CN106875450A - 用于相机重定位的训练集优化方法及装置 - Google Patents
用于相机重定位的训练集优化方法及装置 Download PDFInfo
- Publication number
- CN106875450A CN106875450A CN201710090469.2A CN201710090469A CN106875450A CN 106875450 A CN106875450 A CN 106875450A CN 201710090469 A CN201710090469 A CN 201710090469A CN 106875450 A CN106875450 A CN 106875450A
- Authority
- CN
- China
- Prior art keywords
- image
- camera
- point
- parameter
- displacement
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Studio Devices (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种用于相机重定位的训练集优化方法及装置。该用于相机重定位的训练集优化方法包括:从第一图像中选取第一点,第一点不为第一图像的几何中心;根据第一图像和第一点,确定第一点对应的第二图像对应的中心图像块和标签参数,其中,第二图像的几何中心为第一点,标签参数包括第二图像对应的相机姿态参数和相机位移参数;将第二图像对应的中心图像块和标签参数加入训练集,训练集用于对相机重定位模型进行训练。本公开的用于相机重定位的训练集优化方法及装置,能够实现扩展相机重定位模型的训练集,从而在相机重定位模型的训练过程中,降低相机重定位模型的过拟合现象,提高相机重定位模型的精度。
Description
技术领域
本公开涉及计算机视觉领域,尤其涉及一种用于相机重定位的训练集优化方法及装置。
背景技术
近年来,除了通过GPS(Global Position System,全球定位系统)、基站、蓝牙和Wi-Fi(Wireless Fidelity,无线保真技术)进行定位外,越来越多的定位系统使用了视觉传感器。视觉传感器是指利用光学元件和成像装置获取外部环境图像信息的仪器。视觉传感器获取的视觉图像中包含底层的颜色、纹理特征以及高层的物体、场景特征,且视觉传感器价格低廉、使用广泛,越来越多地受到定位系统的青睐。近年来,借助计算机视觉技术的高速发展,基于视觉图像的定位技术得到了广泛的应用。
相机重定位是指通过对相机拍摄的图像进行分析,计算相机在图像拍摄场景坐标系的位移和姿态。图1是根据现有技术示出的相机重定位的坐标系示意图。如图1所示,相机的位移可以通过向量r=[X,Y,Z]进行表示,相机的姿态可以通过xyz坐标系(全局坐标系)与x’y’z’坐标系(局部坐标系)之间的关系进行表示。相关技术中,主要的相机重定位方法可以分为基于点特征的相机重定位方法和基于全图特征的相机重定位方法。基于点特征的相机重定位方法通过像素点特征来进行点坐标匹配,例如通过卷积神经网络进行点匹配,从而计算相机的姿态。基于全图特征的相机重定位方法通过将全图特征映射到高维特征空间来获得更好的对于相机位移、姿态的连续映射。利用卷积神经网络也可以不进行点匹配,直接处理图像回归得到相机的姿态。这类基于神经网络的相机重定位方法就是基于全图特征的相机重定位方法。
基于全图特征的相机重定位方法存在数据集的稀疏分布问题。不同于一般的图像分类问题,相机重定位由于需要对相机的位移和方向进行回归,每一张图像都对应于位移的三维空间和对应于方向的三维特殊正交群(SO(3),the Special Orthogonal Group inDimension 3)空间中的一个点。很多数据集中训练集的采样十分稀疏,例如七场景数据集(7-Scenes Dataset)。图2是根据现有技术示出的七场景数据集中头部场景(HeadsScenes)下图像姿态的分布示意图。图3是根据现有技术示出的七场景数据集中头部场景下图像位移的分布示意图。如图2和图3所示,测试集与训练集分布差异极大。在训练过程中,模型非常容易出现过拟合的现象。
相关技术中,通常采用两种方法解决基于全图特征的相机重定位方法中存在的训练样本稀疏,测试集与训练集分布差异较大的问题。第一种方法为对场景进行密集采样,采用该种方法使得数据集的规模变得极为庞大,并且密集采样提高了数据集的构建成本。第二种方法为利用高精度的RGBD(Red,红;Green,绿;Blue,蓝;Depth,深度)图像来构建场景的三维模型,并生成虚拟图像,采用该种方法在很大程度上依赖于数据集的质量。由于虚拟图像来自于场景的三维模型,要使得虚拟图像和实际图像较为一致,必须要有非常高精度的三维模型,而高精度的三维模型则对数据集的图像质量以及深度图提出了要求。
发明内容
有鉴于此,本公开提出了一种用于相机重定位的训练集优化方法及装置,以解决基于全图特征的相机重定位方法中存在的训练样本稀疏,测试集与训练集分布差异较大的问题。
根据本公开的第一方面,提供了一种用于相机重定位的训练集优化方法,包括:
从第一图像中选取第一点,所述第一点不为所述第一图像的几何中心;
根据所述第一图像和所述第一点,确定所述第一点对应的第二图像对应的中心图像块和标签参数,其中,所述第二图像的几何中心为所述第一点,所述标签参数包括所述第二图像对应的相机姿态参数和相机位移参数;
将所述第二图像对应的中心图像块和标签参数加入训练集,所述训练集用于对相机重定位模型进行训练。
对于所述的用于相机重定位的训练集优化方法,在一种可能的实现方式中,根据所述第一图像和所述第一点,确定所述第一点对应的第二图像对应的中心图像块,包括:
以所述第一点为几何中心从所述第一图像中选取第一图像块;
将所述第一图像块作为所述第二图像对应的中心图像块。
对于所述的用于相机重定位的训练集优化方法,在一种可能的实现方式中,根据所述第一图像和所述第一点,确定所述第一点对应的第二图像对应的标签参数,包括:
根据所述第一图像和所述第一点,确定所述第二图像对应的相机姿态参数;
根据所述第一图像,确定所述第二图像对应的相机位移参数。
对于所述的用于相机重定位的训练集优化方法,在一种可能的实现方式中,根据所述第一图像和所述第一点,确定所述第二图像对应的相机姿态参数,包括:
获取所述第一图像的第一尺寸和第二尺寸;
获取所述第一图像在第一坐标系中的水平视角和垂直视角;
确定所述第一图像的几何中心与所述第一点之间的水平位移和垂直位移;
根据所述第一尺寸、所述第二尺寸、所述水平视角、所述垂直视角、所述水平位移和所述垂直位移,确定从所述第一图像对应的相机姿态旋转到所述第二图像对应的相机姿态所进行的旋转操作的欧拉角;
根据所述第一图像对应的相机姿态参数和所述欧拉角,确定所述第二图像对应的相机姿态参数。
对于所述的用于相机重定位的训练集优化方法,在一种可能的实现方式中,根据所述第一尺寸、所述第二尺寸、所述水平视角、所述垂直视角、所述水平位移和所述垂直位移,确定从所述第一图像对应的相机姿态旋转到所述第二图像对应的相机姿态所进行的旋转操作的欧拉角,包括:
采用式1至式3确定所述欧拉角
其中,表示所述欧拉角的自转角,表示所述欧拉角的章动角,表示所述欧拉角的旋进角,Δx表示所述水平位移,W表示所述第一尺寸,Vh表示所述水平视角,Δy表示所述垂直位移,H表示所述第二尺寸,Vv表示所述垂直视角。
对于所述的用于相机重定位的训练集优化方法,在一种可能的实现方式中,
所述第一尺寸为所述第一图像在水平方向上的第一顶点和第二顶点之间的距离,所述第二尺寸为所述第一图像在垂直方向上的第一顶点和第三顶点之间的距离;
所述水平视角为第一连线与第二连线之间的夹角,所述第一连线为所述第一顶点与所述第一坐标系的原点之间的连线,所述第二连线为所述第二顶点与所述第一坐标系的原点之间的连线;所述垂直视角为所述第一连线与第三连线之间的夹角,所述第三连线为所述第三顶点与所述第一坐标系的原点之间的连线;
所述水平位移为所述第一图像的几何中心与所述第一点在水平方向上的距离,所述垂直位移为所述第一图像的几何中心与所述第一点在垂直方向上的距离。
对于所述的用于相机重定位的训练集优化方法,在一种可能的实现方式中,根据所述第一图像,确定所述第二图像对应的相机位移参数,包括:
将所述第一图像对应的相机位移参数作为所述第二图像对应的相机位移参数。
根据本公开的第二方面,提供了一种用于相机重定位的训练集优化装置,包括:
选取模块,用于从第一图像中选取第一点,所述第一点不为所述第一图像的几何中心;
确定模块,用于根据所述第一图像和所述第一点,确定所述第一点对应的第二图像对应的中心图像块和标签参数,其中,所述第二图像的几何中心为所述第一点,所述标签参数包括所述第二图像对应的相机姿态参数和相机位移参数;
添加模块,用于将所述第二图像对应的中心图像块和标签参数加入训练集,所述训练集用于对相机重定位模型进行训练。
对于所述的用于相机重定位的训练集优化装置,在一种可能的实现方式中,所述确定模块包括中心图像块确定子模块,所述中心图像块确定子模块包括:
第一图像块选取子模块,用于以所述第一点为几何中心从所述第一图像中选取第一图像块;
第一确定子模块,用于将所述第一图像块作为所述第二图像对应的中心图像块。
对于所述的用于相机重定位的训练集优化装置,在一种可能的实现方式中,所述确定模块包括标签参数确定子模块,所述标签参数确定子模块包括:
相机姿态参数确定子模块,用于根据所述第一图像和所述第一点,确定所述第二图像对应的相机姿态参数;
相机位移参数确定子模块,用于根据所述第一图像,确定所述第二图像对应的相机位移参数。
对于所述的用于相机重定位的训练集优化装置,在一种可能的实现方式中,所述相机姿态参数确定子模块包括:
第一获取子模块,用于获取所述第一图像的第一尺寸和第二尺寸;
第二获取子模块,用于获取所述第一图像在第一坐标系中的水平视角和垂直视角;
位移确定子模块,用于确定所述第一图像的几何中心与所述第一点之间的水平位移和垂直位移;
欧拉角确定子模块,用于根据所述第一尺寸、所述第二尺寸、所述水平视角、所述垂直视角、所述水平位移和所述垂直位移,确定从所述第一图像对应的相机姿态旋转到所述第二图像对应的相机姿态所进行的旋转操作的欧拉角;
第二确定子模块,用于根据所述第一图像对应的相机姿态参数和所述欧拉角,确定所述第二图像对应的相机姿态参数。
对于所述的用于相机重定位的训练集优化装置,在一种可能的实现方式中,所述欧拉角确定子模块用于:
采用式1至式3确定所述欧拉角
其中,表示所述欧拉角的自转角,表示所述欧拉角的章动角,表示所述欧拉角的旋进角,Δx表示所述水平位移,W表示所述第一尺寸,Vh表示所述水平视角,Δy表示所述垂直位移,H表示所述第二尺寸,Vv表示所述垂直视角。
对于所述的用于相机重定位的训练集优化装置,在一种可能的实现方式中,
所述第一尺寸为所述第一图像在水平方向上的第一顶点和第二顶点之间的距离,所述第二尺寸为所述第一图像在垂直方向上的第一顶点和第三顶点之间的距离;
所述水平视角为第一连线与第二连线之间的夹角,所述第一连线为所述第一顶点与所述第一坐标系的原点之间的连线,所述第二连线为所述第二顶点与所述第一坐标系的原点之间的连线;所述垂直视角为所述第一连线与第三连线之间的夹角,所述第三连线为所述第三顶点与所述第一坐标系的原点之间的连线;
所述水平位移为所述第一图像的几何中心与所述第一点在水平方向上的距离,所述垂直位移为所述第一图像的几何中心与所述第一点在垂直方向上的距离。
对于所述的用于相机重定位的训练集优化装置,在一种可能的实现方式中,所述相机位移参数确定子模块用于:
将所述第一图像对应的相机位移参数作为所述第二图像对应的相机位移参数。
根据本公开的第三方面,提供了一种用于相机重定位的训练集优化装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
从第一图像中选取第一点,所述第一点不为所述第一图像的几何中心;
根据所述第一图像和所述第一点,确定所述第一点对应的第二图像对应的中心图像块和标签参数,其中,所述第二图像的几何中心为所述第一点,所述标签参数包括所述第二图像对应的相机姿态参数和相机位移参数;
将所述第二图像对应的中心图像块和标签参数加入训练集,所述训练集用于对相机重定位模型进行训练。
根据本公开的第四方面,提供了一种非易失性计算机可读存储介质,当所述存储介质中的指令由终端和/或服务器的处理器执行时,使得终端和/或服务器能够执行一种用于相机重定位的训练集优化方法,所述方法包括:
从第一图像中选取第一点,所述第一点不为所述第一图像的几何中心;
根据所述第一图像和所述第一点,确定所述第一点对应的第二图像对应的中心图像块和标签参数,其中,所述第二图像的几何中心为所述第一点,所述标签参数包括所述第二图像对应的相机姿态参数和相机位移参数;
将所述第二图像对应的中心图像块和标签参数加入训练集,所述训练集用于对相机重定位模型进行训练。
本公开的用于相机重定位的训练集优化方法及装置,从第一图像中选取第一点,第一点不为第一图像的几何中心,根据第一图像和第一点,确定第一点对应的第二图像对应的中心图像块和标签参数,将第二图像对应的中心图像块和标签参数加入训练集,训练集用于对相机重定位模型进行训练,由此能够实现扩展相机重定位模型的训练集,从而在相机重定位模型的训练过程中,降低相机重定位模型的过拟合现象,提高相机重定位模型的精度。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1是根据现有技术示出的相机重定位的坐标系示意图。
图2是根据现有技术示出的七场景数据集中头部场景下图像姿态的分布示意图。
图3是根据现有技术示出的七场景数据集中头部场景下图像位移的分布示意图。
图4是根据本公开一实施例的用于相机重定位的训练集优化方法的流程图。
图5是根据本公开一实施例的第一图像和第二图像在第一坐标系中的一示例性的示意图。
图6是根据本公开一实施例的优化后的训练集和测试集姿态分布的一示例性的示意图。
图7是根据一示例性实施例示出的一种用于相机重定位的训练集优化方法中步骤S402的一示例性的流程图。
图8是根据本公开一实施例的用于相机重定位的训练集优化装置的框图。
图9是根据本公开一实施例的用于相机重定位的训练集优化装置的一示例性的框图。
图10是根据本公开一实施例的用于相机重定位的训练集优化装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图4是根据本公开一实施例的用于相机重定位的训练集优化方法的流程图。该用于相机重定位的训练集优化方法可以用于优化训练相机重定位模型的训练集。如图4所示,该用于相机重定位的训练集优化方法可以包括以下步骤。
在步骤S401中,从第一图像中选取第一点,第一点不为第一图像的几何中心。
本实施例的第一图像可以为训练集中的一张现有图像,训练集可以用于训练并建立相机重定位模型。测试集可以用于对根据训练集建立的相机重定位模型进行测试。训练集或测试集中的数据可以为预设格式,例如以图像/图像块-标签的格式存在。其中,相机重定位模型的输入可以为图像或者从图像中选取的图像块(例如中心图像块)。本实施例的中心图像块可以为从图像中选取的且与图像具有相同的几何中心的图像区域。相机重定位模型的输出可以为相机在第一坐标系中的标签参数。标签参数可以包括相机位移参数(Translation)和相机姿态参数(Orientation)。
本实施例不限制第一坐标系的类型,例如第一坐标系可以是世界坐标系,也可以是图像场景坐标系。其中,世界坐标系可以为绝对坐标系,即在没有建立用户坐标系之前图像上所有点的坐标都是以该坐标系的原点来确定各自的位置的。图像场景坐标系可以为相对坐标系,即可以为根据用户设置的原点和方向建立的坐标系。
本实施例不限制从第一图像中选取第一点的方式,只要第一点为第一图像中不属于几何中心的点即可。其中,图像的几何中心可以为图像对角线的交点,即第一图像的几何中心可以为第一图像对角线的交点。
在步骤S402中,根据第一图像和第一点,确定第一点对应的第二图像对应的中心图像块和标签参数,其中,第二图像的几何中心为第一点,标签参数包括第二图像对应的相机姿态参数和相机位移参数。
本实施例的第二图像可以为根据第一图像而虚拟的图像。图5是根据本公开一实施例的第一图像和第二图像在第一坐标系中的一示例性的示意图。作为本实施例的一个示例,如图5所示,在第一坐标系中,若图像1为第一图像,则点A可以为图像1的几何中心。点B可以为从第一图像中选取的第一点,其中,点B与点A不重合。根据点B可以确定第一点对应的第二图像,即图像2,其中,点C可以为图像2的几何中心,点B和点C重合。
在一种可能的实现方式中,根据第一图像和第一点,确定第一点对应的第二图像对应的中心图像块(步骤S402)可以包括:以第一点为几何中心从第一图像中选取第一图像块;将第一图像块作为第二图像对应的中心图像块。
如图5所示,图像1的中心图像块可以为点A所处的图像块3,图像2的中心图像块可以为点C所处的图像块4。从图像块3到图像块4的移动可以视作为将图像块3绕着相机的X轴和Y轴进行旋转操作而实现的。通过该旋转操作,可以使得现有的图像1的图像块3移动到虚拟的图像2的图像块4。
本实施例的第一图像块可以为以第一点作为几何中心从第一图像中选取的图像块。第一图像块可以与第一图像的中心图像块具有相同的形状和面积。作为本实施例的一个示例,图像块5可以为图像1中的以点B作为几何中心的图像块。在本实施例中,通过忽略图像块4和图像块5之间的差异,可以假设图像块4可以由图像块5近似得到。换言之,图像块4的相机姿态参数和图像块5的相机姿态参数可以近似相同,而图像块5的相机姿态参数可以通过其相对于图像块3的位移来计算得到。
需要说明的是,本实施例并不限制从第一图像中选取第一图像块的方式。在本实施例中,只要第一图像块没有超出第一图像的边界,即第一图像块可以在第一图像中选取到,就可以将第一图像块近似为某一个第二图像对应的中心图像块。
在一种可能的实现方式中,根据第一图像和第一点,确定第一点对应的第二图像对应的标签参数(步骤S402)可以包括:根据第一图像和第一点,确定第二图像对应的相机姿态参数;根据第一图像,确定第二图像对应的相机位移参数。
需要说明的是,本领域的技术人员应当能够理解,若从第一图像中选取不同的第一点,则可以确定多个不同的虚拟的第二图像。通过这种近似方式,可以假设第一图像所选取的各个不同第一点对应的图像块都能够对应于另一张虚拟的图像的中心图像块。在相机重定位模型的训练过程中,可以将某一图像的中心图像块作为输入,将该图像的相机姿态参数和相机位移参数作为输出,从而进行相机重定位模型的训练。
在步骤S403中,将第二图像对应的中心图像块和标签参数加入训练集,该训练集用于对相机重定位模型进行训练。
图6是根据本公开一实施例的用于相机重定位的训练集优化方法训练集和测试集姿态分布的一示例性的示意图。如图6所示,本实施例的用于相机重定位的训练集优化方法能够实现扩展相机重定位模型的训练集,从而在相机重定位模型的训练过程中,降低相机重定位模型的过拟合现象,提高相机重定位模型的精度。
图7是根据一示例性实施例示出的一种用于相机重定位的训练集优化方法中步骤S402的一示例性的流程图。如图7所示,根据第一图像和第一点,确定第二图像对应的相机姿态参数,包括:
在步骤S701中,获取第一图像的第一尺寸和第二尺寸。
在一种可能的实现方式中,第一尺寸为第一图像在水平方向上的第一顶点和第二顶点之间的距离,第二尺寸为第一图像在垂直方向上的第一顶点和第三顶点之间的距离。
作为本实施例的一个示例,如图5所示,若图像1为第一图像,点P可以为图像1在水平方向上的第一顶点,点Q可以为图像1在水平方向上的第二顶点,则图像1的第一尺寸可以为点P和点Q之间的距离,即W。点P也可以为图像1在垂直方向上的第一顶点,点G可以为图像1在垂直方向上的第三顶点,则图像1的第二尺寸可以为点P和点G之间的距离,即H。
在步骤S702中,获取第一图像在第一坐标系中的水平视角和垂直视角。
在一种可能的实现方式中,该水平视角为第一连线与第二连线之间的夹角,第一连线为第一顶点与第一坐标系的原点之间的连线,第二连线为第二顶点与第一坐标系的原点之间的连线;该垂直视角为第一连线与第三连线之间的夹角,第三连线为第三顶点与第一坐标系的原点之间的连线。
作为本实施例的一个示例,如图5所示,若图像1为第一图像,PO为点P(第一顶点)与点O(第一坐标系的原点)之间的连线,即PO为第一连线,QO为点Q(第二顶点)与点O之间的连线,即QO为第二连线,则图像1在第一坐标系中的水平视角可以为PO和QO之间的夹角,即Vh。GO为点G(第三顶点)与点O之间的连线,即GO为第三连线,则图像1在第一坐标系中的垂直视角可以为PO和GO之间的夹角,即Vv。
在步骤S703中,确定第一图像的几何中心与第一点之间的水平位移和垂直位移。
在一种可能的实现方式中,该水平位移为第一图像的几何中心与第一点在水平方向上的距离,该垂直位移为第一图像的几何中心与第一点在垂直方向上的距离。
作为本实施例的一个示例,如图5所示,若图像1为第一图像,点A为图像1的几何中心,点B为第一点,则图像1的几何中心与第一点在水平方向上的距离可以为点A与点B在水平方向上的距离,即Δx,图像1的几何中心与第一点在垂直方向上的距离可以为点A与点B在垂直方向上的距离,即Δy。
在步骤S704中,根据第一尺寸、第二尺寸、该水平视角、该垂直视角、该水平位移和该垂直位移,确定从第一图像对应的相机姿态旋转到第二图像对应的相机姿态所进行的旋转操作的欧拉角。
在一种可能的实现方式中,采用式1至式3确定该欧拉角
其中,表示该欧拉角的自转角,表示该欧拉角的章动角,Δx表示该水平位移,W表示第一尺寸,Vh表示该水平视角,表示该欧拉角的旋进角,Δy表示该垂直位移,H表示第二尺寸,Vv表示该垂直视角。
在步骤S705中,根据第一图像对应的相机姿态参数和该欧拉角,确定第二图像对应的相机姿态参数。
在一种可能的实现方式中,根据第一图像,确定第二图像对应的相机位移参数,包括:将第一图像对应的相机位移参数作为第二图像对应的相机位移参数。
本实施例的用于相机重定位的训练集优化方法使得训练集(包括相机姿态参数和相机位移参数)在第一坐标系中的分布变得稠密,实现了扩展相机重定位模型的训练集,即实现了相机重定位模型的训练集的样本数据增广,从而在相机重定位模型的训练过程中,降低相机重定位模型的过拟合现象,提高相机重定位模型的精度。
图8是根据本公开一实施例的用于相机重定位的训练集优化装置的框图。参照图8,该装置包括选取模块11、确定模块13和添加模块15。
其中,选取模块11,用于从第一图像中选取第一点,所述第一点不为所述第一图像的几何中心;确定模块13,用于根据所述第一图像和所述第一点,确定所述第一点对应的第二图像对应的中心图像块和标签参数,其中,所述第二图像的几何中心为所述第一点,所述标签参数包括所述第二图像对应的相机姿态参数和相机位移参数;添加模块15,用于将所述第二图像对应的中心图像块和标签参数加入训练集,所述训练集用于对相机重定位模型进行训练。。
图9是根据本公开一实施例的用于相机重定位的训练集优化装置的一示例性的框图。
在一种可能的实现方式中,参照图9,所述确定模块13包括中心图像块确定子模块131,所述中心图像块确定子模块131包括:第一图像块选取子模块,用于以所述第一点为几何中心从所述第一图像中选取第一图像块;第一确定子模块,用于将所述第一图像块作为所述第二图像对应的中心图像块。
在一种可能的实现方式中,参照图9,所述确定模块13包括标签参数确定子模块133,所述标签参数确定子模块133包括:相机姿态参数确定子模块,用于根据所述第一图像和所述第一点,确定所述第二图像对应的相机姿态参数;相机位移参数确定子模块,用于根据所述第一图像,确定所述第二图像对应的相机位移参数。
在一种可能的实现方式中,所述相机姿态参数确定子模块包括:第一获取子模块,用于获取所述第一图像的第一尺寸和第二尺寸;第二获取子模块,用于获取所述第一图像在第一坐标系中的水平视角和垂直视角;位移确定子模块,用于确定所述第一图像的几何中心与所述第一点之间的水平位移和垂直位移;欧拉角确定子模块,用于根据所述第一尺寸、所述第二尺寸、所述水平视角、所述垂直视角、所述水平位移和所述垂直位移,确定从所述第一图像对应的相机姿态旋转到所述第二图像对应的相机姿态所进行的旋转操作的欧拉角;第二确定子模块,用于根据所述第一图像对应的相机姿态参数和所述欧拉角,确定所述第二图像对应的相机姿态参数。
在一种可能的实现方式中,所述欧拉角确定子模块用于:
采用式1至式3确定所述欧拉角
其中,表示所述欧拉角的自转角,表示所述欧拉角的章动角,表示所述欧拉角的旋进角,Δx表示所述水平位移,W表示所述第一尺寸,Vh表示所述水平视角,Δy表示所述垂直位移,H表示所述第二尺寸,Vv表示所述垂直视角。
在一种可能的实现方式中,所述第一尺寸为所述第一图像在水平方向上的第一顶点和第二顶点之间的距离,所述第二尺寸为所述第一图像在垂直方向上的第一顶点和第三顶点之间的距离;所述水平视角为第一连线与第二连线之间的夹角,所述第一连线为所述第一顶点与所述第一坐标系的原点之间的连线,所述第二连线为所述第二顶点与所述第一坐标系的原点之间的连线;所述垂直视角为所述第一连线与第三连线之间的夹角,所述第三连线为所述第三顶点与所述第一坐标系的原点之间的连线;所述水平位移为所述第一图像的几何中心与所述第一点在水平方向上的距离,所述垂直位移为所述第一图像的几何中心与所述第一点在垂直方向上的距离。
在一种可能的实现方式中,所述相机位移参数确定子模块用于将所述第一图像对应的相机位移参数作为所述第二图像对应的相机位移参数。
本实施例的用于相机重定位的训练集优化装置使得训练集(包括相机姿态参数和相机位移参数)在第一坐标系中的分布变得稠密,实现了扩展相机重定位模型的训练集,即实现了相机重定位模型的训练集的样本数据增广,从而在相机重定位模型的训练过程中,降低相机重定位模型的过拟合现象,提高相机重定位模型的精度。
图10是根据本公开一实施例的用于相机重定位的训练集优化装置的框图。例如,装置800可以是相机,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等具有拍摄功能的设备。
参照图10,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图像,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非易失性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (15)
1.一种用于相机重定位的训练集优化方法,其特征在于,包括:
从第一图像中选取第一点,所述第一点不为所述第一图像的几何中心;
根据所述第一图像和所述第一点,确定所述第一点对应的第二图像对应的中心图像块和标签参数,其中,所述第二图像的几何中心为所述第一点,所述标签参数包括所述第二图像对应的相机姿态参数和相机位移参数;
将所述第二图像对应的中心图像块和标签参数加入训练集,所述训练集用于对相机重定位模型进行训练。
2.根据权利要求1所述的用于相机重定位的训练集优化方法,其特征在于,根据所述第一图像和所述第一点,确定所述第一点对应的第二图像对应的中心图像块,包括:
以所述第一点为几何中心从所述第一图像中选取第一图像块;
将所述第一图像块作为所述第二图像对应的中心图像块。
3.根据权利要求1所述的用于相机重定位的训练集优化方法,其特征在于,根据所述第一图像和所述第一点,确定所述第一点对应的第二图像对应的标签参数,包括:
根据所述第一图像和所述第一点,确定所述第二图像对应的相机姿态参数;
根据所述第一图像,确定所述第二图像对应的相机位移参数。
4.根据权利要求3所述的用于相机重定位的训练集优化方法,其特征在于,根据所述第一图像和所述第一点,确定所述第二图像对应的相机姿态参数,包括:
获取所述第一图像的第一尺寸和第二尺寸;
获取所述第一图像在第一坐标系中的水平视角和垂直视角;
确定所述第一图像的几何中心与所述第一点之间的水平位移和垂直位移;
根据所述第一尺寸、所述第二尺寸、所述水平视角、所述垂直视角、所述水平位移和所述垂直位移,确定从所述第一图像对应的相机姿态旋转到所述第二图像对应的相机姿态所进行的旋转操作的欧拉角;
根据所述第一图像对应的相机姿态参数和所述欧拉角,确定所述第二图像对应的相机姿态参数。
5.根据权利要求4所述的用于相机重定位的训练集优化方法,其特征在于,根据所述第一尺寸、所述第二尺寸、所述水平视角、所述垂直视角、所述水平位移和所述垂直位移,确定从所述第一图像对应的相机姿态旋转到所述第二图像对应的相机姿态所进行的旋转操作的欧拉角,包括:
采用式1至式3确定所述欧拉角
其中,表示所述欧拉角的自转角,表示所述欧拉角的章动角,表示所述欧拉角的旋进角,Δx表示所述水平位移,W表示所述第一尺寸,Vh表示所述水平视角,Δy表示所述垂直位移,H表示所述第二尺寸,Vv表示所述垂直视角。
6.根据权利要求4或5所述的用于相机重定位的训练集优化方法,其特征在于,
所述第一尺寸为所述第一图像在水平方向上的第一顶点和第二顶点之间的距离,所述第二尺寸为所述第一图像在垂直方向上的第一顶点和第三顶点之间的距离;
所述水平视角为第一连线与第二连线之间的夹角,所述第一连线为所述第一顶点与所述第一坐标系的原点之间的连线,所述第二连线为所述第二顶点与所述第一坐标系的原点之间的连线;所述垂直视角为所述第一连线与第三连线之间的夹角,所述第三连线为所述第三顶点与所述第一坐标系的原点之间的连线;
所述水平位移为所述第一图像的几何中心与所述第一点在水平方向上的距离,所述垂直位移为所述第一图像的几何中心与所述第一点在垂直方向上的距离。
7.根据权利要求3至5中任一项所述的用于相机重定位的训练集优化方法,其特征在于,根据所述第一图像,确定所述第二图像对应的相机位移参数,包括:
将所述第一图像对应的相机位移参数作为所述第二图像对应的相机位移参数。
8.一种用于相机重定位的训练集优化装置,其特征在于,包括:
选取模块,用于从第一图像中选取第一点,所述第一点不为所述第一图像的几何中心;
确定模块,用于根据所述第一图像和所述第一点,确定所述第一点对应的第二图像对应的中心图像块和标签参数,其中,所述第二图像的几何中心为所述第一点,所述标签参数包括所述第二图像对应的相机姿态参数和相机位移参数;
添加模块,用于将所述第二图像对应的中心图像块和标签参数加入训练集,所述训练集用于对相机重定位模型进行训练。
9.根据权利要求8所述的用于相机重定位的训练集优化装置,其特征在于,所述确定模块包括中心图像块确定子模块,所述中心图像块确定子模块包括:
第一图像块选取子模块,用于以所述第一点为几何中心从所述第一图像中选取第一图像块;
第一确定子模块,用于将所述第一图像块作为所述第二图像对应的中心图像块。
10.根据权利要求8所述的用于相机重定位的训练集优化装置,其特征在于,所述确定模块包括标签参数确定子模块,所述标签参数确定子模块包括:
相机姿态参数确定子模块,用于根据所述第一图像和所述第一点,确定所述第二图像对应的相机姿态参数;
相机位移参数确定子模块,用于根据所述第一图像,确定所述第二图像对应的相机位移参数。
11.根据权利要求10所述的用于相机重定位的训练集优化装置,其特征在于,所述相机姿态参数确定子模块包括:
第一获取子模块,用于获取所述第一图像的第一尺寸和第二尺寸;
第二获取子模块,用于获取所述第一图像在第一坐标系中的水平视角和垂直视角;
位移确定子模块,用于确定所述第一图像的几何中心与所述第一点之间的水平位移和垂直位移;
欧拉角确定子模块,用于根据所述第一尺寸、所述第二尺寸、所述水平视角、所述垂直视角、所述水平位移和所述垂直位移,确定从所述第一图像对应的相机姿态旋转到所述第二图像对应的相机姿态所进行的旋转操作的欧拉角;
第二确定子模块,用于根据所述第一图像对应的相机姿态参数和所述欧拉角,确定所述第二图像对应的相机姿态参数。
12.根据权利要求11所述的用于相机重定位的训练集优化装置,其特征在于,所述欧拉角确定子模块用于:
采用式1至式3确定所述欧拉角
其中,表示所述欧拉角的自转角,表示所述欧拉角的章动角,表示所述欧拉角的旋进角,Δx表示所述水平位移,W表示所述第一尺寸,Vh表示所述水平视角,Δy表示所述垂直位移,H表示所述第二尺寸,Vv表示所述垂直视角。
13.根据权利要求11或12所述的用于相机重定位的训练集优化装置,其特征在于,
所述第一尺寸为所述第一图像在水平方向上的第一顶点和第二顶点之间的距离,所述第二尺寸为所述第一图像在垂直方向上的第一顶点和第三顶点之间的距离;
所述水平视角为第一连线与第二连线之间的夹角,所述第一连线为所述第一顶点与所述第一坐标系的原点之间的连线,所述第二连线为所述第二顶点与所述第一坐标系的原点之间的连线;所述垂直视角为所述第一连线与第三连线之间的夹角,所述第三连线为所述第三顶点与所述第一坐标系的原点之间的连线;
所述水平位移为所述第一图像的几何中心与所述第一点在水平方向上的距离,所述垂直位移为所述第一图像的几何中心与所述第一点在垂直方向上的距离。
14.根据权利要求10至12中任一项所述的用于相机重定位的训练集优化装置,其特征在于,所述相机位移参数确定子模块用于:
将所述第一图像对应的相机位移参数作为所述第二图像对应的相机位移参数。
15.一种用于相机重定位的训练集优化装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
从第一图像中选取第一点,所述第一点不为所述第一图像的几何中心;
根据所述第一图像和所述第一点,确定所述第一点对应的第二图像对应的中心图像块和标签参数,其中,所述第二图像的几何中心为所述第一点,所述标签参数包括所述第二图像对应的相机姿态参数和相机位移参数;
将所述第二图像对应的中心图像块和标签参数加入训练集,所述训练集用于对相机重定位模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710090469.2A CN106875450B (zh) | 2017-02-20 | 2017-02-20 | 用于相机重定位的训练集优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710090469.2A CN106875450B (zh) | 2017-02-20 | 2017-02-20 | 用于相机重定位的训练集优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106875450A true CN106875450A (zh) | 2017-06-20 |
CN106875450B CN106875450B (zh) | 2019-09-20 |
Family
ID=59167243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710090469.2A Active CN106875450B (zh) | 2017-02-20 | 2017-02-20 | 用于相机重定位的训练集优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875450B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308678A (zh) * | 2017-07-28 | 2019-02-05 | 株式会社理光 | 利用全景图像进行重定位的方法、装置及设备 |
CN110555883A (zh) * | 2018-04-27 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 相机姿态追踪过程的重定位方法、装置及存储介质 |
CN111783806A (zh) * | 2019-04-04 | 2020-10-16 | 千寻位置网络有限公司 | 深度学习模型的优化方法及装置、服务器 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540164A (zh) * | 2012-01-04 | 2012-07-04 | 中国电子科技集团公司第二十八研究所 | 一种基于增量式学习的雷达辐射源分类建模方法 |
CN104933755A (zh) * | 2014-03-18 | 2015-09-23 | 华为技术有限公司 | 一种静态物体重建方法和系统 |
-
2017
- 2017-02-20 CN CN201710090469.2A patent/CN106875450B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540164A (zh) * | 2012-01-04 | 2012-07-04 | 中国电子科技集团公司第二十八研究所 | 一种基于增量式学习的雷达辐射源分类建模方法 |
CN104933755A (zh) * | 2014-03-18 | 2015-09-23 | 华为技术有限公司 | 一种静态物体重建方法和系统 |
Non-Patent Citations (2)
Title |
---|
任广波: ""基于半监督学习的遥感影像分类训练样本时空扩展方法"", 《国土资源遥感》 * |
孙士明: ""单样本人脸识别中的虚拟样本扩展方法研究"", 《微计算机应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308678A (zh) * | 2017-07-28 | 2019-02-05 | 株式会社理光 | 利用全景图像进行重定位的方法、装置及设备 |
CN109308678B (zh) * | 2017-07-28 | 2023-10-27 | 株式会社理光 | 利用全景图像进行重定位的方法、装置及设备 |
CN110555883A (zh) * | 2018-04-27 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 相机姿态追踪过程的重定位方法、装置及存储介质 |
CN111783806A (zh) * | 2019-04-04 | 2020-10-16 | 千寻位置网络有限公司 | 深度学习模型的优化方法及装置、服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN106875450B (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104781849B (zh) | 单眼视觉同时定位与建图(slam)的快速初始化 | |
US11481982B2 (en) | In situ creation of planar natural feature targets | |
CN109166107A (zh) | 一种医学图像分割方法及装置、电子设备和存储介质 | |
WO2019104953A1 (zh) | 定位方法及装置、移动终端 | |
CN105160327A (zh) | 建筑物识别方法和装置 | |
CN110503689A (zh) | 姿态预测方法、模型训练方法及装置 | |
CN106846410A (zh) | 基于三维的行车环境成像方法及装置 | |
CN110853095B (zh) | 相机定位方法、装置、电子设备及存储介质 | |
CN104077585B (zh) | 图像校正方法、装置及终端 | |
CN104270565A (zh) | 图像拍摄方法、装置及设备 | |
CN106875446B (zh) | 相机重定位方法及装置 | |
CN112115894B (zh) | 手部关键点检测模型的训练方法、装置及电子设备 | |
CN114170349A (zh) | 图像生成方法、装置、电子设备及存储介质 | |
CN109819288A (zh) | 广告投放视频的确定方法、装置、电子设备及存储介质 | |
CN106875450A (zh) | 用于相机重定位的训练集优化方法及装置 | |
CN107527024A (zh) | 人脸颜值评估方法及装置 | |
CN106980880A (zh) | 图像匹配的方法及装置 | |
CN111339880A (zh) | 一种目标检测方法及装置、电子设备和存储介质 | |
CN107886515A (zh) | 图像分割方法及装置 | |
CN103984476B (zh) | 菜单显示方法及装置 | |
CN112308103A (zh) | 生成训练样本的方法和装置 | |
CN107292306A (zh) | 目标检测方法及装置 | |
CN108989666A (zh) | 拍摄方法、装置、移动终端及计算机可读取存储介质 | |
CN110765926B (zh) | 图画书识别方法、装置、电子设备和存储介质 | |
CN107239758A (zh) | 人脸关键点定位的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |