法包括以下步骤：
步骤301，确定稀疏深度信息采集设备与稠密深度信息采集设备之间的初始标定参数。
在本实施例中，用于确定标定参数的方法的执行主体(例如图1所示的服务器104)可以确定稀疏深度信息采集设备(例如图1所示的稀疏深度信息采集设备102)与稠密深度信息采集设备(例如图1所示的稠密深度信息采集设备103)之间的初始标定参数。其中，初始标定参数可以表征稀疏深度信息采集设备的坐标系与稠密深度信息采集设备的坐标系之间的初始位姿关系。
通常，无人自主设备(例如图1所示的无人自主设备101)可以是无需人为控制即可自主行驶或自主行走的设备，包括但不限于无人驾驶汽车、无人自主挖掘机、机器人等等。稀疏深度信息采集设备和稠密深度信息采集设备可以固定安装在同一无人自主设备上，且存在视野共享区域。稀疏深度信息采集设备可以例如是激光雷达，其采集的深度信息通常较为稀疏，且深度精度较高，但其价格通常较为昂贵。稠密深度信息采集设备可以例如是ZED、Kinect，其采集的深度信息通常较为稠密，且其价格通常较为便宜，但其深度精度较低。
实践中，初始标定参数可以通过多种方式确定。例如，根据经验预估初始标定参数。又例如，通过测量法测量初始标定参数。具体地，上述执行主体可以首先获取稀疏深度信息采集设备的坐标系与稠密深度信息采集设备的坐标系之间的测量角度和测量距离；然后基于测量角度和测量距离，计算初始标定参数。其中，测量工具可以包括但不限于水平仪、量角器、卷尺和米尺等等。在稀疏深度信息采集设备和稠密深度信息采集设备固定安装在无人自主设备上之后，稀疏深度信息采集设备与稠密深度信息采集设备之间位姿关系就被固定下来。此时，不仅能够测量稀疏深度信息采集设备的坐标系的原点与稠密深度信息采集设备的坐标系的原点之间的距离，还能够测量稀疏深度信息采集设备的坐标系的三个坐标轴与稠密深度信息采集设备的坐标系的三个坐标轴之间的角度。然而，测量工具本身具有误差。此外，若稀疏深度信息采集设备与稠密深度信息采集设备之间的距离较远，就会产生更多的误差。因此，测量法测量的初始标定参数并不能直接作为标定参数。
步骤302，获取视野共享区域在稀疏深度信息采集设备的坐标系中的稀疏关键点集合和在稠密深度信息采集设备的坐标系中的稠密关键点集合。
在本实施例中，上述执行主体可以获取视野共享区域在稀疏深度信息采集设备的坐标系中的稀疏关键点集合和在稠密深度信息采集设备的坐标系中的稠密关键点集合。
通常，上述执行主体可以从稀疏深度信息选取视野共享区域中的稀疏关键点集合；从稠密深度信息选取与稀疏关键点集合的位置对应的稠密关键点集合。其中，稀疏深度信息包括的点是在稀疏深度信息采集设备的坐标系中的点。稠密深度信息包括的点是在稠密深度信息采集设备的坐标系中的点。
步骤303，基于稀疏关键点集合和稠密关键点集合，生成关键点对集合。
在本实施例中，上述执行主体可以基于稀疏关键点集合和稠密关键点集合，生成关键点对集合。其中，关键点对集合中的每个关键点对可以包括一个稀疏关键点和一个稠密关键点，并且，同一关键点对中的稀疏关键点与稠密关键点的位置对应。换句话说，由于稀疏关键点集合中的稀疏关键点与稠密关键点集合中的稠密关键点在位置上一一对应，因此每对在位置上对应的稀疏关键点与稠密关键点可以生成一个关键点对。
步骤304，基于关键点对集合优化初始标定参数，得到标定参数。
在本实施例中，上述执行主体可以基于关键点对集合优化初始标定参数，得到标定参数。具体地，关键点对集合中的关键点对包括位置对应的稀疏关键点和稠密关键点。稀疏关键点是在稀疏深度信息采集设备的坐标系中的点，稠密关键点是在稠密深度信息采集设备的坐标系中的点，因此基于关键点对集合可以确定稀疏深度信息采集设备的坐标系与稠密深度信息采集设备的坐标系之间的真实角度和真实距离。若稀疏深度信息采集设备的坐标系与稠密深度信息采集设备的坐标系之间的真实角度和真实距离与初始标定参数对应的稀疏深度信息采集设备的坐标系与稠密深度信息采集设备的坐标系之间的测量角度和测量距离完全一致，说明初始标定参数就是真实的标定参数。若不一致，上述执行主体可以最小化两者之间的偏差来优化初始标定参数，以得到真实的标定参数。
本申请实施例提供的用于确定标定参数的方法，首先确定稀疏深度信息采集设备与稠密深度信息采集设备之间的初始标定参数；之后获取视野共享区域在稀疏深度信息采集设备的坐标系中的稀疏关键点集合和在稠密深度信息采集设备的坐标系中的稠密关键点集合；然后基于稀疏关键点集合和稠密关键点集合，生成关键点对集合；最后基于关键点对集合优化初始标定参数，得到标定参数。基于关键点对集合优化初始标定参数来得到标定参数，提高了标定参数的准确度。
进一步参考图4，其示出了根据本申请的用于确定标定参数的方法的又一个实施例的流程400。该用于确定标定参数的方法包括以下步骤：
步骤401，确定稀疏深度信息采集设备与稠密深度信息采集设备之间的初始标定参数。
在本实施例中，步骤401的具体操作已在图3所示的实施例中步骤301中进行了详细的介绍，在此不再赘述。
步骤402，从稀疏深度信息选取视野共享区域中的稀疏关键点集合。
在本实施例中，用于确定标定参数的方法的执行主体(例如图1所示的服务器104)可以从稀疏深度信息采集设备(例如图1所示的稀疏深度信息采集设备102)采集的稀疏深度信息中选取视野共享区域中的多个关键点，生成稀疏关键点集合。
步骤403，从稠密深度信息选取与稀疏关键点集合的位置对应的稠密关键点集合。
在本实施例中，上述执行主体可以从稠密深度信息采集设备(例如图1所示的稠密深度信息采集设备103)采集的稠密深度信息中依次选取出与稀疏关键点集合中的每个稀疏关键点的位置对应的关键点，生成稠密关键点集合。
步骤404，基于稀疏关键点集合和稠密关键点集合，生成关键点对集合。
在本实施例中，步骤404的具体操作已在图3所示的实施例中步骤303中进行了详细的介绍，在此不再赘述。
步骤405，对于关键点对集合中的关键点对，利用初始标定参数将该关键点对中的稀疏关键点投影到稠密深度信息采集设备的坐标系中，得到投影关键点。
在本实施例中，对于关键点对集合中的关键点对，上述执行主体可以利用初始标定参数将该关键点对中的稀疏关键点投影到稠密深度信息采集设备的坐标系中，得到对应的投影关键点。由于初始标定参数可以表征稀疏深度信息采集设备的坐标系与稠密深度信息采集设备的坐标系之间的初始位姿关系，因此稀疏深度信息采集设备的坐标系中的稀疏关键点是可以基于初始标定参数投影到稠密深度信息采集设备的坐标系中的。
在本实施例的一些可选的实现方式中，初始标定参数可以包括初始旋转矩阵和初始平移矩阵。此时，上述执行主体可以计算该关键点对中的稀疏关键点与初始旋转矩阵的乘积，以及计算乘积与初始平移矩阵的和，得到投影关键点。具体计算公式如下所示：
PC'＝R0×PX+T0；
其中，R0是初始旋转矩阵，T0是初始平移矩阵，(PX,PC)是关键点对，PX是稀疏关键点，PC是稠密关键点，PC'是稀疏关键点PX的投影关键点。
通常，若PC与PC'基本重合，说明初始标定参数准确，就是真实的标定参数。若PC与PC'偏差较大，说明初始标定参数不准确，需要进行优化。
步骤406，计算投影关键点与该关键点对中的稠密关键点之间的距离。
在本实施例中，上述执行主体可以计算投影关键点与该关键点对中的稠密关键点之间的距离。通常，距离越小，说明投影关键点与稠密关键点偏差越小；距离越大，说明投影关键点与稠密关键点偏差越大。
步骤407，基于距离确定是否满足约束条件。
在本实施例中，上述执行主体可以基于距离确定是否满足预设条件。若满足约束条件，继续执行步骤408；若不满足约束条件，继续执行步骤409。其中，约束条件可以是预先设置的满足需求的条件，例如距离小于预设阈值。若距离小于预设阈值，说明投影关键点与稠密关键点基本重合。若距离不小于预设阈值，说明投影关键点与稠密关键点偏差较大。
步骤408，将初始标定参数确定为标定参数。
在本实施例中，若满足约束条件，说明初始标定参数准确，就是真实的标定参数。此时，上述执行主体可以将初始标定参数直接确定为标定参数。
步骤409，通过最小化距离优化初始标定参数。
在本实施例中，若不满足约束条件，说明初始标定参数不准确，需要进行优化。具体地，上述执行主体可以通过最小化距离优化初始标定参数。其中，优化初始标定参数的算法可以例如是在最小二乘优化算法或迭代最近点算法优化初始标定参数。
步骤410，从稀疏深度信息的视野共享区域中选取与稀疏关键点集合不同的新稀疏关键点集合。
在本实施例中，上述执行主体可以从稀疏深度信息的视野共享区域中选取与稀疏关键点集合不同的新的多个关键点，生成新稀疏关键点集合。
步骤411，从稠密深度信息的视野共享区域中选取与新稀疏关键点集合的位置对应的新稠密关键点集合。
在本实施例中，上述执行主体可以从稠密深度信息的视野共享区域中选取与新稀疏关键点集合中的每个新稀疏关键点的位置对应的关键点，生成新稠密关键点集合。
步骤412，基于新稀疏关键点集合和新稠密关键点集合，生成新关键点对集合，以及合并到关键点对集合中。
在本实施例中，上述执行主体可以基于新稀疏关键点集合和新稠密关键点集合，生成新关键点对集合，并将新关键点对集合合并到关键点对集合中，随后继续执行步骤405。如此，经过多轮优化，即可得到满足需求的标定参数。
从图4中可以看出，与图3对应的实施例相比，本实施例中的用于确定标定参数的方法的流程400突出了优化初始标定参数的步骤。由此，本实施例描述的方案利用初始标定参数将稀疏关键点投影到稠密深度信息采集设备的坐标系中，得到投影关键点，基于投影关键点与稠密关键点之间的距离优化初始标定参数，提供了一种易于实现的优化方式。此外，在距离不满足约束条件的情况下，选取更多的关键点对增加样本的多样性来优化初始标定参数，从而提高了优化效果。
进一步参考图5，作为对上述各图所示的方法的实现，本申请提供了一种用于优化深度信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于优化深度信息的装置500可以包括：获取单元501、投影单元502、计算单元503、拟合单元和优化单元505。其中，获取单元501，被配置成获取稀疏深度信息采集设备采集的稀疏深度信息和稠密深度信息采集设备采集的稠密深度信息，其中，稀疏深度信息采集设备与稠密深度信息采集设备安装在同一无人自主设备上，且存在视野共享区域；投影单元502，被配置成利用稀疏深度信息采集设备与稠密深度信息采集设备之间的标定参数将稀疏深度信息投影到稠密深度信息采集设备的坐标系中，得到投影深度信息；计算单元503，被配置成计算稠密深度信息的视野共享区域中的点与投影深度信息的视野共享区域中的点的深度误差；拟合单元504，被配置成基于深度误差拟合误差模型函数；优化单元505，被配置成利用误差模型函数优化稠密深度信息。
在本实施例中，用于优化深度信息的装置500中：获取单元501、投影单元502、计算单元503、拟合单元和优化单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，误差模型函数是直线方程或指数函数。
在本实施例的一些可选的实现方式中，标定参数通过如下步骤确定：确定稀疏深度信息采集设备与稠密深度信息采集设备之间的初始标定参数；获取视野共享区域在稀疏深度信息采集设备的坐标系中的稀疏关键点集合和在稠密深度信息采集设备的坐标系中的稠密关键点集合；基于稀疏关键点集合和稠密关键点集合，生成关键点对集合；基于关键点对集合优化初始标定参数，得到标定参数。
在本实施例的一些可选的实现方式中，获取视野共享区域在稀疏深度信息采集设备的坐标系中的稀疏关键点集合和在稠密深度信息采集设备的坐标系中的稠密关键点集合，包括：从稀疏深度信息选取视野共享区域中的稀疏关键点集合；从稠密深度信息选取与稀疏关键点集合的位置对应的稠密关键点集合。
在本实施例的一些可选的实现方式中，基于关键点对集合优化初始标定参数，得到标定参数，包括：执行以下优化步骤：对于关键点对集合中的关键点对，利用初始标定参数将该关键点对中的稀疏关键点投影到稠密深度信息采集设备的坐标系中，得到投影关键点；计算投影关键点与该关键点对中的稠密关键点之间的距离；基于距离确定是否满足约束条件；若满足约束条件，将初始标定参数确定为标定参数。
在本实施例的一些可选的实现方式中，基于关键点对集合优化初始标定参数，得到标定参数，还包括：响应于不满足约束条件，通过最小化距离优化初始标定参数，以及继续执行优化步骤。
在本实施例的一些可选的实现方式中，在继续执行优化步骤之前，还包括：从稀疏深度信息的视野共享区域中选取与稀疏关键点集合不同的新稀疏关键点集合；从稠密深度信息的视野共享区域中选取与新稀疏关键点集合的位置对应的新稠密关键点集合；基于新稀疏关键点集合和新稠密关键点集合，生成新关键点对集合，以及合并到关键点对集合中。
在本实施例的一些可选的实现方式中，初始标定参数包括初始旋转矩阵和初始平移矩阵；以及利用初始标定参数将该关键点对中的稀疏关键点投影到稠密深度信息采集设备的坐标系中，得到投影关键点，包括：计算该关键点对中的稀疏关键点与初始旋转矩阵的乘积，以及计算乘积与初始平移矩阵的和，得到投影关键点。
在本实施例的一些可选的实现方式中，在优化步骤中利用最小二乘优化算法或迭代最近点算法优化初始标定参数。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器104)的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机***600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电子设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、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，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示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***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、投影单元、计算单元、拟合单元和优化单元。其中，这些单元的名称在种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取稀疏深度信息采集设备采集的稀疏深度信息和稠密深度信息采集设备采集的稠密深度信息的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取稀疏深度信息采集设备采集的稀疏深度信息和稠密深度信息采集设备采集的稠密深度信息，其中，稀疏深度信息采集设备与稠密深度信息采集设备安装在同一无人自主设备上，且存在视野共享区域；利用稀疏深度信息采集设备与稠密深度信息采集设备之间的标定参数将稀疏深度信息投影到稠密深度信息采集设备的坐标系中，得到投影深度信息；计算稠密深度信息的视野共享区域中的点与投影深度信息的视野共享区域中的点的深度误差；基于深度误差拟合误差模型函数；利用误差模型函数优化稠密深度信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (20)

1.一种用于优化深度信息的方法，包括：
获取稀疏深度信息采集设备采集的稀疏深度信息和稠密深度信息采集设备采集的稠密深度信息，其中，所述稀疏深度信息采集设备与所述稠密深度信息采集设备安装在同一无人自主设备上，且存在视野共享区域；
利用所述稀疏深度信息采集设备与所述稠密深度信息采集设备之间的标定参数将所述稀疏深度信息投影到所述稠密深度信息采集设备的坐标系中，得到投影深度信息；
计算所述稠密深度信息的所述视野共享区域中的点与所述投影深度信息的所述视野共享区域中的点的深度误差；
基于所述深度误差拟合误差模型函数；
利用所述误差模型函数优化所述稠密深度信息。
2.根据权利要求1所述的方法，其中，所述误差模型函数是直线方程或指数函数。
3.根据权利要求1所述的方法，其中，所述标定参数通过如下步骤确定：
确定所述稀疏深度信息采集设备与所述稠密深度信息采集设备之间的初始标定参数；
获取所述视野共享区域在所述稀疏深度信息采集设备的坐标系中的稀疏关键点集合和在所述稠密深度信息采集设备的坐标系中的稠密关键点集合；
基于所述稀疏关键点集合和所述稠密关键点集合，生成关键点对集合；
基于所述关键点对集合优化所述初始标定参数，得到所述标定参数。
4.根据权利要求3所述的方法，其中，所述获取所述视野共享区域在所述稀疏深度信息采集设备的坐标系中的稀疏关键点集合和在所述稠密深度信息采集设备的坐标系中的稠密关键点集合，包括：
从所述稀疏深度信息选取所述视野共享区域中的稀疏关键点集合；
从所述稠密深度信息选取与所述稀疏关键点集合的位置对应的稠密关键点集合。
5.根据权利要求4所述的方法，其中，所述基于所述关键点对集合优化所述初始标定参数，得到所述标定参数，包括：
执行以下优化步骤：对于所述关键点对集合中的关键点对，利用所述初始标定参数将该关键点对中的稀疏关键点投影到所述稠密深度信息采集设备的坐标系中，得到投影关键点；计算所述投影关键点与该关键点对中的稠密关键点之间的距离；基于所述距离确定是否满足约束条件；若满足所述约束条件，将所述初始标定参数确定为所述标定参数。
6.根据权利要求5所述的方法，其中，所述基于所述关键点对集合优化所述初始标定参数，得到所述标定参数，还包括：
响应于不满足所述约束条件，通过最小化所述距离优化所述初始标定参数，以及继续执行所述优化步骤。
7.根据权利要求6所述的方法，其中，在所述继续执行所述优化步骤之前，还包括：
从所述稀疏深度信息的所述视野共享区域中选取与所述稀疏关键点集合不同的新稀疏关键点集合；
从所述稠密深度信息的所述视野共享区域中选取与所述新稀疏关键点集合的位置对应的新稠密关键点集合；
基于所述新稀疏关键点集合和所述新稠密关键点集合，生成新关键点对集合，以及合并到所述关键点对集合中。
8.根据权利要求5-7之一所述的方法，其中，所述初始标定参数包括初始旋转矩阵和初始平移矩阵；以及
所述利用所述初始标定参数将该关键点对中的稀疏关键点投影到所述稠密深度信息采集设备的坐标系中，得到投影关键点，包括：
计算该关键点对中的稀疏关键点与所述初始旋转矩阵的乘积，以及计算所述乘积与所述初始平移矩阵的和，得到所述投影关键点。
9.根据权利要求5-7之一所述的方法，其中，在所述优化步骤中利用最小二乘优化算法或迭代最近点算法优化所述初始标定参数。
10.一种用于优化深度信息的装置，包括：
获取单元，被配置成获取稀疏深度信息采集设备采集的稀疏深度信息和稠密深度信息采集设备采集的稠密深度信息，其中，所述稀疏深度信息采集设备与所述稠密深度信息采集设备安装在同一无人自主设备上，且存在视野共享区域；
投影单元，被配置成利用所述稀疏深度信息采集设备与所述稠密深度信息采集设备之间的标定参数将所述稀疏深度信息投影到所述稠密深度信息采集设备的坐标系中，得到投影深度信息；
计算单元，被配置成计算所述稠密深度信息的所述视野共享区域中的点与所述投影深度信息的所述视野共享区域中的点的深度误差；
拟合单元，被配置成基于所述深度误差拟合误差模型函数；
优化单元，被配置成利用所述误差模型函数优化所述稠密深度信息。
11.根据权利要求10所述的装置，其中，所述误差模型函数是直线方程或指数函数。
12.根据权利要求10所述的装置，其中，所述标定参数通过如下步骤确定：
确定所述稀疏深度信息采集设备与所述稠密深度信息采集设备之间的初始标定参数；
获取所述视野共享区域在所述稀疏深度信息采集设备的坐标系中的稀疏关键点集合和在所述稠密深度信息采集设备的坐标系中的稠密关键点集合；
基于所述稀疏关键点集合和所述稠密关键点集合，生成关键点对集合；
基于所述关键点对集合优化所述初始标定参数，得到所述标定参数。
13.根据权利要求12所述的装置，其中，所述获取所述视野共享区域在所述稀疏深度信息采集设备的坐标系中的稀疏关键点集合和在所述稠密深度信息采集设备的坐标系中的稠密关键点集合，包括：
从所述稀疏深度信息选取所述视野共享区域中的稀疏关键点集合；
从所述稠密深度信息选取与所述稀疏关键点集合的位置对应的稠密关键点集合。
14.根据权利要求13所述的装置，其中，所述基于所述关键点对集合优化所述初始标定参数，得到所述标定参数，包括：
执行以下优化步骤：对于所述关键点对集合中的关键点对，利用所述初始标定参数将该关键点对中的稀疏关键点投影到所述稠密深度信息采集设备的坐标系中，得到投影关键点；计算所述投影关键点与该关键点对中的稠密关键点之间的距离；基于所述距离确定是否满足约束条件；若满足所述约束条件，将所述初始标定参数确定为所述标定参数。
15.根据权利要求14所述的装置，其中，所述基于所述关键点对集合优化所述初始标定参数，得到所述标定参数，还包括：
响应于不满足所述约束条件，通过最小化所述距离优化所述初始标定参数，以及继续执行所述优化步骤。
16.根据权利要求15所述的装置，其中，在所述继续执行所述优化步骤之前，还包括：
从所述稀疏深度信息的所述视野共享区域中选取与所述稀疏关键点集合不同的新稀疏关键点集合；
从所述稠密深度信息的所述视野共享区域中选取与所述新稀疏关键点集合的位置对应的新稠密关键点集合；
基于所述新稀疏关键点集合和所述新稠密关键点集合，生成新关键点对集合，以及合并到所述关键点对集合中。
17.根据权利要求14-16之一所述的装置，其中，所述初始标定参数包括初始旋转矩阵和初始平移矩阵；以及
所述利用所述初始标定参数将该关键点对中的稀疏关键点投影到所述稠密深度信息采集设备的坐标系中，得到投影关键点，包括：
计算该关键点对中的稀疏关键点与所述初始旋转矩阵的乘积，以及计算所述乘积与所述初始平移矩阵的和，得到所述投影关键点。
18.根据权利要求14-16之一所述的装置，其中，在所述优化步骤中利用最小二乘优化算法或迭代最近点算法优化所述初始标定参数。
19.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
20.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-9中任一所述的方法。
CN201911251104.9A 2019-12-09 2019-12-09 用于优化深度信息的方法和装置 Active CN113034562B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911251104.9A CN113034562B (zh) 2019-12-09 2019-12-09 用于优化深度信息的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911251104.9A CN113034562B (zh) 2019-12-09 2019-12-09 用于优化深度信息的方法和装置

Publications (2)

Publication Number Publication Date
CN113034562A true CN113034562A (zh) 2021-06-25
CN113034562B CN113034562B (zh) 2023-05-12

Family

ID=76451060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911251104.9A Active CN113034562B (zh) 2019-12-09 2019-12-09 用于优化深度信息的方法和装置

Country Status (1)

Country Link
CN (1) CN113034562B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780349A (zh) * 2021-08-09 2021-12-10 深圳奥锐达科技有限公司 训练样本集的获取方法、模型训练方法及相关装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346608A (zh) * 2013-07-26 2015-02-11 株式会社理光 稀疏深度图稠密化方法和装置
CN106780588A (zh) * 2016-12-09 2017-05-31 浙江大学 一种基于稀疏激光观测的图像深度估计方法
KR20170108410A (ko) * 2016-03-17 2017-09-27 한국전자통신연구원 다시점 스테레오 장치 및 방법
CN107481279A (zh) * 2017-05-18 2017-12-15 华中科技大学 一种单目视频深度图计算方法
CN109584166A (zh) * 2017-09-29 2019-04-05 株式会社理光 视差图稠密化方法、装置和计算机可读存储介质
CN109615652A (zh) * 2018-10-23 2019-04-12 西安交通大学 一种深度信息获取方法及装置
CN109685842A (zh) * 2018-12-14 2019-04-26 电子科技大学 一种基于多尺度网络的稀疏深度稠密化方法
CN110097589A (zh) * 2019-04-29 2019-08-06 广东工业大学 一种应用于稀疏地图稠密化的深度补全方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346608A (zh) * 2013-07-26 2015-02-11 株式会社理光 稀疏深度图稠密化方法和装置
KR20170108410A (ko) * 2016-03-17 2017-09-27 한국전자통신연구원 다시점 스테레오 장치 및 방법
CN106780588A (zh) * 2016-12-09 2017-05-31 浙江大学 一种基于稀疏激光观测的图像深度估计方法
CN107481279A (zh) * 2017-05-18 2017-12-15 华中科技大学 一种单目视频深度图计算方法
CN109584166A (zh) * 2017-09-29 2019-04-05 株式会社理光 视差图稠密化方法、装置和计算机可读存储介质
CN109615652A (zh) * 2018-10-23 2019-04-12 西安交通大学 一种深度信息获取方法及装置
CN109685842A (zh) * 2018-12-14 2019-04-26 电子科技大学 一种基于多尺度网络的稀疏深度稠密化方法
CN110097589A (zh) * 2019-04-29 2019-08-06 广东工业大学 一种应用于稀疏地图稠密化的深度补全方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闫冰: "基于深度图的三维重建算法的优化研究", 中国优秀硕士学位论文全文数据库信息科技辑 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780349A (zh) * 2021-08-09 2021-12-10 深圳奥锐达科技有限公司 训练样本集的获取方法、模型训练方法及相关装置
CN113780349B (zh) * 2021-08-09 2023-07-11 深圳奥锐达科技有限公司 训练样本集的获取方法、模型训练方法及相关装置

Also Published As

Publication number Publication date
CN113034562B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
US11024045B2 (en) Method and apparatus for generating three-dimensional data, device, and storage medium
CN109521403B (zh) 多线激光雷达的参数标定方法及装置、设备及可读介质
CN115265523B (zh) 机器人同时定位与建图方法、装置及可读介质
CN111174799B (zh) 地图构建方法及装置、计算机可读介质、终端设备
CN112634181B (zh) 用于检测地面点云点的方法和装置
EP3620817A1 (en) Method and apparatus for generating object detection box, device, storage medium, and vehicle
CN109270545B (zh) 一种定位真值校验方法、装置、设备及存储介质
CN109407073B (zh) 反射值地图构建方法和装置
CN107123142B (zh) 位姿估计方法和装置
CN109359170B (zh) 用于生成信息的方法和装置
KR20210052409A (ko) 차선의 확정방법, 포지셔닝 정밀도의 평가방법, 장치, 기기 및 컴퓨터 프로그램
CN113607185B (zh) 车道线信息显示方法、装置、电子设备和计算机可读介质
CN107504917B (zh) 一种三维尺寸测量方法及装置
US20190035148A1 (en) Resolution adaptive mesh that is generated using an intermediate implicit representation of a point cloud
CN112561990B (zh) 定位信息生成方法、装置、设备和计算机可读介质
CN110618413A (zh) 基于多线激光雷达的可通行区域检测方法和装置
CN113034603B (zh) 用于确定标定参数的方法和装置
WO2014033874A1 (ja) 測定位置指示装置、測定位置指示方法
CN109827610B (zh) 用于校验传感器融合结果的方法和装置
CN113034562B (zh) 用于优化深度信息的方法和装置
CN113177980A (zh) 用于自动驾驶的目标对象速度确定方法、装置及电子设备
CN114136327B (zh) 一种虚线段的查全率的自动化检查方法及***
CN110853098A (zh) 机器人定位方法、装置、设备及存储介质
CN110634159A (zh) 一种目标检测方法和装置
CN115436918A (zh) 一种激光雷达与无人车的水平角度的校正方法和装置

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
GR01 Patent grant
GR01 Patent grant