基于图像特征匹配的位姿计算方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种基于图像特征匹配的位姿计算方法、装置、计算机设备及存储介质，方法包括：获取定位对象的图像帧序列；提取图像帧序列的orb特征；计算提取的orb特征的关键点和描述子；根据关键点和描述子计算本征矩阵，并根据本征矩阵还原旋转矩阵和平移矩阵；获取定位对象的最新图像帧序列；将最新图像帧序列通过旋转矩阵和平移矩阵运算，获取定位对象的下一个位姿。其通过摄像机获取的图像作为位姿计算的基础数据，并对图像进行orb特征提取，并进行变换矩阵的计算，最终根据变换矩阵计算下一个位姿，从而实现低成本的定位。

【技术实现步骤摘要】
基于图像特征匹配的位姿计算方法、装置、计算机设备及存储介质
本专利技术涉及位姿计算
，尤其涉及一种基于图像特征匹配的位姿计算方法、装置、计算机设备及存储介质。
技术介绍
传统的定位方法通常采用激光雷达获取实时路况信息，运用RTK算法，但是传统的位姿计算方法，信息获取的激光雷达价格昂贵，成本较高。
技术实现思路
本专利技术的实施例提供了一种基于图像特征匹配的位姿计算方法、装置、计算机设备及存储介质，旨在解决现有位姿计算成本较高的问题。为达到上述目的，本专利技术所提出的技术方案为：第一方面，本专利技术提供了一种基于图像特征匹配的位姿计算方法，其包括以下步骤：获取定位对象的图像帧序列；提取图像帧序列的orb特征；计算提取的orb特征的关键点和描述子；根据关键点和描述子计算本征矩阵，并根据本征矩阵还原旋转矩阵和平移矩阵；获取定位对象的最新图像帧序列；将最新图像帧序列通过旋转矩阵和平移矩阵运算，获取定位对象的下一个位姿。其中，所述步骤“提取图像帧序列的orb特征”包括以下步骤：创建对象；通过detect方法提取对象关键点；同drawkeypoints绘制关键点。其中，所述所述步骤“计算提取的orb特征的关键点和描述子”包括以下步骤：选择可以估计出模型的最小数据集；根据最小数据集计算数据模型；将数据集中的所有数据重新带入数据模型，统计出内点数目；比较当前数据模型与之前计算的数据模型的内点数量，统计最大内点数模型的参数和内点数；重复上述步骤，直至迭代结束或获得最优数据模型。其中，所述步骤“根据关键点和描述子计算本征矩阵，并根据本征矩阵还原旋转矩阵和平移矩阵”中计算旋转矩阵和平移矩阵算法包括：直接线性变换DLT算法，P3P算法和非线性优化求解算法。第二方面，本专利技术还提供了一种基于图像特征匹配的位姿计算装置，其包括：图像获取单元，用于获取定位对象的图像帧序列；特征提取单元，用于提取图像帧序列的orb特征；计算单元，用于计算提取的orb特征的关键点和描述子；矩阵计算单元，用于根据关键点和描述子计算本征矩阵，并根据本征矩阵还原旋转矩阵和平移矩阵；新图像获取单元，用于获取定位对象的最新图像帧序列；位姿计算单元，用于将最新图像帧序列通过旋转矩阵和平移矩阵运算，获取定位对象的下一个位姿。其中，所述特征提取单元包括：创建单元，用于创建对象；关键点提取单元，用于通过detect方法提取对象关键点；关键点绘制单元，用于同drawkeypoints绘制关键点。其中，所述计算单元包括：数据集单元，用于选择可以估计出模型的最小数据集；数据模型单元，用于根据最小数据集计算数据模型；内点计算单元，用于将数据集中的所有数据重新带入数据模型，统计出内点数目；更新单元，用于比较当前数据模型与之前计算的数据模型的内点数量，统计最大内点数模型的参数和内点数。其中，所述矩阵计算单元运算执行直接线性变换DLT算法、P3P算法或非线性优化求解算法。第三方面，本专利技术还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上所述的方法。第四方面，本专利技术还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如上所述的方法。与现有技术相比，本专利技术的实施例提供了一种基于图像特征匹配的位姿计算方法、装置、计算机设备及存储介质，其通过摄像机获取的图像作为位姿计算的基础数据，并对图像进行orb特征提取，并进行变换矩阵的计算，最终根据变换矩阵计算下一个位姿，从而实现低成本的定位。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的基于图像特征匹配的位姿计算方法的主流程图；图2为本专利技术实施例提供的基于图像特征匹配的位姿计算方法的子流程图；图3为本专利技术实施例提供的基于图像特征匹配的位姿计算方法的子流程图；图4为本专利技术实施例提供的基于基于图像特征匹配的位姿计算装置的示意性简图；以及图5为本专利技术实施例提供的计算机设备的示意性框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。请参阅附图1，附图1为本专利技术的一种基于图像特征匹配的位姿计算算法的流程图，该基于图像特征匹配的位姿计算，其包括以下步骤：步骤S100、获取定位对象的图像帧序列；也即采用摄像机等影像获取设备实时获取定位对象，如汽车等的图像，将图像的帧序列信息直接读取以待后续处理。其相对于现有传统的激光雷达，影像获取车本更低，其更多依赖于计算机的算力。步骤S200、提取图像帧序列的orb特征；ORB-(OrientedFastandRotatedBRIEF)算法是基于FAST特征检测与BRIEF特征描述子匹配实现。相比BRIEF算法中依靠随机方式获取而值点对，ORB通过FAST方法，FAST方式寻找候选特征点方式是假设灰度图像像素点A周围的像素存在连续大于或者小于A的灰度值，选择任意一个像素点P，假设半径为3，周围16个像素表示。假设像素点P被标记为候选特征点、通常N取值为9、12，上图N＝9。为了简化计算，我们可以只计算1、9、5、13四个点，至少其中三个点满足上述不等式条件，即可将P视为候选点。通过阈值进行最终的筛选即可得到ORB特征点。具体的，请再次参阅图2，图2为本专利技术实施例的基于图像特征匹配的位姿计算方法的子流程图。所述步骤S200“提取图像帧序列的orb特征”包括以下步骤：步骤本文档来自技高网...

【技术保护点】
1.一种基于图像特征匹配的位姿计算方法，其特征在于，包括以下步骤：/n获取定位对象的图像帧序列；/n提取图像帧序列的orb特征；/n计算提取的orb特征的关键点和描述子；/n根据关键点和描述子计算本征矩阵，并根据本征矩阵还原旋转矩阵和平移矩阵；/n获取定位对象的最新图像帧序列；/n将最新图像帧序列通过旋转矩阵和平移矩阵运算，获取定位对象的下一个位姿。/n

【技术特征摘要】
1.一种基于图像特征匹配的位姿计算方法，其特征在于，包括以下步骤：
获取定位对象的图像帧序列；
提取图像帧序列的orb特征；
计算提取的orb特征的关键点和描述子；
根据关键点和描述子计算本征矩阵，并根据本征矩阵还原旋转矩阵和平移矩阵；
获取定位对象的最新图像帧序列；
将最新图像帧序列通过旋转矩阵和平移矩阵运算，获取定位对象的下一个位姿。


2.根据权利要求1所述的基于图像特征匹配的位姿计算方法，其特征在于，所述步骤“提取图像帧序列的orb特征”包括以下步骤：
创建对象；
通过detect方法提取对象关键点；
同drawkeypoints绘制关键点。


3.根据权利要求1所述的基于图像特征匹配的位姿计算方法，其特征在于，所述所述步骤“计算提取的orb特征的关键点和描述子”包括以下步骤：
选择可以估计出模型的最小数据集；
根据最小数据集计算数据模型；
将数据集中的所有数据重新带入数据模型，统计出内点数目；
比较当前数据模型与之前计算的数据模型的内点数量，统计最大内点数模型的参数和内点数；
重复上述步骤，直至迭代结束或获得最优数据模型。


4.根据权利要求2所述的基于图像特征匹配的位姿计算方法，其特征在于，所述步骤“根据关键点和描述子计算本征矩阵，并根据本征矩阵还原旋转矩阵和平移矩阵”中计算旋转矩阵和平移矩阵算法包括：直接线性变换DLT算法，P3P算法和非线性优化求解算法。


5.一种基于图像特征匹配的位姿计算的装置，其特征在于，包括：
图像获取单元，用于获取定位对象的图像帧序列；
特征提取单元，用于提取图像帧序列的orb特征；
计算单元，用于计算提取的o...

【专利技术属性】
技术研发人员：任仲超，莫松文，凌云志，张业楚，高国清，
申请(专利权)人：深圳南方德尔汽车电子有限公司，
类型：发明
国别省市：广东;44