【技术实现步骤摘要】
本申请属于空间定位，具体涉及一种基于神经网络的空间定位方法、装置、设备及介质。
技术介绍
1、随着社会的发展，无人驾驶、机器人以及无人机等越来越多的领域需要用到定位技术，利用视觉系统进行空间定位变得十分重要。
2、相关技术中，在利用视觉系统进行空间定位之前，需要先对视觉系统中的相机进行标定，以计算出相机的内外参数以及畸变系数。根据相机的内外参数以及畸变系数确定相机拍摄图像中定位目标的二维图像坐标，利用二维图像坐标与三维空间坐标之间的变换公式推算出定位目标的空间坐标。
3、现有的空间定位方式需要对视觉系统中的相机参数进行标定，而标定过程中容易出现标定结果不够准确进而导致定位结果不够可靠的问题。同时，由于利用现有技术在对不同的定位目标进行定位时，需要分别通过坐标变换关系进行计算，存在计算量大进而导致定位效率低的问题。
技术实现思路
1、本申请实施例的目的是提供一种基于神经网络的空间定位方法、装置、设备及介质，解决了视觉系统空间定位效率低以及定位结果不可靠的问题。通过获取待定位目标的图像数据确定待定位目标的像素坐标，将所述像素坐标输入至预先训练的空间定位神经网络模型，根据空间定位神经网络模型的输出结果确定所述待定位目标的空间坐标，可以在无需进行相机标定的情况下对定位目标进行自动定位，提高了视觉系统空间定位效率以及定位结果可靠性。
2、第一方面，本申请实施例提供了一种基于神经网络的空间定位方法，所述方法包括：
3、获取待定位目标的图像数据，根
4、将所述像素坐标输入至预先训练的空间定位神经网络模型；
5、根据所述空间定位神经网络模型的输出结果确定所述待定位目标的空间坐标；其中，所述空间坐标为三维坐标。
6、进一步的，所述空间定位神经网络模型的训练过程，包括：
7、获取标记物的预设空间位置，根据所述预设空间位置确定所述标记物的至少一组预设空间坐标；
8、获取所述标记物在所述预设空间位置的图像信息，根据所述图像信息确定所述标记物在所述预设空间位置的至少一组像素坐标；
9、将所述至少一组像素坐标作为模型输入，将所述至少一组预设空间坐标作为模型输出，训练所述空间定位神经网络模型。
10、进一步的，所述将所述至少一组像素坐标作为模型输入，将所述至少一组预设空间坐标作为模型输出，训练所述空间定位神经网络模型，包括：
11、获取所述空间定位神经网络模型的输出空间坐标；
12、获取与所述输出空间坐标对应的预设空间坐标；
13、根据所述输出空间坐标以及预设空间坐标，利用损失函数对所述空间定位神经网络模型中的模型参数进行更新，以完成对所述空间定位神经网络模型的训练。
14、进一步的，所述损失函数为：
15、
16、其中，loss(x,y)为所述损失函数；f(xi)为所述空间定位神经网络模型的输出空间坐标；yi为与所述输出空间坐标对应的预设空间坐标；n为所述输出空间坐标或者预设空间坐标的样本数量。
17、进一步的，在完成对所述空间定位神经网络模型的训练之后，所述方法还包括：
18、构建相机坐标系；其中，所述相机为用于获取所述标记物在所述预设空间位置的图像信息的相机；
19、将所述预设空间坐标映射至所述相机坐标系下，得到所述相机坐标系下的标记物空间坐标；
20、计算所述标记物空间坐标与所述输出空间坐标的均方误差；
21、若所述均方误差小于预设均方误差阈值，则确定所述空间定位神经网络模型精度合格。
22、进一步的，所述标记物为标定板；所述标定板上包括至少一个反光标志点；
23、所述获取所述标记物在所述预设空间位置的图像信息，根据所述图像信息确定所述标记物在所述预设空间位置的至少一组像素坐标，包括：
24、获取所述标定板在所述预设空间位置的图像信息；
25、根据所述图像信息确定所述至少一个反光标志点的像素信息；其中，所述反光标志点的像素信息包括：像素个数、像素亮度数据以及单位像素坐标；
26、根据所述像素信息计算至少一组所述反光标志点的圆心像素坐标，并将所述圆心像素坐标作为所述像素坐标。
27、第二方面，本申请实施例提供了一种基于神经网络的空间定位装置，所述装置包括：
28、图像数据获取模块，用于获取待定位目标的图像数据，根据所述图像数据确定待定位目标的像素坐标；其中，所述像素坐标为二维坐标；
29、像素坐标输入模块，用于将所述像素坐标输入至预先训练的空间定位神经网络模型；
30、空间坐标确定模块，用于根据所述空间定位神经网络模型的输出结果确定所述待定位目标的空间坐标；其中，所述空间坐标为三维坐标。
31、进一步的，所述装置，还包括：
32、预设空间坐标确定模块，用于获取标记物的预设空间位置，根据所述预设空间位置确定所述标记物的至少一组预设空间坐标；
33、像素坐标确定模块，用于获取所述标记物在所述预设空间位置的图像信息，根据所述图像信息确定所述标记物在所述预设空间位置的至少一组像素坐标；
34、模型训练模块，用于将所述至少一组像素坐标作为模型输入，将所述至少一组预设空间坐标作为模型输出，训练所述空间定位神经网络模型。
35、第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
36、第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
37、第五方面，本申请实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
38、在本申请实施例中，获取待定位目标的图像数据，根据所述图像数据确定待定位目标的像素坐标；其中，所述像素坐标为二维坐标；将所述像素坐标输入至预先训练的空间定位神经网络模型；根据所述空间定位神经网络模型的输出结果确定所述待定位目标的空间坐标；其中，所述空间坐标为三维坐标。通过上述基于神经网络的空间定位方法，解决了视觉系统空间定位效率低以及定位结果不可靠的问题，通过获取待定位目标的图像数据确定待定位目标的像素坐标，将所述像素坐标输入至预先训练的空间定位神经网络模型，根据空间定位神经网络模型的输出结果确定所述待定位目标的空间坐标，可以在无需进行相机标定的情况下对定位目标进行自动定位，提高了视觉系统空间定位效率以及定位结果可靠性。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的空间定位方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于神经网络的空间定位方法，其特征在于，所述空间定位神经网络模型的训练过程，包括：
3.根据权利要求2所述的基于神经网络的空间定位方法，其特征在于，所述将所述至少一组像素坐标作为模型输入，将所述至少一组预设空间坐标作为模型输出，训练所述空间定位神经网络模型，包括：
4.根据权利要求3所述的基于神经网络的空间定位方法，其特征在于，所述损失函数为：
5.根据权利要求3所述的基于神经网络的空间定位方法，其特征在于，在完成对所述空间定位神经网络模型的训练之后，所述方法还包括：
6.根据权利要求2所述的基于神经网络的空间定位方法，其特征在于，所述标记物为标定板；所述标定板上包括至少一个反光标志点；
7.一种基于神经网络的空间定位装置，其特征在于，所述装置包括：
8.根据权利要求7所述的基于神经网络的空间定位装置，其特征在于，所述装置，还包括：
9.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器
10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-6中任一项所述的基于神经网络的空间定位方法的步骤。
...【技术特征摘要】
1.一种基于神经网络的空间定位方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于神经网络的空间定位方法，其特征在于，所述空间定位神经网络模型的训练过程，包括：
3.根据权利要求2所述的基于神经网络的空间定位方法，其特征在于，所述将所述至少一组像素坐标作为模型输入，将所述至少一组预设空间坐标作为模型输出，训练所述空间定位神经网络模型，包括：
4.根据权利要求3所述的基于神经网络的空间定位方法，其特征在于，所述损失函数为：
5.根据权利要求3所述的基于神经网络的空间定位方法，其特征在于，在完成对所述空间定位神经网络模型的训练之后，所述方法还包括：
6.根据权利要求2所述的基于神经网...
【专利技术属性】
技术研发人员：关沛峰，
申请(专利权)人：广州艾目易科技有限公司，
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。