处理设备，在所述信息处理设备中包含对特定空间环境预先创建的三维地图。处于所述特定空间环境中的终端设备(如，机器人)能够根据所述三维地图确定自己的位置。
[0025]如图1所示，所述方法包括如下步骤:
[0026]首先，在步骤S101，获取由所述终端设备拍摄的一图像。这里的图像可以是灰度图像，当然也可以彩色(RGB)图像。
[0027]然后，在步骤S102，提取所述图像中的特征点，获得用于表征所述特征点的特征描述符。一般而言，特征点通常选择具有位置特点的点，如顶点或端点。特征点提取方法很多，例如Harris角点、D0G极值等。由于这与本发明并不直接相关，因此对其细节不再详细描述。一旦确定了特征点，下一步是对每个特征点提取相应的描述符，以区分不同的特征点和匹配相同的特征点。理想的特征描述符要满足对尺度、旋转、甚至仿射等变换具有一定的不变性；对噪声不敏感；有很好的选择性，即对应不同的特征点的特征描述符相关性要小，这样才能有效地区分不同的特征点。作为一种最简单且便于理解的示例，所述特征描述符可以是特征点的灰度值。
[0028]接下来，在步骤S103，基于所述终端设备的位置和所述图像中的深度信息，获得所述特征点的三维位置。这里，需要说明的是，本发明的前提是对于特定环境已经完成三维地图以及进一步特征库的创建，所述终端设备能够通过自身拍摄的图像中的特征点与特征库中的特征点的匹配来确定自身所在的位置。由于这与本发明并不直接相关，因此对其细节不再详细描述。这里获得的所述终端设备的位置为全局坐标系下的三维坐标。根据终端设备拍摄的所述图像以及其中包含的深度信息，可以获得各特征点在以所述终端设备为坐标原点的局部坐标系下的位置。在此基础之上，结合所述终端设备的全局坐标系下的三维坐标，可以将各特征点在局部坐标系下的三维坐标变换为全局坐标系下的三维坐标。
[0029]然后，在步骤S104，确定所述特定空间环境中的最小空间结点，即确定所述特定空间环境中的空间分辨率。也就是说，以最小空间结点来分割所述特定空间环境。当然，这里的最小空间结点是具有相对应的三维坐标的特定体积的空间。有关最小空间结点的细节将稍后描述。
[0030]在步骤S104确定出最小空间结点之后，处理进行到步骤S105。在步骤S105，根据在步骤S103所获得的各特征点的三维位置，确定各特征点所属的最小空间结点以进行聚类，得到最小空间结点内所包含的所有特征描述符。具体来说，假定最小空间结点a为八个端点分别为(0，0，0)、(0，0，1)、(0,1,0), (0，1，1)、(1,0,0), (1,1,0), (1，1，1)、(1,0,1)的立方体，即边长为1且一个端点位于坐标原点的立方体，那么如果存在三个特征点，其三维位置分别为(1，1,0)、(1/2，1/2，1/4)、(0，1，1)，则这三个特征点均落在最小空间结点a内，即这三个特征点所属的最小空间结点为最小空间结点a，并且将这三个特征点聚类到最小空间结点a。此时，需要指出的是，尽管这三个特征点的位置并不相同，但在聚类之后，将这三个特征点的三维位置均看作为一个相同的三维位置，例如，均看作最小空间结点a的中心点(1/2，1/2，1/2)。并且，这三个特征点所对应的特征描述符均看作是最小空间结点a的特征描述符。
[0031]最后，在步骤S106，基于特定数据结构管理各最小空间结点。例如，这里所述的管理可以包括检索、维护、增加、删除等。
[0032]在图1的流程图中，仅示出了在一个地点的一次特征点及特征描述符的聚类处理。整个空间环境的三维地图的特征库可以通过在多个不同位置，重复多次步骤S101?S106而不断地更新。
[0033]例如，所述特定数据结构可以是树状结构。通过以树状结构管理各最小空间结点，与普通结构相比，能够更快速地检索到期望位置，以提取其中的特征描述符或更新其中的特征描述符，并且能够更加简单地对现有特征库进行扩展。
[0034]更具体来讲，所述特定数据结构为八叉树结构。八叉树的数据结构表示方法由空间位置枚举法发展而来，是一种层次数据结构。图2A-2B分别示出了八叉树的空间结构以及树状存储形式。首先构建空间环境的最小外接正方体。如图2A所示，最大的立方体可看作空间环境的最小外接正方体。对应至图2B，所述特定空间环境的最小外接立方体为所述八叉树结构的根节点。然后把该最小外接立方体分割为八个大小相同的第一子立方体作为所述根节点的八个第一级子节点，然后分别把八个第一子立方体中的每一个分割为八个大小相同的第二子立方体作为所述第一级子节点的八个第二级子节点，重复这样的分割直至最小空间结点为止。在图2A中，标示为黑色的小立方体即为最小空间结点。
[0035]另外，对于各级子节点，可能存在三种状态。第一种状态，如图2B中以黑色标示的方框所示，为包含在上文中所述的步骤S105中聚类的一个或多个特征点。第二种状态，如图2B中以空白标示的方框所示，为不包含在上文中所述的步骤S105中聚类的任何一个特征点。第三种状态，如图2B中以黑点所示，为未开发的空间结点。
[0036]为了便于说明和绘图，在图2A、2B中仅示出了三级分割的情况。但是，本领域的技术人员应该理解，对于实际的特定空间环境，分割的级数可能远远大于三级。
[0037]如上文中所述，基于八叉树的树状结构，本发明设计了特征库存储方法，以快速获取局部空间的特征，便于检索与维护。在基于八叉树的特征库中，每个空间结点处可以包含多个特征描述符。为了适应多样化的空间特征需求，同时控制结构的内存损耗，将每个结点处的特征描述符的数量限制为例如，N。也就是说，作为更优选的实施方式，在步骤S105之后进一步包括如下步骤:在获得的所有特征描述符之中，选择第一阈值数量的特征描述符。
[0038]另外，作为更优选的实施例方式，每一个特征描述符可以具有相应的特征权重，用于指示特征描述符的特征强度，并且作为更新特征描述符的依据。例如，在下文中所述的特征库更新时，所述特征权重可以用于剔除较弱的特征描述符。
[0039]例如，初始时将所有特征描述符的权重设置为0。如上文中所述，在机器人自定位中，需要将机器人拍摄的图像中的特征点与全局地图的特征库中的特征点进行匹配。如果特征库中的特征点匹配成功的次数越多，则该特征点就证明越有用，因此将该特征点的特征权重随着匹配成功次数的增加而增加。或者，区分性强的特征描述符对应的权重较高，即与周围点差异大的特征描述符对应的权重较高。此外，由于存在时间越长，则其对应的可靠性越低，从而将存在时间越长的特征描述符的特征权重设置得越小。
[0040]如上文中所述，在步骤S101?S106，仅完成了特征库的一次构建。然而，为了适应大场景和变化场景的实际情况，该特征库一次构建是远远不够的，还需要不断的更新和扩展。
[0041]在一次构建的特征库的基础上，可以基于新获得的图像数据来对已有的特征库进行增加和/或删除。具体来讲，在位于所述特定空间环境中的另一位置处的终端设备新近拍摄了一图像。对于该图像执行与上文中所述的步骤S101?S105类似的处理，即提取特征点并对特征点进行聚类。对于特征点所属的空间结点是否增加该特征点所对应的特征描述符，也就是说，在判断出存在对于特定结点需要增加的特征描述符的情况下，需要进行如下确定处理。将参照图3详细描述该确定处理的第一示例。如图3所示，首先，在步骤S301，判断是否存在对于特定结点需要增加的特征描述符。如果在步骤S301判断为是，则处理进行到步骤S302。在步骤S302，分别计算待增加的特征描述符与所述特定结点已有的各特征描述符之间的相似度。其中，如果相似度大于第二阈值，则认为二者相似。然后，在步骤S303，判断在已有的各特征描述符中是否存在与待增加的特征描述符的相似度大于第二阈值的特征描述符。如果在步骤S303判断为是