CN111680671A - 一种基于光流的摄像方案自动生成方法 - Google Patents
一种基于光流的摄像方案自动生成方法 Download PDFInfo
- Publication number
- CN111680671A CN111680671A CN202010810211.7A CN202010810211A CN111680671A CN 111680671 A CN111680671 A CN 111680671A CN 202010810211 A CN202010810211 A CN 202010810211A CN 111680671 A CN111680671 A CN 111680671A
- Authority
- CN
- China
- Prior art keywords
- camera
- optical flow
- frame
- video
- motion
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000003287 optical effect Effects 0.000 title claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 12
- 230000036544 posture Effects 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000003384 imaging method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2187—Live feed
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明涉及一种基于光流的摄像方案自动生成方法,包括以下步骤:对已有直播视频进行镜头分割;选取一段分割后的视频片段,标定摄像机类型,并逐帧提取得到视频关键帧序列;对关键帧图像检测并提取每帧的背景特征点;利用匹配的特征点得到摄像机帧间运动的旋转矩阵和平移向量;根据摄像机帧间运动参数得到对应于每个关键帧时间点的摄像机世界坐标和姿态,从而获得摄像机在摄像过程中的运动轨迹和姿态参数;对所有视频片段进行摄像机运动轨迹和姿态参数生成,得到直播过程使用的所有摄像机参数构成的直播摄像方案。本发明为直播摄像方案的学习提供了辅助方法和工具,也为直播摄像过程的自动化提供了可能。
Description
技术领域
本发明涉及一种电视直播摄像方案生成方法,特别涉及一种基于光流的摄像方案自动生成方法。
背景技术
电视台在进行现场直播的时候,直播人员需要具有丰富的经验。当碰到电视台以前没有拍摄制作过的活动,就会给负责现场直播的电视台提出挑战。进行现场直播时应该怎么布设直播的摄像机,在直播过程中怎么对摄像机进行控制,都成为直播过程中面临的技术难题。面对这种问题,一个可行的解决方案是从以往类似活动的直播视频资源中进行直播摄像方案的学习。使用纯人工的方式对海量视频数据进行分析和学习是不可取的,图像处理、视频处理领域的各项成果应该被广泛使用进行直播摄像方案的学习。如果能够进行直播摄像方案的自动化学习,那么不仅仅可用于没有经验的直播摄像方案的设计,也为直播摄像机的自动布设、控制也就是摄像过程的自动化提供了可能。但是现有技术中从未见有直播摄像方案自动学习相关技术的报道。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于光流的摄像方案自动生成方法,包括以下步骤:
对已有直播视频进行镜头分割,使得每个视频片段不包含相机切换;
选取一段分割后的视频片段,标定摄像机类型,并逐帧提取得到视频关键帧序列;
对关键帧图像进行运动目标检测,把人物和台标、记分板作为相对于背景的运动目标,检测并提取每帧的背景特征点;
利用匹配的特征点得到摄像机帧间运动的旋转矩阵和平移向量;
根据摄像机帧间运动参数得到对应于每个关键帧时间点的摄像机世界坐标和姿态,从而获得摄像机在摄像过程中的运动轨迹和姿态参数;
对所有视频片段进行摄像机运动轨迹和姿态参数生成,得到直播过程使用的所有摄像机参数构成的直播摄像方案。
根据本发明实施例的一种具体实现方式,使用光流法检测并提取每帧的背景特征点,具体步骤为:
提取出图像的角点;
利用光流法计算出各角点的光流值,得到各角点的光流场;
依据光流图像中的速度矢量也就是位移、方向光流信息划分背景和前景目标;
通过用户设置的前N帧图像背景特征点的最大交集得到属于背景的稳定特征点,用于计算摄像机运动。
根据本发明实施例的一种具体实现方式,所述对已有直播视频进行镜头分割的方法为:
由上一帧中的光流数量与当前帧中的光流数量计算出一个比例,称其为光流变化率,当光流变化率大于用户设定的阈值则进行分割。
根据本发明实施例的一种具体实现方式,还包括回环检测步骤,比较每两帧图像的相似度,当相似度大于阈值,就认为这两帧图像是在同一点观测到的,并对摄像机的轨迹进行修正。
根据本发明实施例的一种具体实现方式,对视频片段进行关键动作片段标定,从而生成对应关键动作片段的直播摄像方案。
根据本发明实施例的一种具体实现方式,还包括人工修正摄像机参数的步骤。
根据本发明实施例的一种具体实现方式,所述标定摄像机类型通过人工方式标定,或者通过对每种摄像机拍摄图像特征进行特征建模,实现对视频片段的自动标定。
另一方面,本发明还提供了一种电子设备,所述电子设备包括:
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前述的一种基于光流的摄像方案自动生成方法。
另一方面,本发明还提供了一种非暂态计算机可读存储介质,该非暂态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该计算机执行前述的一种基于光流的摄像方案自动生成方法。
另一方面,本发明还提供了一种计算机程序产品,包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述的一种基于光流的摄像方案自动生成方法。
有益效果
本发明提出的一种直播摄像方案自动生成方法,通过对已有直播视频进行图像处理生成直播摄像方案,并通过光流法对视频处理过程进行优化,对直播摄像方案的学习提供了辅助方法和工具,也为直播摄像过程的自动化提供了可能。
附图说明
图1为本发明实施例所述方法的流程图;
图2a和图2b为相机成像原理示意图;
图3a和图3b为三维空间的矢量场及其在二维平面内的投影。
具体实施方式
下面结合附图,具体说明本发明的优选实施方式。
本发明实施例提供了基于光流的摄像方案自动生成方法,如图1所示,包括以下步骤:
S1:对已有直播视频进行镜头分割,使得每个视频片段不包含相机切换;
因为直播视频包含多个直播摄像机摄像视频,所以首先需要对已有直播视频进行镜头分割,使得每个视频片段不包含相机切换。分割后的每个视频片段只包含某一个摄像机的视频数据。
S2:选取一段分割后的视频片段,标定摄像机类型,并逐帧提取得到视频关键帧序列;
由于直播过程中使用的摄像机种类很少,根据本发明实施例的一种具体实现方式,所述标定摄像机类型通过人工方式标定,或者通过对每种摄像机拍摄图像特征进行特征建模,实现对视频片段的自动标定。
S3:对关键帧图像进行运动目标检测,把人物和台标、记分板作为相对于背景的运动目标,检测并提取每帧的背景特征点;
作为体育赛事视频,拍摄重点必然是赛场上的运动员,这也就决定了每一幅图像至少都有人物出现,并且一定是作为重点出现。同时,在无法获取到拍摄的原始视频源情况下,转播后的视频源会根据电视台的后期处理加上各种电视台的台标以及记分板等遮挡背景的图像。由于本技术方案的目的是为了生成摄像机的参数,而此目的是通过借鉴移动机器人自主导航领域为机器人定位和建图时使用的SLAM视觉里程计技术实现的。为了适用SLAM视觉里程计技术,需要获得清晰的背景。人物和台标、记分板等遮挡背景的图像会对相机的定位产生严重的影响。所以,这一步需要对图像进行运动目标检测处理,把人物和台标、记分板等作为相对于背景的运动目标,检测并提取背景图像,才可以对背景图像进行下一步的计算。
S4:利用匹配的特征点得到摄像机帧间运动的旋转矩阵和平移向量;
图2a和图2b为相机小孔成像原理示意图。如图2a和图2b所示,步骤S3中已经给定成功匹配的空间点在相机平面内投影的坐标,需要计算相机在观察点之间的运动状态。这个步骤可以借鉴移动机器人自主导航领域为机器人定位和建图时使用的SLAM视觉里程计技术。相机的帧间运动一般用四元数、欧拉角或者旋转矩阵、平移矢量表示。有多种方法可以用来估计相机运动状态,例如PnP方法、ICP方法、对极几何方法等。例如在对极几何方法中,每两个成功匹配的点可以提供一对对极约束,提供八个点就可以计算出本质矩阵,对本质矩阵进行SVD分解就可以解出相机运动的旋转矩阵R和平移向量t。
S5:根据摄像机帧间运动参数得到对应于每个关键帧时间点的摄像机世界坐标和姿态,从而获得摄像机在摄像过程中的运动轨迹和姿态参数;
获得每两帧之间的摄像机帧间运动参数即旋转矩阵R和平移向量t后,就可以计算得出对应于每个关键帧时间点的摄像机世界坐标和姿态,从而获得摄像机在摄像过程中的运动轨迹和姿态参数。
步骤S2-S5是对一段视频片段进行处理的步骤,获得的是与该视频片段对应的摄像机运动轨迹和姿态参数。对所有视频片段进行摄像机运动轨迹和姿态参数生成,得到直播过程使用的所有摄像机参数构成的直播摄像方案。
根据本发明实施例的一种具体实现方式,使用光流法检测并提取每帧的背景特征点,具体步骤为:
提取出图像的角点;
利用光流法计算出各角点的光流值,得到各角点的光流场;
依据光流图像中的速度矢量也就是位移、方向光流信息划分背景和前景目标;
通过用户设置的前N帧图像背景特征点的最大交集得到属于背景的稳定特征点,用于计算摄像机运动。
运动目标检测分为静态背景和动态背景两类。主要有背景减除法、帧差法和光流法等。
一般而言,光流是由于场景中前景目标本身的移动、相机的运动,或者两者的共同运动所产生的。当物体在运动时,它在图像上对应点的亮度模式也在运动。这种图像亮度模式的表观运动(apparent motion)就是光流。如图3a和图3b所示,在空间中,运动可以用运动场描述,而在一个图像平面上,物体的运动往往是通过图像序列中不同图像灰度分布的不同体现的,从而,空间中的运动场转移到图像上就表示为光流场(optical flow field)。
光流法是图像处理领域的重要方法,但是光流法不能得到广泛应用,因为光流法必须适用两个条件,即两个基本假设,在现实情况下均不容易满足。
假设一:亮度恒定不变。目标的亮度即灰度在短时间内保持不变,这点限制了光流法在光照条件复杂的环境中使用。
假设二:小运动。这个假设限制了光流法在较大距离的运动中的追踪。
对于本发明的应用场景来说,是针对体育项目的拍摄视频,运动员是每一帧图像的焦点,背景相对比较集中,光照条件简单,因此本实施例采用光流法进行背景提取,通过使用光流对角点进行追踪。由于前景和背景运动速度方向都是不一样的,可以依据光流图像中的速度矢量也就是位移、方向光流信息划分背景和前景目标,将与背景光流趋势不同的运动员光流和台标光流剔除,从而实现动态视频环境中的背景提取。
根据本发明实施例的一种具体实现方式,所述对已有直播视频进行镜头分割的方法为:
由上一帧中的光流数量与当前帧中的光流数量计算出一个比例,称其为光流变化率,当光流变化率大于用户设定的阈值则进行分割。
由于本实施例在提取背景的时候使用光流法,所以可以利用已经计算得到的光流信息进行镜头分割。
根据本发明实施例的一种具体实现方式,还包括回环检测步骤,比较每两帧图像的相似度,当相似度大于阈值,就认为这两帧图像是在同一点观测到的,并对摄像机的轨迹进行修正。
由于计算每两帧之间的帧间运动都会存在误差,误差不断积累会使得结果产生严重的偏离。所以本实施例还包括回环检测步骤,比较每两帧图像的相似度,当相似度大于阈值,就认为这两帧图像是在同一点观测到的,对应这两帧的摄像机位置应该一致。回环检测的关键问题是如何度量两个图像帧之间的相似性,当前的成熟的方法是词袋模型,创建词袋,利用词袋中每一帧图像中的特征元素比较每两帧图像的相似度,当相似度大于某一个阈值的时候,就认为这两幅图像是在同一点观测到的,相机回到了曾经到达过的位置。根据检测结果对摄像机的轨迹进行修正。
根据本发明实施例的一种具体实现方式,对视频片段进行关键动作片段标定,从而生成对应关键动作片段的直播摄像方案。
在直播视频中,很多视频片段对应着一些关键动作。例如,高空滑雪运动员做了一个高空翻滚特技,此时往往会有一段特写镜头。用户可以对感兴趣的视频片段进行关键动作标定,从而生成针对这些关键动作的直播摄像方案。
根据本发明实施例的一种具体实现方式,还包括人工修正摄像机参数的步骤。本实施例的方法还提供了人机交互接口,用户可以手动对摄像机参数进行修正,从而可以人工加入先验参数,或者修改直播视频中用户认为需要改进之处,或者生成根据不同用户定制的直播摄像方案。
根据本发明实施例的一种具体实现方式,还包括对视频关键帧进行图像增强的步骤。直播视频可能会存在拍摄质量问题,可以通过图像处理技术对视频进行图像增强,提高图像清晰度。提高视频质量有助于获得正确的摄像机运动参数。
另一方面,本发明还提供了一种电子设备,所述电子设备包括:
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前述的一种基于光流的摄像方案自动生成方法。
另一方面,本发明还提供了一种非暂态计算机可读存储介质,该非暂态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该计算机执行前述的一种基于光流的摄像方案自动生成方法。
另一方面,本发明还提供了一种计算机程序产品,包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述的一种基于光流的摄像方案自动生成方法。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称并不构成对该单元本身的限定。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于光流的摄像方案自动生成方法,其特征在于,包括以下步骤:
对已有直播视频进行镜头分割,使得每个视频片段不包含相机切换;
选取一段分割后的视频片段,标定摄像机类型,并逐帧提取得到视频关键帧序列;
对关键帧图像进行运动目标检测,把人物和台标、记分板作为相对于背景的运动目标,检测并提取每帧的背景特征点;
利用匹配的特征点得到摄像机帧间运动的旋转矩阵和平移向量;
根据摄像机帧间运动参数得到对应于每个关键帧时间点的摄像机世界坐标和姿态,从而获得摄像机在摄像过程中的运动轨迹和姿态参数;
对所有视频片段进行摄像机运动轨迹和姿态参数生成,得到直播过程使用的所有摄像机参数构成的直播摄像方案。
2.根据权利要求1所述的一种基于光流的摄像方案自动生成方法,其特征在于,使用光流法检测并提取每帧的背景特征点,具体步骤为:
提取出图像的角点;
利用光流法计算出各角点的光流值,得到各角点的光流场;
依据光流图像中的速度矢量也就是位移、方向光流信息划分背景和前景目标;
通过用户设置的前N帧图像背景特征点的最大交集得到属于背景的稳定特征点,用于计算摄像机运动。
3.根据权利要求1或2所述的一种基于光流的摄像方案自动生成方法,其特征在于,所述对已有直播视频进行镜头分割的方法为:
由上一帧中的光流数量与当前帧中的光流数量计算出一个比例,称其为光流变化率,当光流变化率大于用户设定的阈值则进行分割。
4.根据权利要求3所述的一种基于光流的摄像方案自动生成方法,其特征在于,还包括回环检测步骤,比较每两帧图像的相似度,当相似度大于阈值,就认为这两帧图像是在同一点观测到的,并对摄像机的轨迹进行修正。
5.根据权利要求4所述的一种基于光流的摄像方案自动生成方法,其特征在于,对视频片段进行关键动作片段标定,从而生成对应关键动作片段的直播摄像方案。
6.根据权利要求5所述的一种基于光流的摄像方案自动生成方法,其特征在于, 还包括人工修正摄像机参数的步骤。
7.根据权利要求6所述的一种基于光流的摄像方案自动生成方法,其特征在于,所述标定摄像机类型通过人工方式标定,或者通过对每种摄像机拍摄图像特征进行特征建模,实现对视频片段的自动标定。
8.一种电子设备,其特征在于,所述电子设备包括:
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前述任一权利要求1-7所述的一种基于光流的摄像方案自动生成方法。
9.一种非暂态计算机可读存储介质,其特征在于,该非暂态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该计算机执行前述任一权利要求1-7所述的一种基于光流的摄像方案自动生成方法。
10.一种计算机程序产品,其特征在于,包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述任一权利要求1-7所述的一种基于光流的摄像方案自动生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010810211.7A CN111680671A (zh) | 2020-08-13 | 2020-08-13 | 一种基于光流的摄像方案自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010810211.7A CN111680671A (zh) | 2020-08-13 | 2020-08-13 | 一种基于光流的摄像方案自动生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111680671A true CN111680671A (zh) | 2020-09-18 |
Family
ID=72458295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010810211.7A Pending CN111680671A (zh) | 2020-08-13 | 2020-08-13 | 一种基于光流的摄像方案自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680671A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967341A (zh) * | 2021-02-23 | 2021-06-15 | 湖北枫丹白露智慧标识科技有限公司 | 基于实景图像的室内视觉定位方法、系统、设备及存储介质 |
CN113286076A (zh) * | 2021-04-09 | 2021-08-20 | 华为技术有限公司 | 拍摄方法及相关设备 |
WO2022110033A1 (zh) * | 2020-11-27 | 2022-06-02 | 深圳市大疆创新科技有限公司 | 视频处理方法、装置及终端设备 |
CN116761004A (zh) * | 2023-05-12 | 2023-09-15 | 北京车讯互联网股份有限公司 | 一种基于固定轨道摄像设备的实时直播方法,系统,设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404725A (zh) * | 2008-11-24 | 2009-04-08 | 深圳华为通信技术有限公司 | 摄像机、摄像机组、摄像机组的控制方法、装置及系统 |
CN107886057A (zh) * | 2017-10-30 | 2018-04-06 | 南京阿凡达机器人科技有限公司 | 一种机器人的挥手检测方法、系统及一种机器人 |
CN110675420A (zh) * | 2019-08-22 | 2020-01-10 | 华为技术有限公司 | 一种图像处理方法和电子设备 |
CN111382784A (zh) * | 2020-03-04 | 2020-07-07 | 厦门脉视数字技术有限公司 | 一种运动目标跟踪方法 |
CN111402289A (zh) * | 2020-03-23 | 2020-07-10 | 北京理工大学 | 基于深度学习的人群表演误差检测方法 |
-
2020
- 2020-08-13 CN CN202010810211.7A patent/CN111680671A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404725A (zh) * | 2008-11-24 | 2009-04-08 | 深圳华为通信技术有限公司 | 摄像机、摄像机组、摄像机组的控制方法、装置及系统 |
CN107886057A (zh) * | 2017-10-30 | 2018-04-06 | 南京阿凡达机器人科技有限公司 | 一种机器人的挥手检测方法、系统及一种机器人 |
CN110675420A (zh) * | 2019-08-22 | 2020-01-10 | 华为技术有限公司 | 一种图像处理方法和电子设备 |
CN111382784A (zh) * | 2020-03-04 | 2020-07-07 | 厦门脉视数字技术有限公司 | 一种运动目标跟踪方法 |
CN111402289A (zh) * | 2020-03-23 | 2020-07-10 | 北京理工大学 | 基于深度学习的人群表演误差检测方法 |
Non-Patent Citations (1)
Title |
---|
邵奇: "基于Kinect的三维模型构造研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022110033A1 (zh) * | 2020-11-27 | 2022-06-02 | 深圳市大疆创新科技有限公司 | 视频处理方法、装置及终端设备 |
CN112967341A (zh) * | 2021-02-23 | 2021-06-15 | 湖北枫丹白露智慧标识科技有限公司 | 基于实景图像的室内视觉定位方法、系统、设备及存储介质 |
CN113286076A (zh) * | 2021-04-09 | 2021-08-20 | 华为技术有限公司 | 拍摄方法及相关设备 |
CN116761004A (zh) * | 2023-05-12 | 2023-09-15 | 北京车讯互联网股份有限公司 | 一种基于固定轨道摄像设备的实时直播方法,系统,设备和介质 |
CN116761004B (zh) * | 2023-05-12 | 2024-03-19 | 北京车讯互联网股份有限公司 | 一种基于固定轨道摄像设备的实时直播系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680671A (zh) | 一种基于光流的摄像方案自动生成方法 | |
Lai et al. | Semantic-driven generation of hyperlapse from 360 degree video | |
CN108805917B (zh) | 空间定位的方法、介质、装置和计算设备 | |
CN106372702B (zh) | 一种定位标识及其定位方法 | |
US20210209788A1 (en) | Method and apparatus for generating data for estimating three-dimensional (3d) pose of object included in input image, and prediction model for estimating 3d pose of object | |
US11037325B2 (en) | Information processing apparatus and method of controlling the same | |
Gritai et al. | On the use of anthropometry in the invariant analysis of human actions | |
JP2015521419A (ja) | コンピュータ生成された3次元オブジェクトとフィルムカメラからの映像フィードとをリアルタイムに混合または合成するシステム | |
CN109298778B (zh) | 追踪系统及其方法 | |
WO2012155279A2 (en) | Silhouette-based pose estimation | |
CN105279771B (zh) | 一种视频中基于在线动态背景建模的运动目标检测方法 | |
Huang et al. | Learning to film from professional human motion videos | |
CN111951325B (zh) | 位姿跟踪方法、位姿跟踪装置及电子设备 | |
CN111832386A (zh) | 一种估计人体姿态的方法、装置及计算机可读介质 | |
CN109902675B (zh) | 物体的位姿获取方法、场景重构的方法和装置 | |
Li et al. | Gyroflow: Gyroscope-guided unsupervised optical flow learning | |
Huang et al. | One-shot imitation drone filming of human motion videos | |
Bang et al. | Camera pose estimation using optical flow and ORB descriptor in SLAM-based mobile AR game | |
CN113920189A (zh) | 同时追踪可移动物体与可移动相机的六自由度方位的方法与系统 | |
CN113345032A (zh) | 一种基于广角相机大畸变图的初始化建图方法及系统 | |
CN116523962A (zh) | 针对目标对象的视觉跟踪方法、装置、系统、设备和介质 | |
CN111711733B (zh) | 一种直播方案仿真设计验证方法 | |
Hamidia et al. | Markerless tracking using interest window for augmented reality applications | |
CN111739105B (zh) | 一种直播机位摄像方案自动学习方法 | |
Adachi et al. | Improvement of Visual Odometry Based on Robust Feature Extraction Considering Semantics |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200918 |
|
RJ01 | Rejection of invention patent application after publication |