一种通过检测和标定恢复单目SLAM尺度的方法及系统技术方案

本发明专利技术公开了一种通过检测和标定恢复单目SLAM尺度的方法及系统，包括以下步骤，通过标定模块对相机进行标定；计算模块计算出在平面上的点距相机的深度；检测模块基于深度学习进行标志物的检测；尺度恢复模块进行SLAM后端优化，得到单目SLAM的尺度。本发明专利技术的有益效果：采用标定和检测的方法进行尺度恢复，在道路上摆放标志物进行尺度的恢复，其算法的计算量和复杂度均大大减小。复杂度均大大减小。复杂度均大大减小。

【技术实现步骤摘要】
一种通过检测和标定恢复单目SLAM尺度的方法及系统


[0001]本专利技术涉及计算机视觉的
，尤其涉及一种通过检测和标定恢复单目SLAM尺度的方法及系统。

技术介绍

[0002]单目SLAM是指用一个摄像头进行SLAM的方法，单目相机的数据就是照片，照片就是拍照时的场景在相机的成像平面上留下的一个投影，它以二维的形式反映了三维的世界，在这个过程中丢掉了一个维度，无法通过单张照片计算场景中物体的距离，因此必须要进行尺度恢复。
[0003]目前可以通过相机的高度和道路的信息恢复尺度，现有的尺度恢复技术依赖于路标识别和道路几何模型计算的精度，计算复杂且量大，有待改进。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]因此，本专利技术解决的一个技术问题是：提出一种通过检测和标定恢复单目SLAM尺度的方法，能够减小尺度恢复时的计算量和算法的复杂度。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种通过检测和标定恢复单目SLAM尺度的方法，包括以下步骤，通过标定模块对相机进行标定；计算模块计算出在平面上的点距相机的深度；检测模块基于深度学习进行标志物的检测；尺度恢复模块进行SLAM后端优化，得到单目SLAM的尺度。
[0008]作为本专利技术所述的通过检测和标定恢复单目SLAM尺度的方法的一种优选方案，其中：一种通过检测和标定恢复单目SLAM尺度的方法，其特征在于：包括以下步骤，通过标定模块对相机进行标定；计算模块计算出在平面上的点距相机的深度；检测模块基于深度学习进行标志物的检测；尺度恢复模块进行SLAM后端优化，得到单目SLAM的尺度。
[0009]作为本专利技术所述的通过检测和标定恢复单目SLAM尺度的方法的一种优选方案，其中：所述计算模块通过透视变换进行深度计算，透视变换是将图片投影到一个新的视平面，从二维到三维(X,Y,Z)，再到另一个二维(x
’
,y
’
)空间的映射。
[0010]作为本专利技术所述的通过检测和标定恢复单目SLAM尺度的方法的一种优选方案，其中：所述透视变换的公式如下，
[0011][0012]作为本专利技术所述的通过检测和标定恢复单目SLAM尺度的方法的一种优选方案，其
中：所述标志物的检测还包括以下步骤，选择一张图画作为标志物；基于深度学习检测算法检测标志物的四个角的像素坐标。
[0013]作为本专利技术所述的通过检测和标定恢复单目SLAM尺度的方法的一种优选方案，其中：所述深度学习检测算法为YOLO算法。
[0014]作为本专利技术所述的通过检测和标定恢复单目SLAM尺度的方法的一种优选方案，其中：所述深度学习检测算法进一步包括以下步骤，对标志物进行图像采集，构成深度学习的训练集。
[0015]作为本专利技术所述的通过检测和标定恢复单目SLAM尺度的方法的一种优选方案，其中：所述尺度恢复还包括以下步骤，对经过标定的相机运行ORB_SLAM2算法，通过特征点匹配得到一个单位不确定的尺度s；当检测到标记物时，通过深度学习检测算法得到标记物4个点的像素坐标；通过透视变换得到标记物4个点的深度；在SLAM算法中通过同一张图片中二维像素坐标位置询这4个点在SLAM算法中的相机坐标系下的值得到一个尺度的初值；通过高斯牛顿非线性优化的方法得到SLAM算法中的尺度在真实世界中的单位。
[0016]作为本专利技术所述的通过检测和标定恢复单目SLAM尺度的方法的一种优选方案，其中：所述高斯牛顿非线性优化的方法包括，给定初始值x0；对于第k次迭代，求出当前的雅克比矩阵J(x
k
)和误差f(x
k
)求增量方程：HΔx
k
＝g；如Δx
k
足够小，则停止，否则，令x
k+1
＝x
k
+Δx
k
，返回上述步骤。
[0017]本专利技术解决的另一个技术问题是：提供一种通过检测和标定恢复单目SLAM尺度的系统，使上述方法能够依托于该系统实现。
[0018]为解决上述技术问题，本专利技术提供如下技术方案：一种通过检测和标定恢复单目SLAM尺度的系统，包括，标定模块，所述标定模块用于对相机进行标定；计算模块，所述计算模块用于计算平面上的点距相机的深度；检测模块，所述检测模块能够进行标志物的检测；尺度恢复模块，所述尺度恢复模块用于进行单目SLAM尺度的恢复。
[0019]本专利技术的有益效果：本专利技术采用标定和检测的方法进行尺度恢复，只需要在SLAM运行后在道路上摆放一个预先设定的标志物，无需采集稠密的点就可以恢复尺度，其算法的计算量和复杂度均大大减小。
附图说明
[0020]为了更清楚地说明本专利技术实施例的技术方案，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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。其中：
[0021]图1为本专利技术第一种实施例所述通过检测和标定恢复单目SLAM尺度的方法的整体流程结构示意图；
[0022]图2为本专利技术第一种实施例中相机标定的参数及其关系示意图；
[0023]图3为本专利技术第一种实施例中透视变换后的结果示意图；
[0024]图4为本专利技术第一种实施例中选择的棋盘格标志物示意图；
[0025]图5为本专利技术第一种实施例中YOLO网络的示意图；
[0026]图6为本专利技术第二种实施例所述通过检测和标定恢复单目SLAM尺度的整体结构示
意图。
具体实施方式
[0027]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通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，都应当属于本专利技术的保护的范围。
[0028]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。
[0029]其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0030]本专利技术结合示意图进行详细描述，在详述本专利技术实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种通过检测和标定恢复单目SLAM尺度的方法，其特征在于：包括以下步骤，通过标定模块(100)对相机进行标定；计算模块(200)计算出在平面上的点距相机的深度；检测模块(300)基于深度学习进行标志物的检测；尺度恢复模块(400)进行SLAM后端优化，得到单目SLAM的尺度。2.如权利要求1所述的通过检测和标定恢复单目SLAM尺度的方法，其特征在于：所述标定还包括以下步骤，获取标定板；移动相机拍摄标定板各个角度的图片；检测图片中的特征点；计算出相机的内参K和畸变D。3.如权利要求1或2所述的通过检测和标定恢复单目SLAM尺度的方法，其特征在于：所述计算模块(200)通过透视变换进行深度计算，透视变换是将图片投影到一个新的视平面，从二维(x,y)到三维(X,Y,Z)，再到另一个二维(x
’
,y
’
)空间的映射。4.如权利要求3所述的通过检测和标定恢复单目SLAM尺度的方法，其特征在于：所述透视变换的公式如下，5.如权利要求4所述的通过检测和标定恢复单目SLAM尺度的方法，其特征在于：所述标志物的检测还包括以下步骤，选择一张图画作为标志物；基于深度学习检测算法检测标志物的四个角的像素坐标。6.如权利要求5所述的通过检测和标定恢复单目SLAM尺度的方法，其特征在于：所述深度学习检测算法包括YOLO算法。7.如权利要求6所述的通过检测和标定恢复单目SLAM尺度的方法，其特征在于：所述深度学习检测算法进一步包括以下步骤，对标志物进行图像采集，构成深度学习的训练集。8...

【专利技术属性】
技术研发人员：陈丹丹，梁田园，
申请(专利权)人：养哇南京科技有限公司，
类型：发明
国别省市：