【技术实现步骤摘要】
确定图像位姿变换的方法、装置及存储介质
本申请涉及三维重建技术，特别是涉及一种确定图像位姿变换的方法、装置及存储介质。
技术介绍
在三维重建
中，需要通过确定图像位姿变换的方法，确定两张分别采集的图像的相对位移和相对姿态，包括位移和旋转角度等。传统的确定图像位姿变换的方法，通常是通过传统的尺度不变特征变换(Scale-invariantfeaturetransform，SIFT)等方法进行图像视觉特征的提取、通过倾斜摄影(StructurefromMotion，SFM)或机器人实时定位与建图(SimultaneousLocalizationandMapping，SLAM)等方法进行特征匹配，从而进行图像位移的确定。传统方法使用两张图像的相对位移量和相对偏转角度表征图像之间位姿变换的结果，且进行确定图像位姿变换的的两张图像之间的视角变化与位移变化较小，对具有较大视角变化、较大位移变化的两张图像无法给出准确的确定图像位姿变换的结果。
技术实现思路
有鉴于此，本申请的主要目的在于提供一种确定图像位...
【技术保护点】
1.一种确定图像位姿变换的方法，其特征在于，包括：/n对获取的第一图像和第二图像分别提取特征，得到第一图像的特征向量和第二图像的特征向量；/n根据所述第一图像的特征向量和所述第二图像的特征向量，确定第一图像和第二图像之间的相似度特征矩阵；所述相似度特征矩阵的每一个元素为所述第一图像的像素点与所述第二图像的像素点之间的相似度；/n将所述相似度特征矩阵输入第二神经网络模型中，得到所述第一图像与所述第二图像之间的位移量和偏转角度值、以及置信度；所述第二神经网络模型是基于标记了参照物实际尺寸的样本图像训练得到的；所述位移量与所述偏转角度值是所述第一图像和所述第二图像之间基于绝对坐标...
【技术特征摘要】
1.一种确定图像位姿变换的方法，其特征在于，包括：
对获取的第一图像和第二图像分别提取特征，得到第一图像的特征向量和第二图像的特征向量；
根据所述第一图像的特征向量和所述第二图像的特征向量，确定第一图像和第二图像之间的相似度特征矩阵；所述相似度特征矩阵的每一个元素为所述第一图像的像素点与所述第二图像的像素点之间的相似度；
将所述相似度特征矩阵输入第二神经网络模型中，得到所述第一图像与所述第二图像之间的位移量和偏转角度值、以及置信度；所述第二神经网络模型是基于标记了参照物实际尺寸的样本图像训练得到的；所述位移量与所述偏转角度值是所述第一图像和所述第二图像之间基于绝对坐标系的实际位移量和实际偏转角度值；
判断所述置信度是否小于预设的误差阈值，如果所述置信度小于所述误差阈值，将所述第一图像与所述第二图像之间的位移量、偏转角度值，作为目标位移量和目标偏转角度值。
2.根据权利要求1所述的方法，其特征在于，所述特征向量包括语义特征；所述语义特征用于表征所述第一图像和所述第二图像中的每个像素所属的物体；
在执行所述根据所述第一图像的特征向量和所述第二图像的特征向量，确定第一图像和第二图像之间的相似度特征矩阵的步骤时，所述方法还包括：
针对所述第一图像中的每个像素点，根据第一图像的语义特征和第二图像的语义特征，确定该像素点与所述第二图像中的每个像素点是否属于同一个物体。
3.根据权利要求1所述的方法，其特征在于，所述对获取的第一图像和第二图像分别提取特征，得到第一图像的特征向量和第二图像的特征向量的步骤包括：
将所述第一图像和所述第二图像分别输入到第一神经网络模型中，得到所述第一图像的特征向量和所述第二图像的特征向量；所述第一神经网络模型由共享参数的两个神经网络构成。
4.根据权利要求1所述的方法，其特征在于，所述将所述相似度特征矩阵输入第二神经网络模型中，得到所述第一图像与所述第二图像之间的位移量和偏转角度值、以及置信度的步骤，包括：
使用预设大小的卷积核对所述相似度特征矩阵进行至少一次降维，每次降维后，将得到的相似度特征矩阵中的每个元素转化到预设数值区间，并将负相关的元素删除；
将所述至少一次降维后的相似度特征矩阵输入全连接层神经网络，得到所述第一图像与所述第二图像之间的位移量和偏转角度值、以及置信度。
5.根据权利要求1所述的方法，其特征在于，每个所述相似度构成一个包含四维特征向量的矩阵；
在所述根据所述第一图像的特征向量和所述第二图像的特征向量，确定第一图像和第二图像之间的相似度特征矩阵的步骤之后，在所述将所述相似度特征矩阵输入第二神经网络模型中的步骤之前，所述方法还包括：
将所述包含四维特征向量的第一矩阵转换为包含三维特征向量的第二矩阵。
6.根据权利要求5所述的方法，其特征在于，所述将所述包含四维特征向量的第一矩阵转换为包含三维特征向量的...
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。