CN111582240B - 一种对象数量的识别方法、装置、设备和介质 - Google Patents

一种对象数量的识别方法、装置、设备和介质 Download PDF

Info

Publication number
CN111582240B
CN111582240B CN202010472083.XA CN202010472083A CN111582240B CN 111582240 B CN111582240 B CN 111582240B CN 202010472083 A CN202010472083 A CN 202010472083A CN 111582240 B CN111582240 B CN 111582240B
Authority
CN
China
Prior art keywords
dimensional
image
coordinates
processed
feature
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
Application number
CN202010472083.XA
Other languages
English (en)
Other versions
CN111582240A (zh
Inventor
江月
贺嘉琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Yitu Technology Co ltd
Original Assignee
Shanghai Yitu Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Yitu Technology Co ltd filed Critical Shanghai Yitu Technology Co ltd
Priority to CN202010472083.XA priority Critical patent/CN111582240B/zh
Publication of CN111582240A publication Critical patent/CN111582240A/zh
Application granted granted Critical
Publication of CN111582240B publication Critical patent/CN111582240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种对象数量的识别方法、装置、设备和介质，属于图像处理技术领域，该方法包括，获取多个待处理图像，多个待处理图像是不同图像采集设备在预设时间范围内对同一区域采集的图像；分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标；分别对每一个二维特征坐标进行三维转换，获得相应的三维特征坐标；根据各特征点的三维特征坐标，将各特征点进行聚类，获得各个簇；识别各个簇的总数量，作为同一区域中包含的目标对象的数量。这样，扩大了覆盖范围，简化了数量识别的复杂步骤，提高了数量识别的效率，提高了数量识别的准确度。

Description

一种对象数量的识别方法、装置、设备和介质
技术领域
本申请涉及图像处理技术领域，尤其涉及一种对象数量的识别方法、装置、设备和介质。
背景技术
当一个区域内容纳的目标对象(如，人)较多时，通常导致安全问题，因此，对安全性能要求较高的场所，通常需要对场所中的目标对象的数量进行监控。例如，场所为体育馆、商场、工厂车间以及电梯等。
现有技术下，为识别一个区域内的目标对象的数量，通常通过一个图像采集设备(如，摄像设备)进行监控，并采用人脸识别等方式，确定监控图像中的对象数量。
但是，一个图像采集设备的视角可能无法覆盖全部区域，以及监控图像中的目标对象可能会存在遮挡等问题，使得数量识别结果不准确，再者人脸识别等方式识别目标对象数量，识别步骤繁琐，适应范围较小。
因此，如何提高对象数量识别的准确度，简化识别步骤，提高适用范围，是一个需要解决的问题。
发明内容
本申请实施例提供一种对象数量的识别方法、装置、设备和介质，用以在识别区域内包含的目标对象的数量时，提高数量识别的准确度，简化识别步骤，提高适用范围。
一方面，提供一种对象数量的识别方法，包括：
获取多个待处理图像，多个待处理图像是不同图像采集设备在预设时间范围内对同一区域采集的图像；
分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标；
分别对每一个二维特征坐标进行三维转换，获得相应的三维特征坐标；
根据各特征点的三维特征坐标，将各特征点进行聚类，获得各个簇；
识别各个簇的总数量，作为同一区域中包含的目标对象的数量。
较佳的，分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标，包括：
分别对每一待处理图像进行目标对象检测，并根据检测结果，提取每一待处理图像中包含的目标对象的关键点；
根据提取的各关键点，从每一待处理图像中分割出包含目标对象的局部区域图像；
分别确定每一局部区域图像中包含的目标对象的多个指定关键点的二维图像坐标；
分别将每一目标对象对应的多个二维图像坐标的均值，确定为相应目标对象的特征点的二维特征坐标。
较佳的，分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标，进一步包括：
针对存在指定关键点的二维图像坐标获取失败的局部区域图像，获取局部区域图像中的备用关键点的二维图像坐标；
将备用关键点的二维图像坐标，作为相应目标对象的特征点的二维特征坐标。
较佳的，分别对每一个二维特征坐标进行三维转换，获得相应的三维特征坐标，包括：
获取各特征点对应设置的维度转换矩阵，维度转换矩阵是根据拍摄特征点所属的待处理图像的图像采集设备与坐标轴的夹角、图像采集设备的高度以及图像采集设备的焦距确定的；
分别根据每一个特征点的二维特征坐标与对应的维度转换矩阵，获得相应的三维特征坐标。
较佳的，根据各特征点的三维特征坐标，将各特征点进行聚类，获得各个簇，包括：
获取各特征点对应设置的坐标转换矩阵，坐标转换矩阵是根据特征点所属的三维坐标系与预先设置的目标坐标系确定的；
分别根据每一个三维特征坐标与对应的坐标转换矩阵，获得相应的三维目标坐标；
根据各特征点的三维目标坐标，将各特征点进行聚类，获得各个簇；
识别各个簇的总数量，作为同一区域中包含的目标对象的数量。
一方面，提供一种对象数量的识别系统，包括控制设备和至少两个图像采集设备，其中，
每一图像采集设备，用于采集图像，并将采集的图像发送至控制设备；
控制设备，用于接收各图像采集设备发送的图像，并将在预设时间范围内对同一区域采集的图像作为待处理图像，以及分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标；分别对每一个二维特征坐标进行三维转换获得相应的三维特征坐标；根据各特征点的三维特征坐标，将各特征点进行聚类，获得各个簇；识别各个簇的总数量，作为同一区域中包含的目标对象的数量。
一方面，提供一种对象数量的识别装置，包括：
获取单元，用于获取多个待处理图像，多个待处理图像是不同图像采集设备在预设时间范围内对同一区域采集的图像；
确定单元，用于分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标；
转换单元，用于分别对每一个二维特征坐标进行三维转换，获得相应的三维特征坐标；
聚类单元，用于根据各特征点的三维特征坐标，将各特征点进行聚类，获得各个簇；
识别单元，用于识别各个簇的总数量，作为同一区域中包含的目标对象的数量。
较佳的，确定单元用于：
分别对每一待处理图像进行目标对象检测，并根据检测结果，提取每一待处理图像中包含的目标对象的关键点；
根据提取的各关键点，从每一待处理图像中分割出包含目标对象的局部区域图像；
分别确定每一局部区域图像中包含的目标对象的多个指定关键点的二维图像坐标；
分别将每一目标对象对应的多个二维图像坐标的均值，确定为相应目标对象的特征点的二维特征坐标。
较佳的，确定单元还用于：
针对存在指定关键点的二维图像坐标获取失败的局部区域图像，获取局部区域图像中的备用关键点的二维图像坐标；
将备用关键点的二维图像坐标，作为相应目标对象的特征点的二维特征坐标。
较佳的，转换单元用于：
获取各特征点对应设置的维度转换矩阵，维度转换矩阵是根据拍摄特征点所属的待处理图像的图像采集设备与坐标轴的夹角、图像采集设备的高度以及图像采集设备的焦距确定的；
分别根据每一个特征点的二维特征坐标与对应的维度转换矩阵，获得相应的三维特征坐标。
较佳的，聚类单元用于：
获取各特征点对应设置的坐标转换矩阵，坐标转换矩阵是根据特征点所属的三维坐标系与预先设置的目标坐标系确定的；
分别根据每一个三维特征坐标与对应的坐标转换矩阵，获得相应的三维目标坐标；
根据各特征点的三维目标坐标，将各特征点进行聚类，获得各个簇；
识别各个簇的总数量，作为同一区域中包含的目标对象的数量。
一方面，提供一种控制设备，包括：
至少一个存储器，用于存储程序指令；
至少一个处理器，用于调用存储器中存储的程序指令，按照获得的程序指令执行上述任一种对象数量的识别方法的步骤。
一方面，提供一种计算机可读存储介质，其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任一种对象数量的识别方法的步骤。
本申请实施例提供的一种对象数量的识别方法、装置、设备和介质中，获取多个待处理图像，多个待处理图像是不同图像采集设备在预设时间范围内对同一区域采集的图像；分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标；分别对每一个二维特征坐标进行三维转换，获得相应的三维特征坐标；根据各特征点的三维特征坐标，将各特征点进行聚类，获得各个簇；识别各个簇的总数量，作为同一区域中包含的目标对象的数量。这样，通过多个图像采集设备在同一时间采集的待处理图像进行对象数量识别，扩大了覆盖范围，提高了数量识别的准确度，通过目标对象的特征点，确定目标对象的数量，简化了数量识别的复杂步骤，提高了数量识别的效率，解决了目标对象被遮挡导致数量识别结果不准确的问题，进一步提高了数量识别的准确度。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，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为本申请实施例方式中一种应用场景示意图；
图2为本申请实施例方式中一种对象数量的识别方法的实施流程图；
图3为本申请实施例方式中一种关键点示例图；
图4a为本申请实施例方式中一种指定关键点示意图；
图4b为本申请实施例方式中一种备用关键点示意图；
图4c为本申请实施例方式中一种维度转换示意图；
图5a为本申请实施例方式中一种数据配置流程实施图。
图5b为本申请实施例方式中一种对象数量的识别方法的框架流程示意图；
图6为本申请实施例方式中一种对象数量的识别装置的结构示意图；
图7为本申请实施例方式中一种控制设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
为了在识别区域内的对象数量时，提高对象数量识别的准确度，简化识别步骤，提高适用范围，本申请实施例提供了一种对象数量的识别方法、装置、设备和介质。
本申请实施例中提供一种对象数量的识别系统，该系统中包括：控制设备和至少两个图像采集设备。
图像采集设备，用于采集图像，并将采集的图像发送至控制设备。其中，图像采集设备可以为摄像设备。
控制设备：用于接收各图像采集设备发送的图像，并将在预设时间范围内对同一区域采集的图像作为待处理图像，以及分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标；分别对每一个二维特征坐标进行三维转换获得相应的三维特征坐标；根据各特征点的三维特征坐标，将各特征点进行聚类，获得各个簇；识别各个簇的总数量，作为同一区域中包含的目标对象的数量。
一种实施方式中，多个待处理图像是不同图像采集设备在同一时间拍摄的，即预设时间范围为0，这样，就可以通过同一时间对同一区域拍摄的不同待处理图像，确定该区域中包含的目标对象的数量。
实际应用中，由于硬件设备以及网络传输等原因，可能会造成拍摄时间滞后，因此，可以通过拍摄时间相近的多个待处理图像，识别目标对象的数量。即预设时间范围可以根据实际应用场景进行设置，如，1s内，在此不作限制。
可选的，控制设备可以为终端设备或服务器。
其中，终端设备：可以是移动终端、固定终端或便携式终端，例如移动手机、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、个人通信系统设备、个人导航设备、个人数字助理、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合，包括这些设备的配件和外设或者其任意组合。还可预见到的是，终端设备能够支持任意类型的针对用户的接口(例如可穿戴设备)等。
其中，服务器：可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务以及大数据和人工智能平台等基础云计算服务的云服务器。
例如，参阅图1所示，为本申请实施例中提供的一种应用场景示意图。在一种应用场景中，同一区域内安装有两个图像采集设备，即图像采集设备A和图像采集设备B，以及存在多个目标对象，即用户a，用户b和用户c。
图像采集设备A和图像采集设备B均对同一区域进行监控，获得监控图像，并将监控图像发送至控制设备。
控制设备将图像采集设备A和图像采集设备B在同一时间拍摄的监控图像作为待处理图像，通过各待处理图像，识别同一区域中包含的目标对象的数量。
本申请实施例中，图像采集设备的数量至少为两个，目标对象可以为人，也可以为动物等，在此不作限制。
参阅图2所示，为本申请提供的一种对象数量的识别方法的实施流程图。
该方法的具体实施流程如下：
步骤200：控制设备获取多个待处理图像。
具体的，待处理图像可以为控制设备本地存储的，也可以为其它设备(如，图像采集设备)发送的。各待处理图像是不同的图像采集设备在预设时间范围内拍摄的。图像采集设备的数量至少为两个。
一种实施方式中，控制设备获取各图像关联存储的拍摄时间，依次将每一拍摄时间对应的多个图像，作为待处理图像，以便进行后续的图像处理。
一种实施方式中，同一区域中的多个图像采集设备对同一区域进行实时监控，并将监控画面实时发送至控制设备，控制设备将各图像采集设备发送的监控图像，作为待处理图像。
步骤201：控制设备分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标。
具体的，目标对象为需要数量识别的对象，可以为人或动物等。
执行步骤201时，可以采用以下步骤：
S2011：控制设备分别对每一待处理图像进行目标对象检测，获得检测结果。
具体的，目标检测结果为待处理图像中是否包含目标对象。
S2012：控制设备根据检测结果，提取每一待处理图像中包含的目标对象的关键点，并从每一待处理图像中分割出包含目标对象的局部区域图像。
具体的，若根据检测结果，确定待处理图像中不包含目标对象，则控制设备丢弃该待处理图像。若根据检测结果，确定待处理图像中包含目标对象，则控制设备提取待处理图像中包含的目标对象的关键点，并根据各关键点分割出包含目标对象的局部区域图像。
其中，每一局部区域图像中包含一个目标对象。由于待处理图像中，可能仅包含一个目标对象，也可能包含多个目标对象，因此，从待处理图像中可能会分割出一个局部区域图像，也可能会分割出多个局部区域图像。
其中，关键点为预先设置的目标对象中的位置，如，人体的膝盖。
参阅图3所示，为一种关键点示例图。假设目标对象为人，则控制设备对待处理图像进行人体检测，确定待处理图像中包含一个人，则提取人体关键点，即图3中的关键点1、2……14。
可选的，分割局部区域图像时，可以采用目标对象轮廓的方式分割，也可以采用任意多边形(如，矩形)进行分割，在此不再赘述。其中，目标对象轮廓以及多边形均是根据目标对象的关键点确定的。
也就是说，局部区域图像可以为包含目标对象的矩形图像、正方形图像或目标对象轮廓图像等。
S2013:控制设备分别确定每一局部区域图像中包含的目标对象的多个指定关键点的二维图像坐标。
具体的，控制设备在执行S2013之前，预先针对每一图像采集设备拍摄的待处理图像建立二维坐标系。
需要说明的是，每一图像采集设备对应一个二维坐标系，即同一个图像采集设备拍摄的待处理图像的二维坐标系是相同的。二维坐标系中的原点和坐标轴方向是根据图像采集设备的位置信息确定的。
执行S2013时，控制设备分别针对每一局部区域图像，根据局部区域图像所属的待处理图像对应的二维坐标系，获取该局部区域图像中目标对象的指定关键点的二维图像坐标。
其中，指定关键点可以是默认设置的，也可以为根据用户输入的关键点指令实时获得。指定关键点为目标对象中的位置，例如，指定关键点可以为人像的脚，以及人像的头等，实际应用中，指定关键点可以根据实际应用场景进行设置，在此不再赘述。
例如，参阅图4a所示，为一种指定关键点示意图。目标对象为人，指定关键点为人像的双脚，控制设备分别获取局部区域图像中的指定关键点1和指定关键点2的二维图像坐标。
其中，若可以成功获取指定关键点的二维图像坐标，说明指定关键点是可见的，若指定关键点的二维图像坐标获取失败，说明指定关键点是不可见的。
若存在二维图像坐标获取失败的局部区域图像，即局部区域图像中存在指定关键点不可见，则获取局部区域图像中的备用关键点的二维图像坐标。
也就是说，分别针对每一局部区域图像，若该局部区域图像中的任一指定关键点的二维图像坐标获取失败，则获取备用关键点的二维图像坐标。
由于图像采集设备摄像时，可能无法覆盖目标对象的整体，或者目标对象被遮挡，使得局部区域图像中不存在指定关键点，因此，指定关键点的二维图像坐标可能会获取失败。
其中，备用关键点是预先设置的，例如，备用关键点为局部区域图像的下边缘的中心点。
例如，参阅图4b所示，为一种备用关键点示意图，目标对象为人，局部区域图像中不存在指定关键点，则将局部区域图像的下边缘的中心点，作为备用关键点，并获取备用关键点的二维图像坐标。
需要说明的是，指定关键点是从目标对象中的点中选择的，备用关键点是从整个局部区域图像的点中选择的。也就是说，备用关键点的选择范围比指定关键点的选择范围更大。
S2014：控制设备分别将每一目标对象对应的多个二维图像坐标的均值，确定为相应目标对象的特征点的二维特征坐标。
具体的，控制设备分别针对每一目标对象，获取该目标对象的各指定关键点均是可见的，则将各指定关键点的二维图像坐标的均值，作为该目标对象的特征点的二维特征坐标。
其中，若针对目标对象设置的指定关键点仅为一个，则直接将二维图像坐标作为相应的二维特征坐标。
进一步地，若存在二维图像坐标获取失败的局部区域图像，即存在指定关键点不可见，则将该局部图像的备用关键点的二维图像坐标作为该局部图像中的目标对象的特征点的二维特征坐标。
这样，每一目标对象均对应一个特征点，也就是说，每一特征点表示一个目标对象，通过特征点的二维特征坐标，可以确定目标对象所在的位置。通过特征点的方式区分不同的目标对象，简化了目标对象区分的繁琐步骤，不需要人脸识别，提高了目标对象区分的效率和精确度。
步骤202：控制设备分别对每一个二维特征坐标进行三维转换，获得相应的三维特征坐标。
具体的，控制设备获取各特征点对应设置的维度转换矩阵，并分别根据每一个特征点的二维特征坐标与对应的维度转换矩阵，获得相应的三维特征坐标。
一种实施方式中，控制设备分别针对每一个目标对象的特征点，获取针对拍摄特征点所属的待处理图像的图像采集设备设置的维度转换矩阵，并将该特征点的二维特征坐标与维度转换矩阵的乘积，确定为三维特征坐标。
其中，维度转换矩阵是根据拍摄特征点所属的待处理图像的图像采集设备与坐标轴的夹角、图像采集设备的高度以及图像采集设备的焦距确定的，用于将二维图像(二维空间)中的坐标转换为三维空间(实际世界)中的坐标。每一图像采集设备的待处理图像对应设置一个维度转换矩阵，即同一个图像采集设备拍摄的所有待处理图像对应同一个维度转换矩阵。
参阅图4c所示，为一种维度转换示意图，包括三维空间的三维坐标系，二维空间的二维坐标系，以及图像采集设备。三维坐标系包括X、Y和Z三个坐标轴，二维坐标系包括x和y两个坐标轴。图像采集设备位于Y轴。f为焦距，c为图像采集设备的高度，θ为图像采集设备的朝向与Z轴的夹角。则维度转换矩阵的逆矩阵P可以采用表达式：
其中，f为焦距，c为图像采集设备的高度，θ为图像采集设备的朝向与Z轴的夹角。
以及二维特征坐标(x，y)和三维特征坐标(X，Y，Z)之间可以采用以下公式进行维度转换：
其中，w为参数。
例如，假设图4c中的人(目标对象)在二维空间即待处理图像中的特征点的二维特征坐标为(xf，yf)，则控制设备可以根据维度转换矩阵和(xf，yf)，获得目标对象在三维空间中的特征点的三维特征坐标为(Xf，Yf，Zf)。假设图4c中的人(目标对象)在二维空间即待处理图像中的特征点的二维特征坐标为(xh，yh)，则控制设备可以根据维度转换矩阵和(xh，yh)，获得目标对象在三维空间中的特征点的三维特征坐标为(Xh，Yh，Zh)。
一种实施方式中，控制设备在执行步骤202之前，预先根据至少N个三维特征坐标样本和相应的二维特征坐标样本，确定f、c和θ。可选的，N可以为5。
确定f、c和θ时，可以通过以下公式。
其中，f为焦距，c为图像采集设备的高度，θ为图像采集设备的朝向与Z轴的夹角，yf和yh为目标对象的二维特征坐标。Yh和Yf为目标对象的三维特征坐标。
步骤203：控制设备分别将每一个三维特征坐标进行坐标变换，获得转换后的三维目标坐标。
具体的，控制设备获取各特征点对应设置的坐标变换矩阵，并分别根据每一个特征点的三维特征坐标与对应的坐标变换矩阵，获得相应的三维目标矩阵。
一种实施方式中，控制设备获取预先针对各图像采集设备与坐标变换矩阵之间的对应关系，并根据该对应关系，分别获取每一特征点所属的待处理图像关联的图像采集设备对应的坐标变换矩阵，并将每一个三维特征坐标与对应的坐标变换矩阵的乘积，获得相应的三维目标矩阵。
其中，不同图像采集设备拍摄对应的坐标变换矩阵不同，坐标转换矩阵是根据特征点所属的三维坐标系与预先设置的目标坐标系确定的，用于通过旋转变换和平移变换，将针对不同图像采集设备建立的三维坐标系中的三维特征坐标转换为同一个目标坐标系中的三维目标坐标。
可选的，控制设备可以将任意一个图像采集设备对应设置的三维坐标系作为目标坐标系，也可以根据实际应用场景进行设置，在此不作限制。
这样，就可以将不同三维坐标系中的三维特征坐标，转换为同一个目标坐标系中的三维目标坐标。
例如，图像采集设备包括：图像采集设备A、图像采集设备B和图像采集设备C，对应的三维坐标系依次为坐标系A、坐标系B和坐标系C，依次拍摄的待处理图像中的目标对象的三维特征坐标依次为(X1，Y1，Z1)，(X2，Y2，Z2)和(X3，Y3，Z3)。控制设备将图像采集设备A的坐标系A确定为目标坐标系。则控制设备确定图像采集设备A对应的坐标变换矩阵为单位矩阵，并根据坐标系A和坐标B，获得图像采集设备B对应的坐标变换矩阵B，以及根据坐标A和坐标系C，获得图像采集设备C对应的坐标变换矩阵C。控制设备根据上述单位矩阵，可以获得图像采集设备A的三维目标坐标仍为(X1，Y1，Z1)，根据坐标变换矩阵B，获得图像采集设备B的三维目标坐标为(X21，Y21，Z21)，根据坐标变换矩阵C，获得图像采集设备C的三维目标坐标为(X31，Y31，Z31)。
这样，就可以将不同图像采集设备在预设时间范围内拍摄的待处理图像中的目标对象在不同三维坐标系中的三维特征坐标，转换为同一目标坐标系中三维目标坐标，进而可以通过三维目标坐标，确定各待处理图像中的目标对象的特征点之间的位置关系。
步骤204：控制设备根据获得的各三维目标坐标，识别同一区域内的对象数量。
具体的，执行步骤204时，可以采用以下步骤：
S2041：控制设备根据各特征点的三维目标坐标，将各特征点进行聚类，获得各个簇。
由于不同特征点之间的距离较近时，说明不同特征点对应的目标对象为同一对象，因此，将距离较近的特征点合并到一个簇中。一个簇中可能包含一个特征点，也可能包含多个特征点。这样，就可以将距离较近的各特征点进行合并，合并后的每一个簇，表示同一个对象，也就是说，将各特征点进行去重。
S2043：控制设备识别各个簇的数量，作为同一区域中包含的对象数量。
具体的，由于每一个簇表示一个目标对象，因此，各个簇的总数量，即为同一区域内包含的各目标对象的数量。
进一步地，控制设备确定对象数量时，还可以采用以下方式：
控制设备根据各特征点的三维目标坐标，分别确定每两个特征点之间的距离，将距离低于预设筛选距离的特征点，合并为一个特征点。然后，控制设备识别处理后的各特征点的总数量，作为同一区域的对象数量。
实际应用中，预设筛选距离可以根据实际应用场景进行设置，如，0.1米，在此不作限制。
本申请实施例中，通过多个图像采集设备对同一区域进行拍摄，预先针对每一图像采集设备拍摄的监控图像建立二维坐标系，并针对每一图像采集设备建立三维坐标系，以及设置目标坐标系。
在识别同一区域内的对象数量时，将各图像采集设备在预设时间范围内拍摄的监控图像，作为待处理图像，以及确定待处理图像中的特征点，以表示目标对象，并将各目标对象的特征点在待处理图像中的二维特征坐标，转换为实际世界中的三维特征坐标，以及将各三维坐标系中的三维特征坐标，转换为同一目标坐标系中的三维目标坐标，最后，根据各特征点的三维目标坐标，对距离较近的特征点进行合并，实现特征点去重，并通过特征点的总数量，作为同一区域中包含的目标对象的数量。
这样，通过多个图像采集设备采集图像，比单个图像采集设备的视角更广，覆盖范围更大，可以解决目标对象被遮挡的问题，再者，通过特征点的数量，识别目标对象的数量，不需要人脸识别等方式的复杂处理，简化了数量识别的复杂步骤，提高了数量识别的效率，避免了目标对象被遮挡或非直立状态导致无法数量识别的问题，提高了数量识别的准确度。
下面采用一个具体的应用场景，对上述实施例进行进一步具体说明，参阅图5a所示，为一种配置流程实施图。控制设备在进行数量识别之前，预先进行数据配置，具体流程如下：
步骤501：控制设备对各图像采集设备进行校准。
步骤502：控制设备分别针对每一图像采集设备建立二维坐标系和三维坐标系。
具体的，控制设备分别针对每一图像采集设备拍摄的监控图像，建立二维坐标系，以及根据图像采集设备的位置信息，建立相应的三维坐标系。
步骤503：控制设备分别获取每一图像采集设备的摄像参数。
其中，摄像参数为：图像采集设备的高度c，图像采集设备的朝向与Z轴的夹角θ，以及焦距f。
步骤504：控制设备根据摄像参数，确定维度转换矩阵。
步骤505：控制设备设置目标坐标系。
一种实施方式中，控制设备将一个图像采集设备的三维坐标系作为目标坐标系。
步骤506：控制设备根据目标坐标系以及各图像采集设备的三维坐标系，分别确定每一图像采集设备对应的坐标转换矩阵。
参阅图5b所示，为一种对象数量的识别方法的详细流程实施图，具体流程如下：
步骤511：控制设备接收针对多个待处理图像的数量识别请求。
步骤512：控制设备从各待处理图像中分割出包含目标对象的局部区域图像。
步骤513：控制设备分别确定每一局部区域图像中包含的目标对象的指定关键点的二维图像坐标。
具体的，控制设备分别基于针对每一图像采集设备拍摄的待处理图像的二维坐标系，确定相应待处理图像中的目标对象的指定关键点的二维图像坐标。
步骤514：控制设备根据每一目标对象的二维图像坐标，确定相应的特征点的二维特征坐标。
步骤515：控制设备分别根据每一个二维特征坐标和相应的维度转换矩阵，获得相应的三维特征坐标。
具体的，每一个特征点的二维特征坐标对应的维度转换矩阵，即拍摄该特征点所属的待处理图像的图像采集设备对应设置的维度转换矩阵。
步骤516：控制设备分别根据每一个三维特征坐标和相应坐标转换矩阵，获得相应的三维目标坐标。
具体的，每一特征点的三维特征坐标对应的坐标转换矩阵，即为拍摄包含特征点所属的待处理图像的图像采集设备对应设置的坐标转换矩阵。
步骤517：控制设备根据各特征点的三维目标坐标，对特征点进行聚类，获得各个簇。
步骤518：控制设备将各个簇的总数量，作为同一区域中目标对象的数量。
基于同一发明构思，本申请实施例中还提供了一种对象数量的识别装置，由于上述装置及设备解决问题的原理与一种对象数量的识别方法相似，因此，上述装置的实施可以参见方法的实施，重复之处不再赘述。
如图6所示，其为本申请实施例提供的一种对象数量的识别装置的结构示意图，包括：
获取单元601，用于获取多个待处理图像，多个待处理图像是不同图像采集设备在预设时间范围内对同一区域采集的图像；
确定单元602，用于分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标；
转换单元603，用于分别对每一个二维特征坐标进行三维转换，获得相应的三维特征坐标；
聚类单元604，用于根据各特征点的三维特征坐标，将各特征点进行聚类，获得各个簇；
识别单元605，用于识别各个簇的总数量，作为同一区域中包含的目标对象的数量。
较佳的，确定单元602用于：
分别对每一待处理图像进行目标对象检测，并根据检测结果，提取每一待处理图像中包含的目标对象的关键点；
根据提取的各关键点，从每一待处理图像中分割出包含目标对象的局部区域图像；
分别确定每一局部区域图像中包含的目标对象的多个指定关键点的二维图像坐标；
分别将每一目标对象对应的多个二维图像坐标的均值，确定为相应目标对象的特征点的二维特征坐标。
较佳的，确定单元602还用于：
针对存在指定关键点的二维图像坐标获取失败的局部区域图像，获取局部区域图像中的备用关键点的二维图像坐标；
将备用关键点的二维图像坐标，作为相应目标对象的特征点的二维特征坐标。
较佳的，转换单元603用于：
获取各特征点对应设置的维度转换矩阵，维度转换矩阵是根据拍摄特征点所属的待处理图像的图像采集设备与坐标轴的夹角、图像采集设备的高度以及图像采集设备的焦距确定的；
分别根据每一个特征点的二维特征坐标与对应的维度转换矩阵，获得相应的三维特征坐标。
较佳的，聚类单元604用于：
获取各特征点对应设置的坐标转换矩阵，坐标转换矩阵是根据特征点所属的三维坐标系与预先设置的目标坐标系确定的；
分别根据每一个三维特征坐标与对应的坐标转换矩阵，获得相应的三维目标坐标；
根据各特征点的三维目标坐标，将各特征点进行聚类，获得各个簇；
识别各个簇的总数量，作为同一区域中包含的目标对象的数量。
本申请实施例提供的一种对象数量的识别方法、装置、设备和介质中，获取多个待处理图像，多个待处理图像是不同图像采集设备在预设时间范围内对同一区域采集的图像；分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标；分别对每一个二维特征坐标进行三维转换，获得相应的三维特征坐标；根据各特征点的三维特征坐标，将各特征点进行聚类，获得各个簇；识别各个簇的总数量，作为同一区域中包含的目标对象的数量。这样，通过多个图像采集设备在同一时间采集的待处理图像进行对象数量识别，扩大了覆盖范围，提高了数量识别的准确度，通过目标对象的特征点，确定目标对象的数量，简化了数量识别的复杂步骤，提高了数量识别的效率，解决了目标对象被遮挡导致数量识别结果不准确的问题，进一步提高了数量识别的准确度。
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本申请时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
基于上述实施例，参阅图7所示，本申请实施例中，一种控制设备的结构示意图。
本申请实施例提供了一种控制设备，该控制设备可以包括处理器7010(CenterProcessing Unit，CPU)、存储器7020，还可以包括输入设备7030和输出设备7040等，输入设备7030可以包括键盘、鼠标、触摸屏等，输出设备7040可以包括显示设备，如液晶显示器(Liquid Crystal Display，LCD)、阴极射线管(Cathode Ray Tube，CRT)等。
存储器7020可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器7010提供存储器7020中存储的程序指令和数据。在本申请实施例中，存储器7020可以用于存储本申请实施例中对象数量的识别的程序。
处理器7010通过调用存储器7020存储的程序指令，处理器7010用于执行图2所示的实施例提供的一种对象数量的识别的方法。
本申请实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意方法实施例中的对象数量的识别的方法。
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。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (11)

1.一种对象数量的识别方法，其特征在于，包括：
获取多个待处理图像，所述多个待处理图像是不同图像采集设备在预设时间范围内对同一区域采集的图像；
分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标；
分别对每一个二维特征坐标进行三维转换，获得相应的三维特征坐标；
根据各特征点的三维特征坐标，将各特征点进行聚类，获得各个簇；
识别各个簇的总数量，作为所述同一区域中包含的目标对象的数量；
所述分别对每一个二维特征坐标进行三维转换，获得相应的三维特征坐标，包括：
获取各特征点对应设置的维度转换矩阵，所述维度转换矩阵是根据拍摄特征点所属的待处理图像的图像采集设备与坐标轴的夹角、所述图像采集设备的高度以及所述图像采集设备的焦距确定的；
分别根据每一个特征点的二维特征坐标与对应的维度转换矩阵，获得相应的三维特征坐标。
2.如权利要求1所述的方法，其特征在于，分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标，包括：
分别对每一待处理图像进行目标对象检测，并根据检测结果，提取每一待处理图像中包含的目标对象的关键点；
根据提取的各关键点，从每一待处理图像中分割出包含目标对象的局部区域图像；
分别确定每一局部区域图像中包含的目标对象的多个指定关键点的二维图像坐标；
分别将每一目标对象对应的多个二维图像坐标的均值，确定为相应目标对象的特征点的二维特征坐标。
3.如权利要求2所述的方法，其特征在于，分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标，进一步包括：
针对存在指定关键点的二维图像坐标获取失败的局部区域图像，获取所述局部区域图像中的备用关键点的二维图像坐标；
将所述备用关键点的二维图像坐标，作为相应目标对象的特征点的二维特征坐标。
4.如权利要求1-3任一项所述的方法，其特征在于，根据各特征点的三维特征坐标，将各特征点进行聚类，获得各个簇，包括：
获取各特征点对应设置的坐标转换矩阵，所述坐标转换矩阵是根据特征点所属的三维坐标系与预先设置的目标坐标系确定的；
分别根据每一个三维特征坐标与对应的坐标转换矩阵，获得相应的三维目标坐标；
根据各特征点的三维目标坐标，将各特征点进行聚类，获得各个簇；
识别各个簇的总数量，作为所述同一区域中包含的目标对象的数量。
5.一种对象数量的识别系统，其特征在于，包括控制设备和至少两个图像采集设备，其中，
每一图像采集设备，用于采集图像，并将采集的图像发送至所述控制设备；
控制设备，用于接收各图像采集设备发送的图像，并将在预设时间范围内对同一区域采集的图像作为待处理图像，以及分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标；分别对每一个二维特征坐标进行三维转换获得相应的三维特征坐标；根据各特征点的三维特征坐标，将各特征点进行聚类，获得各个簇；识别各个簇的总数量，作为所述同一区域中包含的目标对象的数量；
所述控制设备分别对每一个二维特征坐标进行三维转换，获得相应的三维特征坐标，包括：
获取各特征点对应设置的维度转换矩阵，所述维度转换矩阵是根据拍摄特征点所属的待处理图像的图像采集设备与坐标轴的夹角、所述图像采集设备的高度以及所述图像采集设备的焦距确定的；
分别根据每一个特征点的二维特征坐标与对应的维度转换矩阵，获得相应的三维特征坐标。
6.一种对象数量的识别装置，其特征在于，包括：
获取单元，用于获取多个待处理图像，所述多个待处理图像是不同图像采集设备在预设时间范围内对同一区域采集的图像；
确定单元，用于分别确定每一待处理图像中包含的目标对象的特征点的二维特征坐标；
转换单元，用于分别对每一个二维特征坐标进行三维转换，获得相应的三维特征坐标；
聚类单元，用于根据各特征点的三维特征坐标，将各特征点进行聚类，获得各个簇；
识别单元，用于识别各个簇的总数量，作为所述同一区域中包含的目标对象的数量；
所述转换单元用于：
获取各特征点对应设置的维度转换矩阵，所述维度转换矩阵是根据拍摄特征点所属的待处理图像的图像采集设备与坐标轴的夹角、所述图像采集设备的高度以及所述图像采集设备的焦距确定的；
分别根据每一个特征点的二维特征坐标与对应的维度转换矩阵，获得相应的三维特征坐标。
7.如权利要求6所述的装置，其特征在于，所述确定单元用于：
分别对每一待处理图像进行目标对象检测，并根据检测结果，提取每一待处理图像中包含的目标对象的关键点；
根据提取的各关键点，从每一待处理图像中分割出包含目标对象的局部区域图像；
分别确定每一局部区域图像中包含的目标对象的多个指定关键点的二维图像坐标；
分别将每一目标对象对应的多个二维图像坐标的均值，确定为相应目标对象的特征点的二维特征坐标。
8.如权利要求7所述的装置，其特征在于，所述确定单元还用于：
针对存在指定关键点的二维图像坐标获取失败的局部区域图像，获取所述局部区域图像中的备用关键点的二维图像坐标；
将所述备用关键点的二维图像坐标，作为相应目标对象的特征点的二维特征坐标。
9.如权利要求6-8任一项所述的装置，其特征在于，所述聚类单元用于：
获取各特征点对应设置的坐标转换矩阵，所述坐标转换矩阵是根据特征点所属的三维坐标系与预先设置的目标坐标系确定的；
分别根据每一个三维特征坐标与对应的坐标转换矩阵，获得相应的三维目标坐标；
根据各特征点的三维目标坐标，将各特征点进行聚类，获得各个簇；
识别各个簇的总数量，作为所述同一区域中包含的目标对象的数量。
10.一种控制设备，其特征在于，包括：
至少一个存储器，用于存储程序指令；
至少一个处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行上述权利要求1-4任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-4任一所述方法的步骤。
CN202010472083.XA 2020-05-29 2020-05-29 一种对象数量的识别方法、装置、设备和介质 Active CN111582240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010472083.XA CN111582240B (zh) 2020-05-29 2020-05-29 一种对象数量的识别方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010472083.XA CN111582240B (zh) 2020-05-29 2020-05-29 一种对象数量的识别方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN111582240A CN111582240A (zh) 2020-08-25
CN111582240B true CN111582240B (zh) 2023-08-08

Family

ID=72121618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010472083.XA Active CN111582240B (zh) 2020-05-29 2020-05-29 一种对象数量的识别方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN111582240B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036504A (zh) * 2020-09-15 2020-12-04 平安国际智慧城市科技股份有限公司 温度测量模型的训练方法、装置、设备及存储介质
CN112287869A (zh) * 2020-11-10 2021-01-29 上海依图网络科技有限公司 一种图像数据检测方法及装置
CN113516036B (zh) * 2021-05-08 2024-05-24 上海依图网络科技有限公司 一种监控区域内目标对象的数量检测方法及装置
CN113327284B (zh) * 2021-05-27 2022-08-26 北京百度网讯科技有限公司 图像识别方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013003970A (ja) * 2011-06-20 2013-01-07 Nippon Telegr & Teleph Corp <Ntt> 物体座標系変換装置、物体座標系変換方法、及び物体座標系変換プログラム
CN109614889A (zh) * 2018-11-23 2019-04-12 华为技术有限公司 对象检测方法、相关设备及计算机存储介质
CN110322397A (zh) * 2019-06-25 2019-10-11 浙江大华技术股份有限公司 一种图像的遮挡方法、服务器、监控系统以及存储介质
CN110427917A (zh) * 2019-08-14 2019-11-08 北京百度网讯科技有限公司 用于检测关键点的方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013003970A (ja) * 2011-06-20 2013-01-07 Nippon Telegr & Teleph Corp <Ntt> 物体座標系変換装置、物体座標系変換方法、及び物体座標系変換プログラム
CN109614889A (zh) * 2018-11-23 2019-04-12 华为技术有限公司 对象检测方法、相关设备及计算机存储介质
CN110322397A (zh) * 2019-06-25 2019-10-11 浙江大华技术股份有限公司 一种图像的遮挡方法、服务器、监控系统以及存储介质
CN110427917A (zh) * 2019-08-14 2019-11-08 北京百度网讯科技有限公司 用于检测关键点的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张珊 ; 朱宇鹏 ; .基于三维视觉的海洋生物区域种类识别仿真.计算机仿真.2018,(05),全文. *

Also Published As

Publication number Publication date
CN111582240A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111582240B (zh) 一种对象数量的识别方法、装置、设备和介质
CN110648397B (zh) 场景地图生成方法、装置、存储介质及电子设备
CN105637530B (zh) 一种使用众包视频的3d模型更新的方法及系统
CN109035334B (zh) 位姿的确定方法和装置、存储介质及电子装置
JP2020507850A (ja) 画像内の物体の姿の確定方法、装置、設備及び記憶媒体
CN110517214B (zh) 用于生成图像的方法和装置
CN107622252B (zh) 信息生成方法和装置
CN112419388A (zh) 深度检测方法、装置、电子设备和计算机可读存储介质
CN111160307A (zh) 一种人脸识别方法及人脸识别打卡系统
CN111639968A (zh) 轨迹数据处理方法、装置、计算机设备以及存储介质
CN110111364B (zh) 运动检测方法、装置、电子设备及存储介质
JP6046501B2 (ja) 特徴点出力装置、特徴点出力プログラム、特徴点出力方法、検索装置、検索プログラムおよび検索方法
CN113426117A (zh) 虚拟相机拍摄参数获取方法、装置、电子设备和存储介质
CN110555876A (zh) 用于确定位置的方法和装置
CN114640833A (zh) 投影画面调整方法、装置、电子设备和存储介质
CN115082291A (zh) 图像亮度调整的方法、计算机程序产品、电子设备及介质
CN113409468B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN112258647B (zh) 地图重建方法及装置、计算机可读介质和电子设备
CN110097061B (zh) 一种图像显示方法及装置
KR20140030444A (ko) 마커리스 증강현실 서비스 제공 장치 및 이를 위한 촬영 위치 추정 방법
CN108537149A (zh) 图像处理方法、装置、存储介质及电子设备
CN117197405A (zh) 三维物体的增强现实方法、系统及存储介质
CN109840059B (zh) 用于显示图像的方法和装置
CN113780291B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN109509261A (zh) 一种增强现实的方法、装置及计算机存储介质

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