CN110458940B - 动作捕捉的处理方法和处理装置 - Google Patents
动作捕捉的处理方法和处理装置 Download PDFInfo
- Publication number
- CN110458940B CN110458940B CN201910672898.XA CN201910672898A CN110458940B CN 110458940 B CN110458940 B CN 110458940B CN 201910672898 A CN201910672898 A CN 201910672898A CN 110458940 B CN110458940 B CN 110458940B
- Authority
- CN
- China
- Prior art keywords
- video information
- target object
- ray
- bone
- processing
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种动作捕捉的处理方法和处理装置。该方法包括:获取多个拍摄相机所同步拍摄到的一视频信息组,其中,视频信息组中包含至少一个待识别的目标对象;对目标对象的骨骼和/或关节点进行图像检测处理;依据处理结果进行数据配准,以在视频信息组中的每个视频信息中建立由视频信息对应的拍摄相机的光心发射出的多组射线簇,其中,每组射线簇中的每条射线与目标对象的骨骼和/或关节点一一对应;依据每个目标对象在多个视频信息中所建立的射线簇进行三维重建处理,得到目标对象的骨骼动态。通过本申请,解决了相关技术中光学式动作捕获系统存在诸多缺陷的技术问题。
Description
技术领域
本申请涉及动作捕捉领域,具体而言,涉及一种动作捕捉的处理方法和处理装置。
背景技术
传统的动作捕捉系统包含:电磁式动作捕捉系统、机械式动作捕获系统、光学式动作捕获系统等,其中,光学式动作捕获系统的特点是:使用专用标记对目标进行标示,进而对目标进行拍摄处理,以捕获目标的动作信息。
但是上述光学式动作捕获系统存在以下缺点:系统庞大复杂,安装工程量较大,通常只能在固定的影棚中使用,并且对环境光线要求较高。具体的,场地内不能被太阳直射,且场地内的反光物体也会影响数据效果。
此外,上述光学式动作捕获系统还需要目标对象身着标记点和/或特制动作捕获服,以及现有光学式动作捕获系统无法支持人数较多的群集动作捕捉。
针对相关技术中光学式动作捕获系统存在诸多缺陷的技术问题,目前尚未提出有效的解决方案。
发明内容
本申请提供一种动作捕捉的处理方法和处理装置,以解决相关技术中光学式动作捕获系统存在诸多缺陷的技术问题。
根据本申请的一个方面,提供了一种动作捕捉的处理方法。该方法包括:获取多个拍摄相机所同步拍摄到的一视频信息组,其中,所述视频信息组中包含至少一个待识别的目标对象;对所述目标对象的骨骼和/或关节点进行图像检测处理;依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,其中,每组所述射线簇中的每条射线与所述目标对象的骨骼和/或关节点一一对应;依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态。
可选的,在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇之前,所述方法还包括:获取每个所述拍摄相机的内参标定信息和位姿信息,其中,所述内参标定信息至少包括以下任意之一:镜头焦距、成像中心、倾斜因子、畸变参数,所述位姿信息由旋转矩阵和平移向量表示。
可选的,对所述目标对象的骨骼和/或关节点进行图像检测处理,包括:使用预先训练的图像识别模型,对所述视频信息组进行骨骼和/或关节点识别处理,其中,所述处理结果中包含被识别出的骨骼和/或被识别出的关节点的二维概率云图;使用非极大值抑制法对所述二维概率云图进行计算处理,得到所述目标对象中被识别出的骨骼和/或被识别出的关节点在各个所述视频信息中的特征点位置。
可选的,在所述视频信息中包括多个待识别的目标对象的情况下,对所述目标对象的骨骼和/或关节点进行图像检测处理,还包括:确定每个所述视频信息中属于同一目标对象的特征点位置;基于二分图理论对每个所述视频信息中属于同一目标对象的特征点位置进行连接处理,以获取各个所述视频信息中所包含的目标对象的骨架连接信息。
可选的,依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,包括:依据每个所述拍摄相机的内参标定信息和位姿信息,为每个目标对象在多个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的射线簇,其中,所述射线簇中的每个射线均经过一个被识别出的骨骼的特征点位置或被识别出的关节点的特征点位置;使用匈牙利算法对各个视频信息中的射线簇进行匹配处理,以确定相同的目标对象在不同视频信息中所建立的射线簇之间的对应关系,其中,所述对应关系包含:经过相同的骨骼特征点位置或被识别出的关节点的特征点位置的射线之间的关联关系。
可选的,依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态,包括:使用最小二乘法对具有关联关系的射线进行计算处理,以拟合所述具有关联关系的射线所对应的骨骼或关节点的三维坐标;依据预先设定的骨骼信息对所述三维坐标进行计算处理,确定每个视频信息中所有目标对象的骨骼动态,其中,所述预先设定的骨骼信息包括:目标对象所包含的骨骼的长度数据。
可选的,所述方法还包括:对所述视频信息中所有目标对象的骨骼动态进行滤波处理。
根据本申请的另一方面,提供了一种动作捕捉的处理装置。该装置包括:获取单元,用于获取多个拍摄相机所同步拍摄到的一视频信息组,其中,所述视频信息组中包含至少一个待识别的目标对象;检测单元,用于对所述目标对象的骨骼和/或关节点进行图像检测处理;建立单元,用于依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,其中,所述射线簇中的节点与所述目标对象的骨骼和/或关节点一一对应;三维重建单元,用于依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态。
本申请实施例提供的动作捕捉的处理方法,通过获取多个拍摄相机所同步拍摄到的一视频信息组,其中,所述视频信息组中包含至少一个待识别的目标对象;对所述目标对象的骨骼和/或关节点进行图像检测处理;依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,其中,每组所述射线簇中的每条射线与所述目标对象的骨骼和/或关节点一一对应;依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态,解决了相关技术中光学式动作捕获系统存在诸多缺陷的技术问题。
也即,通过识别视频信息组中所包含的目标对象的骨骼和/关节点,进而建立由所述多个拍摄相机的光心发射出的多组射线簇,且每组所述射线簇中的每条射线与所述目标对象的被识别出骨骼和/或关节点一一对应,此时,在某个视频信息中可能无法显示全部目标对象的全部骨骼和/或关节点的情况下,可以通过其他视频信息中的射线簇,确定该视频信息中无法显示的骨骼和/或关节点的三维坐标,进而达到为每个目标对象进行三维重建的技术处理,进而得到所有目标对象的骨骼动态。
需要说明的是:本申请实施例所提供的动作捕捉的处理方法,无需目标对象身着标记点或特制的动作捕捉服,即可实现人数较多的集群动作捕捉。
此外,本申请实施例所提供给的动作捕捉的处理方法,对获取视频信息的拍摄相机要求并不高,且对获取视频信息的拍摄场地要求也不高,该处理方法的主要技术点在于对视频信息进行一系列的数据处理,即对视频信息中的目标对象的骨骼和/或关节点进行图像检测处理,以及在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,进而进行三维重建处理得到所述目标对象的骨骼动态。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的动作捕捉的处理方法的流程图;
图2是根据本申请实施例提供的18点形式的骨架连接类型的可选示意图;以及
图3是根据本申请实施例提供的动作捕捉的处理装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请的实施例,提供了一种动作捕捉的处理方法。
图1是根据本申请实施例的动作捕捉的处理方法的流程图。如图1所示,该方法包括以下步骤:
步骤S102,获取多个拍摄相机所同步拍摄到的一视频信息组,其中,所述视频信息组中包含至少一个待识别的目标对象。
步骤S104,对所述目标对象的骨骼和/或关节点进行图像检测处理。
步骤S106,依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,其中,每组所述射线簇中的每条射线与所述目标对象的骨骼和/或关节点一一对应。
步骤S108,依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态。
本申请实施例提供的动作捕捉的处理方法,通过获取多个拍摄相机所同步拍摄到的一视频信息组,其中,所述视频信息组中包含至少一个待识别的目标对象;对所述目标对象的骨骼和/或关节点进行图像检测处理;依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,其中,每组所述射线簇中的每条射线与所述目标对象的骨骼和/或关节点一一对应;依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态,解决了相关技术中光学式动作捕获系统存在诸多缺陷的技术问题。
也即,通过识别视频信息组中所包含的目标对象的骨骼和/关节点,进而建立由所述多个拍摄相机的光心发射出的多组射线簇,且每组所述射线簇中的每条射线与所述目标对象的被识别出骨骼和/或关节点一一对应,此时,在某个视频信息中可能无法显示全部目标对象的全部骨骼和/或关节点的情况下,可以通过其他视频信息中的射线簇,确定该视频信息中无法显示的骨骼和/或关节点的三维坐标,进而达到为每个目标对象进行三维重建的技术处理,进而得到所有目标对象的骨骼动态。
需要说明的是:本申请实施例所提供的动作捕捉的处理方法,无需目标对象身着标记点或特制的动作捕捉服,即可实现人数较多的集群动作捕捉。
此外,本申请实施例所提供给的动作捕捉的处理方法,对获取视频信息的拍摄相机要求并不高,且对获取视频信息的拍摄场地要求也不高,该处理方法的主要技术点在于对视频信息进行一系列的数据处理,即对视频信息中的目标对象的骨骼和/或关节点进行图像检测处理,以及在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,进而进行三维重建处理得到所述目标对象的骨骼动态。
需要说明的是:上述目标对象可以为人、动物、机器人等任意具备活动节点(例如,人的关节点)的对象。
需要说明的是:在本申请实施例提供的动作捕捉的处理方法中,多处对骨骼和关节点进行“和/或”关系的描述,具体的,在本申请实施例提供的动作捕捉的处理方法中,即可以仅仅针对目标对象的关节点进行一系列的处理操作,以获取目标对象的骨骼动态,也可以仅仅针对目标对象的骨骼进行一系列的处理操作,以获取目标对象的骨骼动态,此外,还可以对目标对象的骨骼和关节点同时进行一系列的处理操作,以获取目标对象的骨骼动态。
而在一个可选的示例中,目标对象的骨骼确定方式,通常为确定骨骼两端的特定点位置,而骨骼两端的特征点位置往往为指定关节点的特征点位置,也即,通过骨骼确定目标对象的骨骼动态,和通过关节点确定目标对象的骨骼动态是异曲同工的。
可选地,在本申请实施例提供的动作捕捉的处理方法中,对所述目标对象的骨骼和/或关节点进行图像检测处理,包括:使用预先训练的图像识别模型,对所述视频信息组进行骨骼和/或关节点识别处理,其中,所述处理结果中包含被识别出的骨骼和/或被识别出的关节点的二维概率云图;使用非极大值抑制法对所述二维概率云图进行计算处理,得到所述目标对象中被识别出的骨骼和/或被识别出的关节点在各个所述视频信息中的特征点位置。
也即,通过将视频信息组输入至图像识别模型中,得到目标对象的关节和/或骨骼的二维概率云图,并使用非极大值抑制法得到各个骨骼和/或关节点的特征点位置。
在一种可选的示例中,上述预先训练的图像识别模型可以通过如下方式获取:
步骤A1,获取训练样本和校正样本,其中,上述训练样本和上述校正样本中均包含多个含有目标对象的视频信息,且该视频信息中均含有目标对象的关节点和/或骨骼的二维坐标,以及关节点和/或骨骼的类型。
步骤A2,建立图像识别模型后,使用上述训练样本训练该图像识别模型,并使用上述校正样本对训练好的图像识别模型进行校正处理,以优化该图像识别模型。
需要说明的是:上述图像识别模型可以为卷积神经网络框架,也可以为循环神经网络框架(RNN),亦可以是长短期记忆网络框架(LSTM)。
需要说明的是:在本申请实施例中所提供的动作捕捉的处理方法中所使用的预先训练的图像识别模型,优选为已经使用校正样本进行校正处理后的图像识别模型。
需要说明的是,在所述视频信息中包括多个待识别的目标对象的情况下,所得到的被识别出的骨骼和/或被识别出的关节点在视频信息中的特征点位置,会出现各个特征点位置混乱的情况,即,无法确定多个特征点位置是属于哪个目标对象。
可选地,为了解决上述技术问题,在本申请实施例提供的动作捕捉的处理方法中,对所述目标对象的骨骼和/或关节点进行图像检测处理,还包括:确定每个所述视频信息中属于同一目标对象的特征点位置;基于二分图理论对每个所述视频信息中属于同一目标对象的特征点位置进行连接处理,以获取各个所述视频信息中所包含的目标对象的骨架连接信息。
也即,将属于同一目标对象的特征点位置进行连接处理,以获取目标对象的骨架连接信息。具体的,使用图论中的Bipartite Matching将属于同一个目标对象的特征点位置连接起来,从而得到每个目标对象的整体骨架。
需要说明的是:该骨架连接信息也是图像检测处理的处理结果,在后续步骤中,所使用的图像检测处理的处理结果可以包含该骨架连接信息。
需要说明的是:该骨架连接信息可以为如图2所示的18点形式的骨架连接类型,也可以为其他骨架连接类型。
可选地,在本申请实施例提供的动作捕捉的处理方法中,在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇之前,所述方法还包括:获取每个所述拍摄相机的内参标定信息和位姿信息,其中,所述内参标定信息至少包括以下任意之一:镜头焦距、成像中心、倾斜因子、畸变参数,所述位姿信息由旋转矩阵和平移向量表示。
在一个可选的示例中,上述拍摄相机的内参标定信息可以通过机器视觉领域的张氏标定法或SfM(Structure from Motion)法获取。
需要说明的是:上述旋转矩阵为相机坐标系相对于世界坐标系的旋转,上述平移向量为相机光心坐标位于世界坐标系的坐标。
可选地,在本申请实施例提供的动作捕捉的处理方法中,依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,包括:依据每个所述拍摄相机的内参标定信息和位姿信息,为每个目标对象在多个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的射线簇,其中,所述射线簇中的每个射线均经过一个被识别出的骨骼的特征点位置或被识别出的关节点的特征点位置;使用匈牙利算法对各个视频信息中的射线簇进行匹配处理,以确定相同的目标对象在不同视频信息中所建立的射线簇之间的对应关系,其中,所述对应关系包含:经过相同的骨骼特征点位置或被识别出的关节点的特征点位置的射线之间的关联关系。
需要说明的是:为每个目标对象在多个视频信息中各建立一个射线簇,其中,所述射线簇与所述视频信息一一对应,且所述射线簇由其对应的拍摄相机的光心发射而出,且所述射线簇中所包含的射线分别指向其对应的目标对象的被识别出的骨骼的特征点位置或被识别出的关节点的特征点位置。
此外,射线簇也可以通过如下内容进行表示:在每个视频信息中建立多组射线簇,其中,每组射线簇均对应一个该视频信息中被识别出的目标对象(其中,该目标对象可以为完全被识别出所有骨骼和/或关节点的目标对象,也可以为被识别出部分骨骼和/或关节点的目标对象)。
在一个可选的示例中,上述射线簇可以通过如下表达式进行表示:
在一个可选的示例中,上述为每个目标对象在多个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的射线簇,还包括:计算任意两个视频信息中的射线簇之间的距离值;依据所得出的距离值,确定上述被计算的两个射线簇是否属于同一目标对象。
具体的,基于上述射线簇的表达式,可得任意两个不同视频信息中的射线簇之间的距离值可以表示为:
可选地,在本申请实施例提供的动作捕捉的处理方法中,所述依据每个所述视频信息中所建立的每个目标对象对应的射线簇进行三维重建处理,得到所述视频信息组中所有待识别的目标对象的骨骼动态,包括:使用最小二乘法对具有关联关系的射线进行计算处理,以拟合所述具有关联关系的射线所对应的骨骼或关节点的三维坐标;依据预先设定的骨骼信息对所述三维坐标进行计算处理,确定每个视频信息中所有目标对象的骨骼动态,其中,所述预先设定的骨骼信息包括:目标对象所包含的骨骼的长度数据。
针对拟合所述目标对象的骨骼和/或关节点的三维坐标进行举例说明:假设获取到某具有关联关系的射线组合A,其中,射线组合A均对应目标对象A的关节点a,此时,拟合上述射线组合A所包含的射线在空间中最近的一点,该点即为目标对象A的关节点a。进而依次类推至目标对象的所有关节点,以获取目标对象的骨骼动态。
在一个可选的示例中,上述预先设定的骨骼信息可以通过人体扫描、人工测量、以及光学动捕等方式获取。
可选地,在本申请实施例提供的动作捕捉的处理方法中,所述方法还包括:对所述视频信息中所有目标对象的骨骼动态进行滤波处理。
在一个可选的示例中,上述滤波处理可以为:使用卡尔曼滤波或均值滤波对视频信息中所有目标对象的骨骼动态做平滑处理,利用骨骼动态的连续性筛除异常数据,例如某一帧肘部突然跳动。
综上所述,本申请实施例提供的动作捕捉的处理方法,能够支持室内室外各种复杂环境下的动作数据采集处理工作,且被动作捕获的目标对象无需粘贴标记点,也无需身着特制动捕服,此外,该处理方案的处理流程较为规范简单,且普通拍摄设备也能满足该处理方案的设备需求。
此外,需要说明的是:现有技术中,即便使用粘贴标记点或身着特制动捕服等辅助操作,仍只能支持10人以内的群集动作捕捉,而本申请实施例提供的动作捕捉的处理方法则能支持20人以上群集动作捕捉。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种动作捕捉的处理装置,需要说明的是,本申请实施例的动作捕捉的处理装置可以用于执行本申请实施例所提供的用于动作捕捉的处理方法。以下对本申请实施例提供的动作捕捉的处理装置进行介绍。
图3是根据本申请实施例的动作捕捉的处理装置的示意图。如图3所示,该装置包括:获取单元31、检测单元33、建立单元35和三维重建单元37。
获取单元31,用于获取多个拍摄相机所同步拍摄到的一视频信息组,其中,所述视频信息组中包含至少一个待识别的目标对象;
检测单元33,用于对所述目标对象的骨骼和/或关节点进行图像检测处理;
建立单元35,用于依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,其中,每组所述射线簇中的每条射线与所述目标对象的骨骼和/或关节点一一对应;
三维重建单元37,用于依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态。
可选地,在本申请实施例提供的动作捕捉的处理装置中,所述方法还包括:获取子单元,用于在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇之前,获取每个所述拍摄相机的内参标定信息和位姿信息,其中,所述内参标定信息至少包括以下任意之一:镜头焦距、成像中心、倾斜因子、畸变参数,所述位姿信息由旋转矩阵和平移向量表示。
可选地,在本申请实施例提供的动作捕捉的处理装置中,所述检测单元33,包括:识别模块,用于使用预先训练的图像识别模型,对所述视频信息组进行骨骼和/或关节点识别处理,其中,所述处理结果中包含被识别出的骨骼和/或被识别出的关节点的二维概率云图;计算模块,用于使用非极大值抑制法对所述二维概率云图进行计算处理,得到所述目标对象中被识别出的骨骼和/或被识别出的关节点在各个所述视频信息中的特征点位置。
可选地,在本申请实施例提供的动作捕捉的处理装置中,所述检测单元33在所述视频信息包括多个待识别的目标对象的情况下,还包括:第一确定模块,用于确定每个所述视频信息中属于同一目标对象的特征点位置;计算模块,用于基于二分图理论对每个所述视频信息中属于同一目标对象的特征点位置进行连接处理,以获取各个所述视频信息中所包含的目标对象的骨架连接信息。
可选地,在本申请实施例提供的动作捕捉的处理装置中,所述建立单元35,包括:建立模块,用于依据每个所述拍摄相机的内参标定信息和位姿信息,为每个目标对象在多个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的射线簇,其中,所述射线簇中的每个射线均经过一个被识别出的骨骼的特征点位置或被识别出的关节点的特征点位置;第二确定模块,用于使用匈牙利算法对各个视频信息中的射线簇进行匹配处理,以确定相同的目标对象在不同视频信息中所建立的射线簇之间的对应关系,其中,所述对应关系包含:经过相同的骨骼特征点位置或被识别出的关节点的特征点位置的射线之间的关联关系。
可选地,在本申请实施例提供的动作捕捉的处理装置中,所述三维重建单元37,包括:拟合模块,用于使用最小二乘法对具有关联关系的射线进行计算处理,以拟合所述具有关联关系的射线所对应的骨骼或关节点的三维坐标;第三确定模块,用于依据预先设定的骨骼信息对所述三维坐标进行计算处理,确定每个视频信息中所有目标对象的骨骼动态,其中,所述预先设定的骨骼信息包括:目标对象所包含的骨骼的长度数据。
可选地,在本申请实施例提供的动作捕捉的处理装置中,所述方法还包括:滤波子单元,用于对所述视频信息中所有目标对象的骨骼动态进行滤波处理。
本申请实施例提供的动作捕捉的处理装置,通过获取单元31获取多个拍摄相机所同步拍摄到的一视频信息组,其中,所述视频信息组中包含至少一个待识别的目标对象;检测单元33对所述目标对象的骨骼和/或关节点进行图像检测处理;建立单元35依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,其中,所述射线簇中的节点与所述目标对象的骨骼和/或关节点一一对应;三维重建单元37依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态,解决了相关技术中光学式动作捕获系统存在诸多缺陷的技术问题。
也即,通过识别视频信息组中所包含的目标对象的骨骼和/关节点,进而建立由所述多个拍摄相机的光心发射出的多组射线簇,且每组所述射线簇中的每条射线与所述目标对象的被识别出骨骼和/或关节点一一对应,此时,在某个视频信息中可能无法显示全部目标对象的全部骨骼和/或关节点的情况下,可以通过其他视频信息中的射线簇,确定该视频信息中无法显示的骨骼和/或关节点的三维坐标,进而达到为每个目标对象进行三维重建的技术处理,进而得到所有目标对象的骨骼动态。
需要说明的是:本申请实施例所提供的动作捕捉的处理方法,无需目标对象身着标记点或特制的动作捕捉服,即可实现人数较多的集群动作捕捉。
此外,本申请实施例所提供给的动作捕捉的处理方法,对获取视频信息的拍摄相机要求并不高,且对获取视频信息的拍摄场地要求也不高,该处理方法的主要技术点在于对视频信息进行一系列的数据处理,即对视频信息中的目标对象的骨骼和/或关节点进行图像检测处理,以及在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,进而进行三维重建处理得到所述目标对象的骨骼动态。
所述动作捕捉的处理装置包括处理器和存储器,上述获取单元31、检测单元33、建立单元35和三维重建单元37等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来达到无需目标对象身着标记点或特制的动作捕捉服,即可实现人数较多的集群动作捕捉的技术目的。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述动作捕捉的处理方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述动作捕捉的处理方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取多个拍摄相机所同步拍摄到的一视频信息组,其中,所述视频信息组中包含至少一个待识别的目标对象;对所述目标对象的骨骼和/或关节点进行图像检测处理;依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,其中,每组所述射线簇中的每条射线与所述目标对象的骨骼和/或关节点一一对应;依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态。
可选的,在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇之前,所述方法还包括:获取每个所述拍摄相机的内参标定信息和位姿信息,其中,所述内参标定信息至少包括以下任意之一:镜头焦距、成像中心、倾斜因子、畸变参数,所述位姿信息由旋转矩阵和平移向量表示。
可选的,对所述目标对象的骨骼和/或关节点进行图像检测处理,包括:使用预先训练的图像识别模型,对所述视频信息组进行骨骼和/或关节点识别处理,其中,所述处理结果中包含被识别出的骨骼和/或被识别出的关节点的二维概率云图;使用非极大值抑制法对所述二维概率云图进行计算处理,得到所述目标对象中被识别出的骨骼和/或被识别出的关节点在各个所述视频信息中的特征点位置。
可选的,在所述视频信息中包括多个待识别的目标对象的情况下,对所述目标对象的骨骼和/或关节点进行图像检测处理,还包括:确定每个所述视频信息中属于同一目标对象的特征点位置;基于二分图理论对每个所述视频信息中属于同一目标对象的特征点位置进行连接处理,以获取各个所述视频信息中所包含的目标对象的骨架连接信息。
可选的,依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,包括:依据每个所述拍摄相机的内参标定信息和位姿信息,为每个目标对象在多个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的射线簇,其中,所述射线簇中的每个射线均经过一个被识别出的骨骼的特征点位置或被识别出的关节点的特征点位置;使用匈牙利算法对各个视频信息中的射线簇进行匹配处理,以确定相同的目标对象在不同视频信息中所建立的射线簇之间的对应关系,其中,所述对应关系包含:经过相同的骨骼特征点位置或被识别出的关节点的特征点位置的射线之间的关联关系。
可选的,依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态,包括:使用最小二乘法对具有关联关系的射线进行计算处理,以拟合所述具有关联关系的射线所对应的骨骼或关节点的三维坐标;依据预先设定的骨骼信息对所述三维坐标进行计算处理,确定每个视频信息中所有目标对象的骨骼动态,其中,所述预先设定的骨骼信息包括:目标对象所包含的骨骼的长度数据。
可选的,所述方法还包括:对所述视频信息中所有目标对象的骨骼动态进行滤波处理。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取多个拍摄相机所同步拍摄到的一视频信息组,其中,所述视频信息组中包含至少一个待识别的目标对象;对所述目标对象的骨骼和/或关节点进行图像检测处理;依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,其中,每组所述射线簇中的每条射线与所述目标对象的骨骼和/或关节点一一对应;依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态。
可选的,在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇之前,所述方法还包括:获取每个所述拍摄相机的内参标定信息和位姿信息,其中,所述内参标定信息至少包括以下任意之一:镜头焦距、成像中心、倾斜因子、畸变参数,所述位姿信息由旋转矩阵和平移向量表示。
可选的,对所述目标对象的骨骼和/或关节点进行图像检测处理,包括:使用预先训练的图像识别模型,对所述视频信息组进行骨骼和/或关节点识别处理,其中,所述处理结果中包含被识别出的骨骼和/或被识别出的关节点的二维概率云图;使用非极大值抑制法对所述二维概率云图进行计算处理,得到所述目标对象中被识别出的骨骼和/或被识别出的关节点在各个所述视频信息中的特征点位置。
可选的,在所述视频信息中包括多个待识别的目标对象的情况下,对所述目标对象的骨骼和/或关节点进行图像检测处理,还包括:确定每个所述视频信息中属于同一目标对象的特征点位置;基于二分图理论对每个所述视频信息中属于同一目标对象的特征点位置进行连接处理,以获取各个所述视频信息中所包含的目标对象的骨架连接信息。
可选的,依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,包括:依据每个所述拍摄相机的内参标定信息和位姿信息,为每个目标对象在多个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的射线簇,其中,所述射线簇中的每个射线均经过一个被识别出的骨骼的特征点位置或被识别出的关节点的特征点位置;使用匈牙利算法对各个视频信息中的射线簇进行匹配处理,以确定相同的目标对象在不同视频信息中所建立的射线簇之间的对应关系,其中,所述对应关系包含:经过相同的骨骼特征点位置或被识别出的关节点的特征点位置的射线之间的关联关系。
可选的,依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态,包括:使用最小二乘法对具有关联关系的射线进行计算处理,以拟合所述具有关联关系的射线所对应的骨骼或关节点的三维坐标;依据预先设定的骨骼信息对所述三维坐标进行计算处理,确定每个视频信息中所有目标对象的骨骼动态,其中,所述预先设定的骨骼信息包括:目标对象所包含的骨骼的长度数据。
可选的,所述方法还包括:对所述视频信息中所有目标对象的骨骼动态进行滤波处理。
本领域内的技术人员应明白,本申请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。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请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。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种动作捕捉的处理方法,其特征在于,包括:
获取多个拍摄相机所同步拍摄到的一视频信息组,其中,所述视频信息组中包含至少一个待识别的目标对象;
对所述目标对象的骨骼和/或关节点进行图像检测处理;
依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,其中,每组所述射线簇中的每条射线与所述目标对象的骨骼和/或关节点一一对应;
依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态。
2.根据权利要求1所述的方法,其特征在于,在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇之前,所述方法还包括:
获取每个所述拍摄相机的内参标定信息和位姿信息,其中,所述内参标定信息至少包括以下任意之一:镜头焦距、成像中心、倾斜因子、畸变参数,所述位姿信息由旋转矩阵和平移向量表示。
3.根据权利要求2所述的方法,其特征在于,对所述目标对象的骨骼和/或关节点进行图像检测处理,包括:
使用预先训练的图像识别模型,对所述视频信息组进行骨骼和/或关节点识别处理,其中,所述处理结果中包含被识别出的骨骼和/或被识别出的关节点的二维概率云图;
使用非极大值抑制法对所述二维概率云图进行计算处理,得到所述目标对象中被识别出的骨骼和/或被识别出的关节点在各个所述视频信息中的特征点位置。
4.根据权利要求3所述的方法,其特征在于,在所述视频信息包括多个待识别的目标对象的情况下,所述对所述目标对象的骨骼和/或关节点进行图像检测处理,还包括:
确定每个所述视频信息中属于同一目标对象的特征点位置;
基于二分图理论对每个所述视频信息中属于同一目标对象的特征点位置进行连接处理,以获取各个所述视频信息中所包含的目标对象的骨架连接信息。
5.根据权利要求3所述的方法,其特征在于,依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,包括:
依据每个所述拍摄相机的内参标定信息和位姿信息,为每个目标对象在多个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的射线簇,其中,所述射线簇中的每个射线均经过一个被识别出的骨骼的特征点位置或被识别出的关节点的特征点位置;
使用匈牙利算法对各个视频信息中的射线簇进行匹配处理,以确定相同的目标对象在不同视频信息中所建立的射线簇之间的对应关系,其中,所述对应关系包含:经过相同的骨骼特征点位置或被识别出的关节点的特征点位置的射线之间的关联关系。
6.根据权利要求1所述的方法,其特征在于,依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态,包括:
使用最小二乘法对具有关联关系的射线进行计算处理,以拟合所述具有关联关系的射线所对应的骨骼或关节点的三维坐标;
依据预先设定的骨骼信息对所述三维坐标进行计算处理,确定每个视频信息中所有目标对象的骨骼动态,其中,所述预先设定的骨骼信息包括:目标对象所包含的骨骼的长度数据。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述视频信息中所有目标对象的骨骼动态进行滤波处理。
8.一种动作捕捉的处理装置,其特征在于,包括:
获取单元,用于获取多个拍摄相机所同步拍摄到的一视频信息组,其中,所述视频信息组中包含至少一个待识别的目标对象;
检测单元,用于对所述目标对象的骨骼和/或关节点进行图像检测处理;
建立单元,用于依据处理结果进行数据配准,以在所述视频信息组中的每个视频信息中建立由所述视频信息对应的拍摄相机的光心发射出的多组射线簇,其中,所述射线簇中的节点与所述目标对象的骨骼和/或关节点一一对应;
三维重建单元,用于依据每个目标对象在多个所述视频信息中所建立的射线簇进行三维重建处理,得到所述目标对象的骨骼动态。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至7中任意一项所述的动作捕捉的处理方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的动作捕捉的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672898.XA CN110458940B (zh) | 2019-07-24 | 2019-07-24 | 动作捕捉的处理方法和处理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672898.XA CN110458940B (zh) | 2019-07-24 | 2019-07-24 | 动作捕捉的处理方法和处理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458940A CN110458940A (zh) | 2019-11-15 |
CN110458940B true CN110458940B (zh) | 2023-02-28 |
Family
ID=68483353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910672898.XA Active CN110458940B (zh) | 2019-07-24 | 2019-07-24 | 动作捕捉的处理方法和处理装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458940B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028271B (zh) * | 2019-12-06 | 2023-04-14 | 浩云科技股份有限公司 | 基于人体骨架检测的多摄像机人员三维定位跟踪系统 |
CN111080712B (zh) * | 2019-12-06 | 2023-04-18 | 浩云科技股份有限公司 | 一种基于人体骨架检测的多相机人员定位跟踪显示方法 |
WO2021258386A1 (en) * | 2020-06-26 | 2021-12-30 | Intel Corporation | Apparatus and methods for three-dimensional pose estimation |
US11715213B2 (en) | 2020-06-26 | 2023-08-01 | Intel Corporation | Apparatus and methods for determining multi-subject performance metrics in a three-dimensional space |
CN112927273A (zh) * | 2021-01-28 | 2021-06-08 | 北京字节跳动网络技术有限公司 | 三维视频的处理方法、设备及存储介质 |
CN113705388B (zh) * | 2021-08-13 | 2024-01-12 | 国网湖南省电力有限公司 | 基于摄像信息实时定位多人空间位置的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105518744A (zh) * | 2015-06-29 | 2016-04-20 | 北京旷视科技有限公司 | 行人再识别方法及设备 |
CN106599762A (zh) * | 2015-10-15 | 2017-04-26 | 阿里巴巴集团控股有限公司 | 动作信息识别方法和系统 |
CN107945269A (zh) * | 2017-12-26 | 2018-04-20 | 清华大学 | 基于多视点视频的复杂动态人体对象三维重建方法及系统 |
CN108053469A (zh) * | 2017-12-26 | 2018-05-18 | 清华大学 | 多视角相机下的复杂动态场景人体三维重建方法及装置 |
CN109377513A (zh) * | 2018-09-20 | 2019-02-22 | 浙江大学 | 一种针对两视图的全局三维人体姿态可信估计方法 |
CN109902659A (zh) * | 2019-03-15 | 2019-06-18 | 北京字节跳动网络技术有限公司 | 用于处理人体图像的方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101307341B1 (ko) * | 2009-12-18 | 2013-09-11 | 한국전자통신연구원 | 동적 개체 모션 캡쳐 방법 및 그 장치 |
-
2019
- 2019-07-24 CN CN201910672898.XA patent/CN110458940B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105518744A (zh) * | 2015-06-29 | 2016-04-20 | 北京旷视科技有限公司 | 行人再识别方法及设备 |
CN106599762A (zh) * | 2015-10-15 | 2017-04-26 | 阿里巴巴集团控股有限公司 | 动作信息识别方法和系统 |
CN107945269A (zh) * | 2017-12-26 | 2018-04-20 | 清华大学 | 基于多视点视频的复杂动态人体对象三维重建方法及系统 |
CN108053469A (zh) * | 2017-12-26 | 2018-05-18 | 清华大学 | 多视角相机下的复杂动态场景人体三维重建方法及装置 |
CN109377513A (zh) * | 2018-09-20 | 2019-02-22 | 浙江大学 | 一种针对两视图的全局三维人体姿态可信估计方法 |
CN109902659A (zh) * | 2019-03-15 | 2019-06-18 | 北京字节跳动网络技术有限公司 | 用于处理人体图像的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110458940A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458940B (zh) | 动作捕捉的处理方法和处理装置 | |
CN108205797B (zh) | 一种全景视频融合方法及装置 | |
CN109416744B (zh) | 改进的相机校准系统、目标和过程 | |
CN110717942B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN111179358A (zh) | 标定方法、装置、设备及存储介质 | |
KR20200015147A (ko) | 딥 러닝 기반의 카메라 캘리브레이션 방법 및 장치 | |
CN109241841B (zh) | 视频人体动作的获取方法和装置 | |
GB2561368B (en) | Methods and apparatuses for determining positions of multi-directional image capture apparatuses | |
US20210295467A1 (en) | Method for merging multiple images and post-processing of panorama | |
CN111383204A (zh) | 视频图像融合方法、融合装置、全景监控系统及存储介质 | |
CN110782498A (zh) | 一种视觉传感网络的快速通用标定方法 | |
CN110544278B (zh) | 刚体运动捕捉方法及装置、agv位姿捕捉系统 | |
CN108229281B (zh) | 神经网络的生成方法和人脸检测方法、装置及电子设备 | |
CN109785439B (zh) | 人脸素描图像生成方法及相关产品 | |
CN105488780A (zh) | 一种用于工业生产线的单目视觉测距追踪装置及其追踪方法 | |
CN112116068A (zh) | 一种环视图像拼接方法、设备及介质 | |
CN116503566B (zh) | 一种三维建模方法、装置、电子设备及存储介质 | |
CN112540672A (zh) | 智能投影方法、设备和存储介质 | |
KR102156998B1 (ko) | 비디오 시퀀스에서 모션을 감지하기 위한 방법 | |
CN116543014A (zh) | 一种融合全景的教师自动跟踪方法及系统 | |
Aliakbarpour et al. | Multi-sensor 3D volumetric reconstruction using CUDA | |
WO2018100230A1 (en) | Method and apparatuses for determining positions of multi-directional image capture apparatuses | |
Alam et al. | Indoor localization system for assisting visually impaired people | |
CN111489384B (zh) | 基于互视角的遮挡评估方法及装置、设备、系统和介质 | |
GB2560301A (en) | Methods and apparatuses for determining positions of multi-directional image capture apparatuses |
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 |