| 使用环境 |
在户外场景中，使用摄像头采集图像，对图像进行处理以实现视觉地方识别，例如在城市街道、校园等场景下，摄像头可安装在移动机器人或车辆上，采集图像用于定位与导航。 |
| 使用对象 |
城市街道、校园等场景中的建筑物、道路、树木等环境特征，以及可能出现的车辆、行人等动态目标。 |
| 使用目的 |
通过视觉地方识别技术，为移动机器人或自动驾驶车辆提供精确的环境定位和导航支持，帮助其在复杂环境中实现自主导航和避障。 |
| 输入数据 |
输入数据为摄像头采集的RGB图像帧，图像分辨率为1920×1080像素，图像帧率为30fps。 |
| 输出数据 |
输出为图像所对应环境位置的识别结果，包括与数据库中已知位置图像的匹配得分、匹配位置的坐标信息 |
| 硬件配置 |
CPU：Intel Core i7-10700K，8核16线程，主频3.8GHz，睿频5.1GHz。
GPU：NVIDIA GeForce RTX 3080，8704 CUDA核心，10GB显存。
内存：32GB DDR4 3200MHz。
硬盘：1TB NVMe SSD，读写速度3500MB/s和3000MB/s。
摄像头：索尼Alpha 7 III，2420万像素，支持4K拍摄。
网卡：英特尔I219-V千兆以太网卡，1000Mbps传输速率。 |
| 样本获取 |
在城市街道、校园等实际使用场景中，以不同角度、不同时间段采集图像数据，共获取10000张样本图像，其中3000张用于训练集，7000张用于测试集。 |
| 测试结果 |
对测试集7000个样本进行测试，失败10次，成功6990次，错误率约为0.14%，对应成功率约为99.86%。 |
| 执行速度 |
检测速度为75ms/次。 |
| 资源消耗 |
在上述硬件配置下，单独运行算法时，CPU平均计算占比约为70%，GPU平均计算占比约为80%，内存使用占比约为60%。 |
| 源码类型 |
本算法提供Python版本源码，采用售卖方式三进行授权。 |
| 文件大小 |
算法程序文件24KB，权重文件103MB。 |
| 相关备注 |
|
