[发明专利]通过检测和标定恢复单目SLAM尺度的方法

说明书

本发明公开了一种通过检测和标定恢复单目SLAM尺度的方法，其通过对相机的标定，通过透视变换计算得出在视平面上的点距相机第一深度，检测设定Marker，通过深度学习模块检测设定Marker距相机第二深度，将第一深度和第二深度加入SLAM后端优化的过程中，得到单目SLAM的尺度，以实现对单目SLAM尺度的恢复，其中的计算过程得到有效简化，有效降低了算法复杂度和相关计算量。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种通过检测和标定恢复单目SLAM尺度的方法。

背景技术

单目相机在拍摄照片时会丢失一个维度，目前可以通过相机的高度和道路的信息恢复尺度。传统恢复单目SLAM尺度的方案依赖于路标识别和道路几何模型计算的精度，计算复杂，且计算量极大。

发明内容

针对以上问题，本发明提出一种通过检测和标定恢复单目SLAM尺度的方法。

为实现本发明的目的，提供一种通过检测和标定恢复单目SLAM尺度的方法，包括如下步骤：

S10，通过对相机的标定，并通过透视变换计算得出在视平面上的点距相机第一深度；

S20，检测设定Marker，通过深度学习模块检测设定Marker距相机第二深度；

S30，将第一深度和第二深度加入SLAM后端优化的过程中，得到单目SLAM的尺度。

在一个实施例中，步骤S10，通过对相机的标定，通过透视变换计算得出在视平面上的点距相机第一深度包括：

S11，选用针孔相机模型，利用张友正相机标定方法，得出相机的内参矩阵和畸变矩阵；

S12，根据内参矩阵和畸变矩阵将图片投影到一个新的视平面，检测在视平面上的点距相机第一深度。

具体地，步骤S11中，通过结合标定板的方法，将相机平面投影到车身的顶视图中，以得到一个新的视平面。

在一个实施例中，步骤S20，检测设定Marker，通过深度学习模块检测设定Marker距相机第二深度包括：

S21，选择一张特定的矩阵彩色图画作为设定Marker，并把设定Marker摆在地面上采集多个方向上多组数据作为深度学习模块的训练集；

S22，选择开源YOLO算法对训练集进行训练，以从各个角度识别设定marker，通过距离要素恢复尺度，得到设定Marker距相机第二深度。

具体地，步骤S22中，开源YOLO算法将当前画面中矩阵Marker的四个角的像素坐标，以Marker 4个点的像素坐标。

在一个实施例中，步骤S30，将第一深度和第二深度加入SLAM后端优化的过程中，得到单目SLAM的尺度包括：

S31，利用步骤S10中经过标定的相机运行ORB_SLAM2算法，通过特征点匹配得到相对尺度s；

S32，当在实时图像中检测到设定Marker时，按照步骤S22得到Marker 4个点的像素坐标，通过步骤S12的透视变换得到这4个点的第一检测深度值；

S33，在SLAM算法中通过像素匹配的方法查询这4个点在SLAM算法中的相机坐标系下的值得到一个尺度不确定的第二检测深度值，对比第一检测深度值和第二检测深度值，得到SLAM算法中的尺度在真实世界中的单位，以确定单目SLAM的尺度。