CN111275827A - 基于边缘的增强现实三维跟踪注册方法、装置和电子设备 - Google Patents
基于边缘的增强现实三维跟踪注册方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111275827A CN111275827A CN202010118216.3A CN202010118216A CN111275827A CN 111275827 A CN111275827 A CN 111275827A CN 202010118216 A CN202010118216 A CN 202010118216A CN 111275827 A CN111275827 A CN 111275827A
- Authority
- CN
- China
- Prior art keywords
- group
- matching
- small edge
- dimensional object
- points
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了一种基于边缘的增强现实三维跟踪注册方法、装置、电子设备和存储介质,涉及计算机视觉处理领域。具体实现方案为:获取三维物体在图像中的初始化姿态;通过初始化姿态,提取三维物体轮廓的小边特征;对提取到的小边特征进行分组,并以每个组为基本单位,在图像中进行搜索以找出每个组内各小边特征对应的匹配点;基于所有组找出的匹配点,计算三维物体的姿态。本申请的方案可以又快又鲁棒的计算三维物体的精确姿态,且算法计算复杂度低,对计算设备硬件要求较低,可在多种设备做AR三维物体跟踪展示。
Description
技术领域
本申请涉及计算机视觉处理领域,尤其涉及一种基于边缘的增强现实三维跟踪注册方法、装置、电子设备和计算机可读存储介质。
背景技术
三维物体注册跟踪算法是增强现实(Augmented Reality,英文简称为AR)技术产品里的一个重要算法。要追踪现实中的三维物体,可先确定该三维物体相对于手机、相机等图像采集设备的初始相对姿态。获取这个初始相对姿态的过程就叫注册。
相关技术中,通常的注册方法分两步进行,第一步用模板匹配的方法在全图里搜索目标物体,并获取大致的姿态;第二步是基于第一步的结果做姿态校准,获取精确姿态。其中,第二步常用的方法一般采用以下两类:第一类是基于边缘的匹配以计算精确姿态;第二类是基于深度学习的方法以计算精确姿态。
但是目前存在的问题是:虽然上述第一类方法通常速度快,但是在一些复杂环境(如背景杂乱、遮挡等)里不鲁棒,由于找到的小边特征正确匹配较少,使得匹配点容易失效;第二类方法比较鲁棒,但计算精确姿态速度比较慢。
发明内容
本申请的目的旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种基于边缘的增强现实三维跟踪注册方法,该方法可实现又快又鲁棒的计算三维物体的精确姿态,且算法计算复杂度低,对计算设备硬件要求较低,可在多种设备做AR三维物体跟踪展示。
本申请的第二个目的在于提出一种基于边缘的增强现实三维跟踪注册装置。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种存储有计算机指令的非瞬时计算机可读存储介质。
为达到上述目的,本申请第一方面实施例提出的基于边缘的增强现实三维跟踪注册方法,包括:
获取三维物体在图像中的初始化姿态;
通过初始化姿态,提取三维物体轮廓的小边特征;
对提取到的小边特征进行分组,并以每个组为基本单位,在图像中进行搜索以找出每个组内各小边特征对应的匹配点;
基于所有组找出的匹配点,计算三维物体的姿态。
根据本申请的一个实施例,通过所述初始化姿态,提取所述三维物体轮廓的小边特征,包括:通过所述初始化姿态将所述三维物体的模型进行投影,计算出模型投影图像;识别所述模型投影图像中对象的可见边缘,并沿着可见边缘以规则间隔的方式来分配采样点;将所述采样点以及所述采样点在模型线段的法线方向作为所述三维物体轮廓的小边特征。
根据本申请的一个实施例,所述对提取到的小边特征进行分组,包括:基于所述三维物体轮廓整体的几何结构,对提取到的小边特征进行分组;其中,每个组内的各小边特征的法线方向一致或法线方向间的夹角在第一预设范围内,且所述每个组均具有自己的平均法向量。
根据本申请的一个实施例,所述以每个组为基本单位,在图像中进行搜索以找出每个组内各小边特征对应的匹配点,包括:以每个组为基本单位,沿所述每个组的平均法向量方向在图像中搜索以找出所述每个组内各个小边特征的匹配点。
根据本申请的一个实施例,沿所述每个组的平均法向量方向在图像中搜索以找出所述每个组内各个小边特征的匹配点,包括:沿所述当前组的平均法向量方向于第二预设范围内在所述图像中进行双向搜索;将所述当前组内的各个小边特征在每一个搜索位置进行匹配,以找出所述当前组内的各个小边特征在所述每一个搜索位置上的匹配点;从所述每一个搜索位置中,选取匹配点最多的搜索位置作为所述当前组的最佳匹配位置,并将在所述最佳匹配位置上的匹配点作为对应小边特征的匹配点。
根据本申请的一个实施例,将所述当前组内的各个小边特征在每一个搜索位置进行匹配,以找出所述当前组内的各个小边特征在所述每一个搜索位置上的匹配点,包括:在所述当前组内的各个小边特征的搜索位置,找出沿所述当前组的平均法向量方向上的梯度值大于预设阈值的梯度极值点作为备选点;在所述备选点中,选取梯度方向和所述当前组的平均法向量方向的夹角最小的备选点作为所述各个小边特征在所述搜索位置上的匹配点。
为达到上述目的,本申请第二方面实施例提出的基于边缘的增强现实三维跟踪注册装置,包括:
初始化姿态获取模块,用于获取三维物体在图像中的初始化姿态;
特征提取模块,用于通过所述初始化姿态,提取所述三维物体轮廓的小边特征;
分组模块,用于对提取到的小边特征进行分组;
匹配点搜索模块,用于以每个组为基本单位,在图像中进行搜索以找出每个组内各小边特征对应的匹配点;
姿态计算模块,用于基于所有组找出的匹配点,计算所述三维物体的姿态。
为达到上述目的,本申请第三方面实施例提出的电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请第一方面所述的基于边缘的增强现实三维跟踪注册方法。
为达到上述目的,本申请第四方面实施例提出的存储有计算机指令的非瞬时计算机可读存储介质,包括:所述计算机指令用于使所述计算机执行本申请第一方面所述的基于边缘的增强现实三维跟踪注册方法。
上述申请中的一个实施例具有如下优点或有益效果:通过三维物体在图像中的初始化姿态,提取三维物体轮廓的小边特征,并对提取到的小边特征进行分组,并以每个组为基本单位,在图像中进行搜索以找出每个组内各小边特征对应的匹配点,基于所有组找出的匹配点,计算三维物体的精确姿态。在整个跟踪注册过程中,通过将三维物体轮廓的小边特征进行分组,以每个组为基本单元在图像中进行搜索匹配,以确保在图像中找到的小边特征正确匹配的数量,保证找到的匹配点的有效性,从而可以使得本申请的跟踪注册方法在一些复杂坏境(如背景杂乱、遮挡等)也具有鲁棒性,同时也能够保证计算速度,从而实现了又快又鲁棒地计算得到三维物体的精确姿态,且算法计算复杂度低,对计算设备硬件要求较低,可在多种设备上做AR三维物体跟踪展示。克服了现有技术中三维物体跟踪注册算法的计算速度和鲁棒性不能兼容的问题。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成本申请的限定。其中:
图1是根据本申请一个实施例的基于边缘的增强现实三维跟踪注册方法的流程图。
图2是根据本申请一个实施例的确定沿每个组的平均法向量方向在图像中搜索以找出每个组内各个小边特征的匹配点的流程图。
图3是根据本申请一个实施例的找出当前组内的各个小边特征在每一个搜索位置上的匹配点的结构示意图。
图4是根据本申请一个实施例的基于边缘的增强现实三维跟踪注册装置的结构示意图。
图5是根据本申请实施例的基于边缘的增强现实三维跟踪注册的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请提出了一种基于边缘的增强现实三维跟踪注册方法、装置、电子设备和存储有计算机指令的非瞬时计算机可读存储介质,本申请解决了现有技术中三维物体跟踪注册算法的计算速度和鲁棒性不能兼容。具体地,下面参考附图描述本申请实施例的基于边缘的增强现实三维跟踪注册方法、装置、电子设备和存储有计算机指令的非瞬时计算机可读存储介质。
图1是根据本申请一个实施例的基于边缘的增强现实三维跟踪注册方法的流程图。需要说明的是,本申请实施例的基于边缘的增强现实三维跟踪注册方法可应用于本申请实施例的基于边缘的增强现实三维跟踪注册装置,该装置可被配置于电子设备上。其中,该电子设备可以是具有显示屏的各种电子设备,可以是移动终端,例如,智能手机、平板电脑,或者还可以是AR设备。需要说明的是,该电子设备具有图像采集装置。
如图1所示,该基于边缘的增强现实三维跟踪注册方法可以包括:
S110,获取三维物体在图像中的初始化姿态。
在本申请的实施例中,当识别到三维物体时,可对该三维物体进行追踪。在确定对该三维物体进行追踪时,可先获取三维物体在图像中的初始化姿态。其中,初始化姿态可理解为三维物体在图像中的大致位置和姿态。
其中,可通过LineMod(线函数)算法获取三维物体在图像中的初始化姿态。
举例而言,可基于LineMod算法采用图像的梯度信息结合三维物体表面的法向特征作为模板匹配的依据,可获取三维物体在图像中的初始化姿态。
S120,通过初始化姿态,提取三维物体轮廓的小边特征。
在本申请的实施例中,在获取到三维物体在图像中的初始化姿态后,可通过该初始化姿态将该三维物体的模型进行投影,计算出模型投影图像,然后,识别模型投影图像中对象的可见边缘,并沿着可见边缘以规则间隔的方式来分配采样点,之后,将采样点以及采样点在模型线段的法线方向作为三维物体轮廓的小边特征(对应英文为moving edge)。
其中,可通过投影方法将三维物体的模型进行投影,以计算出模型投影图像,其中,投影方法包括但不仅限于透视投影方法、正射投影方法等。
S130,对提取到的小边特征进行分组,并以每个组为基本单位,在图像中进行搜索以找出每个组内各小边特征对应的匹配点。
也就是说,在提取到三维物体轮廓的小边特征之后,可基于该三维物体轮廓整体的几何结构,对提取到的小边特征进行分组,进而基于分组在图像中进行搜索匹配。在本申请的实施例中,可基于三维物体轮廓整体的几何结构,可将提取到的小边特征分成不同的组,其中,每个组内的各小边特征的法线方向一致或法线方向间的夹角在第一预设范围内,且每个组均具有自己的平均法向量。
在对提取到的小边特征进行分组之后,可以每个组为基本单位,沿每个组的平均法向量方向在图像中搜索以找出每个组内各个小边特征的匹配点。
其中,三维物体轮廓整体的几何结构包括但不仅限于相邻小边之间的法向量夹角、凹凸情况等。
也就是说,可根据三维物体轮廓整体的几何结构,例如相邻小边之间的法向量夹角或凹凸情况,将提取到的小边特征分成不同的组,每个组内的小边特征的法线方向一致或法线方向间的夹角在第一预设范围(其中,该第一预设范围可以理解是能够使得每个组内的小边特征的法线方向基本一致)内,每个组具有自己的平均法向量,并以每个组为基本单位,沿每个组的平均法向量方向在图像中搜索以找出每个组内各个小边特征的匹配点。
其中,在本申请的实施例中,该匹配方法可为:沿平均方向在一定范围内双向搜索,在每一个搜索位置都将组里的小边特征在附近做匹配,看能有几个匹配点,最后,选匹配点最多的一个位置作为这个组的最佳匹配位置,并且在这个位置上的各个小边特征的匹配点确定为它们各自的匹配点。
在本申请的一个实施例中,如图2所示,所述沿每个组的平均法向量方向在图像中搜索以找出每个组内各个小边特征的匹配点的具体实现过程可如下:
S210,沿当前组的平均法向量方向于第二预设范围内在图像中进行双向搜索。
也就是说,将提取到的小边特征分成不同的组,每个组沿当前组的平均法向量方向在一定范围内进行双向搜索,其中,搜索步长为单位像素。
S220,将当前组内的各个小边特征在每一个搜索位置进行匹配,以找出当前组内的各个小边特征在每一个搜索位置上的匹配点。
在本申请的实施例中,在当前组内的各个小边特征的搜索位置,找出沿当前组的平均法向量方向上的梯度值大于预设阈值的梯度极值点作为备选点,然后,在备选点中,选取梯度方向和当前组的平均法向量方向的夹角最小的备选点作为各个小边特征在搜索位置上的匹配点。
其中,可通过梯度一般公式或梯度中值差分公式,计算沿当前组的平均法向量方向上的梯度值。
也就是说,通过梯度一般公式或梯度中值差分公式,计算出沿当前组的平均法向量方向上的梯度值,之后,可在当前组内的各个小边特征的搜索位置,找到梯度图中沿法平均法向量上的梯度值大于预设阈值的梯度极值点,比如,某个像素点的梯度值足够大、且比法向量方向的两边像素的梯度值都大,并作为备选点,然后,在备选点中,选择梯度方向和当前组的平均法向量的夹角(比如0~90度)最小的备选点作为各个小边特征在搜索位置上的匹配点。
S230,从每一个搜索位置中,选取匹配点最多的搜索位置作为当前组的最佳匹配位置,并将在最佳匹配位置上的匹配点作为对应小边特征的匹配点。
也就是说,在找到当前组内的各个小边特征在每一个搜索位置上的匹配点之后,可从每一个搜索位置中,选取匹配点最多的搜索位置作为当前组的最佳匹配位置,并将在最佳匹配位置上的匹配点作为对应小边特征的匹配点。
举例而言,如图3所示,S1为图像中正确的边缘位置,L1、L2、L3、L4、L5分别为当前组内的各个小边特征的搜索位置,箭头为当前组的平均法向量方向,各个“+”号为各搜索位置对应的组内各小边的中心位置。在L1、L2、L3、L4、L5中,找出沿当前组的平均法向量方向上的梯度值大于预设阈值的梯度极值点作为备选点,然后,在备选点中,选取梯度方向和当前组的平均法向量方向的夹角最小的备选点作为各个小边特征在搜索位置上的匹配点,例如,由于S1为正确的边缘位置,所以,该当前组在沿其平均法向量方向在L1、L2、L3、L4、L5搜索位置进行搜索匹配时,发现搜索位置L3上能够匹配到小边特征的点最多,此时可将该搜索位置L3作为这个组的最佳匹配位置,并且在该搜索位置L3上的各个小边特征的匹配点作为这些小边特征的匹配点。
S140,基于所有组找出的匹配点,计算三维物体的姿态。
在本申请的实施例中,基于所有组找出的匹配点,可通过RANSAC算法与IRLS算法相结合的方式计算三维物体的精确姿态。
根据本申请实施例的基于边缘的增强现实三维跟踪注册方法,可获取三维物体在图像中的初始化姿态,通过初始化姿态,提取三维物体轮廓的小边特征,之后对提取到的小边特征进行分组,并以每个组为基本单位,在图像中进行搜索以找出每个组内各小边特征对应的匹配点,然后基于所有组找出的匹配点,计算三维物体的姿态。该方法在整个跟踪注册过程中,通过将三维物体轮廓的小边特征进行分组,以每个组为基本单元在图像中进行搜索匹配,以确保在图像中找到的小边特征正确匹配的数量,保证找到的匹配点的有效性,从而可以使得本申请的跟踪注册方法在一些复杂坏境(如背景杂乱、遮挡等)也具有鲁棒性,同时也能够保证计算速度,实现了又快又鲁棒的计算三维物体的精确姿态,且算法计算复杂度低,对计算设备硬件要求较低,可在多种设备做AR三维物体跟踪展示。
与上述几种实施例提供的基于边缘的增强现实三维跟踪注册方法相对应,本申请的一种实施例还提供一种基于边缘的增强现实三维跟踪注册装置,由于本申请实施例提供的基于边缘的增强现实三维跟踪注册装置与上述几种实施例提供的基于边缘的增强现实三维跟踪注册方法相对应,因此在基于边缘的增强现实三维跟踪注册方法的实施方式也适用于本实施例提供的基于边缘的增强现实三维跟踪注册装置,在本实施例中不再详细描述。图4是根据本申请一个实施例的基于边缘的增强现实三维跟踪注册装置的结构示意图。
如图4所示,该基于边缘的增强现实三维跟踪注册装置400包括:初始化姿态获取模块410、特征提取模块420、分组模块430、匹配点搜索模块440和姿态计算模块450。其中:
初始化姿态获取模块410用于获取三维物体在图像中的初始化姿态;
特征提取模块420用于通过所述初始化姿态,提取所述三维物体轮廓的小边特征。作为一种示例,所述特征提取模块420具体用于:通过所述初始化姿态将所述三维物体的模型进行投影,计算出模型投影图像;识别所述模型投影图像中对象的可见边缘,并沿着可见边缘以规则间隔的方式来分配采样点;将所述采样点以及所述采样点在模型线段的法线方向作为所述三维物体轮廓的小边特征。
分组模块430用于对提取到的小边特征进行分组。作为一种示例,所述分组模块430具体用于:基于所述三维物体轮廓整体的几何结构,对提取到的小边特征进行分组;其中,每个组内的各小边特征的法线方向一致或法线方向间的夹角在第一预设范围内,且所述每个组均具有自己的平均法向量。
匹配点搜索模块440用于以每个组为基本单位,在图像中进行搜索以找出每个组内各小边特征对应的匹配点。作为一种示例,所述匹配点搜索模块具体用于:以每个组为基本单位,沿所述每个组的平均法向量方向在图像中搜索以找出所述每个组内各个小边特征的匹配点。
在本申请的实施例中,所述匹配点搜索模块440具体用于:沿所述当前组的平均法向量方向于第二预设范围内在所述图像中进行双向搜索;将所述当前组内的各个小边特征在每一个搜索位置进行匹配,以找出所述当前组内的各个小边特征在所述每一个搜索位置上的匹配点;从所述每一个搜索位置中,选取匹配点最多的搜索位置作为所述当前组的最佳匹配位置,并将在所述最佳匹配位置上的匹配点作为对应小边特征的匹配点。
在本申请的实施例中,所述匹配点搜索模块440具体用于:在所述当前组内的各个小边特征的搜索位置,找出沿所述当前组的平均法向量方向上的梯度值大于预设阈值的梯度极值点作为备选点;在所述备选点中,选取梯度方向和所述当前组的平均法向量方向的夹角最小的备选点作为所述各个小边特征在所述搜索位置上的匹配点。
姿态计算模块450用于基于所有组找出的匹配点,计算所述三维物体的姿态。
根据本申请实施例的基于边缘的增强现实三维跟踪注册装置,可获取三维物体在图像中的初始化姿态,通过初始化姿态,提取三维物体轮廓的小边特征,之后对提取到的小边特征进行分组,并以每个组为基本单位,在图像中进行搜索以找出每个组内各小边特征对应的匹配点,然后基于所有组找出的匹配点,计算三维物体的姿态。由此在整个跟踪注册过程中,通过将三维物体轮廓的小边特征进行分组,以每个组为基本单元在图像中进行搜索匹配,以确保在图像中找到的小边特征正确匹配的数量,保证找到的匹配点的有效性,从而可以使得本申请的跟踪注册方法在一些复杂坏境(如背景杂乱、遮挡等)也具有鲁棒性,同时也能够保证计算速度,实现了又快又鲁棒的计算三维物体的精确姿态,且算法计算复杂度低,对计算设备硬件要求较低,可在多种设备做AR三维物体跟踪展示。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的基于边缘的增强现实三维跟踪注册的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的基于边缘的增强现实三维跟踪注册的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的基于边缘的增强现实三维跟踪注册的方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的基于边缘的增强现实三维跟踪注册的方法对应的程序指令/模块(例如,附图4所示的初始化姿态获取模块410、特征提取模块420、分组模块430、匹配点搜索模块440和姿态计算模块450)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的基于边缘的增强现实三维跟踪注册的方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据基于边缘的增强现实三维跟踪注册的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至基于边缘的增强现实三维跟踪注册的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
基于边缘的增强现实三维跟踪注册的方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与基于边缘的增强现实三维跟踪注册的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,可获取三维物体在图像中的初始化姿态,通过初始化姿态,提取三维物体轮廓的小边特征,之后对提取到的小边特征进行分组,并以每个组为基本单位,在图像中进行搜索以找出每个组内各小边特征对应的匹配点,然后基于所有组找出的匹配点,计算三维物体的姿态。该方法通过三维物体的初始化姿态,可提取三维物体轮廓的小边特征,以对提取到的小边特征进行分组,并在图像中进行搜索以找出每个组内各小边特征对应的匹配点,实现又快又鲁棒的计算三维物体的精确姿态,且算法计算复杂度低,对计算设备硬件要求较低,可在多种设备做AR三维物体跟踪展示。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种基于边缘的增强现实三维跟踪注册方法,其特征在于,包括:
获取三维物体在图像中的初始化姿态;
通过所述初始化姿态,提取所述三维物体轮廓的小边特征;
对提取到的小边特征进行分组,并以每个组为基本单位,在图像中进行搜索以找出每个组内各小边特征对应的匹配点;
基于所有组找出的匹配点,计算所述三维物体的姿态。
2.根据权利要求1所述的方法,其特征在于,通过所述初始化姿态,提取所述三维物体轮廓的小边特征,包括:
通过所述初始化姿态将所述三维物体的模型进行投影,计算出模型投影图像;
识别所述模型投影图像中对象的可见边缘,并沿着可见边缘以规则间隔的方式来分配采样点;
将所述采样点以及所述采样点在模型线段的法线方向作为所述三维物体轮廓的小边特征。
3.根据权利要求1所述的方法,其特征在于,所述对提取到的小边特征进行分组,包括:
基于所述三维物体轮廓整体的几何结构,对提取到的小边特征进行分组;其中,每个组内的各小边特征的法线方向一致或法线方向间的夹角在第一预设范围内,且所述每个组均具有自己的平均法向量。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述以每个组为基本单位,在图像中进行搜索以找出每个组内各小边特征对应的匹配点,包括:
以每个组为基本单位,沿所述每个组的平均法向量方向在图像中搜索以找出所述每个组内各个小边特征的匹配点。
5.根据权利要求4所述的方法,其特征在于,沿所述每个组的平均法向量方向在图像中搜索以找出所述每个组内各个小边特征的匹配点,包括:
沿所述当前组的平均法向量方向于第二预设范围内在所述图像中进行双向搜索;
将所述当前组内的各个小边特征在每一个搜索位置进行匹配,以找出所述当前组内的各个小边特征在所述每一个搜索位置上的匹配点;
从所述每一个搜索位置中,选取匹配点最多的搜索位置作为所述当前组的最佳匹配位置,并将在所述最佳匹配位置上的匹配点作为对应小边特征的匹配点。
6.根据权利要求5所述的方法,其特征在于,将所述当前组内的各个小边特征在每一个搜索位置进行匹配,以找出所述当前组内的各个小边特征在所述每一个搜索位置上的匹配点,包括:
在所述当前组内的各个小边特征的搜索位置,找出沿所述当前组的平均法向量方向上的梯度值大于预设阈值的梯度极值点作为备选点;
在所述备选点中,选取梯度方向和所述当前组的平均法向量方向的夹角最小的备选点作为所述各个小边特征在所述搜索位置上的匹配点。
7.一种基于边缘的增强现实三维跟踪注册装置,其特征在于,包括:
初始化姿态获取模块,用于获取三维物体在图像中的初始化姿态;
特征提取模块,用于通过所述初始化姿态,提取所述三维物体轮廓的小边特征;
分组模块,用于对提取到的小边特征进行分组;
匹配点搜索模块,用于以每个组为基本单位,在图像中进行搜索以找出每个组内各小边特征对应的匹配点;
姿态计算模块,用于基于所有组找出的匹配点,计算所述三维物体的姿态。
8.根据权利要求7所述的装置,其特征在于,所述特征提取模块具体用于:
通过所述初始化姿态将所述三维物体的模型进行投影,计算出模型投影图像;
识别所述模型投影图像中对象的可见边缘,并沿着可见边缘以规则间隔的方式来分配采样点;
将所述采样点以及所述采样点在模型线段的法线方向作为所述三维物体轮廓的小边特征。
9.根据权利要求7所述的装置,其特征在于,所述分组模块具体用于:
基于所述三维物体轮廓整体的几何结构,对提取到的小边特征进行分组;其中,每个组内的各小边特征的法线方向一致或法线方向间的夹角在第一预设范围内,且所述每个组均具有自己的平均法向量。
10.根据权利要求7至9中任一项所述的装置,其特征在于,所述匹配点搜索模块具体用于:
以每个组为基本单位,沿所述每个组的平均法向量方向在图像中搜索以找出所述每个组内各个小边特征的匹配点。
11.根据权利要求10所述的装置,其特征在于,所述匹配点搜索模块具体用于:
沿所述当前组的平均法向量方向于第二预设范围内在所述图像中进行双向搜索;
将所述当前组内的各个小边特征在每一个搜索位置进行匹配,以找出所述当前组内的各个小边特征在所述每一个搜索位置上的匹配点;
从所述每一个搜索位置中,选取匹配点最多的搜索位置作为所述当前组的最佳匹配位置,并将在所述最佳匹配位置上的匹配点作为对应小边特征的匹配点。
12.根据权利要求11所述的装置,其特征在于,所述匹配点搜索模块具体用于:
在所述当前组内的各个小边特征的搜索位置,找出沿所述当前组的平均法向量方向上的梯度值大于预设阈值的梯度极值点作为备选点;
在所述备选点中,选取梯度方向和所述当前组的平均法向量方向的夹角最小的备选点作为所述各个小边特征在所述搜索位置上的匹配点。
13.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6中任一项所述的基于边缘的增强现实三维跟踪注册方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1至6中任一项所述的基于边缘的增强现实三维跟踪注册方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118216.3A CN111275827B (zh) | 2020-02-25 | 2020-02-25 | 基于边缘的增强现实三维跟踪注册方法、装置和电子设备 |
US17/021,190 US11574414B2 (en) | 2020-02-25 | 2020-09-15 | Edge-based three-dimensional tracking and registration method and apparatus for augmented reality, and storage medium |
EP20216518.9A EP3872762A1 (en) | 2020-02-25 | 2020-12-22 | Edge-based three-dimensional tracking and registration method and apparatus for augmented reality, and storage medium |
JP2021022634A JP7150074B2 (ja) | 2020-02-25 | 2021-02-16 | エッジベースの拡張現実3次元追跡登録方法、装置及び電子機器 |
KR1020210023809A KR102432561B1 (ko) | 2020-02-25 | 2021-02-23 | 에지를 기반으로 하는 증강현실 3차원 추적 등록 방법, 장치 및 전자 기기 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118216.3A CN111275827B (zh) | 2020-02-25 | 2020-02-25 | 基于边缘的增强现实三维跟踪注册方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275827A true CN111275827A (zh) | 2020-06-12 |
CN111275827B CN111275827B (zh) | 2023-06-16 |
Family
ID=71000386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010118216.3A Active CN111275827B (zh) | 2020-02-25 | 2020-02-25 | 基于边缘的增强现实三维跟踪注册方法、装置和电子设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11574414B2 (zh) |
EP (1) | EP3872762A1 (zh) |
JP (1) | JP7150074B2 (zh) |
KR (1) | KR102432561B1 (zh) |
CN (1) | CN111275827B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230101469A (ko) | 2021-12-29 | 2023-07-06 | 주식회사 버넥트 | 타겟 객체의 디지털 모델로부터 에지의 특성을 검출하고 샘플 포인트를 설정하여 타겟 객체를 학습하는 방법 및 이를 이용하여 타켓 객체를 구현한 실물 객체에 가상 모델을 증강하는 방법 |
KR20230103485A (ko) | 2021-12-31 | 2023-07-07 | 주식회사 버넥트 | 파티클 필터기반 실시간 cad 모델 추적 방법 및 시스템 |
KR20240053898A (ko) | 2022-10-18 | 2024-04-25 | 주식회사 버넥트 | 타겟 객체의 디지털 모델로부터 에지를 추출하여 타겟 객체를 학습하는 방법 및 이를 이용하여 타켓 객체의 디지털 모델에 대응되는 실물 객체에 가상 모델을 증강하는 방법 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69328230D1 (de) * | 1992-12-01 | 2000-05-04 | Canon Kk | Entfernungbildverarbeitungsvorrichtung und -verfahren |
JP2003216959A (ja) * | 2002-01-22 | 2003-07-31 | Toppan Printing Co Ltd | 輪郭抽出方法及びその装置及びそのプログラム |
US20100086218A1 (en) * | 2008-09-24 | 2010-04-08 | Canon Kabushiki Kaisha | Position and orientation measurement apparatus and method thereof |
JP2012002761A (ja) * | 2010-06-18 | 2012-01-05 | Canon Inc | 位置姿勢計測装置、その処理方法及びプログラム |
US8437502B1 (en) * | 2004-09-25 | 2013-05-07 | Cognex Technology And Investment Corporation | General pose refinement and tracking tool |
US20130187913A1 (en) * | 2012-01-20 | 2013-07-25 | Siemens Corporation | Method and device for snapping normals to create fair 3d surfaces from edge curves |
CN103903280A (zh) * | 2014-03-28 | 2014-07-02 | 哈尔滨工程大学 | 一种改进水平集目标提取的子块权重Mean-Shift跟踪方法 |
US20140270362A1 (en) * | 2013-03-15 | 2014-09-18 | Qualcomm Incorporated | Fast edge-based object relocalization and detection using contextual filtering |
CN104204783A (zh) * | 2012-03-14 | 2014-12-10 | 欧姆龙株式会社 | 图像检查方法和检查区域设定方法 |
US20150332512A1 (en) * | 2014-05-13 | 2015-11-19 | Nant Vision, Inc. | Augmented reality content rendering via albedo models, systems and methods |
CN107423773A (zh) * | 2016-05-23 | 2017-12-01 | 北京师范大学 | 三维颅骨的自动配准方法和装置 |
US20170372510A1 (en) * | 2016-06-27 | 2017-12-28 | Robert Bosch Gmbh | Systems and methods for dynamic occlusion handling |
CN108629801A (zh) * | 2018-05-14 | 2018-10-09 | 华南理工大学 | 一种视频序列的三维人体模型姿态与形状重构方法 |
CN109145969A (zh) * | 2018-08-03 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 三维物体点云数据的处理方法、装置、设备及介质 |
CN109255801A (zh) * | 2018-08-03 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 视频中三维物体边缘追踪的方法、装置、设备及存储介质 |
CN109887003A (zh) * | 2019-01-23 | 2019-06-14 | 亮风台(上海)信息科技有限公司 | 一种用于进行三维跟踪初始化的方法与设备 |
CN110689573A (zh) * | 2019-09-06 | 2020-01-14 | 重庆邮电大学 | 一种基于边缘模型的增强现实无标识跟踪注册方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8126260B2 (en) | 2007-05-29 | 2012-02-28 | Cognex Corporation | System and method for locating a three-dimensional object using machine vision |
-
2020
- 2020-02-25 CN CN202010118216.3A patent/CN111275827B/zh active Active
- 2020-09-15 US US17/021,190 patent/US11574414B2/en active Active
- 2020-12-22 EP EP20216518.9A patent/EP3872762A1/en not_active Withdrawn
-
2021
- 2021-02-16 JP JP2021022634A patent/JP7150074B2/ja active Active
- 2021-02-23 KR KR1020210023809A patent/KR102432561B1/ko active IP Right Grant
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69328230D1 (de) * | 1992-12-01 | 2000-05-04 | Canon Kk | Entfernungbildverarbeitungsvorrichtung und -verfahren |
JP2003216959A (ja) * | 2002-01-22 | 2003-07-31 | Toppan Printing Co Ltd | 輪郭抽出方法及びその装置及びそのプログラム |
US8437502B1 (en) * | 2004-09-25 | 2013-05-07 | Cognex Technology And Investment Corporation | General pose refinement and tracking tool |
US20100086218A1 (en) * | 2008-09-24 | 2010-04-08 | Canon Kabushiki Kaisha | Position and orientation measurement apparatus and method thereof |
JP2012002761A (ja) * | 2010-06-18 | 2012-01-05 | Canon Inc | 位置姿勢計測装置、その処理方法及びプログラム |
US20130076865A1 (en) * | 2010-06-18 | 2013-03-28 | Canon Kabushiki Kaisha | Position/orientation measurement apparatus, processing method therefor, and non-transitory computer-readable storage medium |
US20130187913A1 (en) * | 2012-01-20 | 2013-07-25 | Siemens Corporation | Method and device for snapping normals to create fair 3d surfaces from edge curves |
CN104204783A (zh) * | 2012-03-14 | 2014-12-10 | 欧姆龙株式会社 | 图像检查方法和检查区域设定方法 |
US20140270362A1 (en) * | 2013-03-15 | 2014-09-18 | Qualcomm Incorporated | Fast edge-based object relocalization and detection using contextual filtering |
CN103903280A (zh) * | 2014-03-28 | 2014-07-02 | 哈尔滨工程大学 | 一种改进水平集目标提取的子块权重Mean-Shift跟踪方法 |
US20150332512A1 (en) * | 2014-05-13 | 2015-11-19 | Nant Vision, Inc. | Augmented reality content rendering via albedo models, systems and methods |
CN107423773A (zh) * | 2016-05-23 | 2017-12-01 | 北京师范大学 | 三维颅骨的自动配准方法和装置 |
US20170372510A1 (en) * | 2016-06-27 | 2017-12-28 | Robert Bosch Gmbh | Systems and methods for dynamic occlusion handling |
CN108629801A (zh) * | 2018-05-14 | 2018-10-09 | 华南理工大学 | 一种视频序列的三维人体模型姿态与形状重构方法 |
CN109145969A (zh) * | 2018-08-03 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 三维物体点云数据的处理方法、装置、设备及介质 |
CN109255801A (zh) * | 2018-08-03 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 视频中三维物体边缘追踪的方法、装置、设备及存储介质 |
CN109887003A (zh) * | 2019-01-23 | 2019-06-14 | 亮风台(上海)信息科技有限公司 | 一种用于进行三维跟踪初始化的方法与设备 |
CN110689573A (zh) * | 2019-09-06 | 2020-01-14 | 重庆邮电大学 | 一种基于边缘模型的增强现实无标识跟踪注册方法及装置 |
Non-Patent Citations (5)
Title |
---|
A.KASINSKI 等: "《Managing processes of perceptual organization for emerging geometrical objects》", 《SMC 2000 CONFERENCE PROCEEDINGS.2000 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN AND CYBERNETICS》 * |
ANGELIQUE LOESCH 等: "《Localization of 3D objects using model-constrained SLAM》", 《MACHINE VISION AND APPLICATION》 * |
董芬芬: "《基于线框模型的三维目标注册定位技术研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
贾振堂等: "一种基于运动边缘检测的视频对象分割新算法", 《计算机研究与发展》 * |
马波等: "基于HMM的卡尔曼蛇跟踪", 《计算机辅助设计与图形学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
EP3872762A1 (en) | 2021-09-01 |
KR102432561B1 (ko) | 2022-08-12 |
JP2021136028A (ja) | 2021-09-13 |
US20210264635A1 (en) | 2021-08-26 |
CN111275827B (zh) | 2023-06-16 |
JP7150074B2 (ja) | 2022-10-07 |
KR20210108897A (ko) | 2021-09-03 |
US11574414B2 (en) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111722245B (zh) | 定位方法、定位装置和电子设备 | |
CN112270669B (zh) | 人体3d关键点检测方法、模型训练方法及相关装置 | |
CN111462029B (zh) | 视觉点云与高精地图融合方法、装置和电子设备 | |
CN110659600B (zh) | 物体检测方法、装置及设备 | |
CN111275827B (zh) | 基于边缘的增强现实三维跟踪注册方法、装置和电子设备 | |
CN111767853B (zh) | 车道线检测方法和装置 | |
CN112529073A (zh) | 模型训练方法、姿态估计方法、装置及电子设备 | |
CN111709874A (zh) | 图像调整的方法、装置、电子设备及存储介质 | |
CN111612852A (zh) | 用于验证相机参数的方法和装置 | |
CN112241716B (zh) | 训练样本的生成方法和装置 | |
CN112668428A (zh) | 车辆变道的检测方法、路侧设备、云控平台和程序产品 | |
CN111462179B (zh) | 三维物体跟踪方法、装置及电子设备 | |
KR20210146770A (ko) | 실내 측위 방법, 장치, 장비 및 저장 매체 | |
CN111858996A (zh) | 室内定位方法、装置、电子设备及存储介质 | |
CN111768485B (zh) | 三维图像的关键点标注方法、装置、电子设备及存储介质 | |
CN111369571B (zh) | 三维物体位姿准确性判断方法、装置及电子设备 | |
CN112488126A (zh) | 特征图处理方法、装置、设备以及存储介质 | |
CN112508027A (zh) | 用于实例分割的头部模型、实例分割模型、图像分割方法及装置 | |
CN111915642A (zh) | 图像样本的生成方法、装置、设备和可读存储介质 | |
CN111967481A (zh) | 视觉定位方法、装置、电子设备及存储介质 | |
CN111696134A (zh) | 一种目标检测方法、装置以及电子设备 | |
CN112381877B (zh) | 定位融合、室内定位方法、装置、设备及介质 | |
CN112200190B (zh) | 兴趣点的位置确定方法、装置、电子设备和存储介质 | |
CN112150380B (zh) | 校正图像的方法、装置、电子设备和可读存储介质 | |
CN113390413B (zh) | 一种定位方法、装置、设备及存储介质 |
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 |