CN112102506B - 物体的采样点集合的获取方法、装置、设备以及存储介质 - Google Patents

物体的采样点集合的获取方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN112102506B
CN112102506B CN202011025939.5A CN202011025939A CN112102506B CN 112102506 B CN112102506 B CN 112102506B CN 202011025939 A CN202011025939 A CN 202011025939A CN 112102506 B CN112102506 B CN 112102506B
Authority
CN
China
Prior art keywords
model
sampling
point set
correction
sampling point
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
CN202011025939.5A
Other languages
English (en)
Other versions
CN112102506A (zh
Inventor
邹智康
叶晓青
谭啸
孙昊
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011025939.5A priority Critical patent/CN112102506B/zh
Publication of CN112102506A publication Critical patent/CN112102506A/zh
Application granted granted Critical
Publication of CN112102506B publication Critical patent/CN112102506B/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
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts

Landscapes

  • Engineering & Computer Science (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了物体的采样点集合的获取方法、装置、设备以及存储介质，涉及人工智能技术，具体为计算机视觉技术领域、物联网技术领域。该物体的采样点集合的获取方法包括：对初始物体3D模型进行坐标轴对称校正，得到关于坐标轴对称的校正物体3D模型；对初始物体3D模型和校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵；对校正物体3D模型进行采样，得到校正物体3D模型的采样点集合；采用旋转矩阵和平移矩阵，将校正物体3D模型的采样点集合映射到初始物体3D模型所在的原始坐标系上，得到初始物体3D模型在原始坐标系上的采样点集合，从而有效解决对称物体不关于坐标轴对称所引发的对称歧义问题，有助于减少后续对物体姿态估计的误差。

Description

物体的采样点集合的获取方法、装置、设备以及存储介质
技术领域
本申请涉及计算机技术领域，具体为计算机视觉技术领域、物联网技术等人工智能领域，尤其涉及物体的采样点集合的获取方法、装置、设备以及存储介质。
背景技术
物体的姿态估计对于智能机器人抓取和自动驾驶等技术起着重要的作用。目前的物体姿态估计技术主要是通过各种策略，例如2D关键点直接检测、像素级的热度图预测或像素级的方向向量场预测来得到3D物体在图像中的2D关键点位置。
发明内容
本申请实施例提供了物体的采样点集合的获取方法、装置、设备以及存储介质。
第一方面，本申请实施例提供了物体的采样点集合的获取方法，包括：对初始物体3D模型进行坐标轴对称校正，得到关于坐标轴对称的校正物体3D模型；对所述初始物体3D模型和所述校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵；对所述校正物体3D模型进行采样，得到校正物体3D模型的采样点集合；采用所述旋转矩阵和平移矩阵，将所述校正物体3D模型的采样点集合映射到所述初始物体3D模型所在的原始坐标系上，得到所述初始物体3D模型在原始坐标系上的采样点集合。
第二方面，本申请实施例提供了物体的采样点集合的获取装置，包括：校正模块，被配置为对初始物体3D模型进行坐标轴对称校正，得到关于坐标轴对称的校正物体3D模型；刚性转换模块，被配置为对所述初始物体3D模型和所述校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵；采样模块，被配置为对所述校正物体3D模型进行采样，得到校正物体3D模型的采样点集合；映射模块，被配置为采用所述旋转矩阵和平移矩阵，将所述校正物体3D模型的采样点集合映射到所述初始物体3D模型所在的原始坐标系上，得到所述初始物体3D模型在原始坐标系上的采样点集合。
第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
本申请实施例提供的物体的采样点集合的获取方法、装置、设备以及存储介质，首先对初始物体3D模型进行坐标轴对称校正，得到关于坐标轴对称的校正物体3D模型；之后对所述初始物体3D模型和所述校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵；而后对所述校正物体3D模型进行采样，得到校正物体3D模型的采样点集合；最后采用所述旋转矩阵和所述平移矩阵，将所述校正物体3D模型的采样点集合映射到所述初始物体3D模型所在的原始坐标系上，得到所述初始物体3D模型在原始坐标系上的采样点集合，从而有效解决对称物体不关于坐标轴对称所引发的对称歧义问题，有助于减少后续对物体姿态估计的误差。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是应用本申请实施方法的示例性系统架构图；
图2是根据本申请的物体的采样点集合的获取方法的一个实施例的流程示意图；
图3是根据本申请的物体2D模型采样点的获取方法的一个实施例的流程图；
图4是本申请的物体的采样点集合的获取装置的一个实施例的结构示意图；
图5是用来实现本申请实施例的物体的采样点集合的获取方法的电子设备的框图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
目前主流的物体姿态估计技术高度依赖于物体2D关键点的位置信息。现实场景中物体之间可能存在高度遮挡，从而可能引起物体2D关键点的可见部分的对称歧义问题，即图像中的物体可见部分与整个物体的表面有着多重对应的可能。当对称物体不关于坐标轴对称时，对称歧义问题会被进一步放大，并且若所选的物体3D关键点沿对称轴不对称，则引起预估的2D关键点与实际位置之间存在较大差异，进而影响物体姿态估计的精度。
图1示出了可以应用本申请的物体的采样点集合的获取方法或物体的采样点集合的获取装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括存储设备101、网络102、服务器103。网络102用以在存储设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
存储设备101可以通过网络102与服务器103交互。存储设备101中可以提供物体的3D模型，包括但不限于数据库、等等。
服务器103可以提供各种服务，例如服务器103可以对从存储设备101获取到的物体的3D模型等数据进行分析等处理，生成处理结果(例如物体3D模型的采样点集合)。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的物体的采样点集合的获取方法一般由服务器103执行，相应地，物体的采样点集合的获取装置一般设置于服务器103中。
应该理解，图1中的存储设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的存储设备、网络和服务器。
继续参考图2，示出了根据本申请的物体的采样点集合的获取方法的一个实施例的流程200。该物体的采样点集合的获取方法，包括以下步骤：
步骤201，对初始物体3D模型进行坐标轴对称校正，得到关于坐标轴对称的校正物体3D模型。
在本实施例中，物体的采样点集合的获取方法的执行主体(例如图1所示的服务器103)可以对初始物体3D模型进行坐标轴对称校正。在空间中，物体具有六个自由度，即沿x、y、z三个直角坐标轴方向的移动自由度和绕x、y、z三个直角坐标轴的转动自由度。
对初始物体3D模型进行坐标轴对称校正的方法，可以为现有技术或未来发展的技术中的对物体3D模型进行坐标轴对称校正的方法。具体地，做模型校正使用的能调整3D模型的软件都可以。示例性地，上述执行主体可以通过Blender软件将不对称的物体3D模型进行x、y两个直角坐标轴对称校正，得到关于x、y两个直角坐标轴对称的校正物体3D模型。
步骤202，对初始物体3D模型和校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵。
在本实施例中，上述执行主体可以对初始物体3D模型和校正物体3D模型进行刚性转换。刚性转换又称刚性变换，是指只有物体的位置(平移变换)和朝向(旋转变换)发生改变，而物体形状不变的变换。其中，根据物体位置的改变可以得到物体平移变换的平移矩阵，根据物体朝向的改变可以得到物体旋转变换的旋转矩阵。例如，将物体每
Figure BDA0002702113190000051
其中，tx、ty,、tz分别是对应的点在X轴、Y轴、Z轴的平移距离，r11、r12、r13、r21、r22、r23、r31、r32、r33均为以旋转角度为自变量的函数，r11是3x3矩阵中第一行第一列关于旋转角度的函数，以此类推。
假设初始物体3D模型为P0，校正物体3D模型Pm。分别计算Pm→P0的旋转矩阵R，平移矩阵T。那么，初始物体3D模型P0和校正物体3D模型Pm满足如下函数关系：
Figure BDA0002702113190000052
步骤203，对校正物体3D模型进行采样，得到校正物体3D模型的采样点集合。
在本实施例中，上述执行主体可以对校正物体3D模型进行采样，得到校正物体3D模型的采样点集合。其中，校正物体3D模型的采样点集合关于坐标轴对称。示例性地，可以只对校正物体3D模型在对称轴正轴的点进行采集，然后通过对称关系将采集到的点集合映射到负轴一端。本实施例中校正物体3D模型的采样点集合关于坐标轴对称，可以提高神经网络模型学习的精度，减小姿态估计的误差。
步骤204，采用旋转矩阵和平移矩阵，将校正物体3D模型的采样点集合映射到初始物体3D模型所在的原始坐标系上，得到初始物体3D模型在原始坐标系上的采样点集合。
在本实施例中，上述执行主体可以将校正物体3D模型的采样点集合映射到初始物体3D模型所在的原始坐标系上。具体地，利用初始物体3D模型P0和校正物体3D模型Pm之间的如下函数关系计算初始物体3D模型在原始坐标系上的采样点集合：
Figure BDA0002702113190000061
与现有技术相比，本申请实施例有效解决了对称物体不关于坐标轴对称所引起的对称歧义问题。由于实际场景中普遍存在着物体之间相互遮挡的情况，由此导致的对称歧义性对于神经网络模型对物体姿态的估计是一个严重的负担，大大的降低了神经网络模型的估计精度。本申请实施例通过对物体模型作对称校正，然后对应生成对称的采样点一方面促进神经网络模型的拟合，另一方面提高物体姿态预测的准确性。
在本实施例的一些可选的实施方式中，关于对校正物体3D模型的采样，可以采用最远点采样法(Farthest Point Sampling,FPS)对校正物体3D模型进行采样，得到校正物体3D模型的采样点集合。具体地，在对校正物体3D模型进行采样时，可以只对校正物体3D模型在对称轴正轴的最远点进行采样，然后通过对称关系映射到负轴一端。选取校正物体3D模型的最远点作为采样点可以更好地覆盖物体3D模型中的所有点。
采用FPS采样过程如下：假设物体3D模型点云一共有n个点,整个点集为N＝{f1,f2,…,fn}，总共要采集n1个点，其中n1>1，那么：
步骤一：随机选取一个点fi(一般为点云中心)为起始点，并写入起始点集B＝{fi}；
步骤二：选取剩余n-1个点计算和fi点的距离，选择最远点fj写入起始点集B＝{fi,fj}；
步骤三：选取剩余n-2个点计算和点集B中每个点的距离,将最短的那个距离作为该点到点集B的距离,这样得到n-2个到点集的距离，选取最远的那个点写入起始点B＝{fi,fj,fk},重复上面步骤直到对称轴正轴(举例来说，X>0的半轴)有n1/2个采样点为止，然后将这些采样点关于对称轴作对称得到另外n1/2个采样点。将这些采样点拼起来得到共n1个采样点。
在本实施例的一些可选的实施方式中，关于初始物体3D模型和校正物体3D模型之间的刚性转换，可以采用迭代最近点法(Iterative Closest Point,ICP)对初始物体3D模型和校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵。ICP算法是一种点集对点集配准方法，它基于最小二乘法的最优匹配，重复进行“确定对应关系的点集→计算最优刚性变换”的过程，直到表示正确匹配的收敛准则得到满足。采用ICP算法可以在不需要对物体3D模型的点集进行分割和特征提取的前提下，获得精准的配准效果，从而得到更为精准的旋转矩阵和平移矩阵。
在本实施例的一些可选的实施方式中，关于对校正物体3D模型的采样，可以对校正物体3D模型的关键点进行采样，其中，该关键点覆盖校正物体3D模型预定阈值范围的点集合。其中，校正物体3D模型的关键点是指能够更好地表征物体姿态信息的特征点。优选地，所采样的校正物体3D模型关键点集合覆盖该模型预定阈值范围(例如90％)的点集合。对物体模型的关键点进行采样可以让神经网络模型更好地学习到物体的姿态信息，更好的覆盖校正物体模型中的所有点。
进一步参考图3，其示出了根据本申请的物体2D模型采样点的获取方法的一个实施例的流程图，其中，该物体2D模型采样点的获取方法中的步骤301-304的具体处理及其所带来的技术效果与图2对应实施例中的步骤201-204相同，在此不再赘述。该物体2D模型采样点的获取方法还包括以下步骤：
步骤305，获取初始物体3D模型的姿态标签信息。
在本实施例中，初始物体3D模型和校正物体3D模型对应同一个姿态标签。其中，姿态标签表征物体所处的姿态信息，姿态标签指的是训练神经网络时数据集提供的姿态信息，作为一个默认的标注信息来使用。步骤306，基于姿态标签信息、相机内参和初始物体3D模型在原始坐标系上的采样点集合，得到包含姿态标签信息的物体2D模型的采样点集合。
在本实施例中，上述执行主体可以基于姿态标签信息、相机内参和初始物体3D模型在原始坐标系上的采样点集合，得到包含姿态标签信息的物体2D模型的采样点集合。其中，可以基于姿态标签信息、相机内参、初始物体3D模型的采样点集合与物体2D模型的采样点集合之间的函数映射关系，确定包含姿态标签信息的物体2D模型的采样点集合。相机内参是指对得到初始物体3D模型的实物拍照时的相机进行标定所得到的与相机自身特性相关的参数，比如相机的焦距、像素大小等。相机内参用来将相机坐标系映射到图像坐标系来使用。例如，假设初始物体3D模型的采样点集合是P0，姿态信息标签为E，相机内参为K，则物体2D模型的采样点集合为p0＝KEP0。其中，相机内参的类型不同，其对应的3D模型转2D模型的函数映射关系也不同。在本实施例中，包含姿态标签信息的物体的2D模型是指与初始物体3D模型相对应的物体2D模型，初始物体3D模型与该物体的2D模型对应同一个姿态标签信息。
在本申请实施例中，通过将初始物体3D模型的采样点集合转换成2D模型的采样点集合，方便后续神经网络模型对物体2D模型的采样点进行学习。
本申请实施例还提供一种姿态估计模型的生成方法，包括以下步骤：
采用上述任一根据本申请的物体的采样点集合的获取方法的实施例，确定包含姿态标签信息的物体2D模型的采样点集合；将包含姿态标签信息的物体2D模型的采样点集合作为姿态估计模型的输入，将所述包含姿态标签信息的物体2D模型的采样点集合的姿态标签信息作为姿态估计模型的期望输出，对所述姿态估计模型进行训练，得到已训练完成的姿态估计模型。
在本本申请实施例中，上述执行主体可以将通过步骤306得到的物体2D模型的采样点集合作为姿态估计模型的输入，将通过步骤305得到的物体2D模型的姿态标签信息作为姿态估计模型的期望输出，对姿态估计模型进行训练，得到已训练完成的姿态估计模型。这里的姿态估计模型可以是未经训练的姿态估计模型或未训练完成的姿态估计模型。未经训练的姿态估计模型的各层可以设置初始参数，参数在训练过程中可以被不断调整。未经训练的姿态估计模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型，例如未经训练的姿态估计模型可以是未经训练的卷积神经网络，也可以是未经训练的循环神经网络，还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种物体的采样点集合的获取的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的物体的采样点集合的获取装置400可以包括：校正模块401、刚性转换模块402、采样模块403、映射模块404。其中，校正模块401，被配置为对初始物体3D模型进行坐标轴对称校正，得到关于坐标轴对称的校正物体3D模型；刚性转换模块402，被配置为对所述初始物体3D模型和所述校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵；采样模块403，被配置为对所述校正物体3D模型进行采样，得到校正物体3D模型的采样点集合；映射模块404，被配置为采用所述旋转矩阵和平移矩阵，将所述校正物体3D模型的采样点集合映射到所述初始物体3D模型所在的原始坐标系上，得到所述初始物体3D模型在原始坐标系上的采样点集合。
在本实施例中，物体的采样点集合的获取装置400中：校正模块401、刚性转换模块402、采样模块403、映射模块404的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，所述采样模块进一步被配置成：采用最远点采样法对所述校正物体3D模型进行采样，得到校正物体3D模型的采样点集合。
在本实施例的一些可选的实现方式中，所述刚性转换模块进一步被配置成：采用迭代最近点法对所述初始物体3D模型和所述校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵。
在本实施例的一些可选的实现方式中，所述采样模块进一步被配置为：对校正物体3D模型的关键点进行采样，其中，所述关键点覆盖所述校正物体3D模型预定阈值范围的点集合。
在本实施例的一些可选的实现方式中，所述装置还包括：获取模块，被配置为获取所述初始物体3D模型的姿态标签信息；2D模型转换模块，被配置为基于所述姿态标签信息、相机内参和所述初始物体3D模型在原始坐标系上的采样点集合，得到包含姿态标签信息的物体2D模型的采样点集合。
本申请实施例还提供了一种姿态估计模型的生成装置，包括：确定模块，被配置为采用上述包含2D模型转换模块的物体的采样点集合的获取装置，确定包含姿态标签信息的物体2D模型的采样点集合；训练模块，被配置为将包含姿态标签信息的物体2D模型的采样点集合作为姿态估计模型的输入，将所述包含姿态标签信息的物体2D模型的采样点集合的姿态标签信息作为姿态估计模型的期望输出，对所述姿态估计模型进行训练，得到已训练完成的姿态估计模型。
在本实施例中，姿态估计模型的生成装置中：确定模块、训练模块的具体处理及其所带来的技术效果可分别参考姿态估计模型的生成方法实施例中的两个步骤的相关说明，在此不再赘述。
如图5所示，是根据本申请实施例物体的采样点集合的获取方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的物体的采样点集合的获取方法。本申请的非瞬时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计算机执行本申请所提供的物体的采样点集合的获取方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的物体的采样点集合的获取方法对应的程序指令/模块(例如，附图4所示的校正模块401、刚性转换模块402、采样模块403、映射模块404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的物体的采样点集合的获取方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据物体的采样点集合的获取方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至物体的采样点集合的获取方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
物体的采样点集合的获取方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与物体的采样点集合的获取方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请的技术方案，首先对初始物体3D模型进行坐标轴对称校正，得到关于坐标轴对称的校正物体3D模型；之后对所述初始物体3D模型和所述校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵；而后对所述校正物体3D模型进行采样，得到校正物体3D模型的采样点集合；最后采用所述旋转矩阵和所述平移矩阵，将所述校正物体3D模型的采样点集合映射到所述初始物体3D模型所在的原始坐标系上，得到所述初始物体3D模型在原始坐标系上的采样点集合，从而有效解决对称物体不关于坐标轴对称所引发的对称歧义问题，有助于减少后续对物体姿态估计的误差。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种物体的采样点集合的获取方法，包括：
对初始物体3D模型进行坐标轴对称校正，得到关于坐标轴对称的校正物体3D模型；
对所述初始物体3D模型和所述校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵；
对所述校正物体3D模型进行采样，得到校正物体3D模型的采样点集合；
采用所述旋转矩阵和所述平移矩阵，将所述校正物体3D模型的采样点集合映射到所述初始物体3D模型所在的原始坐标系上，得到所述初始物体3D模型在原始坐标系上的采样点集合。
2.根据权利要求1所述的方法，所述对所述校正物体3D模型进行采样，得到校正物体3D模型的采样点集合，包括：
采用最远点采样法对所述校正物体3D模型进行采样，得到校正物体3D模型的采样点集合。
3.根据权利要求1所述的方法，所述对所述初始物体3D模型和所述校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵包括：
采用迭代最近点法对所述初始物体3D模型和所述校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵。
4.根据权利要求1所述的方法，所述对校正物体3D模型进行采样包括：
对校正物体3D模型的关键点进行采样，其中，所述关键点覆盖所述校正物体3D模型预定阈值范围的点集合。
5.根据权利要求1-4中任一项所述的方法，还包括：
获取所述初始物体3D模型的姿态标签信息；
基于所述姿态标签信息、相机内参和所述初始物体3D模型在原始坐标系上的采样点集合，得到包含姿态标签信息的物体2D模型的采样点集合。
6.一种姿态估计模型的生成方法，包括：
采用如权利要求5所述的方法，确定包含姿态标签信息的物体2D模型的采样点集合；
将包含姿态标签信息的物体2D模型的采样点集合作为姿态估计模型的输入，将所述包含姿态标签信息的物体2D模型的采样点集合的姿态标签信息作为姿态估计模型的期望输出，对所述姿态估计模型进行训练，得到已训练完成的姿态估计模型。
7.一种物体的采样点集合的获取装置，其特征在于，所述装置包括：
校正模块，被配置为对初始物体3D模型进行坐标轴对称校正，得到关于坐标轴对称的校正物体3D模型；
刚性转换模块，被配置为对所述初始物体3D模型和所述校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵；
采样模块，被配置为对所述校正物体3D模型进行采样，得到校正物体3D模型的采样点集合；
映射模块，被配置为采用所述旋转矩阵和所述平移矩阵，将所述校正物体3D模型的采样点集合映射到所述初始物体3D模型所在的原始坐标系上，得到所述初始物体3D模型在原始坐标系上的采样点集合。
8.根据权利要求7所述的装置，其中，所述采样模块进一步被配置成：
采用最远点采样法对所述校正物体3D模型进行采样，得到校正物体3D模型的采样点集合。
9.根据权利要求7所述的装置，其中，所述刚性转换模块进一步被配置成：
采用迭代最近点法对所述初始物体3D模型和所述校正物体3D模型进行刚性转换，得到旋转矩阵和平移矩阵。
10.根据权利要求7所述的装置，其中，所述采样模块进一步被配置为：
对校正物体3D模型的关键点进行采样，其中，所述关键点覆盖所述校正物体3D模型预定阈值范围的点集合。
11.根据权利要求7-10中任一项所述的装置，所述装置还包括：
获取模块，被配置为获取所述初始物体3D模型的姿态标签信息；
2D模型转换模块，被配置为基于所述姿态标签信息、相机内参和所述初始物体3D模型在原始坐标系上的采样点集合，得到包含姿态标签信息的物体2D模型的采样点集合。
12.一种姿态估计模型的生成装置，包括：
确定模块，被配置为采用如权利要求11所述的装置，确定包含姿态标签信息的物体2D模型的采样点集合；
训练模块，被配置为将包含姿态标签信息的物体2D模型的采样点集合作为姿态估计模型的输入，将所述包含姿态标签信息的物体2D模型的采样点集合的姿态标签信息作为姿态估计模型的期望输出，对所述姿态估计模型进行训练，得到已训练完成的姿态估计模型。
13.一种电子设备，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权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
CN202011025939.5A 2020-09-25 2020-09-25 物体的采样点集合的获取方法、装置、设备以及存储介质 Active CN112102506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011025939.5A CN112102506B (zh) 2020-09-25 2020-09-25 物体的采样点集合的获取方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011025939.5A CN112102506B (zh) 2020-09-25 2020-09-25 物体的采样点集合的获取方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN112102506A CN112102506A (zh) 2020-12-18
CN112102506B true CN112102506B (zh) 2023-07-07

Family

ID=73755526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011025939.5A Active CN112102506B (zh) 2020-09-25 2020-09-25 物体的采样点集合的获取方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN112102506B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296693A (zh) * 2016-08-12 2017-01-04 浙江工业大学 基于3d点云fpfh特征实时三维空间定位方法
CN110059579A (zh) * 2019-03-27 2019-07-26 北京三快在线科技有限公司 用于活体检验的方法和装置，电子设备和存储介质
CN111462238A (zh) * 2020-04-03 2020-07-28 清华大学 姿态估计优化方法、装置及存储介质
CN111540040A (zh) * 2020-04-20 2020-08-14 上海曼恒数字技术股份有限公司 一种基于点云数据进行模型构建方法、装置、存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017156243A1 (en) * 2016-03-11 2017-09-14 Siemens Aktiengesellschaft Deep-learning based feature mining for 2.5d sensing image search
CN109214980B (zh) * 2017-07-04 2023-06-23 阿波罗智能技术(北京)有限公司 一种三维姿态估计方法、装置、设备和计算机存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296693A (zh) * 2016-08-12 2017-01-04 浙江工业大学 基于3d点云fpfh特征实时三维空间定位方法
CN110059579A (zh) * 2019-03-27 2019-07-26 北京三快在线科技有限公司 用于活体检验的方法和装置，电子设备和存储介质
CN111462238A (zh) * 2020-04-03 2020-07-28 清华大学 姿态估计优化方法、装置及存储介质
CN111540040A (zh) * 2020-04-20 2020-08-14 上海曼恒数字技术股份有限公司 一种基于点云数据进行模型构建方法、装置、存储介质

Also Published As

Publication number Publication date
CN112102506A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN111694429B (zh) 虚拟对象驱动方法、装置、电子设备及可读存储
US10740694B2 (en) System and method for capture and adaptive data generation for training for machine vision
US11615605B2 (en) Vehicle information detection method, electronic device and storage medium
CN111753961B (zh) 模型训练方法和装置、预测方法和装置
CN111709973B (zh) 目标跟踪方法、装置、设备及存储介质
CN111612852B (zh) 用于验证相机参数的方法和装置
CN110264509A (zh) 确定图像捕捉设备的位姿的方法、装置及其存储介质
CN112270669B (zh) 人体3d关键点检测方法、模型训练方法及相关装置
KR102498439B1 (ko) 차량용 카메라의 외부 파라미터 캘리브레이션 방법, 장치, 시스템 및 저장매체
CN111767853B (zh) 车道线检测方法和装置
CN111739005B (zh) 图像检测方法、装置、电子设备及存储介质
CN111401251B (zh) 车道线提取方法、装置、电子设备及计算机可读存储介质
CN110782492B (zh) 位姿跟踪方法及装置
JP2021101365A (ja) 測位方法、測位装置及び電子機器
WO2021218542A1 (zh) 基于视觉感知设备的机器人本体坐标系的空间标定方法、装置和存储介质
CN111680596B (zh) 基于深度学习的定位真值校验方法、装置、设备及介质
CN110706262B (zh) 图像处理方法、装置、设备及存储介质
CN112489102A (zh) 三维重建方法、装置、设备以及存储介质
CN111652113A (zh) 障碍物检测方法、装置、设备以及存储介质
CN111833391B (zh) 图像深度信息的估计方法及装置
CN111784842B (zh) 三维重建方法、装置、设备及可读储存介质
CN111523467B (zh) 人脸跟踪方法和装置
CN113592015A (zh) 定位以及训练特征匹配网络的方法和装置
CN112102506B (zh) 物体的采样点集合的获取方法、装置、设备以及存储介质
CN113628284B (zh) 位姿标定数据集生成方法、装置、系统、电子设备及介质

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