KR20210022016A - Method and system for improving depth information of feature points using camera and lidar - Google Patents
Method and system for improving depth information of feature points using camera and lidar Download PDFInfo
- Publication number
- KR20210022016A KR20210022016A KR1020210019778A KR20210019778A KR20210022016A KR 20210022016 A KR20210022016 A KR 20210022016A KR 1020210019778 A KR1020210019778 A KR 1020210019778A KR 20210019778 A KR20210019778 A KR 20210019778A KR 20210022016 A KR20210022016 A KR 20210022016A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- point
- depth information
- feature point
- lidar
- Prior art date
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
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/06—Ray-tracing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
- G06T15/20—Perspective computation
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/204—Image signal generators using stereoscopic image cameras
- H04N13/254—Image signal generators using stereoscopic image cameras in combination with electromagnetic radiation sources for illuminating objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/271—Image signal generators wherein the generated image signals comprise depth maps or disparity maps
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
Description
아래의 설명은 이미지를 이용하여 3차원 구조(structure)를 생성하는 기술에 관한 것이다.The following description relates to a technology for generating a three-dimensional structure using an image.
이동로봇은 주어진 환경 내에서 자신의 위치를 파악할 수 있어야 할 뿐만 아니라, 이전에 경험하지 못한 새로운 환경에 놓이는 경우 스스로 그 주변 화면에 대한 지도를 작성할 수 있어야 한다.Mobile robots must not only be able to grasp their location within a given environment, but must also be able to map their surrounding screens by themselves when they are placed in a new environment that they have not experienced before.
이동로봇의 지도 작성이란, 이동로봇의 자율 주행에 필요한 사전 데이터를 생성하는 것을 의미한다. 라이다를 사용하여 위치를 측위하는 로봇은 3차원 정밀 데이터가 필요하고, 이미지를 기반으로 위치를 측위하는 로봇은 이미지 기반의 3차원 특징점으로 구성된 데이터가 필요하다.Mapping of a mobile robot means generating pre-data necessary for autonomous driving of the mobile robot. A robot positioning a position using a lidar needs 3D precise data, and a robot positioning a position based on an image needs data composed of image-based three-dimensional feature points.
이동로봇의 지도 작성 기술의 일례로, 한국 공개특허공보 제10-2011-0001932호(공개일 2011년 01월 06일)에는 로봇을 임의 방향으로 이동시키면서 실내 공간에 존재하는 장애물의 위치를 파악하여 장애물의 위치를 지도 상에 표시함으로써 실내 지도를 작성하는 기술이 개시되어 있다.As an example of a mobile robot's mapping technology, Korean Patent Laid-Open Publication No. 10-2011-0001932 (published on January 06, 2011) identifies the location of obstacles in an indoor space while moving the robot in an arbitrary direction. A technology for creating an indoor map by displaying the location of an obstacle on a map is disclosed.
라이다(LiDAR)와 카메라를 이용하여 지도 작성을 위한 3차원 구조를 생성할 수 있는 방법 및 시스템을 제공한다.It provides a method and system that can generate a three-dimensional structure for map creation using LiDAR and a camera.
카메라로 획득한 이미지와 함께 라이다 스캔 데이터를 이용하여 해당 이미지의 깊이(depth)를 정밀하게 구할 수 있는 방법 및 시스템을 제공한다.A method and system capable of accurately obtaining the depth of a corresponding image by using lidar scan data with an image acquired by a camera are provided.
라이다 기반 SLAM(Simultaneous Localization And Map-Building)과 이미지를 이용하여 깊이 값을 정제할 수 있는 방법 및 시스템을 제공한다.It provides a method and system for refining the depth value using a lidar-based SLAM (Simultaneous Localization And Map-Building) and an image.
컴퓨터 시스템에서 실행되는 방법에 있어서, 상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 방법은, VL(visual localization)을 위해 이미지와 라이다(LiDAR)를 이용하여 상기 이미지의 각 픽셀에 대한 3차원 좌표를 포함하는 3차원 구조를 생성하는 것으로, 상기 적어도 하나의 프로세서에 의해, 카메라를 통해 지도 작성을 위한 상기 이미지를 획득함과 동시에, 상기 라이다를 통해 라이다 스캔 데이터를 획득하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 이미지와 함께 상기 라이다 스캔 데이터를 이용하여 상기 이미지에서 추출된 특징점의 깊이 정보를 획득하는 단계를 포함하고, 상기 이미지에서 추출된 특징점의 깊이 정보를 획득하는 단계는, 상기 이미지에서 상기 특징점을 추출하는 단계; 상기 이미지와 동시간대에 획득한 상기 라이다 스캔 데이터를 이용하여 SLAM(Simultaneous Localization And Map-Building)을 수행함으로써 포즈(pose)가 태깅된 포인트 클라우드(point cloud)를 구성하는 단계; 상기 포인트 클라우드에서 상기 이미지의 포즈 정보에 대응되는 뷰 영역(view frustum)의 포인트 클라우드를 추출하는 단계; 및 광선 투사법(ray casting)을 기반으로 상기 추출된 포인트 클라우드에서 상기 카메라의 렌즈와 상기 특징점을 잇는 연장선 상에 존재하는 포인트 중 가장 인접한 포인트를 상기 특징점의 깊이 정보에 해당되는 3차원 좌표로 결정하는 단계를 포함하고, 상기 특징점의 깊이 정보에 해당되는 3차원 좌표로 결정하는 단계는, 상기 특징점의 좌표와 상기 추출된 포인트 클라우드를 구형 좌표계(spherical coordinate)로 변경하는 단계; 및 상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계를 포함하는 방법을 제공한다.A method executed in a computer system, the computer system comprising at least one processor configured to execute computer readable instructions contained in a memory, the method comprising: an image and a LiDAR for visual localization (VL). ) To generate a three-dimensional structure including three-dimensional coordinates for each pixel of the image, and at the same time as obtaining the image for mapping through a camera by the at least one processor, the Obtaining lidar scan data through IDA; And obtaining, by the at least one processor, depth information of the feature point extracted from the image by using the lidar scan data together with the image, and obtaining depth information of the feature point extracted from the image. The step may include extracting the feature point from the image; Configuring a point cloud to which a pose is tagged by performing SLAM (Simultaneous Localization And Map-Building) using the lidar scan data acquired at the same time as the image; Extracting a point cloud of a view frustum corresponding to the pose information of the image from the point cloud; And determining the nearest point among points existing on an extension line connecting the lens of the camera and the feature point in the extracted point cloud based on ray casting as a 3D coordinate corresponding to depth information of the feature point. The step of determining the three-dimensional coordinates corresponding to the depth information of the feature point includes: changing the coordinates of the feature point and the extracted point cloud into a spherical coordinate system; And determining the coordinates of the feature point and the nearest point in the spherical coordinate system as the three-dimensional coordinates.
일 측면에 따르면, 상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계는, 상기 구형 좌표계에서 거리 값()을 무시하고 각도 값만을 이용하여 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정할 수 있다.According to one aspect, the step of determining the coordinates of the feature points and the closest points in the spherical coordinate system as the three-dimensional coordinates, in the spherical coordinate system, the distance value ( ), ignoring the angle value The nearest point can be determined as the three-dimensional coordinates using only.
다른 측면에 따르면, 상기 특징점을 추출하는 단계는, 상기 이미지에서 회전(rotation)과 크기(scale)에 불변하는 특성을 가진 특징점을 추출할 수 있다.According to another aspect, in the step of extracting the feature points, feature points having characteristics that are invariant to rotation and scale may be extracted from the image.
또 다른 측면에 따르면, 상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계는, 상기 특징점을 통과하는 시선 방향에서 시선과 객체 간의 교점을 찾아 상기 특징점의 3차원 좌표를 결정할 수 있다.According to another aspect, the step of determining the coordinates of the feature points and the closest points in the spherical coordinate system as the three-dimensional coordinates includes finding an intersection point between the line of sight and the object in the direction of the line of sight passing through the feature points, You can determine the coordinates.
상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계는, 다차원 트리 구조(KD-tree)를 이용한 NNS(nearest neighbor search)을 통해 상기 포인트 클라우드에서 상기 특징점의 3차원 좌표를 찾을 수 있다.The step of determining the coordinates of the feature points and the closest points in the spherical coordinate system as the three-dimensional coordinates includes 3 of the feature points in the point cloud through NNS (nearest neighbor search) using a multidimensional tree structure (KD-tree). You can find the dimensional coordinates.
상기 방법을 상기 컴퓨터 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램을 제공한다.There is provided a computer program stored in a non-transitory computer-readable recording medium for executing the method on the computer system.
상기 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 비-일시적인 컴퓨터 판독 가능한 기록 매체를 제공한다.A non-transitory computer-readable recording medium in which a program for executing the method is recorded on a computer is provided.
컴퓨터 시스템에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, VL(visual localization)을 위해 이미지와 라이다(LiDAR)를 이용하여 상기 이미지의 각 픽셀에 대한 3차원 좌표를 포함하는 3차원 구조를 생성하는 것으로, 카메라를 통해 지도 작성을 위한 상기 이미지를 획득함과 동시에, 상기 라이다를 통해 라이다 스캔 데이터를 획득하는 데이터 획득부; 및 상기 적어도 하나의 프로세서에 의해, 상기 이미지와 함께 상기 라이다 스캔 데이터를 이용하여 상기 이미지에서 추출된 특징점의 깊이 정보를 획득하는 깊이 정보 획득부를 포함하고, 상기 깊이 정보 획득부는, 상기 이미지에서 상기 특징점을 추출하고, 상기 이미지와 동시간대에 획득한 상기 라이다 스캔 데이터를 이용하여 SLAM(Simultaneous Localization And Map-Building)을 수행함으로써 포즈(pose)가 태깅된 포인트 클라우드(point cloud)를 구성하고, 상기 포인트 클라우드에서 상기 이미지의 포즈 정보에 대응되는 뷰 영역(view frustum)의 포인트 클라우드를 추출하고, 광선 투사법(ray casting)을 기반으로 상기 추출된 포인트 클라우드에서 상기 카메라의 렌즈와 상기 특징점을 잇는 연장선 상에 존재하는 포인트 중 가장 인접한 포인트를 상기 특징점의 깊이 정보에 해당되는 3차원 좌표로 결정하고, 상기 깊이 정보 획득부는, 상기 특징점의 좌표와 상기 추출된 포인트 클라우드를 구형 좌표계(spherical coordinate)로 변경하고, 상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 것을 특징으로 하는 컴퓨터 시스템을 제공한다.A computer system comprising at least one processor configured to execute computer readable instructions contained in a memory, wherein the at least one processor uses an image and LiDAR for visual localization (VL). A data acquisition unit that generates a 3D structure including 3D coordinates for each pixel of an image, and acquires the image for map creation through a camera and at the same time acquires the lidar scan data through the lidar. ; And a depth information acquisition unit for acquiring depth information of a feature point extracted from the image by using the lidar scan data together with the image, by the at least one processor, wherein the depth information acquisition unit includes the Compose a point cloud to which a pose is tagged by extracting a feature point and performing SLAM (Simultaneous Localization And Map-Building) using the lidar scan data acquired at the same time as the image, Extracting a point cloud of a view frustum corresponding to the pose information of the image from the point cloud, and connecting the lens of the camera and the feature point in the extracted point cloud based on ray casting. The nearest point among the points existing on the extension line is determined as a three-dimensional coordinate corresponding to depth information of the feature point, and the depth information acquisition unit converts the coordinates of the feature point and the extracted point cloud into a spherical coordinate system. And determining the coordinates of the feature points and the closest points in the spherical coordinate system as the three-dimensional coordinates.
본 발명의 실시예들에 따르면, 라이다와 카메라를 이용하여 3차원 구조를 생성함으로써 더욱 정확한 지도를 작성할 수 있다.According to embodiments of the present invention, it is possible to create a more accurate map by creating a three-dimensional structure using a lidar and a camera.
본 발명의 실시예들에 따르면, 라이다 스캔 데이터를 이용하여 이미지의 깊이를 실측치(real date)로 얻을 수 있어 3차원 구조의 깊이 정보를 향상시킬 수 있다.According to embodiments of the present invention, depth information of a 3D structure may be improved by obtaining a depth of an image as a real date using lidar scan data.
본 발명의 실시예들에 따르면, 라이다 기반 SLAM과 이미지를 이용하여 깊이 값을 정제함으로써 최적화된 3차원 구조를 얻을 수 있다.According to embodiments of the present invention, an optimized 3D structure can be obtained by refining a depth value using a lidar-based SLAM and an image.
도 1은 본 발명의 일실시예에 있어서 컴퓨터 시스템의 내부 구성의 일례를 설명하기 위한 블록도이다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 시스템의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이다.
도 3은 본 발명의 일실시예에 따른 컴퓨터 시스템이 수행할 수 있는 깊이 정보 향상 방법의 예를 도시한 순서도이다.
도 4는 본 발명의 일실시예에 있어서 라이다 SLAM을 통한 포즈 태깅 과정의 일례를 설명하기 위한 도면이다.
도 5는 본 발명의 일실시예에 있어서 이미지의 특징점의 깊이 정보를 획득하는 과정의 일례를 설명하기 위한 도면이다.
도 6은 본 발명의 일실시예에 있어서 이미지의 특징점을 추출하는 과정을 설명하기 위한 예시 도면이다.
도 7은 본 발명의 일실시예에 있어서 라이다 스캔 데이터에 의해 구성된 포인트 클라우드를 설명하기 위한 예시 도면이다.
도 8은 본 발명의 일실시예에 있어서 라이다 포인트 클라우드에 대한 뷰 영역 컬링(culling) 과정을 설명하기 위한 예시 도면이다.
도 9는 본 발명의 일실시예에 있어서 이미지의 특징점 좌표와 포인트 클라우드를 구형 좌표계로 변경하는 과정을 설명하기 위한 예시 도면이다.
도 10은 본 발명의 일실시예에 있어서 광선 투사법(ray casting) 기반 깊이 연계(association) 과정을 설명하기 위한 예시 도면이다.
도 11은 본 발명의 일실시예에 있어서 다차원 트리 구조의 예시를 도시한 것이다.
도 12는 본 발명의 일실시예에 있어서 NNS(nearest neigbor search) 과정을 설명하기 위한 예시 도면이다.1 is a block diagram illustrating an example of an internal configuration of a computer system according to an embodiment of the present invention.
2 is a diagram illustrating an example of components that may be included in a processor of a computer system according to an embodiment of the present invention.
3 is a flowchart illustrating an example of a method for improving depth information that can be performed by a computer system according to an embodiment of the present invention.
4 is a diagram for explaining an example of a pose tagging process through a Lida SLAM according to an embodiment of the present invention.
5 is a view for explaining an example of a process of obtaining depth information of a feature point of an image according to an embodiment of the present invention.
6 is an exemplary diagram for explaining a process of extracting feature points of an image according to an embodiment of the present invention.
7 is an exemplary diagram for explaining a point cloud configured by LiDAR scan data in an embodiment of the present invention.
8 is an exemplary diagram for explaining a view area culling process for a LiDAR point cloud according to an embodiment of the present invention.
9 is an exemplary diagram for explaining a process of changing the coordinates of feature points and point clouds of an image into a spherical coordinate system according to an embodiment of the present invention.
10 is an exemplary diagram for explaining a ray casting-based depth association process according to an embodiment of the present invention.
11 shows an example of a multidimensional tree structure according to an embodiment of the present invention.
12 is an exemplary diagram for explaining a Nearest Neigbor Search (NNS) process according to an embodiment of the present invention.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
본 발명의 실시예들은 이미지를 이용하여 3차원 구조(structure)를 생성하는 기술에 관한 것이다.Embodiments of the present invention relate to a technology for generating a three-dimensional structure using an image.
본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 이미지와 라이다를 이용하여 이미지 기반 측위를 위해 필요한 3차원 구조를 얻을 수 있고, 이를 통해 지도의 정확성, 정밀성, 최적화, 생성 속도 등 여러 측면에 있어서 상당한 장점들을 달성한다.Embodiments including those specifically disclosed in this specification can obtain a 3D structure required for image-based positioning using images and lidars, and through this, various aspects such as accuracy, precision, optimization, and generation speed of the map can be obtained. To achieve significant advantages.
도 1은 본 발명의 일실시예에 따른 컴퓨터 시스템의 예를 도시한 블록도이다. 예를 들어, 본 발명의 실시예들에 따른 깊이 정보 향상 시스템은 도 1을 통해 도시된 컴퓨터 시스템(100)에 의해 구현될 수 있다.1 is a block diagram showing an example of a computer system according to an embodiment of the present invention. For example, the depth information enhancement system according to embodiments of the present invention may be implemented by the
도 1에 도시된 바와 같이 컴퓨터 시스템(100)은 본 발명의 실시예들에 따른 깊이 정보 향상 방법을 실행하기 위한 구성요소로서, 메모리(110), 프로세서(120), 통신 인터페이스(130) 그리고 입출력 인터페이스(140)를 포함할 수 있다.As shown in FIG. 1, the
메모리(110)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(110)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 시스템(100)에 포함될 수도 있다. 또한, 메모리(110)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(110)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(110)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(130)를 통해 메모리(110)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(160)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 시스템(100)의 메모리(110)에 로딩될 수 있다.The
프로세서(120)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(110) 또는 통신 인터페이스(130)에 의해 프로세서(120)로 제공될 수 있다. 예를 들어 프로세서(120)는 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.The
통신 인터페이스(130)은 네트워크(160)를 통해 컴퓨터 시스템(100)이 다른 장치와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 시스템(100)의 프로세서(120)가 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(130)의 제어에 따라 네트워크(160)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(160)를 거쳐 컴퓨터 시스템(100)의 통신 인터페이스(130)를 통해 컴퓨터 시스템(100)으로 수신될 수 있다. 통신 인터페이스(130)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(120)나 메모리(110)로 전달될 수 있고, 파일 등은 컴퓨터 시스템(100)이 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.The
통신 방식은 제한되지 않으며, 네트워크(160)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 유선/무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(160)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(160)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.The communication method is not limited, and not only a communication method using a communication network (for example, a mobile communication network, wired Internet, wireless Internet, broadcasting network) that the
입출력 인터페이스(140)는 입출력 장치(150)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드, 카메라 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(140)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(150)는 컴퓨터 시스템(100)과 하나의 장치로 구성될 수도 있다.The input/
또한, 다른 실시예들에서 컴퓨터 시스템(100)은 도 1의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 시스템(100)은 상술한 입출력 장치(150) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다. 보다 구체적인 예로, 컴퓨터 시스템(100)이 지도 작성을 위한 이동로봇 형태로 구현될 수 있으며, 지도 작성에 필요한 카메라 모듈, 라이다 센서, 가속도 센서나 자이로 센서, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트 등의 다양한 구성요소들이 컴퓨터 시스템(100)에 더 포함되도록 구현될 수 있다.Further, in other embodiments, the
본 발명은 이미지 기반 측위(visual localization) 기술에 관한 것으로, 실내 지도는 물론이고 실외 지도에 모두 적용 가능한 기술이다.The present invention relates to an image-based positioning (visual localization) technology, and is a technology applicable to both indoor maps as well as outdoor maps.
이미지 기반 측위를 위해서는 해당되는 지역의 3차원 구조를 알아야 한다. 여기서, 3차원 구조는 이미지의 특정 픽셀에 대응되는 3차원 좌표를 포함할 수 있고, 또한 이미지의 깊이 값을 포함할 수 있다. 다시 말해, 3차원 구조를 안다는 것은 이미지의 3차원 좌표와 깊이 값을 안다는 것과 동일한 의미이다.For image-based positioning, it is necessary to know the 3D structure of the corresponding area. Here, the 3D structure may include 3D coordinates corresponding to a specific pixel of the image, and may also include a depth value of the image. In other words, knowing the three-dimensional structure is equivalent to knowing the three-dimensional coordinates and depth values of an image.
일반적으로, SfM(structure from motion)과 같은 기술을 통해 RGB 이미지를 이용하여 3차원 구조를 얻을 수 있다. 그러나, 이미지만을 이용하는 경우 스케일 값을 얻을 수 없고 깊이 값의 경우 추정 값에 불과하여 정확도가 떨어진다.In general, a 3D structure can be obtained using an RGB image through a technology such as SfM (structure from motion). However, in the case of using only an image, a scale value cannot be obtained, and in the case of a depth value, it is only an estimated value, so accuracy is poor.
깊이 센서가 부착된 RGB-D 이미지 센서를 이용하는 것이 가능하기는 하나, RGB-D 이미지 센서의 경우 깊이 값의 잡음이 매우 심하다는 단점이 있고, 깊이에 대해 센싱 가능한 범위(range)가 제한적이기 때문에 실외 지도 작성에는 사용이 불가능하다.Although it is possible to use an RGB-D image sensor with a depth sensor attached, the RGB-D image sensor has a disadvantage in that the noise of the depth value is very severe, and the range that can be sensed for the depth is limited. It cannot be used for outdoor mapping.
본 발명의 실시예들은 이미지와 함께 라이다 스캔 데이터를 이용하여 이미지의 깊이를 정밀하게 구하는 방법에 관한 것이다.Embodiments of the present invention relate to a method of accurately obtaining the depth of an image by using lidar scan data together with an image.
도 2는 본 발명의 일실시예에 따른 컴퓨터 시스템의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이고, 도 3은 본 발명의 일실시예에 따른 컴퓨터 시스템이 수행할 수 있는 깊이 정보 향상 방법의 예를 도시한 순서도이다.FIG. 2 is a diagram showing an example of components that can be included in a processor of a computer system according to an embodiment of the present invention, and FIG. 3 is a depth information that can be performed by a computer system according to an embodiment of the present invention. It is a flow chart showing an example of the improvement method.
도 2에 도시된 바와 같이, 프로세서(120)는 데이터 획득부(201), 지도 생성부(202), 깊이 정보 획득부(203), 및 깊이 정보 정제부(204)를 포함할 수 있다. 이러한 프로세서(120)의 구성요소들은 적어도 하나의 프로그램 코드에 의해 제공되는 제어 명령에 따라 프로세서(120)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 예를 들어, 프로세서(120)가 카메라와 라이다로부터 데이터를 획득하도록 컴퓨터 시스템(100)을 제어하기 위해 동작하는 기능적 표현으로서 데이터 획득부(201)가 사용될 수 있다.As shown in FIG. 2, the
프로세서(120) 및 프로세서(120)의 구성요소들은 도 3의 깊이 정보 향상 방법이 포함하는 단계들(S310 내지 S340)을 수행할 수 있다. 예를 들어, 프로세서(120) 및 프로세서(120)의 구성요소들은 메모리(110)가 포함하는 운영체제의 코드와 상술한 적어도 하나의 프로그램 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 적어도 하나의 프로그램 코드는 깊이 정보 향상 방법을 처리하기 위해 구현된 프로그램의 코드에 대응될 수 있다.The
깊이 정보 향상 방법은 도시된 순서대로 발생하지 않을 수 있으며, 단계들 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.The depth information enhancement method may not occur in the illustrated order, and some of the steps may be omitted or an additional process may be further included.
프로세서(120)는 깊이 정보 향상 방법을 위한 프로그램 파일에 저장된 프로그램 코드를 메모리(110)에 로딩할 수 있다. 예를 들어, 깊이 정보 향상 방법을 위한 프로그램 파일은 메모리(110)와는 구분되는 영구 저장 장치에 저장되어 있을 수 있고, 프로세서(120)는 버스를 통해 영구 저장 장치에 저장된 프로그램 파일로부터 프로그램 코드가 메모리(110)에 로딩되도록 컴퓨터 시스템(100)을 제어할 수 있다. 이때, 프로세서(120) 및 프로세서(120)가 포함하는 데이터 획득부(201), 지도 생성부(202), 깊이 정보 획득부(203), 및 깊이 정보 정제부(204) 각각은 메모리(110)에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(S310 내지 S340)을 실행하기 위한 프로세서(120)의 서로 다른 기능적 표현들일 수 있다. 단계들(S310 내지 S340)의 실행을 위해, 프로세서(120) 및 프로세서(120)의 구성요소들은 직접 제어 명령에 따른 연산을 처리하거나 또는 컴퓨터 시스템(100)을 제어할 수 있다.The
단계(S310)에서 데이터 획득부(201)는 카메라를 통해 지도 작성을 위한 이미지를 획득함과 동시에 라이다 센서를 통해 라이다 스캔 데이터를 획득할 수 있다. 본원은 카메라 이미지와 라이다 스캔 데이터로부터 카메라에 해당하는 픽셀들에 대한 3차원 포인트를 재건함으로써 3차원 구조를 생성할 수 있다. 이를 위해, 데이터 획득부(201)는 실내 혹은 실외의 지도 작성을 위한 이동로봇을 통해 이미지와 라이다 스캔 데이터를 함께 획득할 수 있다. 라이다 센서로부터 획득하는 깊이 정보는 실측치로서 매우 정확하다는 점에서 실내 지도는 물론이고, 실외 지도 작성에서 활용 가능하다. 이때, 데이터 획득부(201)는 타임스탬프(timestamp) 별로 카메라 이미지와 라이다 스캔 데이터를 동시에 얻을 수 있다. 다시 말해, 데이터 획득부(201)는 타임스탬프를 이용하여 동시간대의 이미지와 라이다 스캔 데이터를 획득할 수 있다.In step S310, the
단계(S320)에서 지도 생성부(202)는 단계(S310)에서 획득한 라이다 스캔 데이터를 이용하여 포즈(pose)가 태깅된 3차원 지도를 생성할 수 있다. 지도 생성부(202)에서 생성된 이미지의 포즈 정보(3축 위치 값과 3축 방향 값을 포함함)를 바탕으로 VL(visual localization)을 수행할 수 있다.In step S320, the
도 4는 본 발명의 일실시예에 있어서 라이다 SLAM을 통한 포즈 태깅 과정의 일례를 설명하기 위한 도면이다.4 is a diagram for explaining an example of a pose tagging process through a Lida SLAM according to an embodiment of the present invention.
일례로, 도 4를 참조하면 지도 생성부(202)는 라이다 스캔 데이터를 이용하여 라이다 SLAM을 수행함으로써 이미지들의 포즈 정보를 획득할 수 있고 이미지들의 포즈가 태깅된 데이터로서 포인트 클라우드 맵(point cloud map)을 생성할 수 있다. 라이다 SLAM을 수행함에 따라 3차원 지도가 만들어지게 되는데, 이때 라이다 SLAM을 통한 포즈 태깅에 따라 지도의 3차원 구조 상에서 각 이미지의 포즈가 태깅된 포인트 클라우드 맵이 만들어진다.As an example, referring to FIG. 4, the
이러한 이미지의 포즈 정보와 라이다 센서로 만들어진 3차원 구조는 이미지의 각 픽셀에 해당하는 3차원 포인트를 얻기 위해 이용될 수 있다.The pose information of the image and the 3D structure made of the lidar sensor can be used to obtain a 3D point corresponding to each pixel of the image.
다시 도 3에서, 단계(S330)에서 깊이 정보 획득부(203)는 동시간대의 이미지와 라이다 스캔 데이터를 이용하여 해당 이미지에서 추출된 특징점의 깊이 정보를 획득할 수 있다. 이때, 깊이 정보 획득부(203)는 카메라의 파라미터를 이용하여 카메라의 렌즈로부터 이미지의 특정 픽셀까지의 벡터를 계산하는 방식을 통해 이미지의 깊이 정보를 획득할 수 있다. 본 발명은 라이다 스캔 데이터를 이용하여 이미지의 깊이 정보를 정밀하게 구함으로써 더욱 정확한 지도 작성이 가능하다. 라이다 스캔 데이터를 이용한 깊이 정보 획득 과정은 이하에서 구체적으로 설명하기로 한다.Again in FIG. 3, in step S330, the depth
단계(S340)에서 깊이 정보 정제부(204)는 깊이 정보를 가진 복수의 이미지를 이용하여 깊이 정보를 정제할 수 있다. 하나의 이미지에서 추출된 특징점이 다음 이미지에서 중복으로 추출되는 문제를 해결하기 위한 것으로 각 특징점의 3차원 포인트 및 이미지들의 포즈를 이용하여 기존에 계산된 3차원 포인트를 수정함으로써 깊이 정보를 최적화할 수 있다. 일례로, 깊이 정보 정제부(204)는 일괄 조정법(bundle adjustment)과 같은 최적화 기법을 이용하여 카메라의 파라미터와 주어진 3차원 포인트에 대응되는 절대 좌표를 결정함으로써 중복으로 추출된 특징점의 깊이 값을 정제할 수 있다. 이때, 깊이 정보 정제부(204)는 복수의 이미지들과 각 이미지에서 추출된 특징점의 3차원 포인트 및 그 관계를 바탕으로 이미지들의 픽셀 에러를 활용하여 에러를 최적화하는 방향으로 포인트와 이미지들의 포즈를 추정할 수 있다.In step S340, the
도 5는 본 발명의 일실시예에 있어서 이미지의 특징점의 깊이 정보를 획득하는 과정의 일례를 설명하기 위한 도면이다.5 is a view for explaining an example of a process of obtaining depth information of a feature point of an image according to an embodiment of the present invention.
도 5를 참조하면, 단계(S501)에서 깊이 정보 획득부(203)는 이미지에서 특정 픽셀에 해당하는 특징점(keypoint)을 추출할 수 있다. 이때, 특징점은 이미지 상에서 회전(rotation)과 크기(scale)에 불변하는 특성을 가진 픽셀을 의미하는 것으로, 예를 들어 깊이 정보 획득부(203)는 SIFT(Scale-Invariant Feature Transform), FAST(Features from Accelerated Segment Test), BRIEF(Binary Robust Independent Elementary Features), ORB(Oriented FAST and Rotated BRIEF) 등 널리 이용되고 있는 특징점 추출 알고리즘을 이용하여 이미지에서 특징점을 추출할 수 있다.Referring to FIG. 5, in step S501, the depth
도 6은 특징점 추출 결과 예시를 도시한 것으로, 이미지(600) 상에서 회전과 크기에 불변하는 특징점(601)을 확인할 수 있다.6 shows an example of a result of extracting a feature point, and a
다시 도 5에서, 단계(S502)에서 깊이 정보 획득부(203)는 이미지를 획득한 시점을 기준으로 특정 시간 내에 획득한 라이다 스캔 데이터를 축적함으로써 포인트 클라우드를 구성할 수 있다. 깊이 정보 획득부(203)는 동일 시점, 즉 이미지를 획득한 시점에 함께 획득한 라이다 스캔 데이터로 라이다 포인트 클라우드를 구성할 수 있다.In FIG. 5 again, in step S502, the depth
도 7은 도 6의 이미지(600)에 대해 동시간대에 획득한 라이다 스캔 데이터로 구성된 라이다 포인트 클라우드(700)의 예시를 나타낸 것이다.FIG. 7 shows an example of a
다시 도 5에서, 단계(S503)에서 깊이 정보 획득부(203)는 단계(S502)에서 구성된 포인트 클라우드에서 이미지의 포즈 정보에 대응되는 뷰 영역(view frustum)의 포인트 클라우드를 추출할 수 있다. 깊이 정보 획득부(203)는 연산 시간의 최적화를 위하여 모든 포인트 클라우드를 사용하지 않고 이미지의 포즈 정보를 이용하여 해당 뷰에 맞는 포인트 클라우드만을 추출할 수 있다.In FIG. 5 again, in step S503, the depth
도 8은 본 발명의 일실시예에 있어서 라이다 포인트 클라우드에 대한 뷰 영역 컬링(culling) 과정을 설명하기 위한 예시 도면이다.8 is an exemplary diagram for explaining a view area culling process for a LiDAR point cloud according to an embodiment of the present invention.
도 8을 참조하면, 깊이 정보 획득부(203)는 이미지와 동시간대에 획득한 라이다 스캔 데이터에 의해 구성된 로우 포인트 클라우드(700)를 카메라의 FOV(field of view)에 맞추어 필터링함으로써 이미지 포즈 정보의 뷰 영역에 맞추어 컬링된 포인트 클라우드(800)를 획득할 수 있다.Referring to FIG. 8, the depth
다시 도 5에서, 단계(S504)에서 깊이 정보 획득부(203)는 단계(S503)에서 추출된 포인트 클라우드에서 카메라의 렌즈와 이미지에서 추출된 특징점을 잇는 연장선 상에 존재하는 포인트를 해당 특징점의 깊이 정보에 해당되는 3차원 좌표로 활용할 수 있다.In FIG. 5 again, in step S504, the depth
이를 위해 먼저, 깊이 정보 획득부(203)는 도 9에 도시한 바와 같이 특징점의 이미지 좌표(p) 및 포인트 클라우드 맵을 구형 좌표계(spherical coordinate)로 변경할 수 있다.To this end, first, the depth
직교 좌표계(x,y,z)를 구형 좌표계로 변경하는 것은 수학식 1과 같다.Rectangular coordinate system (x,y,z) Changing to is the same as in Equation 1.
[수학식 1][Equation 1]
구형 좌표계를 직교 좌표계(x,y,z)로 변경하는 것은 수학식 2와 같다.Spherical coordinate system To change to the Cartesian coordinate system (x,y,z) is shown in
[수학식 2][Equation 2]
이때, 깊이 정보 획득부(203)는 은 무시하고 만을 이용하여 가장 인접한 포인트를 특징점의 3차원 포인트로 활용할 수 있다.At this time, the depth
깊이 정보 획득부(203)는 광선 투사법(ray casting)을 기반으로 깊이 연계(association)를 수행함으로써 깊이 정보를 획득할 수 있다. 광선 투사법은 이미지의 한 픽셀 지점을 통과하는 시선 방향(view ray)을 검사하는 것으로, 장면 객체(scene object)가 시선과 교차하는지 확인하여 각 픽셀에 대해 픽셀과 가장 가까운 교점을 찾는 것이다.The depth
도 10을 참조하면, 광선 투사법은 가시면(view plane)을 검출하기 위한 것으로, 카메라의 렌즈에서부터 시선이 출발한다고 가정하고 이미지의 한 픽셀 지점을 통과하는 시선 경로를 막고 있는 가장 가까운 물체를 찾는 것이다. 즉, 어떤 물체의 표면이 광원을 향하고 있을 때 빛이 이 표면에 닿는다면 빛은 차단되지 않았거나 그림자를 만들거나 둘 중 하나이다. 이때, 표면의 음영은 널리 알려진 음영 처리 기법을 사용하여 계산할 수 있다. 음영 처리 기법 중 하나인 깊이 버퍼 알고리즘은 표면을 한번에 하나씩 처리하고 모든 투영점에 대해 깊이 값을 계산한다. 계산된 표면의 깊이는 해당 픽셀에서 보이는 면을 판단하기 위해 앞서 저장된 깊이 값과 비교한다. 이러한 광선 투사법은 이미지의 픽셀을 중심으로 하나씩 처리하며 해당 픽셀에 이르는 투영 경로 상의 모든 표면의 깊이를 계산할 수 있다.Referring to FIG. 10, the ray projection method is for detecting a view plane, and assuming that the line of sight starts from the lens of the camera, the closest object blocking the line of sight path passing through one pixel point of the image is found. . That is, if the surface of an object is facing a light source and light hits this surface, the light is either unblocked or creates a shadow. In this case, the shading of the surface can be calculated using a widely known shading technique. One of the shading techniques, the depth buffer algorithm, processes surfaces one at a time and calculates depth values for all projection points. The calculated depth of the surface is compared with the previously stored depth value to determine the surface visible from the pixel. These ray projections process each pixel in the image one by one, and can calculate the depth of any surface on the projection path leading to that pixel.
더 나아가, 포인트 클라우드를 이용하여 특징점의 깊이 정보를 획득하기 위해서는 포인트를 빠르게 찾는 것이 중요하다.Furthermore, it is important to quickly find a point in order to acquire depth information of a feature point using a point cloud.
깊이 정보 획득부(203)는 단계(S503)에서 추출된 포인트 클라우드에서 특징점의 3차원 포인트로 활용하고자 하는 포인트를 빠르게 찾기 위해 다차원 트리 구조(KD-tree)를 이용한 NNS(nearest neigbor search)을 수행할수 있다.The depth
도 11은 NNS을 위한 다차원 트리 구조의 예시를 도시한 것이다. 도 11은 설명의 편의를 위해 2차원 공간 분할을 나타낸 것이다.11 shows an example of a multidimensional tree structure for NNS. 11 shows a two-dimensional space division for convenience of description.
다차원 트리 구조는 BST(binary search tree)를 다차원 공간으로 확장한 것으로, 트리의 레벨 차원을 번걸아가며 비교하기 위해 사용된다. 다차원 트리 구조는 한번에 한 축을 따라 영역을 분할하고 각 하위 단계에서 순환 방식으로 축을 변경한 하위 계층 구조를 가진다.The multi-dimensional tree structure is an extension of the binary search tree (BST) to a multi-dimensional space, and is used to compare the tree levels in turn. The multidimensional tree structure has a sub-hierarchical structure that divides an area along one axis at a time and changes the axis in a circular manner at each sub-level.
도 11을 참조하면, Y 평면에 대해 X축을 먼저 분할한 다음 X 평면에 대해 Y축을 분할한다. 분할 평면이 X→Y 순으로 선택되는 것으로 가정하면, 최상위 루트에서 선택한 x00보다 작거나 같은 x 좌표를 갖는 모든 포인트는 왼쪽 노드로 구성하고 x 좌표보다 큰 포인트는 오른쪽 노드로 구성할 수 있다. 하위 노드의 포인트는 y 좌표 값 y01 및 y11을 사용하여 분할된다. 좌표값의 첨자 중 첫번째 첨자는 가장 왼쪽 노드에 대해 0부터 시작하여 같은 레벨 내에서 노드의 위치를 나타내고, 두 번째 첨자는 노드가 있는 레벨을 나타낸다.Referring to FIG. 11, the X axis is first divided with respect to the Y plane, and then the Y axis is divided with respect to the X plane. Assuming that the dividing plane is selected in the order of X→Y, all points with x coordinates less than or equal to x 00 selected from the highest root can be configured as left nodes, and points larger than x coordinates can be configured as right nodes. The points of the lower nodes are divided using y coordinate values y 01 and y 11. Among the subscripts of the coordinate values, the first subscript indicates the position of the node within the same level starting from 0 for the leftmost node, and the second subscript indicates the level where the node is located.
도 12는 도 11의 트리 구조를 이용하여 픽셀 좌표 P와 가장 가까운 포인트를 찾는 과정을 나타낸 것이다.12 illustrates a process of finding a point closest to the pixel coordinate P using the tree structure of FIG. 11.
도 12를 참조하면, P를 포함하는 노드에서 인근 노드로 이동해가며 P에서 가장 가까운 포인트를 찾는 것부터 시작한다. 두 포인트 사이의 거리의 제곱 값 중 최소 값을 찾기 위해 P를 중심으로 하는 구를 사용할 수 있으며, 노드 정보가 P를 중심으로 하는 구와 겹치면 P와 해당 노드 상의 포인트의 제곱 거리를 계산하고 가장 낮은 값을 저장한다. P를 중심으로 하는 구와 겹치는 모든 노드에 대한 검색이 완료될 때까지 반복한 후 저장된 값 중 가장 작은 값을 P와 가장 가까운 이웃 포인트로 결정할 수 있다.Referring to FIG. 12, moving from a node including P to a neighboring node starts by finding a point closest to P. A sphere centered around P can be used to find the smallest of the squared values of the distance between two points, and if the node information overlaps the sphere centered around P, the squared distance between P and the point on the node is calculated and the lowest value. Save it. After repeating the search for all nodes overlapping with the sphere centered on P is completed, the smallest value among the stored values may be determined as the nearest neighbor point to P.
따라서, 깊이 정보 획득부(203)는 다차원 트리 구조(KD-tree)를 이용한 NNS을 통해 포인트 클라우드에서 특징점의 3차원 포인트를 보다 빠르게 찾을 수 있다.Accordingly, the depth
이처럼 본 발명의 실시예들에 따르면, 라이다와 카메라를 이용하여 3차원 구조를 생성함으로써 더욱 정확한 지도를 작성할 수 있으며, 특히 라이다 센서를 통해 획득한 라이다 스캔 데이터를 이용하여 이미지의 깊이를 실측치로 얻을 수 있어 3차원 구조의 깊이 정보를 향상시킬 수 있다.As described above, according to embodiments of the present invention, it is possible to create a more accurate map by creating a three-dimensional structure using a lidar and a camera. In particular, the depth of an image can be determined using lidar scan data acquired through a lidar sensor. Since it can be obtained as an actual value, the depth information of the three-dimensional structure can be improved.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The apparatus described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the devices and components described in the embodiments include a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA), and a programmable gate array (PLU). It may be implemented using one or more general purpose or special purpose computers, such as a logic unit), a microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications executed on the operating system. Further, the processing device may access, store, manipulate, process, and generate data in response to the execution of software. For the convenience of understanding, although it is sometimes described that one processing device is used, one of ordinary skill in the art, the processing device is a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it may include. For example, the processing device may include a plurality of processors or one processor and one controller. In addition, other processing configurations are possible, such as a parallel processor.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to operate as desired or processed independently or collectively. You can command the device. Software and/or data may be embodyed in any type of machine, component, physical device, computer storage medium or device to be interpreted by the processing device or to provide instructions or data to the processing device. have. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. In this case, the medium may be one that continuously stores a program executable by a computer, or temporarily stores a program for execution or download. Further, the medium may be a variety of recording means or storage means in a form in which a single or several pieces of hardware are combined, but is not limited to a medium directly connected to a computer system, but may be distributed on a network. Examples of media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floptical disks, And ROM, RAM, flash memory, and the like may be configured to store program instructions. In addition, examples of other media include an app store that distributes applications, a site that supplies or distributes various software, and a recording medium or a storage medium managed by a server.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.Although the embodiments have been described by the limited embodiments and drawings as described above, various modifications and variations can be made from the above description to those of ordinary skill in the art. For example, the described techniques are performed in a different order from the described method, and/or components such as a system, structure, device, circuit, etc. described are combined or combined in a form different from the described method, or other components Alternatively, even if substituted or substituted by an equivalent, an appropriate result can be achieved.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and those equivalent to the claims also fall within the scope of the claims to be described later.
Claims (8)
상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 방법은,
VL(visual localization)을 위해 이미지와 라이다(LiDAR)를 이용하여 상기 이미지의 각 픽셀에 대한 3차원 좌표를 포함하는 3차원 구조를 생성하는 것으로,
상기 적어도 하나의 프로세서에 의해, 카메라를 통해 지도 작성을 위한 상기 이미지를 획득함과 동시에, 상기 라이다를 통해 라이다 스캔 데이터를 획득하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 이미지와 함께 상기 라이다 스캔 데이터를 이용하여 상기 이미지에서 추출된 특징점의 깊이 정보를 획득하는 단계
를 포함하고,
상기 이미지에서 추출된 특징점의 깊이 정보를 획득하는 단계는,
상기 이미지에서 상기 특징점을 추출하는 단계;
상기 이미지와 동시간대에 획득한 상기 라이다 스캔 데이터를 이용하여 SLAM(Simultaneous Localization And Map-Building)을 수행함으로써 포즈(pose)가 태깅된 포인트 클라우드(point cloud)를 구성하는 단계;
상기 포인트 클라우드에서 상기 이미지의 포즈 정보에 대응되는 뷰 영역(view frustum)의 포인트 클라우드를 추출하는 단계; 및
광선 투사법(ray casting)을 기반으로 상기 추출된 포인트 클라우드에서 상기 카메라의 렌즈와 상기 특징점을 잇는 연장선 상에 존재하는 포인트 중 가장 인접한 포인트를 상기 특징점의 깊이 정보에 해당되는 3차원 좌표로 결정하는 단계
를 포함하고,
상기 특징점의 깊이 정보에 해당되는 3차원 좌표로 결정하는 단계는,
상기 특징점의 좌표와 상기 추출된 포인트 클라우드를 구형 좌표계(spherical coordinate)로 변경하는 단계; 및
상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계
를 포함하는 방법.In the method executed on a computer system,
The computer system includes at least one processor configured to execute computer readable instructions contained in a memory,
The above method,
Creating a three-dimensional structure including three-dimensional coordinates for each pixel of the image by using an image and LiDAR for visual localization (VL),
Acquiring, by the at least one processor, the image for creating a map through a camera and acquiring lidar scan data through the lidar; And
Obtaining, by the at least one processor, depth information of a feature point extracted from the image by using the lidar scan data together with the image
Including,
The step of obtaining depth information of the feature point extracted from the image,
Extracting the feature point from the image;
Configuring a point cloud to which a pose is tagged by performing SLAM (Simultaneous Localization And Map-Building) using the lidar scan data acquired at the same time as the image;
Extracting a point cloud of a view frustum corresponding to the pose information of the image from the point cloud; And
Determining the closest point among points existing on an extension line connecting the lens of the camera and the feature point in the extracted point cloud based on ray casting as a 3D coordinate corresponding to depth information of the feature point step
Including,
The step of determining the three-dimensional coordinates corresponding to the depth information of the feature point,
Changing the coordinates of the feature point and the extracted point cloud into a spherical coordinate system; And
Determining the coordinates of the feature points and the nearest points in the spherical coordinate system as the three-dimensional coordinates
How to include.
상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계는,
상기 구형 좌표계에서 거리 값()을 무시하고 각도 값만을 이용하여 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 것
을 특징으로 하는 방법.The method of claim 1,
The step of determining the coordinates of the feature points and the nearest points in the spherical coordinate system as the three-dimensional coordinates,
The distance value in the spherical coordinate system ( ), ignoring the angle value Determining the nearest point as the three-dimensional coordinates using only
The method characterized by.
상기 특징점을 추출하는 단계는,
상기 이미지에서 회전(rotation)과 크기(scale)에 불변하는 특성을 가진 특징점을 추출하는 것
을 특징으로 하는 방법.The method of claim 1,
The step of extracting the feature points,
Extracting feature points with characteristics that are invariant to rotation and scale from the image
The method characterized by.
상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계는,
상기 특징점을 통과하는 시선 방향에서 시선과 객체 간의 교점을 찾아 상기 특징점의 3차원 좌표를 결정하는 것
을 특징으로 하는 방법.The method of claim 1,
The step of determining the coordinates of the feature points and the nearest points in the spherical coordinate system as the three-dimensional coordinates,
Finding the intersection point between the line of sight and the object in the direction of the line of sight passing through the feature point and determining the three-dimensional coordinates of the feature point
The method characterized by.
상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계는,
다차원 트리 구조(KD-tree)를 이용한 NNS(nearest neighbor search)을 통해 상기 포인트 클라우드에서 상기 특징점의 3차원 좌표를 찾는 것
을 특징으로 하는 방법.The method of claim 1,
The step of determining the coordinates of the feature points and the nearest points in the spherical coordinate system as the three-dimensional coordinates,
Finding the three-dimensional coordinates of the feature point in the point cloud through NNS (nearest neighbor search) using a multidimensional tree structure (KD-tree)
The method characterized by.
메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
VL(visual localization)을 위해 이미지와 라이다(LiDAR)를 이용하여 상기 이미지의 각 픽셀에 대한 3차원 좌표를 포함하는 3차원 구조를 생성하는 것으로,
카메라를 통해 지도 작성을 위한 상기 이미지를 획득함과 동시에, 상기 라이다를 통해 라이다 스캔 데이터를 획득하는 데이터 획득부; 및
상기 적어도 하나의 프로세서에 의해, 상기 이미지와 함께 상기 라이다 스캔 데이터를 이용하여 상기 이미지에서 추출된 특징점의 깊이 정보를 획득하는 깊이 정보 획득부
를 포함하고,
상기 깊이 정보 획득부는,
상기 이미지에서 상기 특징점을 추출하고,
상기 이미지와 동시간대에 획득한 상기 라이다 스캔 데이터를 이용하여 SLAM(Simultaneous Localization And Map-Building)을 수행함으로써 포즈(pose)가 태깅된 포인트 클라우드(point cloud)를 구성하고,
상기 포인트 클라우드에서 상기 이미지의 포즈 정보에 대응되는 뷰 영역(view frustum)의 포인트 클라우드를 추출하고,
광선 투사법(ray casting)을 기반으로 상기 추출된 포인트 클라우드에서 상기 카메라의 렌즈와 상기 특징점을 잇는 연장선 상에 존재하는 포인트 중 가장 인접한 포인트를 상기 특징점의 깊이 정보에 해당되는 3차원 좌표로 결정하고,
상기 깊이 정보 획득부는,
상기 특징점의 좌표와 상기 추출된 포인트 클라우드를 구형 좌표계(spherical coordinate)로 변경하고,
상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 것
을 특징으로 하는 컴퓨터 시스템.In a computer system,
At least one processor configured to execute computer readable instructions contained in memory
Including,
The at least one processor,
Creating a three-dimensional structure including three-dimensional coordinates for each pixel of the image by using an image and LiDAR for visual localization (VL),
A data acquisition unit for acquiring the image for map creation through a camera and acquiring lidar scan data through the lidar; And
A depth information acquisition unit that obtains depth information of a feature point extracted from the image by using the lidar scan data along with the image by the at least one processor
Including,
The depth information acquisition unit,
Extracting the feature point from the image,
By performing SLAM (Simultaneous Localization And Map-Building) using the lidar scan data acquired at the same time as the image, a point cloud to which a pose is tagged is configured,
Extracting a point cloud of a view frustum corresponding to the pose information of the image from the point cloud,
The closest point among points existing on an extension line connecting the lens of the camera and the feature point in the extracted point cloud based on ray casting is determined as a 3D coordinate corresponding to depth information of the feature point, and ,
The depth information acquisition unit,
Change the coordinates of the feature point and the extracted point cloud into a spherical coordinate system,
Determining the coordinates of the feature point and the closest point in the spherical coordinate system as the three-dimensional coordinates
Computer system, characterized in that.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210019778A KR102347239B1 (en) | 2019-08-02 | 2021-02-15 | Method and system for improving depth information of feature points using camera and lidar |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190094509A KR20210015516A (en) | 2019-08-02 | 2019-08-02 | Method and system for improving depth information of feature points using camera and lidar |
KR1020210019778A KR102347239B1 (en) | 2019-08-02 | 2021-02-15 | Method and system for improving depth information of feature points using camera and lidar |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190094509A Division KR20210015516A (en) | 2019-08-02 | 2019-08-02 | Method and system for improving depth information of feature points using camera and lidar |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210022016A true KR20210022016A (en) | 2021-03-02 |
KR102347239B1 KR102347239B1 (en) | 2022-01-04 |
Family
ID=79342256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210019778A KR102347239B1 (en) | 2019-08-02 | 2021-02-15 | Method and system for improving depth information of feature points using camera and lidar |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102347239B1 (en) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077523A (en) * | 2021-03-31 | 2021-07-06 | 商汤集团有限公司 | Calibration method, calibration device, computer equipment and storage medium |
CN113177975A (en) * | 2021-05-07 | 2021-07-27 | 中德(珠海)人工智能研究院有限公司 | Depth calculation method and three-dimensional modeling method based on dome camera and laser radar |
KR102287401B1 (en) * | 2021-05-28 | 2021-08-09 | 주식회사 폴라리스쓰리디 | Method and device for converting from 3D spatial map to 2D floor map |
CN113884104A (en) * | 2021-09-27 | 2022-01-04 | 苏州挚途科技有限公司 | Multi-sensor combined calibration method and device and electronic equipment |
CN114019953A (en) * | 2021-10-08 | 2022-02-08 | 中移(杭州)信息技术有限公司 | Map construction method, map construction device, map construction equipment and storage medium |
CN114049613A (en) * | 2021-10-11 | 2022-02-15 | 深圳市惠尔智能有限公司 | Target detection method and device, electronic equipment and readable storage medium |
CN114638942A (en) * | 2022-03-16 | 2022-06-17 | 北京理工大学 | Heterogeneous variable-resolution-ratio point cloud imaging visualization method |
KR102482532B1 (en) * | 2021-06-29 | 2022-12-28 | 경북대학교 산학협력단 | Apparatus and method for 3d depth-data upsampling |
CN115655264A (en) * | 2022-09-23 | 2023-01-31 | 智己汽车科技有限公司 | Pose estimation method and device |
KR20230060011A (en) | 2021-10-27 | 2023-05-04 | 한국과학기술원 | Dense depth extraction system and method using camera and lidar |
KR102641506B1 (en) * | 2022-11-09 | 2024-02-27 | 세종대학교산학협력단 | System and method for establishing artificial intelligence-based 3d digital damage model of narrow space using indoor inspection drone |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230092801A (en) | 2021-12-17 | 2023-06-26 | 한국기계연구원 | 3D shape measuring method and apparatus for single camera stereo vision using optical parallax generator |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190070514A (en) * | 2017-12-13 | 2019-06-21 | 연세대학교 산학협력단 | Apparatus for Building Grid Map and Method there of |
KR20190089196A (en) * | 2016-11-29 | 2019-07-30 | 블랙모어 센서스 앤드 애널리틱스 인코포레이티드 | Method and system for classifying objects in a point cloud data set |
-
2021
- 2021-02-15 KR KR1020210019778A patent/KR102347239B1/en active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190089196A (en) * | 2016-11-29 | 2019-07-30 | 블랙모어 센서스 앤드 애널리틱스 인코포레이티드 | Method and system for classifying objects in a point cloud data set |
KR20190070514A (en) * | 2017-12-13 | 2019-06-21 | 연세대학교 산학협력단 | Apparatus for Building Grid Map and Method there of |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077523A (en) * | 2021-03-31 | 2021-07-06 | 商汤集团有限公司 | Calibration method, calibration device, computer equipment and storage medium |
CN113077523B (en) * | 2021-03-31 | 2023-11-24 | 商汤集团有限公司 | Calibration method, calibration device, computer equipment and storage medium |
CN113177975B (en) * | 2021-05-07 | 2023-12-05 | 中德(珠海)人工智能研究院有限公司 | Depth calculation method and three-dimensional modeling method based on spherical screen camera and laser radar |
CN113177975A (en) * | 2021-05-07 | 2021-07-27 | 中德(珠海)人工智能研究院有限公司 | Depth calculation method and three-dimensional modeling method based on dome camera and laser radar |
KR102287401B1 (en) * | 2021-05-28 | 2021-08-09 | 주식회사 폴라리스쓰리디 | Method and device for converting from 3D spatial map to 2D floor map |
KR102482532B1 (en) * | 2021-06-29 | 2022-12-28 | 경북대학교 산학협력단 | Apparatus and method for 3d depth-data upsampling |
CN113884104A (en) * | 2021-09-27 | 2022-01-04 | 苏州挚途科技有限公司 | Multi-sensor combined calibration method and device and electronic equipment |
CN113884104B (en) * | 2021-09-27 | 2024-02-02 | 苏州挚途科技有限公司 | Multi-sensor joint calibration method and device and electronic equipment |
CN114019953A (en) * | 2021-10-08 | 2022-02-08 | 中移(杭州)信息技术有限公司 | Map construction method, map construction device, map construction equipment and storage medium |
CN114019953B (en) * | 2021-10-08 | 2024-03-19 | 中移(杭州)信息技术有限公司 | Map construction method, device, equipment and storage medium |
CN114049613A (en) * | 2021-10-11 | 2022-02-15 | 深圳市惠尔智能有限公司 | Target detection method and device, electronic equipment and readable storage medium |
KR20230060011A (en) | 2021-10-27 | 2023-05-04 | 한국과학기술원 | Dense depth extraction system and method using camera and lidar |
CN114638942A (en) * | 2022-03-16 | 2022-06-17 | 北京理工大学 | Heterogeneous variable-resolution-ratio point cloud imaging visualization method |
CN115655264A (en) * | 2022-09-23 | 2023-01-31 | 智己汽车科技有限公司 | Pose estimation method and device |
KR102641506B1 (en) * | 2022-11-09 | 2024-02-27 | 세종대학교산학협력단 | System and method for establishing artificial intelligence-based 3d digital damage model of narrow space using indoor inspection drone |
Also Published As
Publication number | Publication date |
---|---|
KR102347239B1 (en) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102347239B1 (en) | Method and system for improving depth information of feature points using camera and lidar | |
CN112567201B (en) | Distance measuring method and device | |
US11830216B2 (en) | Information processing apparatus, information processing method, and storage medium | |
CN111024040B (en) | Distance estimation method and device | |
Wendel et al. | Natural landmark-based monocular localization for MAVs | |
JP5881743B2 (en) | Self-position estimation of mobile camera using depth map | |
KR102234461B1 (en) | Method and system for generating depth information of street view image using 2d map | |
CN111108342A (en) | Visual ranging and pairwise alignment for high definition map creation | |
KR102212825B1 (en) | Method and system for updating map for pose estimation based on images | |
KR20210015516A (en) | Method and system for improving depth information of feature points using camera and lidar | |
JP7138361B2 (en) | User Pose Estimation Method and Apparatus Using 3D Virtual Space Model | |
JP7479324B2 (en) | Information processing device, information processing method, and program | |
US10977816B2 (en) | Image processing apparatus, image processing program, and driving assistance system | |
KR102322000B1 (en) | Method and system for tracking trajectory based on visual localizaion and odometry | |
CN114662587A (en) | Three-dimensional target sensing method, device and system based on laser radar | |
JP2022034034A (en) | Method for detecting obstacle, electronic device, roadside device and cloud control platform | |
JP7375066B2 (en) | Method and system for generating HD maps based on aerial images taken by unmanned aerial vehicles or aircraft | |
CN110264438A (en) | Image processing apparatus, image processing method and driving assistance system | |
US11915449B2 (en) | Method and apparatus for estimating user pose using three-dimensional virtual space model | |
CN112767477A (en) | Positioning method, positioning device, storage medium and electronic equipment | |
KR102339472B1 (en) | Method and apparatus for reconstruction of 3d space model | |
KR102626574B1 (en) | Method for calibration of camera and lidar, and computer program recorded on record-medium for executing method therefor | |
KR102675138B1 (en) | Method for calibration of multiple lidars, and computer program recorded on record-medium for executing method therefor | |
KR20190070235A (en) | Method for Estimating 6-DOF Relative Displacement Using Vision-based Localization and Apparatus Therefor | |
KR102616437B1 (en) | Method for calibration of lidar and IMU, and computer program recorded on record-medium for executing method therefor |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |