[go: up one dir, main page]

CN109697734B - 位姿估计方法及装置、电子设备和存储介质 - Google Patents

位姿估计方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN109697734B
CN109697734B CN201811591706.4A CN201811591706A CN109697734B CN 109697734 B CN109697734 B CN 109697734B CN 201811591706 A CN201811591706 A CN 201811591706A CN 109697734 B CN109697734 B CN 109697734B
Authority
CN
China
Prior art keywords
coordinate
coordinates
key points
estimated
processed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811591706.4A
Other languages
English (en)
Other versions
CN109697734A (zh
Inventor
周晓巍
鲍虎军
刘缘
彭思达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Shangtang Technology Development Co Ltd
Original Assignee
Zhejiang Shangtang Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Shangtang Technology Development Co Ltd filed Critical Zhejiang Shangtang Technology Development Co Ltd
Priority to CN201811591706.4A priority Critical patent/CN109697734B/zh
Publication of CN109697734A publication Critical patent/CN109697734A/zh
Priority to KR1020207031698A priority patent/KR102423730B1/ko
Priority to JP2021503196A priority patent/JP2021517649A/ja
Priority to PCT/CN2019/128408 priority patent/WO2020135529A1/zh
Priority to US17/032,830 priority patent/US20210012523A1/en
Application granted granted Critical
Publication of CN109697734B publication Critical patent/CN109697734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本公开涉及一种位姿估计方法及装置、电子设备和存储介质，所述方法包括：对待处理图像中的目标对象进行关键点检测处理，获得多个关键点以及各关键点对应的第一协方差矩阵；根据各关键点对应的第一协方差矩阵，对多个关键点进行筛选出目标关键点；根据目标关键点进行位姿估计处理，获得旋转矩阵和位移向量。根据本公开的实施例的位姿估计方法，可通过关键点检测获得待处理图像中的关键点以及对应的第一协方差矩阵，并通过第一协方差矩阵筛选关键点，可去除关键点之间的互相干扰，提高匹配关系的准确度，并且，通过筛选关键点，可去除无法代表目标对象位姿的关键点，减小估计的位姿与真实位姿之间的误差。

Description

位姿估计方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种位姿估计方法及装置、电子设备和存储介质。
背景技术
在相关技术中，需要将三维空间与图像中的点进行匹配，但需要匹配的点较多，通常使用神经网络等方式自动获得多个点的匹配关系，但由于输出误差以及多个邻近的点之间的互相干扰，造成匹配关系通常是不准确的，并且，匹配的点大部分点无法代表目标对象的位姿，使得输出的位姿与真实位姿之间的误差较大。
发明内容
本公开提出了一种位姿估计方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种位姿估计方法，包括：
对待处理图像中的目标对象进行关键点检测处理，获得目标对象在待处理图像中的多个关键点以及各关键点对应的第一协方差矩阵，其中，所述第一协方差矩阵是根据关键点在待处理图像中的位置坐标和关键点的估计坐标确定的；
根据各关键点对应的第一协方差矩阵，对所述多个关键点进行筛选，从多个关键点中确定出目标关键点；
根据所述目标关键点进行位姿估计处理，获得旋转矩阵和位移向量。
根据本公开的实施例的位姿估计方法，可通过关键点检测获得待处理图像中的关键点以及对应的第一协方差矩阵，并通过第一协方差矩阵筛选关键点，可去除关键点之间的互相干扰，提高匹配关系的准确度，并且，通过筛选关键点，可去除无法代表目标对象位姿的关键点，减小估计的位姿与真实位姿之间的误差。
在一种可能的实现方式中，根据所述目标关键点进行位姿估计处理，获得旋转矩阵和位移向量，包括：
获取所述目标关键点在三维坐标系中的空间坐标，其中，所述空间坐标为三维坐标；
根据所述目标关键点在待处理图像中的位置坐标以及所述空间坐标，确定初始旋转矩阵以及初始位移向量，其中，所述位置坐标为二维坐标；
根据所述空间坐标和所述目标关键点在待处理图像中的位置坐标，对所述初始旋转矩阵以及初始位移向量进行调整，获得所述旋转矩阵和位移向量。
在一种可能的实现方式中，根据所述空间坐标和所述位置坐标，对所述初始旋转矩阵以及初始位移向量进行调整，获得所述旋转矩阵和位移向量，包括：
根据所述初始旋转矩阵以及初始位移向量，对所述空间坐标进行投影处理，获得所述空间坐标在所述待处理图像中的投影坐标；
确定所述投影坐标与目标关键点在待处理图像中的位置坐标之间的误差距离；
根据所述误差距离调整所述初始旋转矩阵以及初始位移向量；
在满足误差条件时，获得所述旋转矩阵和位移向量。
在一种可能的实现方式中，确定所述投影坐标与所述目标关键点在待处理图像中的位置坐标之间的误差距离，包括：
分别获得各目标关键点在待处理图像中的位置坐标与投影坐标之间的向量差以及各目标关键点对应的第一协方差矩阵；
根据各目标关键点对应的向量差和第一协方差矩阵，确定所述误差距离。
在一种可能的实现方式中，对待处理图像中的目标对象进行关键点检测处理，获得目标对象在待处理图像中的多个关键点以及各关键点对应的第一协方差矩阵，包括：
对待处理图像中的目标对象进行关键点检测处理，获得各关键点的多个估计坐标以及各估计坐标的权重；
根据各估计坐标的权重，对所述多个估计坐标进行加权平均处理，获得所述关键点的位置坐标；
根据所述多个估计坐标、各估计坐标的权重以及所述关键点的位置坐标，获得所述关键点对应的第一协方差矩阵。
在一种可能的实现方式中，根据所述多个估计坐标、各估计坐标的权重以及所述关键点的位置坐标，获得所述关键点对应的第一协方差矩阵，包括：
确定各估计坐标与所述关键点的位置坐标之间的第二协方差矩阵；
根据各估计坐标的权重，对多个第二协方差矩阵进行加权平均处理，获得所述关键点对应的第一协方差矩阵。
在一种可能的实现方式中，对待处理图像中的目标对象进行关键点检测处理，获得各关键点的多个估计坐标以及各估计坐标的权重，包括：
对待处理图像中的目标对象进行关键点检测处理，获得所述关键点的多个初始估计坐标以及各初始估计坐标的权重；
根据各初始估计坐标的权重，对多个初始估计坐标进行筛选，从所述初始估计坐标中筛选出所述估计坐标。
通过这种方式，根据权重筛选出估计坐标，可减小计算量，提高处理效率，并去除离群点，提高关键点坐标的精确度。
在一种可能的实现方式中，根据各关键点对应的第一协方差矩阵，对所述多个关键点进行筛选，从多个关键点中确定出目标关键点，包括：
确定各关键点对应的第一协方差矩阵的迹；
从各关键点对应的第一协方差矩阵中，筛选出预设数量个第一协方差矩阵，其中，筛选出的第一协方差矩阵的迹小于未被筛选出的第一协方差矩阵的迹；
基于筛选出的预设数量个第一协方差矩阵，确定所述目标关键点。
通过这种方式，可筛选关键点，可去除关键点之间的互相干扰，并可去除不能代表目标对象位姿的关键点，提高位姿估计的精度，提高处理效率。
根据本公开的另一方面，提供了一种位姿估计装置，包括：
检测模块，用于对待处理图像中的目标对象进行关键点检测处理，获得目标对象在待处理图像中的多个关键点以及各关键点对应的第一协方差矩阵，其中，所述第一协方差矩阵是根据关键点在待处理图像中的位置坐标和关键点的估计坐标确定的；
筛选模块，用于根据各关键点对应的第一协方差矩阵，对所述多个关键点进行筛选，从多个关键点中确定出目标关键点；
位姿估计模块，用于根据所述目标关键点进行位姿估计处理，获得旋转矩阵和位移向量。
在一种可能的实现方式中，所述位姿估计模块被进一步配置为：
获取所述目标关键点在三维坐标系中的空间坐标，其中，所述空间坐标为三维坐标；
根据所述目标关键点在待处理图像中的位置坐标以及所述空间坐标，确定初始旋转矩阵以及初始位移向量，其中，所述位置坐标为二维坐标；
根据所述空间坐标和所述目标关键点在待处理图像中的位置坐标，对所述初始旋转矩阵以及初始位移向量进行调整，获得所述旋转矩阵和位移向量。
在一种可能的实现方式中，所述位姿估计模块被进一步配置为：
根据所述初始旋转矩阵以及初始位移向量，对所述空间坐标进行投影处理，获得所述空间坐标在所述待处理图像中的投影坐标；
确定所述投影坐标与目标关键点在待处理图像中的位置坐标之间的误差距离；
根据所述误差距离调整所述初始旋转矩阵以及初始位移向量；
在满足误差条件时，获得所述旋转矩阵和位移向量。
在一种可能的实现方式中，所述位姿估计模块被进一步配置为：
分别获得各目标关键点在待处理图像中的位置坐标与投影坐标之间的向量差以及各目标关键点对应的第一协方差矩阵；
根据各目标关键点对应的向量差和第一协方差矩阵，确定所述误差距离。
在一种可能的实现方式中，所述检测模块被进一步配置为：
对待处理图像中的目标对象进行关键点检测处理，获得各关键点的多个估计坐标以及各估计坐标的权重；
根据各估计坐标的权重，对所述多个估计坐标进行加权平均处理，获得所述关键点的位置坐标；
根据所述多个估计坐标、各估计坐标的权重以及所述关键点的位置坐标，获得所述关键点对应的第一协方差矩阵。
在一种可能的实现方式中，所述检测模块被进一步配置为：
确定各估计坐标与所述关键点的位置坐标之间的第二协方差矩阵；
根据各估计坐标的权重，对多个第二协方差矩阵进行加权平均处理，获得所述关键点对应的第一协方差矩阵。
在一种可能的实现方式中，所述检测模块被进一步配置为：
对待处理图像中的目标对象进行关键点检测处理，获得所述关键点的多个初始估计坐标以及各初始估计坐标的权重；
根据各初始估计坐标的权重，对多个初始估计坐标进行筛选，从所述初始估计坐标中筛选出所述估计坐标。
在一种可能的实现方式中，所述筛选模块被进一步配置为：
确定各关键点对应的第一协方差矩阵的迹；
从各关键点对应的第一协方差矩阵中，筛选出预设数量个第一协方差矩阵，其中，筛选出的第一协方差矩阵的迹小于未被筛选出的第一协方差矩阵的迹；
基于筛选出的预设数量个第一协方差矩阵，确定所述目标关键点。
根据本公开的另一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述位姿估计方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述位姿估计方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的位姿估计方法的流程图；
图2示出根据本公开实施例的关键点检测的示意图；
图3示出根据本公开实施例的关键点检测的示意图；
图4示出根据本公开实施例的位姿估计方法的应用示意图；
图5示出根据本公开实施例的位姿估计装置的框图；
图6示出根据本公开实施例的电子装置的框图；
图7示出根据本公开实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的位姿估计方法的流程图，如图1所示，所示方法包括：
在步骤S11中，对待处理图像中的目标对象进行关键点检测处理，获得目标对象在待处理图像中的多个关键点以及各关键点对应的第一协方差矩阵，其中，所述第一协方差矩阵是根据关键点在待处理图像中的位置坐标和关键点的估计坐标确定的；
在步骤S12中，根据各关键点对应的第一协方差矩阵，对所述多个关键点进行筛选，从多个关键点中确定出目标关键点；
在步骤S13中，根据所述目标关键点进行位姿估计处理，获得旋转矩阵和位移向量。
根据本公开的实施例的位姿估计方法，可通过关键点检测获得待处理图像中的关键点以及对应的第一协方差矩阵，并通过第一协方差矩阵筛选关键点，可去除关键点之间的互相干扰，提高匹配关系的准确度，并且，通过筛选关键点，可去除无法代表目标对象位姿的关键点，减小估计的位姿与真实位姿之间的误差。
在一种可能的实现方式中，对待处理图像中的目标对象进行关键点检测处理。所述待处理图像中可包括分别位于待处理图像的各区域的多个目标对象，或者待处理图像中的目标对象可具有多个区域，可通过关键点检测处理获得各区域的关键点。在示例中，可获得各区域的关键点的多个估计坐标，并根据所述估计坐标，获得各区域的关键点的位置坐标。进一步地，还可通过所述位置坐标和所述估计坐标来获得与各关键点对应的第一协方差矩阵。
在一种可能的实现方式中，步骤S11可包括：对待处理图像中的目标对象进行关键点检测处理，获得各关键点的多个估计坐标以及各估计坐标的权重；根据各估计坐标的权重，对所述多个估计坐标进行加权平均处理，获得所述关键点的位置坐标；根据所述多个估计坐标、各估计坐标的权重以及所述关键点的位置坐标，获得所述关键点对应的第一协方差矩阵。
在一种可能的实现方式中，可使用预训练的神经网络对待处理图像进行处理，获得目标对象的关键点的多个估计坐标以及各估计坐标的权重。所述神经网络可以是卷积神经网络，本公开对神经网络的类型不作限制。在示例中，所述神经网络可获得各目标对象的关键点的估计坐标或者目标对象的各区域的关键点的估计坐标，以及各估计坐标的权重。
在示例中，所述神经网络可输出待处理图像的各像素点所在区域以及指向各区域的关键点的第一方向向量，例如，待处理图像中具有A和B两个目标对象(或者待处理图像中只有一个目标对象，可将目标对象分为A和B两个区域)，则待处理图像可分为三个区域，即，区域A、区域B以及背景区域，可使用区域的任意参数来表示像素点所在的区域，例如，坐标为(10、20)像素点在区域A中，则该像素点可被表示为(10、20、A)，坐标为(50、80)像素点在背景区域中，则该像素点可被表示为(50、80、C)。所述第一方向向量可以是单位向量，例如，(0.707、0.707)。在示例中，可将像素点所在区域和第一方向向量与所述像素点的坐标共同表示，例如，(10、20、A、0.707、0.707)。
在示例中，在确定某区域(例如，区域A)中的关键点估计坐标时，可确定区域A中的任意两个像素点的第一方向向量的交点，并将该交点确定为所述关键点的一个估计坐标，可按照这种方式多次获得任意两个第一方向向量的交点，即，确定所述关键点的多个估计坐标。
在示例中，可通过以下公式(1)确定各估计坐标的权重：
Figure BDA0001920428080000091
其中，wk,i为第k个区域(例如，区域A)中的第i个关键点估计坐标的权重，O为该区域中所有像素点，p’为该区域中任一像素点，hk,i为该区域中第i个关键点估计坐标，
Figure BDA0001920428080000092
为p’指向hk,i的第二方向向量，vk(p’)为p’的第一方向向量，θ为预定阈值，在示例中，θ的值可以是0.99，本公开对预定阈值不做限制。Ⅱ为激活函数，表示如果
Figure BDA0001920428080000093
与vk(p’)的内积大于或等于预定阈值θ，则Ⅱ的值为1，否则，Ⅱ的值为0。公式(1)可表示对目标区域中的所有像素点的激活函数值相加获得的结果，即为关键点估计坐标hk,i的权重。本公开对内积大于或等于预定阈值时激活函数的值不做限制。
在示例中，可按照上述获得关键点的多个估计坐标以及各估计坐标的权重的方法，获得目标对象的各区域或者各目标对象的关键点的多个估计坐标以及各估计坐标的权重。
图2示出根据本公开实施例的关键点检测的示意图，如图2所示，图2中包括多个目标对象，可通过神经网络获得每个目标对象的关键点的估计坐标以及各估计坐标的权重。
在一种可能的实现方式中，可对各区域的关键点估计坐标进行加权平均处理，获得各区域的关键点的位置坐标。也可对关键点的多个估计坐标进行筛选，去除权重较小的估计坐标，以减小计算量，同时可去除离群点，提高关键点坐标的精确度。
在一种可能的实现方式中，对待处理图像中的目标对象进行关键点检测处理，获得各关键点的多个估计坐标以及各估计坐标的权重，包括：对待处理图像中的目标对象进行关键点检测处理，获得所述关键点的多个初始估计坐标以及各初始估计坐标的权重；根据各初始估计坐标的权重，对多个初始估计坐标进行筛选，从所述初始估计坐标中筛选出所述估计坐标。
通过这种方式，根据权重筛选出估计坐标，可减小计算量，提高处理效率，并去除离群点，提高关键点坐标的精确度。
在一种可能的实现方式中，可通过神经网络获取关键点的初始估计坐标以及各初始估计坐标的权重。并在关键点的多个初始估计坐标中，筛选出权重大于或等于权重阈值的初始估计坐标，或者筛选出权重较大的一部分初始估计坐标(例如，将各初始估计坐标按照权重进行排序，并筛选出权重最大的前20％的初始估计坐标)，可将筛选出的初始估计坐标确定为所述估计坐标，并将剩余的初始估计坐标去除。进一步地，可将所述估计坐标进行加权平均处理，获得所述关键点的位置坐标。按照这种方式，可获得所有关键点的位置坐标。
在一种可能的实现方式中，可对各估计坐标进行加权平均处理，获得所述关键点的位置坐标。在示例中，可通过以下公式(2)获得所述关键点的位置坐标：
Figure BDA0001920428080000111
其中，μk为对第k个区域(例如区域A)中的N个关键点估计坐标进行加权平均处理后获得的关键点的位置坐标。
在一种可能的实现方式中，可根据关键点的多个估计坐标、各估计坐标的权重以及所述关键点的位置坐标，确定与所述关键点对应的第一协方差矩阵。在示例中，根据所述多个估计坐标、各估计坐标的权重以及所述关键点的位置坐标，获得所述关键点对应的第一协方差矩阵，包括：确定各估计坐标与所述关键点的位置坐标坐标之间的第二协方差矩阵；根据各估计坐标的权重，对多个第二协方差矩阵进行加权平均处理，获得所述关键点对应的第一协方差矩阵。
在一种可能的实现方式中，关键点的位置坐标为多个估计坐标进行加权平均获得的坐标，可获得各估计坐标与关键点的位置坐标的协方差矩阵(即，第二协方差矩阵)，进一步地，可使用各估计坐标的权重，对第二协方差矩阵进行加权平均处理，获得所述第一协方差矩阵。
在示例中，可通过以下公式(3)获得所述第一协方差矩阵：
Figure BDA0001920428080000112
在示例中，也可不筛选出估计坐标，可使用关键点的所有初始估计坐标进行加权平均处理，获得关键点的位置坐标，并可获得各初始估计坐标与所述位置坐标之间的协方差矩阵，并对各协方差矩阵进行加权平均处理，获得与关键点对应的第一协方差矩阵。本公开对是否筛选初始估计坐标不做限制。
图3示出根据本公开实施例的关键点检测的示意图，如图3所示，可根据各区域中的关键点的位置坐标以及第一协方差矩阵，确定各区域中关键点位置的概率分布，例如，图3中各目标对象中的椭圆形可表示关键点位置的概率分布，其中，椭圆的中心(即，星形位置)即为各区域的关键点的位置坐标。
在一种可能的实现方式中，在步骤S12中，可根据各关键点对应的第一协方差矩阵，筛选出目标关键点。在示例中，步骤S12可包括：确定各关键点对应的第一协方差矩阵的迹；从各关键点对应的第一协方差矩阵中，筛选出预设数量个第一协方差矩阵，其中，筛选出的第一协方差矩阵的迹小于未被筛选出的第一协方差矩阵的迹；基于筛选出的预设数量个第一协方差矩阵，确定所述目标关键点。
在示例中，待处理图像中的目标对象可包括多个关键点，可根据与各关键点对应的第一协方差矩阵的迹来筛选关键点，可计算各关键点对应的协方差矩阵的迹，即，将第一协方差矩阵的主对角线的元素相加获得的结果。可筛选出迹较小的多个第一协方差矩阵对应的关键点，在示例中，可筛选出预设数量个第一协方差矩阵，其中，筛选出的第一协方差矩阵的迹小于未被筛选出的第一协方差矩阵的迹，例如，可将关键点按照迹的大小排序，选取迹最小的预设数量个第一协方差矩阵，例如，选取迹最小的4个第一协方差矩阵。进一步地，可将筛选出的第一协方差矩阵对应的关键点作为目标关键点，例如，可选取4个关键点，即可筛选出可表示目标对象位姿的关键点，去除其他关键点的干扰。
通过这种方式，可筛选关键点，可去除关键点之间的互相干扰，并可去除不能代表目标对象位姿的关键点，提高位姿估计的精度，提高处理效率。
在一种可能的实现方式中，在步骤S13中，可根据目标关键点进行位姿估计，获得旋转矩阵和位移向量。
在一种可能的实现方式中，步骤S13可包括：获取所述目标关键点在三维坐标系中的空间坐标，其中，所述空间坐标为三维坐标；根据所述目标关键点在待处理图像中的位置坐标以及所述空间坐标，确定初始旋转矩阵以及初始位移向量，其中，所述位置坐标为二维坐标；根据所述空间坐标和所述目标关键点在待处理图像中的位置坐标，对所述初始旋转矩阵以及初始位移向量进行调整，获得所述旋转矩阵和位移向量。
在一种可能的实现方式中，所述三维坐标系为所述目标对象所在空间中建立的任意空间坐标系，可通过对所拍摄的目标对象进行三维建模，例如，可使用计算机辅助设计(Computer Aided Design，CAD)方式进行三维建模，在三维模型中确定与目标关键点对应的点的空间坐标。
在一种可能的实现方式中，可通过目标关键点在待处理图像中的位置坐标(即，目标关键点的位置坐标)以及所述空间坐标确定初始旋转矩阵以及初始位移向量。在示例中，可利用相机的内参矩阵与目标关键点的空间坐标相乘，并利用最小二乘法对相乘获得的结果与所述目标关键点在待处理图像中的位置坐标中的元素进行对应求解，获得初始旋转矩阵以及初始位移向量。
在示例中，可通过EPnP算法或直接线性变换(Direct Linear Transform，DLT)算法对目标关键点在待处理图像中的位置坐标以及各目标关键点的三维坐标进行处理，获得初始旋转矩阵以及初始位移向量。
在一种可能的实现方式中，可对初始旋转矩阵以及初始位移向量进行调整，使估计的位姿与目标对象的实际位姿之间的误差减小。
在一种可能的实现方式中，根据所述空间坐标和所述目标关键点在待处理图像中的位置坐标，对所述初始旋转矩阵以及初始位移向量进行调整，获得所述旋转矩阵和位移向量，包括：根据所述初始旋转矩阵以及初始位移向量，对所述空间坐标进行投影处理，获得所述空间坐标在所述待处理图像中的投影坐标；确定所述投影坐标与目标关键点在待处理图像中的位置坐标之间的误差距离；根据所述误差距离调整所述初始旋转矩阵以及初始位移向量；在满足误差条件时，获得所述旋转矩阵和位移向量。
在一种可能的实现方式中，可使用初始旋转矩阵以及初始位移向量对空间坐标进行投影处理，可获得空间坐标在所述待处理图像中的投影坐标。进一步地，可获得投影坐标与各目标关键点在待处理图像中的位置坐标之间的误差距离。
在一种可能的实现方式中，确定所述投影坐标与所述目标关键点在待处理图像中的位置坐标之间的误差距离，包括：分别获得各目标关键点在待处理图像中的位置坐标与投影坐标之间的向量差以及各目标关键点对应的第一协方差矩阵；根据各目标关键点对应的向量差和第一协方差矩阵，确定所述误差距离。
在一种可能的实现方式中，可获得目标关键点对应的空间坐标的投影坐标与目标关键点的在待处理图像中的位置坐标之间的向量差，例如，可将某个目标关键点的投影坐标与位置坐标作差，获得所述向量差，并可按照这种方式获得所有目标关键点对应的向量差。
在一种可能的实现方式中，可通过以下公式(4)确定误差距离：
Figure BDA0001920428080000141
其中，M为所述误差距离，即马氏距离(Mahalanobis distance)，n为目标关键点的数量，
Figure BDA0001920428080000142
为第k个区域中的目标关键点(即，第k个目标关键点)的三维坐标的投影坐标，μk为目标关键点的位置坐标，
Figure BDA0001920428080000143
为目标关键点对应的第一协方差矩阵的逆矩阵。即，将各目标关键点对应的向量差与第一协方差矩阵的逆矩阵相乘后，再将各相乘获得的结果求和，可获得所述误差距离M。
在一种可能的实现方式中，可根据所述误差距离调整所述初始旋转矩阵以及初始位移向量，在示例中，可调整初始旋转矩阵和初始位移向量的参数，使得空间坐标的投影坐标与位置坐标之间的误差距离减小。在示例中，可分别确定误差距离与初始旋转矩阵的梯度以及误差距离与初始位移向量的梯度，并通过梯度下降法调整初始旋转矩阵和初始位移向量的参数，使得所述误差距离减小。
在一种可能的实现方式中，可迭代执行上述调整初始旋转矩阵初始位移向量的参数的处理，直到满足误差条件。所述误差条件可包括误差距离小于或等于误差阈值，或者旋转矩阵和位移向量的参数不再发生变化等。在满足误差条件后，可将调整参数后的旋转矩阵和位移向量作为用于位姿估计的旋转矩阵和位移向量。
根据本公开的实施例的位姿估计方法，可通过关键点检测获得待处理图像中的关键点的估计位置以及权重，并根据权重筛选出估计坐标，可减小计算量，提高处理效率，并去除离群点，提高关键点坐标的精确度。进一步地，通过第一协方差矩阵筛选关键点，可去除关键点之间的互相干扰，提高匹配关系的准确度，并且，通过筛选关键点，可去除无法代表目标对象位姿的关键点，减小估计的位姿与真实位姿之间的误差，提高位姿估计的精度。
图4示出根据本公开实施例的位姿估计方法的应用示意图。如图4所示，图4左侧为待处理图像，可对待处理图像进行关键点检测处理，获得待处理图像中各关键点的估计坐标与权重。
在一种可能的实现方式中，针对各关键点，可筛选出各关键点的初始估计坐标中权重最高的20％作为估计坐标，并对这些估计坐标进行加权平均处理，获得各关键点的位置坐标(如图4左侧的椭圆形区域中心的三角形标记所示)。
在一种可能的实现方式中，可确定关键点的估计坐标与位置坐标之间的第二协方差矩阵，并对各估计坐标的第二协方差矩阵进行加权平均处理，获得与各关键点对应的第一协方差矩阵。如图4左侧的椭圆形区域所示，通过各关键点的位置坐标以及各关键点的第一协方差矩阵，可确定各关键点的位置的概率分布。
在一种可能的实现方式中，可根据各关键点的第一协方差矩阵的迹，选取迹最小的4个第一协方差矩阵对应的关键点，作为目标关键点，并对待处理图像中的目标对象进行三维建模，获得目标关键点在三维模型中的空间坐标(如图4右侧的圆形标记所示)。
在一种可能的实现方式中，可将目标关键点的空间坐标与位置坐标通过EPnP算法或DLT算法进行处理，获得初始旋转矩阵以及初始位移向量，并通过初始旋转矩阵以及初始位移向量对目标关键点的空间坐标进行投影，获得投影坐标(如图4左侧的圆形标记所示)。
在一种可能的实现方式中，可根据公式(4)计算误差距离，并分别确定误差距离与初始旋转矩阵的梯度以及误差距离与初始位移向量的梯度，进一步地，可通过梯度下降法调整初始旋转矩阵和初始位移向量的参数，使得所述误差距离减小。
在一种可能的实现方式中，在误差距离小于或等于误差阈值，或者旋转矩阵和位移向量的参数不再发生变化的情况下，可将调整参数后的旋转矩阵和位移向量作为用于位姿估计的旋转矩阵和位移向量。
图5示出根据本公开实施例的位姿估计装置的框图，如图5所示，所述装置包括：
检测模块11，用于对待处理图像中的目标对象进行关键点检测处理，获得目标对象在待处理图像中的多个关键点以及各关键点对应的第一协方差矩阵，其中，所述第一协方差矩阵是根据关键点在待处理图像中的位置坐标和关键点的估计坐标确定的；
筛选模块12，用于根据各关键点对应的第一协方差矩阵，对所述多个关键点进行筛选，从多个关键点中确定出目标关键点；
位姿估计模块13，用于根据所述目标关键点进行位姿估计处理，获得旋转矩阵和位移向量。
在一种可能的实现方式中，所述位姿估计模块被进一步配置为：
获取所述目标关键点在三维坐标系中的空间坐标，其中，所述空间坐标为三维坐标；
根据所述目标关键点在待处理图像中的位置坐标以及所述空间坐标，确定初始旋转矩阵以及初始位移向量，其中，所述位置坐标为二维坐标；
根据所述空间坐标和所述目标关键点在待处理图像中的位置坐标，对所述初始旋转矩阵以及初始位移向量进行调整，获得所述旋转矩阵和位移向量。
在一种可能的实现方式中，所述位姿估计模块被进一步配置为：
根据所述初始旋转矩阵以及初始位移向量，对所述空间坐标进行投影处理，获得所述空间坐标在所述待处理图像中的投影坐标；
确定所述投影坐标与目标关键点在待处理图像中的位置坐标之间的误差距离；
根据所述误差距离调整所述初始旋转矩阵以及初始位移向量；
在满足误差条件时，获得所述旋转矩阵和位移向量。
在一种可能的实现方式中，所述位姿估计模块被进一步配置为：
分别获得各目标关键点在待处理图像中的位置坐标与投影坐标之间的向量差以及各目标关键点对应的第一协方差矩阵；
根据各目标关键点对应的向量差和第一协方差矩阵，确定所述误差距离。
在一种可能的实现方式中，所述检测模块被进一步配置为：
对待处理图像中的目标对象进行关键点检测处理，获得各关键点的多个估计坐标以及各估计坐标的权重；
根据各估计坐标的权重，对所述多个估计坐标进行加权平均处理，获得所述关键点的位置坐标；
根据所述多个估计坐标、各估计坐标的权重以及所述关键点的位置坐标，获得所述关键点对应的第一协方差矩阵。
在一种可能的实现方式中，所述检测模块被进一步配置为：
确定各估计坐标与所述关键点的位置坐标之间的第二协方差矩阵；
根据各估计坐标的权重，对多个第二协方差矩阵进行加权平均处理，获得所述关键点对应的第一协方差矩阵。
在一种可能的实现方式中，所述检测模块被进一步配置为：
对待处理图像中的目标对象进行关键点检测处理，获得所述关键点的多个初始估计坐标以及各初始估计坐标的权重；
根据各初始估计坐标的权重，对多个初始估计坐标进行筛选，从所述初始估计坐标中筛选出所述估计坐标。
在一种可能的实现方式中，所述筛选模块被进一步配置为：
确定各关键点对应的第一协方差矩阵的迹；
从各关键点对应的第一协方差矩阵中，筛选出预设数量个第一协方差矩阵，其中，筛选出的第一协方差矩阵的迹小于未被筛选出的第一协方差矩阵的迹；
基于筛选出的预设数量个第一协方差矩阵，确定所述目标关键点。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了位姿估计装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种位姿估计方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (18)

1.一种位姿估计方法，其特征在于，所述方法包括：
对待处理图像中的目标对象进行关键点检测处理，获得目标对象在待处理图像中的多个关键点以及各关键点对应的第一协方差矩阵，其中，所述第一协方差矩阵是根据关键点在待处理图像中的位置坐标和关键点的估计坐标确定的，所述关键点的估计坐标为对待处理图像中的目标对象进行关键点检测获得的多个坐标，所述位置坐标为对多个所述估计坐标进行加权平均获得的坐标，所述第一协方差矩阵为多个估计坐标与位置坐标之间的协方差矩阵加权平均获得的矩阵；
根据各关键点对应的第一协方差矩阵，对所述多个关键点进行筛选，从多个关键点中确定出目标关键点，其中，筛选出的关键点对应的第一协方差矩阵的迹小于未被筛选出的关键点对应的第一协方差矩阵的迹；
根据所述目标关键点进行位姿估计处理，获得旋转矩阵和位移向量。
2.根据权利要求1所述的方法，其特征在于，根据所述目标关键点进行位姿估计处理，获得旋转矩阵和位移向量，包括：
获取所述目标关键点在三维坐标系中的空间坐标，其中，所述空间坐标为三维坐标；
根据所述目标关键点在待处理图像中的位置坐标以及所述空间坐标，确定初始旋转矩阵以及初始位移向量，其中，所述位置坐标为二维坐标；
根据所述空间坐标和所述目标关键点在待处理图像中的位置坐标，对所述初始旋转矩阵以及初始位移向量进行调整，获得所述旋转矩阵和位移向量。
3.根据权利要求2所述的方法，其特征在于，根据所述空间坐标和所述位置坐标，对所述初始旋转矩阵以及初始位移向量进行调整，获得所述旋转矩阵和位移向量，包括：
根据所述初始旋转矩阵以及初始位移向量，对所述空间坐标进行投影处理，获得所述空间坐标在所述待处理图像中的投影坐标；
确定所述投影坐标与目标关键点在待处理图像中的位置坐标之间的误差距离；
根据所述误差距离调整所述初始旋转矩阵以及初始位移向量；
在满足误差条件时，获得所述旋转矩阵和位移向量。
4.根据权利要求3所述的方法，其特征在于，确定所述投影坐标与所述目标关键点在待处理图像中的位置坐标之间的误差距离，包括：
分别获得各目标关键点在待处理图像中的位置坐标与投影坐标之间的向量差以及各目标关键点对应的第一协方差矩阵；
根据各目标关键点对应的向量差和第一协方差矩阵，确定所述误差距离。
5.根据权利要求1-4中任一项所述的方法，其特征在于，对待处理图像中的目标对象进行关键点检测处理，获得目标对象在待处理图像中的多个关键点以及各关键点对应的第一协方差矩阵，包括：
对待处理图像中的目标对象进行关键点检测处理，获得各关键点的多个估计坐标以及各估计坐标的权重，其中，所述估计坐标的权重是根据所述目标对象所在区域内的多个像素点指向所述估计坐标的第二方向向量，以及多个像素点指向所述区域内的关键点的第一方向向量确定的；
根据各估计坐标的权重，对所述多个估计坐标进行加权平均处理，获得所述关键点的位置坐标；
根据所述多个估计坐标、各估计坐标的权重以及所述关键点的位置坐标，获得所述关键点对应的第一协方差矩阵。
6.根据权利要求5所述的方法，其特征在于，根据所述多个估计坐标、各估计坐标的权重以及所述关键点的位置坐标，获得所述关键点对应的第一协方差矩阵，包括：
确定各估计坐标与所述关键点的位置坐标之间的第二协方差矩阵；
根据各估计坐标的权重，对多个第二协方差矩阵进行加权平均处理，获得所述关键点对应的第一协方差矩阵。
7.根据权利要求5所述的方法，其特征在于，对待处理图像中的目标对象进行关键点检测处理，获得各关键点的多个估计坐标以及各估计坐标的权重，包括：
对待处理图像中的目标对象进行关键点检测处理，获得所述关键点的多个初始估计坐标以及各初始估计坐标的权重；
根据各初始估计坐标的权重，对多个初始估计坐标进行筛选，从所述初始估计坐标中筛选出所述估计坐标。
8.根据权利要求1所述的方法，其特征在于，根据各关键点对应的第一协方差矩阵，对所述多个关键点进行筛选，从多个关键点中确定出目标关键点，包括：
确定各关键点对应的第一协方差矩阵的迹；
从各关键点对应的第一协方差矩阵中，筛选出预设数量个第一协方差矩阵，其中，筛选出的第一协方差矩阵的迹小于未被筛选出的第一协方差矩阵的迹；
基于筛选出的预设数量个第一协方差矩阵，确定所述目标关键点。
9.一种位姿估计装置，其特征在于，包括：
检测模块，用于对待处理图像中的目标对象进行关键点检测处理，获得目标对象在待处理图像中的多个关键点以及各关键点对应的第一协方差矩阵，其中，所述第一协方差矩阵是根据关键点在待处理图像中的位置坐标和关键点的估计坐标确定的，所述关键点的估计坐标为对待处理图像中的目标对象进行关键点检测获得的多个坐标，所述位置坐标为对多个所述估计坐标进行加权平均获得的坐标，所述第一协方差矩阵为多个估计坐标与位置坐标之间的协方差矩阵加权平均获得的矩阵；
筛选模块，用于根据各关键点对应的第一协方差矩阵，对所述多个关键点进行筛选，从多个关键点中确定出目标关键点，其中，筛选出的关键点对应的第一协方差矩阵的迹小于未被筛选出的关键点对应的第一协方差矩阵的迹；
位姿估计模块，用于根据所述目标关键点进行位姿估计处理，获得旋转矩阵和位移向量。
10.根据权利要求9所述的装置，其特征在于，所述位姿估计模块被进一步配置为：
获取所述目标关键点在三维坐标系中的空间坐标，其中，所述空间坐标为三维坐标；
根据所述目标关键点在待处理图像中的位置坐标以及所述空间坐标，确定初始旋转矩阵以及初始位移向量，其中，所述位置坐标为二维坐标；
根据所述空间坐标和所述目标关键点在待处理图像中的位置坐标，对所述初始旋转矩阵以及初始位移向量进行调整，获得所述旋转矩阵和位移向量。
11.根据权利要求10所述的装置，其特征在于，所述位姿估计模块被进一步配置为：
根据所述初始旋转矩阵以及初始位移向量，对所述空间坐标进行投影处理，获得所述空间坐标在所述待处理图像中的投影坐标；
确定所述投影坐标与目标关键点在待处理图像中的位置坐标之间的误差距离；
根据所述误差距离调整所述初始旋转矩阵以及初始位移向量；
在满足误差条件时，获得所述旋转矩阵和位移向量。
12.根据权利要求11所述的装置，其特征在于，所述位姿估计模块被进一步配置为：
分别获得各目标关键点在待处理图像中的位置坐标与投影坐标之间的向量差以及各目标关键点对应的第一协方差矩阵；
根据各目标关键点对应的向量差和第一协方差矩阵，确定所述误差距离。
13.根据权利要求9-12中任一项所述的装置，其特征在于，所述检测模块被进一步配置为：
对待处理图像中的目标对象进行关键点检测处理，获得各关键点的多个估计坐标以及各估计坐标的权重，其中，所述估计坐标的权重是根据所述目标对象所在区域内的多个像素点指向所述估计坐标的第二方向向量，以及多个像素点指向所述区域内的关键点的第一方向向量确定的；
根据各估计坐标的权重，对所述多个估计坐标进行加权平均处理，获得所述关键点的位置坐标；
根据所述多个估计坐标、各估计坐标的权重以及所述关键点的位置坐标，获得所述关键点对应的第一协方差矩阵。
14.根据权利要求13所述的装置，其特征在于，所述检测模块被进一步配置为：
确定各估计坐标与所述关键点的位置坐标之间的第二协方差矩阵；
根据各估计坐标的权重，对多个第二协方差矩阵进行加权平均处理，获得所述关键点对应的第一协方差矩阵。
15.根据权利要求13所述的装置，其特征在于，所述检测模块被进一步配置为：
对待处理图像中的目标对象进行关键点检测处理，获得所述关键点的多个初始估计坐标以及各初始估计坐标的权重；
根据各初始估计坐标的权重，对多个初始估计坐标进行筛选，从所述初始估计坐标中筛选出所述估计坐标。
16.根据权利要求9所述的装置，其特征在于，所述筛选模块被进一步配置为：
确定各关键点对应的第一协方差矩阵的迹；
从各关键点对应的第一协方差矩阵中，筛选出预设数量个第一协方差矩阵，其中，筛选出的第一协方差矩阵的迹小于未被筛选出的第一协方差矩阵的迹；
基于筛选出的预设数量个第一协方差矩阵，确定所述目标关键点。
17.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至8中任意一项所述的方法。
18.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
CN201811591706.4A 2018-12-25 2018-12-25 位姿估计方法及装置、电子设备和存储介质 Active CN109697734B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201811591706.4A CN109697734B (zh) 2018-12-25 2018-12-25 位姿估计方法及装置、电子设备和存储介质
KR1020207031698A KR102423730B1 (ko) 2018-12-25 2019-12-25 위치 자세 추정 방법, 장치, 전자 기기 및 기억 매체
JP2021503196A JP2021517649A (ja) 2018-12-25 2019-12-25 位置姿勢推定方法、装置、電子機器及び記憶媒体
PCT/CN2019/128408 WO2020135529A1 (zh) 2018-12-25 2019-12-25 位姿估计方法及装置、电子设备和存储介质
US17/032,830 US20210012523A1 (en) 2018-12-25 2020-09-25 Pose Estimation Method and Device and Storage Medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811591706.4A CN109697734B (zh) 2018-12-25 2018-12-25 位姿估计方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN109697734A CN109697734A (zh) 2019-04-30
CN109697734B true CN109697734B (zh) 2021-03-09

Family

ID=66231975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811591706.4A Active CN109697734B (zh) 2018-12-25 2018-12-25 位姿估计方法及装置、电子设备和存储介质

Country Status (5)

Country Link
US (1) US20210012523A1 (zh)
JP (1) JP2021517649A (zh)
KR (1) KR102423730B1 (zh)
CN (1) CN109697734B (zh)
WO (1) WO2020135529A1 (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018033137A1 (zh) * 2016-08-19 2018-02-22 北京市商汤科技开发有限公司 在视频图像中展示业务对象的方法、装置和电子设备
CN109697734B (zh) * 2018-12-25 2021-03-09 浙江商汤科技开发有限公司 位姿估计方法及装置、电子设备和存储介质
CN110188769B (zh) * 2019-05-14 2023-09-05 广州虎牙信息科技有限公司 关键点标注的审核方法、装置、设备及存储介质
CN110473259A (zh) * 2019-07-31 2019-11-19 深圳市商汤科技有限公司 位姿确定方法及装置、电子设备和存储介质
CN114820814A (zh) * 2019-10-30 2022-07-29 深圳市瑞立视多媒体科技有限公司 摄影机位姿计算方法、装置、设备及存储介质
CN110969115B (zh) * 2019-11-28 2023-04-07 深圳市商汤科技有限公司 行人事件的检测方法及装置、电子设备和存储介质
CN112150551B (zh) * 2020-09-25 2023-07-25 北京百度网讯科技有限公司 物体位姿的获取方法、装置和电子设备
CN112887793B (zh) * 2021-01-25 2023-06-13 脸萌有限公司 视频处理方法、显示设备和存储介质
CN112945207B (zh) * 2021-02-24 2021-11-26 上海商汤临港智能科技有限公司 目标定位方法及装置、电子设备和存储介质
CN113395762B (zh) * 2021-04-18 2024-06-14 湖南财政经济学院 超宽带定位网络中位置校正方法及装置
CN113269876B (zh) * 2021-05-10 2024-06-21 Oppo广东移动通信有限公司 地图点坐标优化方法及装置、电子设备及存储介质
CN115471881A (zh) * 2021-06-10 2022-12-13 广州视源电子科技股份有限公司 关键点平滑方法和装置
CN113808216B (zh) * 2021-08-31 2024-12-10 上海商汤临港智能科技有限公司 相机标定方法及装置、电子设备和存储介质
CN113838134B (zh) * 2021-09-26 2024-03-12 广州博冠信息科技有限公司 图像关键点检测方法、装置、终端和存储介质
CN113920174B (zh) * 2021-10-15 2025-08-12 阿波罗智能技术(北京)有限公司 点云配准方法、装置、设备、介质和自动驾驶车辆
CN114333067B (zh) * 2021-12-31 2024-05-07 深圳市联洲国际技术有限公司 行为活动的检测方法、检测装置与计算机可读存储介质
CN114764819A (zh) * 2022-01-17 2022-07-19 北京甲板智慧科技有限公司 基于滤波算法的人体姿态估计方法及装置
WO2024113290A1 (zh) * 2022-12-01 2024-06-06 京东方科技集团股份有限公司 图像处理方法、装置、交互设备、电子设备和存储介质
CN116309815A (zh) * 2022-12-14 2023-06-23 哈尔滨工业大学 一种基于旋转参数的特征点加权不确定相机位姿估计方法
CN116453095B (zh) * 2023-03-10 2025-08-15 黑芝麻智能科技有限公司 头部姿态估计方法及装置、计算机可读存储介质、终端
CN116740382B (zh) * 2023-05-08 2024-02-20 禾多科技（北京）有限公司 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN116563356B (zh) * 2023-05-12 2024-06-11 北京长木谷医疗科技股份有限公司 全局3d配准方法、装置及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447725A (zh) * 2016-06-29 2017-02-22 北京航空航天大学 基于轮廓点混合特征匹配的空间目标姿态估计方法
WO2018099556A1 (en) * 2016-11-30 2018-06-07 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Image processing device and method for producing in real-time a digital composite image from a sequence of digital images of an interior of a hollow structure
CN108444478A (zh) * 2018-03-13 2018-08-24 西北工业大学 一种用于水下航行器的移动目标视觉位姿估计方法
WO2018194742A1 (en) * 2017-04-21 2018-10-25 Qualcomm Incorporated Registration of range images using virtual gimbal information
CN108830888A (zh) * 2018-05-24 2018-11-16 中北大学 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法
CN108921898A (zh) * 2018-06-28 2018-11-30 北京旷视科技有限公司 摄像机位姿确定方法、装置、电子设备和计算机可读介质

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001250122A (ja) 2000-03-06 2001-09-14 Nippon Telegr & Teleph Corp <Ntt> 物体の位置姿勢決定処理方法およびそのためのプログラム記録媒体
US8837839B1 (en) * 2010-11-03 2014-09-16 Hrl Laboratories, Llc Method for recognition and pose estimation of multiple occurrences of multiple objects in visual images
CN102663413B (zh) * 2012-03-09 2013-11-27 中盾信安科技(江苏)有限公司 一种面向多姿态和跨年龄的人脸图像认证方法
US9495591B2 (en) * 2012-04-13 2016-11-15 Qualcomm Incorporated Object recognition using multi-modal matching scheme
GB2506411B (en) * 2012-09-28 2020-03-11 2D3 Ltd Determination of position from images and associated camera positions
US9940553B2 (en) * 2013-02-22 2018-04-10 Microsoft Technology Licensing, Llc Camera/object pose from predicted coordinates
JP6635690B2 (ja) * 2015-06-23 2020-01-29 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
US10260862B2 (en) * 2015-11-02 2019-04-16 Mitsubishi Electric Research Laboratories, Inc. Pose estimation using sensors
CN105447462B (zh) * 2015-11-20 2018-11-20 小米科技有限责任公司 人脸姿态估计方法及装置
CN106101640A (zh) * 2016-07-18 2016-11-09 北京邮电大学 自适应视频传感器融合方法及装置
CN107730542B (zh) * 2017-08-29 2020-01-21 北京大学 锥束计算机断层扫描图像对应与配准方法
WO2019094094A1 (en) * 2017-11-13 2019-05-16 Siemens Aktiengesellschaft Part identification using a locally learned threedimensional (3d) landmark database
CN108765474A (zh) * 2018-04-17 2018-11-06 天津工业大学 一种针对ct与光学扫描牙齿模型的高效配准方法
CN108871349B (zh) * 2018-07-13 2021-06-15 北京理工大学 一种深空探测器光学导航位姿加权确定方法
CN109697734B (zh) * 2018-12-25 2021-03-09 浙江商汤科技开发有限公司 位姿估计方法及装置、电子设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447725A (zh) * 2016-06-29 2017-02-22 北京航空航天大学 基于轮廓点混合特征匹配的空间目标姿态估计方法
WO2018099556A1 (en) * 2016-11-30 2018-06-07 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Image processing device and method for producing in real-time a digital composite image from a sequence of digital images of an interior of a hollow structure
WO2018194742A1 (en) * 2017-04-21 2018-10-25 Qualcomm Incorporated Registration of range images using virtual gimbal information
CN108444478A (zh) * 2018-03-13 2018-08-24 西北工业大学 一种用于水下航行器的移动目标视觉位姿估计方法
CN108830888A (zh) * 2018-05-24 2018-11-16 中北大学 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法
CN108921898A (zh) * 2018-06-28 2018-11-30 北京旷视科技有限公司 摄像机位姿确定方法、装置、电子设备和计算机可读介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
6-dof object pose from semantic keypoints;Georgios Pavlakos等;《2017 IEEE International Conference on Robotics and Automation》;20170603;2011-2018 *
Posecnn:A convolutional neural network for 6d object pose estimation in cluttered scenes;Yu Xiang等;《In Robotics: Science and Systems》;20180526;1-10 *
Real-Time Seamless Single Shot 6D Object Pose Prediction;Bugra Tekin等;《2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition》;20180623;292-301 *
复杂场景下基于C-SHOT特征的3D物体识别与位姿估计;张凯霖等;《计算机辅助设计与图形学学报》;20170531;846-853 *

Also Published As

Publication number Publication date
WO2020135529A1 (zh) 2020-07-02
KR20200139229A (ko) 2020-12-11
JP2021517649A (ja) 2021-07-26
KR102423730B1 (ko) 2022-07-20
CN109697734A (zh) 2019-04-30
US20210012523A1 (en) 2021-01-14

Similar Documents

Publication Publication Date Title
CN109697734B (zh) 位姿估计方法及装置、电子设备和存储介质
CN110647834B (zh) 人脸和人手关联检测方法及装置、电子设备和存储介质
CN110287874B (zh) 目标追踪方法及装置、电子设备和存储介质
CN109543537B (zh) 重识别模型增量训练方法及装置、电子设备和存储介质
CN109584362B (zh) 三维模型构建方法及装置、电子设备和存储介质
CN109948494B (zh) 图像处理方法及装置、电子设备和存储介质
CN110674719A (zh) 目标对象匹配方法及装置、电子设备和存储介质
CN112945207B (zh) 目标定位方法及装置、电子设备和存储介质
CN109635920B (zh) 神经网络优化方法及装置、电子设备和存储介质
CN111523485A (zh) 位姿识别方法及装置、电子设备和存储介质
CN110458218B (zh) 图像分类方法及装置、分类网络训练方法及装置
CN107886515B (zh) 利用光流场的图像分割方法及装置
CN109522937B (zh) 图像处理方法及装置、电子设备和存储介质
CN109635926B (zh) 用于神经网络的注意力特征获取方法、装置及存储介质
CN110633715B (zh) 图像处理方法、网络训练方法及装置、和电子设备
CN112541971A (zh) 点云地图构建方法及装置、电子设备和存储介质
CN111523555A (zh) 图像处理方法及装置、电子设备和存储介质
CN109903252B (zh) 图像处理方法及装置、电子设备和存储介质
CN109685041B (zh) 图像分析方法及装置、电子设备和存储介质
CN111311588B (zh) 重定位方法及装置、电子设备和存储介质
CN111488964B (zh) 图像处理方法及装置、神经网络训练方法及装置
CN112734015B (zh) 网络生成方法及装置、电子设备和存储介质
CN113537350A (zh) 图像处理方法及装置、电子设备和存储介质
CN112800954A (zh) 文本检测方法及装置、电子设备和存储介质
CN117893591B (zh) 光幕模板识别方法及装置、设备、存储介质和程序产品

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant