CN111462238A - 姿态估计优化方法、装置及存储介质 - Google Patents
姿态估计优化方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111462238A CN111462238A CN202010260079.7A CN202010260079A CN111462238A CN 111462238 A CN111462238 A CN 111462238A CN 202010260079 A CN202010260079 A CN 202010260079A CN 111462238 A CN111462238 A CN 111462238A
- Authority
- CN
- China
- Prior art keywords
- attitude
- target object
- deviation
- pose
- posture
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及计算机视觉领域,尤其涉及一种姿态估计优化方法、装置及存储介质。所述方法:获取测试图像,测试图像中包括目标对象;根据测试图像,采用姿态优化模型输出得到目标对象的姿态偏差,姿态优化模型为采用样本图像对神经网络进行训练得到的模型;根据姿态偏差对目标对象的初始估计姿态进行优化。本公开实施例通过采用训练得到的姿态优化模型确定目标对象的姿态偏差,从而对目标对象的初始估计姿态进行优化,大大提高了姿态估计的准确率,保证了姿态估计效果。
Description
技术领域
本公开涉及计算机视觉领域,尤其涉及一种姿态估计优化方法、装置及存储介质。
背景技术
物体姿态估计在机器人作业、自动驾驶、增强现实等方面起着至关重要的作用。物体姿态估计指的是从图像中准确估计出目标物体相对相机的姿态信息。姿态信息通常包括旋转量和平移量,其中旋转量可以表示相机坐标系相对于目标物体坐标系的旋转关系,平移量可以表示相机坐标系原点相对于目标物体坐标系原点的平移信息。
物体姿态估计很容易受到遮挡、光照变化、物体具有的对称性等因素的影响,准确估计出目标物体相对相机的姿态信息具有很大的挑战性。相关技术中,难以对物体姿态达到高准确率的估计。
发明内容
有鉴于此,本公开提出了一种姿态估计优化方法、装置及存储介质。所述技术方案包括:
根据本公开的一方面,提供了一种姿态估计优化方法,所述方法包括:
获取测试图像,所述测试图像中包括目标对象;
根据所述测试图像,采用姿态优化模型输出得到所述目标对象的姿态偏差,所述姿态优化模型为采用样本图像对神经网络进行训练得到的模型;
根据所述姿态偏差对所述目标对象的初始估计姿态进行优化。
在一种可能的实现方式中,所述根据所述测试图像,采用姿态优化模型输出得到所述目标对象的姿态偏差,包括:
从所述测试图像中提取第一特征向量,所述第一特性向量用于指示所述测试图像中所述目标对象的真实物体姿态;
从预设字典中获取所述第一特征向量匹配的第二特征向量,所述第二特征向量用于指示所述目标对象的初始估计姿态;
将所述第一特征向量和所述第二特征向量输入至所述姿态优化模型中,输出得到所述目标对象的所述姿态偏差。
在另一种可能的实现方式中,所述预设字典包括多个姿态特征对,所述姿态特征对包括候选姿态和对应的特征向量;
所述根据所述姿态偏差对所述目标对象的初始估计姿态进行优化之前,还包括:
将所述第二特征向量对应的候选姿态确定为所述目标对象的所述初始估计姿态。
在另一种可能的实现方式中,所述姿态偏差用于指示所述目标对象的真实物体姿态与所述初始估计姿态之间的偏差,所述根据所述姿态偏差对所述目标对象的初始估计姿态进行优化,包括:
根据所述姿态偏差和所述初始估计姿态,确定所述目标对象的所述真实物体姿态。
在另一种可能的实现方式中,所述根据所述测试图像,采用姿态优化模型输出得到所述目标对象的姿态偏差之前,还包括:
获取包括至少一组样本数据组的训练样本集,每组所述样本数据组包括第一样本特征向量、与所述第一样本特征向量匹配的第二样本特征向量和预先标注的正确姿态偏差;
根据所述训练样本集训练得到所述姿态优化模型。
在另一种可能的实现方式中,所述根据所述姿态偏差对所述目标对象的初始估计姿态进行优化之后,还包括:
将所述第一特征向量、所述第二特征向量和所述姿态偏差添加至训练样本集,得到更新后的训练样本集;
根据更新后的所述训练样本集对所述姿态优化模型进行训练,得到更新后的姿态优化模型。
在另一种可能的实现方式中,所述姿态优化模型包括三个卷积层和三个全连接层,所述三个卷积层和所述三个全连接层依次连接。
根据本公开的另一方面,提供了一种姿态估计优化装置,所述装置包括:
获取模块,用于获取测试图像,所述测试图像中包括目标对象;
输出模块,用于根据所述测试图像,采用姿态优化模型输出得到所述目标对象的姿态偏差,所述姿态优化模型为采用样本图像对神经网络进行训练得到的模型;
优化模块,用于根据所述姿态偏差对所述目标对象的初始估计姿态进行优化。
在一种可能的实现方式中,所述输出模块,还用于:
从所述测试图像中提取第一特征向量,所述第一特性向量用于指示所述测试图像中所述目标对象的真实物体姿态;
从预设字典中获取所述第一特征向量匹配的第二特征向量,所述第二特征向量用于指示所述目标对象的初始估计姿态;
将所述第一特征向量和所述第二特征向量输入至所述姿态优化模型中,输出得到所述目标对象的所述姿态偏差。
在另一种可能的实现方式中,所述预设字典包括多个姿态特征对,所述姿态特征对包括候选姿态和对应的特征向量;
所述装置,还包括:确定模块;所述确定模块,用于将所述第二特征向量对应的候选姿态确定为所述目标对象的所述初始估计姿态。
在另一种可能的实现方式中,所述姿态偏差用于指示所述目标对象的真实物体姿态与所述初始估计姿态之间的偏差,所述优化模块,还用于根据所述姿态偏差和所述初始估计姿态,确定所述目标对象的所述真实物体姿态。
在另一种可能的实现方式中,所述装置,还包括:训练模块;所述训练模块,用于:
获取包括至少一组样本数据组的训练样本集,每组所述样本数据组包括第一样本特征向量、与所述第一样本特征向量匹配的第二样本特征向量和预先标注的正确姿态偏差;
根据所述训练样本集训练得到所述姿态优化模型。
在另一种可能的实现方式中,所述装置,还包括:更新模块;所述更新模块,用于:
将所述第一特征向量、所述第二特征向量和所述姿态偏差添加至训练样本集,得到更新后的训练样本集;
根据更新后的所述训练样本集对所述姿态优化模型进行训练,得到更新后的姿态优化模型。
在另一种可能的实现方式中,所述姿态优化模型包括三个卷积层和三个全连接层,所述三个卷积层和所述三个全连接层依次连接。
根据本公开的另一方面,提供了一种计算机设备,所述计算机设备包括:处理器;用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取测试图像,所述测试图像中包括目标对象;
根据所述测试图像,采用姿态优化模型输出得到所述目标对象的姿态偏差,所述姿态优化模型为采用样本图像对神经网络进行训练得到的模型;
根据所述姿态偏差对所述目标对象的初始估计姿态进行优化。
根据本公开的另一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述的方法。
本公开实施例通过获取测试图像,测试图像中包括目标对象;根据测试图像,采用姿态优化模型输出得到目标对象的姿态偏差,姿态优化模型为采用样本图像对神经网络进行训练得到的模型;根据姿态偏差对目标对象的初始估计姿态进行优化;即采用训练得到的姿态优化模型确定目标对象的姿态偏差,从而对目标对象的初始估计姿态进行优化,大大提高了姿态估计的准确率,保证了姿态估计效果。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出了本公开一个示例性实施例提供的计算机设备的结构示意图;
图2示出了本公开一个示例性实施例提供的姿态估计优化方法的流程图;
图3示出了本公开另一个示例性实施例提供的姿态估计优化方法的流程图;
图4示出了本公开一个示例性实施例提供的姿态估计优化方法涉及的原理示意图;
图5示出了本公开一个示例性实施例提供的姿态估计优化装置的结构示意图;
图6是根据一示例性实施例示出的一种终端的框图;
图7是根据一示例性实施例示出的一种服务器的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
物体姿态估计在机器人作业、自动驾驶、增强现实等方面起着至关重要的作用。物体姿态估计指的是从图像中准确估计出目标物体相对相机的姿态信息,通常包括:1、旋转量(三个自由度),即相机坐标系相对于目标物体坐标系的旋转关系;2、平移量(三个自由度),即相机坐标系原点相对于目标物体坐标系原点的平移信息。对于旋转量,其表示方法包括旋转矩阵、欧拉角、四元数等。对于平移量,通常用欧式空间中的平移向量来表示。
目前,相关技术中基于单张RGB图像的物体姿态估计方法效果往往不够好,需要进一步的优化。对初始估计的姿态值进行优化的方法大概有两类:一种,通过引入深度信息进行优化,比如通过最近点搜索法(Iterative Closest Point,ICP)算法等。另一种,基于渲染的方法,这类方法通常利用渲染器,根据初始预测的物体姿态渲染得到相应的图像,然后将渲染图像与观察到的真实图像进行比对,训练一个模型来预测当前估计的姿态的误差,从而实现姿态优化。
然而,基于深度信息的姿态估计优化方法需要额外的深度传感器来提供深度信息。同时,也受到深度传感器的局限性,比如:视野小、帧率低、分辨率低,很难捕获透明的以及快速移动的物体等。而基于渲染的优化方法则受限于渲染器的局限性,比如渲染器耗时较长,使得姿态估计难以满足实时性的需求等。
为了对从图像中估计的目标物体相对于相机的姿态(包括三个自由度的旋转量和三个自由度的平移量)进行优化,来达到更高的姿态估计准确率,本公开实施例提供了一种姿态估计优化方法、装置及存储介质,通过获取测试图像,测试图像中包括目标对象;根据测试图像,采用姿态优化模型输出得到目标对象的姿态偏差,姿态优化模型为采用样本图像对神经网络进行训练得到的模型;根据姿态偏差对目标对象的初始估计姿态进行优化;即采用训练得到的姿态优化模型确定目标对象的姿态偏差,从而对目标对象的初始估计姿态进行优化,大大提高了姿态估计的准确率,保证了姿态估计效果。
首先,对本公开涉及的应用场景进行介绍。
请参考图1,其示出了本公开一个示例性实施例提供的计算机设备的结构示意图。
该计算机设备可以是终端或者服务器。终端包括平板电脑、膝上型便携计算机和台式计算机等等。服务器可以是一台服务器,或者由若干台服务器组成的服务器集群,或者是一个云计算服务中心。
该计算机设备安装有图像处理程序,该图像处理程序是用于对输入的测试图像进行姿态估计的应用程序。
如图1所示,计算机设备包括处理器10、存储器20以及通信接口30。本领域技术人员可以理解,图1中示出的结构并不构成对该计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器10是计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器20内的软件程序和/或模块,以及调用存储在存储器20内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体控制。处理器10可以由CPU实现,也可以由图形处理器(Graphics Processing Unit,GPU)实现。
存储器20可用于存储软件程序以及模块。处理器10通过运行存储在存储器20的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器20可主要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21、获取模块22、输出模块23、优化模块24和至少一个功能所需的应用程序25(比如神经网络训练等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。存储器20可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM),可编程只读存储器(Programmable Read-Only Memory,PROM),只读存储器(Read OnlyMemory,ROM),磁存储器,快闪存储器,磁盘或光盘。相应地,存储器20还可以包括存储器控制器,以提供处理器10对存储器20的访问。
其中,处理器20通过运行获取模块22执行以下功能:获取测试图像,所述测试图像中包括目标对象;处理器20通过输出模块23执行以下功能:根据所述测试图像,采用姿态优化模型输出得到所述目标对象的姿态偏差,所述姿态优化模型为采用样本图像对神经网络进行训练得到的模型;处理器20通过优化模块24执行以下功能:根据所述姿态偏差对所述目标对象的初始估计姿态进行优化。
下面,采用几个示例性实施例对本公开实施例提供的姿态估计优化方法的进行介绍。
请参考图2,其示出了本公开一个示例性实施例提供的姿态估计优化方法的流程图,本实施例以该方法用于图1所示的计算机设备中来举例说明。该方法包括以下几个步骤。
步骤201,获取测试图像,测试图像中包括目标对象。
计算机设备测试图像,测试图像为待预测的包括目标对象的二维图像,目标对象为待进行姿态估计的对象,比如,目标对象为物体或者人物。
可选的,计算机设备获取原始输入图像,从原始输入图像中提取目标区域,目标区域是原始输入图像中目标对象所在的区域,将该目标区域确定为测试图像。
示意性的,对于原始输入图像,计算机设备通过物体检测器在原始输入图像中识别出目标物体的位置,获取目标物体所在区域的局部图像即测试图像,以便后续计算机设备将测试图像输入至编码器,编码器用于将测试图像转化为第一特征向量。
步骤202,根据测试图像,采用姿态优化模型输出得到目标对象的姿态偏差,姿态优化模型为采用样本图像对神经网络进行训练得到的模型。
计算机设备对测试图像进行初始姿态估计,得到测试图像中目标对象的初始估计姿态。计算机设备根据测试图像,采用预先训练得到的姿态优化模型输出得到目标对象的姿态偏差。
其中,姿态偏差用于指示目标对象的真实物体姿态与初始估计姿态之间的偏差。
计算机设备采用预设的特征匹配算法对测试图像进行初始姿态估计,得到目标对象的初始估计姿态。
计算机设备获取预先训练得到的姿态优化模型,该姿态优化模型是采用样本图像对神经网络进行训练得到的模型。
姿态优化模型是一种用于根据输入的数据确定姿态偏差的数学模型。
姿态优化模型是采用样本图像对原始参数模型进行训练得到的模型。比如,原始参数模型为神经网络模型。
姿态优化模型是具有对测试图像中的目标对象的真实物体姿态与初始估计姿态之间的偏差进行识别的模型。
可选的,姿态优化模型包括但不限于:卷积神经网络(Convolutional NeuralNetwork,CNN)模型、深度神经网络(Deep Neural Network,DNN)模型、循环神经网络(Recurrent Neural Networks,RNN)模型、嵌入(embedding)模型、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型、逻辑回归(Logistic Regression,LR)模型中的至少一种。
步骤203,根据姿态偏差对目标对象的初始估计姿态进行优化。
计算机设备根据姿态偏差对目标对象的初始估计姿态进行优化。可选的,计算机设备根据姿态偏差和目标对象的初始估计姿态,确定目标对象的真实物体姿态。
综上所述,本公开实施例通过获取测试图像,测试图像中包括目标对象;根据测试图像,采用姿态优化模型输出得到目标对象的姿态偏差,姿态优化模型为采用样本图像对神经网络进行训练得到的模型;根据姿态偏差对目标对象的初始估计姿态进行优化;即采用训练得到的姿态优化模型确定目标对象的姿态偏差,从而对目标对象的初始估计姿态进行优化,大大提高了姿态估计的准确率,保证了姿态估计效果。
需要说明的是,在计算机设备对测试图像进行姿态估计之前,需要训练特征提取模型、构造预设字典和训练姿态优化模型。下面对特征提取模型的训练过程、构造预设字典的过程和姿态优化模型的训练过程依次进行介绍。
特征提取模型为用于从测试图像中提取第一特征向量的模型,第一特性向量用于指示测试图像中目标对象的真实物体姿态。
在一种可能的实现方式中,特征提取模型的训练过程通过训练一个自编码器来实现。自编码器包含编码器(英文:Encoder)和解码器(英文:Decoder)两部分。在训练过程中,编码器E用于将高维的原始输入图像I转化为低维特征向量f,解码器D用于从低维特征向量f中恢复出原始输入图像。训练好的编码器具有将包括不同姿态的物体的图像转换成相应的低维特征向量的功能,从而使低维的特征向量能够指示包括不同姿态的物体的图像。
预设字典包括多个姿态特征对,每个姿态特征对包括候选姿态和候选姿态对应的特征向量。
在一种可能的实现方式中,构造预设字典的过程包括:计算机设备获取训练好的编码器模型和多个目标图像,目标图像中包括已知姿态的物体。计算机设备采用编码器模型对多个目标图像进行编码,可以得到包括多个姿态特征对的预设字典,比如,多个目标图像为{I1,I2,…,IN},预设字典C={f1-Pose1,f2-Pose2,…,fN-PoseN}。
姿态优化模型为用于根据第一特征向量和第二特征向量输出得到目标对象的姿态偏差的模型。
在一种可能的实现方式中,计算机设备获取包括至少一组样本数据组的训练样本集,根据训练样本集训练得到姿态优化模型。
其中,每组样本数据组包括第一样本特征向量、与第一样本特征向量匹配的第二样本特征向量和预先标注的正确姿态偏差。
请参考图3,其示出了本公开另一个示例性实施例提供的姿态估计优化方法的流程图,本实施例以该方法用于图1所示的计算机设备中来举例说明。该方法包括以下几个步骤。
步骤301,获取测试图像,测试图像中包括目标对象。
计算机设备获取包括目标对象的测试图像。获取过程可参考上述实施例中的相关细节,在此不再赘述。
步骤302,从测试图像中提取第一特征向量,第一特性向量用于指示测试图像中目标对象的真实物体姿态。
计算机设备获取通过特征提取模型将测试图像转化为第一特征向量。
可选的,计算机设备预先训练的特征提取模型,将测试图像输入至特征提取模型中输出得到第一特征向量。其中,第一特性向量用于指示测试图像中目标对象的真实物体姿态。
特征提取模型的训练过程可参考上述实施例中的相关细节,在此不再赘述。
步骤303,从预设字典中获取第一特征向量匹配的第二特征向量,第二特征向量用于指示目标对象的初始估计姿态。
计算机设备获取预先构造的预设字典,预设字典包括多个特征向量。计算机设备查询预设字典中与第一特征向量匹配的特征向量,将该特征向量确定为第二特征向量。
可选的,对于预设字典中的多个特征向量中的每个特征向量,计算机设备采用预设的距离函数确定该特征向量与第一特征向量的距离参数,该距离参数用于指示该特征向量与第一特征向量的匹配程度。其中。距离参数与匹配程度呈负相关关系,即距离参数越小,匹配程度越高。计算机设备将距离参数最小的特征向量确定为第二特征向量。示意性的,距离函数包括范数或者余弦距离函数,比如,范数为1-范数或者2-范数。本实施例对距离函数的类型不加以限定。预设字典包括多个姿态特征对,每个姿态特征对包括候选姿态和对应的特征向量。候选姿态为已知的物体姿态,候选姿态对应的特征向量为对该候选姿态进行编码得到的特征向量。
其中,第二特征向量用于指示在预设字典中对应的候选姿态即目标对象的初始估计姿态。
预设字典的构造过程可参考上述实施例中的相关细节,在此不再赘述。
步骤304,将第二特征向量对应的候选姿态确定为目标对象的初始估计姿态。
计算机设备根据预设字典,将第二特征向量对应的候选姿态确定为目标对象的初始估计姿态。
步骤305,将第一特征向量和第二特征向量输入至姿态优化模型中,输出得到目标对象的姿态偏差。
计算机设备获取预先训练的姿态优化模型,将第一特征向量和第二特征向量输入至姿态优化模型中,输出得到目标对象的姿态偏差。
其中,姿态偏差用于指示目标对象的真实物体姿态与初始估计姿态之间的偏差。
可选的,姿态偏差的表示形式为姿态偏差值,初始估计姿态的表示形式为姿态估计值,真实物体姿态为姿态真值,则姿态偏差值为姿态真值与姿态估计值的差值。
可选的,姿态优化模型用于表示第一特征向量、第二特征向量与姿态偏差之间的相关关系。
可选的,姿态优化模型用于表示在预设场景下第一特征向量、第二特征向量与姿态偏差之间的相关关系。
可选的,姿态优化模型为预设的数学模型,该姿态优化模型包括第一特征向量、第二特征向量与姿态偏差之间的模型系数。模型系数可以为固定值,也可以是随时间动态修改的值,还可以是随着使用场景动态修改的值。
姿态优化模型是具有对测试图像中目标对象的真实物体姿态与初始估计姿态之间的偏差进行识别的神经网络模型。
姿态优化模型用于将输入的第一特征向量和第二特征向量转化为姿态偏差。
可选的,姿态优化模型为神经网络模型。姿态优化模型包括三个卷积层和三个全连接层,三个卷积层和三个全连接层依次连接。姿态优化模型的输出参数即姿态偏差由四元数进行表示。需要说明的是,本公开实施例对姿态优化模型的模型结构不加以限定。
步骤306,根据姿态偏差和初始估计姿态,确定目标对象的真实物体姿态。
计算机设备根据姿态偏差对目标对象的初始估计姿态进行优化,即根据姿态偏差和初始估计姿态,确定目标对象的真实物体姿态。
可选的,姿态偏差的表示形式为姿态偏差值,初始估计姿态的表示形式为姿态估计值,真实物体姿态为姿态真值,则计算机设备获取姿态偏差值和姿态估计值后,将姿态偏差值与姿态估计值相加得到姿态真值。
可选的,计算机设备根据姿态偏差对目标对象的初始估计姿态进行优化之后,根据第一特征向量、第二特征向量和姿态偏差对姿态优化模型进行更新。即计算机设备将第一特征向量、第二特征向量和姿态偏差添加至训练样本集,得到更新后的训练样本集;根据更新后的训练样本集对姿态优化模型进行训练,得到更新后的姿态优化模型。
在一个示意性的例子中,请参考图4,在测试阶段,计算机设备获取一张测试图像ITest,通过编码器将该测试图像ITest转化为第一特征向量fTest,查询预设字典C中与第一特征向量fTest最匹配的第二特征向量fi,从而得到与第二特征向量fi对应的候选姿态即初始估计姿态posei。计算机设备获取预先训练的姿态优化模型41,该姿态优化模型41的输入参数为从测试图像ITest中提取的第一特征向量fTest和从预设字典C中匹配到的第二特征向量fi。该姿态优化模型41的训练目标即输出参数为姿态偏差Δpose,姿态偏差Δpose为目标对象的真实物体姿态poseGT与初始估计姿态posei之间的偏差,即Δpose=poseGT-posei。计算机设备根据姿态偏差Δpose对初始估计姿态posei进行优化,得到真实物体姿态poseGT。
综上所述,本公开实施例还通过从测试图像中提取第一特征向量,从预设字典中获取第一特征向量匹配的第二特征向量,将第一特征向量和第二特征向量输入至姿态优化模型中,输出得到目标对象的姿态偏差,将第二特征向量对应的候选姿态确定为目标对象的初始估计姿态,根据姿态偏差和初始估计姿态,确定目标对象的真实物体姿态;实现了对基于特征匹配的姿态估计算法的优化,进一步保证了姿态估计的准确率。与基于深度信息的姿态优化算法相比较,本方法无需额外的深度传感器,从而避免了深度传感器带来的局限性;与基于渲染的优化算法相比,本方法无需额外的渲染器,同时避免了渲染的耗时,能够更好地满足实时性的要求。
以下为本公开实施例的装置实施例,对于装置实施例中未详细阐述的部分,可以参考上述方法实施例中公开的技术细节。
请参考图5,其示出了本公开一个示例性实施例提供的姿态估计优化装置的结构示意图。该装置可以通过软件、硬件以及两者的组合实现成为计算机设备的全部或一部分。该装置包括:获取模块510、输出模块520和优化模块530。
获取模块510,用于获取测试图像,测试图像中包括目标对象;
输出模块520,用于根据测试图像,采用姿态优化模型输出得到目标对象的姿态偏差,姿态优化模型为采用样本图像对神经网络进行训练得到的模型;
优化模块530,用于根据姿态偏差对目标对象的初始估计姿态进行优化。
在一种可能的实现方式中,输出模块520,还用于:
从测试图像中提取第一特征向量,第一特性向量用于指示测试图像中目标对象的真实物体姿态;
从预设字典中获取第一特征向量匹配的第二特征向量,第二特征向量用于指示目标对象的初始估计姿态;
将第一特征向量和第二特征向量输入至姿态优化模型中,输出得到目标对象的姿态偏差。
在另一种可能的实现方式中,预设字典包括多个姿态特征对,姿态特征对包括候选姿态和对应的特征向量;
装置,还包括:确定模块;确定模块,用于将第二特征向量对应的候选姿态确定为目标对象的初始估计姿态。
在另一种可能的实现方式中,姿态偏差用于指示目标对象的真实物体姿态与初始估计姿态之间的偏差,优化模块530,还用于根据姿态偏差和初始估计姿态,确定目标对象的真实物体姿态。
在另一种可能的实现方式中,该装置,还包括:训练模块;训练模块,用于:
获取包括至少一组样本数据组的训练样本集,每组样本数据组包括第一样本特征向量、与第一样本特征向量匹配的第二样本特征向量和预先标注的正确姿态偏差;
根据训练样本集训练得到姿态优化模型。
在另一种可能的实现方式中,装置,还包括:更新模块;更新模块,用于:
将第一特征向量、第二特征向量和姿态偏差添加至训练样本集,得到更新后的训练样本集;
根据更新后的训练样本集对姿态优化模型进行训练,得到更新后的姿态优化模型。
在另一种可能的实现方式中,姿态优化模型包括三个卷积层和三个全连接层,三个卷积层和三个全连接层依次连接。
需要说明的是,上述实施例提供的装置在实现其功能时,仅以上述各个功能模块的划分进行举例说明,实际应用中,可以根据实际需要而将上述功能分配由不同的功能模块完成,即将设备的内容结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开实施例还提供了一种计算机设备,计算机设备包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为:实现上述各个方法实施例中由计算机设备执行的步骤。
该计算机设备可以是终端,也可以是服务器。本实施例对此不加以限定。
本公开实施例还提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令被处理器执行时实现上述各个方法实施例中由计算机设备执行的步骤。
图6是根据一示例性实施例示出的一种终端的框图。例如,终端600可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,个人数字助理等。
参照图6,终端600可以包括以下一个或多个组件:处理组件602,存储器604,电源组件606,多媒体组件608,音频组件610,输入/输出(I/O)的接口612,传感器组件614,以及通信组件616。
处理组件602通常控制终端600的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理组件602可以包括多媒体模块,以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在终端600的操作。这些数据的示例包括用于在终端600上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件606为终端600的各种组件提供电力。电源组件606可以包括电源管理系统,一个或多个电源,及其他与为终端600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述终端600和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件608包括一个前置摄像头和/或后置摄像头。当终端600处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当终端600处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器,用于为终端600提供各个方面的状态评估。例如,传感器组件614可以检测到终端600的打开/关闭状态,组件的相对定位,例如所述组件为终端600的显示器和小键盘,传感器组件614还可以检测终端600或终端600一个组件的位置改变,用户与终端600接触的存在或不存在,终端600方位或加速/减速和终端600的温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件616被配置为便于终端600和其他设备之间有线或无线方式的通信。终端600可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件616还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,终端600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器604,上述计算机程序指令可由终端600的处理器620执行以完成上述方法。
图7是根据一示例性实施例示出的一种服务器的框图。参照图7,服务器700包括处理组件722,其进一步包括一个或多个处理器,以及由存储器732所代表的存储器资源,用于存储可由处理组件722的执行的指令,例如应用程序。存储器732中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件722被配置为执行指令,以执行上述方法。
服务器700还可以包括一个电源组件726被配置为执行服务器700的电源管理,一个有线或无线网络接口750被配置为将服务器700连接到网络,和一个输入输出(I/O)接口758。服务器700可以操作基于存储在存储器732的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器732,上述计算机程序指令可由服务器700的处理组件722执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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动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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种姿态估计优化方法,其特征在于,所述方法包括:
获取测试图像,所述测试图像中包括目标对象;
根据所述测试图像,采用姿态优化模型输出得到所述目标对象的姿态偏差,所述姿态优化模型为采用样本图像对神经网络进行训练得到的模型;
根据所述姿态偏差对所述目标对象的初始估计姿态进行优化。
2.根据权利要求1所述的方法,其特征在于,所述根据所述测试图像,采用姿态优化模型输出得到所述目标对象的姿态偏差,包括:
从所述测试图像中提取第一特征向量,所述第一特性向量用于指示所述测试图像中所述目标对象的真实物体姿态;
从预设字典中获取所述第一特征向量匹配的第二特征向量,所述第二特征向量用于指示所述目标对象的初始估计姿态;
将所述第一特征向量和所述第二特征向量输入至所述姿态优化模型中,输出得到所述目标对象的所述姿态偏差。
3.根据权利要求2所述的方法,其特征在于,所述预设字典包括多个姿态特征对,所述姿态特征对包括候选姿态和对应的特征向量;
所述根据所述姿态偏差对所述目标对象的初始估计姿态进行优化之前,还包括:
将所述第二特征向量对应的候选姿态确定为所述目标对象的所述初始估计姿态。
4.根据权利要求3所述的方法,其特征在于,所述姿态偏差用于指示所述目标对象的真实物体姿态与所述初始估计姿态之间的偏差,所述根据所述姿态偏差对所述目标对象的初始估计姿态进行优化,包括:
根据所述姿态偏差和所述初始估计姿态,确定所述目标对象的所述真实物体姿态。
5.根据权利要求2所述的方法,其特征在于,所述根据所述测试图像,采用姿态优化模型输出得到所述目标对象的姿态偏差之前,还包括:
获取包括至少一组样本数据组的训练样本集,每组所述样本数据组包括第一样本特征向量、与所述第一样本特征向量匹配的第二样本特征向量和预先标注的正确姿态偏差;
根据所述训练样本集训练得到所述姿态优化模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述姿态偏差对所述目标对象的初始估计姿态进行优化之后,还包括:
将所述第一特征向量、所述第二特征向量和所述姿态偏差添加至训练样本集,得到更新后的训练样本集;
根据更新后的所述训练样本集对所述姿态优化模型进行训练,得到更新后的姿态优化模型。
7.根据权利要求1至6任一所述的方法,其特征在于,所述姿态优化模型包括三个卷积层和三个全连接层,所述三个卷积层和所述三个全连接层依次连接。
8.一种姿态估计优化装置,其特征在于,所述装置包括:
获取模块,用于获取测试图像,所述测试图像中包括目标对象;
输出模块,用于根据所述测试图像,采用姿态优化模型输出得到所述目标对象的姿态偏差,所述姿态优化模型为采用样本图像对神经网络进行训练得到的模型;
优化模块,用于根据所述姿态偏差对所述目标对象的初始估计姿态进行优化。
9.一种计算机设备,其特征在于,所述计算机设备包括:处理器;用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取测试图像,所述测试图像中包括目标对象;
根据所述测试图像,采用姿态优化模型输出得到所述目标对象的姿态偏差,所述姿态优化模型为采用样本图像对神经网络进行训练得到的模型;
根据所述姿态偏差对所述目标对象的初始估计姿态进行优化。
10.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010260079.7A CN111462238B (zh) | 2020-04-03 | 2020-04-03 | 姿态估计优化方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010260079.7A CN111462238B (zh) | 2020-04-03 | 2020-04-03 | 姿态估计优化方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462238A true CN111462238A (zh) | 2020-07-28 |
CN111462238B CN111462238B (zh) | 2023-04-07 |
Family
ID=71681662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010260079.7A Active CN111462238B (zh) | 2020-04-03 | 2020-04-03 | 姿态估计优化方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462238B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102506A (zh) * | 2020-09-25 | 2020-12-18 | 北京百度网讯科技有限公司 | 物体的采样点集合的获取方法、装置、设备以及存储介质 |
CN112597965A (zh) * | 2021-01-05 | 2021-04-02 | 株洲中车时代电气股份有限公司 | 一种驾驶行为识别方法、装置和计算机可读存储介质 |
CN113561181A (zh) * | 2021-08-04 | 2021-10-29 | 北京京东乾石科技有限公司 | 目标检测模型的更新方法、装置及系统 |
CN113673532A (zh) * | 2021-10-21 | 2021-11-19 | 北京科技大学 | 量化模型的优化方法及装置 |
CN114519326A (zh) * | 2020-11-19 | 2022-05-20 | Tcl科技集团股份有限公司 | 一种光电特性的获取方法、装置、存储介质及终端设备 |
CN115222871A (zh) * | 2021-08-31 | 2022-10-21 | 达闼科技(北京)有限公司 | 模型评估方法、装置、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550634A (zh) * | 2015-11-18 | 2016-05-04 | 广东微模式软件股份有限公司 | 基于Gabor特征与字典学习的人脸姿态识别方法 |
CN107481292A (zh) * | 2017-09-05 | 2017-12-15 | 百度在线网络技术(北京)有限公司 | 车载摄像头的姿态误差估计方法和装置 |
US20190122380A1 (en) * | 2017-10-24 | 2019-04-25 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for articulated pose estimation |
CN109919077A (zh) * | 2019-03-04 | 2019-06-21 | 网易(杭州)网络有限公司 | 姿态识别方法、装置、介质和计算设备 |
CN109949368A (zh) * | 2019-03-14 | 2019-06-28 | 郑州大学 | 一种基于图像检索的人体三维姿态估计方法 |
CN110930452A (zh) * | 2019-10-23 | 2020-03-27 | 同济大学 | 一种基于自监督学习与模板匹配的物体位姿估计方法 |
-
2020
- 2020-04-03 CN CN202010260079.7A patent/CN111462238B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550634A (zh) * | 2015-11-18 | 2016-05-04 | 广东微模式软件股份有限公司 | 基于Gabor特征与字典学习的人脸姿态识别方法 |
CN107481292A (zh) * | 2017-09-05 | 2017-12-15 | 百度在线网络技术(北京)有限公司 | 车载摄像头的姿态误差估计方法和装置 |
US20190122380A1 (en) * | 2017-10-24 | 2019-04-25 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for articulated pose estimation |
CN109919077A (zh) * | 2019-03-04 | 2019-06-21 | 网易(杭州)网络有限公司 | 姿态识别方法、装置、介质和计算设备 |
CN109949368A (zh) * | 2019-03-14 | 2019-06-28 | 郑州大学 | 一种基于图像检索的人体三维姿态估计方法 |
CN110930452A (zh) * | 2019-10-23 | 2020-03-27 | 同济大学 | 一种基于自监督学习与模板匹配的物体位姿估计方法 |
Non-Patent Citations (2)
Title |
---|
MOHAMMADREZA ZOLFAGHARI等: "3D human pose estimation from image using couple sparse coding" * |
王松;刘复昌;黄骥;许威威;董洪伟;: "基于卷积神经网络的深度图姿态估计算法研究" * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102506A (zh) * | 2020-09-25 | 2020-12-18 | 北京百度网讯科技有限公司 | 物体的采样点集合的获取方法、装置、设备以及存储介质 |
CN112102506B (zh) * | 2020-09-25 | 2023-07-07 | 北京百度网讯科技有限公司 | 物体的采样点集合的获取方法、装置、设备以及存储介质 |
CN114519326A (zh) * | 2020-11-19 | 2022-05-20 | Tcl科技集团股份有限公司 | 一种光电特性的获取方法、装置、存储介质及终端设备 |
CN114519326B (zh) * | 2020-11-19 | 2023-03-24 | Tcl科技集团股份有限公司 | 一种光电特性的获取方法、装置、存储介质及终端设备 |
CN112597965A (zh) * | 2021-01-05 | 2021-04-02 | 株洲中车时代电气股份有限公司 | 一种驾驶行为识别方法、装置和计算机可读存储介质 |
CN113561181A (zh) * | 2021-08-04 | 2021-10-29 | 北京京东乾石科技有限公司 | 目标检测模型的更新方法、装置及系统 |
CN113561181B (zh) * | 2021-08-04 | 2023-01-31 | 北京京东乾石科技有限公司 | 目标检测模型的更新方法、装置及系统 |
CN115222871A (zh) * | 2021-08-31 | 2022-10-21 | 达闼科技(北京)有限公司 | 模型评估方法、装置、存储介质及电子设备 |
CN115222871B (zh) * | 2021-08-31 | 2023-04-18 | 达闼科技(北京)有限公司 | 模型评估方法、装置、存储介质及电子设备 |
CN113673532A (zh) * | 2021-10-21 | 2021-11-19 | 北京科技大学 | 量化模型的优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111462238B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462238B (zh) | 姿态估计优化方法、装置及存储介质 | |
CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN111783986B (zh) | 网络训练方法及装置、姿态预测方法及装置 | |
CN110503689B (zh) | 位姿预测方法、模型训练方法及装置 | |
CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN111753822A (zh) | 文本识别方法及装置、电子设备和存储介质 | |
CN111540000B (zh) | 场景深度和相机运动预测方法及装置、电子设备和介质 | |
CN110647834A (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
CN109840917B (zh) | 图像处理方法及装置、网络训练方法及装置 | |
CN109615006B (zh) | 文字识别方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN108881952B (zh) | 视频生成方法及装置、电子设备和存储介质 | |
CN110706339B (zh) | 三维人脸重建方法及装置、电子设备和存储介质 | |
CN111523485A (zh) | 位姿识别方法及装置、电子设备和存储介质 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN111435432A (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
CN113486830A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113065591A (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN109903252B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN114581525A (zh) | 姿态确定方法及装置、电子设备和存储介质 | |
CN111311588B (zh) | 重定位方法及装置、电子设备和存储介质 | |
CN113538310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113379896A (zh) | 三维重建方法及装置、电子设备和存储介质 |
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 |