System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及slam,特别涉及一种基于语义滤波的地图构建方法、装置、设备及存储介质。
技术介绍
1、vslam(visual simultaneous localization and mapping,同时定位与构图)技术是一种即时定位与地图重建技术,它是指在未知环境中,移动机器人通过视觉传感器(单目,双目,rgb-d相机等)获取周围环境的图像信息,估计自身位置,构建环境地图的技术。伴随着计算机视觉技术的发展,vslam技术也逐渐广泛应用于科研探测,仓储物流,自动驾驶,智能医疗等领域。
2、目前vslam技术中特征点法则在视觉里程计中占据主流地位,可以通过提取图像中的特征进行匹配,并求解场景三维坐标,进而求解位姿,但当特征匹配误差大时,则难以获取到正确的位姿。因此,如何提高基于vslam进行环境地图构建过程中位姿估计的轨迹准确度是本领域亟待解决的问题。
技术实现思路
1、有鉴于此,本专利技术的目的在于提供一种基于语义滤波的地图构建方法、装置、设备及存储介质,通过深度学习网络模型利用图像语义信息对图像特征进行描述,获取更稳定的高维度特征信息,并且在图像帧传入追踪线程之前过滤图像中的低级别语义信息,从而提升系统定位精度。其具体方案如下:
2、第一方面,本申请提供了一种基于语义滤波的地图构建方法,应用于同时定位与地图构建系统,包括:
3、获取基于当前环境信息得到的若干图像帧,并根据所述图像帧的像素变化信息确定所述图像帧中的orb特征点,以根据所述or
4、基于所述图像块的灰度信息确定出每个所述图像块对应的语义信息,并利用目标语义滤波器模型根据所述语义信息过滤满足预设过滤条件的目标图像块,以得到过滤后的目标图像帧;所述目标语义滤波器模型为预先基于训练数据集通过深度学习进行训练得到的模型;
5、通过预设追踪线程基于所述目标图像帧构建所述当前环境信息对应的局部环境地图,并通过预设局部地图线程对所述局部环境地图进行优化,以及通过预设回环检测线程对优化后的局部环境地图进行回环检测,以便基于检测后的若干所述局部环境地图构建目标环境地图。
6、可选的,所述利用目标语义滤波器模型根据所述语义信息过滤满足预设过滤条件的目标图像块之前,还包括:
7、将预设图像数据集输入所述同时定位与地图构建系统,并保存所述同时定位与地图构建系统运行过程中确定出的所述预设图像数据集中的关键帧图像;
8、根据所述关键帧图像构建所述训练数据集,并根据所述训练数据集对初始语义滤波器模型进行训练得到所述目标语义滤波器模型。
9、可选的,所述根据所述训练数据集对初始语义滤波器模型进行训练得到所述目标语义滤波器模型,包括:
10、根据所述关键帧图像的像素变化信息提取所述关键帧图像中的初始orb特征点;
11、对提取到的相邻两关键帧图像的所述初始orb特征点进行暴力匹配,以得到目标特征点;
12、基于所述目标特征点提取所述关键帧图像中的若干所述训练图像块,并基于所述训练图像块对所述初始语义滤波器模型进行训练得到所述目标语义滤波器模型。
13、可选的,所述基于所述目标特征点提取所述关键帧图像中的若干所述训练图像块,包括:
14、从所述目标特征点中随机筛选出若干个估计点,并基于所述估计点估计出特征点分类模型;
15、利用所述特征点分类模型对所述目标特征点中除所述估计点之外的特征点进行测试,以将所述除所述估计点之外的特征点分类为内点和外点;
16、跳转至所述从所述目标特征点中随机筛选出若干个估计点的步骤,以优化所述特征点分类模型,直至所述特征点分类模型分类出的内点满足预设数量条件;
17、利用满足所述预设数量条件的所述特征点分类模型检测所述目标特征点,以筛选出所述目标特征点中的内点,并根据所述目标特征点中的内点和预设图像块尺寸提取所述关键帧图像中的若干所述训练图像块。
18、可选的,所述基于所述目标特征点提取所述关键帧图像中的若干所述训练图像块之后,还包括:
19、将所述训练图像块均分为若干目标图像块,并确定所述目标图像块中的最大灰度像素值和最小灰度像素值;
20、确定所述最大灰度像素值和所述最小灰度像素值的灰度极差,若所述灰度极差大于预设阈值,则判定所述目标图像块存在灰度变化特征;
21、确定每个所述训练图像块中存在所述灰度变化特征的所述目标图像块的数量,并根据所述数量对所述训练图像块进行分类标注得到所述训练图像块的语义等级,以根据标注后的所述训练图像块对所述初始语义滤波器模型进行训练得到所述目标语义滤波器模型。
22、可选的,所述根据所述训练数据集对初始语义滤波器模型进行训练得到所述目标语义滤波器模型,包括:
23、将所述训练数据集输入预设卷积神经网络中进行深度学习训练,以得到所述目标语义滤波器模型。
24、可选的,所述利用目标语义滤波器模型根据所述语义信息过滤满足预设过滤条件的目标图像块,包括:
25、利用目标语义滤波器模型确定所述图像帧中的若干所述图像块的语义等级,并基于所述语义等级从小到大的顺序对所述图像块进行排序;
26、将所述语义等级小于预设语义等级阈值的所述图像块作为所述目标图像块,并过滤所述目标图像块。
27、第二方面,本申请提供了一种基于语义滤波的地图构建装置,应用于同时定位与地图构建系统,包括:
28、图像块提取模块,用于获取基于当前环境信息得到的若干图像帧,并根据所述图像帧的像素变化信息确定所述图像帧中的orb特征点,以根据所述orb特征点提取所述图像帧中的若干图像块;
29、图像块过滤模块,用于基于所述图像块的灰度信息确定出每个所述图像块对应的语义信息,并利用目标语义滤波器模型根据所述语义信息过滤满足预设过滤条件的目标图像块,以得到过滤后的目标图像帧;所述目标语义滤波器模型为预先基于训练数据集通过深度学习进行训练得到的模型;
30、地图构建模块,用于通过预设追踪线程基于所述目标图像帧构建所述当前环境信息对应的局部环境地图,并通过预设局部地图线程对所述局部环境地图进行优化,以及通过预设回环检测线程对优化后的局部环境地图进行回环检测,以便基于检测后的若干所述局部环境地图构建目标环境地图。
31、第三方面,本申请提供了一种电子设备,所述电子设备包括处理器和存储器;其中,所述存储器用于存储计算机程序,所述计算机程序由所述处理器加载并执行以实现前述的基于语义滤波的地图构建方法。
32、第四方面,本申请提供了一种计算机可读存储介质,用于保存计算机程序,所述计算机程序被处理器执行时实现前述的基于语义滤波的地图构建方法。
33、本申请中首先获取基于当前环境信息得到的若干图像帧,并根据图像帧的像素变化信息确定图像帧中的orb特征点,以根据orb本文档来自技高网...
【技术保护点】
1.一种基于语义滤波的地图构建方法,其特征在于,应用于同时定位与地图构建系统,包括:
2.根据权利要求1所述的基于语义滤波的地图构建方法,其特征在于,所述利用目标语义滤波器模型根据所述语义信息过滤满足预设过滤条件的目标图像块之前,还包括:
3.根据权利要求2所述的基于语义滤波的地图构建方法,其特征在于,所述根据所述训练数据集对初始语义滤波器模型进行训练得到所述目标语义滤波器模型,包括:
4.根据权利要求3所述的基于语义滤波的地图构建方法,其特征在于,所述基于所述目标特征点提取所述关键帧图像中的若干所述训练图像块,包括:
5.根据权利要求4所述的基于语义滤波的地图构建方法,其特征在于,所述基于所述目标特征点提取所述关键帧图像中的若干所述训练图像块之后,还包括:
6.根据权利要求2至5任一项所述的基于语义滤波的地图构建方法,其特征在于,所述根据所述训练数据集对初始语义滤波器模型进行训练得到所述目标语义滤波器模型,包括:
7.根据权利要求6所述的基于语义滤波的地图构建方法,其特征在于,所述利用目标语义滤波器模型根据
8.一种基于语义滤波的地图构建装置,其特征在于,应用于同时定位与地图构建系统,包括:
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器;其中,所述存储器用于存储计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的基于语义滤波的地图构建方法。
10.一种计算机可读存储介质,其特征在于,用于保存计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于语义滤波的地图构建方法。
...【技术特征摘要】
1.一种基于语义滤波的地图构建方法,其特征在于,应用于同时定位与地图构建系统,包括:
2.根据权利要求1所述的基于语义滤波的地图构建方法,其特征在于,所述利用目标语义滤波器模型根据所述语义信息过滤满足预设过滤条件的目标图像块之前,还包括:
3.根据权利要求2所述的基于语义滤波的地图构建方法,其特征在于,所述根据所述训练数据集对初始语义滤波器模型进行训练得到所述目标语义滤波器模型,包括:
4.根据权利要求3所述的基于语义滤波的地图构建方法,其特征在于,所述基于所述目标特征点提取所述关键帧图像中的若干所述训练图像块,包括:
5.根据权利要求4所述的基于语义滤波的地图构建方法,其特征在于,所述基于所述目标特征点提取所述关键帧图像中的若干所述训练图像块之后,还包括:
6.根据权利要求2至5任一项所述...
【专利技术属性】
技术研发人员:李元颉,邵春艳,王佳明,王怀强,冯学之,
申请(专利权)人:海南大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。