CN111486798B - 图像测距方法、图像测距系统及终端设备 - Google Patents
图像测距方法、图像测距系统及终端设备 Download PDFInfo
- Publication number
- CN111486798B CN111486798B CN202010309639.3A CN202010309639A CN111486798B CN 111486798 B CN111486798 B CN 111486798B CN 202010309639 A CN202010309639 A CN 202010309639A CN 111486798 B CN111486798 B CN 111486798B
- Authority
- CN
- China
- Prior art keywords
- target object
- size
- lens
- physical
- distance
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Optical Distance (AREA)
Abstract
本发明提供了一种图像测距方法、图像测距系统及终端设备,该方法包括:基于深度学习模型获取目标图像中的目标对象;确定所述目标对象的物理尺寸,成像尺寸和镜头焦距;基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离。本发明的图像测距方法以及系统解决了现有技术中需要依赖于硬件模块实现图像获取而导致硬件成本较高且测距准确度比较低的问题,且本发明的图像测距方法以及系统还能够适用于现有的摄像机或照相机等设备中。
Description
技术领域
本发明涉及图像测距领域,尤其涉及一种图像测距方法、图像测距系统及终端设备。
背景技术
现有摄像机一般通过安装额外的硬件图像采集模块(如激光传感器或超声波传感器),发出激光或超声波经被摄体返回来后,再由摄像机的激光传感器或超声波传感器接收,从而测定出被摄体与摄像机之间的距离,然后再根据测定的距离驱动摄像机的聚焦装置聚实焦点。即该物距的测试方法通过应用三角形测量原理的测距仪来测定摄像机与被摄体之间的距离,然后将所测定的距离输入摄像机内的微处理机进行演算,并控制摄像机镜头的聚焦马达根据算出的距离实现聚实焦点。
但是,通过将摄像机安装额外发射与接受模块,不仅会使成本大幅度增加(超声波测距仪/测距传感器的价格从几十元到几百元,测距仪/测距传感器的价格从几百元到几千、几万元,根据精度及距离的不同而有很大的差)。而且由于采用额外安装硬件图像采集模块对物距进行测量的方法本身存在一定的缺点。如超声波测距目前在工业上实际应用的最大测距距离是196米,且超声波测距中,发射角度较大,高频超声波近距离的也有7-8°低频率远距离测量的角度有20-30度,而且还会受到烟雾、灰尘、雨滴的干扰。又比如,红外测距的距离可以比超声波远,军事有1000米的测距使用,发射角度也比超声波小,但是容易受到日光或者其他相近波长光源的干扰,也会受到烟雾、灰尘的干扰。再比如,激光测距的距离最远,最远可以达到几十公里,距离近的也能到500米,发射角度最小,但是容易受到烟雾、灰尘、雨滴的干扰。如此,现有的通过额外安装硬件图像采集模块对图像的物距进行检测会导致该测距方法的使用场景受限。
有鉴于此,有必要对现有技术中的图像测距方案予以改进,以解决上述技术问题。
发明内容
本发明的目的是在于提供一种图像测距方法、图像测距系统及终端设备,解决了现有技术中需要依赖于硬件模块实现图像获取而导致硬件成本较高且测距准确度比较低的问题。
本发明的进一步目的是为了提高对图像物距进行检测的准确性。
为实现上述目的,本发明是这样实现的:
第一方面,提供了一种图像测距方法,包括:
基于深度学习模型获取目标图像中的目标对象;
确定所述目标对象的物理尺寸,成像尺寸和镜头焦距;
基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离。
作为本发明的进一步改进,还包括:
获取镜头与水平面构成的俯仰角度,以基于所述俯仰角度,所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离。
作为本发明的进一步改进,确定所述目标对象的物理尺寸,包括:
将预设的所述目标对象的第一物理平均尺寸确定为所述目标对象的物理尺寸。
作为本发明的进一步改进,
所述目标对象为包含对称结构的人体特征区域或非人体特征区域;
其中,所述人体特征区域由人脸、上肢、躯干或者下肢中的至少一种待测试区域所形成。
作为本发明的进一步改进,所述目标对象为包含对称结构的人脸特征区域,其中,所述确定所述目标对象的物理尺寸,成像尺寸,包括:
将所述人脸特征区域中鼻尖与人脸几何结构的中心之间的垂直距离确定为所述成像尺寸,并将预设的所述人脸特征区域的第二物理平均尺寸确定为所述物理尺寸。
作为本发明的进一步改进,所述基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离之前,还包括:
确定所述目标图像中目标对象是否有效,以在所述目标对象有效时基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离;
其中,确定所述目标图像中目标对象是否有效,包括:
若所述成像尺寸大于第一物理平均尺寸,则确定所述目标图像中目标对象无效;
若所述成像尺寸小于或等于所述第一物理平均尺寸,则确定所述目标图像中目标对象有效。
作为本发明的进一步改进,在基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离之前,还包括:
确定所述目标图像中目标对象是否有效,以在所述目标对象有效时基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离;
其中,确定所述目标图像中目标对象是否有效,包括:
若所述成像尺寸大于所述第二物理平均尺寸,则确定所述目标图像中目标对象无效;
若所述成像尺寸小于或等于所述第二物理平均尺寸,则确定所述目标图像中目标对象有效。
作为本发明的进一步改进,确定所述目标对象的成像尺寸,包括:
获取像素点尺寸和所述目标对象的像素点数量;
基于所述像素点尺寸和所述像素点数量得到所述目标对象的成像尺寸。
第二方面,提供了一种图像测距系统,包括:
获取单元,基于深度学习技术获取目标图像中的目标对象;
第一确定单元,确定所述目标对象的物理尺寸,成像尺寸和镜头焦距;
第二确定单元,基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离。
第三方面,本发明还提供一种终端设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法的步骤。
本发明的有益效果为:
本发明的图像测距方法通过深度学习模型获取的目标图像中的目标对象确定目标对象的物理尺寸,成像尺寸和镜头焦距,以根据目标对象的物理尺寸,成像尺寸,镜头焦距确定目标对象与镜头之间的距离。如此,本发明的图像测距方法通过深度学习模型对目标图像中的目标对象进行获取,而无需添加额外的硬件图像获取模块,即可实现对图像的测距,由此,本发明的图像测距方法不仅节约了硬件成本,而且提高了图像测距的准确度。并且,本发明的图像测距方法以及系统能够适用于现有的摄像机或照相机等图像采集设备中,从而能够提高图像测距方法适用的普遍性。
进一步地,本发明的图像测距方法基于深度学习模型识别到目标对象中的具体特征,以基于具体特征对图像的物距进行测量,能够进一步优化所检测的图像物距的检测结果,从而提高了图像物距检测的准确性。
此外,本发明的图像测距方法能够随着环境的变化对目标对象的获取进行适应性调整,从而提高了图像物距检测的适应性。
附图说明
图1为本发明一个实施例的图像测距方法的示意性流程图;
图2为本发明另一个实施例的图像测距方法的示意性流程图;
图3为本发明一个具体实施例的图像测距方法的示意性原理图;
图4为本发明再一个实施例的图像测距方法的示意性流程图;
图5为本发明再一个实施例的图像测距方法的示意性流程图;
图6为本发明另一个实施例的图像测距方法的示意性原理图;
图7为本发明为本发明一个实施例的图像测距系统的示意性结构框图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
以下结合附图,详细说明本发明各实施例提供的技术方案。
实施例一:
图1为本发明一个实施例的图像测距方法的示意性流程图,以解决现有技术中需要依赖于硬件模块实现图像获取而导致硬件成本较高且测距准确度比较低的问题。该图像测距方法包括:
步骤102.基于深度学习模型获取目标图像中的目标对象。
具体地,通过深度学习模型中AI识别技术获取目标图像中的目标对象。目标对象可以为人体特征区域或非人体特征区域(如车牌等)的图像采集数据。其中,通过深度学习模型中AI识别技术可精准地获取到目标对象中的特征。比如,通过AI识别技术能够准确地获取到人体特征区域中人脸的额头,眼,眉,鼻,嘴等特征,通过AI识别技术能够获取到车牌特征区域的四角端点的特征,还可以准确地获取到车牌特征区域的车牌号码特征,等等。本发明实施例所指深度学习模型可采用CN201711385165.5或者CN201811528718.2中的深度学习AI识别技术实现对图像特征进行提取。
步骤104.确定目标对象的物理尺寸B,成像尺寸A和镜头焦距f。
其中,确定目标对象的物理尺寸B,包括:将预设的目标对象的第一物理平均尺寸确定为目标对象的物理尺寸B。
其中,目标对象的第一物理平均尺寸通常是指目标对象的整体尺寸。比如,当目标对象为人脸特征区域时,该第一物理平均尺寸是指所统计的人脸统计数据中从额头的最高点至下巴的最低点之间的平均长度。据统计所知,第一物理平均尺寸为19cm,即人脸特征区域的物理尺寸确定为19cm。当然,还可以将头颅的顶部与人脸下巴的最低点之间的平均长度确定为第一物理平均尺寸。确定第一物理平均尺寸的具体实施方式不限于本发明实施例所限定的范围,在此不一一详细赘述。
如图2所示,确定目标对象的成像尺寸A,包括:
步骤202.获取像素点尺寸s和目标对象的像素点数量n。
步骤204.基于像素点尺寸s和像素点数量n得到目标对象的成像尺寸A。
应理解,若图像传感器sensor分辨率一般为1920*1080,像素点尺寸为s,且像素点尺寸的单位为毫米(mm),图像分辨率为1920*1080,则目标对象的成像尺寸A=s*n(mm)。
步骤106.基于物理尺寸B,成像尺寸A,镜头焦距f确定目标对象与镜头之间的距离(即物距)。
具体地,步骤106通过公式(1)得到目标对象与镜头之间的距离。
u=f*(B-A)/A (1)
其中,u为目标对象与镜头之间的距离(即物距),f为镜头焦距,B为目标对象的物理尺寸,A为目标对象的成像尺寸。
本发明实施例的图像测距方法通过深度学习模型获取的目标图像中的目标对象确定目标对象的物理尺寸,成像尺寸和镜头焦距,以根据目标对象的物理尺寸,成像尺寸,镜头焦距确定目标对象与镜头之间的距离(即物距)。如此,本发明的图像测距方法通过深度学习模型对目标图像中的目标对象进行获取,而无需添加额外的硬件图像获取模块,即可实现对图像的测距,由此,本发明实施例的图像测距方法不仅节约了硬件成本,而且提高了图像测距的准确度。
此外,本发明实施例的图像测距方法能够随着环境的变化对目标对象的获取进行适应性调整,且本发明实施例的图像测距方法不受如超声波或红外线或激光线所发出光线的距离、角度、频率的限制,也不受日光或其他光线或烟雾或灰尘的干扰,由此,能够提高图像物距检测的适应性。
需要说明的是,在本申请中,术语“目标对象”泛指通过成像设备所获取的图像中能够用于表征特定物体或者对象的某个区域。具体地,目标对象为包含对称结构的人体特征区域或非人体特征区域。其中,人体特征区域由人脸、上肢、躯干或者下肢中的至少一种待测试区域所形成。对于由人脸形成的人体特征区域而言,人脸中包含的对称结构包括一双眼睛、一对眉毛、两个脸颊、两个鼻孔、左右唇峰、一对耳朵、两个下额骨等。上肢包含的对称结构包括一双手、一对胳膊肘、一对大臂、一对小臂等。下肢中包含的对称结构包括两只大腿、两个膝盖、两只小腿、两只脚等。躯干中包含的对称结构包括两个胸部、两个臀部等。对称结构的物体特征区域为对称结构物体的特征区域(比如车牌特征区域等)。
如此,即使所获取的目标图像中的目标对象存在被遮挡的部分,比如目标对象为仅脸颊被遮挡的人脸,但由于人脸中的一双眼睛(即对称结构)等部位未被遮挡,因此通过AI识别技术获取对称结构的位置点,即可测出该目标对象与镜头之间的距离(物距)。如此,本发明实施例的图像测距方法在目标对象存在被遮掩特征的情况下能够提高对物距检测的准确性。
在上述进一步实施例中,目标对象为对称结构的人脸特征区域,其中,确定目标图像中目标对象的物理尺寸B,成像尺寸A的操作包括:
将人脸特征区域中鼻尖与人脸几何结构的中心之间的垂直距离确定为成像尺寸A,并将预设的人脸特征区域的第二物理平均尺寸确定为物理尺寸B。人脸几何结构的中心包括两个瞳孔之间的中心或眉心或嘴唇的中心等。
其中,本发明实施例的第二物理平均尺寸是指所统计的人脸数据中鼻尖至眉心之间的平均距离。据统计所知,第二物理平均尺寸为60mm,即将人脸特征区域的物理尺寸确定为60mm。
并且,在本发明实施例中,将人脸几何结构的中心至鼻尖位置之间的区域定义为目标对象。以眉心作为人脸几何结构的中心为例,将鼻尖(点P)达到直线L(该直线L为两弯眉毛中相互对应靠近的两个末梢S1和S2所形成的直线)的垂足点D的位置确定为眉心位置。结合图3进行说明,根据深度学习图像识别技术可获取到鼻尖的像素坐标P(x0,y0),两弯眉毛中相互对应靠近的两个末梢的像素坐标分别为S1(x1,y1),S2(x2,y2),则鼻尖(点P)到达直线L的距离LPD如公式(2)所示:
其中,a和b为直线L的系数,且距离LPD的单位为毫米(mm)。此时,将LPD与s的乘积确定为目标对象的成像尺寸A。
应理解,坐标S1(x1,y1),S2(x2,y2)分别表示像素坐标,因此,由公式(2)得出的距离LPD表示像素数量,在得出像素数量后,根据公式(1)得到目标对象的成像尺寸A。当然,还可按照其他方式对像素数量进行求取,以最终确定目标对象的成像尺寸,不限于本发明实施例所限定的求取方法的范围。如此,由于人脸上的具体结构特征(眼,眉,鼻等)一般比较固定,因此通过将人脸几何结构的中心至鼻尖位置之间的区域作为人脸定义为目标对象对成像尺寸A进行求取,以及对物理尺寸B进一步确定,能够使得通过基于人脸特征区域中具体的特征(眼,眉,鼻)所确定的物距比较准确,从而进一步优化人脸与镜头之间距离(即物距)的测量的结果。
在本发明实施例中,也可以将对称结构的人体特征区域中下巴的最低点与人体几何结构的中心之间的垂直距离确定为成像尺寸A,并将预设的人体特征区域的物理平均尺寸确定为物理尺寸B。预设的人体特征区域的物理平均尺寸可根据所统计的人体特征数据(比如,下巴的最低点与人体脚尖的中心之间的平均距离等)进行获取,在此不详细赘述。其中,人体几何结构的中心包括但不限于人体脚尖的中心、肚脐或人体肩膀的中心等,在此不一一举例说明。本发明实施例中基于对称结构的人体特征区域中下巴的最低点与人体几何结构的中心之间的垂直距离确定的成像尺寸A,以及预设的人体特征区域的物理平均尺寸(即物理尺寸B)确定物距的原理与上述基于人脸特征区域中鼻尖与人脸几何结构的中心之间的垂直距离确定的成像尺寸A和预设的人脸特征区域的第二物理平均尺寸确定的物理尺寸B得到的物距的原理相同,在此不详细赘述。
需要说明的是,在本发明实施例的图像测距方法中,主要通过人脸特征区域中眼,眉,鼻等具体特征对人脸与镜头之间的距离进行优化。也可以通过其他(比如通过获取目标对象的性别和/或年龄和/或人种)等方式对人脸与镜头之间的距离做进一步优化,以使对目标对象与镜头之间距离(即物距)进行检测的正确性得到进一步提高。此外,物理尺寸以及成像尺寸所涉及的“尺寸”可以指高度,宽度,长度等。比如,在人脸识别中,尺寸是指额头的最高点至下巴的最低点之间的长度,或眉心至鼻尖之间的长度;又比如,在车牌识别中,尺寸是指车牌的高度(或宽度),具体可根据实际应用场景的要求进行确定,不限于本发明实施例所限定的范围。
如图4所示,在上述任一项实施例中,在基于物理尺寸B,成像尺寸A,镜头焦距f确定目标对象与镜头之间的距离之前,还包括:
步骤105.确定目标图像中目标对象是否有效,以在目标对象有效时基于物理尺寸B,成像尺寸A,镜头焦距f确定目标对象与镜头之间的距离。
其中,确定目标图像中目标对象是否有效的操作具体包括:
步骤106.成像尺寸是否大于物理平均尺寸。
步骤1071.若成像尺寸A大于物理平均尺寸(第一物理平均尺寸或第二物理平均尺寸),则确定目标图像中目标对象无效。
步骤1072.若成像尺寸A小于或等于物理平均尺寸(第一物理平均尺寸或第二物理平均尺寸),则确定目标图像中目标对象有效。
需要说明的是,物理平均尺寸在具体应用场景中的取值可不相同,比如,在人脸特征区域(额头的最高点至下巴的最低点之间的特征区域)识别的场景中,物理平均尺寸(即第一物理平均尺寸)为19mm,而在人脸特征区域(眉心至鼻尖之间的特征区域)识别的场景中,物理平均尺寸(即第二物理平均尺寸)为60mm。对于其他识别的应用场景,物理平均尺寸的取值均不相同,在此不一一详细举例说明。
为了进一步提高对目标对象与镜头之间距离检测的准确性,结合图5和图6进行说明,上述任一项实施例所述的图像测距方法还包括:
步骤502.获取镜头与水平面构成的俯仰角度θ;
步骤504.基于俯仰角度θ,物理尺寸B,成像尺寸A,镜头焦距f确定目标对象与镜头之间的距离。
其中,图6中的“物”表示目标对象,“像”表示目标对象经过透镜所成的像。
具体地,仍以目标对象为对称结构的人脸特征区域进行说明,基于镜头与水平面构成的俯仰角度θ,目标对象的成像尺寸可以公式(3)进行确定,从而对目标对象的成像尺寸进行了修正。
A=LPD*sinθ*s (3)
应理解,在比如摄像机等图像采集器实际获取目标图像的过程中,图像采集器的镜头所在平面一般不会完全与目标图像中的目标对象所在平面平行,由此,在考虑图像采集器与目标图像之间的倾斜角度的情况下,直接确定目标对象的物理尺寸和成像尺寸会导致最终确定的目标对象与镜头之间的距离(即物距)存在一定误差,尤其当倾斜角度比较大时,得到的目标对象与镜头之间的距离的误差较大。本发明实施例的图像测距方法通过获取镜头与水平面之间构成的俯仰角度θ,以同时基于俯仰角度θ,物理尺寸B,成像尺寸A,镜头焦距f确定目标对象与镜头之间的距离,以提高对目标对象与镜头之间距离的检测的准确性。
可以理解的是,针对普通监控摄像机应用场景,现有测距技术无法应用于没有集成额外硬件图像采集模块的摄像机,并且额外硬件图像采集模块成本较高,使用场景受限(雨天,雾霾,夜间等恶劣环境)。上述任一项实施例的图像测距方法无需通过额外的硬件图像采集模块,便可将深度学习模型AI识别技术直接应用于现有的图像采集器(如摄像机、照相机、图像传感器等)中以实现对图像物距的检测,该方法的测量精度适用于变焦聚焦算法,且环境适应性强,仅仅依赖于AI的识别精度,即可大幅度提高对图像物距检测的准确度。
实施例二:
如图7所示,本发明还提供一种图像测距系统700,包括:获取单元702,基于深度学习技术获取目标图像中的目标对象;第一确定单元704,确定目标对象的物理尺寸B,成像尺寸A和镜头焦距f;第二确定单元706,基于物理尺寸B,成像尺寸A,镜头焦距f确定目标对象与镜头之间的距离。具体地,:获取单元702还用于像素点尺寸s和目标对象的像素点数量n,第一确定单元704则根据像素点尺寸s和目标对象的像素点数量n得到目标对象的成像尺寸A。
本发明实施例的图像测距系统700通过第一确定单元704根据获取单元702基于深度学习模型获取的目标图像中的目标对象确定目标对象的物理尺寸,成像尺寸和镜头焦距,以通过第二确定单元706根据目标对象的物理尺寸,成像尺寸,镜头焦距确定目标对象与镜头之间的距离。如此,本发明的图像测距系统700通过深度学习模型对目标图像中的目标对象进行获取,而无需添加额外的硬件图像获取模块,即可实现对图像的测距,由此,本发明的图像测距系统700不仅节约了硬件成本,而且提高了图像测距的准确度。此外,本发明实施例的图像测距系统600能够随着环境的变化对目标对象的获取进行适应性调整,从而提高了图像物距检测的适应性。
其中,第一确定单元704包括物理尺寸确定单元7041,用于将预设的目标对象的第一物理平均尺寸确定为目标对象的物理尺寸B。比如,以目标对象为对称结构的人脸特征区域进行说明,该第一物理平均尺寸是指所统计的人脸统计数据中从额头的最高点至下巴的最低点之间的平均长度,将所统计的第一物理平均尺寸为19cm作为人脸特征区域的物理尺寸。当然,还可以将头颅的顶部与人脸下巴的最低点之间的平均长度确定为第一物理平均尺寸。确定第一物理平均尺寸的具体实施方式不限于本发明实施例所限定的范围,在此不一一详细赘述。
进一步地,将人脸几何结构的中心至鼻尖位置之间的区域作为人脸特征区域定义为目标对象。其中,以眉心作为人脸几何结构的中心为例,将鼻尖(点P)达到直线L(该直线L为两弯眉毛中相互对应靠近的两个末梢S1和S2所形成的直线)的垂足点D的位置确定为眉心位置。第一确定单元704还包括成像尺寸确定单元7042,用于将人脸特征区域中鼻尖与人脸几何结构的中心之间的垂直距离确定为成像尺寸A,并将预设的人脸特征区域的第二物理平均尺寸确定为物理尺寸B。其中,成像尺寸A可根据公式(2)将进行确定,第二物理平均尺寸60mm作为物理尺寸B。人脸几何结构的中心包括但不限于两个瞳孔之间的中心或眉心或嘴唇的中心。
如此,由于人脸特征区域上的具体结构特征(眼,眉,鼻等)一般比较固定,因此本发明实施例的图像测距系统700通过将人脸几何结构的中心至鼻尖位置之间的区域作为人脸特征区域定义为目标对象对成像尺寸A进行求取,以及对物理尺寸B进一步确定,能够使得通过基于人脸特征区域中具体的特征(眼,眉,鼻)所确定的物距比较准确,从而进一步优化人脸与镜头之间距离的测量结果。
在上述任一项实施例中,获取单元702还用于获取镜头与水平面构成的俯仰角度θ,以使第二确定单元706基于俯仰角度θ,物理尺寸B,成像尺寸A,镜头焦距f确定目标对象与镜头之间的距离。具体地,可先通过第一确定单元704中成像尺寸确定单元7042基于俯仰角度θ根据公式(3)得到目标对象的成像尺寸,以对成像尺寸进行修正,然后通过第二确定单元706根据修正后的成像尺寸A,物理尺寸B,镜头焦距f基于公式(1)确定目标对象与镜头之间的距离。如此,能够防止由于图像采集器的镜头所在平面与目标图像所在平面之间构成倾斜角度比较大而导致目标对象与镜头之间的距离(即物距)的误差较大的问题发生,从而提高了对目标对象与镜头之间距离的检测的准确性。
在上述任一项实施例中,本发明实施例的图像测距系统700还包括判断单元705,用于确定目标图像中目标对象是否有效,以在目标对象有效时基于物理尺寸B,成像尺寸A,镜头焦距f确定目标对象与镜头之间的距离。具体地,判断单元705在成像尺寸A大于物理平均尺寸(第一物理平均尺寸或第二物理平均尺寸)时确定目标图像中目标对象无效,在成像尺寸A小于或等于物理平均尺寸(第一物理平均尺寸或第二物理平均尺寸)时确定目标图像中目标对象有效。
本实施例与实施例一中相同部分的技术方案,请参实施例一所述,在此不再赘述。
此外,实施例一的图像测距方法或实施例二的图像测距系统可应用于人脸识别,人体识别,车辆识别,车牌识别等应用场景中。比如,在人体识别中,通过对人体身高的预测得到目标对象的物理尺寸B以及对人体进行识别得到成像尺寸A,从而根据公式(1)得到人体与镜头之间的距离。当然,可结合人体的具体特征或镜头与水平面构成的倾斜角度或人体具体年龄、性别等特征,对人体与镜头之间的距离做进一步优化,以进一步提高对图像物距检测的准确性。又比如,在车牌识别中,通过深度学习模型AI识别技术识别车牌的类型以得到车牌的物理尺寸B(如蓝牌或黑牌的物理高度为140mm,黄牌的物理高度为220mm),并通过图像识别得到车牌的成像尺寸A,即可确定车牌与镜头之间的距离。如此,通过本发明实施例的图像测距方法或图像测距系统能够实现对不同应用场景中目标对象的物距进行检测,且结合对目标对象的具体特征或镜头与水平面形成的倾斜角度对物距检测做进一步优化,以提高图像物距检测的准确性。
实施例三:
优选地,本发明实施例还提供一种终端设备,其可包括处理器,存储器,存储在存储器上并可在所述处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述图1-2,图4-5所示的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。上述处理器可为ASIC、FPGA、CPU、MCU或者其他具有指令处理功能的物理硬件或者虚拟设备;上述存储器选自RAM、DRAM、FeRAM、NVDIMM、SSD、RAID0~7或者数据中心。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述图1-2,图4-5所示的方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种图像测距方法,其特征在于,所述方法包括:
基于深度学习模型获取目标图像中的目标对象;
确定所述目标对象的物理尺寸,成像尺寸和镜头焦距;
确定所述目标图像中目标对象是否有效,以在所述目标对象有效时基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离;
基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离;
其中,所述目标对象与镜头之间的距离u通过公式u=f*(B-A)/A进行确定,f表示镜头焦距,B表示目标对象的物理尺寸,A为目标对象的成像尺寸;
还包括:对目标对象的成像尺寸A通过下述公式进行修正,
A=LPD*sinθ*s;
其中,参数LPD为鼻尖到达直线L的距离,直线L为眉毛相互对应靠近的末梢所形成的直线,参数θ为镜头与水平面构成的俯仰角度,参数s为像素点尺寸。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取镜头与水平面构成的俯仰角度,以基于所述俯仰角度,所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离。
3.根据权利要求1所述的方法,其特征在于,确定所述目标对象的物理尺寸,包括:
将预设的所述目标对象的第一物理平均尺寸确定为所述目标对象的物理尺寸。
4.根据权利要求1所述的方法,其特征在于,
所述目标对象为包含对称结构的人体特征区域或非人体特征区域;
其中,所述人体特征区域由人脸、上肢、躯干或者下肢中的至少一种待测试区域所形成。
5.根据权利要求4所述的方法,其特征在于,所述目标对象为包含对称结构的人脸特征区域,其中,所述确定所述目标对象的物理尺寸,成像尺寸,包括:
将所述人脸特征区域中鼻尖与人脸几何结构的中心之间的垂直距离确定为所述成像尺寸,并将预设的所述人脸特征区域的第二物理平均尺寸确定为所述物理尺寸。
6.根据权利要求3所述的方法,其特征在于,所述基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离之前,还包括:
确定所述目标图像中目标对象是否有效,以在所述目标对象有效时基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离;
其中,确定所述目标图像中目标对象是否有效,包括:
若所述成像尺寸大于第一物理平均尺寸,则确定所述目标图像中目标对象无效;
若所述成像尺寸小于或等于所述第一物理平均尺寸,则确定所述目标图像中目标对象有效。
7.根据权利要求5所述的方法,其特征在于,在基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离之前,还包括:
确定所述目标图像中目标对象是否有效,以在所述目标对象有效时基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离;
其中,确定所述目标图像中目标对象是否有效,包括:
若所述成像尺寸大于所述第二物理平均尺寸,则确定所述目标图像中目标对象无效;
若所述成像尺寸小于或等于所述第二物理平均尺寸,则确定所述目标图像中目标对象有效。
8.根据权利要求1-7中任一项所述的方法,其特征在于,确定所述目标对象的成像尺寸,包括:
获取像素点尺寸和所述目标对象的像素点数量;
基于所述像素点尺寸和所述像素点数量得到所述目标对象的成像尺寸。
9.一种图像测距系统,其特征在于,包括:
获取单元,基于深度学习技术获取目标图像中的目标对象;
第一确定单元,确定所述目标对象的物理尺寸,成像尺寸和镜头焦距;
第二确定单元,基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离;
判断单元,用于确定所述目标图像中目标对象是否有效,以在所述目标对象有效时基于所述物理尺寸,所述成像尺寸,所述镜头焦距确定所述目标对象与镜头之间的距离;
其中,所述目标对象与镜头之间的距离u通过公式u=f*(B-A)/A进行确定,f表示镜头焦距,B表示目标对象的物理尺寸,A为目标对象的成像尺寸;
对目标对象的成像尺寸A通过下述公式进行修正,
A=LPD*sinθ*s;
其中,参数LPD为鼻尖到达直线L的距离,直线L为眉毛相互对应靠近的末梢所形成的直线,参数θ为镜头与水平面构成的俯仰角度,参数s为像素点尺寸。
10.一种终端设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的图像测距方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010309639.3A CN111486798B (zh) | 2020-04-20 | 2020-04-20 | 图像测距方法、图像测距系统及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010309639.3A CN111486798B (zh) | 2020-04-20 | 2020-04-20 | 图像测距方法、图像测距系统及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111486798A CN111486798A (zh) | 2020-08-04 |
CN111486798B true CN111486798B (zh) | 2022-08-26 |
Family
ID=71811826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010309639.3A Active CN111486798B (zh) | 2020-04-20 | 2020-04-20 | 图像测距方法、图像测距系统及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111486798B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111964789B (zh) * | 2020-08-14 | 2021-08-10 | 深圳市视美泰技术股份有限公司 | 温度测量方法、装置、计算机设备和存储介质 |
CN114111704B (zh) * | 2020-08-28 | 2023-07-18 | 华为技术有限公司 | 测量距离的方法、装置、电子设备及可读存储介质 |
CN117292416A (zh) * | 2021-01-25 | 2023-12-26 | 天津怡和嘉业医疗科技有限公司 | 一种人脸尺寸确定方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151657A (zh) * | 2017-12-28 | 2018-06-12 | 上海传英信息技术有限公司 | 一种基于智能终端的物体尺寸测量方法及测量装置 |
CN109443303A (zh) * | 2018-09-14 | 2019-03-08 | 杭州宇泛智能科技有限公司 | 基于图像采集的检测人脸与摄像头距离的方法及系统 |
CN109543697A (zh) * | 2018-11-16 | 2019-03-29 | 西北工业大学 | 一种基于深度学习的rgbd图像目标识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI392852B (zh) * | 2009-09-25 | 2013-04-11 | Primax Electronics Ltd | 利用自動對焦測量距離之可攜式電子設備以及利用自動對焦測量距離之方法 |
KR102048361B1 (ko) * | 2013-02-28 | 2019-11-25 | 엘지전자 주식회사 | 거리 검출 장치, 및 이를 구비하는 영상처리장치 |
WO2016091545A1 (en) * | 2014-12-09 | 2016-06-16 | Fotonation Limited | Image processing method |
CN104506773A (zh) * | 2014-12-22 | 2015-04-08 | 天津市亚安科技股份有限公司 | 基于人眼间距的摄像机自动变倍控制方法 |
CN109429060B (zh) * | 2017-07-07 | 2020-07-28 | 京东方科技集团股份有限公司 | 瞳孔距离测量方法、可穿戴眼部设备及存储介质 |
CN108009154B (zh) * | 2017-12-20 | 2021-01-05 | 哈尔滨理工大学 | 一种基于深度学习模型的图像中文描述方法 |
CN109696913A (zh) * | 2018-12-13 | 2019-04-30 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于深度学习的扫地机器人智能避障系统及方法 |
CN109784256A (zh) * | 2019-01-07 | 2019-05-21 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置、存储介质及电子装置 |
-
2020
- 2020-04-20 CN CN202010309639.3A patent/CN111486798B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151657A (zh) * | 2017-12-28 | 2018-06-12 | 上海传英信息技术有限公司 | 一种基于智能终端的物体尺寸测量方法及测量装置 |
CN109443303A (zh) * | 2018-09-14 | 2019-03-08 | 杭州宇泛智能科技有限公司 | 基于图像采集的检测人脸与摄像头距离的方法及系统 |
CN109543697A (zh) * | 2018-11-16 | 2019-03-29 | 西北工业大学 | 一种基于深度学习的rgbd图像目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111486798A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11967179B2 (en) | System and method for detecting and removing occlusions in a three-dimensional image | |
CN111486798B (zh) | 图像测距方法、图像测距系统及终端设备 | |
US10878237B2 (en) | Systems and methods for performing eye gaze tracking | |
US11030455B2 (en) | Pose recognition method, device and system for an object of interest to human eyes | |
CN105335722B (zh) | 一种基于深度图像信息的检测系统及方法 | |
WO2020172783A1 (zh) | 一种用于经颅磁刺激诊疗的人头姿态跟踪系统 | |
CN111652086B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN104809424B (zh) | 一种基于虹膜特征实现视线追踪的方法 | |
CN105138965A (zh) | 一种近眼式视线跟踪方法及其系统 | |
US20220100268A1 (en) | Eye tracking device and a method thereof | |
WO2019010959A1 (zh) | 用于确定视线的方法、设备和计算机可读存储介质 | |
US10909363B2 (en) | Image acquisition system for off-axis eye images | |
JP2008264341A (ja) | 眼球運動計測方法および眼球運動計測装置 | |
WO2021175281A1 (zh) | 红外测温方法、装置、设备及存储介质 | |
CN113610889A (zh) | 一种人体三维模型获取方法、装置、智能终端及存储介质 | |
CN114973392A (zh) | 一种人眼运动追踪系统及方法 | |
CN111526286B (zh) | 控制电机运动的方法、系统及终端设备 | |
CN114360043B (zh) | 模型参数标定方法、视线追踪方法、装置、介质及设备 | |
US11054659B2 (en) | Head mounted display apparatus and distance measurement device thereof | |
JP6785723B2 (ja) | 視線計測装置 | |
JP5559749B2 (ja) | 位置検出装置、位置検出方法及びコンピュータプログラム | |
JP2023549865A (ja) | 児童を対象とした両眼距離測定の方法及びシステム | |
CN112528714A (zh) | 基于单光源的注视点估计方法、系统、处理器及设备 | |
KR101348903B1 (ko) | 시선 추적용 기하광학에 기반한 각막 반경 측정 알고리즘을 이용한 각막 반경 측정 장치 및 방법 | |
CN113283329B (zh) | 视线追踪系统、眼动仪、视线追踪方法、设备及介质 |
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 |