CN111681268A - 光学标记点序号误识别检测方法、装置、设备及存储介质 - Google Patents

光学标记点序号误识别检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111681268A
CN111681268A CN202010542826.6A CN202010542826A CN111681268A CN 111681268 A CN111681268 A CN 111681268A CN 202010542826 A CN202010542826 A CN 202010542826A CN 111681268 A CN111681268 A CN 111681268A
Authority
CN
China
Prior art keywords
matrix
optical mark
dot product
vector
vector dot
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
Application number
CN202010542826.6A
Other languages
English (en)
Other versions
CN111681268B (zh
Inventor
杭建伟
许秋子
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.)
Shenzhen Realis Multimedia Technology Co Ltd
Original Assignee
Shenzhen Realis Multimedia 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 Shenzhen Realis Multimedia Technology Co Ltd filed Critical Shenzhen Realis Multimedia Technology Co Ltd
Priority to CN202010542826.6A priority Critical patent/CN111681268B/zh
Publication of CN111681268A publication Critical patent/CN111681268A/zh
Application granted granted Critical
Publication of CN111681268B publication Critical patent/CN111681268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Abstract

本发明涉及计算机视觉识别技术领域，公开了一种光学标记点序号误识别检测方法、装置、设备及存储介质。光学标记点序号误识别检测方法包括：获取刚体同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，并根据该三维位置信息计算对应生成t1时刻的第一向量点积集合和t2时刻的第二向量点积集合；将第一、二向量点积进行二值化处理之后得到的集合分别记为矩阵M1、M2，根据矩阵M2与矩阵M1，判断光学标记点是否存在错误标序。本发明通过检测标记点序号是否对应错误，解决了由于特定部位标记点太多等原因导致的误识标记点而导致解算错误，影响动作捕捉精度的技术问题，从而提高动作捕捉精度。

Description

光学标记点序号误识别检测方法、装置、设备及存储介质
技术领域
本发明涉及计算机视觉识别技术领域，尤其涉及一种光学标记点序号误识别检测方法、装置、设备及存储介质。
背景技术
光学动作捕捉系统是通过高速相机捕捉光学标记点，识别跟踪物体的运动轨迹，以实现包含VR在内的各种环境三维大空间人机交互的动作捕捉技术。现有的光学动作捕捉技术，通常是在架设好的红外摄像头周边不断发出高频的固定波长的红外线信号，作为空间位置追踪的基础。
但在实际应用过程中，上述动作捕捉技术存在一定缺陷，由于光学动捕全身贴标记点太多，像手部等标记点比较密集的部位尤其明显，为了避免标记点的序号发生错乱而导致的识别(位置追踪)错误进而导致解算错误，因此需要判断标记点的序号是否发生错乱，进而提高动作捕捉精度。
发明内容
本发明的主要目的在于解决目前由于光学标记点太多，使得标记点序号发生错乱，进而导致解算错误和动作捕捉精度低的技术问题。
本发明第一方面提供了一种光学标记点序号误识别检测，包括：
获取被捕捉部位同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，其中，所述被捕捉部位为刚体或近似刚体，t1时刻为上一时刻，t2时刻为当前时刻；
基于所述第一三维位置坐标与所述第二三维位置坐标，分别对应生成t1时刻所述光学标记点两两之间的第一向量集合和t2时刻所述光学标记点两两之间的第二向量集合；
基于所述第一向量集合与所述第二向量集合，分别对应生成t1时刻所述第一向量集合中各向量两两之间的第一向量点积集合和t2时刻所述第二向量集合中各向量两两之间的第二向量点积集合，并将所述第一、二向量点积进行二值化处理，得到所述t1时刻与所述t2时刻对应的矩阵M1、M2；
根据所述矩阵M2与所述矩阵M1，判断所述光学标记点是否存在错误标序。
可选的，在本发明第一方面的第一种实现方式中，所述将所述第一、二向量点积集合分别记为矩阵M1、M2包括：
依次判断所述第一向量点积集合中各第一向量点积的值是否大于零；若所述第一向量点积的值大于零，则将所述第一向量点积赋值为1，否则赋值为0；将所述第一向量点积进行二值化后得到的值作为矩阵元素，得到所述光学标记点在t1时刻对应的矩阵M1；
依次判断所述第二向量点积集合中各第二向量点积的值是否大于零；若所述第二向量点积的值大于零，则将所述第二向量点积赋值为1，否则赋值为0；将所述第二向量点积进行二值化后得到的值作为矩阵元素，得到所述光学标记点在t2时刻对应的矩阵M2。
可选的，在本发明第一方面的第二种实现方式中，在所述获取被捕捉部位同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标之前，还包括：
获取被捕捉部位表面所有光学标记点的序号信息；
根据预置分类配置，对所述光学标记点序号进行分类，得到分类结果；
基于所述分类结果，得到所述被捕捉部位不同部位对应的光学标记点。
可选的，在本发明第一方面的第三种实现方式中，所述根据所述矩阵M1与所述矩阵M2，判断所述光学标记点是否存在错误标序包括：
分别获取所述矩阵M1中的元素与所述矩阵M2中的元素；
按照矩阵行列顺序，依次判断所述矩阵M1中的元素与所述矩阵M2中的元素是否相同；
若相同，则确定所述矩阵M1与所述矩阵M2对应被捕捉部位的光学标记点中不存在标序错误的光学标记点，否则确定存在。
本发明第二方面提供了一种光学标记点序号误识别检测装置，包括：
第一获取模块，用于获取被捕捉部位同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，其中，所述被捕捉部位为刚体或近似刚体，t1时刻为上一时刻，t2时刻为当前时刻；
第一生成模块，用于基于所述第一三维位置坐标与所述第二三维位置坐标，分别对应生成t1时刻所述光学标记点两两之间的第一向量集合和t2时刻所述光学标记点两两之间的第二向量集合；
第二生成模块，用于基于所述第一向量集合与所述第二向量集合，分别对应生成t1时刻所述第一向量集合中各向量两两之间的第一向量点积集合和t2时刻所述第二向量集合中各向量两两之间的第二向量点积集合，并将所述第一、二向量点积进行二值化处理，得到所述t1时刻与所述t2时刻对应的矩阵M1、M2；
判断模块，用于根据所述矩阵M2与所述矩阵M1，判断所述光学标记点是否存在错误标序。
可选的，在本发明第二方面的第一种实现方式中，所第二生成模块包括：
第一判断单元，用于依次判断所述第一向量点积集合中各第一向量点积的值是否大于零；若所述第一向量点积的值大于零，则将所述第一向量点积赋值为1，否则赋值为0；将所述第一向量点积进行二值化后得到的值作为矩阵元素，得到所述光学标记点在t1时刻对应的矩阵M1；
第二判断单元，用于依次判断所述第二向量点积集合中各第二向量点积的值是否大于零；若所述第二向量点积的值大于零，则将所述第二向量点积赋值为1，否则赋值为0；将所述第二向量点积进行二值化后得到的值作为矩阵元素，得到所述光学标记点在t2时刻对应的矩阵M2。
可选的，在本发明第二方面的第二种实现方式中，所述光学标记点序号误识别检测装置还包括：
第二获取模块，用于获取被捕捉部位表面所有光学标记点的序号信息；
分类模块，用于根据预置分类配置，对所述光学标记点序号进行分类，得到分类结果，并基于所述分类结果，分别得到所述被捕捉部位不同部位对应的光学标记点。
可选的，在本发明第二方面的第三种实现方式中，所述判断模块具体用于：
分别获取所述矩阵M1中的元素与所述矩阵M2中的元素；
按照矩阵行列顺序，依次判断所述矩阵M1中的元素与所述矩阵M2中的元素是否相同；
若相同，则确定所述矩阵M1与所述矩阵M2对应被捕捉部位的光学标记点中不存在标序错误的光学标记点，否则确定存在。
本发明第三方面提供了一种光学标记点序号误识别检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述光学标记点序号误识别检测设备执行上述的光学标记点序号误识别检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的光学标记点序号误识别检测方法。
本发明的技术方案中，先通过获取的被捕捉部位同一部位所有标记点分别在t1时刻和t2时刻图像中的第一三维位置坐标和第二三维位置坐标，分别对应生成t1时刻光学标记点两两之间的第一向量集合和t2时刻光学标记点两两之间的第二向量集合，并根据第一向量集和与第二向量集合，分别生成t1时刻第一向量集合中各向量两两之间的第一向量点积集合和t2时刻第二向量集合中各向量两两之间的第二向量点积集合并对集合中的向量点积进行0,1二值化处理，得到对应矩阵M1、M2；并根据矩阵M1与矩阵M2判断光学标记点是否存在错误标序。避免标记点的序号发生错乱而导致的识别错误进而导致解算错误，提高动作捕捉精度。
附图说明
图1为本发明光学标记点序号误识别检测方法的第一个实施例示意图；
图2为本发明光学标记点序号误识别检测方法的第二个实施例示意图；
图3为本发明光学标记点序号误识别检测方法的第三个实施例示意图；
图4为本发明光学标记点序号误识别检测方法的第四个实施例示意图；
图5为本发明光学标记点序号误识别检测装置的第一个实施例示意图；
图6为本发明光学标记点序号误识别检测装置的第二个实施例示意图；
图7为本发明光学标记点序号误识别检测装置的第三个实施例示意图；
图8为本发明光学标记点序号误识别检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种光学标记点序号误识别检测方法、装置、设备及存储介质，本发明的技术方案中，先获取被捕捉部位同一部位所有标记点在t1，t2时刻在图像中的第二三维位置坐标，并根据各个标记点的位置坐标信息得到这些标记点在不同时刻对应的矩阵M1，M2；并根据该矩阵M1，M2中对应元素的值是否相同，以此判断光学标记点的序号是否发生标记错乱。避免标记点的序号发生错乱而导致的识别(位置追踪)错误进而导致解算错误，提高动作捕捉精度。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中光学标记点序号误识别检测方法的第一个实施例包括：
101、获取被捕捉部位同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，其中，所述被捕捉部位为刚体或近似刚体，t1时刻为上一时刻，t2时刻为当前时刻；
可以理解的是，本发明的执行主体可以为光学标记点序号误识别检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
在本实施例中，首先通过摄像机或其他设备拍摄光学标记点序号误识别检测场景在t1时刻的第一图像和t2时刻的第二图像。被捕捉部位表面的所有的光学标记点，如动捕实际训练场景中，实训员穿上带有光学标记点的动作捕捉服，具体的，计算机或服务器通过动捕系统获得捕捉对象在动作捕捉区域内的运动图像的帧，每一帧具有多个图像，每一个图像对应于一个运动捕捉中的采集相机，每一个图像中具有每一帧的被捕捉部位标记点，其中，被捕捉部位标记点就是刚体或近似刚体表面携带的所有的光学标记点。
本实施例中，计算机或服务器通过相机可以连续获取动作捕捉区域内的被捕捉部位表面每一个光学标记点的二维坐标数据，根据所述二维坐标数据，分别计算得到光学标记点在t1时刻对应的第一三维位置坐标和t2时刻对应的第二三维位置坐标。
102、基于所述第一三维位置坐标与所述第二三维位置坐标，分别对应生成t1时刻所述光学标记点两两之间的第一向量集合和t2时刻所述光学标记点两两之间的第二向量集合；
在本实施例中，根据得到的第一三维位置坐标和第二三维位置坐标，分别计算被捕捉部位表面所有光学标记点两两之间组成连线所对应的多个向量，进而得到光学标记点在t1时刻的第一向量集合和t2时刻的第二向量集合。
在本实施例中，向量(也称为欧几里得向量、几何向量、矢量)，指具有大小(magnitude)和方向的量。它可以形象化地表示为带箭头的线段。箭头所指：代表向量的方向；线段长度：代表向量的大小。与向量对应的量叫做数量(物理学中称标量)，数量(或标量)只有大小，没有方向。具体地，多个向量组成的集合叫做向量集合。
103、基于所述第一向量集合与所述第二向量集合，分别对应生成t1时刻所述第一向量集合中各向量两两之间的第一向量点积集合和t2时刻所述第二向量集合中各向量两两之间的第二向量点积集合，并将所述第一、二向量点积进行二值化处理，得到所述t1时刻与所述t2时刻对应的矩阵M1、M2；
本实施例中，根据对应的第一向量集合与第二向量集合，分别对应生成t1时刻第一向量集合中各向量两两之间的第一向量点积集合和t2时刻第二向量集合中各向量两两之间的第二向量点积集合，并将第一、二向量点积进行0,1二值化处理后，得到矩阵M1、M2。
本实施例中，两个向量的点积与cos(θ)正相关，即cos(θ)的正负号等于所述两个向量点积的正负号,θ为所述两个单位向量的夹角，取值范围为[0,180°]。比如，向量V1(x1、y1、z1)，V2(x2、y2、z2)，则向量点积
Figure BDA0002539613000000076
Figure BDA0002539613000000077
即向量点积为具体数值。
点积在数学中，又称数量积(dotproduct；scalarproduct)，是指接受在实数R上的两个向量并返回一个实数值标量的二元运算。它是欧几里得空间的标准内积。
两个向量a＝[a1，a2，…，an]和b＝[b1，b2，…，bn]的点积定义为：
a·b＝a1b1+a2b2+……+anbn。
设二维空间内有两个向量
Figure BDA0002539613000000071
和
Figure BDA0002539613000000072
定义它们的数量积(又叫内积、点积)为以下实数：
Figure BDA0002539613000000073
更一般地，n维向量的内积定义如下：
Figure BDA0002539613000000074
本实施例中，矩阵(Matrix)在数学中，是一个按照长方阵列排列的复数或实数集合，最早来自于方程组的系数及常数所构成的方阵。比如，由m×n个数aij排成的m行n列的数表称为m行n列的矩阵，简称m×n矩阵。
记作：
Figure BDA0002539613000000075
这m×n个数称为矩阵A的元素，简称为元，数aij位于矩阵A的第i行第j列，称为矩阵A的(i,j)元，以数aij为(i,j)元的矩阵可记为(aij)或(aij)m×n，m×n矩阵A也记作Amn。
104、根据所述矩阵M2与所述矩阵M1，判断所述光学标记点是否存在错误标序。
本实施例中，将矩阵M1与矩阵M2中的0和1一一对应比较，根据得到比较结果，判断光学标记点的序号是否发生标记错误。
本实施例中，光学标记点又叫光学动捕标记点，可以用于将对象转换为追踪目标，使用这些标记点来识别对象位置并确定其姿势。或者在较远的距离上追踪目标或环境照明条件难以看清时，标记物体。解决判断标记点序号是否发生错误的问题，由于标记点太多或者标记点的贴法左右近似对称以及tracker没准确定位到等原因，导致误识别标记点进而导致解算错误，影响动作捕捉精度。
本发明实施例中，通过获取被捕捉部位同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，并根据该三维位置信息计算对应生成t1时刻的第一向量点积集合和t2时刻的第二向量点积集合，并将第一、二向量点积进行二值化处理之后得到的集合分别记为矩阵M1、M2，根据矩阵M2与矩阵M1，判断光学标记点是否存在错误标序。解决了由于特定部位标记点太多以及tracker没准确定位到等原因导致的误识标记点，导致解算错误，进而影响动作捕捉精度的技术问题，提高动作捕捉精度使动作更自然流畅。
请参阅图2，本发明实施例中光学标记点序号误识别检测方法的第二个实施例包括：
201、获取被捕捉部位同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，其中，所述被捕捉部位为刚体或近似刚体，t1时刻为上一时刻，t2时刻为当前时刻；
202、基于所述第一三维位置坐标与所述第二三维位置坐标，分别对应生成t1时刻所述光学标记点两两之间的第一向量集合和t2时刻所述光学标记点两两之间的第二向量集合；
203、判断所述第一向量点积集合中各第一向量点积的值是否大于零；
本实施例中，依次判断第一向量点积集合中各第一向量点积的值是否大于零；若第一向量点积的值大于零，则将第一向量点积赋值为1，否则赋值为0；并根据第一向量点积的值，生成光学标记点在t1时刻对应的矩阵M1。比如，分别计算向量两两之间的向量点积
Figure BDA0002539613000000081
基于所述
Figure BDA0002539613000000082
的值，【当
Figure BDA0002539613000000083
时，将
Figure BDA0002539613000000084
赋值为“1”；当
Figure BDA0002539613000000085
时，将
Figure BDA0002539613000000086
赋值为“0”】，得到M1矩阵，也即将M1转化为“0”和“1”组成的矩阵。
204、判断所述第二向量点积集合中各第二向量点积的值是否大于零；
本实施例中，依次判断第二向量点积集合中各第二向量点积的值是否大于零。
若是，则将所述第一向量点积和所述第二向量点积赋值为1；
本实施例中，若第一向量点积的值与第二向量点积的值大于零，则分别将第一向量点积与第二向量点积赋值为1。比如，分别计算向量两两之间的向量点积
Figure BDA0002539613000000091
基于
Figure BDA0002539613000000092
的值，当
Figure BDA0002539613000000093
时，将
Figure BDA0002539613000000094
赋值为“1”。
若否，则将所述第一向量点积和所述第二向量点积赋值为0；
本实施例中，若第一向量点积的值与第二向量点积的值小于或等于零，则分别将第一向量点积与第二向量点积赋值为0。比如，分别计算向量两两之间的向量点积
Figure BDA0002539613000000095
基于
Figure BDA0002539613000000096
的值，当
Figure BDA0002539613000000097
时，将
Figure BDA0002539613000000098
赋值为“0”。
205、分别基于所述第一向量点积二值化后的值和所述第二向量点积二值化后的值，生成所述光学标记点在t1时刻对应的矩阵M1和光学标记点在t2时刻对应的矩阵M2；
本实施例中，分别根据第一向量点积二值化后的值和第二向量点积二值化后的值，生成光学标记点在t1时刻对应的矩阵M1和t2时刻对应的矩阵M2。比如，分别计算向量点积两两之间的向量点积
Figure BDA0002539613000000099
基于
Figure BDA00025396130000000910
的值，当
Figure BDA00025396130000000911
时，将
Figure BDA00025396130000000912
赋值为“1”；当
Figure BDA00025396130000000913
时，将
Figure BDA00025396130000000914
赋值为“0”，得到对应的M1矩阵和M2矩阵，也即将M1和M2转化为“0”和“1”组成的矩阵。
206、根据所述矩阵M2与所述矩阵M1，判断所述光学标记点是否存在错误标序。
本实施例中，分别将矩阵M1与矩阵M2中的向量点积进行二值化处理，并将矩阵M1中相同位置的数据与矩阵M2中相同位置的数据一一进行比较，判断被捕捉部位表面特定部位的多个光学标记点的序号在t2时刻是否发生错乱。比如，刚体表面(头，手1，手2，脚1，脚2，根部-身体正中点)根据实际需要细分(总共41个点，手上点记为“20，21，22，23，24，25”，归类为“手1”)；以“手1”的6个标记点为例：例如“标记点20”和“标记点21”两个点连线定为“向量v1”，“标记点20”和“标记点22”两个点连线定为“向量v2”，“20～21-v1，20～22-v2，
Figure BDA00025396130000000915
为每两个向量之间的向量点积(两个标记点组成一个向量，分别计算2个向量两两之间的向量点积，v1与v2之间的向量点积为
Figure BDA00025396130000000916
)，
Figure BDA00025396130000000917
当
Figure BDA00025396130000000918
时，将
Figure BDA00025396130000000919
赋值为“1”；当
Figure BDA00025396130000000920
时，将
Figure BDA00025396130000000921
赋值为“0”生成矩阵M1，将M1转化为“0”和“1”组成的矩阵。
根据生成的矩阵M1和矩阵M2中的值，将矩阵M1与所述矩阵M2中的元素一一对应比较，判断光学标记点的序号是否发生错乱，并直接定位标记发生错乱的标记点。
本发明实施例中，通过获取被捕捉部位同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，并根据该三维位置信息计算对应生成t1时刻的第一向量点积集合和t2时刻的第二向量点积集合，并将第一、二向量点积进行二值化处理后得到的集合分别记为矩阵M1、M2，根据矩阵M2与矩阵M1，判断光学标记点是否存在错误标序。解决了由于特定部位标记点太多以及tracker没准确定位到等原因导致的误识标记点，导致解算错误，进而影响动作捕捉精度的技术问题，提高了动作捕捉精度。
请参阅图3，本发明实施例中光学标记点序号误识别检测方法的第三个实施例包括：
301、获取被捕捉部位表面所有光学标记点的序号信息；
本实施例中，获取刚体表面所有光学标记点的序号信息，比如刚体表面包括头，手1，手2，脚1，脚2，根部-身体正中点等部位，根据实际需要细分(总共41个点，手上点记为“20，21，22，23，24，25”，归类为“手1”)包括很多个光学标记点，为了更好的根据光学标记点的空间位置坐标信息获取表演者的肢端位置，然后进行全身骨骼解算，估算出表演者的全身动作骨骼姿态，需要对每一个光学标记点进行详细的编号，与表演者的肢体一一对应。
本实施例中，被捕捉部位可以是刚体或近似刚体，其中，刚体是指在运动中和受力作用后，形状和大小不变，而且内部各点的相对位置不变的物体。
302、根据预置分类配置，对所述光学标记点序号进行分类，得到分类结果；
本实施例中，根据预置的分类配置信息，对刚体表面的光学标记点进行分类，得到分类结果。比如，比如刚体表面包括头，手1，手2，脚1，脚2，根部-身体正中点等部位，根据实际需要细分，总共41个点，其中，手上点记为“20，21，22，23，24，25”，归类为“手1”)。
303、基于所述分类结果，得到所述被捕捉部位不同部位对应的光学标记点；
本实施例中，根据分类结果，得到刚体不同部位对应的所有光学标记点的信息。
304、获取被捕捉部位同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，其中，所述被捕捉部位为刚体或近似刚体，t1时刻为上一时刻，t2时刻为当前时刻；
305、基于所述第一三维位置坐标与所述第二三维位置坐标，分别对应生成t1时刻所述光学标记点两两之间的第一向量集合和t2时刻所述光学标记点两两之间的第二向量集合；
306、基于所述第一向量集合与所述第二向量集合，分别对应生成t1时刻所述第一向量集合中各向量两两之间的第一向量点积集合和t2时刻所述第二向量集合中各向量两两之间的第二向量点积集合，并将所述第一、二向量点积进行二值化处理，得到所述t1时刻与所述t2时刻对应的矩阵M1、M2；
307、根据所述矩阵M2与所述矩阵M1，判断所述光学标记点是否存在错误标序。
本发明实施例提供了详细被捕捉部位表面光学标记点的序号信息，通过获取刚体同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，并根据该三维位置信息计算对应生成t1时刻的第一向量点积集合和t2时刻的第二向量点积集合，并将第一、二向量点积进行二值化处理后得到的集合分别记为矩阵M1、M2，根据矩阵M2与矩阵M1，判断光学标记点是否存在错误标序。解决了由于特定部位标记点太多以及tracker没准确定位到等原因导致的误识标记点，导致解算错误进而影响动作捕捉精度的技术问题，提高了动作捕捉精度。
请参阅图4，本发明实施例中光学标记点序号误识别检测方法的第四个实施例包括：
401、获取被捕捉部位同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，其中，所述被捕捉部位为刚体或近似刚体，t1时刻为上一时刻，t2时刻为当前时刻；
402、基于所述第一三维位置坐标与所述第二三维位置坐标，分别对应生成t1时刻所述光学标记点两两之间的第一向量集合和t2时刻所述光学标记点两两之间的第二向量集合；
403、基于所述第一向量集合与所述第二向量集合，分别对应生成t1时刻所述第一向量集合中各向量两两之间的第一向量点积集合和t2时刻所述第二向量集合中各向量两两之间的第二向量点积集合，并将所述第一、二向量点积进行二值化处理，得到所述t1时刻与所述t2时刻对应的矩阵M1、M2；
404、分别获取所述矩阵M1中的元素与所述矩阵M2中的元素；
本实施例中，分别获取矩阵M1中的元素与矩阵M2中的元素。比如，矩阵M1、M2的元素为：
Figure BDA0002539613000000121
本实施例中，分别获取二值化后的矩阵M1中的元素与矩阵M2中的元素。
405、按照矩阵行列顺序，依次判断所述矩阵M1中的元素与所述矩阵M2中的元素是否相同；
本实施例中，按照矩阵中的行列顺序，依次判断矩阵M1中的各个元素的值与矩阵M2中各个元素的值是否一一对应相同。
406、若相同，则确定所述矩阵M1与所述矩阵M2对应被捕捉部位的光学标记点中不存在标序错误的光学标记点；
本实施例中，若矩阵M1中的各个元素的值与矩阵M2中各个元素的值一一对应相同，则确定矩阵M1与矩阵M2对应刚体部位的光学标记点中不存在标序错误的光学标记点。
407、若不相同，则确定所述矩阵M1与所述矩阵M2对应被捕捉部位的光学标记点中存在标序错误的光学标记点。
本实施例中，若矩阵M1中的各个元素的值与矩阵M2中各个元素的值并非一一对应相同，则确定矩阵M1与矩阵M2对应刚体部位的光学标记点中存在标序错误的光学标记点。
本实施例中，依次判断矩阵M1中的第二向量点积与矩阵M2中元素的值是否相同。比如：
Figure BDA0002539613000000131
依次判断矩阵M1与矩阵M2中元素是否相同，若是，则代表特定部位所述光学标记点不存在错误标序；若否，则特定部位所述光学标记点的存在错误标序。
在本实施例中，通过获取刚体同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，并根据该位置信息计算对应生成t1时刻的第一向量点积集合和t2时刻的第二向量点积集合，并将第一、二向量点积进行二值化处理都得到的集合分别记为矩阵M1、M2，根据矩阵M2与矩阵M1，判断光学标记点是否存在错误标序。解决了由于特定部位标记点太多以及tracker没准确定位到等原因导致的误识标记点，导致解算错误影响动作捕捉精度的技术问题，提高了动作捕捉精度。
上面对本发明实施例中光学标记点序号误识别检测方法进行了描述，下面对本发明实施例中光学标记点序号误识别检测装置进行描述，请参阅图5，本发明实施例中光学标记点序号误识别检测装置的第一个实施例包括：
第一获取模块501，用于获取被捕捉部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，其中，所述被捕捉部位为刚体或近似刚体，t1时刻为上一时刻，t2时刻为当前时刻；
第一生成模块502，用于基于所述第一三维位置坐标与所述第二三维位置坐标，分别对应生成t1时刻所述光学标记点两两之间的第一向量集合和t2时刻所述光学标记点两两之间的第二向量集合；
第二生成模块503，用于基于所述第一向量集合与所述第二向量集合，分别对应生成t1时刻所述第一向量集合中各向量两两之间的第一向量点积集合和t2时刻所述第二向量集合中各向量两两之间的第二向量点积集合，并将所述第一、二向量点积进行二值化处理，得到所述t1时刻与所述t2时刻对应的矩阵M1、M2；
判断模块504，用于根据所述矩阵M2与所述矩阵M1，判断所述光学标记点是否存在错误标序。
本实施例在上一实施例基础上，通过获取刚体同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，并根据该三维位置信息计算对应生成t1时刻的第一向量点积集合和t2时刻的第二向量点积集合，并将第一、二向量点积进行二值化处理后得到的集合分别记为矩阵M1、M2，根据矩阵M2与矩阵M1，判断光学标记点是否存在错误标序。解决了由于特定部位标记点太多导致的标记点标序错误而导致的解算错误，进而影响动作捕捉精度的技术问题，提高动作捕捉精度。
请参阅图6，本发明实施例中光学标记点序号误识别检测装置第二个实施例包括：
第一获取模块601，用于获取被捕捉部位同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，其中，所述被捕捉部位为刚体或近似刚体，t1时刻为上一时刻，t2时刻为当前时刻；
第一生成模块602，用于基于所述第一三维位置坐标与所述第二三维位置坐标，分别对应生成t1时刻所述光学标记点两两之间的第一向量集合和t2时刻所述光学标记点两两之间的第二向量集合；
第二生成模块603，用于基于所述第一向量集合与所述第二向量集合，分别对应生成t1时刻所述第一向量集合中各向量两两之间的第一向量点积集合和t2时刻所述第二向量集合中各向量两两之间的第二向量点积集合，并将所述第一、二向量点积进行二值化处理，得到所述t1时刻与所述t2时刻对应的矩阵M1、M2；
判断模块604，用于根据所述矩阵M2与所述矩阵M1，判断所述光学标记点是否存在错误标序；
第二获取模块605，用于获取被捕捉部位表面所有光学标记点的序号信息；
分类模块606，用于根据预置分类配置，对所述光学标记点序号进行分类，得到分类结果，并基于所述分类结果，分别得到所述被捕捉部位不同部位对应的光学标记点。
本发明实施例中，通过矩阵M2与矩阵M1，判断光学标记点是否存在错误标序。解决了由于特定部位标记点太多以及tracker没准确定位到等原因导致的误识标记点，导致解算错误，进而影响动作捕捉精度的技术问题，提高动作捕捉精度使动作更自然流畅。
请参阅图7，本发明实施例中光学标记点序号误识别检测装置的第三个实施例包括：
第一获取模块701，用于获取被捕捉部位同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，其中，所述被捕捉部位为刚体或近似刚体，t1时刻为上一时刻，t2时刻为当前时刻；
第一生成模块702，用于基于所述第一三维位置坐标与所述第二三维位置坐标，分别对应生成t1时刻所述光学标记点两两之间的第一向量集合和t2时刻所述光学标记点两两之间的第二向量集合；
第二生成模块703，用于基于所述第一向量集合与所述第二向量集合，分别对应生成t1时刻所述第一向量集合中各向量两两之间的第一向量点积集合和t2时刻所述第二向量集合中各向量两两之间的第二向量点积集合，并将所述第一、二向量点积进行二值化处理，得到所述t1时刻与所述t2时刻对应的矩阵M1、M2；
判断模块704，用于根据所述矩阵M2与所述矩阵M1，判断所述光学标记点是否存在错误标序。
可选的，所述第二生成模块703包括：
第一判断单元7031，用于依次判断所述第一向量点积集合中各第一向量点积的值是否大于零；若所述第一向量点积的值大于零，则将所述第一向量点积赋值为1，否则赋值为0；将所述第一向量点积进行二值化后得到的值作为矩阵元素，得到所述光学标记点在t1时刻对应的矩阵M1；
第二判断单元7032，用于依次判断所述第二向量点积集合中各第二向量点积的值是否大于零；若所述第二向量点积的值大于零，则将所述第二向量点积赋值为1，否则赋值为0；将所述第二向量点积进行二值化后得到的值作为矩阵元素，得到所述光学标记点在t2时刻对应的矩阵M2。
其中，所述判断模块704具体用于：
分别获取所述矩阵M1中的元素与所述矩阵M2中的元素；
按照矩阵行列顺序，依次判断所述矩阵M1中的元素与所述矩阵M2中的元素是否相同；
若相同，则确定所述矩阵M1与所述矩阵M2对应被捕捉部位的光学标记点中不存在标序错误的光学标记点，否则确定存在。
本发明实施例中，通过获取刚体同一部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，并根据该三维位置信息计算对应生成t1时刻的第一向量点积集合和t2时刻的第二向量点积集合，并将第一、二向量点积进行二值化处理后得到的集合分别记为矩阵M1、M2，根据矩阵M2与矩阵M1，判断光学标记点是否存在错误标序。解决了由于特定部位标记点太多以及tracker没准确定位到等原因导致的误识标记点，导致解算错误，进而影响动作捕捉精度的技术问题，提高动作捕捉精度。
上面图5-7从模块化功能实体的角度对本发明实施例中的光学标记点序号误识别检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中光学标记点序号误识别检测设备进行详细描述。
图8是本发明实施例提供的一种光学标记点序号误识别检测设备的结构示意图，该光学标记点序号误识别检测设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)810(例如，一个或一个以上处理器)和存储器820，一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对光学标记点序号误识别检测设备800中的一系列指令操作。更进一步地，处理器810可以设置为与存储介质830通信，在光学标记点序号误识别检测设备800上执行存储介质830中的一系列指令操作。
基于光学标记点序号误识别检测设备800还可以包括一个或一个以上电源840，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口860，和/或，一个或一个以上操作系统831，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图8示出的光学标记点序号误识别检测设备结构并不构成对基于光学标记点序号误识别检测设备的限定，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。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述光学标记点序号误识别检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种光学标记点序号误识别检测方法，应用于光学动作捕捉系统，其特征在于，所述光学标记点序号误识别检测方法包括：
获取被捕捉部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，其中，所述被捕捉部位为刚体或近似刚体，t1时刻为上一时刻，t2时刻为当前时刻；
基于所述第一三维位置坐标与所述第二三维位置坐标，分别对应生成t1时刻所述光学标记点两两之间的第一向量集合和t2时刻所述光学标记点两两之间的第二向量集合；
基于所述第一向量集合与所述第二向量集合，分别对应生成t1时刻所述第一向量集合中各向量两两之间的第一向量点积集合和t2时刻所述第二向量集合中各向量两两之间的第二向量点积集合，并将所述第一、二向量点积进行二值化处理，得到所述t1时刻与所述t2时刻对应的矩阵M1、M2；
根据所述矩阵M2与所述矩阵M1，判断所述光学标记点是否存在错误标序。
2.根据权利要求1所述的光学标记点序号误识别检测方法，其特征在于，所述将所述第一、二向量点积进行二值化处理，得到所述t1时刻与所述t2时刻对应的矩阵M1、M2包括：
依次判断所述第一向量点积集合中各第一向量点积的值是否大于零；若所述第一向量点积的值大于零，则将所述第一向量点积赋值为1，否则赋值为0；将所述第一向量点积进行二值化后得到的值作为矩阵元素，得到所述光学标记点在t1时刻对应的矩阵M1；
依次判断所述第二向量点积集合中各第二向量点积的值是否大于零；若所述第二向量点积的值大于零，则将所述第二向量点积赋值为1，否则赋值为0；将所述第二向量点积进行二值化后得到的值作为矩阵元素，得到所述光学标记点在t2时刻对应的矩阵M2。
3.根据权利要求1所述的光学标记点序号误识别检测方法，其特征在于，在所述获取被捕捉部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标之前，还包括：
获取被捕捉部位表面所有光学标记点的序号信息；
根据预置分类配置，对所述光学标记点序号进行分类，得到分类结果；
基于所述分类结果，得到所述被捕捉部位不同部位对应的光学标记点。
4.根据权利要求2所述的光学标记点序号误识别检测方法，其特征在于，所述根据所述矩阵M2与所述矩阵M1，判断所述光学标记点是否存在错误标序包括：
分别获取所述矩阵M1中的元素与所述矩阵M2中的元素；
按照矩阵行列顺序，依次判断所述矩阵M1中的元素与所述矩阵M2中的元素是否相同；
若相同，则确定所述矩阵M1与所述矩阵M2对应被捕捉部位的光学标记点中不存在标序错误的光学标记点，否则确定存在。
5.一种光学标记点序号误识别检测装置，其特征在于，所述光学标记点序号误识别检测装置包括：
第一获取模块，用于获取被捕捉部位所有光学标记点分别在t1时刻图像中的第一三维位置坐标和在t2时刻图像中的第二三维位置坐标，其中，所述被捕捉部位为刚体或近似刚体，t1时刻为上一时刻，t2时刻为当前时刻；
第一生成模块，用于基于所述第一三维位置坐标与所述第二三维位置坐标，分别对应生成t1时刻所述光学标记点两两之间的第一向量集合和t2时刻所述光学标记点两两之间的第二向量集合；
第二生成模块，用于基于所述第一向量集合与所述第二向量集合，分别对应生成t1时刻所述第一向量集合中各向量两两之间的第一向量点积集合和t2时刻所述第二向量集合中各向量两两之间的第二向量点积集合，并将所述第一、二向量点积进行二值化处理，得到所述t1时刻与所述t2时刻对应的矩阵M1、M2；
判断模块，用于根据所述矩阵M2与所述矩阵M1，判断所述光学标记点是否存在错误标序。
6.根据权利要求5所述的光学标记点序号误识别检测装置，其特征在于，所述第二生成模块包括：
第一判断单元，用于依次判断所述第一向量点积集合中各第一向量点积的值是否大于零；若所述第一向量点积的值大于零，则将所述第一向量点积赋值为1，否则赋值为0；将所述第一向量点积进行二值化后得到的值作为矩阵元素，得到所述光学标记点在t1时刻对应的矩阵M1；
第二判断单元，用于依次判断所述第二向量点积集合中各第二向量点积的值是否大于零；若所述第二向量点积的值大于零，则将所述第二向量点积赋值为1，否则赋值为0；将所述第二向量点积进行二值化后得到的值作为矩阵元素，得到所述光学标记点在t2时刻对应的矩阵M2。
7.根据权利要求5所述的光学标记点序号误识别检测装置，其特征在于，所述光学标记点序号误识别检测装置还包括：
第二获取模块，用于获取被捕捉部位表面所有光学标记点的序号信息；
分类模块，用于根据预置分类配置，对所述光学标记点序号进行分类，得到分类结果，并基于所述分类结果，分别得到所述被捕捉部位不同部位对应的光学标记点。
8.根据权利要求6所述的光学标记点序号误识别检测装置，其特征在于，所述判断模块具体用于：
分别获取矩阵M1中的元素与所述矩阵M2中的元素；
按照矩阵行列顺序，依次判断所述矩阵M1中的元素与所述矩阵M2中的元素是否相同；
若相同，则确定所述矩阵M1与所述矩阵M2对应被捕捉部位的光学标记点中不存在标序错误的光学标记点，否则确定存在。
9.一种光学标记点序号误识别检测设备，其特征在于，所述光学标记点序号误识别检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述光学标记点序号误识别检测设备执行如权利要求1-4中任一项所述的光学标记点序号误识别检测方法。
10.一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：所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述光学标记点序号误识别检测方法。
CN202010542826.6A 2020-06-15 2020-06-15 光学标记点序号误识别检测方法、装置、设备及存储介质 Active CN111681268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010542826.6A CN111681268B (zh) 2020-06-15 2020-06-15 光学标记点序号误识别检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010542826.6A CN111681268B (zh) 2020-06-15 2020-06-15 光学标记点序号误识别检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111681268A true CN111681268A (zh) 2020-09-18
CN111681268B CN111681268B (zh) 2023-06-02

Family

ID=72436091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010542826.6A Active CN111681268B (zh) 2020-06-15 2020-06-15 光学标记点序号误识别检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111681268B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465857A (zh) * 2020-12-11 2021-03-09 深圳市瑞立视多媒体科技有限公司 追踪刚体位置信息的方法及其装置、设备、存储介质
CN112508992A (zh) * 2020-12-11 2021-03-16 深圳市瑞立视多媒体科技有限公司 基于1€滤波追踪刚体位置信息的方法及其装置、设备
CN117523678A (zh) * 2024-01-04 2024-02-06 广东茉莉数字科技集团股份有限公司 一种基于光学动作数据的虚拟主播区分方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100232681A1 (en) * 2009-03-12 2010-09-16 Omron Corporation Three-dimensional vision sensor
CN101894377A (zh) * 2010-06-07 2010-11-24 中国科学院计算技术研究所 三维标记点序列的跟踪方法及其系统
CN110728754A (zh) * 2019-10-10 2020-01-24 深圳市瑞立视多媒体科技有限公司 刚体标记点识别方法、装置、设备及存储介质
CN111179339A (zh) * 2019-12-13 2020-05-19 深圳市瑞立视多媒体科技有限公司 基于三角测量的坐标定位方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100232681A1 (en) * 2009-03-12 2010-09-16 Omron Corporation Three-dimensional vision sensor
CN101894377A (zh) * 2010-06-07 2010-11-24 中国科学院计算技术研究所 三维标记点序列的跟踪方法及其系统
CN110728754A (zh) * 2019-10-10 2020-01-24 深圳市瑞立视多媒体科技有限公司 刚体标记点识别方法、装置、设备及存储介质
CN111179339A (zh) * 2019-12-13 2020-05-19 深圳市瑞立视多媒体科技有限公司 基于三角测量的坐标定位方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465857A (zh) * 2020-12-11 2021-03-09 深圳市瑞立视多媒体科技有限公司 追踪刚体位置信息的方法及其装置、设备、存储介质
CN112508992A (zh) * 2020-12-11 2021-03-16 深圳市瑞立视多媒体科技有限公司 基于1€滤波追踪刚体位置信息的方法及其装置、设备
CN112508992B (zh) * 2020-12-11 2022-04-19 深圳市瑞立视多媒体科技有限公司 一种追踪刚体位置信息的方法及其装置、设备
CN117523678A (zh) * 2024-01-04 2024-02-06 广东茉莉数字科技集团股份有限公司 一种基于光学动作数据的虚拟主播区分方法及系统
CN117523678B (zh) * 2024-01-04 2024-04-05 广东茉莉数字科技集团股份有限公司 一种基于光学动作数据的虚拟主播区分方法及系统

Also Published As

Publication number Publication date
CN111681268B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN110555889B (zh) 一种基于CALTag和点云信息的深度相机手眼标定方法
Hu et al. Deep charuco: Dark charuco marker pose estimation
Dubois et al. An autoregressive model approach to two-dimensional shape classification
JP6573354B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN111681268A (zh) 光学标记点序号误识别检测方法、装置、设备及存储介质
US8144193B2 (en) Work piece tracking system and method
Marton et al. Hierarchical object geometric categorization and appearance classification for mobile manipulation
US20180260669A1 (en) Image processing apparatus, image processing method, template generation apparatus, object recognition processor, and object recognition processing program
US11205276B2 (en) Object tracking method, object tracking device, electronic device and storage medium
WO2012066769A1 (en) Information processing apparatus and information processing method
US20100215257A1 (en) Capturing and recognizing hand postures using inner distance shape contexts
EP3376433B1 (en) Image processing apparatus, image processing method, and image processing program
KAYMAK et al. Implementation of object detection and recognition algorithms on a robotic arm platform using raspberry pi
KR20170036747A (ko) 장면 내 키포인트를 추적하기 위한 방법
Cheng et al. A vision-based robot grasping system
Lambrecht et al. Towards the usage of synthetic data for marker-less pose estimation of articulated robots in rgb images
Lambrecht Robust few-shot pose estimation of articulated robots using monocular cameras and deep-learning-based keypoint detection
CN109993116B (zh) 一种基于人体骨骼相互学习的行人再识别方法
CN110991292A (zh) 动作识别比对方法、系统、计算机存储介质和电子装置
Meza et al. Markerpose: robust real-time planar target tracking for accurate stereo pose estimation
Switonski et al. Dynamic time warping in gait classification of motion capture data
JP2009216480A (ja) 三次元位置姿勢計測方法および装置
Li et al. Online workpieces recognition for the robotic spray-painting production line with a low-cost RGB-D camera
JP7277116B2 (ja) 情報処理装置、情報処理方法及びプログラム
Domhof et al. Multimodal joint visual attention model for natural human-robot interaction in domestic environments

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