CN104751482B - 结构光光斑图案生成方法和结构光光斑图案生成设备 - Google Patents

结构光光斑图案生成方法和结构光光斑图案生成设备 Download PDF

Info

Publication number
CN104751482B
CN104751482B CN201310744036.6A CN201310744036A CN104751482B CN 104751482 B CN104751482 B CN 104751482B CN 201310744036 A CN201310744036 A CN 201310744036A CN 104751482 B CN104751482 B CN 104751482B
Authority
CN
China
Prior art keywords
spot pattern
pattern
subregion
pixel
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201310744036.6A
Other languages
English (en)
Other versions
CN104751482A (zh
Inventor
王琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Priority to CN201310744036.6A priority Critical patent/CN104751482B/zh
Publication of CN104751482A publication Critical patent/CN104751482A/zh
Application granted granted Critical
Publication of CN104751482B publication Critical patent/CN104751482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种结构光光斑图案生成方法和设备。结构光光斑图案生成方法,包括:初始随机化步骤,选择要生成的光斑图案中的初始子区域,将初始子区域中的各像素以由0和1组成的初始随机矩阵随机化;移动随机化步骤,获得移动子区域,并且将移动子区域中与初始子区域不重叠的h个像素以由0和1组成的1×h移动随机矢量随机化,1×h移动随机矢量不同于初始随机矩阵中的w个列矢量;以及判断输出步骤,判断移动子区域是否处于光斑图案边缘,如果移动子区域没有处于光斑图案边缘,则返回移动随机化步骤,否则则输出光斑图案,其中,各移动子区域的随机化使得各移动子区域之间对应矢量的汉明距离之和最大。

Description

结构光光斑图案生成方法和结构光光斑图案生成设备
技术领域
本发明涉及图形处理技术,更具体地,本发明涉及一种结构光光斑图案生成方法和结构光光斑图案生成设备。
背景技术
实时深度相机能够确定与该相机的视野内的人类或其他对象相距的距离,并且基于改相机的帧速率来基本实时地更新该距离。这样的深度相机可以在运动捕捉系统中用于获取关于物理空间中的人体或其他主体的位置和移动的数据,并且可以将该数据用作到计算系统中的应用的输入。目前,基于深度相机技术,已经开发出诸如用于军事、娱乐、体育和医学目的多种应用。
目前市场上的深度相机产品主要基于3种原理:1.基于相机定标的双目相机的三维景物重建技术;2.基于飞行时间(TOF)的深度信息获取技术,其通过测量光脉冲之间的传输延迟时间来计算深度信息;3.基于结构光的深度信息获取技术,其基于光编码,投射已知的光(通常为红外光)模式到场景中,通过另外一个相应成像器所捕获到的该模式的变形,从而最终来确定深度信息。在以上三种不同原理的深度相机中,结构光测量技术由于其快速、便携、高精度和相对低成本的特性,在汽车、航空、模具、医疗等领域均得到了广泛的应用。在基于结构光的深度信息获取技术中,需要提供具有高度的随机性,而且会随着距离的不同而变换图案的光斑。有鉴于此,本发明旨在提供一种高效并且具有高随机性的结构光光斑图案生成方法和结构光光斑图案生成设备。
发明内容
根据本发明一个实施例,提供了一种结构光光斑图案生成方法,包括以下步骤:初始随机化步骤,选择要生成的光斑图案中的初始子区域,所述初始子区域为w个像素宽,h个像素高,w和h为大于1的自然数,将所述初始子区域中的各像素以由0和1组成的初始随机矩阵随机化,所述初始随机矩阵为w×h矩阵,0代表对应像素为暗像素,1代表对应像素为亮像素;移动随机化步骤,将所述初始子区域水平移动一个像素,获得移动子区域,并且将所述移动子区域中与所述初始子区域不重叠的h个像素以由0和1组成的1×h移动随机矢量随机化,所述1×h移动随机矢量不同于所述初始随机矩阵中的w个列矢量;以及判断输出步骤,判断所述移动子区域是否处于所述光斑图案边缘,如果所述移动子区域没有处于所述光斑图案边缘,则返回所述移动随机化步骤,如果所述移动子区域处于所述光斑图案边缘,则输出所述光斑图案,其中,各所述移动子区域的随机化使得各所述移动子区域之间对应矢量的汉明距离之和最大。
此外,根据本发明一个实施例的结构光光斑图案生成方法,其中所述移动随机化步骤还包括:将所述初始子区域垂直移动一个像素,获得所述移动子区域,并且将所述移动子区域中与所述初始子区域不重叠的w个像素以由0和1组成的w×1移动随机矢量随机化,所述w×1移动随机矢量不同于所述初始随机矩阵中的h个行矢量。
根据本发明另一实施例,提供了一种结构光光斑图案生成方法,包括以下步骤:初始化步骤,生成初始光斑图案,所述初始光斑图案为W个像素宽,H个像素高,W和H为大于1的自然数,所述初始光斑图案中的所有像素为暗像素;随机矩阵生成步骤,生成W×H的随机实数矩阵;局部最大值提取步骤,提取所述随机实数矩阵中的m×n子区域中具有局部最大值的矩阵元;以及输出光斑图案生成步骤,将所述初始光斑图案的W×H像素矩阵中处于对应于具有所述局部最大值的矩阵元的像素置为亮像素,生成输出光斑图案,其中,所述输出光斑图案中任意子区域的之间对应矢量的汉明距离之和最大。
此外,根据本发明另一实施例的结构光光斑图案生成方法,还包括:整体优化步骤,在所述输出光斑图案生成步骤之后,将所述生成的输出光斑图案中亮像素移动到其领域位置之一,基于预定策略计算移动后输出光斑图案中每个w×h子区域与其他区域的汉明距离,并且选择具有最大的汉明距离之和的所述移动后输出光斑图案作为所述输出光斑图案。
此外,根据本发明另一实施例的结构光光斑图案生成方法,其中所述预定策略为模拟退火法。
根据本发明另一实施例,提供了一种结构光光斑图案生成设备,包括:初始随机化部件,配置为选择要生成的光斑图案中的初始子区域,所述初始子区域为w个像素宽,h个像素高,w和h为大于1的自然数,将所述初始子区域中的各像素以由0和1组成的初始随机矩阵随机化,所述初始随机矩阵为w×h矩阵,0代表对应像素为暗像素,1代表对应像素为亮像素;移动随机化部件,配置为将所述初始子区域水平移动一个像素,获得移动子区域,并且将所述移动子区域中与所述初始子区域不重叠的h个像素以由0和1组成的1×h移动随机矢量随机化,所述1×h移动随机矢量不同于所述初始随机矩阵中的w个列矢量;以及判断输出部件,配置为判断所述移动子区域是否处于所述光斑图案边缘,如果没有处于所述光斑图案边缘,则将所述光斑图案返回所述移动随机化部件,如果所述移动子区域处于所述光斑图案边缘,则输出所述光斑图案,其中,各所述移动子区域的随机化使得各所述移动子区域之间对应矢量的汉明距离之和最大。
此外,根据本发明另一实施例的结构光光斑图案生成设备,其中所述移动随机化部件还配置为:将所述初始子区域垂直移动一个像素,获得所述移动子区域,并且将所述移动子区域中与所述初始子区域不重叠的w个像素以由0和1组成的w×1移动随机矢量随机化,所述w×1移动随机矢量不同于所述初始随机矩阵中的h个行矢量。
根据本发明另一实施例,提供了一种结构光光斑图案生成设备,包括:初始化部件,配置为生成初始光斑图案,所述初始光斑图案为W个像素宽,H个像素高,W和H为大于1的自然数,所述初始光斑图案中的所有像素为暗像素;随机矩阵生成部件,配置为生成W×H的随机实数矩阵;局部最大值提取部件,配置为提取所述随机实数矩阵中的m×n子区域中具有局部最大值的矩阵元;以及输出光斑图案生成部件,配置为将所述初始光斑图案的W×H像素矩阵中处于对应于具有所述局部最大值的矩阵元的像素置为亮像素,生成输出光斑图案,其中,所述输出光斑图案中任意子区域的之间对应矢量的汉明距离之和最大。
此外,根据本发明另一实施例的结构光光斑图案生成设备,还包括:整体优化部件,配置为接收所述输出光斑图案生成部件生成的输出光斑图案,将所述生成的输出光斑图案中亮像素移动到其领域位置之一,基于预定策略计算移动后输出光斑图案中每个w×h子区域与其他区域的汉明距离,并且选择具有最大的汉明距离之和的所述移动后输出光斑图案作为所述输出光斑图案。
此外,根据本发明另一实施例的结构光光斑图案生成设备,其中所述预定策略为模拟退火法。
根据本发明实施例的结构光光斑图案生成方法和结构光光斑图案生成设备,提供了高效并且具有高随机性的结构光光斑图案。
要理解的是,前面的一般描述和下面的详细描述两者都是示例性的,并且意图在于提供要求保护的技术的进一步说明。
附图说明
图1是图示基于结构光的深度相机的工作原理的示意图;
图2是根据本发明第一实施例的结构光光斑图案生成方法的第一流程图;
图3是根据本发明第一实施例的结构光光斑图案生成方法的第二流程图;
图4是根据本发明第一实施例的结构光光斑图案生成设备的示意性框图;
图5是根据本发明第一实施例的结构光光斑图案的示意图;
图6是根据本发明第二实施例的结构光光斑图案生成方法的第一流程图;
图7是根据本发明第二实施例的结构光光斑图案生成方法的第二流程图;
图8是根据本发明第二实施例的结构光光斑图案生成设备的示意性框图;以及
图9是根据本发明第二实施例的结构光光斑图案的示意图。
具体实施方式
以下,将参考附图详细描述本发明的优选实施例。
首先,将参照图1描述基于结构光的深度相机的工作原理。图1是图示基于结构光的深度相机的工作原理的示意图。如图1所示,由照明单元101(诸如红外(IR)光发射器之类)发射的照明光经过衍射光学元件(DOE)照射在距离为Z1、Z2的不同平面上,其中取距离为Z1的平面参考平面103。在传感单元102(诸如红外照相机之类)上成像的光斑点产生从Xc1到Xc2的水平位移。通过检测任意距离平面Zk相对于参考平面Z1的光点的位移量,就可以得到Zk的距离。也就是说,预先存储参考平面103的光斑点图案,在输入任意待测量平面的图像时,通过检测光斑的位移就能够实现测距。
光斑位移检测的一般方法,是通过计算参考图和输入图中光斑点的局部块的相似度,找到最相似的位置,根据它对应的位移就能算出深度值,这个位移一般称为视差。为了让图像块在搜索方向上能匹配到真正的视差,而不会与其它图像块混淆,就希望刻蚀在DOE上光斑的图案在局部块的尺度上是独一无二的。
利用单帧结构光图案进行深度恢复所使用的光斑类型主要包括:
1.条纹光斑:
它的图案由等间隔的黑白条纹组成,实际上它在局部上不具有上面所说的独一无二性。其利用条纹间隔的宽度变化来恢复深度,局部块不具有恢复绝对深度的能力,需要依赖于邻域块以及图像整体的信息,特别是要依赖边界条件,才能获取绝对深度。
2.伪随机二值光斑:
深度恢复中的块匹配,光斑的每个子窗口的二值图像都是随机的并且独一无二的,这样在匹配的时候就不会与其它的图像混淆。
本申请旨在提供产生具有如上所述的伪随机二值光斑的结构光光斑图案生成方法和设备。以下,将参照图2到图9描述该结构光光斑图案生成方法、设备以及产生的结构光光斑图案。在本发明的结构光光斑图案生成方法中,希望生成的结构光光斑图案遵循的基本准则包括:
1.结构光光斑图案中的每个斑点(即,结构光光斑图案中的亮点,其分别对应于二值中的1)的8个领域内没有另外的斑点。
2.结构光光斑图案中的每个子块在二维空间中是独一无二的,并且与其它子块之间的差异尽可能地大。
图2是根据本发明第一实施例的结构光光斑图案生成方法的第一流程图。
如图2所示,根据本发明第一实施例的结构光光斑图案生成方法包括以下步骤:
在步骤S201中,执行初始随机化步骤。具体地,选择要生成的光斑图案中的初始子区域,将所述初始子区域中的各像素以由0和1组成的初始随机矩阵随机化。其中,所述初始子区域为w个像素宽,h个像素高,w和h为大于1的自然数,所述初始随机矩阵为w×h矩阵,0代表对应像素为暗像素,1代表对应像素为亮像素。此后,处理进到步骤S202。
在步骤S202中,执行移动随机化步骤。具体地,将所述初始子区域水平移动一个像素,获得移动子区域,并且将所述移动子区域中与所述初始子区域不重叠的h个像素以由0和1组成的1×h移动随机矢量随机化,所述1×h移动随机矢量不同于所述初始随机矩阵中的w个列矢量。对于w×h的初始子区域,其中由0和1代表的暗像素和亮像素的可能是2w×h个。为了满足上述结构光光斑图案遵循的基本准则,当将中心位置位于(x,y)的初始子区域移动到中心位置位于(x+1,y)的移动子区域时,希望移动子区域与初始子区域之间对应的随机矢量的汉明(Hamming)距离(即,两个0/1随机矢量之间不同值的个数的总和)最大。实际上,由于当每次将子区域水平移动一个像素,那么需要确定的矢量长度只是移动子区域中在原始初始子区域中没有出现过的h长度的随机数据,确保该矢量在之前的序列中没有出现过,并且与其它所有块的汉明距离之和最大。此后,处理进到步骤S203。
在步骤S203中,执行判断输出步骤。具体地,判断所述移动子区域是否处于所述光斑图案边缘。
如果在步骤S203中判断所述移动子区域没有处于所述光斑图案边缘,则返回所述移动随机化步骤S202。
相反地,如果在步骤S203中判断所述移动子区域处于所述光斑图案边缘,则处理进到步骤S204。
在步骤S204中,输出所述光斑图案。在输出的光斑图案中,各所述移动子区域的随机化使得各所述移动子区域之间对应矢量的汉明距离之和最大。从而,获得了每个子块在二维空间中是独一无二的,并且与其它子块之间的差异尽可能地大的光斑图案。
根据本发明第一实施例的结构光光斑图案生成方法不限于图1所示的第一流程。图3是根据本发明第一实施例的结构光光斑图案生成方法的第二流程图。
如图3所示,根据本发明第一实施例的结构光光斑图案生成方法的第二流程中的步骤S301到S303分别与以上参照图2描述的第一流程中的步骤S201到S203相同,在此将省略其重复描述。
与参照图2描述的第一流程不同,在完成了初始子区域的水平移动之后,处理进到步骤S304。
在步骤S304中,执行垂直移动随机化步骤。具体地,将初始子区域垂直移动一个像素,获得移动子区域,并且将所述移动子区域中与所述初始子区域不重叠的w个像素以由0和1组成的w×1移动随机矢量随机化,所述w×1移动随机矢量不同于所述初始随机矩阵中的h个行矢量。为了满足上述结构光光斑图案遵循的基本准则,当将中心位置位于(x,y)的初始子区域移动到中心位置位于(x,y+1)的移动子区域时,希望移动子区域与初始子区域之间对应的随机矢量的汉明距离最大。实际上,由于当每次将子区域垂直移动一个像素,那么需要确定的矢量长度只是移动子区域中在原始初始子区域中没有出现过的w长度的随机数据,确保该矢量在之前的序列中没有出现过,并且与其它所有块的汉明距离之和最大。此后,处理进到步骤S305。
在步骤S305中,执行判断输出步骤。具体地,判断所述移动子区域是否处于所述光斑图案垂直边缘。
如果在步骤S305中判断所述移动子区域没有处于所述光斑图案垂直边缘,则返回所述垂直移动随机化步骤S304。
相反地,如果在步骤S305中判断所述移动子区域处于所述光斑图案垂直边缘,则处理进到步骤S306。
在步骤S306中,输出所述光斑图案。在输出的光斑图案中,各所述移动子区域的随机化使得各所述移动子区域之间对应矢量的汉明距离之和最大。从而,获得了每个子块在二维空间中是独一无二的,并且与其它子块之间的差异尽可能地大的光斑图案。
以上,参照图2和图3描述了根据本发明第一实施例的结构光光斑图案生成方法。以下,将参照图4描述执行根据本发明第一实施例的结构光光斑图案生成方法的结构光光斑图案生成设备。
图4是根据本发明第一实施例的结构光光斑图案生成设备的示意性框图。如图4所示,根据本发明第一实施例的结构光光斑图案生成设备400包括:初始随机化部件401、移动随机化部件402和判断输出部件403。
具体地,所述初始随机化部件401配置为选择要生成的光斑图案中的初始子区域,所述初始子区域为w个像素宽,h个像素高,w和h为大于1的自然数,将所述初始子区域中的各像素以由0和1组成的初始随机矩阵随机化,所述初始随机矩阵为w×h矩阵,0代表对应像素为暗像素,1代表对应像素为亮像素。
所述移动随机化部件402配置为将所述初始子区域水平移动一个像素,获得移动子区域,并且将所述移动子区域中与所述初始子区域不重叠的h个像素以由0和1组成的1×h移动随机矢量随机化,所述1×h移动随机矢量不同于所述初始随机矩阵中的w个列矢量。此外,所述移动随机化部件402还配置为将所述初始子区域垂直移动一个像素,获得所述移动子区域,并且将所述移动子区域中与所述初始子区域不重叠的w个像素以由0和1组成的w×1移动随机矢量随机化,所述w×1移动随机矢量不同于所述初始随机矩阵中的h个行矢量。
所述判断输出部件403配置为判断所述移动子区域是否处于所述光斑图案边缘(水平边缘和垂直边缘),如果没有处于所述光斑图案边缘,则将所述光斑图案返回所述移动随机化部件402,如果所述移动子区域处于所述光斑图案边缘,则输出所述光斑图案。
图5图示了根据参照图2和3描述的本发明第一实施例的结构光光斑图案生成方法,由参照图4描述的本发明第一实施例的结构光光斑图案生成设备生成的结构光光斑图案。
如图5所示,该结构光光斑图案500尺寸例如为31像素×33像素。其中,选取子区域尺寸例如为5像素×3像素。当子区域501向右水平移动一个像素到子区域502时,子区域502中需要随机化的矢量区域仅为子区域502中的区域5021,该区域5021尺寸为1像素×3像素。如此,通过水平移动和垂直移动随机化,总共需要随机化工作量为(31-3)×(33-3)个5×3维矢量,其所需开销远小于整体随机化所需的215维矢量。
根据本发明实施例的结构光光斑图案生成方法不限于参照图2和3描述的第一实施例。
图6是根据本发明第二实施例的结构光光斑图案生成方法的第一流程图。
如图6所示,根据本发明第二实施例的结构光光斑图案生成方法包括以下步骤:
在步骤S601中,执行初始化步骤。具体地,生成初始光斑图案,所述初始光斑图案为W个像素宽,H个像素高,W和H为大于1的自然数,所述初始光斑图案中的所有像素为暗像素。此后,处理进到步骤S602。
在步骤S602中,执行随机矩阵生成步骤,生成W×H的随机实数矩阵。此后,处理进到步骤S603。
在步骤S603中,执行局部最大值提取步骤。具体地,提取所述随机实数矩阵中的m×n子区域中具有局部最大值的矩阵元。此后,处理进到步骤S604。
在步骤S604中,执行输出光斑图案生成步骤。具体地,将所述初始光斑图案的W×H像素矩阵中处于对应于具有所述局部最大值的矩阵元的像素置为亮像素,生成输出光斑图案。此后,处理进到步骤S605。
在步骤S605中,输出所述光斑图案。
根据本发明第二实施例的结构光光斑图案生成方法不限于图6所示的第一流程。图7是根据本发明第二实施例的结构光光斑图案生成方法的第二流程图。
如图7所示,根据本发明第二实施例的结构光光斑图案生成方法的第二流程中的步骤S701到S704分别与以上参照图6描述的第一流程中的步骤S601到S604相同,在此将省略其重复描述。
与参照图6描述的第一流程不同,在将将所述初始光斑图案的W×H像素矩阵中处于对应于具有所述局部最大值的矩阵元的像素置为亮像素之后,处理进到步骤S705,以便进行整体优化步骤。
在步骤S705中,将所述生成的输出光斑图案中亮像素移动到其领域位置之一,基于预定策略计算移动后输出光斑图案中每个w×h子区域与其他区域的汉明距离。此后,处理进到步骤S706。
在步骤S706中,选择具有最大的汉明距离之和的所述移动后输出光斑图案作为所述输出光斑图案。
在本发明的一个优选实施例中,所述预定策略为模拟退火法。如此整体优化之后,生成的光斑图案中每个子区域与其它子区域的汉明距离之和最大,从而获得了每个子块在二维空间中是独一无二的,并且与其它子块之间的差异尽可能地大的光斑图案。
以上,参照图6和图7描述了根据本发明第二实施例的结构光光斑图案生成方法。以下,将参照图8描述执行根据本发明第二实施例的结构光光斑图案生成方法的结构光光斑图案生成设备。
图8是根据本发明第二实施例的结构光光斑图案生成设备的示意性框图。如图8所示,根据本发明第二实施例的结构光光斑图案生成设备800包括:初始化部件801、随机矩阵生成部件802、局部最大值提取部件803、输出光斑图案生成部件804和整体优化部件805。
具体地,所述初始化部件801配置为生成初始光斑图案,所述初始光斑图案为W个像素宽,H个像素高,W和H为大于1的自然数,所述初始光斑图案中的所有像素为暗像素。
所述随机矩阵生成部件802配置为生成W×H的随机实数矩阵。
所述局部最大值提取部件803配置为提取所述随机实数矩阵中的m×n子区域中具有局部最大值的矩阵元。
所述输出光斑图案生成部件804配置为将所述初始光斑图案的W×H像素矩阵中处于对应于具有所述局部最大值的矩阵元的像素置为亮像素,生成输出光斑图案。
所述整体优化部件805配置为接收所述输出光斑图案生成部件生成的输出光斑图案,将所述生成的输出光斑图案中亮像素移动到其领域位置之一,基于预定策略计算移动后输出光斑图案中每个w×h子区域与其他区域的汉明距离,并且选择具有最大的汉明距离之和的所述移动后输出光斑图案作为所述输出光斑图案。
图9图示了根据参照图6和7描述的本发明第二实施例的结构光光斑图案生成方法,由参照图8描述的本发明第二实施例的结构光光斑图案生成设备生成的结构光光斑图案。
如图9所示,该结构光光斑图案900尺寸例如为80像素×60像素。任意两个子区域901和902(其尺寸例如为7像素×7像素)内的图案不重复,并且任意两个子区域之间对应矢量的汉明距离之和最大。
以上,参照图1到图9描述了根据本发明实施例的结构光光斑图案生成方法和结构光光斑图案生成设备。根据本发明实施例的结构光光斑图案生成方法和结构光光斑图案生成设备实现了高效并且具有高随机性的结构光光斑图案生成,其相比于整块光斑的随机化方法大大减少了所需开销,并且所生成的结构光光斑图案的每个子区域之间具有最大的汉明距离之和,从而获得了差异尽可能大的光斑图案。
需要说明的是,在本说明书中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后,还需要说明的是,上述一系列处理不仅包括以这里所述的顺序按时间序列执行的处理,而且包括并行或分别地、而不是按时间顺序执行的处理。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现,当然也可以全部通过硬件来实施。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种结构光光斑图案生成方法,包括以下步骤:
初始化步骤,生成初始光斑图案,所述初始光斑图案为W个像素宽,H个像素高,W和H为大于1的自然数,所述初始光斑图案中的所有像素为暗像素;
随机矩阵生成步骤,生成W×H的随机实数矩阵;
局部最大值提取步骤,提取所述随机实数矩阵中的m×n实数矩阵子区域中具有局部最大值的矩阵元,m是小于W的自然数,n是小于H的自然数;
输出光斑图案生成步骤,将所述初始光斑图案的W×H像素矩阵中处于对应于具有所述局部最大值的矩阵元的像素置为亮像素,生成输出光斑图案;以及
整体优化步骤,将所述生成的输出光斑图案中亮像素移动到其领域位置之一,基于预定策略计算移动后输出光斑图案中每个w×h像素矩阵子区域与其他区域的汉明距离,并且选择具有最大的汉明距离之和的所述移动后输出光斑图案作为所述输出光斑图案,w是小于W的自然数,h是小于H的自然数,
其中,所述输出光斑图案中任意子区域的之间对应矢量的汉明距离之和最大。
2.如权利要求1所述的结构光光斑图案生成方法,其中所述预定策略为模拟退火法。
3.一种结构光光斑图案生成设备,包括:
初始化部件,配置为生成初始光斑图案,所述初始光斑图案为W个像素宽,H个像素高,W和H为大于1的自然数,所述初始光斑图案中的所有像素为暗像素;
随机矩阵生成部件,配置为生成W×H的随机实数矩阵;
局部最大值提取部件,配置为提取所述随机实数矩阵中的m×n实数矩阵子区域中具有局部最大值的矩阵元,m是小于W的自然数,n是小于H的自然数;
输出光斑图案生成部件,配置为将所述初始光斑图案的W×H像素矩阵中处于对应于具有所述局部最大值的矩阵元的像素置为亮像素,生成输出光斑图案;以及
整体优化部件,配置为接收所述输出光斑图案生成部件生成的输出光斑图案,将所述生成的输出光斑图案中亮像素移动到其领域位置之一,基于预定策略计算移动后输出光斑图案中每个w×h像素矩阵子区域与其他区域的汉明距离,并且选择具有最大的汉明距离之和的所述移动后输出光斑图案作为所述输出光斑图案,w是小于W的自然数,h是小于H的自然数,
其中,所述输出光斑图案中任意子区域的之间对应矢量的汉明距离之和最大。
4.如权利要求3所述的结构光光斑图案生成设备,其中所述预定策略为模拟退火法。
CN201310744036.6A 2013-12-30 2013-12-30 结构光光斑图案生成方法和结构光光斑图案生成设备 Active CN104751482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310744036.6A CN104751482B (zh) 2013-12-30 2013-12-30 结构光光斑图案生成方法和结构光光斑图案生成设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310744036.6A CN104751482B (zh) 2013-12-30 2013-12-30 结构光光斑图案生成方法和结构光光斑图案生成设备

Publications (2)

Publication Number Publication Date
CN104751482A CN104751482A (zh) 2015-07-01
CN104751482B true CN104751482B (zh) 2019-03-29

Family

ID=53591101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310744036.6A Active CN104751482B (zh) 2013-12-30 2013-12-30 结构光光斑图案生成方法和结构光光斑图案生成设备

Country Status (1)

Country Link
CN (1) CN104751482B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113050112B (zh) * 2019-03-21 2024-06-04 深圳市光鉴科技有限公司 用于增强飞行时间分辨率的系统和方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763654A (zh) * 2010-01-19 2010-06-30 江苏大学 一种基于彩色伪随机编码投影的特征点匹配方法
CN102052903A (zh) * 2010-12-09 2011-05-11 五邑大学 一种非接触移动目标位移检测方法
KR20130028594A (ko) * 2011-09-09 2013-03-19 엘지전자 주식회사 구조광 생성 방법, 그 장치 및 그 장치를 이용한 모션 인식 장치
CN103047943A (zh) * 2012-12-31 2013-04-17 吉林大学 基于单投射编码结构光的车门外板形状尺寸检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763654A (zh) * 2010-01-19 2010-06-30 江苏大学 一种基于彩色伪随机编码投影的特征点匹配方法
CN102052903A (zh) * 2010-12-09 2011-05-11 五邑大学 一种非接触移动目标位移检测方法
KR20130028594A (ko) * 2011-09-09 2013-03-19 엘지전자 주식회사 구조광 생성 방법, 그 장치 및 그 장치를 이용한 모션 인식 장치
CN103047943A (zh) * 2012-12-31 2013-04-17 吉林大学 基于单投射编码结构光的车门外板形状尺寸检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于结构光和立体匹配的稠密深度获取技术研究;许志梁;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100715(第07期);论文第二章第2.3节
符号M阵列结构光的编码研究;陆军 等;《光电工程》;20120131;第39卷(第1期);全文

Also Published As

Publication number Publication date
CN104751482A (zh) 2015-07-01

Similar Documents

Publication Publication Date Title
Shin et al. Epinet: A fully-convolutional neural network using epipolar geometry for depth from light field images
Harville Stereo person tracking with adaptive plan-view templates of height and occupancy statistics
CN105654547B (zh) 三维重建方法
CN106875443B (zh) 基于灰度约束的三维数字散斑的整像素搜索方法及装置
CN102203551A (zh) 用于提供三维和距离面间判定的方法和系统
Perri et al. Adaptive Census Transform: A novel hardware-oriented stereovision algorithm
CN102129708A (zh) 增强现实环境中快速多层次虚实遮挡处理方法
CN101729920B (zh) 一种自由视角立体视频显示方法
CN107967697B (zh) 基于彩色随机二元编码结构照明的三维测量方法和系统
CA2883119C (en) Method and image processing system for determining parameters of a camera
CN105872381A (zh) 趣味图像拍摄方法
TWI668670B (zh) 深度圖產生裝置
CN111028273B (zh) 一种基于多流卷积神经网络的光场深度估计方法及其实现系统
CN109544621A (zh) 基于卷积神经网络的光场深度估计方法、系统及介质
TW201436552A (zh) 用於使用至少一較高訊框率之影像流而增加影像流之訊框率之方法及裝置
KR100943635B1 (ko) 디지털카메라의 이미지를 이용한 디스패리티 맵 생성 장치 및 방법
CN104270624A (zh) 一种分区域的3d视频映射方法
CN103024419A (zh) 一种视频图像处理方法及系统
CN104751482B (zh) 结构光光斑图案生成方法和结构光光斑图案生成设备
Wu et al. Depth extraction from unidirectional integral image using a modified multibaseline technique
CN107479715A (zh) 利用手势控制实现虚拟现实交互的方法和装置
CN105451009B (zh) 一种信息处理方法及电子设备
CN110738099A (zh) 一种基于自适应双分支网络的低分辨率行人再识别方法
Uliyar et al. Fast EPI based depth for plenoptic cameras
CN104463958A (zh) 基于视差图融合的三维超分辨率方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant