CN112200771A - 一种高度测量方法、装置、设备和介质 - Google Patents
一种高度测量方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112200771A CN112200771A CN202010959267.9A CN202010959267A CN112200771A CN 112200771 A CN112200771 A CN 112200771A CN 202010959267 A CN202010959267 A CN 202010959267A CN 112200771 A CN112200771 A CN 112200771A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- image
- determining
- pixel
- target
- 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 68
- 238000012545 processing Methods 0.000 claims description 33
- 238000013135 deep learning Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 42
- 238000012937 correction Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高度测量方法、装置、设备和介质，该方法中获取双目相机采集的图像对中的基准图像，及基准图像的深度图像；基于预先训练完成的深度学习网络模型，确定基准图像中地面区域的掩膜图像；根据深度图像以及掩膜图像，确定地面区域的目标拟合平面；根据地面区域的目标拟合平面及深度图像中任一像素点的深度值，确定该像素点相对于地面区域的高度。由于本发明实施例中可以自动确定出地面区域的目标拟合平面，根据地面区域的目标拟合平面以及像素点的深度值，即可以确定出像素点相对于地面区域的高度，从而提高了确定像素点的高度的自动化程度，提升了用户体验。
Description
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种高度测量方法、装置、设备和介质。
背景技术
高度是描述一个目标的重要特征，在很多应用场景下需要估计目标的高度，例如在起立检测、跌倒检测、景区及车站的儿童身高检测、基于手机应用的人体身高检测等。实际场景中获取的目标人体三维信息包括宽度、高度、目标人体距摄像头的距离等多种三维信息，具体的获取三维信息中的高度信息时，常用民用级别的双目相机、深度图像(RGB-Depth Map，RGB-D)相机、以及体感器设备(Kinect)来实现。
现有技术中通过Kinect景深图像测量目标人体的身高时，是基于景深图像中目标人体的深度像素宽度、以及采集景深图像时目标人体距离摄像头的距离，确定目标人体的身高的。其中，该深度像素宽度为景深图像中目标人体最左像素点的横坐标值减去目标人体最右像素点的横坐标值确定的数值。
图1为现有技术提供的一种通过景深图像确定目标人体身高的过程示意图，该过程包括以下步骤：
S101：通过Kinect设备获取人体景深图像。
S102：获得目标人体像素点。
S103：通过对目标人体像素点的遍历和比较，获得目标人体最高像素点、目标人体最低像素点、目标人体最左像素点和目标人体最右像素点。
S104：将目标人体最高像素点减去目标人体最低像素点，得到目标人体的深度像素高度；将目标人体最左像素点减去目标人体最右像素点，得到目标人体的深度像素宽度。
S105：获得Kinect摄像头和目标人体“髋部中心”骨骼点之间的距离，将之作为目标人体的深度值。
S106：根据目标人体的深度值和深度像素宽度，计算目标人体的实际宽度。
S107：根据目标人体的实际宽度和深度像素宽度，确定目标人体的实际宽度与深度像素宽度的比值。
S108：根据目标人体的实际宽度与深度像素宽度的比值、以及目标人体的深度像素高度，计算目标人体的实际身高。
由于通过上述方法确定目标人体身高时，基于Kinect设备来获取场景深度信息，Kinect设备的测距范围较小，且硬件更容易损坏，因此不适用于需要长期处于待机状态的监控领域；并且在Kinect设备存在左右方向的倾斜角时，由于像素最高点和像素最低点不是目标人体真实的最高点和最低点，因此导致测量的身高将出现偏差。
因此为了增加测量目标人体身高方法的应用领域，且提高测量的目标人体身高的准确性，现有技术中常通过双目相机来测量目标人体身高。这是由于双目相机成本更低，测距范围更远，同时受环境光影响更小，可以适用于室内室外的各种场景。并且由于双目相机可以由两个单目相机组成，且现在的手机、平板通常等智能终端设备都带有两个甚至更多的摄像头，因此，基于双目相机的高度测量方法更易推广。
在进行高度测量时，还需要一个基准，即目标是相对于哪个位置的高度。在实际应用中，基准通常选取的是地面，例如测量目标人体高度，是测量目标人体从站立的地面到头顶的高度；描述相机的高度、俯仰角以及倾斜角时也是以地面为基准。
而现有的基于双目相机进行目标人体身高的测量时，主要是利用双目相机拍摄场景图像，获取场景图像中目标人体的人头尖点的图像坐标；根据人头尖点的图像坐标获取双目相机生成的人头尖点对应的深度信息；计算人头尖点在摄像机坐标系下的三维坐标；根据人头尖点的三维坐标，和双目相机的俯仰角、倾斜角，测量目标人体的身高。
由于目标人体的身高的测量依赖于相机高度、俯仰角和倾斜角，这些参数需要手动选取地面区域进行现场标定，操作难度大，且一旦相机位置发生变化就需要重新标定，因此现有的目标人体身高测量方法的自动化程度低，导致用户体验差。
发明内容
本发明实施例提供了一种高度测量方法、装置、设备和介质，用以解决现有技术中目标人体身高测量方法的自动化程度低，导致用户体验差的问题。
本发明实施例提供了一种高度测量方法，所述方法包括：
获取双目相机采集的图像对中的基准图像，及所述基准图像的深度图像；
基于预先训练完成的深度学习网络模型，确定所述基准图像中地面区域的掩膜图像；
根据所述深度图像以及所述掩膜图像，确定地面区域的目标拟合平面；
根据所述地面区域的目标拟合平面及所述深度图像中任一像素点的深度值，确定该像素点相对于地面区域的高度。
进一步地，所述获取所述基准图像的深度图像，包括：
获取所述图像对中除所述基准图像之外的其他图像，对所述基准图像与所述其他图像进行矫正处理；
针对矫正处理后的其他图像中的每个目标上的任一像素点，根据该像素点与矫正处理后的基准图像中该目标上任一像素点的相似度，确定矫正处理后的基准图像中该目标上与该像素点相似度最高的目标像素点，根据该像素点及该目标像素点的位置，确定该像素点对应的视差值；
根据矫正处理后的其他图像中每个像素点对应的视差值、以及预先保存的深度值与视差值的函数关系，确定矫正处理后的其他图像中每个像素点的深度值；
根据矫正处理后的其他图像中每个像素点的深度值，获取所述基准图像的深度图像。
进一步地，所述根据该像素点及该目标像素点的位置，确定该像素点对应的视差值，包括：
根据该像素点的位置，确定该像素点在矫正处理后的基准图像中对应的第一位置；
根据所述第一位置与该目标像素点在矫正处理后的基准图像中的第二位置在水平方向上间隔像素点的数量，将所述数量确定为该像素点对应的视差值。
进一步地，所述根据所述深度图像以及所述掩膜图像，确定地面区域的目标拟合平面，包括：
根据所述深度图像以及所述掩膜图像，确定所述深度图像中位于地面区域的像素点的第一点集；
根据所述第一点集中每个第一像素点的深度值、所述每个第一像素点在所述深度图像中的坐标，确定所述每个第一像素点的三维坐标；
根据所述每个第一像素点的三维坐标，确定地面区域的目标拟合平面。
进一步地，所述根据第一点集中第一像素点的深度值、以及第一像素点的像素坐标，确定第一像素点的三维坐标之前，所述方法还包括：
根据预先确定的深度值范围和/或像素坐标范围，及所述第一点集中每个第一像素点的深度值和/或坐标值，采用位于所述深度值范围和/或像素坐标范围内第一像素点对所述第一点集更新。
进一步地，所述根据第一像素点的三维坐标，确定地面区域的目标拟合平面，包括：
每次基于随机选择的第一点集中设定数量的第二像素点，进行以下操作：
根据所述设定数量的第二像素点的三维坐标，确定地面区域的第一拟合平面；
确定所述第一点集中与所述第一拟合平面的距离不大于设定距离阈值的第三像素点的数量；
若所述第三像素点的数量满足条件，则确定所述第一拟合平面为所述地面区域的目标拟合平面；
否则，判断进行目标拟合平面确定的迭代次数是否达到设定次数阈值，若否，则重新在第一点集中随机选择设定数量的第二像素点，并根据重新选择的第二像素点进行下次操作。
进一步地，若进行目标拟合平面确定的迭代次数达到设定次数阈值，所述方法还包括：
确定设定的迭代次数中所述第三像素点数量与所述第一像素点数量的比例最高时的第二拟合平面，将所述第二拟合平面作为所述地面区域的目标拟合平面。
相应地，本发明实施例提供了一种高度测量装置，所述装置包括：
获取模块，用于获取双目相机采集的图像对中的基准图像，及所述基准图像的深度图像；
确定模块，用于基于预先训练完成的深度学习网络模型，确定所述基准图像中地面区域的掩膜图像；根据所述深度图像以及所述掩膜图像，确定地面区域的目标拟合平面；根据所述地面区域的目标拟合平面及所述深度图像中任一像素点的深度值，确定该像素点相对于地面区域的高度。
进一步地，所述获取模块，具体用于获取所述图像对中除所述基准图像之外的其他图像，对所述基准图像与所述其他图像进行矫正处理；针对矫正处理后的其他图像中的每个目标上的任一像素点，根据该像素点与矫正处理后的基准图像中该目标上任一像素点的相似度，确定矫正处理后的基准图像中该目标上与该像素点相似度最高的目标像素点，根据该像素点及该目标像素点的位置，确定该像素点对应的视差值；根据矫正处理后的其他图像中每个像素点对应的视差值、以及预先保存的深度值与视差值的函数关系，确定矫正处理后的其他图像中每个像素点的深度值；根据矫正处理后的其他图像中每个像素点的深度值，获取所述基准图像的深度图像。
进一步地，所述获取模块，具体用于根据该像素点的位置，确定该像素点在矫正处理后的基准图像中对应的第一位置；根据所述第一位置与该目标像素点在矫正处理后的基准图像中的第二位置在水平方向上间隔像素点的数量，将所述数量确定为该像素点对应的视差值。
进一步地，所述确定模块，具体用于根据所述深度图像以及所述掩膜图像，确定所述深度图像中位于地面区域的像素点的第一点集；根据所述第一点集中每个第一像素点的深度值、所述每个第一像素点在所述深度图像中的坐标，确定所述每个第一像素点的三维坐标；根据所述每个第一像素点的三维坐标，确定地面区域的目标拟合平面。
进一步地，所述装置还包括：
更新模块，用于根据预先确定的深度值范围和/或像素坐标范围，及所述第一点集中每个第一像素点的深度值和/或坐标值，采用位于所述深度值范围和/或像素坐标范围内第一像素点对所述第一点集更新。
进一步地，所述确定模块，具体用于每次基于随机选择的第一点集中设定数量的第二像素点，进行以下操作：根据所述设定数量的第二像素点的三维坐标，确定地面区域的第一拟合平面；确定所述第一点集中与所述第一拟合平面的距离不大于设定距离阈值的第三像素点的数量；若所述第三像素点的数量满足条件，则确定所述第一拟合平面为所述地面区域的目标拟合平面；否则，判断进行目标拟合平面确定的迭代次数是否达到设定次数阈值，若否，则重新在第一点集中随机选择设定数量的第二像素点，并根据重新选择的第二像素点进行下次操作。
进一步地，所述确定模块，具体还用于确定设定的迭代次数中所述第三像素点数量与所述第一像素点数量的比例最高时的第二拟合平面，将所述第二拟合平面作为所述地面区域的目标拟合平面。
相应地，本发明实施例提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于执行存储器中存储的计算机程序时实现上述高度测量方法中任一所述方法的步骤。
相应地，本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述高度测量方法中任一所述方法的步骤。
本发明实施例提供了一种高度测量方法、装置、设备和介质，该方法中获取双目相机采集的图像对中的基准图像，及基准图像的深度图像；基于预先训练完成的深度学习网络模型，确定基准图像中地面区域的掩膜图像；根据深度图像以及掩膜图像，确定地面区域的目标拟合平面；根据地面区域的目标拟合平面及深度图像中任一像素点的深度值，确定该像素点相对于地面区域的高度。由于本发明实施例中可以自动确定出地面区域的目标拟合平面，根据地面区域的目标拟合平面以及像素点的深度值，即可以确定出像素点相对于地面区域的高度，从而提高了确定像素点的高度的自动化程度，提升了用户体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为现有技术提供的一种通过景深图像确定人体身高的过程示意图；
图2为本发明实施例提供的一种高度测量方法的过程示意图；
图3为本发明实施例提供的一种对图像进行极线矫正的示意图；
图4为本发明实施例提供的一种确定像素点对应的视差值的示意图；
图5为本发明实施例提供的一种确定地面区域的目标拟合平面的过程示意图；
图6为本发明实施例提供的一种双目相机安装场景的模型示意图；
图7为本发明实施例提供的一种矫正处理后的左图像的示意图；
图8为本发明实施例提供的一种矫正处理后的右图像的示意图；
图9为本发明实施例提供的一种矫正处理后的右图像相对于矫正处理后的左图像的视差图像的示意图；
图10为本发明实施例提供的一种地面区域的掩膜图像的示意图；
图11为本发明实施例提供的一种地面区域的第一拟合平面的示意图；
图12为本发明实施例提供的一种确定的人体身高的示意图；
图13为本发明实施例提供的一种高度测量装置的结构示意图；
图14为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
为了提高高度测量方法的自动化程度，提升用户体验，本发明实施例提供了一种高度测量方法、装置、设备和介质。
实施例1：
图2为本发明实施例提供的一种高度测量方法的过程示意图，该方法包括以下步骤：
S201：获取双目相机采集的图像对中的基准图像，及所述基准图像的深度图像。
本发明实施例提供的高度测量方法应用于电子设备，该电子设备可以是双目相机，也可以是服务器等设备。其中，该双目相机的摄像头可以是双目摄像头，也可以是两个单目摄像头。
为了确定图像中的像素点对应目标的高度，在本发明实施例中，该电子设备需要预先获取双目相机采集的图像对。其中，该双目相机为具有两个摄像头的图像采集设备，该双目相机采集的图像对为双目相机的两个摄像头分别针对同一目标区域采集的两张图像组成的图像对。该图像对中包括双目相机的第一摄像头采集的第一图像，以及第二摄像头采集的第二图像。
该电子设备获取该双目相机采集的图像对中的基准图像时，是将预先设定的基准摄像头采集的图像作为基准图像。也就是说，在本发明实施例中，该电子设备可以将第一摄像头预先设定为基准摄像头，将该第一摄像头采集的第一图像作为基准图像；还可以是将第二摄像头预先设定为基准摄像头，将该第二摄像头采集的第二图像作为基准图像。
为了实现高度测量，在本发明实施例中，该电子设备还需要获取到该基准图像的深度图像。该深度图像可以是根据RGB-D相机采集的深度图像。
其中，该深度图像中的每个像素点的像素值即为该像素点的深度值，该深度值为该像素点对应的三维世界中的目标点到该基准摄像头的距离。
S202：基于预先训练完成的深度学习网络模型，确定所述基准图像中地面区域的掩膜图像。
在本发明实施例中，为了实现高度测量，该电子设备根据基准图像，确定基准图像中的基准平面，该电子设备将图像中地面所在的平面确定为测量高度时的基准平面。
为了确定出该基准图像中的地面区域，在本发明实施例中，该电子设备中预先保存有训练完成的深度学习网络模型。该电子设备将该基准图像输入到该预先训练完成的深度学习网络模型中，该深度学习网络模型对该基准图像进行处理，输出该基准图像中地面区域的掩膜图像。
其中，该掩膜图像是由0和1组成的一个二进制图像，掩膜图像的大小与该基准图像的大小相等，该基准图像中地面区域的像素点与非地面区域的其他像素点，在该掩膜图像中采用不同的像素值进行区别，例如该基准图像中地面区域的像素点，在该掩膜图像中对应的像素点的像素值为1，该基准图像中非地面区域的其他像素点，在该掩膜图像中对应的像素点的像素值为0。
具体的，在该电子设备为双目相机时，该双目相机采集到图像对中的基准图像后，该双目相机将该基准图像输入到该双目相机预先保存的训练完成的深度学习网络模型中，对该基准图像进行处理，确定出该基准图像中地面区域的掩膜图像。
在该电子设备为服务器时，双目相机采集到图像对中的基准图像后，该双目相机将该基准图像发送给服务器，该服务器获取到该基准图像后，将该基准图像输入到预先训练完成的深度学习网络模型中，对该基准图像进行处理，确定出该基准图像中地面区域的掩膜图像。
其中，在本发明实施例中，该深度学习网络模型可以是语义分割网络模型，也可以是生成式对抗网络模型，具体的，本发明实施例对此不做限制。
S203：根据所述深度图像以及所述掩膜图像，确定地面区域的目标拟合平面。
该电子设备确定出该基准图像中地面区域的掩膜图像后，该电子设备根据该掩膜图像以及该基准图像的深度图像，确定出该深度图像中该地面区域的目标拟合平面。
具体的，该电子设备是根据该深度图像以及该掩膜图像，确定出该深度图像中位于地面区域的像素点，通过对像素点的三维坐标的拟合确定出该地面区域的目标拟合平面。
其中，由于该深度图像与该掩膜图像的大小相等，该掩膜图像中像素点的像素值与该深度图像的像素点的像素值进行与运算，即可以确定出该深度图像中位于地面区域的像素点。
S204：根据所述地面区域的目标拟合平面及所述深度图像中任一像素点的深度值，确定该像素点相对于地面区域的高度。
该电子设备根据该深度图像中任一像素点的深度值，确定出该像素点对应目标在三维世界中的位置，该电子设备根据该像素点对应目标在三维世界中的位置、以及该地面区域的目标拟合平面，确定出该像素点相对于地面区域的高度。
具体的，该电子设备根据该像素点对应目标在三维世界中的位置以及该目标拟合平面，确定该像素点相对于地面区域的高度的方法为现有技术，本发明实施例对此不做限制。
由于在本发明实施例中，获取双目相机采集的图像对中的基准图像，及基准图像的深度图像；基于预先训练完成的深度学习网络模型，确定基准图像中地面区域的掩膜图像；根据深度图像以及掩膜图像，确定地面区域的目标拟合平面；根据地面区域的目标拟合平面及深度图像中任一像素点的深度值，确定该像素点相对于地面区域的高度。本发明实施例中可以自动确定出地面区域的目标拟合平面，根据地面区域的目标拟合平面以及像素点的深度值，即可以确定出像素点相对于地面区域的高度，从而提高了确定像素点的高度的自动化程度，提升了用户体验。
实施例2：
为了获取基准图像的深度图像，在上述实施例中的基础上，在本发明实施例中，所述获取所述基准图像的深度图像，包括：
获取所述图像对中除所述基准图像之外的其他图像，对所述基准图像与所述其他图像进行矫正处理；
针对矫正处理后的其他图像中的每个目标上的任一像素点，根据该像素点与矫正处理后的基准图像中该目标上任一像素点的相似度，确定矫正处理后的基准图像中该目标上与该像素点相似度最高的目标像素点，根据该像素点及该目标像素点的位置，确定该像素点对应的视差值；
根据矫正处理后的其他图像中每个像素点对应的视差值、以及预先保存的深度值与视差值的函数关系，确定矫正处理后的其他图像中每个像素点的深度值；
根据矫正处理后的其他图像中每个像素点的深度值，获取所述基准图像的深度图像。
为了获取该基准图像的深度图像，在本发明实施例中，该电子设备需要确定出该基准图像中每个像素点的深度值，基于该基准图像中每个像素点的深度值，将深度值作为像素点的像素值，即可以获取到该基准图像的深度图像。由于该电子设备不能直接根据获取到的基准图像确定出该基准图像中每个像素点的深度值，而深度值与同一目标在双目相机采集的图像对中的图像的视差值存在函数关系，因此在本发明实施例中，该电子设备还需要确定出该双目相机采集的图像对中的图像的视差值。
视差是从一定距离上观察同一目标所产生的位置差异，对于双目相机来说，即该双目相机采集的图像对中相对该基准图像的其他图像对同一目标的位置差异。该电子设备获取到基准图像和其他图像后，为了更准确地确定出该图像对中的每个像素点的视差值，该电子设备还需要对该基准图像和该其他图像进行矫正处理。其中，该矫正处理包括畸变矫正和极线矫正中的至少一种。
由于双目相机的两个摄像头的镜头制造精度的误差以及组装工艺的偏差，该双目相机采集的图像对中的基准图像与其他图像会存在图像畸变，即双目相机采集到的图像对中的图像发生了变形导致图像失真。因此该电子设备可以对该基准图像和该其他图像进行畸变矫正，具体的，对图像进行畸变矫正的方法属于现有技术，本发明实施例对此不做限制。
为了减少确定视差值的计算量，在本发明实施例中，该电子设备还可以对该基准图像和该其他图像进行极线矫正，极线矫正处理后的该基准图像与该其他图像水平对齐，即同一目标在极线矫正处理后的基准图像中和其他图像中的成像点位于同一行。
图3为本发明实施例提供的一种对图像进行极线矫正的示意图，如图3所示，该图3中的目标点X为三维世界中的点，点Ol和点Or为双目相机的两个摄像头，以点Ol为基准摄像头，图像l和图像r为双目相机的极线矫正处理前的两张图像，点Pl和点Pr为目标点X在该极线矫正处理前的图像中的成像点。
对图像l和图像r进行极线矫正处理，得到极线矫正处理后的图像l′和图像r′，在该极线矫正处理后的图像l′和图像r′中目标点X的成像点位于同一行上。
为了确定该图像对中的图像的视差值，针对矫正处理后的该其他图像中每个目标上的任一像素点，该电子设备确定出矫正处理后的基准图像中该目标上的像素点后，该电子设备确定出该像素点与该基准图像中该目标上的像素点的相似度。
其中，确定像素点的相似度的方法属于现有技术，本发明实施例对此不做限制。
根据该像素点与该基准图像中该目标上的像素点的相似度，该电子设备确定出相似度最高的像素点，将该相似度最高的像素点作为该像素点对应的该基准图像中该目标上的目标像素点。该电子设备根据该像素点在其他图像中的位置以及该目标像素点在基准图像中的位置，确定出该像素点对应的视差值。
该电子设备针对矫正处理后的其他图像，可以确定出矫正处理后的其他图像中每个像素点对应的视差值。具体的，在本发明实施例中，该电子设备根据预先保存的视差值确定算法，确定出矫正处理后的其他图像与矫正处理后的基准图像的视差图像，该视差图像中每个像素点的像素值，即为矫正处理后的其他图像中每个对应像素点对应的视差值。
其中，在本发明实施例中，该视差值确定算法为半全局匹配算法(Semi-GlobalBlock Matching，SGBM)、图割算法(Graph cuts，GC)、或深度学习算法，如基于深度卷积神经网络模型的双目立体视觉匹配算法(A Large Dataset to Train ConvolutionalNetworks for Disparity Optical Flow and Scene Flow Estimation，DispNet)或用于端对端立体匹配的引导聚合网络算法(Guided Aggregation Net for End-to-end StereoMatching，GA-Net)。具体的，本发明实施例对此不做限制。根据用户对高度测量的速度、精度以及鲁棒性的不同要求，可以确定出不同的视差值确定算法并保存在该电子设备中。
该电子设备确定出矫正处理后的其他图像中每个像素点对应的视差值后，为了确定出该矫正处理后的其他图像中每个像素点的深度值，在本发明实施例中，该电子设备还预先保存有深度值与视差值的函数关系，该电子设备将每个像素点对应的视差值代入该函数关系中，确定出每个像素点的深度值。
其中，在本发明实施例中，根据相似三角形原理可知，深度值与视差值的函数关系为
其中，该函数关系中的Z表示深度值，d表示视差值，b表示该双目相机的两个摄像头之间的距离，f表示该双目相机的两个摄像头的焦距值，其中该两个摄像头的焦距值相同。
该电子设备确定出每个像素点的深度值后，将每个像素点的深度值作为对应像素点的像素值，确定出该基准图像的深度图像。其中，该深度图像中每个像素点的深度值，为像素点在三维世界中对应的目标点到该基准图像对应的基准摄像头的距离。
实施例3：
为了确定出像素点对应的视差值，在上述各实施例的基础上，在本发明实施例中，所述根据该像素点及该目标像素点的位置，确定该像素点对应的视差值，包括：
根据该像素点的位置，确定该像素点在矫正处理后的基准图像中对应的第一位置；
根据所述第一位置与该目标像素点在矫正处理后的基准图像中的第二位置在水平方向上间隔像素点的数量，将所述数量确定为该像素点对应的视差值。
为了确定出像素点对应的视差值，该电子设备根据该像素点在矫正处理后的其他图像中的位置，确定出该像素点在矫正处理后的基准图像中对应的第一位置。
其中由于矫正处理后的基准图像与矫正处理后的其他图像的大小相同，根据该像素点在矫正处理后的其他图像中的位置，将矫正处理后的基准图像中与像素点对应的像素点的位置作为，该像素点在矫正处理后的基准图像中对应的第一位置。
其中，该像素点在矫正处理后的其他图像中的位置的坐标、与该像素点在矫正处理后的基准图像中对应的第一位置的坐标相同。
该电子设备根据与该像素点相似度最高的目标像素点在矫正处理后的基准图像中的第二位置，以及该像素点在矫正处理后的基准图像中的第一位置，确定出该第一位置与该第二位置间隔像素点的数量。
其中，由于其他图像与基准图像均经过矫正处理，因此该像素点在矫正处理后的该基准图像中对应的第一位置与该目标像素点的第二位置水平对齐，即该第一位置与该第二位置位于同一行。
该电子设备将该第一位置与该第二位置在水平方向上间隔像素点的数量，确定为该像素点对应的视差值。
图4为本发明实施例提供的一种确定像素点对应的视差值的示意图，如图4所示，该图4中的左侧图(图中的左右)中的M点为矫正处理后的其他图像中该塔尖目标的像素点的位置，该图4中的右侧图(图中的左右)中的M点为矫正处理后的其他图像中该塔尖目标的像素点在矫正处理后的基准图像中对应的第一位置，该图4中的右侧图(图中的左右)中的N点为矫正处理后的基准图像中该塔尖目标的第二位置，该图4中的右侧图中的M点与N点间隔的像素点的数量即为矫正处理后的其他图像中该塔尖目标的像素点对应的视差值。
实施例4：
为了确定出地面区域的目标拟合平面，在上述各实施例的基础上，在本发明实施例中，所述根据所述深度图像以及所述掩膜图像，确定地面区域的目标拟合平面，包括：
根据所述深度图像以及所述掩膜图像，确定所述深度图像中位于地面区域的像素点的第一点集；
根据所述第一点集中每个第一像素点的深度值、所述每个第一像素点在所述深度图像中的坐标，确定所述每个第一像素点的三维坐标；
根据所述每个第一像素点的三维坐标，确定地面区域的目标拟合平面。
为了确定出该地面区域的目标拟合平面，在本发明实施例中，该电子设备可以确定出深度图像中位于地面区域的像素点的三维坐标。根据该地面区域的像素点的三维坐标，该电子设备进行平面拟合确定出该地面区域的目标拟合平面。
为了确定出该地面区域的像素点的三维坐标，在本发明实施例中，该电子设备根据该基准图像的深度图像，以及确定出的基准图像中的地面区域的掩膜图像，该电子设备确定该深度图像中位于地面区域的像素点的第一点集。
具体的，该深度图像与该掩膜图像的大小相等，该电子设备将该深度图像中每个像素点的像素值与该掩膜图像中对应位置的每个像素点的像素值进行与运算，确定出该深度图像中地面区域的像素点的第一点集。
该第一点集中的每个第一像素点均为该深度图像中地面区域的像素点，为了确定出该地面区域的每个第一像素点在世界坐标系下的三维坐标，该电子设备需要首先确定出每个第一像素点在三维坐标系中的Z轴坐标。该电子设备根据该深度图像，确定出每个第一像素点的像素值，每个第一像素点的像素值对应的深度值即为该第一像素点的三维坐标系中Z轴坐标的坐标值。
为了确定出每个第一像素点的三维坐标系中的X轴坐标和Y轴坐标，该电子设备根据该第一像素点的深度值，以及该第一像素点在该深度图像中的坐标，将该深度值以及该第一像素点在该深度图像中的坐标值，代入到确定该第一像素点的三维坐标系中的X轴坐标和Y轴坐标的公式中，确定出该第一像素点的三维坐标系中的X轴坐标和Y轴坐标的坐标值。
其中，在本发明实施例中，根据相似三角形原理，确定该第一像素点的三维坐标系中的X轴坐标的公式为：
其中该f表示该双目相机的摄像头的焦距，该u为该第一像素点在深度图像中平面水平方向的坐标值，该u0为该第一像素点该深度图像的中心点的平面水平方向的坐标值。
确定该第一像素点的三维坐标系中的Y轴坐标的公式为：
其中该v为该第一像素点在深度图像中平面竖直方向的坐标值，该v0为该第一像素点该深度图像的中心点的平面竖直方向的坐标值。
实施例5：
为了提高确定地面区域的目标拟合平面的准确性，在上述各实施例的基础上，在本发明实施例中，所述根据第一点集中第一像素点的深度值、以及第一像素点的像素坐标，确定第一像素点的三维坐标之前，所述方法还包括：
根据预先确定的深度值范围和/或像素坐标范围，及所述第一点集中每个第一像素点的深度值和/或坐标值，采用位于所述深度值范围和/或像素坐标范围内第一像素点对所述第一点集更新。
该电子设备确定出位于该深度图像中位于地面区域的像素点的第一点集后，为了提高确定地面区域的拟合平面的准确性，在本发明实施例中，该电子设备还需要对该第一点集进行更新。
该电子设备根据双目相机采集的基准图像和其他图像，确定该基准图像的深度图像时，由于该像素点对应的三维世界的目标点距离该双目相机的镜头越远时，该电子设备确定的该深度图像中像素点的深度值的误差越大。为了提高确定地面区域的拟合平面的准确性，在本发明实施例中，该电子设备预先确定有深度值范围。
该电子设备确定该第一点集中深度值位于该确定的深度值范围的第一像素点，根据深度值位于该确定的深度值范围的第一像素点对该第一点集进行更新，更新后的第一点集中的像素点为第一点集中深度值位于该深度值范围的像素点。
该电子设备确定的该深度图像中位于地面区域的该第一点集中包括位于该深度图像的中心区域的第一像素点、以及位于该深度图像的边缘区域的第一像素点。由于越靠近该深度图像的边缘区域，该深度图像的畸变越大。因此，为了提高确定地面区域的拟合平面的准确性，该电子设备还预先确定有像素坐标范围，确定出靠近该深度图像的中心区域的第一像素点。该像素坐标范围包括该深度图像水平方向的横坐标范围、以及该深度图像竖直方向的纵坐标范围。
该横坐标范围与该深度图像水平方向的宽度有关，该横坐标范围可以是该深度图像水平方向的宽度的平均值加减设定数值后得到的横坐标范围，也可以是根据该深度图像水平方向的宽度以及预先设定的比例确定的横坐标范围。
例如，该深度图像水平方向的宽度为W，即水平方向包含的像素点的数量，该设定比例为α，则该电子设备确定的该横坐标范围为[αW，(1-α)W]。其中，该设定比例α的值为0到1范围内的任意数值。
该纵坐标范围与该深度图像竖直方向的高度有关，该纵坐标范围可以是该深度图像竖直方向的高值的平均值加减设定数值后得到的纵坐标范围，也可以是根据该深度图像竖直方向的高值以及该预先设定的比例确定的纵坐标范围。
例如，该深度图像竖直方向的高度为H，即竖直方向包含的像素点的数量，该设定比例为β，则该电子设备确定的该横坐标范围为[βH，(1-β)H]。其中，该设定比例β的值为0到1范围内的任意数值。
该电子设备根据该深度图像的该第一点集中该第一像素点的坐标值，确定出横坐标值位于该预先确定的横坐标范围、纵坐标位于该预先确定的纵坐标范围内的第一像素点。该电子设备根据坐标值满足横坐标范围条件和纵坐标范围条件的第一像素点对该第一点集进行更新，更新后的第一点集中的像素点为坐标值满足横坐标范围条件和纵坐标范围条件的第一像素点。
较佳的，在本发明实施例中，该电子设备确定出该深度值范围和像素坐标范围后，该电子设备根据该第一点集中每个第一像素点的深度值和坐标值，确定出深度值位于该深度值范围、坐标值中的横坐标值位于该横坐标范围、坐标值中的纵坐标值位于该纵坐标范围的第一像素点，该电子设备根据该满足深度值范围条件和像素坐标范围条件的第一像素点对该第一点集更新，即将该第一点集中的像素点替换为深度值满足深度值范围条件、且像素值满足像素坐标范围条件的第一像素点。
实施例6：
为了提高确定地面区域的拟合平面的准确性，在上述各实施例的基础上，在本发明实施例中，所述根据第一像素点的三维坐标，确定地面区域的目标拟合平面，包括：
每次基于随机选择的第一点集中设定数量的第二像素点，进行以下操作：
根据所述设定数量的第二像素点的三维坐标，确定地面区域的第一拟合平面；
确定所述第一点集中与所述第一拟合平面的距离不大于设定距离阈值的第三像素点的数量；
若所述第三像素点的数量满足条件，则确定所述第一拟合平面为所述地面区域的目标拟合平面；
否则，判断进行目标拟合平面确定的迭代次数是否达到设定次数阈值，若否，则重新在第一点集中随机选择设定数量的第二像素点，并根据重新选择的第二像素点进行下次操作。
该电子设备确定出该深度图像中位于地面区域的第一点集后，该电子设备在该第一点集中随机选择设定数量的第二像素点。其中该设定数量是预先设置的，该设定数量的值不小于确定平面所需的最小数值。
该电子设备确定出该设定数量的第二像素点后，该电子设备还需要确定出第二像素点的三维坐标，根据设定数量的第二像素点的三维坐标，该电子设备进行平面拟合，确定出地面区域的第一拟合平面。
其中，该电子设备根据像素点的三维坐标，进行平面拟合确定出拟合平面的方法为现有技术，本发明实施例对此不做赘述。其中，该电子设备可以采用现有技术中的随机抽样一致性算法(Random Sample Consensus，RANSAC)、或者最小二乘法进行平面拟合确定出地面区域的第一拟合平面，具体的，本发明实施例对此不做限制。
该电子设备确定出该地面区域的第一拟合平面后，该电子设备确定出该第一点集中每个第一像素点与该第一拟合平面的距离，具体的，该电子设备根据该第一点集中的第一像素点的三维坐标，确定出第一像素点与该第一拟合平面的距离。
其中，该第一拟合平面是通过平面方程来表示，该第一拟合平面的平面方程为Ax+By+Cz+D＝0，该平面方程中的A、B、C、D为确定的平面方程系数。
该电子设备根据确定出第一点集中每个第一像素点与该第一拟合平面的距离，确定出距离不大于设定距离阈值的第三像素点。其中，该距离阈值是预先设置的，若希望提高确定的地面区域的拟合平面的准确性，则可以将该距离阈值设置地较小一些；若希望提高确定地面区域的拟合平面方法的鲁棒性，则可以将该距离阈值设置地较大一些。
该电子设备根据确定的第三像素点的数量，确定该第一拟合平面是否为地面区域的目标拟合平面。若该第三像素点的数量满足条件，则该电子设备确定该第一拟合平面为地面区域的目标拟合平面。
其中，该第三像素点的数量条件可以是该第三像素点的数量低于设定数量阈值，也可以是该第三像素点的数量与该第一点集中第一像素点的数量的比值大于设定比值。具体的，本发明实施例对此不做限制。
若该第三像素点的数量不满足条件，说明根据此次随机选择的第二像素点确定的地面区域的第一拟合平面与实际的地面区域的拟合平面的重合程度不高，该电子设备确定此次的第一拟合平面不是地面区域的目标拟合平面。
该电子设备确定该第三像素点的数量不满足条件时，确定进行目标拟合平面确定的迭代次数是否达到设定次数阈值，若进行目标拟合平面确定的迭代次数未达到设定次数阈值，则该电子设备在该第一点集中随机选择设定数量的第二像素点，该电子设备根据重新选择后的第二像素点的三维坐标，确定此处地面区域的第一拟合平面。
其中，由于该电子设备选择该第一点集中设定数量的第二像素点是随机选择的，因此该重新选择后的第二像素点与重新选择前的第二像素点不同，基于重新选择后的第二像素点确定的第一拟合平面、与基于重新选择前的第二像素点确定的第一拟合平面不同。
该电子设备确定此次距第一拟合平面的距离不大于设定距离阈值的第三像素点的数量是否满足条件，若此次第三像素点的数量满足条件，则该电子设备停止迭代，并将此次确定的第一拟合平面确定为地面区域的目标拟合平面，若此次该第三像素点的数量不满足条件，则该电子设备继续迭代，直到确定某次的第一拟合平面的第三像素点的数量满足条件或者迭代次数达到设定次数阈值。
为了提高确定地面区域的拟合平面的准确性，在上述各实施例的基础上，在本发明实施例中，若进行目标拟合平面确定的迭代次数达到设定次数阈值，所述方法还包括：
确定设定的迭代次数中所述第三像素点数量与所述第一像素点数量的比例最高时的第二拟合平面，将所述第二拟合平面作为所述地面区域的目标拟合平面。
若该电子设备确定进行目标拟合平面确定的迭代次数达到设定次数阈值，为了提高确定的地面区域的拟合平面的准确性，该电子设备需要使确定的地面区域的拟合平面与实际地面区域的拟合平面的重合程度为设定次数中最高。
因此该电子设备确定设定的迭代次数中第三像素点数量与该第一像素点数量的比例，确定比例最高时确定的第二拟合平面，该电子设备将该第二拟合平面作为地面区域的目标拟合平面。
例如，该设定的迭代次数为100次，设定距离阈值为10cm，该电子设备确定某次确定的第一点集中与第一拟合平面的距离不大于10cm的第三像素点的数量，与该第一点集中第一像素点的数量的比例大于70％时，则该电子设备确定此次的第一拟合平面为地面区域的目标拟合平面。
若在100次的迭代次数中，均不存在第三像素点的数量满足条件的第一拟合平面，则该电子设备确定100次中第三像素点数量与该第一像素点数量的比例最高时的第二拟合平面，将该第二拟合平面作为地面区域的目标拟合平面。
图5为本发明实施例提供的一种确定地面区域的目标拟合平面的过程示意图，该过程包括以下步骤：
S501：基于随机选择的第一点集中20个第二像素点的三维坐标，采用最小二乘法进行平面拟合确定出地面区域的第一拟合平面。
S502：确定该第一点集中每个第一像素点与该第一拟合平面的距离不大于10cm的第三像素点的数量。
S503：判断该第三像素点的数量与该第一点集中第一像素点的数量的比例是否大于70％，若是，则进行S504，若否，则进行S505。
S504：确定此次的第一拟合平面为地面区域的目标拟合平面。
S505：判断进行目标拟合平面确定的迭代次数是否达到100次，若是，则进行S506，若否，则进行S507。
S506：确定100次中第三像素点数量与该第一像素点数量的比例最高时的第二拟合平面，将该第二拟合平面作为地面区域的目标拟合平面。
S507：重新在第一点集中随机选择20个第二像素点，并进行S501。
实施例7：
下面以电子设备为双目相机，该双目相机确定目标人体的实际身高为例，对本发明实施例的高度测量方法进行说明。
图6为本发明实施例提供的一种双目相机安装场景的模型示意图，如图6所示，该图6中左上角(图中的上下左右)为双目相机模型，该双目相机的左侧圆(图中的左右)代表该双目相机的右侧摄像头，该双目相机的右侧圆(图中的左右)代表该双目相机的左侧摄像头。
以该双目相机的左侧摄像头为基准摄像头为例，该双目相机的左侧摄像头采集的左图像为该双目相机采集的图像对中的基准图像，该双目相机的右侧摄像头采集的右图像为该双目相机采集的图像对中的其他图像。
该双目相机对采集到的左图像和右图像进行矫正处理，该矫正处理后的左图像和右图像如图7和图8所示，图7为本发明实施例提供的一种矫正处理后的左图像的示意图，图8为本发明实施例提供的一种矫正处理后的右图像的示意图。
该双目相机针对矫正处理后的右图像中的目标人体上的任一像素点，根据该像素点与矫正处理后的左图像中该目标人体上任一像素点的相似度，确定矫正处理后的左图像中该目标上与该像素点相似度最高的目标像素点，根据该像素点及该目标像素点的位置，确定该像素点对应的视差值。
具体的，该双目相机采用现有技术中的SGBM算法确定出矫正处理后的右图像相对于矫正处理后的左图像的视差图像，图9为本发明实施例提供的一种矫正处理后的右图像相对于矫正处理后的左图像的视差图像的示意图，如图9所示，该视差图像中的像素点的像素值为矫正处理后的右图像中的像素点对应的视差值。
该双目相机根据矫正处理后的右图像中每个像素点对应的视差值、以及根据相似三角形原理确定的深度值与视差值的函数关系，该双目相机确定矫正处理后的右图像中每个像素点的深度值，根据矫正处理后的右图像中每个像素点的深度值，获取矫正处理后的左图像的深度图像。
该双目相机将矫正处理后的左图像输入到预先训练完成的深度学习网络模型，对该矫正处理后的左图像进行处理确定出该矫正处理后的左图像中地面区域的掩膜图像。图10为本发明实施例提供的一种地面区域的掩膜图像的示意图，如图10所示，该图10中的浅色区域为该掩膜图像中的地面区域，该图10中的深色区域为该掩膜图像中的非地面区域。
在本发明实施例中，该深度学习网络模型为语义分割的网络模型(Unet)，该Unet模型的训练过程如下：该双目相机采集不同场景下包含不同地面区域的一千个RGB图像，对这一千个RGB图像进行人工标记确定RGB图像对应的标签信息，该标签信息中包括地面区域的标签1，以及非地面区域的标签0。随机抽取出200个RGB图像作为验证集，剩余的800个RGB图像作为训练集。在训练过程中，将待输入该Unet模型的RGB图像的大小调整为512*256，并对该RGB图像进行随机的旋转、改变该RGB图像的亮度、对比度和饱和度，以增加训练集中图像的多样性。采用交叉熵作为损失函数，采用优化算法(Adam)，设定初始化学习率为0.001，并在训练50个轮回后将学习率调整为0.0001，继续训练100个轮回。得到训练完成的深度学习网络模型并保存模型权重参数。
该双目相机确定该矫正处理后的左图像中地面区域的掩膜图像时，该双目相机将矫正处理后的左图像的大小调整为512×256，输入到该训练完成的深度学习网络模型，输出大小为512×256的掩膜图像,并将该掩膜图像的大小调整为矫正处理后的左图像的原始大小。
该双目相机根据矫正处理后的左图像的深度图像、以及左图像中地面区域的掩膜图像，该深度图像中每个像素点的像素值与该掩膜图像中对应位置的每个像素点的像素值进行与运算，确定出该深度图像中地面区域的像素点的第一点集。
该双目相机根据第一点集中每个第一像素点的深度值、每个第一像素点在所述深度图像中的坐标，确定每个第一像素点的三维坐标。该第一像素点的三维坐标包括Z轴坐标、X轴坐标以及Y轴坐标。该双目相机确定出该第一像素点的深度值Z，将该深度值Z确定为该第一像素点的Z轴坐标的坐标值。
该双目相机根据该第一像素点的Z轴坐标的坐标值，该第一像素点在该深度图像中的坐标(u，v)，该深度图像的中心点的坐标(u0，v0)以及基于相似三角形原理确定的该第一像素点的X轴坐标的坐标值确定公式
以及Y轴坐标的坐标值确定公式
确定出该第一像素点的X轴坐标的坐标值、以及Y轴坐标的坐标值。
该双目相机在该第一点集中随机选择设定数量的第二像素点，根据第二像素点的三维坐标，利用现有技术中的RANSAC算法、或者最小二乘法对该第二像素点进行平面拟合，确定地面区域的第一拟合平面。
图11为本发明实施例提供的一种地面区域的第一拟合平面的示意图，如图11所示，该图11中的白色部分代表该深度图像中地面区域的第一像素点，该图11中的黑色部分代表该地面区域的第一拟合平面。
该设定的迭代次数为100次，设定距离阈值为10cm，该双目相机确定该次确定的第一点集中与第一拟合平面的距离不大于10cm的第三像素点的数量，与该第一点集中第一像素点的数量的比例大于70％时，则该双目相机确定此次的第一拟合平面为地面区域的目标拟合平面。
若在100次的迭代次数中，均不存在第三像素点的数量满足条件的第一拟合平面，则该双目相机确定100次迭代内第三像素点数量与该第一像素点数量的比例最高时的第二拟合平面，将该第二拟合平面作为地面区域的目标拟合平面。
在本发明实施例中，若该双目相机为固定安装的双目相机，则在进行目标人体高度测量时，可以是确定一次地面区域的目标拟合平面后，在该双目相机的位姿发生变化时，再重新确定地面区域的拟合平面；还可以是预先设定时间周期，在经过一个时间周期后重新确定一次地面区域的目标拟合平面；若该双目相机为移送或手持的双目相机时，对每次采集的图像中的目标人体高度测量时，均需要确定一次地面区域的目标拟合平面。
该双目相机确定该深度图像中目标人体的头顶像素点，确定出该头顶像素点的深度值，该双目相机根据该头顶像素点的深度值确定出该头顶像素点的三维坐标(x0，y0，z0)，该双目相机根据该头顶像素点的三维坐标(x0，y0，z0)、以及现有的点到平面的距离公式
确定出该目标人体的身高。图12为本发明实施例提供的一种确定的人体身高的示意图，如图12所示，该图12中目标人体的身高为159.5cm。
实施例8：
在上述各实施例的基础上，图13为本发明实施例提供的一种高度测量装置的结构示意图，所述装置包括：
获取模块1301，用于获取双目相机采集的图像对中的基准图像，及所述基准图像的深度图像；
确定模块1302，用于基于预先训练完成的深度学习网络模型，确定所述基准图像中地面区域的掩膜图像；根据所述深度图像以及所述掩膜图像，确定地面区域的目标拟合平面；根据所述地面区域的目标拟合平面及所述深度图像中任一像素点的深度值，确定该像素点相对于地面区域的高度。
所述获取模块，具体用于获取所述图像对中除所述基准图像之外的其他图像，对所述基准图像与所述其他图像进行矫正处理；针对矫正处理后的其他图像中的每个目标上的任一像素点，根据该像素点与矫正处理后的基准图像中该目标上任一像素点的相似度，确定矫正处理后的基准图像中该目标上与该像素点相似度最高的目标像素点，根据该像素点及该目标像素点的位置，确定该像素点对应的视差值；根据矫正处理后的其他图像中每个像素点对应的视差值、以及预先保存的深度值与视差值的函数关系，确定矫正处理后的其他图像中每个像素点的深度值；根据矫正处理后的其他图像中每个像素点的深度值，获取所述基准图像的深度图像。
所述获取模块，具体用于根据该像素点的位置，确定该像素点在矫正处理后的基准图像中对应的第一位置；根据所述第一位置与该目标像素点在矫正处理后的基准图像中的第二位置在水平方向上间隔像素点的数量，将所述数量确定为该像素点对应的视差值。
所述确定模块，具体用于根据所述深度图像以及所述掩膜图像，确定所述深度图像中位于地面区域的像素点的第一点集；根据所述第一点集中每个第一像素点的深度值、所述每个第一像素点在所述深度图像中的坐标，确定所述每个第一像素点的三维坐标；根据所述每个第一像素点的三维坐标，确定地面区域的目标拟合平面。
所述装置还包括：
更新模块，用于根据预先确定的深度值范围和/或像素坐标范围，及所述第一点集中每个第一像素点的深度值和/或坐标值，采用位于所述深度值范围和/或像素坐标范围内第一像素点对所述第一点集更新。
所述确定模块，具体用于每次基于随机选择的第一点集中设定数量的第二像素点，进行以下操作：根据所述设定数量的第二像素点的三维坐标，确定地面区域的第一拟合平面；确定所述第一点集中与所述第一拟合平面的距离不大于设定距离阈值的第三像素点的数量；若所述第三像素点的数量满足条件，则确定所述第一拟合平面为所述地面区域的目标拟合平面；否则，判断进行目标拟合平面确定的迭代次数是否达到设定次数阈值，若否，则重新在第一点集中随机选择设定数量的第二像素点，并根据重新选择的第二像素点进行下次操作。
所述确定模块，具体还用于确定设定的迭代次数中所述第三像素点数量与所述第一像素点数量的比例最高时的第二拟合平面，将所述第二拟合平面作为所述地面区域的目标拟合平面。
实施例8：
图14为本发明实施例提供的一种电子设备结构示意图，在上述各实施例的基础上，本发明实施例中还提供了一种电子设备，包括处理器1401、通信接口1402、存储器1403和通信总线1404，其中，处理器1401，通信接口1402，存储器1403通过通信总线1404完成相互间的通信；
所述存储器1403中存储有计算机程序，当所述程序被所述处理器1401执行时，使得所述处理器1401执行如下步骤：
获取双目相机采集的图像对中的基准图像，及所述基准图像的深度图像；
基于预先训练完成的深度学习网络模型，确定所述基准图像中地面区域的掩膜图像；
根据所述深度图像以及所述掩膜图像，确定地面区域的目标拟合平面；
根据所述地面区域的目标拟合平面及所述深度图像中任一像素点的深度值，确定该像素点相对于地面区域的高度。
进一步地，所述处理器1401具体用于所述获取所述基准图像的深度图像，包括：
获取所述图像对中除所述基准图像之外的其他图像，对所述基准图像与所述其他图像进行矫正处理；
针对矫正处理后的其他图像中的每个目标上的任一像素点，根据该像素点与矫正处理后的基准图像中该目标上任一像素点的相似度，确定矫正处理后的基准图像中该目标上与该像素点相似度最高的目标像素点，根据该像素点及该目标像素点的位置，确定该像素点对应的视差值；
根据矫正处理后的其他图像中每个像素点对应的视差值、以及预先保存的深度值与视差值的函数关系，确定矫正处理后的其他图像中每个像素点的深度值；
根据矫正处理后的其他图像中每个像素点的深度值，获取所述基准图像的深度图像。
进一步地，所述处理器1401具体用于所述根据该像素点及该目标像素点的位置，确定该像素点对应的视差值，包括：
根据该像素点的位置，确定该像素点在矫正处理后的基准图像中对应的第一位置；
根据所述第一位置与该目标像素点在矫正处理后的基准图像中的第二位置在水平方向上间隔像素点的数量，将所述数量确定为该像素点对应的视差值。
进一步地，所述处理器1401具体用于所述根据所述深度图像以及所述掩膜图像，确定地面区域的目标拟合平面，包括：
根据所述深度图像以及所述掩膜图像，确定所述深度图像中位于地面区域的像素点的第一点集；
根据所述第一点集中每个第一像素点的深度值、所述每个第一像素点在所述深度图像中的坐标，确定所述每个第一像素点的三维坐标；
根据所述每个第一像素点的三维坐标，确定地面区域的目标拟合平面。
进一步地，所述处理器1401还用于所述根据第一点集中第一像素点的深度值、以及第一像素点的像素坐标，确定第一像素点的三维坐标之前，所述方法还包括：
根据预先确定的深度值范围和/或像素坐标范围，及所述第一点集中每个第一像素点的深度值和/或坐标值，采用位于所述深度值范围和/或像素坐标范围内第一像素点对所述第一点集更新。
进一步地，所述处理器1401具体用于所述根据第一像素点的三维坐标，确定地面区域的目标拟合平面，包括：
每次基于随机选择的第一点集中设定数量的第二像素点，进行以下操作：
根据所述设定数量的第二像素点的三维坐标，确定地面区域的第一拟合平面；
确定所述第一点集中与所述第一拟合平面的距离不大于设定距离阈值的第三像素点的数量；
若所述第三像素点的数量满足条件，则确定所述第一拟合平面为所述地面区域的目标拟合平面；
否则，判断进行目标拟合平面确定的迭代次数是否达到设定次数阈值，若否，则重新在第一点集中随机选择设定数量的第二像素点，并根据重新选择的第二像素点进行下次操作。
进一步地，所述处理器1401还用于若进行目标拟合平面确定的迭代次数达到设定次数阈值，所述方法还包括：
确定设定的迭代次数中所述第三像素点数量与所述第一像素点数量的比例最高时的第二拟合平面，将所述第二拟合平面作为所述地面区域的目标拟合平面。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口1402用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字指令处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
实施例9：
在上述各实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行如下步骤：
获取双目相机采集的图像对中的基准图像，及所述基准图像的深度图像；
基于预先训练完成的深度学习网络模型，确定所述基准图像中地面区域的掩膜图像；
根据所述深度图像以及所述掩膜图像，确定地面区域的目标拟合平面；
根据所述地面区域的目标拟合平面及所述深度图像中任一像素点的深度值，确定该像素点相对于地面区域的高度。
进一步地，所述获取所述基准图像的深度图像，包括：
获取所述图像对中除所述基准图像之外的其他图像，对所述基准图像与所述其他图像进行矫正处理；
针对矫正处理后的其他图像中的每个目标上的任一像素点，根据该像素点与矫正处理后的基准图像中该目标上任一像素点的相似度，确定矫正处理后的基准图像中该目标上与该像素点相似度最高的目标像素点，根据该像素点及该目标像素点的位置，确定该像素点对应的视差值；
根据矫正处理后的其他图像中每个像素点对应的视差值、以及预先保存的深度值与视差值的函数关系，确定矫正处理后的其他图像中每个像素点的深度值；
根据矫正处理后的其他图像中每个像素点的深度值，获取所述基准图像的深度图像。
进一步地，所述根据该像素点及该目标像素点的位置，确定该像素点对应的视差值，包括：
根据该像素点的位置，确定该像素点在矫正处理后的基准图像中对应的第一位置；
根据所述第一位置与该目标像素点在矫正处理后的基准图像中的第二位置在水平方向上间隔像素点的数量，将所述数量确定为该像素点对应的视差值。
进一步地，所述根据所述深度图像以及所述掩膜图像，确定地面区域的目标拟合平面，包括：
根据所述深度图像以及所述掩膜图像，确定所述深度图像中位于地面区域的像素点的第一点集；
根据所述第一点集中每个第一像素点的深度值、所述每个第一像素点在所述深度图像中的坐标，确定所述每个第一像素点的三维坐标；
根据所述每个第一像素点的三维坐标，确定地面区域的目标拟合平面。
进一步地，所述根据第一点集中第一像素点的深度值、以及第一像素点的像素坐标，确定第一像素点的三维坐标之前，所述方法还包括：
根据预先确定的深度值范围和/或像素坐标范围，及所述第一点集中每个第一像素点的深度值和/或坐标值，采用位于所述深度值范围和/或像素坐标范围内第一像素点对所述第一点集更新。
进一步地，所述根据第一像素点的三维坐标，确定地面区域的目标拟合平面，包括：
每次基于随机选择的第一点集中设定数量的第二像素点，进行以下操作：
根据所述设定数量的第二像素点的三维坐标，确定地面区域的第一拟合平面；
确定所述第一点集中与所述第一拟合平面的距离不大于设定距离阈值的第三像素点的数量；
若所述第三像素点的数量满足条件，则确定所述第一拟合平面为所述地面区域的目标拟合平面；
否则，判断进行目标拟合平面确定的迭代次数是否达到设定次数阈值，若否，则重新在第一点集中随机选择设定数量的第二像素点，并根据重新选择的第二像素点进行下次操作。
进一步地，若进行目标拟合平面确定的迭代次数达到设定次数阈值，所述方法还包括：
确定设定的迭代次数中所述第三像素点数量与所述第一像素点数量的比例最高时的第二拟合平面，将所述第二拟合平面作为所述地面区域的目标拟合平面。
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。
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 (10)
1.一种高度测量方法，其特征在于，所述方法包括：
获取双目相机采集的图像对中的基准图像，及所述基准图像的深度图像；
基于预先训练完成的深度学习网络模型，确定所述基准图像中地面区域的掩膜图像；
根据所述深度图像以及所述掩膜图像，确定地面区域的目标拟合平面；
根据所述地面区域的目标拟合平面及所述深度图像中任一像素点的深度值，确定该像素点相对于地面区域的高度。
2.根据权利要求1所述的方法，其特征在于，所述获取所述基准图像的深度图像，包括：
获取所述图像对中除所述基准图像之外的其他图像，对所述基准图像与所述其他图像进行矫正处理；
针对矫正处理后的其他图像中的每个目标上的任一像素点，根据该像素点与矫正处理后的基准图像中该目标上任一像素点的相似度，确定矫正处理后的基准图像中该目标上与该像素点相似度最高的目标像素点，根据该像素点及该目标像素点的位置，确定该像素点对应的视差值；
根据矫正处理后的其他图像中每个像素点对应的视差值、以及预先保存的深度值与视差值的函数关系，确定矫正处理后的其他图像中每个像素点的深度值；
根据矫正处理后的其他图像中每个像素点的深度值，获取所述基准图像的深度图像。
3.根据权利要求2所述的方法，其特征在于，所述根据该像素点及该目标像素点的位置，确定该像素点对应的视差值，包括：
根据该像素点的位置，确定该像素点在矫正处理后的基准图像中对应的第一位置；
根据所述第一位置与该目标像素点在矫正处理后的基准图像中的第二位置在水平方向上间隔像素点的数量，将所述数量确定为该像素点对应的视差值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述深度图像以及所述掩膜图像，确定地面区域的目标拟合平面，包括：
根据所述深度图像以及所述掩膜图像，确定所述深度图像中位于地面区域的像素点的第一点集；
根据所述第一点集中每个第一像素点的深度值、所述每个第一像素点在所述深度图像中的坐标，确定所述每个第一像素点的三维坐标；
根据所述每个第一像素点的三维坐标，确定地面区域的目标拟合平面。
5.根据权利要求4所述的方法，其特征在于，所述根据第一点集中第一像素点的深度值、以及第一像素点的像素坐标，确定第一像素点的三维坐标之前，所述方法还包括：
根据预先确定的深度值范围和/或像素坐标范围，及所述第一点集中每个第一像素点的深度值和/或坐标值，采用位于所述深度值范围和/或像素坐标范围内第一像素点对所述第一点集更新。
6.根据权利要求4所述的方法，其特征在于，所述根据第一像素点的三维坐标，确定地面区域的目标拟合平面，包括：
每次基于随机选择的第一点集中设定数量的第二像素点，进行以下操作：
根据所述设定数量的第二像素点的三维坐标，确定地面区域的第一拟合平面；
确定所述第一点集中与所述第一拟合平面的距离不大于设定距离阈值的第三像素点的数量；
若所述第三像素点的数量满足条件，则确定所述第一拟合平面为所述地面区域的目标拟合平面；
否则，判断进行目标拟合平面确定的迭代次数是否达到设定次数阈值，若否，则重新在第一点集中随机选择设定数量的第二像素点，并根据重新选择的第二像素点进行下次操作。
7.根据权利要求6所述的方法，其特征在于，若进行目标拟合平面确定的迭代次数达到设定次数阈值，所述方法还包括：
确定设定的迭代次数中所述第三像素点数量与所述第一像素点数量的比例最高时的第二拟合平面，将所述第二拟合平面作为所述地面区域的目标拟合平面。
8.一种高度测量装置，其特征在于，所述装置包括：
获取模块，用于获取双目相机采集的图像对中的基准图像，及所述基准图像的深度图像；
确定模块，用于基于预先训练完成的深度学习网络模型，确定所述基准图像中地面区域的掩膜图像；根据所述深度图像以及所述掩膜图像，确定地面区域的目标拟合平面；根据所述地面区域的目标拟合平面及所述深度图像中任一像素点的深度值，确定该像素点相对于地面区域的高度。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一所述高度测量方法的步骤。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述高度测量方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010959267.9A CN112200771A (zh) | 2020-09-14 | 2020-09-14 | 一种高度测量方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010959267.9A CN112200771A (zh) | 2020-09-14 | 2020-09-14 | 一种高度测量方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112200771A true CN112200771A (zh) | 2021-01-08 |
Family
ID=74014862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010959267.9A Pending CN112200771A (zh) | 2020-09-14 | 2020-09-14 | 一种高度测量方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200771A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113077476A (zh) * | 2021-03-17 | 2021-07-06 | 浙江大华技术股份有限公司 | 一种高度测量方法、终端设备以及计算机存储介质 |
| CN113240747A (zh) * | 2021-04-21 | 2021-08-10 | 浙江大学 | 一种基于计算机视觉的户外结构振动位移自动化监测方法 |
| CN113587829A (zh) * | 2021-09-03 | 2021-11-02 | 凌云光技术股份有限公司 | 一种边缘厚度测量方法、装置、边缘厚度测量设备及介质 |
| CN113733354A (zh) * | 2021-08-09 | 2021-12-03 | 中科云谷科技有限公司 | 用于搅拌车的控制方法、处理器和控制装置 |
| CN114943778A (zh) * | 2022-07-26 | 2022-08-26 | 广州镭晨智能装备科技有限公司 | 基准面确定方法、检测方法、装置、设备和存储介质 |
| CN116912320A (zh) * | 2023-09-13 | 2023-10-20 | 齐鲁空天信息研究院 | 对象高程坐标的定位方法、装置、电子设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105157608A (zh) * | 2015-08-31 | 2015-12-16 | 浙江大华技术股份有限公司 | 一种超限车辆的检测方法、装置及系统 |
| CN106683070A (zh) * | 2015-11-04 | 2017-05-17 | 杭州海康威视数字技术股份有限公司 | 基于深度相机的身高测量方法及装置 |
| WO2018058356A1 (zh) * | 2016-09-28 | 2018-04-05 | 驭势科技（北京）有限公司 | 基于双目立体视觉的汽车防碰撞预警方法和系统 |
| CN110207650A (zh) * | 2019-05-31 | 2019-09-06 | 重庆迪星天科技有限公司 | 基于双目视觉的车用公路限高架高度测量方法及装置 |
| CN111340864A (zh) * | 2020-02-26 | 2020-06-26 | 浙江大华技术股份有限公司 | 基于单目估计的三维场景融合方法及装置 |
| CN111462206A (zh) * | 2020-03-24 | 2020-07-28 | 合肥的卢深视科技有限公司 | 一种基于卷积神经网络的单目结构光深度成像方法 |
-
2020
- 2020-09-14 CN CN202010959267.9A patent/CN112200771A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105157608A (zh) * | 2015-08-31 | 2015-12-16 | 浙江大华技术股份有限公司 | 一种超限车辆的检测方法、装置及系统 |
| CN106683070A (zh) * | 2015-11-04 | 2017-05-17 | 杭州海康威视数字技术股份有限公司 | 基于深度相机的身高测量方法及装置 |
| WO2018058356A1 (zh) * | 2016-09-28 | 2018-04-05 | 驭势科技（北京）有限公司 | 基于双目立体视觉的汽车防碰撞预警方法和系统 |
| CN110207650A (zh) * | 2019-05-31 | 2019-09-06 | 重庆迪星天科技有限公司 | 基于双目视觉的车用公路限高架高度测量方法及装置 |
| CN111340864A (zh) * | 2020-02-26 | 2020-06-26 | 浙江大华技术股份有限公司 | 基于单目估计的三维场景融合方法及装置 |
| CN111462206A (zh) * | 2020-03-24 | 2020-07-28 | 合肥的卢深视科技有限公司 | 一种基于卷积神经网络的单目结构光深度成像方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113077476A (zh) * | 2021-03-17 | 2021-07-06 | 浙江大华技术股份有限公司 | 一种高度测量方法、终端设备以及计算机存储介质 |
| CN113240747A (zh) * | 2021-04-21 | 2021-08-10 | 浙江大学 | 一种基于计算机视觉的户外结构振动位移自动化监测方法 |
| CN113733354A (zh) * | 2021-08-09 | 2021-12-03 | 中科云谷科技有限公司 | 用于搅拌车的控制方法、处理器和控制装置 |
| CN113587829A (zh) * | 2021-09-03 | 2021-11-02 | 凌云光技术股份有限公司 | 一种边缘厚度测量方法、装置、边缘厚度测量设备及介质 |
| CN113587829B (zh) * | 2021-09-03 | 2023-08-01 | 凌云光技术股份有限公司 | 一种边缘厚度测量方法、装置、边缘厚度测量设备及介质 |
| CN114943778A (zh) * | 2022-07-26 | 2022-08-26 | 广州镭晨智能装备科技有限公司 | 基准面确定方法、检测方法、装置、设备和存储介质 |
| CN114943778B (zh) * | 2022-07-26 | 2023-01-13 | 广州镭晨智能装备科技有限公司 | 基准面确定方法、检测方法、装置、设备和存储介质 |
| CN116912320A (zh) * | 2023-09-13 | 2023-10-20 | 齐鲁空天信息研究院 | 对象高程坐标的定位方法、装置、电子设备及介质 |
| CN116912320B (zh) * | 2023-09-13 | 2023-12-22 | 齐鲁空天信息研究院 | 对象高程坐标的定位方法、装置、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112200771A (zh) | 一种高度测量方法、装置、设备和介质 | |
| CN106683070B (zh) | 基于深度相机的身高测量方法及装置 | |
| CN106529495B (zh) | 一种飞行器的障碍物检测方法和装置 | |
| CN104200454B (zh) | 鱼眼图像畸变校正方法及装置 | |
| CN105654476B (zh) | 基于混沌粒子群优化算法的双目标定方法 | |
| CN105627932A (zh) | 一种基于双目视觉的测距方法及装置 | |
| CN107980138A (zh) | 一种虚警障碍物检测方法及装置 | |
| CN109520500A (zh) | 一种基于终端拍摄图像匹配的精确定位及街景库采集方法 | |
| US11403745B2 (en) | Method, apparatus and measurement device for measuring distortion parameters of a display device, and computer-readable medium | |
| CN103813088A (zh) | 信息处理的方法及电子设备 | |
| CN106650701A (zh) | 基于双目视觉的室内阴影环境下障碍物检测方法及装置 | |
| CN107991665A (zh) | 一种基于定焦相机的对标靶三维坐标连续测量方法 | |
| CN113301320B (zh) | 图像信息处理方法、装置和电子设备 | |
| CN109410140B (zh) | 一种畸变校正方法、装置、系统及计算机可读存储介质 | |
| CN114494347A (zh) | 一种单摄像头多模式视线追踪方法和装置、电子设备 | |
| CN114255285B (zh) | 视频与城市信息模型三维场景融合方法、系统及存储介质 | |
| CN109658451B (zh) | 一种深度感知方法，装置和深度感知设备 | |
| CN114758009A (zh) | 双目标定的方法、装置及电子设备 | |
| CN110889874A (zh) | 一种双目相机标定结果的误差评估方法 | |
| CN114494013A (zh) | 一种图像拼接方法、装置、设备及介质 | |
| CN112446254A (zh) | 人脸追踪的方法及相关装置 | |
| CN106323190A (zh) | 可定制深度测量范围的深度测量方法及深度图像的系统 | |
| CN112233149A (zh) | 场景流的确定方法及装置、存储介质、电子装置 | |
| CN113673319B (zh) | 异常姿态检测方法、装置、电子装置和存储介质 | |
| CN113723380B (zh) | 基于雷达技术的人脸识别方法、装置、设备和存储介质 |
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 |