一种基于分类检测网络构建地图方法及装置制造方法及图纸

本申请适用于即时定位技术领域，提供了一种基于分类检测网络构建地图方法，包括：获取当前帧的图片数据，并对图片数据进行分类，然后根据分类后的图片数据和惯性测量数据计算位姿变化数据，通过对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果，再根据位姿变化数据和回环检测结果，估计相机的运动轨迹，并构建地图。本申请通过对当前帧的图片数据进行分类，并去除动态图片数据，仅根据静态图片数据和惯性测量数据计算位姿变化数据，并通过多种方式结合的回环检测，获得回环检测结果，根据位姿变化数据和回环检测结果，估计相机的运动轨迹，构建地图，可准确的计算出相机的位姿变化数据，提高了算法的性能，减小了计算量。

A method and device of map construction based on classification detection network

【技术实现步骤摘要】
一种基于分类检测网络构建地图方法及装置
本申请属于即时定位
，尤其涉及一种基于分类检测网络构建地图方法及装置。
技术介绍
随着智能机器人和无人驾驶
的飞速发展，如何进行实时的地图重建进而进行定位导航，成为了最为关注的技术问题。传统的视觉同步定位与建图方案主要是通过矩阵运算检测特征点的方法实现的，上述方案计算量大，且占用资源较大，实时性受到一定的影响，因此建图的效率低。
技术实现思路
本申请实施例提供了一种基于分类检测网络构建地图方法及装置，可以解决现有技术方案计算量大，且占用资源较大，实时性受到一定的影响，因此建图的效率低问题。第一方面，本申请实施例提供了一种基于分类检测网络构建地图方法，包括：获取当前帧的图片数据；对所述图片数据进行分类；根据分类后的图片数据和惯性测量数据计算位姿变化数据；对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果；根据位姿变化数据和回环检测结果，估计相机的运动轨迹，并构建地图。第二方面，本申请实施例提供了一种基于分类检测网络构建地图装置，包括：获取模块，用于获取当前帧的图片数据；分类模块，用于对所述图片数据进行分类；计算模块，用于根据分类后的图片数据和惯性测量数据计算位姿变化数据；检测模块，用于对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果；建图模块，用于根据位姿变化数据和回环检测结果，估计相机的运动轨迹，并构建地图。<br>第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的基于分类检测网络构建地图方法。第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的基于分类检测网络构建地图方法。第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的基于分类检测网络构建地图方法。可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。本申请实施例通过对当前帧的图片数据进行分类，并去除动态图片数据，仅根据静态图片数据和惯性测量数据计算位姿变化数据，并通过多种方式结合的回环检测，获得回环检测结果，根据位姿变化数据和回环检测结果，估计相机的运动轨迹，构建地图，可准确的计算出相机的位姿变化数据，提高了算法的性能，减小了计算量。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请一实施例提供的基于分类检测网络构建地图方法的流程示意图；图2是本申请一实施例提供的基于分类检测网络构建地图系统的模块示例图；图3是本申请一实施例提供的基于分类检测网络构建地图装置的结构示意图；图4是本申请实施例提供的终端设备的结构示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”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，在本申请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。如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。本申请实施例提供的基于分类检测网络构建地图方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(AugmentedReality，AR)/虚拟现实(VirtualReality，VR)设备、笔记本电脑、超级移动个人计算机(Ultra-MobilePersonalComputer，UMPC)、上网本、个人数字助理(PersonalDigitalAssistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。例如，所述终端设备可以是WLAN中的站点(STAION，ST)，可以是蜂窝电话、无绳电话、会话启动协议(SessionInitiationProtocol，SIP)电话、无线本地环路(WirelessLocalLoop，WLL)站、个人数字处理(PersonalDigitalAssistant，PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、车联网终端、电脑、膝上型计算机、手持式通信设备、手持式计算设备、卫星无线设备、无线调制解调器卡、电视机顶盒(SetTopBox，STB)、用户驻地设备(CustomerPremiseEquipment，CPE)和/或用于在无线系统上进行通信的其它设备以及下一代通信系统，例如，5G网络中的移动终端或者未来演进的公共陆地移动网络(PublicLandMobileNetwork，PLMN)网络中的移动终端等。图1示出了本申请提供的基于分类检测网络构建地图方法的示意性流程图，作为示例而非限定，该方法可以应用于上述任一端设备中。S101、获取当前帧的图片数据。在具体应用中，通过视觉前本文档来自技高网...

【技术保护点】
1.一种基于分类检测网络构建地图方法，其特征在于，包括：/n获取当前帧的图片数据；/n对所述图片数据进行分类；/n根据分类后的图片数据和惯性测量数据计算位姿变化数据；/n对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果；/n根据位姿变化数据和回环检测结果，估计相机的运动轨迹，并构建地图。/n

【技术特征摘要】
1.一种基于分类检测网络构建地图方法，其特征在于，包括：
获取当前帧的图片数据；
对所述图片数据进行分类；
根据分类后的图片数据和惯性测量数据计算位姿变化数据；
对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果；
根据位姿变化数据和回环检测结果，估计相机的运动轨迹，并构建地图。


2.如权利要求1所述的基于分类检测网络构建地图方法，其特征在于，所述对当前帧的图片数据和上一帧的图片数据进行回环检测，获得回环检测结果，包括：
检测当前帧的图片数据与上一帧的图片数据的类别是否相同，获得类别检测结果；
对比当前帧的图片数据中任两个物体的窗口之间的距离与上一帧的图片数据中所述两个物体的窗口之间的距离是否相同，获得距离检测结果；
对比当前帧的惯性测量数据与上一帧的惯性测量数据是否相同，获得惯性测量数据检测结果；
对类别检测结果、距离检测结果和惯性测量数据检测结果进行融合，获得回环检测结果。


3.如权利要求2所述的基于分类检测网络构建地图方法，其特征在于，所述对比当前帧的图片数据中任两个物体的窗口之间的距离与上一帧的图片数据中所述两个物体的窗口之间的距离是否相同，获得距离检测结果之前，包括：
识别当前帧的图片数据中的所有物体，并获取所有物体的候选窗口；
去除当前帧的图片数据中的冗余候选窗口，获得当前帧的图片数据中的任一物体的窗口；
计算当前帧的图片数据中的任两个物体的窗口之间的距离；
识别上一帧的图片数据中的所有物体，并获取所有物体的候选窗口；
去除上一帧的图片数据中的冗余候选窗口，获得上一帧的图片数据中的任一物体的窗口；
计算上一帧的图片数据中的任两个物体的窗口之间的距离。


4.如权利要求1所述的基于分类检测网络构建地图方法，其特征在于，所述图片数据的种类包括动态图片、静态图片和动静混合图片；
所述根据分类后的图片数据和惯性测量数据计算位姿变化数据，包括：
分离动静混合图片数据中的静态图片数据和动态图片数据；
去除所有动态图片数据；
通过同步定位与建图算法对静态图片数据和惯性测量数据进行位姿估计，获得位姿变化数据。


5.如权利要求1所述的基于分类检测网络构建地图方法，其特征在于，所述对所述图片数据进行分类之前，包括：
通过预训练数据对深度学习网络进行预...

【专利技术属性】
技术研发人员：苏锴坚，吕江浩，刘松，
申请(专利权)人：深圳市香蕉智能科技有限公司，
类型：发明
国别省市：广东;44