-
公开(公告)号：CN109636905B
公开(公告)日：2023-01-24
申请号：CN201811492375.9
申请日：2018-12-07
Applicant: 东北大学
Abstract: 本发明提出了一种基于深度卷积神经网络的环境语义建图方法，该方法能够借助深度学习在场景识别方面的优势，与SLAM技术的自主定位优势相结合，构建包含物体类别信息的环境地图。具体地，利用ORB‑SLAM对输入图像序列进行关键帧筛选和帧间位姿估计；利用一种基于Deeplab图像分割的改进方法进行二维语义分割；在卷积网络最后一层的后面引入上采样卷积层；利用深度信息作为门限信号控制不同卷积核的选择，并对齐分割后的图像与深度图，利用相邻关键帧之间的空间对应关系构建三维稠密语义地图。上述方案能够提高图像分割的精度，具有更高的构图效率。
-
公开(公告)号：CN110110694A
公开(公告)日：2019-08-09
申请号：CN201910411429.2
申请日：2019-05-16
Applicant: 东北大学
Abstract: 本公开实施例涉及一种基于目标检测的视觉SLAM闭环检测方法，其包括：针对环境获取RGB图像和深度图像，并对RGB图像进行目标检测得到目标检测结果；根据RGB图像和目标检测结果确定的关键帧内利用DBSCAN密度聚类算法进行聚类融合，得到聚类结果；结合深度图像将聚类结果作为语义节点进行空间位置复原，构建局部语义拓扑图；对局部语义拓扑图利用SURF特征匹配和语义节点的类别进行节点匹配，并根据节点匹配结果对局部语义拓扑图的语义节点计算相似度；基于连续关键帧的相似度是否符合预设条件进行闭环判断。本公开实施例提供的方法可以消除目标检测中可能存在的错误和遗漏，可以改善利用目标检测结果进行环境描述的条件。
-
公开(公告)号：CN109636905A
公开(公告)日：2019-04-16
申请号：CN201811492375.9
申请日：2018-12-07
Applicant: 东北大学
CPC classification number: G06T17/05 , G06T7/11 , G06T7/38 , G06T19/20 , G06T2207/10024 , G06T2207/10028 , G06T2207/20016 , G06T2207/20084 , G06T2219/2012
Abstract: 本发明提出了一种基于深度卷积神经网络的环境语义建图方法，该方法能够借助深度学习在场景识别方面的优势，与SLAM技术的自主定位优势相结合，构建包含物体类别信息的环境地图。具体地，利用ORB‑SLAM对输入图像序列进行关键帧筛选和帧间位姿估计；利用一种基于Deeplab图像分割的改进方法进行二维语义分割；在卷积网络最后一层的后面引入上采样卷积层；利用深度信息作为门限信号控制不同卷积核的选择，并对齐分割后的图像与深度图，利用相邻关键帧之间的空间对应关系构建三维稠密语义地图。上述方案能够提高图像分割的精度，具有更高的构图效率。
-
公开(公告)号：CN110110694B
公开(公告)日：2023-01-24
申请号：CN201910411429.2
申请日：2019-05-16
Applicant: 东北大学
IPC: G06V20/10 , G06V10/46 , G06V10/762 , G06V10/764
Abstract: 本公开实施例涉及一种基于目标检测的视觉SLAM闭环检测方法，其包括：针对环境获取RGB图像和深度图像，并对RGB图像进行目标检测得到目标检测结果；根据RGB图像和目标检测结果确定的关键帧内利用DBSCAN密度聚类算法进行聚类融合，得到聚类结果；结合深度图像将聚类结果作为语义节点进行空间位置复原，构建局部语义拓扑图；对局部语义拓扑图利用SURF特征匹配和语义节点的类别进行节点匹配，并根据节点匹配结果对局部语义拓扑图的语义节点计算相似度；基于连续关键帧的相似度是否符合预设条件进行闭环判断。本公开实施例提供的方法可以消除目标检测中可能存在的错误和遗漏，可以改善利用目标检测结果进行环境描述的条件。
-
-
-
Search Results
4
records
(took 0.024 seconds)
