[发明专利]定位方法、计算机程序产品、装置及系统

权利要求书

1.一种定位方法，其中，包括：

基于定位请求携带的待定位图像，从标准图像数据库中，确定与待定位图像的相似度满足设定条件的标准图像，作为参考图像；

将所述参考图像和待定位图像输入预先训练的包含卷积神经网络和回归网络的深度神经网络模型，其中，卷积神经网络输出的特征图经过相关性层，得到所述参考图像和待定位图像的特征相似度数据，将所述特征相似度数据输入到回归网络得到参考图像与待定位图像间的相对位姿；

根据所述相对位姿和参考图像的绝对位姿，确定待定位图像的绝对位姿。

2.如权利要求1所述的方法，其中，所述深度神经网络模型是通过下述步骤预先训练的：

获取训练样本集，所述样本集中的每个样本包括两帧图像及其相对位姿；

用所述训练样本集中的样本对包含卷积神经网络和回归网络的深度神经网络模型进行训练，其中，卷积神经网络输出的特征图经过相关性层，得到样本中两帧图像的特征相似度数据，将该特征相似度数据输入到回归网络进行相对位姿的参数估计。

3.如权利要求1所述的方法，其中，所述基于定位请求携带的待定位图像，从标准图像数据库中，确定与待定位图像的相似度满足设定条件的标准图像，作为参考图像，具体包括：

基于定位请求携带的位置信息及待定位图像，将标准图像数据库中，所述位置周边且到所述位置的距离小于设定距离阈值的标准图像确定为备选图像；

将与待定位图像间的相似度高于设定相似度阈值的备选图像，确定为待定位图像的参考图像。

4.一种机器学习模型的训练方法，其中，所述方法包括：

获取训练样本集，所述样本集中的每个样本包括两帧图像及其相对位姿；

用所述训练样本集中的样本对包含卷积神经网络和回归网络的深度神经网络模型进行训练，其中，卷积神经网络输出的特征图经过相关性层，得到两帧图像的特征相似度数据，将所述特征相似度数据输入到回归网络进行相对位姿的参数估计。

5.如权利要求4所述的方法，其中，所述获取训练样本集，具体包括：

将多帧图像进行两两匹配，得到图像对，一个图像对包括两帧匹配的图像；

根据图像的绝对位姿，确定图像对中两帧图像的相对位姿；

将每个图像对包含的两帧匹配图像及其相对位姿确定为一条训练样本，得到由训练样本构成的训练样本集。

6.如权利要求5所述的方法，其中，所述将多帧图像进行两两匹配，得到图像对，具体包括：

根据图像的绝对位姿，从多帧图像中确定距离小于预设距离阈值，且相似度满足设定条件的两帧图像，得到图像对；或，

根据图像的绝对位姿，从多帧图像中确定距离小于预设距离阈值，角度小于预设角度阈值，且相似度满足设定条件的两帧图像，得到图像对。

7.一种定位装置，其中，包括：

参考图像确定模块，用于基于定位请求携带的待定位图像，从标准图像数据库中，确定与待定位图像的相似度满足设定条件的标准图像，作为参考图像；

相对位姿确定模块，用于将所述参考图像确定模块确定的参考图像和待定位图像输入预先训练的包含卷积神经网络和回归网络的深度神经网络模型，其中，卷积神经网络输出的特征图经过相关性层，得到所述参考图像和待定位图像的特征相似度数据，将所述特征相似度数据输入到回归网络得到参考图像与待定位图像间的相对位姿；

绝对位姿确定模块，用于根据所述相对位姿确定模块确定的相对位姿和参考图像的绝对位姿，确定待定位图像的绝对位姿。

8.一种机器学习模型的训练装置，其中，所述装置包括：

获取模块，用于获取训练样本集，所述样本集中的每个样本包括两帧图像及其相对位姿；

训练模块，用于使用所述获取模块获取的样本集中的样本对包含卷积神经网络和回归网络的深度神经网络模型进行训练，其中，卷积神经网络输出的特征图经过相关性层，得到两帧图像的特征相似度数据，将所述特征相似度数据输入到回归网络进行相对位姿的参数估计。