CN112562063A - 用于对物体进行立体尝试的方法、装置、设备及存储介质 - Google Patents
用于对物体进行立体尝试的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112562063A CN112562063A CN202011421566.3A CN202011421566A CN112562063A CN 112562063 A CN112562063 A CN 112562063A CN 202011421566 A CN202011421566 A CN 202011421566A CN 112562063 A CN112562063 A CN 112562063A
- Authority
- CN
- China
- Prior art keywords
- target
- object image
- object model
- model
- dimensional
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013507 mapping Methods 0.000 claims description 51
- 230000009466 transformation Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000009877 rendering Methods 0.000 claims description 9
- 239000007787 solid Substances 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 72
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003706 image smoothing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种用于对物体进行立体尝试的方法、装置、设备以及存储介质，涉及数据处理、计算机视觉技术、深度学习、增强现实等人工智能领域。具体实现方案为：获取目标物体图像；调用预设的立体物体模型并确定预设的立体物体模型上的参考密集点；基于目标物体图像和预设的立体物体模型，确定参考密集点与目标物体图像上的像素点的对应关系；基于对应关系，确定目标物体图像对应的目标立体物体模型，并输出目标立体物体模型以供用户进行立体尝试。本实现方式通过预设的立体物体模型上的参考密集点，确定该参考密集点与平面物体上的像素点的对应关系，从而可以基于该对应关系提高对平面物体图像的立体姿态进行估计的准确性，以供用户进行尝试。
Description
技术领域
本申请涉及人工智能领域，具体涉及数据处理、计算机视觉技术、深度学习、增强现实领域，尤其涉及用于对物体进行立体尝试的方法、装置、设备及存储介质。
背景技术
密集关键点对于准确恢复鞋子姿态是至关重要的。由于关键点检测不可避免的会出现一定的偏差，只使用几个或者几十个点去解姿态就会出现比较大的偏差。
目前的鞋子标注方法是基于稀疏点的，解决了标注中面临的遮挡、准确性等问题。在应对动辄上万点的标注时效果不好。
现在常用的热图法把每个关键点扩展为经过高斯模糊后的特征图，能够大大提升时高复杂场景下关键点的检测精度，但是在有成千上万个点时会占用大量的存储空间和计算时间，让本不富余的硬件资源捉襟见肘。
发明内容
本公开提供了一种用于对物体进行立体尝试的方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种用于对物体进行立体尝试的方法，包括：获取目标物体图像；调用预设的立体物体模型并确定预设的立体物体模型上的参考密集点；基于目标物体图像和预设的立体物体模型，确定参考密集点与目标物体图像上的像素点的对应关系；基于对应关系，确定目标物体图像对应的目标立体物体模型，并输出目标立体物体模型以供用户进行立体尝试。
根据本公开的另一方面，提供了一种用于对物体进行立体尝试的装置，包括：获取单元，被配置成获取目标物体图像；调用单元，被配置成调用预设的立体物体模型并确定预设的立体物体模型上的参考密集点；对应关系确定单元，被配置成基于目标物体图像和预设的立体物体模型，确定参考密集点与目标物体图像上的像素点的对应关系；目标立体物体模型确定单元，被配置成基于对应关系，确定目标物体图像对应的目标立体物体模型，并输出目标立体物体模型以供用户进行立体尝试。
根据本公开的再一方面，提供了一种用于对物体进行立体尝试的电子设备，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上述用于对物体进行立体尝试的方法。
根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，上述计算机指令用于使计算机执行如上述用于对物体进行立体尝试的方法。
根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现如上述用于对物体进行立体尝试的方法。
根据本申请的技术解决了在对物体中的上万点进行标注时，效果不好的问题，通过预设的立体物体模型上的参考密集点，确定该参考密集点与平面物体上的像素点的对应关系，从而可以基于该对应关系提高在对物体进行上万点的标注时的准确性，从而提高对平面物体图像的立体姿态进行估计的准确性，以供用户对该平面物体图像对应的目标立体物体模型进行立体尝试。
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
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是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于对物体进行立体尝试的方法的一个实施例的流程图；
图3是根据本申请的用于对物体进行立体尝试的方法的一个应用场景的示意图；
图4是根据本申请的用于对物体进行立体尝试的方法的另一个实施例的流程图；
图5是根据本申请的用于对物体进行立体尝试的装置的一个实施例的结构示意图；
图6是用来实现本申请实施例的用于对物体进行立体尝试的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
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。
图1示出了可以应用本申请的用于对物体进行立体尝试的方法或用于对物体进行立体尝试的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可以包括相机101、102，网络103和终端设备104。网络103用以在相机101、102和终端设备104之间提供通信链路的介质。网络103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。
相机101、102可以通过网络103与终端设备104交互，以接收或发送消息。相机101、102可以采集目标物体图像，并将采集的目标物体图像发送给终端设备104，或者存储于本地。
终端设备104可以从相机101、102处获取采集的图像，并对目标物体图像进行处理。终端设备101、102、103上可以安装有各种通讯客户端应用，例如3D试鞋类应用等。
终端设备104可以是硬件，也可以是软件。当终端设备104为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备104为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，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用于对物体进行立体尝试的方法可以由终端设备104执行。相应地，用于对物体进行立体尝试的装置可以设置于终端设备104中。
应该理解，图1中的相机、网络和终端设备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相机、网络和终端设备。
继续参考图2，示出了根据本申请的用于对物体进行立体尝试的方法的一个实施例的流程200。本实施例的用于对物体进行立体尝试的方法，包括以下步骤：
步骤201，获取目标物体图像。
本实施例中，用于对物体进行立体尝试的方法的执行主体(例如图1中的终端设备104)可以通过有线连接或者无线连接的方式获取由相机拍摄的平面的目标物体图像。具体地，目标物体图像可以是鞋子、衣服、眼镜等，本申请对目标物体图像的类型不做具体限定。
具体地，在利用相机对目标物体进行拍摄时，可以限定一些外部条件，以使得对图片的拍摄更精确，该外部条件例如可以是：为了排除相机内参对姿态求解的影响，在图片采集阶段记录下相机的内参，具体操作如下：首先制作一9*6的棋盘格标定板，放至到平整的平面上，确保光线均匀，无阴影、亮光等的干扰；将用于标注的相机使用固定分辨率(1280*720)采集一段长约10-20秒的视频，期间缓慢移动相机，覆盖棋盘格不同角度、倾斜等；使用张正友标注法求解出采集相机的内参。本申请对这些外部条件不做限定。
步骤202，调用预设的立体物体模型并确定预设的立体物体模型上的参考密集点。
执行主体在获取目标物体图像后，可以调用预设的立体物体模型并确定预设的立体物体模型上的参考密集点。具体地，预设的立体物体模型可以是与目标物体同类的标准件的模型，例如，当目标物体图像是鞋子时，预设的立体物体模型可以是与该鞋子同类的标准鞋模型，例如当目标物体图像是靴子时，预设的立体物体模型可以是与该靴子同类的标准靴的模型。本申请对立体物体模型的种类不做具体限定，但其必须与目标物体图像的种类相对应。参考密集点，可以是预设的立体物体模型上用于定位的点或像素点，可以是根据历史的恢复物体的姿态效果较好的参考密集点数据设置的，本申请对参考密集点的设置方式不做具体限定。
步骤203，基于目标物体图像和预设的立体物体模型，确定参考密集点与目标物体图像上的像素点的对应关系。
执行主体在获取目标物体图像并确定了预设的立体物体模型上的参考密集点后，可以基于目标物体图像和预设的立体物体模型，确定参考密集点与目标物体图像上的像素点的对应关系。具体地，执行主体可以将目标物体图像和预设的立体物体模型输入到预训练的转换模型中，从而可以确定出预设的立体物体模型中的参考密集点与目标物体上的像素点的对应关系，其中，预训练的转换模型用于将预设的立体物体模型调整到与目标物体图像重叠最大，并用于输出经转换后的预设的立体物体模型上的参考密集点与目标物体图像上的像素点之间的对应关系以及输出经转换后的预设的立体物体模型。其中，预训练的转换模型可以是经过训练的神经网络模型，例如CNN卷积神经网络模型。
步骤204，基于对应关系，确定目标物体图像对应的目标立体物体模型，并输出目标立体物体模型以供用户进行立体尝试。
执行主体在得到对应关系后，可以基于对应关系，确定目标物体图像对应的目标立体物体模型，并输出目标立体物体模型以供用户进行立体尝试。具体地，执行主体可以将预训练的转换模型输出的经转换后的预设的立体物体模型作为目标立体物体模型输出至可视化界面以供用户进行立体尝试；此外，执行主体还可以调整预设的立体物体模型使之根据对应关系转换成目标立体物体模型，并在终端设备的三维可视化界面输出该目标立体物体模型，以供用户进行立体尝试。
继续参考图3，其示出了根据本申请的用于对物体进行立体尝试的方法的一个应用场景的示意图。在图3的应用场景中，计算机303获取相机301拍摄的目标物体图像302(例如，可以是一幅或多幅鞋子的图片)。计算机303调用预设的立体物体模型304(例如，与拍摄的鞋子同类的标准鞋的3D模型)并确定预设的立体物体模型304上的参考密集点A。计算机303基于目标物体图像302和预设的立体物体模型304，确定参考密集点A与目标物体图像302上的像素点B的对应关系305。计算机303基于对应关系305，确定目标物体图像302对应的目标立体物体模型306，并输出目标立体物体模型306以供用户进行立体尝试。
本实施例通过预设的立体物体模型上的参考密集点，确定该参考密集点与平面物体上的像素点的对应关系，从而可以基于该对应关系提高对平面物体图像的立体姿态进行估计的准确性，以供用户进行尝试。
继续参考图4，其示出了根据本申请的用于对物体进行立体尝试的方法的另一个实施例的流程400。如图4所示，本实施例的用于对物体进行立体尝试的方法，可以包括以下步骤：
步骤401，获取目标物体图像。
步骤402，调用预设的立体物体模型并确定预设的立体物体模型上的参考密集点。
步骤403，基于目标物体图像和预设的立体物体模型，确定参考密集点与目标物体图像上的像素点的对应关系。
步骤401～步骤403的原理与步骤201和步骤203的原理类似，此处不再赘述。
具体地，步骤403还可以通过以下步骤4031～步骤4034来实现：
步骤4031，基于目标物体图像和预设的立体物体模型，确定变换矩阵。
执行主体在获取目标物体图像，并调用预设的立体物体模型后，可以基于目标物体图像和预设的立体物体模型，确定变换矩阵。具体地，执行主体可以首先采用拖拽标注法将预设的立体物体模型调整到与目标物体图像重叠最大，然后记录保存此时的变换矩阵。具体地，变换矩阵可以是参考密集点由在预设的立体物体模型中的位置坐标转换成在调整后的立体物体模型中的位置坐标时所用到的矩阵。变换矩阵中的各元素可以包括欧拉角。
步骤4032，根据变换矩阵，确定变换后的立体物体模型。
执行主体在确定变换矩阵后，可以根据变换矩阵，确定变换后的立体物体模型。具体地，执行主体可以根据变换矩阵将预设的立体物体模型转换成与目标物体图像重叠最大的立体物体模型，即可得到变换后的立体物体模型。变换后的立体物体模型可能是由预设的立体物体模型经过压缩或拉伸、旋转等操作得到的。
步骤4033，根据变换矩阵，将预设的立体物体模型上的参考密集点映射至目标物体图像上，得到映射物体图像。
执行主体在得到变换矩阵后，可以根据变换矩阵，将预设的立体物体模型上的参考密集点映射至目标物体图像上，得到映射物体图像。可以理解的是，执行主体可以将变换前的预设的立体物体模型上的参考密集点根据变换矩阵映射到目标物体图像上，也可以将变换后的立体物体模型此时的参考密集点的位置映射到目标物体图像上，本申请对此不做具体限定，从而得到映射物体图像。映射物体图像，是在目标物体图像上映射由参考密集点的图像。
步骤4034，基于映射物体图像和变换后的立体物体模型，确定变换后的立体物体模型中的参考密集点与目标物体图像上的像素点的对应关系。
执行主体在得到映射物体图像后，可以基于映射物体图像和变换后的立体物体模型，确定变换后的立体物体模型中的参考密集点与目标物体图像上的像素点的对应关系。具体地，执行主体在得到映射物体图像后，可以根据映射物体图像上的参考密集点与映射物体图像上的像素点的对应关系，可以理解的是，映射物体图像上的参考密集点的位置与变换后的立体物体模型中对应的参考密集点的位置相同，则执行主体可以根据映射物体图像上的参考密集点与映射物体图像上的像素点的对应关系确定变换后的立体物体模型中的参考密集点与目标物体图像(映射物体图像就是在目标物体图像上映射了变换后的立体物体模型中的参考密集点后的图像，与目标物体图像本质上是一样的)上的像素点的对应关系。
本实施例通过首先将预设的立体物体模型上的参考密集点通过变换矩阵映射到目标物体的图像上，并据此确定目标物体图像上的像素点与变换后的立体物体模型上的参考密集点的对应关系，从而可以根据该对应关系确定目标立体物体，以供用户进行立体尝试，从而可以提高对物体姿态估计的准确性。
具体地，步骤4034还可以通过以下步骤40341～步骤40342来实现：
步骤40341，对变换后的立体物体模型划分区域，得到各分部。
执行主体在得到变换后的立体物体模型后，还可以对变换后的立体物体模型划分区域，得到各分部。具体地，执行主体可以采用分部UV图表示法，将变换后的立体物体模型分成若干部分，例如，当变换后的立体物体模型为鞋子的模型、目标物体图像为鞋子的图像时，执行主体可以采用分部UV图表示法将鞋子模型分为鞋尖、鞋底、鞋肩、鞋托等若干部分(记为K，即K个分部，可以调节K的大小，以满足不同精度的需求)，确保每个分部与平面同构。
其中，UV图指的是将鞋子模型渲染时贴图的坐标，其中，UV图与空间模型的XYZ轴是类似的，它定义了鞋子图像上每个点的位置的信息，这些点与3D鞋子的模型是互相联系的(即此处用到了上述提到的对应关系)，以决定在鞋子模型的表面纹理贴图的位置，就好像虚拟的“创可贴”，UV图就是将鞋子图像上的每一个点精确对应到模型物体的表面，在点与点之间的间隙位置由软件进行图像光滑插值处理即上述的UV图。
步骤40342，基于映射物体图像、各分部以及预训练的神经网络模型，确定各分部上的参考密集点与目标物体上的像素点的对应关系。
本实施例中，预训练的神经网络模型用于表征变换后的立体物体模型的各分部上的参考密集点与映射物体图像中的像素点的对应关系。执行主体在得到映射物体图像和各分部后，可以基于映射物体图像、各分部以及预训练的神经网络模型，确定各分部上的参考密集点与目标物体上的像素点的对应关系。具体地，预训练的神经网络模型可以是预训练的backbone神经网络(主干网络，用来做特征提取的网络)。具体地，预训练的backbone神经网络的一个分支可以用来确定映射物体图像的像素点对应的立体物体模型的分部的索引，也即用于预测映射物体图像的像素点属于哪个分部。具体地，执行主体可以将映射物体图像和进行分部后的立体物体模型(当然也可以将立体的各分部)输入至预训练的backbone神经网络，得到各分部上的参考密集点与目标物体上的像素点的对应关系。
本实施例通过对变换后的立体物体模型进行分部处理，可以降低对backbone神经网络的训练难度，并且可以降低预训练的backbone神经对各分部上的参考密集点与目标物体上的像素点的对应关系进行确定的难度，并且可以使得基于预训练的backbone神经网络得到的各分部上的参考密集点与目标物体上的像素点的对应关系更精确。
步骤404，基于对应关系，确定目标物体图像对应的目标立体物体模型，并输出目标立体物体模型以供用户进行立体尝试。
步骤404的原理与步骤204的原理类似，此处不再赘述。
具体地，步骤404还可以通过步骤4041～步骤4042来实现：
步骤4041，基于对应关系、映射物体图像、各分部以及预训练的神经网络模型，确定映射物体图像中的各像素点在各分部中的对应坐标。
本实施例中，预训练的神经网络模型用于表征映射物体图像中的各像素点与对应的变换后的立体物体模型的分部中的坐标的对应关系。预训练的神经网络模型可以是预训练的backbone神经网络(主干网络，用来做特征提取的网络)。预训练的backbone神经网络的另一个分支可以用来回归映射物体图像上的像素点在各分部下的坐标。具体地，执行主体可以将映射物体图像和进行分部后的立体物体模型(当然也可以将立体的各分部)输入至预训练的backbone神经网络，得到映射物体图像中的各像素点在各分部中的对应坐标。
步骤4042，基于对应坐标，确定目标物体图像对应的目标立体物体模型。
执行主体在得到对应坐标后，可以基于对应坐标，确定目标物体图像对应的目标立体物体模型。具体地，执行主体可以基于对应坐标将目标物体图像上表征颜色的像素点通过UV图贴图到变换后的立体物体图像上。其中，UV图指的是将鞋子模型渲染时贴图的坐标，其中，UV图与空间模型的XYZ轴是类似的，它定义了鞋子图像上每个点的位置的信息，这些点与3D鞋子的模型是互相联系的(即此处用到了上述提到的对应关系)，以决定在鞋子模型的表面纹理贴图的位置，就好像虚拟的“创可贴”，UV图就是将鞋子图像上的每一个点精确对应到模型物体的表面，在点与点之间的间隙位置由软件进行图像光滑插值处理即上述的UV图。
本实施例通过基于立体物体模型的各分部上的参考密集点与目标物体上的像素点的对应关系、映射物体图像、各分部以及预训练的神经网络模型，确定映射物体图像中的各像素点在各分部中的对应坐标，并基于对应坐标，确定目标物体图像对应的目标立体物体模型，可以使得对目标立体物体模型的确定更精确，提高对目标平面物体图像的立体姿态进行估计的准确性，并可以高度还原目标平面物体图像的表面形态。
具体地，步骤4042还可以通过步骤40421～步骤40422来实现：
步骤40421，获取映射物体图像中的各像素点对应的纹理。
执行主体在得到映射物体图像中的各像素点在各分部中的对应坐标后，可以获取映射物体图像中的各像素点对应的纹理。纹理，可以指的是物体面上的花纹或线条，是物体上呈现的线形纹路。
步骤40422，基于对应坐标和纹理，对变换后的立体物体模型的各分部进行纹理渲染贴图，得到目标物体图像对应的目标立体物体模型。
执行主体在获取纹理后，可以基于对应坐标和纹理，对变换后的立体物体模型的各分部进行纹理渲染贴图，得到目标物体图像对应的目标立体物体模型。具体地，执行主体可以基于UV图所指示的将目标物体模型渲染时贴图的坐标(即上述的对应坐标)，利用获取的纹理，采用UV图表示法对变换后的立体物体模型的各分部进行纹理渲染贴图，将纹理贴图到对应的分部上，得到目标物体图像对应的目标立体物体模型。
本实施例通过基于映射物体图像中的各像素点在各分部中的对应坐标以及获取的映射物体图像中的各像素点对应的纹理，对变换后的立体物体模型进行纹理贴图，可以使得确定出的目标立体物体模型更逼真，更接近于目标物体图像的外貌，提升用户尝试该目标立体物体模型的体验。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于对物体进行立体尝试的装置的一个实施例，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5所示，本实施例的用于对物体进行立体尝试的装置500包括：获取单元501、调用单元502、对应关系确定单元503和目标立体物体模型确定单元504。
获取单元501，被配置成获取目标物体图像。
调用单元502，被配置成调用预设的立体物体模型并确定预设的立体物体模型上的参考密集点。
对应关系确定单元503，被配置成基于目标物体图像和预设的立体物体模型，确定参考密集点与目标物体图像上的像素点的对应关系。
目标立体物体模型确定单元504，被配置成基于对应关系，确定目标物体图像对应的目标立体物体模型，并输出目标立体物体模型以供用户进行立体尝试。
在本实施例的一些可选的实现方式中，对应关系确定单元503进一步被配置成：基于目标物体图像和预设的立体物体模型，确定变换矩阵；根据变换矩阵，确定变换后的立体物体模型；根据变换矩阵，将预设的立体物体模型上的参考密集点映射至目标物体图像上，得到映射物体图像；基于映射物体图像和变换后的立体物体模型，确定变换后的立体物体模型中的参考密集点与目标物体图像上的像素点的对应关系。
在本实施例的一些可选的实现方式中，对应关系确定单元503进一步被配置成：对变换后的立体物体模型划分区域，得到各分部；基于映射物体图像、各分部以及预训练的神经网络模型，确定各分部上的参考密集点与目标物体上的像素点的对应关系，其中，预训练的神经网络模型用于表征变换后的立体物体模型的各分部上的参考密集点与映射物体图像中的像素点的对应关系。
在本实施例的一些可选的实现方式中，目标立体物体模型确定单元504进一步被配置成：基于对应关系、映射物体图像、各分部以及预训练的神经网络模型，确定映射物体图像中的各像素点在各分部中的对应坐标，其中，预训练的神经网络模型用于表征映射物体图像中的各像素点与对应的变换后的立体物体模型的分部中的坐标的对应关系；基于对应坐标，确定目标物体图像对应的目标立体物体模型。
在本实施例的一些可选的实现方式中，目标立体物体模型确定单元504进一步被配置成：获取映射物体图像中的各像素点对应的纹理；基于对应坐标和纹理，对变换后的立体物体模型的各分部进行纹理渲染贴图，得到目标物体图像对应的目标立体物体模型。
应当理解，用于对物体进行立体尝试的装置500中记载的单元501至单元504分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于对物体进行立体尝试的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。
根据本申请的实施例，本申请还提供了一种用于对物体进行立体尝试的电子设备、一种可读存储介质以及一种计算机程序产品。
如图6所示，是根据本申请实施例的用于对物体进行立体尝试的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6所示，该电子设备包括：一个或多个处理器601、存储器602，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605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605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6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的用于对物体进行立体尝试的方法。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用于对物体进行立体尝试的方法。
存储器602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单元，如本申请实施例中的用于对物体进行立体尝试的方法对应的程序指令/单元(例如，附图5所示的获取单元501、调用单元502、对应关系确定单元503和目标立体物体模型确定单元504)。处理器601通过运行存储在存储器602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用于对物体进行立体尝试的方法。
存储器602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用于对物体进行立体尝试的电子设备的使用所创建的数据等。此外，存储器602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602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至用于对物体进行立体尝试的电子设备。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。
用于对物体进行立体尝试的方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线605或者其他方式连接，图6中以通过总线605连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与用于对物体进行立体尝试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604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)、互联网和区块链网络。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现如上述用于对物体进行立体尝试的方法。
根据本申请实施例的技术方案，通过预设的立体物体模型上的参考密集点，确定该参考密集点与平面物体上的像素点的对应关系，从而可以基于该对应关系提高对平面物体姿态估计的准确性。
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 (13)
1.一种用于对物体进行立体尝试的方法，包括：
获取目标物体图像；
调用预设的立体物体模型并确定所述预设的立体物体模型上的参考密集点；
基于所述目标物体图像和所述预设的立体物体模型，确定所述参考密集点与所述目标物体图像上的像素点的对应关系；
基于所述对应关系，确定所述目标物体图像对应的目标立体物体模型，并输出所述目标立体物体模型以供用户进行立体尝试。
2.根据权利要求1所述的方法，其中，所述基于所述目标物体图像和所述预设的立体物体模型，确定所述参考密集点与所述目标物体图像上的像素点的对应关系，包括：
基于所述目标物体图像和所述预设的立体物体模型，确定变换矩阵；
根据所述变换矩阵，确定变换后的立体物体模型；
根据所述变换矩阵，将所述预设的立体物体模型上的参考密集点映射至所述目标物体图像上，得到映射物体图像；
基于所述映射物体图像和所述变换后的立体物体模型，确定变换后的立体物体模型中的参考密集点与所述目标物体图像上的像素点的对应关系。
3.根据权利要求2所述的方法，其中，所述基于所述映射物体图像和所述变换后的立体物体模型，确定变换后的立体物体模型中的参考密集点与所述目标物体图像上的像素点的对应关系，包括：
对所述变换后的立体物体模型划分区域，得到各分部；
基于所述映射物体图像、所述各分部以及预训练的神经网络模型，确定所述各分部上的参考密集点与所述目标物体上的像素点的对应关系，其中，所述预训练的神经网络模型用于表征所述变换后的立体物体模型的所述各分部上的参考密集点与所述映射物体图像中的像素点的对应关系。
4.根据权利要求3所述的方法，其中，所述基于所述对应关系，确定所述目标物体图像对应的目标立体物体模型，包括：
基于所述对应关系、所述映射物体图像、所述各分部以及预训练的神经网络模型，确定映射物体图像中的各像素点在所述各分部中的对应坐标，其中，所述预训练的神经网络模型用于表征映射物体图像中的各像素点与对应的所述变换后的立体物体模型的分部中的坐标的对应关系；
基于所述对应坐标，确定所述目标物体图像对应的目标立体物体模型。
5.根据权利要求4所述的方法，其中，所述基于所述对应坐标，确定所述目标物体图像对应的目标立体物体模型，包括：
获取所述映射物体图像中的各像素点对应的纹理；
基于所述对应坐标和所述纹理，对所述变换后的立体物体模型的所述各分部进行纹理渲染贴图，得到所述目标物体图像对应的目标立体物体模型。
6.一种用于对物体进行立体尝试的装置，包括：
获取单元，被配置成获取目标物体图像；
调用单元，被配置成调用预设的立体物体模型并确定所述预设的立体物体模型上的参考密集点；
对应关系确定单元，被配置成基于所述目标物体图像和所述预设的立体物体模型，确定所述参考密集点与所述目标物体图像上的像素点的对应关系；
目标立体物体模型确定单元，被配置成基于所述对应关系，确定所述目标物体图像对应的目标立体物体模型，并输出所述目标立体物体模型以供用户进行立体尝试。
7.根据权利要求6所述的装置，其中，所述对应关系确定单元进一步被配置成：
基于所述目标物体图像和所述预设的立体物体模型，确定变换矩阵；
根据所述变换矩阵，确定变换后的立体物体模型；
根据所述变换矩阵，将所述预设的立体物体模型上的参考密集点映射至所述目标物体图像上，得到映射物体图像；
基于所述映射物体图像和所述变换后的立体物体模型，确定变换后的立体物体模型中的参考密集点与所述目标物体图像上的像素点的对应关系。
8.根据权利要求7所述的装置，其中，所述对应关系确定单元进一步被配置成：
对所述变换后的立体物体模型划分区域，得到各分部；
基于所述映射物体图像、所述各分部以及预训练的神经网络模型，确定所述各分部上的参考密集点与所述目标物体上的像素点的对应关系，其中，所述预训练的神经网络模型用于表征所述变换后的立体物体模型的所述各分部上的参考密集点与所述映射物体图像中的像素点的对应关系。
9.根据权利要求8所述的装置，其中，所述目标立体物体模型确定单元进一步被配置成：
基于所述对应关系、所述映射物体图像、所述各分部以及预训练的神经网络模型，确定映射物体图像中的各像素点在所述各分部中的对应坐标，其中，所述预训练的神经网络模型用于表征映射物体图像中的各像素点与对应的所述变换后的立体物体模型的分部中的坐标的对应关系；
基于所述对应坐标，确定所述目标物体图像对应的目标立体物体模型。
10.根据权利要求9所述的装置，其中，所述目标立体物体模型确定单元进一步被配置成：
获取所述映射物体图像中的各像素点对应的纹理；
基于所述对应坐标和所述纹理，对所述变换后的立体物体模型的所述各分部进行纹理渲染贴图，得到所述目标物体图像对应的目标立体物体模型。
11.一种用于对物体进行立体尝试的电子设备，其特征在于，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1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011421566.3A CN112562063B (zh) | 2020-12-08 | 用于对物体进行立体尝试的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011421566.3A CN112562063B (zh) | 2020-12-08 | 用于对物体进行立体尝试的方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112562063A true CN112562063A (zh) | 2021-03-26 |
| CN112562063B CN112562063B (zh) | 2024-07-02 |
Family
ID=
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014180255A1 (zh) * | 2013-10-22 | 2014-11-13 | 中兴通讯股份有限公司 | 一种数据处理方法、装置、计算机存储介质及用户终端 |
| US20170316617A1 (en) * | 2014-10-21 | 2017-11-02 | Samsung Electronics Co., Ltd. | Virtual fitting device and virtual fitting method thereof |
| US20180144548A1 (en) * | 2016-11-18 | 2018-05-24 | International Business Machines Corporation | Virtual trial of products and appearance guidance in display device |
| WO2019024935A1 (zh) * | 2017-08-03 | 2019-02-07 | 杭州海康威视数字技术股份有限公司 | 一种全景图像生成方法及装置 |
| CN110111176A (zh) * | 2019-04-25 | 2019-08-09 | 上海时元互联网科技有限公司 | 一种衣服的3d智能虚拟试穿方法及系统 |
| CN110111415A (zh) * | 2019-04-25 | 2019-08-09 | 上海时元互联网科技有限公司 | 一种鞋品的3d智能虚拟试穿方法及系统 |
| CN110349269A (zh) * | 2019-05-21 | 2019-10-18 | 珠海随变科技有限公司 | 一种目标穿戴物试戴方法及系统 |
| CN111369686A (zh) * | 2020-03-03 | 2020-07-03 | 足购科技(杭州)有限公司 | 能够处理局部遮挡物的ar成像虚拟试鞋方法及装置 |
| CN111507806A (zh) * | 2020-04-23 | 2020-08-07 | 北京百度网讯科技有限公司 | 虚拟试鞋方法、装置、设备以及存储介质 |
| CN111695628A (zh) * | 2020-06-11 | 2020-09-22 | 北京百度网讯科技有限公司 | 关键点标注方法、装置、电子设备及存储介质 |
| CN111783820A (zh) * | 2020-05-08 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 图像标注方法和装置 |
| CN111882408A (zh) * | 2020-09-27 | 2020-11-03 | 北京达佳互联信息技术有限公司 | 虚拟试用方法、装置、电子设备及存储设备 |
| CN112017276A (zh) * | 2020-08-26 | 2020-12-01 | 北京百度网讯科技有限公司 | 一种三维模型构建方法、装置以及电子设备 |
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014180255A1 (zh) * | 2013-10-22 | 2014-11-13 | 中兴通讯股份有限公司 | 一种数据处理方法、装置、计算机存储介质及用户终端 |
| US20170316617A1 (en) * | 2014-10-21 | 2017-11-02 | Samsung Electronics Co., Ltd. | Virtual fitting device and virtual fitting method thereof |
| US20180144548A1 (en) * | 2016-11-18 | 2018-05-24 | International Business Machines Corporation | Virtual trial of products and appearance guidance in display device |
| WO2019024935A1 (zh) * | 2017-08-03 | 2019-02-07 | 杭州海康威视数字技术股份有限公司 | 一种全景图像生成方法及装置 |
| CN110111176A (zh) * | 2019-04-25 | 2019-08-09 | 上海时元互联网科技有限公司 | 一种衣服的3d智能虚拟试穿方法及系统 |
| CN110111415A (zh) * | 2019-04-25 | 2019-08-09 | 上海时元互联网科技有限公司 | 一种鞋品的3d智能虚拟试穿方法及系统 |
| CN110349269A (zh) * | 2019-05-21 | 2019-10-18 | 珠海随变科技有限公司 | 一种目标穿戴物试戴方法及系统 |
| CN111369686A (zh) * | 2020-03-03 | 2020-07-03 | 足购科技(杭州)有限公司 | 能够处理局部遮挡物的ar成像虚拟试鞋方法及装置 |
| CN111507806A (zh) * | 2020-04-23 | 2020-08-07 | 北京百度网讯科技有限公司 | 虚拟试鞋方法、装置、设备以及存储介质 |
| CN111783820A (zh) * | 2020-05-08 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 图像标注方法和装置 |
| CN111695628A (zh) * | 2020-06-11 | 2020-09-22 | 北京百度网讯科技有限公司 | 关键点标注方法、装置、电子设备及存储介质 |
| CN112017276A (zh) * | 2020-08-26 | 2020-12-01 | 北京百度网讯科技有限公司 | 一种三维模型构建方法、装置以及电子设备 |
| CN111882408A (zh) * | 2020-09-27 | 2020-11-03 | 北京达佳互联信息技术有限公司 | 虚拟试用方法、装置、电子设备及存储设备 |
Non-Patent Citations (2)
| Title |
|---|
| 杜瑶;王兆仲;: "单幅图像真实感虚拟试戴技术", 计算机系统应用, no. 04, pages 21 - 27 * |
| 黄腾达;李有鹏;吕亚磊;刘洋洋;: "一种基于非量测相机图像的三维模型快速重建方法研究", 河南城建学院学报, no. 01, pages 86 - 91 * |
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 | |
| US20200357136A1 (en) | Method and apparatus for determining pose of image capturing device, and storage medium | |
| KR20220009393A (ko) | 이미지 기반 로컬화 | |
| US9886622B2 (en) | Adaptive facial expression calibration | |
| CN111294665B (zh) | 视频的生成方法、装置、电子设备及可读存储介质 | |
| CN110866977B (zh) | 增强现实处理方法及装置、系统、存储介质和电子设备 | |
| US11074437B2 (en) | Method, apparatus, electronic device and storage medium for expression driving | |
| CN111722245B (zh) | 定位方法、定位装置和电子设备 | |
| CN112529073A (zh) | 模型训练方法、姿态估计方法、装置及电子设备 | |
| CN113658309B (zh) | 三维重建方法、装置、设备以及存储介质 | |
| CN112652016A (zh) | 点云预测模型的生成方法、位姿估计方法及其装置 | |
| CN112270711B (zh) | 模型训练以及姿态预测方法、装置、设备以及存储介质 | |
| CN113724368B (zh) | 图像采集系统、三维重建方法、装置、设备以及存储介质 | |
| CN112489102A (zh) | 三维重建方法、装置、设备以及存储介质 | |
| CN111768356A (zh) | 一种人脸图像融合方法、装置、电子设备及存储介质 | |
| CN111949112A (zh) | 对象交互方法及装置、系统、计算机可读介质和电子设备 | |
| CN114067051A (zh) | 三维重建处理方法、装置、电子设备以及存储介质 | |
| CN110310325B (zh) | 一种虚拟测量方法、电子设备及计算机可读存储介质 | |
| CN111599002A (zh) | 用于生成图像的方法和装置 | |
| CN113936121B (zh) | 一种ar标注设置方法以及远程协作系统 | |
| CN111986263A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111915642A (zh) | 图像样本的生成方法、装置、设备和可读存储介质 | |
| CN112017304A (zh) | 用于呈现增强现实数据的方法、装置、电子设备及介质 | |
| CN115131507B (zh) | 图像处理方法、图像处理设备和元宇宙三维重建方法 | |
| Narducci et al. | Enabling consistent hand-based interaction in mixed reality by occlusions handling |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240529 Address after: Building A, 3rd Floor -03, No. 459 Zhimin Avenue (now Xinzhou District Digital Economy Industrial Park), Xinzhou District, Shangrao City, Jiangxi Province, 333100 Applicant after: Shangrao Pure White Digital Technology Co.,Ltd. Country or region after: China Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant |