CN111583386B - 基于标签传播算法的多视角人体姿态重建方法 - Google Patents
基于标签传播算法的多视角人体姿态重建方法 Download PDFInfo
- Publication number
- CN111583386B CN111583386B CN202010313008.9A CN202010313008A CN111583386B CN 111583386 B CN111583386 B CN 111583386B CN 202010313008 A CN202010313008 A CN 202010313008A CN 111583386 B CN111583386 B CN 111583386B
- Authority
- CN
- China
- Prior art keywords
- joint
- industrial cameras
- human body
- camera
- cameras
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 235000013162 Cocos nucifera Nutrition 0.000 claims abstract 2
- 244000060011 Cocos nucifera Species 0.000 claims abstract 2
- 230000003287 optical effect Effects 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种基于标签传播算法的多视角人体姿态重建方法,包括以下步骤:搭建多相机捕捉系统,对多相机捕捉系统中多个工业相机的内参和外参进行标定;利用多相机捕捉系统采集数字信息,将数字信息转码为RGB输入图像;利用预先训练完成的卷积神经网络对输入图像进行姿态估计,得到每个视角下的人体关节候选节点;根据每个视角下的人体关节候选节点求得关节亲和度、极线距离和重投影误差,通过关节亲和度、极线距离和重投影误差构造概率图;利用COPRA社区发现算法对概率图进行求解,得到每个节点的社区隶属关系,利用每个节点的社区隶属关系重建人体的三维骨架姿态。该方法无需依赖可穿戴传感器,操作过程简单且计算量需求小。
Description
技术领域
本发明涉及计算机视觉领域和机器学习技术领域,特别涉及一种基于标签传播算法的多视角人体姿态重建方法。
背景技术
近年来,人体运动捕捉技术在影视、体育、安防等领域得到了广泛的应用。传统的光学动作捕捉方式在人体表面贴上光学标记点,通过多个视角的高速相机对标记点进行捕捉,从而还原出人体的姿态,但光学动捕设备价格对光学干扰很敏感,并且设备昂贵笨重,架设繁琐,难以推广使用。新兴的惯性动捕系统在人体上佩戴陀螺仪、加速度计等惯性传感器,获得人体肢体的运动数据,再通过计算机处理还原出人体姿态,提高了系统的便携性和鲁棒性,并且解决了光学动捕对于遮挡严重时效果不理想的问题。随着计算机算力的提高和深度神经网络的发展,越来越多的无标记人体捕捉方法相继提出,在苹果公司2018年的发布会上介绍了篮球教练软件HomeCourtAI,只需要通过手机后置摄像头拍摄一段投篮训练视频,就可以通过卷积神经网络进行人体姿态估计,统计投篮者的各项投篮信息,包括出手速度,投篮角度,屈膝幅度等,进而提出训练建议。
在嘈杂的多人交互环境中重建人体的体型和姿态信息一直是计算机视觉领域的一个热点和难点问题,此前一些无标记人体重建研究采用多目系统来解决单个视角下人体自遮挡带来的深度歧义问题,提出了一种两步式流水线,第一步先在各个视角下对人体关节和肢体进行检测,第二步再通过多视角一致性和人体特征信息3DPS(3Dpictorialstructure)对不同视角下的人的个体进行配对。这种方法的局限性在于如果第一步在单个视角下执行了错误的分配,会大大影响第二步ReID的结果。
发明内容
本发明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,本发明的目的在于提出一种基于标签传播算法的多视角人体姿态重建方法,该方法无需依赖可穿戴传感器,操作过程简单且计算量需求小。
为达到上述目的,本发明实施例提出了基于标签传播算法的多视角人体姿态重建方法,包括以下步骤:搭建多相机捕捉系统,对多相机捕捉系统中多个工业相机的内参和外参进行标定;利用多相机捕捉系统采集数字信息,将数字信息转码为RGB输入图像;利用预先训练完成的卷积神经网络对RGB输入图像进行姿态估计,得到每个视角下的人体关节候选节点;根据每个视角下的人体关节候选节点求得关节亲和度、极线距离和重投影误差,通过关节亲和度、极线距离和重投影误差构造概率图;利用COPRA社区发现算法对概率图进行求解,得到每个节点的社区隶属关系,利用每个节点的社区隶属关系重建人体的三维骨架姿态。
本发明实施例的基于标签传播算法的多视角人体姿态重建方法,使用卷积神经网络对多视角RGB图像进行姿态估计,并且将关节分配问题建模为一个概率图问题,使用标签传播算法进行快速求解,对人与人出现紧密交互的情况也能有较好的表现,改进当前人体姿态捕捉需要穿戴繁琐设备以及求解关节分配问题计算资源需求庞大无法满足实时性的不足。
另外,根据本发明上述实施例的基于标签传播算法的多视角人体姿态重建方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,述多相机捕捉系统包括多个工业相机、同步盒、同步线、传输光缆、采集卡和处理器,其中,所述多个工业相机呈环形架结构,利用所述同步盒和所述同步线对所述多个工业相机进行硬件同步,利用所述传输光缆和所述采集卡将所述多个工业相机与所述处理器连接。
进一步地,在本发明的一个实施例中,所述多个工业相机的内参标定过程为:利用棋盘格面对所述多个工业相机在不同位置拍照,得到输入图像;利用OPENCV库函数对所述输入图像二值化处理,提取棋盘格角点;根据所述棋盘格角点求解出所述多个工业相机的内参。
可选地,在本发明的一个实施例中,所述多个工业相机的内参包括相机焦距和畸变参数。
进一步地,在本发明的一个实施例中,所述多个工业相机的外参标定过程为:利用棋盘格面在采集环境的不同位置和不同角度同步采集多张图像;使用第一张图像提取棋盘格角点进行相机外参的初始化;对剩余图像提取棋盘格角点作为对应点,对所有相机进行光束平差法优化。
进一步地,在本发明的一个实施例中,所述多相机捕捉系统中的主机发出采集所述数字信号,使所述多个工业相机开始同步采集,利用cuda程序将所述数字信号转为RGB转码输入图像。
进一步地,在本发明的一个实施例中,根据所述每个视角下的人体关节候选节点得到关节热图,对所述关节热图进行非极大值抑制,计算出所述关节亲和度。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于标签传播算法的多视角人体姿态重建方法的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于标签传播算法的多视角人体姿态重建方法。
图1是本发明一个实施例的基于标签传播算法的多视角人体姿态重建方法的流程图。
如图1所示,该基于标签传播算法的多视角人体姿态重建方法包括以下步骤:
在步骤S1中,搭建多相机捕捉系统,对多相机捕捉系统中多个工业相机的内参和外参进行标定。
进一步地,在本发明的一个实施例中,多相机捕捉系统包括多个工业相机、同步盒、同步线、传输光缆、采集卡和处理器,其中,多个工业相机呈环形架结构,利用同步盒和同步线对多个工业相机进行硬件同步,利用传输光缆和采集卡将多个工业相机与处理器连接。
举例而言,搭建多相机捕捉系统,把六个工业相机呈环形架设到室内环境下,相机距离地面高度约为1.5m,相机之间距离约为5m,用同步盒和同步线对相机进行硬件同步,相机通过USB3.0传输光缆和PCIE采集卡与主机连接。
进一步地,在本发明的一个实施例中,多个工业相机的内参标定过程为:利用棋盘格面对多个工业相机在不同位置拍照,得到输入图像;利用OPENCV库函数对输入图像二值化处理,提取棋盘格角点;根据棋盘格角点求解出多个工业相机的内参,其中,多个工业相机的内参可包括相机焦距和畸变参数等。
也就是说,手持棋盘格面对相机在不同位置拍照20~50张,用OPENCV库函数对输入图像二值化处理,提取棋盘格角点,进而求解出相机的焦距和畸变参数等。
进一步地,在本发明的一个实施例中,多个工业相机的外参标定过程为:利用棋盘格面在采集环境的不同位置和不同角度同步采集多张图像;使用第一张图像提取棋盘格角点进行相机外参的初始化;对剩余图像提取棋盘格角点作为对应点,对所有相机进行光束平差法优化。
也就是说,需要手持棋盘格在采集环境的不同位置和及不同角度同步采集50~80张图像,首先用第一张图像提取棋盘格角点进行相机外参的初始化,然后对其余图像提取棋盘格角点作为对应点对所有相机进行光束平差法优化。
在步骤S2中,利用多相机捕捉系统采集数字信息,将数字信息转码为RGB输入图像。
进一步地,在本发明的一个实施例中,多相机捕捉系统中的主机发出采集数字信号,使多个工业相机开始同步采集,利用cuda程序将数字信号转为RGB转码输入图像。
具体地,主机发出采集信号命令多相机捕捉系统开始同步采集,用cuda程序将数字信号转为输入图像,并使输入图像在GPU完成BayerGB到RGB转码,得到RGB输入图像。
在步骤S3中,利用预先训练完成的卷积神经网络对RGB输入图像进行姿态估计,得到每个视角下的人体关节候选节点。
其中,本发明实施例采用tensorRT将卷积网络转为半精度运行可以大大提高网络推导速度。
在步骤S4中,根据每个视角下的人体关节候选节点求得关节亲和度、极线距离和重投影误差,通过关节亲和度、极线距离和重投影误差构造概率图。
进一步地,在本发明的一个实施例中,根据每个视角下的人体关节候选节点得到关节热图,对关节热图进行非极大值抑制,计算出关节亲和度。
具体而言,每个视角的关节候选节点的位置作为一个节点,由关节亲和度定义同个视角之间的节点的连边,对极几何的极线距离定义不同视角之间的同种关节的连边,将上一帧的三维人体关节也建立为一个节点,由重投影误差定义上一帧的三维关节和当前帧的各个视角的同种关节之间的连边,进而构造成4D概率图模型。
在步骤S5中,利用COPRA社区发现算法对概率图进行求解,得到每个节点的社区隶属关系,利用每个节点的社区隶属关系重建人体的三维骨架姿态。
具体过程为:首先对上一帧的三维关节节点打上对应人体索引的标签,对于当前帧的关节候选节点打上唯一的编号标签,然后对于每一个节点更新关于邻居节点所在社区的隶属度,如果隶属度小于阈值,则排除该社区的标签,如果所有的社区标签都小于阈值,则随机选取一个社区标签,从而获得当前帧的对应关节的节点的隶属关系,即每个节点的社区隶属关系,对人体骨架的运动进行求解,得到当前帧的人体三维关节位置,并且加入时域平滑项,得到重建后的人体的三维骨架姿态,使得人体骨架长度随着采集过程逐渐稳定。
下面结合具体实施例对本发明实施例的基于标签传播算法的多视角人体姿态重建方法做进一步说明。
步骤1,平台搭建。按照5m的间隔架设相机围出矩形区域,相机距离地面高度为1.5m左右,用光缆连接相机和主机,用同步盒完成相机的硬件同步,再完成相机内参和外参的标定。
步骤2,数据处理。把工业相机采集到的数字信息转码成RGB图像,用预先训练好的卷积神经网络进行检测,得到每个视角下的人体关节候选节点。
步骤3,优化重建。通过关节亲和度、极线距离和重投影误差构造概率图,用COPRA社区发现算法求解,再用每个节点的社区隶属关系更新人体的三维骨架姿态。
综上,本发明实施例提出的基于标签传播算法的多视角人体姿态重建方法,将原问题建模成了一个概率图问题,对于每个视角的检测结果,每个关节的提议可以看作一个节点,两两关节之间的连接概率作为这两个节点之间的边的权重。在多视角下,不同视角之间的同一关节可以用对极几何来建立连边,对极距离小的两个关节分到同一个聚类里的概率更高,从而把每个视角下单独的图连接成了一张全局的图。最后再加入上一帧的分配结果,把上一帧三角化出来的三维关节投影到当前视角下,用重投影误差来建立时域的边的权重,从而将跟踪——分配问题建立成一个概率图问题进行求解。而现有技术两步式流水线方法实际上是对概率图模型进行了一次松弛:首先聚类每个视角下分立的子图,然后再分别聚类各个视角下的子图,在单个视角下求解概率图的划分往往具有歧义性。本发明实施例在处理人与人之间紧密交互上有显著提高,且在求解过程中考虑了时域一致性和多视角几何约束,可以给出更靠近全局最优的结果,同时,改进当前人体姿态捕捉需要穿戴繁琐设备以及求解关节分配问题计算资源需求庞大无法满足实时性的不足。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种基于标签传播算法的多视角人体姿态重建方法,其特征在于,包括以下步骤:
搭建多相机捕捉系统,对所述多相机捕捉系统中多个工业相机的内参和外参进行标定;
利用所述多相机捕捉系统采集数字信号,将所述数字信号转码为RGB输入图像;
利用预先训练完成的卷积神经网络对所述RGB输入图像进行姿态估计,得到每个视角下的人体关节候选节点;
根据所述每个视角下的人体关节候选节点求得关节亲和度、极线距离和重投影误差,通过所述关节亲和度、所述极线距离和所述重投影误差构造概率图;
利用COPRA社区发现算法对所述概率图进行求解,得到每个节点的社区隶属关系,利用所述每个节点的社区隶属关系重建人体的三维骨架姿态。
2.根据所述权利要求1所述的方法,其特征在于,所述多相机捕捉系统包括多个工业相机、同步盒、同步线、传输光缆、采集卡和处理器,其中,所述多个工业相机呈环形架结构,利用所述同步盒和所述同步线对所述多个工业相机进行硬件同步,利用所述传输光缆和所述采集卡将所述多个工业相机与所述处理器连接。
3.根据所述权利要求1所述的方法,其特征在于,所述多个工业相机的内参标定过程为:
利用棋盘格面对所述多个工业相机在不同位置拍照,得到输入图像;
利用OPENCV库函数对所述输入图像二值化处理,提取棋盘格角点;
根据所述棋盘格角点求解出所述多个工业相机的内参。
4.根据所述权利要求3所述的方法,其特征在于,所述多个工业相机的内参包括相机焦距和畸变参数。
5.根据所述权利要求1所述的方法,其特征在于,所述多个工业相机的外参标定过程为:
利用棋盘格面在采集环境的不同位置和不同角度同步采集多张图像;
使用第一张图像提取棋盘格角点进行相机外参的初始化;
对剩余图像提取棋盘格角点作为对应点,对所有相机进行光束平差法优化。
6.根据所述权利要求1所述的方法,其特征在于,所述多相机捕捉系统中的主机发出采集所述数字信号,使所述多个工业相机开始同步采集,利用cuda程序将所述数字信号转为RGB转码输入图像。
7.根据所述权利要求1所述的方法,其特征在于,根据所述每个视角下的人体关节候选节点得到关节热图,对所述关节热图进行非极大值抑制,计算出所述关节亲和度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010313008.9A CN111583386B (zh) | 2020-04-20 | 2020-04-20 | 基于标签传播算法的多视角人体姿态重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010313008.9A CN111583386B (zh) | 2020-04-20 | 2020-04-20 | 基于标签传播算法的多视角人体姿态重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583386A CN111583386A (zh) | 2020-08-25 |
CN111583386B true CN111583386B (zh) | 2022-07-05 |
Family
ID=72111542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010313008.9A Expired - Fee Related CN111583386B (zh) | 2020-04-20 | 2020-04-20 | 基于标签传播算法的多视角人体姿态重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583386B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258555A (zh) * | 2020-10-15 | 2021-01-22 | 佛山科学技术学院 | 实时姿态估计运动分析方法、系统、计算机设备及存储介质 |
CN112837409B (zh) * | 2021-02-02 | 2022-11-08 | 浙江大学 | 一种利用镜子重建三维人体的方法 |
CN114036969B (zh) * | 2021-03-16 | 2023-07-25 | 上海大学 | 一种多视角情况下的3d人体动作识别算法 |
CN113487726B (zh) * | 2021-07-12 | 2024-05-14 | 未来元宇数字科技(北京)有限公司 | 动作捕捉系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461180A (zh) * | 2018-09-25 | 2019-03-12 | 北京理工大学 | 一种基于深度学习的三维场景重建方法 |
CN110020611A (zh) * | 2019-03-17 | 2019-07-16 | 浙江大学 | 一种基于三维假设空间聚类的多人动作捕捉方法 |
CN110599540A (zh) * | 2019-08-05 | 2019-12-20 | 清华大学 | 多视点相机下的实时三维人体体型与姿态重建方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107747941B (zh) * | 2017-09-29 | 2020-05-15 | 歌尔股份有限公司 | 一种双目视觉定位方法、装置及系统 |
-
2020
- 2020-04-20 CN CN202010313008.9A patent/CN111583386B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461180A (zh) * | 2018-09-25 | 2019-03-12 | 北京理工大学 | 一种基于深度学习的三维场景重建方法 |
CN110020611A (zh) * | 2019-03-17 | 2019-07-16 | 浙江大学 | 一种基于三维假设空间聚类的多人动作捕捉方法 |
CN110599540A (zh) * | 2019-08-05 | 2019-12-20 | 清华大学 | 多视点相机下的实时三维人体体型与姿态重建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111583386A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583386B (zh) | 基于标签传播算法的多视角人体姿态重建方法 | |
CN110335343B (zh) | 基于rgbd单视角图像人体三维重建方法及装置 | |
CN110874864B (zh) | 获取对象三维模型的方法、装置、电子设备及系统 | |
CN110599540B (zh) | 多视点相机下的实时三维人体体型与姿态重建方法及装置 | |
US7554575B2 (en) | Fast imaging system calibration | |
KR101121034B1 (ko) | 복수의 이미지들로부터 카메라 파라미터를 얻기 위한 시스템과 방법 및 이들의 컴퓨터 프로그램 제품 | |
CN103337094A (zh) | 一种应用双目摄像机实现运动三维重建的方法 | |
CN107657644B (zh) | 一种移动环境下稀疏场景流检测方法和装置 | |
CN107004273A (zh) | 用于彩色与深度视频的同步的方法、设备和媒体 | |
CN113706699B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN110956661B (zh) | 基于双向单应矩阵的可见光与红外相机动态位姿计算方法 | |
KR102152436B1 (ko) | 3차원 포인트 클라우드 기반의 동적 3차원 모델 생성을 위한 뼈대 정보 처리 시스템 및 방법 | |
CN109247068A (zh) | 用于滚动快门补偿的方法和设备 | |
CN108564653B (zh) | 基于多Kinect的人体骨架追踪系统及方法 | |
CN111062326A (zh) | 一种基于几何驱动的自监督人体3d姿态估计网络训练方法 | |
KR101495299B1 (ko) | 3차원 형상 획득 장치 및 그 획득 방법 | |
JP5068732B2 (ja) | 3次元形状生成装置 | |
JP2016194895A (ja) | 室内2d平面図の生成方法、装置及びシステム | |
CN203630822U (zh) | 虚拟影像与真实场景相结合的舞台交互集成系统 | |
KR101797814B1 (ko) | 이미지 비교 알고리즘에 기반한 소아 교육용 학습 장치 및 방법 | |
CN116580169B (zh) | 一种数字人驱动方法及装置、电子设备和存储介质 | |
CN112102504A (zh) | 一种基于混合现实的三维场景和二维图像混合方法 | |
CN113971753A (zh) | 一种基于多个固定摄像头的虚拟机器人巡检方法 | |
KR102146839B1 (ko) | 실시간 가상현실 구축을 위한 시스템 및 방법 | |
Chen et al. | An integrated sensor network method for safety management of construction workers |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220705 |