CN110276751A - 确定图像参数的方法、装置、电子设备和计算机可读存储介质 - Google Patents
确定图像参数的方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN110276751A CN110276751A CN201910524593.4A CN201910524593A CN110276751A CN 110276751 A CN110276751 A CN 110276751A CN 201910524593 A CN201910524593 A CN 201910524593A CN 110276751 A CN110276751 A CN 110276751A
- Authority
- CN
- China
- Prior art keywords
- image
- parameter
- plane
- plane domain
- domain
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了一种确定图像参数的方法,其特征在于,包括:从视频中获取第一图像和第二图像;确定与所述第一图像对应的第一图像特征参数,以及确定与所述第二图像对应的第二图像特征参数;根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数;根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数。本公开实施例提供的确定图像参数的方法、装置、电子设备和计算机可读存储介质,根据视频中至少两个图像确定图像的参数,所确定的图像的参数相较于现有技术能够更加准确。
Description
技术领域
本公开涉及信息处理领域,尤其涉及一种确定图像参数的方法、装置、电子设备及计算机可读存储介质。
背景技术
随着计算机技术的进步,与图像相关的应用愈发丰富,例如能够识别出图像中的平面,并基于识别的平面实现场景重建、以及支撑人工智能应用等。
现有技术可以通过训练的卷积神经网络CNN识别单个图像中的平面,例如通过CNN(参见《PlaneRCNN:3D Plane Detection and Reconstruction from a Single Image》,Chen Liu等,以及《Depth Map Prediction from a Single Image using a Multi-ScaleDeep Network》,David Eigen等)能够在单个图像中检测出一个或多个平面区域(也称作平面的目标框bounding box,或者称作regions of interest,ROI),进而通过像素级目标分割确定出平面区域中的平面部分的分割图(mask图)以及输出与平面区域对应的平面的方程和平面分割图等,其中,所使用的CNN可以是基于大量具有深度信息的图像经过训练获得。
但是上述现有技术是基于单个图像输出平面的方程和分割图,也就是说基于单个图像的图像特征通过卷积神经网络估计出一个或多个平面区域中的像素的深度信息,进而识别出平面区域中的平面,而基于单个图像所估算的深度信息无法验证,会存在较大误差。
发明内容
本公开实施例提供确定图像参数的方法,装置,电子设备,和计算机可读存储介质,根据视频中至少两个图像确定图像的参数,所确定的图像的参数相较于现有技术能够更加准确。
第一方面,本公开实施例提供一种确定图像参数的方法,其特征在于,包括:从视频中获取第一图像和第二图像;确定与所述第一图像对应的第一图像特征参数,以及确定与所述第二图像对应的第二图像特征参数;根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数;根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数。
第二方面,本公开实施例提供一种确定图像参数的装置,其特征在于,包括:图像获取模块,用于从视频中获取第一图像和第二图像;图像特征参数确定模块,用于确定与所述第一图像对应的第一图像特征参数,以及确定与所述第二图像对应的第二图像特征参数;平面特征参数确定模块,用于根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数;平面参数确定模块,用于根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数。
第三方面,本公开实施例提供一种电子设备,包括:存储器,用于存储计算机可读指令;以及与所述存储器耦合的一个或多个处理器,用于运行所述计算机可读指令,使得所述处理器运行时实现前述第一方面中的任一所述确定图像参数的方法。
第四方面,本公开实施例提供一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行前述第一方面中的任一所述确定图像参数的方法。
本公开公开了一种确定图像参数的方法、装置、电子设备和计算机可读存储介质。其中所述确定图像参数的方法,其特征在于,包括:从视频中获取第一图像和第二图像;确定与所述第一图像对应的第一图像特征参数,以及确定与所述第二图像对应的第二图像特征参数;根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数;根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数。本公开实施例提供的确定图像参数的方法、装置、电子设备和计算机可读存储介质,根据视频中至少两个图像确定图像的参数,所确定的图像的参数相较于现有技术能够更加准确。
上述说明仅是本公开技术方案的概述,为了能更清楚了解本公开的技术手段,而可依照说明书的内容予以实施,并且为让本公开的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例提供的确定图像参数的方法实施例的流程图;
图2为本公开提供的一种卷积神经网络模型示意图;
图3为本公开实施例提供的确定图像参数的装置实施例的结构示意图;
图4为根据本公开实施例提供的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本实施例提供的该确定图像参数的方法可以由一个确定图像参数的装置来执行,该装置可以实现为软件,可以实现为硬件,还可以实现为软件和硬件的组合,例如所述确定图像参数的装置包括计算机设备,从而通过该计算机设备来执行本实施例提供的该确定图像参数的方法,如本领域技术人员所理解的,计算机设备可以是台式或便携计算机设备,还可以是移动终端设备等。
图1为本公开实施例提供的确定图像参数的方法实施例的流程图,如图1所示,本公开实施例的确定图像参数的方法包括如下步骤:
步骤S101,从视频中获取第一图像和第二图像;
在步骤S101中从视频中获取第一图像和第二图像,以便根据所述第一图像和所述第二图像确定平面的参数,从而实现本公开实施例提供的确定图像参数的方法。其中,可以通过拍摄装置获取所述视频,从而获取所述第一图像和所述第二图像,例如本公开实施例中的所述确定图像参数的装置可以包括该拍摄装置,从而通过该拍摄装置拍摄视频,也就获得了所述视频中的所述第一图像和所述第二图像;所述确定图像参数的装置可以不包括该拍摄装置,但是与该拍摄装置通信连接,通过所述通信连接获取该拍摄装置拍摄的视频,也就获得了所述视频中的所述第一图像和所述第二图像;当然,所述确定图像参数的装置还可以从存储源获得所述视频以及视频中的图像,本公开实施例对获取视频以及视频中的图像的方式不做限定。
本领域技术人员可以理解,视频包括一系列图像帧,每个图像帧也可以称为图像,为便于描述,在之后的行文中,视频中的图像帧均称为图像。
如本领域技术人员所了解的,视频中的图像可以通过像素表示,而像素可以通过位置参数和颜色参数来表征,在步骤S101中获得了所述视频中的第一图像和第二图像,也就获得了第一图像和第二图像中的各像素的位置参数和颜色参数。一种典型的表征方式为通过五元组(x,y,r,g,b)来表示图像中的一个像素的位置参数和颜色参数,其中的横坐标x和纵坐标y作为所述一个像素的位置参数,其中的颜色分量r,g,和b作为所述一个像素的颜色参数、用以描述该像素在RGB空间上的数值,将r,g,和b叠加可以获得所述像素的颜色。当然,还可以采用其他方式表示所述图像的像素的位置参数和颜色参数,例如通过(L,a,b)表示所述像素在LAB空间上的颜色,其中L表示亮度,a表示红绿色程度,b表示黄蓝色程度,还例如通过极坐标表示所述像素的位置参数,本公开实施例对此不做限定。值得说明的是,如同本领域技术人员的理解,在表示像素的位置参数时,像素的坐标所对应的坐标系可以采用图像坐标系,相机坐标系,以及世界坐标系,本公开实施例对此同样不做限定。
如本领域技术人员所了解的,常用的拍摄装置例如单目摄像头,无法记录图像中各像素的深度信息,故步骤S101中所获取的视频的各图像,其中的像素的位置参数一般不包括深度信息(例如深度坐标z),但是现有技术中例如通过双镜头拍摄、或者通过光感定位技术所拍摄的视频,对于其中的图像的像素的位置参数,可以记录其深度信息,另外,对于一些并非基于拍摄技术、或者部分基于拍摄基于所制作的视频,其中的图像的像素的位置参数可能包括深度信息,也可能不包括深度信息。对于本公开的步骤S101中所获取的视频的各图像,并不限定其中的像素是否包括深度信息,包括深度信息的图像或者不包括深度信息的图像均能够应用于本公开的实施例。
在一个可选的实施例中,所述第一图像和所述第二图像为所述视频中连续的图像;或者,所述第一图像和所述第二图像在所述视频中间隔的图像的数量小于或等于预设数量。如本公开背景技术所述,现有技术中基于单个图像输出平面的方程和分割图,得到的深度信息无法验证,会存在较大误差,故难以得到准确的平面的参数,因此,本公开实施例提出通过视频中的至少两个图像(即步骤S101中的第一图像和第二图像)确定平面的参数。视频中较为邻近的图像,其图像特征具有较强的相关性,例如从具有相关性的图像中能够提取更为丰富的图像特征并由此取得有益效果,故在步骤S101中获取的视频中的第一图像和第二图像可以是视频中连续的两个图像,或者所述第一图像和所述第二图像在所述视频中间隔的图像的数量小于或等于预设数量,以期根据视频中图像特征具有较强的相关性的至少两个图像能够更加准确地获取像素深度信息以及图像对应的平面信息。
步骤S102,确定与所述第一图像对应的第一图像特征参数,以及确定与所述第二图像对应的第二图像特征参数;
A、在一个可选的实施例中,所述第一图像特征参数包括所述第一图像中的平面区域的位置参数,所述第二图像特征参数包括所述第二图像中的平面区域的位置参数。本公开实施例中,平面区域可以理解为预测的包括平面的区域,每个平面区域对应了一个平面,可以通过现有的或将来的目标检测算法、平面区域识别算法等在图像中确定平面区域。其中,所述平面区域也可以称为平面的目标框(bounding box)或者平面的兴趣区域(POI)。作为示例,例如图像中的平面区域是矩形,那么可以通过该矩形的左上角和右下角的顶点坐标表示所述平面区域的位置参数,还可以通过平面区域的边界像素或者平面区域内各像素的集合表示所述平面区域的位置参数。本领域技术人员可以理解的是,根据图像内容的不同以及所采用的目标检测算法、平面区域识别算法等的不同,可能在第一图像和/或第二图像中确定了一个平面区域的位置参数,也可能在第一图像和/或第二图像中确定了多个平面区域的位置参数。
B、在又一个可选的实施例中,所述第一图像特征参数包括经过第一卷积神经网络提取的第一图像特征向量,所述第二图像特征参数包括经过第二卷积神经网络提取的第二图像特征向量。可选的,所述第一卷积神经网络与所述第二卷积神经网络相同。可选的,第一卷积神经网络与所述第二卷积神经网络不同。可以通过现有的或将来的卷积神经网络提取第一图像和第二图像的特征向量。
图2示出一种典型的卷积神经网络,其框架包括卷积层、非线性层、池化层、以及完全连接层,但是本领域技术人员能够理解,不同的卷积神经网络具有不同的架构,这体现在可能包括不同的层以及不同数量的层,例如可以通过不包括完全连接层的卷积神经网络对输入的图像进行特征提取,以得到特征向量。
参见图2,卷积神经网络的卷积层主要用于从输入图像中提取图像特征,可以通过一个或多个过滤器(也称特征探测器)按照预设的步长从输入图像中提取图像特征。如本领域技术人员所理解的,图像由像素构成,可以通过颜色参数和位置参数表征图像中的每一个像素,例如输入图像包括48*48个像素,通过5*5的过滤器按照步长为1提取器图像特征可以得到卷积层所输出的44*44的图像特征矩阵。
卷积层之后可以连接非线性层或池化层,其中非线性层用于对卷积层输出的图像特征进行二次特征提取,池化层可以采用平均池化的方式或者最大池化的方式对卷积层或非线性层的输出结果进行处理,能够降低图像特征的维度,减少运算次数。
卷积神经网络的最后为完全连接层,完全连接层的最后一层为输出层,完全连接层接收之前的层的图像特征,并对所述图像特征进行层层处理,最终,经过处理的图像特征输入到输出层,在输出层中通过激活函数对该图像特征进行计算,并将计算结果映射到输出层所包括的多个输出项目。
可以认为,卷积神经网络的特点在于基于卷积运算提取输入图像的特征向量,并且卷积神经网络的每一层的输出均可以认为是特征向量。因此在前述又一个可选的实施例中,可以根据需要应用不同的卷积神经网络,对于输入的第一图像,将卷积神经网络的任何层(例如完全连接层)所输出的特征向量作为所述第一图像特征向量,对于输入的第二图像,将卷积神经网络的任何层(例如完全连接层)所输出的特征向量作为所述第二图像特征向量。
步骤S103,根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数;
在步骤S103中,根据在步骤S102中所确定的所述第一图像特征参数和所述第二图像特征参数确定平面特征参数。
A、对于所述第一图像特征参数包括所述第一图像中的平面区域的位置参数,所述第二图像特征参数包括所述第二图像中的平面区域的位置参数的可选实施例,所述平面特征参数包括所述第一图像中的平面区域与所述第二图像中的平面区域之间的对应关系。相应地,在步骤S103中,将根据所述第一图像中的平面区域的位置参数和所述第二图像中的平面区域的位置参数,确定所述第一图像中的平面区域与所述第二图像中的平面区域之间的对应关系。由于所述第一图像和所述第二图像属于同一个视频,进一步的,所述第一图像和所述第二图像可以是所述视频中连续的图像,或者所述第一图像和所述第二图像在所述视频中间隔的图像的数量可以小于或等于预设数量,那么所述第一图像和所述第二图像将有较大概率包括相同或类似的图像内容,从而通过目标检测算法或平面区域识别算法分别在所述第一图像和所述第二图像中所确定的平面区域的位置参数也会有较大概率存在相同或相似性,例如在所述第一图像中确定了大、中、小共三个平面区域(的位置参数),很可能在所述第二图像中也确定出对应的大、中、小共三个平面区域(的位置参数),故在步骤S103中,可以确定所述第一图像中的平面区域与所述第二图像中的平面区域之间的对应关系。
可选的,根据所述第一图像中的平面区域的位置参数和所述第二图像中的平面区域的位置参数,确定所述第一图像中的平面区域与所述第二图像中的平面区域之间的对应关系,包括:根据光流法确定位置参数偏置值;根据所述第一图像中的平面区域的位置参数和所述位置参数偏置值,确定偏置平面区域的位置参数;根据所述偏置平面区域的位置参数和所述第二图像中的平面区域的位置参数,将所述第二图像中的平面区域中与所述偏置平面区域重叠度最高的平面区域作为与所述第一图像中的平面区域对应的平面区域。
如本领域技术人员所理解的,光流法是关于视域中的目标对象运动检测的概念,用于估计目标对象的运动趋势,可以精确到像素级。在一种典型的应用中,可以根据光流法确定视频中的某图像中的像素在其他图像中的对应位置,具体到本公开的实施例,根据光流法能够估计出在所述第一图像中的像素在所述第二图像中的位置参数偏置值,其表现形式例如为(△x,△y),这表示在所述第一图像中的像素(x1,y1)在第二图像中会对应到(x1+△x,y1+△y)。因此在上述实施例中,首先可以根据光流法确定位置参数偏置值;然后根据所述第一图像中的平面区域的位置参数和所述位置参数偏置值,确定偏置平面区域的位置参数,例如对于通过左上角和右下角的顶点坐标表示矩形平面区域的位置参数,可以将所述左上角和右下角的顶点坐标均加上△x和△y,以确定偏置平面区域的位置参数;最后根据第二图像中的平面区域的位置参数,确定第二图像中的各平面区域与所述偏置平面区域(在面积上的)的重叠度,将第二图像中重叠度最高的平面区域作为与所述第一图像中的平面区域对应的平面区域。可选的,通过上述方式,确定所述第一图像中的平面区域与所述第二图像中的平面区域的一一对应关系,作为示例,根据所述第一图像中的M个平面区域的位置参数和所述第二图像中的M个平面区域的位置参数,确定第一图像中的M个平面区域与所述第二图像中的M个平面区域的一一对应关系,其中M为自然数。
B、对于所述第一图像特征参数包括经过第一卷积神经网络提取的第一图像特征向量,所述第二图像特征参数包括经过第二卷积神经网络提取的第二图像特征向量的可选实施例,所述平面特征参数包括联合特征向量,相应地,在步骤S103中,将根据所述第一图像特征向量和所述第二图像特征向量,确定所述联合特征向量。由于所述第一图像和所述第二图像属于同一个视频,进一步的,所述第一图像和所述第二图像可以是所述视频中连续的图像,或者所述第一图像和所述第二图像在所述视频中间隔的图像的数量可以小于或等于预设数量,那么所述第一图像和所述第二图像将具有较高的相关性,从而根据从第一图像中提取的所述第一图像特征向量和从第二图像中提取的所述第二图像特征向量生成联合特征向量,通过更为丰富的图像特征向量确定图像参数,将有助于得到更准确的结果。
可选的,可以通过特征融合的方式,根据所述第一图像特征向量和所述第二图像特征向量确定所述联合特征向量。例如通过concat方式或add方式将所述第一图像特征向量和所述第二图像特征向量相加求和,以得到所述联合特征向量。还例如,通过correlation的方式将所述第一图像特征向量和所述第二图像特征向量融合,以得到所述联合特征向量,作为示例,例如通过同一个卷积神经网络分别提取所述第一图像和所述第二图像的图像特征,得到的第一图像特征和第二图像特征均包括大小为14*14,维度为64的特征向量,对于第一图像特征中14*14的任一特征向量,可以将其与第二图像特征中的14*14的每一个特征向量关联,即将第一图像特征中14*14的任一特征向量的64维信息与第而图像特征中14*14的每一个特征向量的64维信息做点积运算,从而对于第一图像特征中14*14的每个特征向量将会扩展为196个特征向量,最终得到14*14*196,维度为1的联合特征向量。
步骤S104,根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数。
A、对于所述第一图像特征参数包括所述第一图像中的平面区域的位置参数,所述第二图像特征参数包括所述第二图像中的平面区域的位置参数的可选实施例,所述平面特征参数包括所述第一图像中的平面区域与所述第二图像中的平面区域之间的对应关系,因此在步骤S104中可以根据所述第一图像中的平面区域的位置参数和所述第二图像中与所述第一图像中的平面区域对应的平面区域的位置参数,确定与所述第一图像和所述第二图像对应的平面的参数。
可选的,与所述第一图像和所述第二图像对应的平面的参数,包括与所述第一图像和所述第二图像对应的平面的方程Ax+By+Cz+D=0,其中x,y,z分别为像素的横坐标,纵坐标,深度坐标,A,B,C,D为常数;和/或与所述第一图像和所述第二图像对应的平面的分割图(mask图)。
可选的,可以根据求解单应性向量(Homography)的方式确定出与所述第一图像和所述第二图像对应的平面的方程以及分割图。对于视频中的第一图像和第二图像,根据步骤S103确定的所述第一图像中的平面区域与所述第二图像中的平面区域之间的对应关系,可以获得第一图像的平面区域中的四个像素的坐标和与所述第二图像中与该第一图像的平面区域对应的平面区域中,与该四个像素对应的像素的坐标(以平面区域为矩形为例,可以采用所述第一图像的平面区域中的四个顶点的坐标,并采用第二图像中与该第一图像中的平面区域对应的平面区域的四个顶点的坐标),来确定与所述第一图像和所述第二图像对应的平面的参数,具体的实现方式可以参照通过两幅图像中的四对坐标求解单应性向量以确定平面的方程和mask图的相关技术,此处不再赘述。
可选的,可以根据三角测距的方法确定出平面区域中的平面。例如所述第一图像中的平面区域与所述第二图像中所对应的平面区域存在重叠,可以认为重叠区域具有较高的置信度,而第一图像和第二图像同属于一个视频,进一步的,第一图像和第二图像为邻近的图像,因此可以基于第一图像和第二图像的图像特征计算拍摄装置的位姿变换,然后基于位姿变换和上述重叠区域中的像素的位置信息通过三角测距确定出像素的深度信息,进而得到包括与所述第一图像和所述第二图像对应的平面的方程以及分割图。
B、对于所述第一图像特征参数包括经过第一卷积神经网络提取的第一图像特征向量,所述第二图像特征参数包括经过第二卷积神经网络提取的第二图像特征向量的可选实施例,所述平面特征参数包括联合特征向量,因此在步骤S104中可以根据所述联合特征向量,确定与所述第一图像和所述第二图像对应的平面的参数。
例如可以采用背景技术中所介绍的卷积神经网络,将得到的联合特征向量输入到该卷积神经网络的任意一层之前,也就是说将所述联合特征向量作为该卷积神经网络的某个层的输入,然后经过卷积神经网络的计算,基于该联合特征向量检测出与所述第一图像和所述第二图像对应的一个或多个平面区域,进而通过像素级目标分割确定出平面区域中的平面部分的分割图和/或输出平面的方程。
通过本公开实施例提供的确定图像参数的方法、装置、电子设备和计算机可读存储介质,能够根据视频中至少两个图像确定图像的参数,所确定的图像的参数相较于现有技术能够更加准确。
图3所示为本公开实施例提供的确定图像参数的装置300实施例的结构示意图,如图3所示,所述确定图像参数的装置300包括图像获取模块301,图像特征参数确定模块302,平面特征参数确定模块303,和平面参数确定模块304。
其中,所述图像获取模块301,用于从视频中获取第一图像和第二图像;所述图像特征参数确定模块302,用于确定与所述第一图像对应的第一图像特征参数,以及确定与所述第二图像对应的第二图像特征参数;所述平面特征参数确定模块303,用于根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数;所述平面参数确定模块304,用于根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数
图3所示装置可以执行图1所示实施例的方法,本实施例未详细描述的部分,可参考对图1所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1所示实施例中的描述,在此不再赘述。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线或通信线路404彼此相连。输入/输出(I/O)接口405也连接至总线或通信线路404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行上述实施例中的确定图像参数的方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,提供了一种确定图像参数的方法,包括:从视频中获取第一图像和第二图像;确定与所述第一图像对应的第一图像特征参数,以及确定与所述第二图像对应的第二图像特征参数;根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数;根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数。
进一步的,所述第一图像和所述第二图像为所述视频中连续的图像;或者,所述第一图像和所述第二图像在所述视频中间隔的图像的数量小于或等于预设数量。
进一步的,所述第一图像特征参数包括所述第一图像中的平面区域的位置参数,所述第二图像特征参数包括所述第二图像中的平面区域的位置参数。
进一步的,根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数,包括:根据所述第一图像中的平面区域的位置参数和所述第二图像中的平面区域的位置参数,确定所述第一图像中的平面区域与所述第二图像中的平面区域之间的对应关系。
进一步的,根据所述第一图像中的平面区域的位置参数和所述第二图像中的平面区域的位置参数,确定所述第一图像中的平面区域与所述第二图像中的平面区域之间的对应关系,包括:根据光流法确定位置参数偏置值;根据所述第一图像中的平面区域的位置参数和所述位置参数偏置值,确定偏置平面区域的位置参数;根据所述偏置平面区域的位置参数和所述第二图像中的平面区域的位置参数,将所述第二图像中的平面区域中与所述偏置平面区域重叠度最高的平面区域作为与所述第一图像中的平面区域对应的平面区域。
进一步的,根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数,包括:根据所述第一图像中的平面区域的位置参数和所述第二图像中与所述第一图像中的平面区域对应的平面区域的位置参数,确定与所述第一图像和所述第二图像对应的平面的参数。
进一步的,与所述第一图像和所述第二图像对应的平面的参数,包括与所述第一图像和所述第二图像对应的平面的方程Ax+By+Cz+D=0,其中x,y,z分别为像素的横坐标,纵坐标,深度坐标,A,B,C,D为常数;和/或,与所述第一图像和所述第二图像对应的平面的分割图。
进一步的,所述第一图像特征参数包括经过第一卷积神经网络提取的第一图像特征向量,所述第二图像特征参数包括经过第二卷积神经网络提取的第二图像特征向量。
进一步的,根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数,包括:根据所述第一图像特征向量和所述第二图像特征向量确定联合特征向量;所述根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数,包括:根据所述联合特征向量确定与所述第一图像和所述第二图像对应的平面的参数。
根据本公开的一个或多个实施例,提供了一种确定图像参数的装置,包括:图像获取模块,用于从视频中获取第一图像和第二图像;图像特征参数确定模块,用于确定与所述第一图像对应的第一图像特征参数,以及确定与所述第二图像对应的第二图像特征参数;平面特征参数确定模块,用于根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数;平面参数确定模块,用于根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数。
进一步的,所述第一图像和所述第二图像为所述视频中连续的图像;或者,所述第一图像和所述第二图像在所述视频中间隔的图像的数量小于或等于预设数量。
进一步的,所述第一图像特征参数包括所述第一图像中的平面区域的位置参数,所述第二图像特征参数包括所述第二图像中的平面区域的位置参数。
进一步的,所述平面特征参数确定模块,还用于:根据所述第一图像中的平面区域的位置参数和所述第二图像中的平面区域的位置参数,确定所述第一图像中的平面区域与所述第二图像中的平面区域之间的对应关系。
进一步的,所述平面特征参数确定模块,还用于:根据光流法确定位置参数偏置值;根据所述第一图像中的平面区域的位置参数和所述位置参数偏置值,确定偏置平面区域的位置参数;根据所述偏置平面区域的位置参数和所述第二图像中的平面区域的位置参数,将所述第二图像中的平面区域中与所述偏置平面区域重叠度最高的平面区域作为与所述第一图像中的平面区域对应的平面区域。
进一步的,所述平面参数确定模块,还用于:根据所述第一图像中的平面区域的位置参数和所述第二图像中与所述第一图像中的平面区域对应的平面区域的位置参数,确定与所述第一图像和所述第二图像对应的平面的参数。
进一步的,与所述第一图像和所述第二图像对应的平面的参数,包括与所述第一图像和所述第二图像对应的平面的方程Ax+By+Cz+D=0,其中x,y,z分别为像素的横坐标,纵坐标,深度坐标,A,B,C,D为常数;和/或,与所述第一图像和所述第二图像对应的平面的分割图。
进一步的,所述第一图像特征参数包括经过第一卷积神经网络提取的第一图像特征向量,所述第二图像特征参数包括经过第二卷积神经网络提取的第二图像特征向量。
进一步的,所述平面特征参数确定模块,还用于:根据所述第一图像特征向量和所述第二图像特征向量确定联合特征向量;所述平面参数确定模块,还用于:根据所述联合特征向量确定与所述第一图像和所述第二图像对应的平面的参数。
根据本公开的一个或多个实施例,提供了一种电子设备,包括:存储器,用于存储计算机可读指令;以及处理器,用于运行所述计算机可读指令,使得所述处理器运行时实现前述任意所述的确定图像参数的方法。
根据本公开的一个或多个实施例,提供了一种非暂态计算机可读存储介质,用于存储计算机可读指令,当所述计算机可读指令由计算机执行时,使得所述计算机执行前述任意所述的确定图像参数的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (12)
1.一种确定图像参数的方法,其特征在于,包括:
从视频中获取第一图像和第二图像;
确定与所述第一图像对应的第一图像特征参数,以及确定与所述第二图像对应的第二图像特征参数;
根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数;
根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数。
2.根据权利要求1所述的确定图像参数的方法,其特征在于,所述第一图像和所述第二图像为所述视频中连续的图像;或者
所述第一图像和所述第二图像在所述视频中间隔的图像的数量小于或等于预设数量。
3.根据权利要求1或权利要求2所述的确定图像参数的方法,其特征在于,所述第一图像特征参数包括所述第一图像中的平面区域的位置参数,所述第二图像特征参数包括所述第二图像中的平面区域的位置参数。
4.根据权利要求3所述的确定图像参数的方法,其特征在于,根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数,包括:
根据所述第一图像中的平面区域的位置参数和所述第二图像中的平面区域的位置参数,确定所述第一图像中的平面区域与所述第二图像中的平面区域之间的对应关系。
5.根据权利要求4所述的确定图像参数的方法,其特征在于,根据所述第一图像中的平面区域的位置参数和所述第二图像中的平面区域的位置参数,确定所述第一图像中的平面区域与所述第二图像中的平面区域之间的对应关系,包括:
根据光流法确定位置参数偏置值;
根据所述第一图像中的平面区域的位置参数和所述位置参数偏置值,确定偏置平面区域的位置参数;
根据所述偏置平面区域的位置参数和所述第二图像中的平面区域的位置参数,将所述第二图像中的平面区域中与所述偏置平面区域重叠度最高的平面区域作为与所述第一图像中的平面区域对应的平面区域。
6.根据权利要求5所述的确定图像参数的方法,其特征在于,根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数,包括:
根据所述第一图像中的平面区域的位置参数和所述第二图像中与所述第一图像中的平面区域对应的平面区域的位置参数,确定与所述第一图像和所述第二图像对应的平面的参数。
7.根据权利要求6所述的确定图像参数的方法,其特征在于,与所述第一图像和所述第二图像对应的平面的参数,包括与所述第一图像和所述第二图像对应的平面的方程Ax+By+Cz+D=0,其中x,y,z分别为像素的横坐标,纵坐标,深度坐标,A,B,C,D为常数;和/或
与所述第一图像和所述第二图像对应的平面的分割图。
8.根据权利要求1或权利要求2所述的确定图像参数的方法,其特征在于,所述第一图像特征参数包括经过第一卷积神经网络提取的第一图像特征向量,所述第二图像特征参数包括经过第二卷积神经网络提取的第二图像特征向量。
9.根据权利要求8所述的确定图像参数的方法,其特征在于,根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数,包括:
根据所述第一图像特征向量和所述第二图像特征向量确定联合特征向量;
所述根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数,包括:
根据所述联合特征向量确定与所述第一图像和所述第二图像对应的平面的参数。
10.一种确定图像参数的装置,其特征在于,包括:
图像获取模块,用于从视频中获取第一图像和第二图像;
图像特征参数确定模块,用于确定与所述第一图像对应的第一图像特征参数,以及确定与所述第二图像对应的第二图像特征参数;
平面特征参数确定模块,用于根据所述第一图像特征参数和所述第二图像特征参数确定平面特征参数;
平面参数确定模块,用于根据所述平面特征参数确定与所述第一图像和所述第二图像对应的平面的参数。
11.一种电子设备,包括:
存储器,用于存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,使得所述处理器运行时实现根据权利要求1-9中任意一项所述的确定图像参数的方法。
12.一种非暂态计算机可读存储介质,用于存储计算机可读指令,当所述计算机可读指令由计算机执行时,使得所述计算机执行权利要求1-9中任意一项所述的确定图像参数的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524593.4A CN110276751A (zh) | 2019-06-17 | 2019-06-17 | 确定图像参数的方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524593.4A CN110276751A (zh) | 2019-06-17 | 2019-06-17 | 确定图像参数的方法、装置、电子设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110276751A true CN110276751A (zh) | 2019-09-24 |
Family
ID=67960938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910524593.4A Pending CN110276751A (zh) | 2019-06-17 | 2019-06-17 | 确定图像参数的方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276751A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023284479A1 (zh) * | 2021-07-12 | 2023-01-19 | 北京字跳网络技术有限公司 | 平面估计方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103809880A (zh) * | 2014-02-24 | 2014-05-21 | 清华大学 | 人机交互系统及方法 |
CN106204649A (zh) * | 2016-07-05 | 2016-12-07 | 西安电子科技大学 | 一种基于tld算法的目标跟踪方法 |
CN106570507A (zh) * | 2016-10-26 | 2017-04-19 | 北京航空航天大学 | 单目视频场景三维结构的多视角一致的平面检测解析方法 |
CN107689035A (zh) * | 2017-08-30 | 2018-02-13 | 广州华多网络科技有限公司 | 一种基于卷积神经网络的单应性矩阵确定方法及装置 |
CN108629946A (zh) * | 2018-06-14 | 2018-10-09 | 清华大学深圳研究生院 | 一种基于rgbd传感器的人体跌倒检测方法 |
CN108984481A (zh) * | 2018-06-26 | 2018-12-11 | 华侨大学 | 一种基于卷积神经网络的单应性矩阵估计方法 |
CN109447014A (zh) * | 2018-11-07 | 2019-03-08 | 东南大学-无锡集成电路技术研究所 | 一种基于双通道卷积神经网络的视频在线行为检测方法 |
CN109886117A (zh) * | 2019-01-21 | 2019-06-14 | 青岛海信网络科技股份有限公司 | 一种目标行为检测的方法和设备 |
-
2019
- 2019-06-17 CN CN201910524593.4A patent/CN110276751A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103809880A (zh) * | 2014-02-24 | 2014-05-21 | 清华大学 | 人机交互系统及方法 |
CN106204649A (zh) * | 2016-07-05 | 2016-12-07 | 西安电子科技大学 | 一种基于tld算法的目标跟踪方法 |
CN106570507A (zh) * | 2016-10-26 | 2017-04-19 | 北京航空航天大学 | 单目视频场景三维结构的多视角一致的平面检测解析方法 |
CN107689035A (zh) * | 2017-08-30 | 2018-02-13 | 广州华多网络科技有限公司 | 一种基于卷积神经网络的单应性矩阵确定方法及装置 |
CN108629946A (zh) * | 2018-06-14 | 2018-10-09 | 清华大学深圳研究生院 | 一种基于rgbd传感器的人体跌倒检测方法 |
CN108984481A (zh) * | 2018-06-26 | 2018-12-11 | 华侨大学 | 一种基于卷积神经网络的单应性矩阵估计方法 |
CN109447014A (zh) * | 2018-11-07 | 2019-03-08 | 东南大学-无锡集成电路技术研究所 | 一种基于双通道卷积神经网络的视频在线行为检测方法 |
CN109886117A (zh) * | 2019-01-21 | 2019-06-14 | 青岛海信网络科技股份有限公司 | 一种目标行为检测的方法和设备 |
Non-Patent Citations (1)
Title |
---|
张梦琳: "基于区域匹配的图像平面检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023284479A1 (zh) * | 2021-07-12 | 2023-01-19 | 北京字跳网络技术有限公司 | 平面估计方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11762475B2 (en) | AR scenario-based gesture interaction method, storage medium, and communication terminal | |
US11734851B2 (en) | Face key point detection method and apparatus, storage medium, and electronic device | |
CN110210571B (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
CN111242881B (zh) | 显示特效的方法、装置、存储介质及电子设备 | |
WO2018177379A1 (zh) | 手势识别、控制及神经网络训练方法、装置及电子设备 | |
CN109214343A (zh) | 用于生成人脸关键点检测模型的方法和装置 | |
CN109584276A (zh) | 关键点检测方法、装置、设备及可读介质 | |
CN110058685A (zh) | 虚拟对象的显示方法、装置、电子设备和计算机可读存储介质 | |
CN110047124A (zh) | 渲染视频的方法、装置、电子设备和计算机可读存储介质 | |
CN110047122A (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN110781823B (zh) | 录屏检测方法、装置、可读介质及电子设备 | |
CN110062157A (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN110059624B (zh) | 用于检测活体的方法和装置 | |
WO2020253716A1 (zh) | 图像生成方法和装置 | |
CN109815854B (zh) | 一种用于在用户设备上呈现图标的关联信息的方法与设备 | |
CN110399847A (zh) | 关键帧提取方法、装置及电子设备 | |
CN109981989A (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN110334650A (zh) | 物体检测方法、装置、电子设备及存储介质 | |
CN111368668B (zh) | 三维手部识别方法、装置、电子设备及存储介质 | |
CN115731341A (zh) | 三维人头重建方法、装置、设备及介质 | |
CN111310595B (zh) | 用于生成信息的方法和装置 | |
CN110276751A (zh) | 确定图像参数的方法、装置、电子设备和计算机可读存储介质 | |
CN110288691A (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN110047126B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN109816791B (zh) | 用于生成信息的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190924 |