CN110717937A - 一种图像矫正方法及其系统、电子设备与可储存媒体 - Google Patents
一种图像矫正方法及其系统、电子设备与可储存媒体 Download PDFInfo
- Publication number
- CN110717937A CN110717937A CN201910930339.4A CN201910930339A CN110717937A CN 110717937 A CN110717937 A CN 110717937A CN 201910930339 A CN201910930339 A CN 201910930339A CN 110717937 A CN110717937 A CN 110717937A
- Authority
- CN
- China
- Prior art keywords
- image
- rgb
- transformation matrix
- depth
- map
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003702 image correction Methods 0.000 title abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 230000009466 transformation Effects 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000036544 posture Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G06T5/94—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Abstract
本发明公开了一种图像矫正方法及其系统,其包括如下步骤:获取拍摄目标的深度图及RGB图;在所述深度图和/或所述RGB图上设置至少一个特征区域;获取所述特征区域的深度值,以及所述特征区域在所述深度图或所述RGB图上对应的位置,计算得到目标变换矩阵;根据所述目标变换矩阵以及拍摄设备的参数校正所述RGB图像。基于深度图对RGB图进行校正,可以得到准确的RGB图像。
Description
技术领域
本发明涉及数据处理方法,特别涉及一种图像矫正方法及其系统、电子设备与可储存媒体。
背景技术
深度学习是机器学习中一种基于对数据进行表征学习的算法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而,近几年来深度学习越来越受到关注,并且在诸多影像领域得到了运用,包括人脸识别、人体姿态识别。然而绝大多数基于深度学习的影像处理技术都是基于三原色(RGB)图像的处理技术,因此,现有技术缺点是训练成本高、实时性较差、对图像背景复杂程度有较高要求。随着越来越多的智能手机开始集成TOF(Time of Flight,飞行时间) 或者结构光深度传感器,因此基于现有影像处理技术提出一种基于深度图的RGB图像矫正方法及其系统,电子设备与可储存媒体,其透过深度图像对传统的RGB图像处理技术补充现有技术的缺失。
人脸和人体相关的深度学习模型通常是需要对一大组数据训练得到,用于训练的图片通常是相对比较正视角度拍摄的。因此训练出来的模型也只针对正视角度拍摄的照片有较高的识别准确度,而对于其他拍摄角度,如侧面、背面,拍摄出来的照片精度较低或者无法识别。对于一些特定的应用,比如基于照片重构3D人脸、人体模型的方法来说,输入的照片对拍摄角度要求更高,否则由于拍摄角度导致的透视效果会引入较大的测量误差。因此,需要一种简单的方法来保证相机成像平面与被拍摄物体平面相互平行。
传统技术依赖重力传感器确保拍摄图片时相机处于垂直状态。但是无法保证被拍摄物体也处于垂直状态。对于人体建模来说,拍照的时候如果人前倾、后仰,或者相机没有垂直,都会导致人与图像平面不平行,引入透视误差。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于图像矫正方法及其系统,电子设备与可储存媒体,其通过深度影像经过简化的矩阵运算结,获得最终的目标变换矩阵,进一步用于矫正RGB图像。
本发明解决其技术问题所采用的技术方案是:提供一种图像矫正方法,包括如下步骤:
获取拍摄目标的深度图及RGB图;
在所述深度图和/或所述RGB图上设置至少一个特征区域;
获取所述特征区域的深度值,以及所述特征区域在所述深度图或所述RGB图上对应的位置,计算得到目标变换矩阵;
根据所述目标变换矩阵以及拍摄设备的参数矫正所述RGB图像。
因人体在拍摄时,因每个人站立的姿势不一样,身体会产生一定程度的倾斜,如果人前倾、后仰,或者相机没有垂直,都会导致人与图像平面不平行,引入透视误差,因而需要对获取到的图像进行矫正,而RGB图无法识别人体倾斜的角度,因而需要结合深度图进行矫正。本发明中同时获取深度图及RGB图,基于深度图、RGB图或者两者相结合识别特征区域,可以更准确的进行识别,得到准确的特征区域进行计算,获得的计算结果更为准确,结合深度图对RGB图像进行矫正,得到准确的人体图像,再进行人体3D模型的建构,所得到的模型更准确。
进一步的,所述特征区域的深度值为所述特征区域的平均深度值。
通常人体都具有一定的厚度,各部位的厚度值不一样,且因环境及站立状态的影响,因而在获取变换矩阵对应的三维坐标点时,很难获取准确的质心位置,因而采用计算该区域的平均深度值为参考。
进一步的,所述目标变换矩阵的计算方法为,获取所述拍摄目标的质心位置,以此作为所述目标变换矩阵对应三维坐标系的原点。
进一步的,所述目标变换矩阵中的旋转轴a及旋转角θ的计算方法为:获取所述拍摄目标垂直方向上不同区域对应的两个区域质心位置,获取所述两个区域质心点从下至上的单位向量,所述单位向量为n=(x,y,z),设定所述拍摄目标朝向为t=(x′,y′,z′),得到所述旋转轴a=n×t,所述旋转角θ=arccos(n·t/|n|·|t|),其中×为向量叉乘,·为向量点乘。公式n=(x,y,z)及t=(x′,y′,z′)中x、y、z、x′、y′及z′表示向量的值,根据具体情况而定。
进一步的,所述目标变换矩阵的旋转用四元数表示。使用四元数代表变换矩阵进行运算,更加简便、直观。
进一步的,所述拍摄设备的参数为根据拍摄设备上的深度传感器和RGB相机的位置参数计算得到的外参变换矩阵。目标变换矩阵乘以外参变换矩阵,可以计算得到人体与相机的实际倾斜角度,将此倾斜角度进行矫正,即可修正因人体前倾、后仰或者相机没有垂直而引入的透视误差,得到准确的人体RGB图。
进一步的,在所述根据所述目标变换矩阵以及拍摄设备的参数矫正所述RGB图像的步骤之后,还包括输出矫正后的RGB图像和/或矫正后的图像参数。
本发明设计方案中还涉及一种图像矫正系统,其包括:
图像获取模块,用于获取拍摄目标的深度图及RGB图,其包括RGB摄像头及深度摄像头;处理模块,用于获取拍摄目标的特征区域,根据获取的特征区域计算拍摄目标的目标变换矩阵,以及根据所述RGB摄像头及所述深度摄像头所在的位置参数计算得到外参变换矩阵,根据所述目标变换矩阵及所述外参矩阵对RGB图进行矫正;
输出模块,用于输出矫正后的RGB图和/或矫正后的图像参数。
本发明设计方案中还涉及一种电子设备,其包括处理器、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;
所述存储器,用于存放计算机程序;
所述处理器,用于执行存储器上所存放的计算机程序时,实现上述图像矫正方法所述的方法步骤。
本发明设计方案中还涉及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上述图像矫正方法所述的方法步骤。
本发明一种基于深度图的RGB图像矫正方法及其系统,电子设备与可储存媒体,具有以下有益效果:
本发明采用深度图矫正RGB图像,提升了RGB图像处理和3D重构的精度;基于深度图、RGB图或者两者相结合识别特征区域,提升识别鲁棒性;使用四元数代表变换矩阵进行运算,更加简便、直观。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明图像矫正方法一个实施例中方法的流程图;
图2为本发明图像矫正系统一个实施例中的系统图;
图3为本发明实现图像矫正方法一个实施例中的电子设备图;
图4为本发明实现图像矫正系统一个实施例中的储存介质图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本发明图像矫正方法及其系统,电子设备与可储存介质实施例中,其图像矫正方法的流程图如图1所示。图1中,以正面人体图像矫正为例,该图像矫正方法包括如下步骤:步骤S1:拍摄人体的深度图及人体RGB图。
步骤S2:在人体深度图和RGB图上设置至少一个特征区域。比如头部、手、脚、五官等。
步骤S3:获取特征区域的平均深度值,以及所述特征区域在所述深度图或所述RGB图上对应的位置,计算得到目标变换矩阵。具体计算方法如下:
步骤S31:计算人体质心位置,并作为目标变换矩阵对应的三维坐标系原点。
步骤S32:计算头部、两脚两个特征区域对应的质心位置。
步骤S33:获得两脚中心点到头部质心的单位向量,该向量代表人体朝向n=(x,y,z)。
步骤S34:为了消除误差,假定目标人体朝向为t=(0,1,0)
步骤S35:计算旋转轴a=n×t,其中×代表向量叉乘;计算旋转角θ=arccos(n·t/|n|·|t|),其中·代表向量点乘。
步骤S36:为了方便计算,用四元数q代表目标变换矩阵,上述计算得到的旋转轴和旋转角度代入四元数。
步骤S4:根据所述目标变换矩阵以及拍摄设备的参数矫正RGB图像。
拍摄设备的参数为根据拍摄设备上的深度传感器和RGB相机的位置参数计算得到的外参变换矩阵。目标变换矩阵乘以外参变换矩阵,可以计算得到人体与相机的实际倾斜角度,将此倾斜角度进行矫正,即可修正因人体前倾、后仰或者相机没有垂直而引入的透视误差,得到准确的人体RGB图。
步骤S5:输出矫正后的RGB图像。同时也可以选择输出矫正后的图像参数。
因人体在拍摄时,因每个人站立的姿势不一样,身体会产生一定程度的倾斜,如果人前倾、后仰,或者相机没有垂直,都会导致人与图像平面不平行,引入透视误差,因而需要对获取到的图像进行矫正,而RGB图无法识别人体倾斜的角度,因而需要结合深度图进行矫正。本发明中同时获取深度图及RGB图,基于深度图、RGB图或者两者相结合识别特征区域,可以更准确的进行识别,得到准确的特征区域进行计算,获得的计算结果更为准确,结合深度图对RGB图像进行矫正,得到准确的人体图像,再进行人体3D模型的建构,所得到的模型更准确。
得到矫正后的RGB图可以直接用于3D人体模型建构。
在本实施例方式中,对于人体的变换矩阵通常为为旋转矩阵,相机的外参变换矩阵为平移变换,但并不以此作为限定。
在本发明图像矫正方法及其系统,电子设备与可储存媒体实施例中,其图像矫正系统的系统图如图2所示。图2中,该图像矫正系统包括图像获取模块10、处理模块20与输出端30。图像获取模块10包括深度图像输入模块12与RGB图像输入模块14。处理模块 20包括数据接收及运算模块22与缓存模块24。
在图像获取模块10透过深度图像输入单元12与RGB图像输入单元14分别取得深度图像G2与RGB图像G1,而分别传输到数据接收及运算模块22,其中深度图像输入单元 12与RGB图像输入单元14分别连接至图像拍摄单元16,以分别获取深度影像G2与RGB 图像G1。例如:整个图像获取模块10含图像拍摄单元16,可视为一含深度摄像头及RGB 摄像头的拍摄设备。
处理模块20通过数据接收及运算模块22接收深度图像与RGB图像,且通过数据接收及运算模块22从深度图像或RGB图像中提取特征区域F,因而将特征区域F存入缓存模块24,再由数据接收及运算模块22向缓存模块24读取特征区域F与对应的深度值及相互位置关系,例如:平均深度值,以运算出用于矫正RGB图像G1的变换矩阵,利用数据接收及传输单元22根据变换矩阵矫正RGB图像G1并通过输出模块30输出。因此,处理模块20可视为具有图像计算功能的处理器,类似于计算机的主机。
在本发明图像矫正方法及其系统,电子设备与可储存媒体实施例中,其采用图像矫正方法的电子设备的系统图如图3所示。图3中,本发明采用基于深度图的RGB图像矫正方法的电子设备40包括处理器42、通信接口44、存储器46和通信总线48
透过处理器42读取存储器46所存放的计算机程序P,以执行上述基于深度图的RGB图像矫正方法,执行参照上述描述的根据本公开实施例的基于深度图的RGB图像矫正方法,而让处理器42实现上述的步骤S01至步骤S04。
本发明又一实施例提供的计算机可读存储介质900,如图4所示,其上存储有计算机程序,该程序被处理器执行时实现上述任一项基于深度图的RGB图像矫正方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等等)、静态随机访问存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、软盘、光盘、DVD、CD- ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。在本公开的一个实施例中,计算机可读存储介质900其上存储有非暂时性计算机可读指令901。当非暂时性计算机可读指令901由处理器运行时,执行参照上述描述的根据本公开实施例的基于深度图的RGB图像矫正方法。
总之,本发明基于深度图的RGB图像矫正方法,输入端将图像输入到影像处理设备,供所述影像处理设备对所述图像进行判断与提取后,实现变换矩阵的计算,以矫正的RGB 图像。
需要指出的是,本发明以人体图像矫正为例,对于其他拍摄目标的矫正也包含在此发明所述的技术方案范围内。基于所拍摄对象的不同,获取的特征区域也不同,但计算方法及原理是相同的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像矫正方法,其特征在于,包括如下步骤:
获取拍摄目标的深度图及RGB图;
在所述深度图和/或所述RGB图上设置至少一个特征区域;
获取所述特征区域的深度值,以及所述特征区域在所述深度图或所述RGB图上对应的位置,计算得到目标变换矩阵;
根据所述目标变换矩阵以及拍摄设备的参数矫正所述RGB图像。
2.如权利要求1所述的图像矫正方法,其特征在于,所述特征区域的深度值为所述特征区域的平均深度值。
3.如权利要求1所述的图像矫正方法,其特征在于,所述目标变换矩阵的计算方法为,获取所述拍摄目标的质心位置,以此作为所述目标变换矩阵对应三维坐标系的原点。
4.如权利要求3所述的图像矫正方法,其特征在于,所述目标变换矩阵中的旋转轴a及旋转角θ的计算方法为:获取所述拍摄目标预设方向上不同区域对应的两个质心位置,获取所述两个质心点从下至上的单位向量,所述单位向量为n=(x,y,z),设定所述拍摄目标朝向为t=(x′,y′,z′),得到所述旋转轴a=n×t,所述旋转角θ=arccos(n·t/|n|·|t|),其中×为向量叉乘,·为向量点乘。
5.如权利要求1所述的图像矫正方法,其特征在于,所述目标变换矩阵的旋转用四元数表示。
6.如权利要求1所述的图像矫正方法,其特征在于,所述拍摄设备的参数为根据拍摄设备上的深度传感器和RGB相机的位置参数计算得到的外参变换矩阵。
7.如权利要求1所述的图像矫正方法,其特征在于,在所述根据所述目标变换矩阵以及拍摄设备的参数矫正所述RGB图像的步骤之后,还包括输出矫正后的RGB图像和/或矫正后的图像参数。
8.一种图像矫正系统,其特征在于,包括:
图像获取模块,用于获取拍摄目标的深度图及RGB图,其包括RGB摄像头及深度摄像头;处理模块,用于获取拍摄目标的特征区域,根据获取的特征区域计算拍摄目标的目标变换矩阵,以及根据所述RGB摄像头及所述深度摄像头所在的位置参数计算得到外参变换矩阵,根据所述目标变换矩阵及所述外参矩阵对RGB图进行矫正;
输出模块,用于输出矫正后的RGB图以及矫正后的图像参数。
9.一种电子设备,其特征在于,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;
所述存储器,用于存放计算机程序;
所述处理器,用于执行存储器上所存放的计算机程序时,实现权利要求1-7任意一项所述的方法步骤。
10.一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1-7任意一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910930339.4A CN110717937A (zh) | 2019-09-29 | 2019-09-29 | 一种图像矫正方法及其系统、电子设备与可储存媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910930339.4A CN110717937A (zh) | 2019-09-29 | 2019-09-29 | 一种图像矫正方法及其系统、电子设备与可储存媒体 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717937A true CN110717937A (zh) | 2020-01-21 |
Family
ID=69212027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910930339.4A Pending CN110717937A (zh) | 2019-09-29 | 2019-09-29 | 一种图像矫正方法及其系统、电子设备与可储存媒体 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717937A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112995641A (zh) * | 2021-02-08 | 2021-06-18 | 东莞埃科思科技有限公司 | 一种3d模组成像装置及方法、电子设备 |
CN113420700A (zh) * | 2021-07-02 | 2021-09-21 | 支付宝(杭州)信息技术有限公司 | 手掌生物特征采集装置及方法 |
WO2022206639A1 (zh) * | 2021-03-31 | 2022-10-06 | 华为技术有限公司 | 人体关键点检测方法及相关装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529538A (zh) * | 2016-11-24 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种飞行器的定位方法和装置 |
CN106887023A (zh) * | 2017-02-21 | 2017-06-23 | 成都通甲优博科技有限责任公司 | 用于双目摄像机标定的标定板及其标定方法和标定系统 |
CN106970581A (zh) * | 2017-04-30 | 2017-07-21 | 中南大学 | 一种基于无人机群三维全视角的列车受电弓实时智能监测方法及系统 |
CN107917701A (zh) * | 2017-12-28 | 2018-04-17 | 人加智能机器人技术(北京)有限公司 | 基于主动式双目立体视觉的测量方法及rgbd相机系统 |
CN108614939A (zh) * | 2018-05-02 | 2018-10-02 | 北京建筑大学 | 顾及三维拓扑的地下工井设施建模方法 |
CN110135331A (zh) * | 2019-05-13 | 2019-08-16 | 人加智能机器人技术(北京)有限公司 | 交互行为检测方法、装置、系统、设备和存储介质 |
CN110163898A (zh) * | 2019-05-07 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种深度信息配准方法及装置 |
CN110276716A (zh) * | 2019-06-19 | 2019-09-24 | 北京茵沃汽车科技有限公司 | 车辆前后视鱼眼图像的180度矫正视图的生成方法 |
-
2019
- 2019-09-29 CN CN201910930339.4A patent/CN110717937A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529538A (zh) * | 2016-11-24 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种飞行器的定位方法和装置 |
CN106887023A (zh) * | 2017-02-21 | 2017-06-23 | 成都通甲优博科技有限责任公司 | 用于双目摄像机标定的标定板及其标定方法和标定系统 |
CN106970581A (zh) * | 2017-04-30 | 2017-07-21 | 中南大学 | 一种基于无人机群三维全视角的列车受电弓实时智能监测方法及系统 |
CN107917701A (zh) * | 2017-12-28 | 2018-04-17 | 人加智能机器人技术(北京)有限公司 | 基于主动式双目立体视觉的测量方法及rgbd相机系统 |
CN108614939A (zh) * | 2018-05-02 | 2018-10-02 | 北京建筑大学 | 顾及三维拓扑的地下工井设施建模方法 |
CN110163898A (zh) * | 2019-05-07 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种深度信息配准方法及装置 |
CN110135331A (zh) * | 2019-05-13 | 2019-08-16 | 人加智能机器人技术(北京)有限公司 | 交互行为检测方法、装置、系统、设备和存储介质 |
CN110276716A (zh) * | 2019-06-19 | 2019-09-24 | 北京茵沃汽车科技有限公司 | 车辆前后视鱼眼图像的180度矫正视图的生成方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112995641A (zh) * | 2021-02-08 | 2021-06-18 | 东莞埃科思科技有限公司 | 一种3d模组成像装置及方法、电子设备 |
WO2022206639A1 (zh) * | 2021-03-31 | 2022-10-06 | 华为技术有限公司 | 人体关键点检测方法及相关装置 |
CN113420700A (zh) * | 2021-07-02 | 2021-09-21 | 支付宝(杭州)信息技术有限公司 | 手掌生物特征采集装置及方法 |
CN113420700B (zh) * | 2021-07-02 | 2022-10-25 | 支付宝(杭州)信息技术有限公司 | 手掌生物特征采集装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6934887B2 (ja) | 単眼カメラを用いたリアルタイム3d捕捉およびライブフィードバックのための方法およびシステム | |
JP6237326B2 (ja) | 姿勢推定装置、姿勢推定方法及び姿勢推定用コンピュータプログラム | |
CN111598993B (zh) | 基于多视角成像技术的三维数据重建方法、装置 | |
JP4593968B2 (ja) | 位置姿勢計測方法および装置 | |
US20110249117A1 (en) | Imaging device, distance measuring method, and non-transitory computer-readable recording medium storing a program | |
US9378559B2 (en) | System and method for motion estimation | |
CN110717937A (zh) | 一种图像矫正方法及其系统、电子设备与可储存媒体 | |
JP5290865B2 (ja) | 位置姿勢推定方法および装置 | |
CN109640066B (zh) | 高精度稠密深度图像的生成方法和装置 | |
JP2017091079A (ja) | 入力データから検出対象物の像を検出する画像処理装置および方法 | |
US9727776B2 (en) | Object orientation estimation | |
JP6515039B2 (ja) | 連続的な撮影画像に映り込む平面物体の法線ベクトルを算出するプログラム、装置及び方法 | |
CN104156998A (zh) | 一种基于图片虚拟内容融合真实场景的实现方法及系统 | |
CN111862299A (zh) | 人体三维模型构建方法、装置、机器人和存储介质 | |
WO2019075948A1 (zh) | 移动机器人的位姿估计方法 | |
CN108345821B (zh) | 面部追踪方法及设备 | |
CN110909580A (zh) | 数据处理方法及装置、电子设备及存储介质 | |
WO2022174594A1 (zh) | 基于多相机的裸手追踪显示方法、装置及系统 | |
CN109902675B (zh) | 物体的位姿获取方法、场景重构的方法和装置 | |
CN109949232A (zh) | 图像与rtk结合的测量方法、系统、电子设备及介质 | |
CN112287867A (zh) | 一种多摄像头的人体动作识别方法及装置 | |
WO2022105745A1 (zh) | 用于在图像跟踪过程中确定跟踪对象的位姿的方法及装置 | |
CN108460368B (zh) | 三维图像合成方法、装置及计算机可读存储介质 | |
CN114722913A (zh) | 姿态检测方法、装置、电子设备及计算机可读存储介质 | |
CN111105467A (zh) | 一种图像标定方法、装置及电子设备 |
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: 20200121 |