CN112541428B - 足球识别方法、装置及机器人 - Google Patents

足球识别方法、装置及机器人 Download PDF

Info

Publication number
CN112541428B
CN112541428B CN202011437949.XA CN202011437949A CN112541428B CN 112541428 B CN112541428 B CN 112541428B CN 202011437949 A CN202011437949 A CN 202011437949A CN 112541428 B CN112541428 B CN 112541428B
Authority
CN
China
Prior art keywords
football
subset
sphere
point cloud
cloud data
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
CN202011437949.XA
Other languages
English (en)
Other versions
CN112541428A (zh
Inventor
王东
程骏
张惊涛
胡淑萍
郭渺辰
庞建新
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.)
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
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 Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Priority to CN202011437949.XA priority Critical patent/CN112541428B/zh
Publication of CN112541428A publication Critical patent/CN112541428A/zh
Application granted granted Critical
Publication of CN112541428B publication Critical patent/CN112541428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Image Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)

Abstract

本申请适用于目标检测技术领域，提供了足球识别方法、装置及机器人，所述方法包括：检测视频帧中候选足球的边界框位置，确定所述边界框位置内的二维数据和三维点云数据；根据预设的分类模型对所述二维数据进行分类，得到分类结果；对所述三维点云数据进行球体拟合，得到拟合球体；将所述拟合球体与预设足球比较，得到比较结果；根据所述分类结果与所述比较结果的交集输出足球类别和位置信息。通过上述方法，能够实现对候选足球的准确识别。

Description

足球识别方法、装置及机器人
技术领域
本申请属于目标检测技术领域，尤其涉及足球识别方法、装置及机器人。
背景技术
近年来，深度学习在计算机视觉领域取得了显著的发展，基于深度学习的目标检测算法也开始应用在生活的方方面面，譬如常见的行人检测、车辆检测、遥感图像的船舶建筑物检测等。常见的目标检测算法主要分为两个分支：基于锚点(Anchor-based)和不基于锚点(Anchor-free)的目标检测算法，前者(Anchor-based目标检测算法)又可以进一步分为单阶段和两阶段的目标检测算法，单阶段的算法包含有广为人知的SSD(single shotmultibox detector，其中，single shot指的是SSD算法属于one-stage方法，one-stage方法的特点是一步到位，速度相对较快，MultiBox说明SSD是多框预测)、PeleeSSD(该PeleeSSD是以PeleeNet为主干的SSD目标检测网络，具备轻量化的特点，上述的PeleeNet是轻量化网络变体)、YOLO(You Only Look Once，是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统)系列等网络结构，而后者可以进一步分为基于关键点和基于中心点的两种目标检测算法。
但若直接使用基于深度学习的目标检测技术检测足球则可能会存在如下问题，如图1所示，由于足球的种类繁多，颜色纹理各式各样，因此，使用公开数据集中各种各样的足球训练目标检测网络时，会导致网络对足球的定义很模糊，譬如将生活中的气球、白色球体等误识别为足球，从而造成许多误检测。
发明内容
本申请实施例提供了足球识别方法，能够提高对足球的检测准确率。
第一方面，本申请实施例提供了一种足球识别方法包括：
检测视频帧中候选足球的边界框位置，确定所述边界框位置内的二维数据和三维点云数据；
根据预设的分类模型对所述二维数据进行分类，得到分类结果；
对所述三维点云数据进行球体拟合，得到拟合球体；
将所述拟合球体与预设足球比较，得到比较结果，所述比较结果用于指示所述拟合球体是否为足球；
根据所述分类结果与所述比较结果的交集输出足球类别和位置信息。
第二方面，本申请实施例提供了一种足球识别装置，应用于机器人，包括：
数据确定单元，用于检测视频帧中候选足球的边界框位置，确定所述边界框位置内的二维数据和三维点云数据；
分类结果确定单元，用于根据预设的分类模型对所述二维数据进行分类，得到分类结果，所述分类结果用于指示所述候选足球所属的足球类别；
球体拟合单元，用于对所述三维点云数据进行球体拟合，得到拟合球体；
比较结果确定单元，用于将所述拟合球体与预设足球比较，得到比较结果，所述比较结果用于指示所述拟合球体是否为足球；
识别结果确定单元，用于根据所述分类结果与所述比较结果的交集输出足球类别和位置信息。
第三方面，本申请实施例提供了一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的方法。
第四方面，本申请实施例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第一方面所述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在机器人上运行时，使得机器人执行上述第一方面中所述的方法。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例中，没有直接采用基于深度学习的目标检测网络识别一个物体是否为足球，而是在确定出候选足球的二维数据和三维点云数据后，分别使用分类算法以及球体拟合算法共同识别该候选足球是否为足球，通过多种算法共同作用，有利于提高后续对候选足球进行识别后得到的识别结果的准确率，以及能够实现对候选足球的准确分类，从而进一步提高后续对候选足球进行识别后得到的识别结果的准确率。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是现有的一种足球种类的示意图；
图2是申请实施例一提供的一种足球识别方法的流程图；
图3是申请实施例一提供的安装了2个相机的机器人的示意图；
图4是申请实施例一提供的BoundingBox内的候选足球的三维点云数据可视化后的示意图；
图5是本申请实施例一提供的从图4中分割出的候选足球部分的点云数据可视化后的示意图；
图6是申请实施例一提供的对图5的点云数据进行球体拟合后得到的拟合球体的示意图；
图7是本申请实施例二提供的一种足球识别装置的结构示意图；
图8是本申请实施例三提供的一种机器人的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
实施例一：
目前，使用基于深度学习的目标检测网络检测足球之前，需要对目标检测网络进行训练，比如，采用公开数据集中各种各样的足球对目标检测网络进行训练，但由于足球的种类繁多，颜色纹理各式各样，因此，通过上述方法训练得到的目标检测网络对足球的定义很模糊，进而导致误检测的概率较高。为了解决上述技术问题，本申请实施例提供了一种足球识别方法，该足球识别方法应用于机器人。在该足球识别方法中，采用候选足球的二维数据对该候选足球进行分类，以及，采用该候选足球的三维数据进行球体拟合，得到拟合球体，并将该拟合球体与预设足球比较，以判断该拟合球体是否为足球，最后取分类结果和比较结果的交集，根据交集结果判断候选足球是否为足球，以及在候选足球为足球时，其所属的足球类别是预设足球类别中的哪一个类别。也即，在本申请实施例中，不会直接采用基于深度学习的目标检测网络识别一个物体是否为足球，而是在确定出候选足球的二维数据和三维点云数据后，分别使用分类算法以及球体拟合算法共同识别该候选足球是否为足球，通过多种算法共同作用，有利于提高后续对候选足球进行识别后得到的识别结果的准确率，以及，能够实现对候选足球的准确分类，从而进一步提高后续对候选足球进行识别后得到的识别结果的准确率。
为了更清楚地描述本申请实施例提供的足球识别方法，下面结合附图进行描述。
图2示出了本申请实施例提供的一种足球识别方法的流程图，该足球识别方法可以应用于机器人，详述如下：
步骤S21，检测视频帧中候选足球的边界框位置，确定该边界框位置内的二维数据和三维点云数据。
该步骤中，先检测视频帧是否存在候选足球的物体，若存在，则检测视频帧中候选足球的边界框位置。上述边界框位置内的二维数据为候选足球的x、y的平面信息，三维点云数据为候选足球的x、y、z的三维空间信息。
本实施例的机器人安装了相机，比如，在机器人的胸前和/或胯部安装相机，当在机器人的胸前和胯部均安装相机时，其对应的视场角如图3所示，该相机输出的视频帧作为该步骤的视频帧。为了后续能够快速获取到三维点云数据，则设置该机器人安装的相机为深度相机，比如，可以在胸前和胯部分别安装一个RGBD摄像头。当然，若在胸前安装2个RGB摄像头，该2个RGB摄像头的视角不同，则也可以从该2个RGB摄像头输出的同一个物体的图像中获取该物体的深度信息，此处不再赘述。当机器人安装的是RGBD摄像头，则得到RGB的视频流。
上述步骤中，可采用PeleeSSD目标检测模型检测出每个视频帧中候选足球的边界框位置(BoundingBox)，并得到边界框位置内的二维数据和三维点云数据。具体地，PeleeSSD目标检测模型在RGB二维图形中检测到候选足球后，返回一个包含候选足球的矩形框(Bounding Box)坐标(x,y)，映射到深度相机上会多出一个z轴，即(x,y,z)。当然，也可以使用YOLO目标检测模型进行检测，此处不作限定。
在一些实施例中，考虑到视频帧存在抖动现象时，将影响后续识别结果的准确性，因此，在该步骤S21，包括：
确定该视频帧是否存在抖动现象，若该视频帧没有存在抖动现象，则检测视频帧中候选足球的边界框位置。
具体地，若需要判断当前视频帧是否存在抖动现象，可结合该当前视频帧的相邻帧(如该当前视频帧的上一个视频帧)，比如分别累加2个视频帧在同一个位置上的像素值，再判断2个视频帧在同一个位置的累加值的差，若差值大于预设累加差值阈值，则判定该当前视频帧存在抖动现象，否则，判断该当前视频帧没有存在抖动现象。
本实施例中，当视频帧没有存在抖动现象时，其对应的视频帧的清晰度较高，此时，再检测该视频帧中候选足球的边界框位置，有利于提高得到的边界框位置的准确性。当然，若判断出视频帧存在抖动现象，则丢弃该视频帧，不对该视频帧进行候选足球的检测。
在一些实施例中，为了能够快速提取到二维数据和三维点云数据，该步骤S21在确定该边界框位置内的二维数据和三维点云数据时，包括：
A1、根据该候选足球的边界框位置抠取该候选足球的图像。
A2、识别抠取的该候选足球的图像，确定该候选足球的二维数据和三维点云数据。
本实施例中，根据检测出的边界框位置从视频帧中抠出候选足球的图像(或成候选足球的抠图)，再根据抠出的图像确定出候选足球的二维数据和三维点云数据。由于在确定二维数据和三维点云数据之前，先抠出候选足球的图像，而抠出的候选足球的图像的像素点的数量必然少于视频帧的像素点的数量，因此，从抠出的候选足球的图像上确定候选足球的二维数据和三维点云数据的速度将大于直接从视频帧上确定候选足球的二维数据和三维点云数据的速度。也即，通过上述操作，能够提高确定候选足球的二维数据和三维点云数据的速度。
步骤S22，根据预设的分类模型对该二维数据进行分类，得到分类结果。
在一些实施例中，考虑到机器人识别物体是否为足球的目的是用于判断其是否需要执行踢球动作，而机器人所踢的足球的种类较少，因此，限定预设足球类别的数量小于或等于3，即上述的分类结果用于指示该候选足球所属的足球类别，该足球类别为预设足球类别中的一个类别，该预设足球类别的数量小于或等于3，或者，该分类结果用于指示该候选足球为背景类别。由于分类算法中涉及的预设的足球类别小于或等于3，因此，能够实现对疑似足球的准确分类。
该步骤中，当分类结果指示候选足球为背景类别时，表明该候选足球的物体为误识别，则丢弃被判定为背景类别的候选足球所对应的视频帧(或抠图)。
其中，预设的分类模型通过预设的训练数据集进行训练后得到，若预设足球类别的数量等于3，则该预设的训练数据集包括分别属于3种足球类别的图像样本和属于一种背景类别的图像样本，即预设的训练数据集中的样本图像所包括的足球类别的数量与预设足球类别的数量相等。若需要识别的足球种类为标准5号黑白足球、蓝色的曼城足球和黄色的5号标准足球，则预设的训练数据集将包括标准5号黑白足球对应的图像样本、蓝色的曼城足球对应的图像样本和黄色的5号标准足球对应的图像样本。上述的背景类别的图像样本是指生活中的各种类似足球的物体所对应的图像样本，类似足球的物体包括气球、篮球、机器人(如Walker机器人)的白色球体脚踝等。
本实施例中，当预设的足球类别为3时，且预设的分类模型命名为UBallNet时，该UBallNet的网络结构的具体参数如下表1所示：
表1：
上述表1中：
卷积层的填充(Padding)统一选择SAME类型，即经过卷积的特征图和原图的尺寸保持不变。
FC表示全连接层Fully Connected，后接的数字表示FC输出神经元的数量。
DropOut表示随机丢弃神经元防止过拟合的一种深度学习技术。
SBM表示Separable Convolution+Batch Normalization+Mish ActivationFunction，即深度可分离卷积、批量标准化和Mish激活函数这三种操作的依次组合。
CBM表示Convolution+Batch Normalization+Mish Activation Function，即普通卷积、批量标准化和Mish激活函数这三种操作的依次组合。
上述的UBallNet四分类网络结构具有如下特点：
(1)、相较于传统ResNet18、MobileNetV1等轻量级网络，UballNet具有更低的参数量和计算量，易于部署到移动端，可以达到实时分类的效果。
(2)、UballNet是针对三种指定足球类别+一种背景类设计的分类网络，传统ResNet18、MobileNetV1等轻量级网络容易在此数据集上过拟合，即训练集分类精度极高但是测试集分类精度较差，UballNet可以保持较好的鲁棒性，在训练集和测试集上均达到了极高的准确率。
步骤S23，对该三维点云数据进行球体拟合，得到拟合球体。
上述三维点云数据所在的集合由至少2类子集组成，每个子集包括的三维点云数据为同一个视频帧中的候选足球的三维点云数据。即本实施例是对机器人安装的相机拍摄的各个视频帧中候选足球的三维点云数据进行球体拟合。
在一些实施例中，三维点云数据构成的集合由至少2类子集组成，上述步骤S23，包括：
B1、对第一类子集中的三维点云数据，使用最小方差估计法计算球体模型的参数，得到初始球体模型，该第一类子集包括一个子集，所述第一类子集包括的子集为该集合中的任一个子集。
B2、分别计算第二类子集中各个子集的三维点云数据与该初始球体模型的偏差值，该第二类子集为该集合中除了该第一类子集包括的子集之外的子集所构成的子集。例如，假设三维点云数据构成的集合由子集a、子集b、子集c组成，且第一类子集包括的一个子集为子集a，则第二类子集包括的子集分别为子集b和子集c。
B3、若该偏差值小于预设的偏差阈值，则判定对应的三维点云数据所在的点为该初始球体模型的局内点，否则，判定对应的三维点云数据所在的点为该初始球体模型的局外点，记录该局内点的数量以及该局外点的数量。
B4、若该局内点的数量与该局外点的数量的比值、上述第一类子集和第二类子集所分别包括的子集个数和/或当前迭代次数满足要求，则该初始球体模型作为得到的拟合球体所对应的模型，否则，从第二类子集中选择一个子集作为新的第一子集，并返回该对第一子集中的三维点云数据，使用最小方差估计法计算球体模型的参数的步骤以及后续步骤，其中，该当前迭代次数为选择出新的第一子集的次数加1后的值。需要指出的是，若从第二类子集中选择出一个子集作为新的子集后，后续得到的局内点的数量与该局外点的数量的比值、上述第一类子集和第二类子集所分别包括的子集个数和/或当前迭代次数仍不满足要求，则从第二类子集再次选择一个子集作为新的子集，且保证再次选择的子集与上一次选择的子集为不相同的子集。
上述B1～B4中，通过机器人的深度相机可以得到矩形BoundingBox内候选足球和地面所有三维点云数据的X,Y和Z坐标集合S，该集合S可视化后如图4。从集合S中随机抽取一个子集S_i，然后使用最小方差估计法对这个子集计算球体模型的参数，得到一个初始球体模型M_i，然后计算其他子集与该初始球体模型M_i的偏差值，再使用一个预设的偏差阈值与各偏差值比较，当偏差值小于预设的偏差阈值时，该偏差值对应的样本点属于该初始球体模型M_i的局内点Inliers，否则就是局外点Outliers，记录本次Inliers的个数[Num]_i。上文完成了球体拟合算法的一次循环，然后需要重复上述算法N次，每次循环都需要记录局内点Inliers集合、并更新Inliers数量最大时的最佳的球体模型参数，每次循环的末尾都会根据期望的误差率(即局内点的数量与该局外点的数量的比值)、子集总数、当前迭代的次数计算一个结束评判因子，据此来决定本次循环是否终止。迭代结束后得到的最佳的球体模型参数就是最终球体模型的估计值以及此时的局内点Inliers集合，这里Inliers集合便是足球表面的点云数据(如图5所示)，然后根据球体模型的参数可以再复原整个足球的位姿信息，如图6所示，图中密集的白色(图6中左半球上的点)表示实际点云数据，零散的白色表示拟合后的点云数据(图6中右半球上的点)。
步骤S24，将该拟合球体与预设足球比较，得到比较结果，该比较结果用于指示该拟合球体是否为足球。
本实施例中，确定拟合球体的半径和/或质心距离地面的距离，将该拟合球体的半径与预设足球的半径比较，和/或，将该拟合球体的质心距离地面的距离与预设足球的质心距离地面的距离比较，得到比较结果。
在一些实施例中，为了提高得到的比较结果的准确率，该步骤S24，包括：
C1、确定该拟合球体的质心与地面的距离，得到拟合距离。
C2、将该拟合距离与预设距离比较，得到距离差值，该预设距离为预设足球的质心与地面的距离。
C3、将该拟合球体的半径与预设足球的半径比较，得到半径差值。
C4、若该距离差值与该半径差值均小于预设的差值阈值，则得到用于指示该拟合球体为足球的比较结果，否则，则得到用于指示该拟合球体不为足球的比较结果。
其中，预设的差值阈值小于4CM(厘米)，其可设为1CM(厘米)，或为2CM等。
本实施例中，只有距离差值与半径差值都小于预设的差值阈值，得到的比较结果才指示拟合球体为足球，否则，得到的结果指示拟合球体不是足球。也即，由于通过对半径以及质心与地面的距离都进行限制，因此能够进一步提高识别结果的精确性。
步骤S25，根据该分类结果与该比较结果的交集输出足球类别和位置信息。
该步骤中，在分类结果指示了该疑似足球所属的足球类别，以及，在该比较结果指示了该拟合球体为足球后，确定该疑似足球为足球且该足球的类别为该疑似足球所属的足球类别，也即，只有视频帧中的候选足球都通过了分类算法的检测以及球体拟合算法的拟合，才会输出该候选足球的识别结果，即输出的是合并筛选结果。该合并筛选结果指的是：
(1)UBallNet四分类网络会对若干抠图P_i(1≤i≤N)进行分类，如果抠图P_i的分类结果属于预设足球类别中的某一个类别，那么P_i则保留。如果P_i的分类结果属于背景类别，那么P_i则被舍弃。最终得到一个筛选后的集合S1。
(2)使用边界框内的三维点云数据拟合球体模型的过程，对若干抠图P_i(1≤i≤N)进行球体拟合，拟合球体成功(即比较结果指示拟合球体为足球)P_i则保留，失败P_i则被舍弃，最终得到一个筛选后的集合S2。
(3)最后取S1和S2的交集，便是筛选后的结果，因为S1和S2通常都是个位数，所以这一步基本没有什么复杂度，时间损耗几乎为零，也不需要优化提升速度。
本申请实施例中，没有直接采用基于深度学习的目标检测网络识别一个物体是否为足球，而是在确定出候选足球的二维数据和三维点云数据后，分别使用分类算法以及球体拟合算法共同识别该候选足球是否为足球，通过多种算法共同作用，有利于提高后续对候选足球进行识别后得到的识别结果的准确率，且由于分类算法中涉及的预设足球类别小于或等于3，因此，其能够实现对候选足球的准确分类，从而进一步提高后续对候选足球进行识别后得到的识别结果的准确率。
在一些实施例中，为了增加娱乐性，在上述步骤S25之后，该足球识别方法还包括：
D1、确定该足球的位置信息。
D2、控制该机器人向该位置信息所对应的位置行进。
其中，可将拟合球体的质心信息作为足球的位置信息。
本实施例中，控制机器人向位置信息所对应的位置行进，并在到达上述足球的位置信息后控制机器人执行踢球动作。参考图3，由于机器人胸前的相机和胯部的相机存在盲区(图3所示为1500毫米)，因此，需要对相机获得的每一个视频帧的检测都不能出现误识别，否则，等机器人走进盲区内没有足球出现，将导致机器人前进方向出错，踢球失败。而本申请实施例中，由于通过多种算法共同作用得到识别结果，因此，能够极大提高得到的识别结果的准确率。
在一些实施例中，机器人在确定足球的位置之后，确定其当前位置，并计算其当前位置与足球的位置之间的距离，若判断出其与足球的位置之间的距离大于预设的行走阈值，则控制机器人以第一速度向足球的位置行进，否则，控制机器人以第二速度向足球的位置行进。其中，上述的第一速度大于上述的第二速度。本实施例中，由于根据机器人与足球的距离选择不同的速度行进，因此，能够增加机器人与用户的互动的多样性，提高用户的良好体验。
在一些实施例中，考虑到对候选足球进行分类的复杂度不高，因此，为了减少资源浪费，该足球识别方法还包括：
若该分类结果指示了该候选足球为背景类别，且没有得到该拟合球体和/或没有得到该比较结果，则不再执行该对该三维点云数据进行球体拟合的步骤以及后续步骤。
本实施例中，当机器人已经得到某个视频帧中候选足球的分类结果，且该分类结果指示该候选足球为背景类别，该机器人判断针对该视频帧中的三维点云数据进行拟合球体的步骤是否完成，若没有，则不再执行拟合球体的步骤以及后续步骤。或者，当机器人判断出针对该视频帧中的三维点云数据进行拟合球体的步骤已完成，但判断出将拟合球体与预设足球比较的步骤还没完成，则不再执行将拟合球体与预设足球比较的步骤以及后续步骤。由于本申请实施例的识别结果只取分类算法和球体拟合算法的交集，因此，当判断出候选足球的分类结果不符合要求后，不再执行后续步骤，能够有效减少资源的浪费。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例二：
对应于上文实施例该的足球识别方法，图7示出了本申请实施例提供的足球识别装置的结构框图，该足球识别装置应用于机器人，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图7，该足球识别装置7包括：数据确定单元71、分类结果确定单元72、球体拟合单元73、比较结果确定单元74、识别结果确定单元75。其中：
数据确定单元71，用于检测视频帧中候选足球的边界框位置，确定该边界框位置内的二维数据和三维点云数据。
分类结果确定单元72，用于根据预设的分类模型对该二维数据进行分类，得到分类结果
在一些实施例中，上述分类结果用于指示该候选足球所属的足球类别，该足球类别为预设足球类别中的一个类别，该预设足球类别的数量小于或等于3，或者，该分类结果用于指示该候选足球为背景类别。
球体拟合单元73，用于对该三维点云数据进行球体拟合，得到拟合球体。
比较结果确定单元74，用于将该拟合球体与预设足球比较，得到比较结果，该比较结果用于指示该拟合球体是否为足球。
识别结果确定单元75，用于根据所述分类结果与所述比较结果的交集输出足球类别和位置信息。
本申请实施例中，没有直接采用基于深度学习的目标检测网络识别一个物体是否为足球，而是在确定出候选足球的二维数据和三维点云数据后，分别使用分类算法以及球体拟合算法共同识别该候选足球是否为足球，通过多种算法共同作用，有利于提高后续对候选足球进行识别后得到的识别结果的准确率，且由于分类算法中涉及的预设足球类别小于或等于3，因此，其能够实现对候选足球的准确分类，从而进一步提高后续对候选足球进行识别后得到的识别结果的准确率。
在一些实施例中，该数据确定单元71具体用于：
确定该视频帧是否存在抖动现象，若该视频帧没有存在抖动现象，则检测视频帧中候选足球的边界框位置。
在一些实施例中，该数据确定单元71在确定该边界框位置内的二维数据和三维点云数据时，具体用于：
根据该候选足球的边界框位置抠取该候选足球的图像。识别抠取的该候选足球的图像，确定该候选足球的二维数据和三维点云数据。
在一些实施例中，该三维点云数据所在的集合由至少2类子集组成，该球体拟合单元73，包括：
初始球体模型确定模块，用于对第一类子集中的三维点云数据，使用最小方差估计法计算球体模型的参数，得到初始球体模型，该第一类子集包括一个子集，所述第一类子集包括的子集为该集合中的任一个子集。
偏差值计算模块，用于分别计算第二类子集中各个子集的三维点云数据与该初始球体模型的偏差值，该第二类子集为该集合中除了该第一类子集包括的子集之外的子集所构成的子集。
局内外点数量记录模块，用于若该偏差值小于预设的偏差阈值，则判定对应的三维点云数据所在的点为该初始球体模型的局内点，否则，判定对应的三维点云数据所在的点为该初始球体模型的局外点，记录该局内点的数量以及该局外点的数量。
最终模型确定模块，用于若该局内点的数量与该局外点的数量的比值、该第一类子集和所述第二类子集所分别包括的子集个数和/或当前迭代次数满足要求，则该初始球体模型作为得到的拟合球体所对应的模型，否则，从所述第二类子集中选择一个子集作为新的第一类子集中的子集。
之后返回上述对第一类子集中的三维点云数据，使用最小方差估计法计算球体模型的参数的步骤以及后续步骤，其中，该当前迭代次数为选择出新的第一类子集的次数加1后的值。
在一些实施例中，该比较结果确定单元74，包括：
拟合距离确定模块，用于确定该拟合球体的质心与地面的距离，得到拟合距离。
距离差值确定模块，用于将该拟合距离与预设距离比较，得到距离差值，该预设距离为预设足球的质心与地面的距离。
半径差值确定模块，用于将该拟合球体的半径与预设足球的半径比较，得到半径差值。
差值比较模块，用于若该距离差值与该半径差值均小于预设的差值阈值，则得到用于指示该拟合球体为足球的比较结果，否则，则得到用于指示该拟合球体不为足球的比较结果。
在一些实施例中，该足球识别装置7还包括：
位置信息确定单元，用于确定该足球的位置信息。
控制单元，用于控制该机器人向该位置信息所对应的位置行进。
在一些实施例中，该足球识别装置7还包括：
选择执行单元，用于若该分类结果指示了该候选足球为背景类别，且没有得到该拟合球体和/或没有得到该比较结果，则不再执行该对该三维点云数据进行球体拟合的步骤以及后续步骤。
在一些实施例中，该足球识别装置7还包括：
行进速度控制单元，用于确定其当前位置，并计算其当前位置与足球的位置之间的距离，若判断出其与足球的位置之间的距离大于预设的行走阈值，则控制机器人以第一速度向足球的位置行进，否则，控制机器人以第二速度向足球的位置行进。其中，上述的第一速度大于上述的第二速度。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
实施例三：
图8为本申请一实施例提供的机器人的结构示意图。如图8所示，该实施例的机器人8包括：至少一个处理器80(图8中仅示出一个处理器)、存储器81以及存储在该存储器81中并可在该至少一个处理器80上运行的计算机程序82，该处理器80执行该计算机程序82时实现上述任意各个方法实施例中的步骤：
检测视频帧中候选足球的边界框位置，确定该边界框位置内的二维数据和三维点云数据。
根据预设的分类模型对该二维数据进行分类，得到分类结果。
对该三维点云数据进行球体拟合，得到拟合球体。
将该拟合球体与预设足球比较，得到比较结果，该比较结果用于指示该拟合球体是否为足球。
根据所述分类结果与所述比较结果的交集输出足球类别和位置信息。
可选地，该检测视频帧中候选足球的边界框位置，包括：
确定该视频帧是否存在抖动现象，若该视频帧没有存在抖动现象，则检测视频帧中候选足球的边界框位置。
可选地，该确定该边界框位置内的二维数据和三维点云数据，包括：
根据该候选足球的边界框位置抠取该候选足球的图像。
识别抠取的该候选足球的图像，确定该候选足球的二维数据和三维点云数据。
可选地，该三维点云数据构成的集合由至少2类子集组成，该对该三维点云数据进行球体拟合，得到拟合球体，包括：
对第一类子集中的三维点云数据，使用最小方差估计法计算球体模型的参数，得到初始球体模型，该第一类子集包括一个子集，所述第一类子集包括的子集为该集合中的任一个子集。
分别计算第二类子集中各个子集的三维点云数据与该初始球体模型的偏差值，该第二子集为该集合中除了该第一类子集包括的子集之外的子集所构成的子集。
若该偏差值小于预设的偏差阈值，则判定对应的三维点云数据所在的点为该初始球体模型的局内点，否则，判定对应的三维点云数据所在的点为该初始球体模型的局外点，记录该局内点的数量以及该局外点的数量。
若该局内点的数量与该局外点的数量的比值、该第一类子集和所述第二类子集所分别包括的子集个数和/或当前迭代次数满足要求，则该初始球体模型作为得到的拟合球体所对应的模型，否则，从所述第二类子集中选择一个子集作为新的第一类子集中的子集，并返回该对第一类子集中的三维点云数据，使用最小方差估计法计算球体模型的参数的步骤以及后续步骤，其中，该当前迭代次数为选择出新的第一类子集的次数加1后的值。
可选地，该将该拟合球体与预设足球比较，得到比较结果，该比较结果用于指示该拟合球体是否为足球，包括：
确定该拟合球体的质心与地面的距离，得到拟合距离。
将该拟合距离与预设距离比较，得到距离差值，该预设距离为预设足球的质心与地面的距离。
将该拟合球体的半径与预设足球的半径比较，得到半径差值。
若该距离差值与该半径差值均小于预设的差值阈值，则得到用于指示该拟合球体为足球的比较结果，否则，则得到用于指示该拟合球体不为足球的比较结果。
可选地，所述分类结果用于指示所述候选足球所属的足球类别，所述足球类别为预设足球类别中的一个类别，所述预设足球类别的数量小于或等于3，或者，所述分类结果用于指示所述候选足球为背景类别。
可选地，在所述分类结果指示了所述候选足球所属的足球类别，以及，在所述比较结果指示了所述拟合球体为足球后，所述足球识别方法还包括：
确定所述足球的位置信息；
控制所述机器人向所述位置信息所对应的位置行进。
可选地，该足球识别方法还包括：
若该分类结果指示了该候选足球为背景类别，且没有得到该拟合球体和/或没有得到该比较结果，则不再执行该对该三维点云数据进行球体拟合的步骤以及后续步骤。
该机器人8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该机器人可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是机器人8的举例，并不构成对机器人8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，例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81在一些实施例中可以是所述机器人8的内部存储单元，例如机器人8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述机器人8的外部存储设备，例如所述机器人8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述机器人8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/机器人的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种足球识别方法，其特征在于，包括：
检测视频帧中候选足球的边界框位置，确定所述边界框位置内的二维数据和三维点云数据；
根据预设的分类模型对所述二维数据进行分类，得到分类结果；
对所述三维点云数据进行球体拟合，得到拟合球体；
将所述拟合球体与预设足球比较，得到比较结果，所述比较结果用于指示所述拟合球体是否为足球；
根据所述分类结果与所述比较结果的交集输出足球类别和位置信息；
所述三维点云数据构成的集合由至少2类子集组成，所述对所述三维点云数据进行球体拟合，得到拟合球体，包括：
对第一类子集中的三维点云数据，使用最小方差估计法计算球体模型的参数，得到初始球体模型，所述第一类子集包括一个子集，所述第一类子集包括的子集为所述集合中的任一个子集；
分别计算第二类子集中各个子集的三维点云数据与所述初始球体模型的偏差值，所述第二类子集为所述集合中除了所述第一类子集包括的子集之外的子集所构成的子集；
若所述偏差值小于预设的偏差阈值，则判定对应的三维点云数据所在的点为所述初始球体模型的局内点，否则，判定对应的三维点云数据所在的点为所述初始球体模型的局外点，记录所述局内点的数量以及所述局外点的数量；
若所述局内点的数量与所述局外点的数量的比值、所述第一类子集和所述第二类子集所分别包括的子集个数和当前迭代次数满足要求，则所述初始球体模型作为得到的拟合球体所对应的模型，否则，从所述第二类子集中选择一个子集作为新的第一类子集中的子集，并返回所述对第一类子集中的三维点云数据，使用最小方差估计法计算球体模型的参数的步骤以及后续步骤，其中，所述当前迭代次数为选择出新的第一类子集的次数加1后的值。
2.如权利要求1所述的足球识别方法，其特征在于，所述检测视频帧中候选足球的边界框位置，包括：
确定所述视频帧是否存在抖动现象，若所述视频帧没有存在抖动现象，则检测视频帧中候选足球的边界框位置。
3.如权利要求1所述的足球识别方法，其特征在于，所述确定所述边界框位置内的二维数据和三维点云数据，包括：
根据所述候选足球的边界框位置抠取所述候选足球的图像；
识别抠取的所述候选足球的图像，确定所述候选足球的二维数据和三维点云数据。
4.如权利要求1所述的足球识别方法，其特征在于，所述将所述拟合球体与预设足球比较，得到比较结果，所述比较结果用于指示所述拟合球体是否为足球，包括：
确定所述拟合球体的质心与地面的距离，得到拟合距离；
将所述拟合距离与预设距离比较，得到距离差值，所述预设距离为预设足球的质心与地面的距离；
将所述拟合球体的半径与预设足球的半径比较，得到半径差值；
若所述距离差值与所述半径差值均小于预设的差值阈值，则得到用于指示所述拟合球体为足球的比较结果，否则，则得到用于指示所述拟合球体不为足球的比较结果。
5.如权利要求1至4任一项所述的足球识别方法，其特征在于，所述分类结果用于指示所述候选足球所属的足球类别，所述足球类别为预设足球类别中的一个类别，所述预设足球类别的数量小于或等于3，或者，所述分类结果用于指示所述候选足球为背景类别。
6.如权利要求5所述的足球识别方法，其特征在于，在所述分类结果指示了所述候选足球所属的足球类别，以及，在所述比较结果指示了所述拟合球体为足球后，所述足球识别方法还包括：
确定所述足球的位置信息；
控制机器人向所述位置信息所对应的位置行进。
7.如权利要求5所述的足球识别方法，其特征在于，所述足球识别方法还包括：
若所述分类结果指示了所述候选足球为背景类别，且没有得到所述拟合球体和/或没有得到所述比较结果，则不再执行所述对所述三维点云数据进行球体拟合的步骤以及后续步骤。
8.一种足球识别装置，其特征在于，应用于机器人，包括：
数据确定单元，用于检测视频帧中候选足球的边界框位置，确定所述边界框位置内的二维数据和三维点云数据；
分类结果确定单元，用于根据预设的分类模型对所述二维数据进行分类，得到分类结果；
球体拟合单元，用于对所述三维点云数据进行球体拟合，得到拟合球体；
比较结果确定单元，用于将所述拟合球体与预设足球比较，得到比较结果，所述比较结果用于指示所述拟合球体是否为足球；
识别结果确定单元，用于根据所述分类结果与所述比较结果的交集输出足球类别和位置信息；
所述三维点云数据构成的集合由至少2类子集组成，所述球体拟合单元包括：
初始球体模型确定模块，用于对第一类子集中的三维点云数据，使用最小方差估计法计算球体模型的参数，得到初始球体模型，所述第一类子集包括一个子集，所述第一类子集包括的子集为所述集合中的任一个子集；
偏差值计算模块，用于分别计算第二类子集中各个子集的三维点云数据与所述初始球体模型的偏差值，所述第二类子集为所述集合中除了所述第一类子集包括的子集之外的子集所构成的子集；
局内外点数量记录模块，用于若所述偏差值小于预设的偏差阈值，则判定对应的三维点云数据所在的点为所述初始球体模型的局内点，否则，判定对应的三维点云数据所在的点为所述初始球体模型的局外点，记录所述局内点的数量以及所述局外点的数量；
最终模型确定模块，用于若所述局内点的数量与所述局外点的数量的比值、所述第一类子集和所述第二类子集所分别包括的子集个数和/或当前迭代次数满足要求，则所述初始球体模型作为得到的拟合球体所对应的模型，否则，从所述第二类子集中选择一个子集作为新的第一类子集中的子集。
9.一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至7任一项所述的方法。
CN202011437949.XA 2020-12-11 2020-12-11 足球识别方法、装置及机器人 Active CN112541428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011437949.XA CN112541428B (zh) 2020-12-11 2020-12-11 足球识别方法、装置及机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011437949.XA CN112541428B (zh) 2020-12-11 2020-12-11 足球识别方法、装置及机器人

Publications (2)

Publication Number Publication Date
CN112541428A CN112541428A (zh) 2021-03-23
CN112541428B true CN112541428B (zh) 2024-01-16

Family

ID=75019894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011437949.XA Active CN112541428B (zh) 2020-12-11 2020-12-11 足球识别方法、装置及机器人

Country Status (1)

Country Link
CN (1) CN112541428B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599272A (zh) * 2015-01-22 2015-05-06 中国测绘科学研究院 面向可移动靶标球的机载LiDAR点云与影像联合配准方法
WO2018133851A1 (zh) * 2017-01-22 2018-07-26 腾讯科技（深圳）有限公司 一种点云数据处理方法、装置及计算机存储介质
CN108895977A (zh) * 2018-07-02 2018-11-27 宝鸡文理学院 一种大型球形结构件热处理变形测量装置
CN109003325A (zh) * 2018-06-01 2018-12-14 网易（杭州）网络有限公司 一种三维重建的方法、介质、装置和计算设备
CN111091062A (zh) * 2019-11-21 2020-05-01 东南大学 一种基于3d视觉聚类和匹配的机器人乱序目标分拣方法
CN111126296A (zh) * 2019-12-25 2020-05-08 中国联合网络通信集团有限公司 水果定位方法及装置
CN111178250A (zh) * 2019-12-27 2020-05-19 深圳市越疆科技有限公司 物体识别定位方法、装置及终端设备
CN111667379A (zh) * 2020-05-26 2020-09-15 湖南科技大学 基于风电数据升维与球面数据拟合的故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599272A (zh) * 2015-01-22 2015-05-06 中国测绘科学研究院 面向可移动靶标球的机载LiDAR点云与影像联合配准方法
WO2018133851A1 (zh) * 2017-01-22 2018-07-26 腾讯科技（深圳）有限公司 一种点云数据处理方法、装置及计算机存储介质
CN109003325A (zh) * 2018-06-01 2018-12-14 网易（杭州）网络有限公司 一种三维重建的方法、介质、装置和计算设备
CN108895977A (zh) * 2018-07-02 2018-11-27 宝鸡文理学院 一种大型球形结构件热处理变形测量装置
CN111091062A (zh) * 2019-11-21 2020-05-01 东南大学 一种基于3d视觉聚类和匹配的机器人乱序目标分拣方法
CN111126296A (zh) * 2019-12-25 2020-05-08 中国联合网络通信集团有限公司 水果定位方法及装置
CN111178250A (zh) * 2019-12-27 2020-05-19 深圳市越疆科技有限公司 物体识别定位方法、装置及终端设备
CN111667379A (zh) * 2020-05-26 2020-09-15 湖南科技大学 基于风电数据升维与球面数据拟合的故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
复杂场景三维点云中未知球形目标的自动识别方法;李嘉 等;《计算机辅助设计与图形学学报》;第25卷(第10期);第1489-1495页 *

Also Published As

Publication number Publication date
CN112541428A (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
CN111160379B (zh) 图像检测模型的训练方法及装置、目标检测方法及装置
CN109035304B (zh) 目标跟踪方法、介质、计算设备和装置
CN105279484A (zh) 对象检测方法和对象检测装置
CN111046856B (zh) 基于动静态特征提取并行位姿跟踪与地图创建的方法
US9378556B2 (en) Method for reducing false object detection in stop-and-go scenarios
Ventura et al. Iterative deep learning for road topology extraction
CN110569782A (zh) 一种基于深度学习目标检测方法
AU2013245477A1 (en) Method, system and apparatus for determining a contour segment for an object in an image captured by a camera
WO2019197021A1 (en) Device and method for instance-level segmentation of an image
Yang et al. Binary descriptor based nonparametric background modeling for foreground extraction by using detection theory
Iraei et al. Object tracking with occlusion handling using mean shift, Kalman filter and edge histogram
Liu et al. Multi-type road marking recognition using adaboost detection and extreme learning machine classification
Meus et al. Embedded vision system for pedestrian detection based on HOG+ SVM and use of motion information implemented in Zynq heterogeneous device
Hua et al. Pedestrian-and vehicle-detection algorithm based on improved aggregated channel features
Zhang et al. Visual saliency based object tracking
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
CN107103301B (zh) 视频目标时空最大稳定性判别性颜色区域匹配方法和系统
Fradet et al. Clustering point trajectories with various life-spans
Yan et al. Multicamera pedestrian detection using logic minimization
CN112541428B (zh) 足球识别方法、装置及机器人
US10706499B2 (en) Image processing using an artificial neural network
CN114898306B (zh) 一种检测目标朝向的方法、装置及电子设备
Wu et al. Vehicle detection in high-resolution images using superpixel segmentation and CNN iteration strategy
Valiere et al. Robust vehicle counting with severe shadows and occlusions
Zheng et al. Mutual guidance-based saliency propagation for infrared pedestrian images

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