CN110096993A - 双目立体视觉的目标检测设备及方法 - Google Patents

双目立体视觉的目标检测设备及方法 Download PDF

Info

Publication number
CN110096993A
CN110096993A CN201910348446.6A CN201910348446A CN110096993A CN 110096993 A CN110096993 A CN 110096993A CN 201910348446 A CN201910348446 A CN 201910348446A CN 110096993 A CN110096993 A CN 110096993A
Authority
CN
China
Prior art keywords
pixel
measured
target object
side images
parallax value
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.)
Pending
Application number
CN201910348446.6A
Other languages
English (en)
Inventor
陈海波
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.)
Deep Blue Technology Shanghai Co Ltd
Original Assignee
Deep Blue Technology Shanghai Co 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 Deep Blue Technology Shanghai Co Ltd filed Critical Deep Blue Technology Shanghai Co Ltd
Priority to CN201910348446.6A priority Critical patent/CN110096993A/zh
Publication of CN110096993A publication Critical patent/CN110096993A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种双目立体视觉的目标检测设备及方法。该设备中的双目摄像头采集左侧图像和右侧图像；可编程逻辑处理器对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和像素点对的视差值；采用预设的神经网络目标对象检测算法，获取预设分辨率的待测左侧图像中的目标对象和目标对象的属性信息；根据像素点对的视差值中目标对象的目标像素点对应的视差值和预设的摄像参数，获取目标对象与车辆间的距离值；应用处理器输出目标对象的属性信息、目标对象与车辆间的距离值。可见，该设备通过嵌入式的可编程逻辑处理器获取目标对象的视差值和距离值，降低了功耗和占用的空间体积。

Description

双目立体视觉的目标检测设备及方法
技术领域
本申请涉及计算机技术领域，尤其涉及一种双目立体视觉的目标检测设备及方法。
背景技术
目前视觉系统在智能检测系统和智能装备等领域得到了广泛应用，已经成为衡量智能装备性能的重要标准，目标检测技术作为智能装备视觉系统的关键技术之一。传统目标检测技术依靠单目视觉，信息量较少，而双目立体视觉(Binocular Stereo Vision)定位技术能够从一对对应图像中获取距离目标的距离值，但是由于其计算复杂,不适合实时运算。双目立体视觉是机器视觉的一种重要形式，它是基于视差原理并利用成像设备从不同的位置获取被测物体的两幅图像，通过计算图像对应点间的位置偏差，来获取物体三维几何信息的方法。
近年来随着统一计算设备架构(Compute Unified Device Architecture，CUDA)运算平台的问世，图形处理器(Graphics Processing Unit，GPU)的并行数据处理能力逐渐得到重视。目前基于GPU的双目立体视觉定位技术已广泛应用在多个领域，如航空领域，自动驾驶领域，三维生物识别领域及视觉融合等领域。
然而，发明人发现GPU在并行数据处理过程中，具有功耗高，发热量大的缺点，且与GPU配套的主机一般体积较大，应用在飞机或车辆上存在空间局限性，降低了用户体验。
发明内容
本申请实施例提供一种双目立体视觉的目标检测设备及方法，解决了现有技术存在的上述问题，以降低功耗和占用的空间体积。
第一方面，提供了一种双目立体视觉的目标检测设备，所述设备应用在自动驾驶的车辆中，所述设备包括：双目摄像头、可编程逻辑处理器和应用处理器；
双目摄像头，用于采集所述车辆前方的至少一帧左侧图像和至少一帧右侧图像，所述双目摄像头包括预设的摄像参数；
可编程逻辑处理器，用于获取所述至少一帧左侧图像和所述至少一帧右侧图像；对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值，所述像素点对包括所述待测左侧图像中的第一像素点和所述待测右侧图像中与所述第一像素点匹配的第二像素点，所述第一像素点为所述待测左侧图像中的任一像素点，所述待测左侧图像为所述至少一帧左侧图像中的任一帧左侧图像，所述待测右侧图像为与所述待测左侧图像相同帧的右侧图像；采用预设的神经网络目标对象检测算法，获取预设分辨率的待测左侧图像中的目标对象和所述目标对象的属性信息；所述预设分辨率的待测左侧图像为根据预设分辨率转换算法对待测左侧图像进行运算得到的；所述目标对象的属性信息包括所述目标对象的类别和所述目标对象所属的区域；根据所述像素点对的视差值中所述目标对象的目标像素点对应的视差值和所述预设的摄像参数，获取所述目标对象与所述车辆间的距离值，所述目标对象的目标像素点是所述目标对象所属区域中的中心像素点；
应用处理器，用于触发所述可编程逻辑处理器，以及输出所述可编程逻辑处理器获取的所述目标对象的属性信息、所述目标对象与所述车辆间的距离值。
在一个可选的实现中，所述可编程逻辑处理器，还用于将采集的至少一帧左侧图像数据和至少一帧右侧图像数据，转换成预设图像格式的至少一帧左侧图像数据和预设图像格式的至少一帧右侧图像数据。
在一个可选的实现中，所述可编程逻辑处理器，还用于获取所述待测左侧图像中所述第一像素点的位置信息；
在所述待测右侧图像中查找所述位置信息对应的第三像素点；
采用预设相似度匹配算法，对以所述第三像素点为起点、预设距离内的至少一个像素点分别与所述第一像素点进行相似度计算，得到所述至少一个像素点中与第一像素点匹配的第二像素点；所述预设距离内的至少一个像素点与所述第三像素点在同一水平上；
将所述第一像素点和所述第二像素点的水平距离确定为所述第一像素点与所述第二像素点的视差值。
在一个可选的实现中，所述设备还包括优化滤波器；
所述优化滤波器，用于对所述像素点对的视差值进行预设的视差值优化算法，得到优化后的视差值；所述预设的视差值优化算法包括斑点滤波算法，中值滤波算法，孔洞填充算法。
在一个可选的实现中，所述设备还包括第一存储器和第二存储器；
所述第一存储器，用于对所述至少一帧左侧图像和所述至少一帧右侧图像、所述像素点对和相应的视差值，以及所述预设分辨率的待测左侧图像进行存储；
所述第二存储器，用于对所述至少一帧左侧图像和所述至少一帧右侧图像、所述目标对象的属性信息、所述目标对象与所述车辆间的距离值和所述预设的神经网络目标对象检测算法的权重矩阵和偏置项。
第二方面，提供了一种双目立体视觉的目标检测方法，该方法可以包括：
采集车辆前方的至少一帧左侧图像和至少一帧右侧图像；
对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值，所述像素点对包括所述待测左侧图像中的第一像素点和所述待测右侧图像中与所述第一像素点匹配的第二像素点，所述第一像素点为所述待测左侧图像中的任一像素点，所述待测左侧图像为所述至少一帧左侧图像中的任一帧左侧图像，所述待测右侧图像为与所述待测左侧图像相同帧的右侧图像；
采用预设的神经网络目标对象检测算法，获取预设分辨率的待测左侧图像中的目标对象和所述目标对象的属性信息；所述预设分辨率的待测左侧图像为根据预设分辨率转换算法对待测左侧图像进行运算得到的；所述目标对象的属性信息包括所述目标对象的类别和所述目标对象所属的区域；
根据所述像素点对的视差值中所述目标对象的目标像素点对应的视差值和所述预设的摄像参数，获取所述目标对象与所述车辆间的距离值，所述目标对象的目标像素点是所述目标对象所属区域中的中心像素点；
输出所述目标对象的属性信息和所述目标对象与所述车辆间的距离值。
在一个可选的实现中，对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值之后，所述方法还包括：
将采集的至少一帧左侧图像数据和至少一帧右侧图像数据，转换成预设图像格式的至少一帧左侧图像数据和预设图像格式的至少一帧右侧图像数据。
在一个可选的实现中，对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值，包括：
获取所述待测左侧图像中所述第一像素点的位置信息；
在所述待测右侧图像中查找所述位置信息对应的第三像素点；
采用预设相似度匹配算法，对以所述第三像素点为起点、预设距离内的至少一个像素点分别与所述第一像素点进行相似度计算，得到所述至少一个像素点中与第一像素点匹配的第二像素点；所述预设距离内的至少一个像素点与所述第三像素点在同一水平上；
将所述第一像素点和所述第二像素点的水平距离确定为所述第一像素点与所述第二像素点的视差值。
在一个可选的实现中，得到匹配的像素点对和所述像素点对的视差值之后，所述方法还包括：
对所述像素点对的视差值进行预设的视差值优化算法，得到优化后的视差值；所述预设的视差值优化算法包括斑点滤波算法，中值滤波算法，孔洞填充算法。
第三方面，提供了一种电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第二方面中任一所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第二方面中任一所述的方法步骤。
本发明上述实施例提供的设备中的双目摄像头采集车辆前方的至少一帧左侧图像和至少一帧右侧图像，双目摄像头包括预设的摄像参数；可编程逻辑处理器获取至少一帧左侧图像和至少一帧右侧图像；对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和像素点对的视差值，像素点对包括待测左侧图像中的第一像素点和待测右侧图像中与第一像素点匹配的第二像素点，第一像素点为待测左侧图像中的任一像素点，待测左侧图像为至少一帧左侧图像中的任一帧左侧图像，待测右侧图像为与待测左侧图像相同帧的右侧图像；采用预设的神经网络目标对象检测算法，获取预设分辨率的待测左侧图像中的目标对象和目标对象的属性信息；预设分辨率的待测左侧图像为根据预设分辨率转换算法对待测左侧图像进行运算得到的；目标对象的属性信息包括目标对象的类别和目标对象所属的区域；根据像素点对的视差值中目标对象的目标像素点对应的视差值和预设的摄像参数，获取目标对象与车辆间的距离值，目标对象的目标像素点是目标对象所属区域中的中心像素点；应用处理器输出可编程逻辑处理器获取的目标对象的属性信息、目标对象与车辆间的距离值。与现有技术相比，该设备通过嵌入式的可编程逻辑处理器获取目标对象的视差值和距离值，降低了功耗和占用的空间体积。
附图说明
图1为本发明实施例提供的一种双目立体视觉的目标检测设备的结构示意图；
图2为本发明实施例提供的一种预设分辨率的待测左侧图像的展示图；
图3为本发明实施例提供的一种双目立体视觉的目标检测方法的流程示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，并不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明实施例提供的双目立体视觉的目标检测设备可以应用在自动驾驶车辆上，该设备通过双目摄像机获取到场景的双目视觉图像，并经过双目立体视觉测距和卷积神经网络目标检测的处理，建立三维立体视觉图像，获取本车距离目标物体的距离值，即图像中目标物体的景深，该目标物体可以是车辆前方的行人、车辆、车道标识线。
进一步的，双目立体视觉测距和卷积神经网络目标检测的结合，能够有效地检测出场景中的各个目标，如行人、车辆、车道标识线等。根据获取的本车距离目标物体的距离值，以及获取的行人、车辆、车道标识线等目标物体在图像中的位置信息，可以获取目标物体的三维坐标信息。
如图1所示，双目立体视觉的目标检测设备可以包括双目摄像头、应用处理器(Processing system，PS)、可编程逻辑处理器(Programmable logic，PL)和双倍速率(Double Data Rate，DDR)存储器。
应用处理器可以是系统级芯片(System on Chip，SOC)，该SOC芯片可以是ZynqUltraScale+XCZU7EV-2FFVC1156MPSoC，且配备四核的CortexTM-A53，其具有504K逻辑单元，38Mb缓存单元。
可编程逻辑处理器可以是16nm FinFET+FPGA，其内集成了1728个DSP48E2，18x27位乘法器。
DDR存储器可以包括第一DDR存储器和第二DDR存储器。每个DDR存储器可以由四片256Mb*16的存储空间组成。
双目摄像头，用于采集该车辆前方场景中的双目视觉图像，包括至少一帧左侧图像和至少一帧右侧图像。
应用处理器，用于触发可编程逻辑处理器、以及输出可编程逻辑处理器获取的目标对象的属性信息、目标对象与该车辆间的距离值，还可以向用户显示目标对象的三维坐标信息。
可编程逻辑处理器，用于获取目标对象的属性信息和目标对象与该车辆间的距离值。
可编程逻辑处理器获取双目摄像头采集的至少一帧左侧图像和至少一帧右侧图像，并将至少一帧左侧图像和至少一帧右侧图像分别转换成预设图像格式的至少一帧左侧图像数据和预设图像格式的至少一帧右侧图像数据，预设图像格式可以是RGB888格式。
可选地，为了提高测距的准确性，可编程逻辑处理器将每次相同帧的左侧图像和右侧图像重新投影到同一个平面上，且保持左侧图像和右侧图像的光轴互相平行，并将处理后的左侧图像和右侧图像分别转换成AXI4总线数据后，存储在第一DDR存储器和第二DDR存储器中，以保证相同帧的左侧图像和右侧图像的同步，即左侧图像为采集的第一帧图像和右侧图像也为采集的第一帧图像。
可编程逻辑处理器对待测左侧图像中的至少一个像素点和待测右侧图像中的至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和该像素点对的视差值，像素点对包括待测左侧图像中的第一像素点和待测右侧图像中与第一像素点匹配的第二像素点，第一像素点为待测左侧图像中的任一像素点，待测左侧图像为至少一帧左侧图像中的任一帧左侧图像，待测右侧图像为与待测左侧图像相同帧的右侧图像。
其中，可编程逻辑处理器获取待测左侧图像的第一像素点的位置信息；
在待测右侧图像中查找该位置信息对应的第三像素点；
采用预设相似度匹配算法，对以第三像素点为起点、预设距离内的至少一个像素点分别与第一像素点进行相似度计算，得到至少一个像素点中与第一像素点匹配的第二像素点；预设距离内的至少一个像素点与第三像素点在同一水平上；
其中，预设相似度匹配算法可以包括census变换算法和汉明距离相似度算法。以预设范围为3×3的矩形范围为例，在待测左侧图像中标记出以第一像素点为中心的3×3的矩形，计算该矩形中除第一像素点之外的每个邻域像素点的灰度值和第一像素点的灰度值，当邻域像素的灰度值大于第一像素点的灰度值时，则将该邻域像素的比较值设为1，反之则设为0。
所有邻域像素完成比较后，将整个邻域像素的比较值串联为一个二进制序列，这个二进制序列就是该第一像素点的Census值，如二进制序列可以是长度为8的只有0和1的序列。
同理，在待测右侧图像中寻找到满足以第三像素点为起点、预设距离内的第二像素点，计算第三像素的灰度值和第二像素点的灰度值，以获取第二像素点的Census值。
采用汉明距离相似度算法，对第一像素点的Census值和第二像素点的Census值逐位进行异或运算，并统计异或运算结果中不为1的个数，该个数为第一像素点与第二像素点间的汉明距离。汉明距离越小，相似度越高。故由此获取待测右侧图像中与第一像素点匹配的第二像素点。
将第一像素点和第二像素点的水平距离确定为第一像素点与第二像素点的视差值。
可以理解是，由待测左侧图像中所有像素点与待测右侧图像中相应的匹配像素点的视差值可以构成包含视差值的三维图像，称为视差图，视差图包括相匹配像素点间的视差值和相应两个像素点在相应图像中的位置信息。
此时，可编程逻辑处理器将匹配的像素点对和相应视差值存储在第一DDR存储器中。
可选地，为了进一步提高测距的准确性，该设备还可以包括优化滤波器；
优化滤波器，用于对得到的像素点对的视差值进行预设的视差值优化算法，得到优化后的视差值。预设的视差值优化算法可以包括斑点滤波算法，中值滤波算法，孔洞填充算法，也就是说，优化滤波器可以是斑点滤波器，中值滤波器，孔洞填充滤波器。
进一步的，可编程逻辑处理器采用预设的神经网络目标对象检测算法，获取预设分辨率的待测左侧图像中的目标对象和目标对象的属性信息；预设分辨率的待测左侧图像为根据预设分辨率转换算法对待测左侧图像进行运算得到的；目标对象的属性信息包括目标对象的类别和目标对象所属的区域。
其中，基于目标对象的位置信息即可得到目标对象在相应图像上所占区域，该区域可以包括多个像素点，将该区域的中心处的像素点确定为该目标对象的目标像素点。其中，目标对象可以是行人、车辆、车道标识线等，预设的神经网络目标对象检测算法可以是yolo检测算法。
如图2所示的预设分辨率的待测左侧图像包括车道标识线和山，以目标对象为山为例，区域A为目标对象所属的区域，像素点B为区域A的中心点处的像素点。可以理解的是，设以该图像的左下顶点为圆心，以该图像的下边所在的方向为X轴，以该图像的上边所在的方向为Y轴，可以获取该图像上各个像素点的位置，以及目标对象的位置。
根据得到的像素点对和像素点对的视差值中目标对象的目标像素点对应的视差值和预设的摄像参数，获取目标对象与该车辆间的距离值，目标对象的目标像素点是目标对象所属区域的中心像素点；预设的摄像参数包括双目摄像头的焦距和双目摄像头的距离。
目标对象与该车辆间的距离值Z可以表示为：
Z＝(f*T)/d；
其中，f表示双目摄像头的焦距，T表示双目摄像头的水平距离，d表示视差值。
此时，可编程逻辑处理器将目标对象的属性信息、目标对象与该车辆间的距离值存储在第二DDR存储器中。第二DDR存储器还可以存储预设的神经网络目标对象检测算法使用的权重矩阵和偏置项。
由于第一DDR存储器存储至少一帧左侧图像和至少一帧右侧图像、像素点对和相应的视差值，以及预设分辨率的待测左侧图像；第二DDR存储器存储至少一帧左侧图像和所述至少一帧右侧图像、目标对象的属性信息、目标对象与车辆间的距离值和预设的神经网络目标对象检测算法的权重矩阵和偏置项。故，可编程逻辑处理器在进行神经网络的目标对象检测时可以同时从第二存储器中读取权重矩阵和偏置项，在第一存储器中读取预设分辨率的待测左侧图像，实现了二者并行读取，减少DDR读取延时，提高了检测速率。
在一个例子中，双目摄像头采集到车辆前方场景中的至少一帧左侧图像和至少一帧右侧图像。其中，左侧图像和右侧图像的分辨率均为1280*960。
应用处理器上电后触发可编程逻辑处理器工作；
可编程逻辑处理器进行双目图像前处理：将每次相同帧的左侧图像和右侧图像重新投影到同一个平面上，且保持左侧图像和右侧图像的光轴互相平行，之后将处理后的左侧图像和右侧图像分别转换成AXI4总线数据存储在第一DDR存储器和第二DDR存储器中。
可编程逻辑处理器从第一DDR存储器中读取第一帧的左侧图像和第一帧的右侧图像分别作为待测左侧图像和待测右侧图像。
可编程逻辑处理器获取待测左侧图像的像素点P的位置信息；在待测右侧图像中查找该位置信息对应的像素点Q，并获取以像素点Q为起点、预设距离内，且与像素点Q在同一水平上的至少一个像素点分别像素点D、像素点E和像素点F。
可编程逻辑处理器采用census变换算法和汉明距离相似度算法，分别对像素点P与像素点D、像素点E和像素点F进行相似度计算，若像素点D汉明距离最小，则表明像素点D与像素点P相似度最高，得到待测右侧图像的像素点D与待测左侧图像的像素点P匹配，即像素点D与像素点P是一个像素点对，并将像素点P和像素点D的水平距离确定为像素点P和像素点D的视差值。
基于上述计算方法，可编程逻辑处理器可以得到待测左侧图像的至少一个像素点与待测右侧图像的至少一个像素点中的所有像素点对和相应视差值。
可编程逻辑处理器可以对得到的所有像素点对的视差值进行斑点滤波，中值滤波或孔洞填充处理，得到优化后的视差值。
可编程逻辑处理器将待测左侧图像，采用预设分辨率转换算法，得到预设分辨率的待测左侧图像，即将待测左侧图像的分辨率从1280*960，转换为1280*1280后，最终转换为，并采用预设的神经网络目标对象检测算法，获取416*416的待测左侧图像中的目标对象和目标对象的属性信息；目标对象的属性信息包括目标对象的类别和目标对象所属的区域。
可编程逻辑处理器在将该区域的中心处的像素点确定为该目标对象的目标像素点后，查找得到的所有像素点对的视差值中目标对象的目标像素点对应的视差值。根据目标像素点对应的视差值、双目摄像头的焦距和双目摄像头的距离，获取目标对象与该车辆间的距离值。
应用处理器获取可编程逻辑处理器获取的目标对象的属性信息、目标对象与该车辆间的距离值，并在显示屏上显示目标对象与该车辆间的距离值，以及对目标对象的位置进行画框显示。
本发明上述实施例提供的设备中的双目摄像头采集车辆前方的至少一帧左侧图像和至少一帧右侧图像，双目摄像头包括预设的摄像参数；可编程逻辑处理器获取至少一帧左侧图像和至少一帧右侧图像；对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和像素点对的视差值，像素点对包括待测左侧图像中的第一像素点和待测右侧图像中与第一像素点匹配的第二像素点，第一像素点为待测左侧图像中的任一像素点，待测左侧图像为至少一帧左侧图像中的任一帧左侧图像，待测右侧图像为与待测左侧图像相同帧的右侧图像；采用预设的神经网络目标对象检测算法，获取预设分辨率的待测左侧图像中的目标对象和目标对象的属性信息；预设分辨率的待测左侧图像为根据预设分辨率转换算法对待测左侧图像进行运算得到的；目标对象的属性信息包括目标对象的类别和目标对象所属的区域；根据像素点对的视差值中目标对象的目标像素点对应的视差值和预设的摄像参数，获取目标对象与车辆间的距离值，目标对象的目标像素点是目标对象所属区域中的中心像素点；应用处理器输出可编程逻辑处理器获取的目标对象的属性信息、目标对象与车辆间的距离值。与现有技术相比，该设备通过嵌入式的可编程逻辑处理器获取目标对象的视差值和距离值，降低了功耗和占用的空间体积。
图3为本发明实施例提供的一种双目立体视觉的目标检测方法的流程示意图。如图3所示，该方法可以包括：
步骤310、采集车辆前方的至少一帧左侧图像和至少一帧右侧图像。
步骤320、对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值。
其中，所述像素点对包括所述待测左侧图像中的第一像素点和所述待测右侧图像中与所述第一像素点匹配的第二像素点。所述第一像素点为所述待测左侧图像中的任一像素点，所述待测左侧图像为所述至少一帧左侧图像中的任一帧左侧图像，所述待测右侧图像为与所述待测左侧图像相同帧的右侧图像；
步骤330、采用预设的神经网络目标对象检测算法，获取预设分辨率的待测左侧图像中的目标对象和目标对象的属性信息；
其中，所述预设分辨率的待测左侧图像为根据预设分辨率转换算法对待测左侧图像进行运算得到的；所述目标对象的属性信息包括所述目标对象的类别和所述目标对象所属的区域。
步骤340、根据像素点对的视差值中目标对象的目标像素点对应的视差值和预设的摄像参数，获取目标对象与车辆间的距离值。
其中，所述目标对象的目标像素点是所述目标对象所属区域中的中心像素点；
步骤350、输出目标对象的属性信息和目标对象与车辆间的距离值。
可选地，对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值之后，所述方法还包括：
将采集的至少一帧左侧图像数据和至少一帧右侧图像数据，转换成预设图像格式的至少一帧左侧图像数据和预设图像格式的至少一帧右侧图像数据。
可选地，对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值，包括：
获取所述待测左侧图像中所述第一像素点的位置信息；
在所述待测右侧图像中查找所述位置信息对应的第三像素点；
采用预设相似度匹配算法，对以所述第三像素点为起点、预设距离内的至少一个像素点分别与所述第一像素点进行相似度计算，得到所述至少一个像素点中与第一像素点匹配的第二像素点；所述预设距离内的至少一个像素点与所述第三像素点在同一水平上；
将所述第一像素点和所述第二像素点的水平距离确定为所述第一像素点与所述第二像素点的视差值。
可选地，得到匹配的像素点对和所述像素点对的视差值之后，所述方法还包括：
对所述像素点对的视差值进行预设的视差值优化算法，得到优化后的视差值；所述预设的视差值优化算法包括斑点滤波算法，中值滤波算法，孔洞填充算法。
本发明实施例还提供了一种电子设备，如图4所示，包括处理器410、通信接口420、存储器430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。
存储器430，用于存放计算机程序；
处理器410，用于执行存储器430上所存放的程序时，实现如下步骤：
采集车辆前方的至少一帧左侧图像和至少一帧右侧图像；
对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值，所述像素点对包括所述待测左侧图像中的第一像素点和所述待测右侧图像中与所述第一像素点匹配的第二像素点，所述第一像素点为所述待测左侧图像中的任一像素点，所述待测左侧图像为所述至少一帧左侧图像中的任一帧左侧图像，所述待测右侧图像为与所述待测左侧图像相同帧的右侧图像；
采用预设的神经网络目标对象检测算法，获取预设分辨率的待测左侧图像中的目标对象和所述目标对象的属性信息；所述预设分辨率的待测左侧图像为根据预设分辨率转换算法对待测左侧图像进行运算得到的；所述目标对象的属性信息包括所述目标对象的类别和所述目标对象所属的区域；
根据所述像素点对的视差值中所述目标对象的目标像素点对应的视差值和所述预设的摄像参数，获取所述目标对象与所述车辆间的距离值，所述目标对象的目标像素点是所述目标对象所属区域中的中心像素点；
输出所述目标对象的属性信息和所述目标对象与所述车辆间的距离值。
可选地，对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值之后，所述方法还包括：
将采集的至少一帧左侧图像数据和至少一帧右侧图像数据，转换成预设图像格式的至少一帧左侧图像数据和预设图像格式的至少一帧右侧图像数据。
可选地，对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值，包括：
获取所述待测左侧图像中所述第一像素点的位置信息；
在所述待测右侧图像中查找所述位置信息对应的第三像素点；
采用预设相似度匹配算法，对以所述第三像素点为起点、预设距离内的至少一个像素点分别与所述第一像素点进行相似度计算，得到所述至少一个像素点中与第一像素点匹配的第二像素点；所述预设距离内的至少一个像素点与所述第三像素点在同一水平上；
将所述第一像素点和所述第二像素点的水平距离确定为所述第一像素点与所述第二像素点的视差值。
可选地，得到匹配的像素点对和所述像素点对的视差值之后，所述方法还包括：
对所述像素点对的视差值进行预设的视差值优化算法，得到优化后的视差值；所述预设的视差值优化算法包括斑点滤波算法，中值滤波算法，孔洞填充算法。
上述提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑处理器件、分立门或者晶体管逻辑器件、分立硬件组件。
由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图3所示的实施例中的各步骤来实现，因此，本发明实施例提供的电子设备的具体工作过程和有益效果，在此不复赘述。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的双目立体视觉的目标检测方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的双目立体视觉的目标检测方法。
本领域内的技术人员应明白，本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样，倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内，则本申请实施例中也意图包含这些改动和变型在内。

Claims (11)

1.一种双目立体视觉的目标检测设备，其特征在于，所述设备应用在自动驾驶的车辆中，所述设备包括：双目摄像头、可编程逻辑处理器和应用处理器；
所述双目摄像头，用于采集所述车辆前方的至少一帧左侧图像和至少一帧右侧图像，所述双目摄像头包括预设的摄像参数；
所述可编程逻辑处理器，用于获取所述至少一帧左侧图像和所述至少一帧右侧图像；对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值，所述像素点对包括所述待测左侧图像中的第一像素点和所述待测右侧图像中与所述第一像素点匹配的第二像素点，所述第一像素点为所述待测左侧图像中的任一像素点，所述待测左侧图像为所述至少一帧左侧图像中的任一帧左侧图像，所述待测右侧图像为与所述待测左侧图像相同帧的右侧图像；采用预设的神经网络目标对象检测算法，获取预设分辨率的待测左侧图像中的目标对象和所述目标对象的属性信息；所述预设分辨率的待测左侧图像为根据预设分辨率转换算法对所述待测左侧图像进行运算得到的；所述目标对象的属性信息包括所述目标对象的类别和所述目标对象所属的区域；根据所述像素点对的视差值中所述目标对象的目标像素点对应的视差值，以及所述预设的摄像参数，获取所述目标对象与所述车辆间的距离值，所述目标对象的目标像素点是所述目标对象所属区域的中心像素点；
所述应用处理器，用于触发所述可编程逻辑处理器，以及输出所述可编程逻辑处理器获取的所述目标对象的属性信息、所述目标对象与所述车辆间的距离值。
2.如权利要求1所述的设备，其特征在于，
所述可编程逻辑处理器，还用于将采集的至少一帧左侧图像数据和至少一帧右侧图像数据，转换成预设图像格式的至少一帧左侧图像数据和预设图像格式的至少一帧右侧图像数据。
3.如权利要求1所述的设备，其特征在于，
所述可编程逻辑处理器，还用于获取所述待测左侧图像中所述第一像素点的位置信息；
在所述待测右侧图像中查找所述位置信息对应的第三像素点；
采用预设相似度匹配算法，对以所述第三像素点为起点、预设距离内的至少一个像素点分别与所述第一像素点进行相似度计算，得到所述至少一个像素点中与第一像素点匹配的第二像素点；所述预设距离内的至少一个像素点与所述第三像素点在同一水平上；
将所述第一像素点和所述第二像素点的水平距离确定为所述第一像素点与所述第二像素点的视差值。
4.如权利要求1所述的设备，其特征在于，所述设备还包括优化滤波器；
所述优化滤波器，用于对所述像素点对的视差值进行预设的视差值优化算法，得到优化后的视差值；所述预设的视差值优化算法包括斑点滤波算法，中值滤波算法，孔洞填充算法。
5.如权利要求1所述的设备，其特征在于，所述设备还包括第一存储器和第二存储器；
所述第一存储器，用于对所述至少一帧左侧图像和所述至少一帧右侧图像、所述像素点对和相应的视差值，以及所述预设分辨率的待测左侧图像进行存储；
所述第二存储器，用于对所述至少一帧左侧图像和所述至少一帧右侧图像、所述目标对象的属性信息、所述目标对象与所述车辆间的距离值和所述预设的神经网络目标对象检测算法的权重矩阵和偏置项。
6.一种双目立体视觉的目标检测方法，其特征在于，所述方法包括：
采集车辆前方的至少一帧左侧图像和至少一帧右侧图像；
对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值，所述像素点对包括所述待测左侧图像中的第一像素点和所述待测右侧图像中与所述第一像素点匹配的第二像素点，所述第一像素点为所述待测左侧图像中的任一像素点，所述待测左侧图像为所述至少一帧左侧图像中的任一帧左侧图像，所述待测右侧图像为与所述待测左侧图像相同帧的右侧图像；
采用预设的神经网络目标对象检测算法，获取预设分辨率的待测左侧图像中的目标对象和所述目标对象的属性信息；所述预设分辨率的待测左侧图像为根据预设分辨率转换算法对待测左侧图像进行运算得到的；所述目标对象的属性信息包括所述目标对象的类别和所述目标对象所属的区域；
根据所述对像素点对的视差值中所述目标对象的目标像素点对应的视差值和所述预设的摄像参数，获取所述目标对象与所述车辆间的距离值，所述目标对象的目标像素点是所述目标对象所属区域中的中心像素点；
输出所述目标对象的属性信息和所述目标对象与所述车辆间的距离值。
7.如权利要求6所述的方法，其特征在于，
对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值之后，所述方法还包括：
将采集的至少一帧左侧图像数据和至少一帧右侧图像数据，转换成预设图像格式的至少一帧左侧图像数据和预设图像格式的至少一帧右侧图像数据。
8.如权利要求6所述的方法，其特征在于，
对待测左侧图像中至少一个像素点和待测右侧图像中至少一个像素点，采用预设相似度匹配算法，得到匹配的像素点对和所述像素点对的视差值，包括：
获取所述待测左侧图像中所述第一像素点的位置信息；
在所述待测右侧图像中查找所述位置信息对应的第三像素点；
采用预设相似度匹配算法，对以所述第三像素点为起点、预设距离内的至少一个像素点分别与所述第一像素点进行相似度计算，得到所述至少一个像素点中与第一像素点匹配的第二像素点；所述预设距离内的至少一个像素点与所述第三像素点在同一水平上；
将所述第一像素点和所述第二像素点的水平距离确定为所述第一像素点与所述第二像素点的视差值。
9.如权利要求6所述的方法，其特征在于，得到匹配的像素点对和所述像素点对的视差值之后，所述方法还包括：
对所述像素点对的视差值进行预设的视差值优化算法，得到优化后的视差值；所述预设的视差值优化算法包括斑点滤波算法，中值滤波算法，孔洞填充算法。
10.一种电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存储的程序时，实现权利要求6-9任一所述的方法步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求6-9任一所述的方法步骤。
CN201910348446.6A 2019-04-28 2019-04-28 双目立体视觉的目标检测设备及方法 Pending CN110096993A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910348446.6A CN110096993A (zh) 2019-04-28 2019-04-28 双目立体视觉的目标检测设备及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910348446.6A CN110096993A (zh) 2019-04-28 2019-04-28 双目立体视觉的目标检测设备及方法

Publications (1)

Publication Number Publication Date
CN110096993A true CN110096993A (zh) 2019-08-06

Family

ID=67446183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910348446.6A Pending CN110096993A (zh) 2019-04-28 2019-04-28 双目立体视觉的目标检测设备及方法

Country Status (1)

Country Link
CN (1) CN110096993A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969159A (zh) * 2019-11-08 2020-04-07 北京字节跳动网络技术有限公司 图像识别方法、装置及电子设备
CN111508084A (zh) * 2020-03-27 2020-08-07 中科车港（深圳）实业股份有限公司 路侧车辆无感管理及支付系统
CN112738958A (zh) * 2021-01-13 2021-04-30 王陈陈 车辆转向灯实时驱动系统
CN113298869A (zh) * 2021-04-23 2021-08-24 南方电网数字电网研究院有限公司 距离测定方法、装置、计算机设备和存储介质
CN115311522A (zh) * 2022-10-12 2022-11-08 深圳海星智驾科技有限公司 用于自动驾驶的目标检测方法及装置、电子设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133270A (zh) * 2018-01-12 2018-06-08 清华大学 卷积神经网络加速方法及装置
CN108682039A (zh) * 2018-04-28 2018-10-19 国网山西省电力公司电力科学研究院 一种双目立体视觉测量方法
CN108805910A (zh) * 2018-06-01 2018-11-13 海信集团有限公司 多目车载记录仪、目标检测方法、智能驾驶系统及汽车

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133270A (zh) * 2018-01-12 2018-06-08 清华大学 卷积神经网络加速方法及装置
CN108682039A (zh) * 2018-04-28 2018-10-19 国网山西省电力公司电力科学研究院 一种双目立体视觉测量方法
CN108805910A (zh) * 2018-06-01 2018-11-13 海信集团有限公司 多目车载记录仪、目标检测方法、智能驾驶系统及汽车

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JOSEPH REDMON 等: "YOLOv3: An Incremental Improvement", 《ARXIV》 *
刘建坡: "双目立体视觉测距系统的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
杜宇: "三维重建中双目立体视觉关键技术的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
魏胜利 等: "《计算机组成原理》", 31 July 2016 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969159A (zh) * 2019-11-08 2020-04-07 北京字节跳动网络技术有限公司 图像识别方法、装置及电子设备
CN110969159B (zh) * 2019-11-08 2023-08-08 北京字节跳动网络技术有限公司 图像识别方法、装置及电子设备
CN111508084A (zh) * 2020-03-27 2020-08-07 中科车港（深圳）实业股份有限公司 路侧车辆无感管理及支付系统
CN112738958A (zh) * 2021-01-13 2021-04-30 王陈陈 车辆转向灯实时驱动系统
CN113298869A (zh) * 2021-04-23 2021-08-24 南方电网数字电网研究院有限公司 距离测定方法、装置、计算机设备和存储介质
CN115311522A (zh) * 2022-10-12 2022-11-08 深圳海星智驾科技有限公司 用于自动驾驶的目标检测方法及装置、电子设备及介质

Similar Documents

Publication Publication Date Title
CN110096993A (zh) 双目立体视觉的目标检测设备及方法
CN110285793B (zh) 一种基于双目立体视觉系统的车辆智能测轨迹方法
CN106780590B (zh) 一种深度图的获取方法及系统
WO2018119889A1 (zh) 三维场景定位方法和装置
CN108288292A (zh) 一种三维重建方法、装置及设备
US10621446B2 (en) Handling perspective magnification in optical flow processing
TWI398158B (zh) 產生立體影像之影像深度的方法
CN105046743A (zh) 一种基于全局变分技术的超高分辨率三维重建方法
CN105144236A (zh) 实时立体匹配
CN104677330A (zh) 一种小型双目立体视觉测距系统
CN103839277A (zh) 一种户外大范围自然场景的移动增强现实注册方法
CN108230384A (zh) 图像深度计算方法、装置、存储介质和电子设备
CN112651881B (zh) 图像合成方法、装置、设备、存储介质以及程序产品
CN108122280A (zh) 一种三维点云的重建方法及装置
CN111105452B (zh) 基于双目视觉的高低分辨率融合立体匹配方法
WO2020221443A1 (en) Scale-aware monocular localization and mapping
CN110264527A (zh) 基于zynq的实时双目立体视觉输出方法
CN107707899A (zh) 包含运动目标的多视角图像处理方法、装置及电子设备
CN110033483A (zh) 基于dcnn深度图生成方法及系统
KR101631514B1 (ko) 전자기기에서 3차원 컨텐츠 생성 방법 및 장치
CN115375836A (zh) 基于多元置信度滤波的点云融合三维重建方法和系统
CN112270701B (zh) 基于分组距离网络的视差预测方法、系统及存储介质
CN103945206B (zh) 一种基于相似帧比较的立体图像合成系统
CN115294277B (zh) 一种物体的三维重建方法、装置、电子设备及存储介质
Isakova et al. FPGA design and implementation of a real-time stereo vision system

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190806