CN114310886A - 人腿识别方法、装置、计算机设备及存储介质 - Google Patents
人腿识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114310886A CN114310886A CN202111624521.0A CN202111624521A CN114310886A CN 114310886 A CN114310886 A CN 114310886A CN 202111624521 A CN202111624521 A CN 202111624521A CN 114310886 A CN114310886 A CN 114310886A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud cluster
- human leg
- point
- human
- 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
- 241000282414 Homo sapiens Species 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000007637 random forest analysis Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明实施例公开了人腿识别方法、装置、计算机设备及存储介质。所述方法包括:获取深度相机拍摄的深度图像;将所述深度图像转换为2d伪激光雷达数据;对所述2d伪激光雷达数据进行分解处理,以得到点云簇以及对应的特征描述子;将所述点云簇输入至随机森林分类器内进行分类,以得到人腿点云簇;根据所述人腿点云簇进行识别,以得到人体的位置信息;发送所述位置信息,以驱动机器人避开人体。通过实施本发明实施例的方法可实现可低成本且准确地识别人腿所在的位置,准确率高。
Description
技术领域
本发明涉及人腿识别方法,更具体地说是指人腿识别方法、装置、计算机设备及存储介质。
背景技术
AI在不断的发展,机器人也越来越多的活跃在各种和人类密切相关的场景之中,例如送餐机器人、医疗机器人、配送机器人等等,机器人和人类的交互也变得越来越多。
为了让机器人和人类交互顺利的进行,需要让机器人可以精准的感知到人类的存在,并且得到准确的位置。传统的方法是使用深度相机拍摄机器人周围环境的图像,进行深学习目标检测,最后通过深度图像得到位置信息,这种方法造价高、需要的传感器多、模型复杂且需要复杂的3D信息,不利于降低机器人的成本和迅速推广,使得机器人产品落地量产变得困难。
因此,有必要设计一种新的方法,实现可低成本且准确地识别人腿所在的位置,准确率高。
发明内容
本发明的目的在于克服现有技术的缺陷,提供人腿识别方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:人腿识别方法,包括;
获取深度相机拍摄的深度图像;
将所述深度图像转换为2d伪激光雷达数据;
对所述2d伪激光雷达数据进行分解处理,以得到点云簇以及对应的特征描述子;
将所述点云簇输入至随机森林分类器内进行分类,以得到人腿点云簇;
根据所述人腿点云簇进行识别,以得到人体的位置信息;
发送所述位置信息,以驱动机器人避开人体。
其进一步技术方案为:所述随机森林分类器是通过带有人腿点云簇标签的点云簇作为样本集训练随机森林模型所得的。
其进一步技术方案为:所述将所述深度图像转换为2d伪激光雷达数据,包括:
对所述深度图像内的每个像素点的像素值结合深度相机的内参转换为点云点,以得到点云点坐标信息;
将所述点云点坐标信息在3d世界坐标系下的位置关系进行转换,以得到2d伪激光雷达数据。
其进一步技术方案为:所述对所述2d伪激光雷达数据进行分解处理,以得到点云簇以及对应的特征描述子,包括:
确定所述2d伪激光雷达数据中点与点之间的欧式距离、点与线之间的欧式距离以及点与面之间的欧式距离,以得到距离信息;
根据所述距离信息将所述2d伪激光雷达数据进行点的分离,以得到点云簇;
提取所述点云簇的特征描述子。
其进一步技术方案为:所述根据所述人腿点云簇进行识别,以得到人体的位置信息,包括:
遍历所述人腿点云簇,且根据所述特征描述子确定所述人腿点云簇对应的特征描述子,使用最近邻算法对所述人腿点云簇对应的特征描述子进行匹配,以得到匹配结果;
筛选出所述匹配结果中属于预设阈值内的人腿点云簇,以确定同一个人的人腿点云簇;
获取所述人腿点云簇对应的点云簇的位置,以得到人体的位置信息。
本发明还提供了人腿识别装置,包括;
图像获取单元,用于获取深度相机拍摄的深度图像;
转换单元,用于将所述深度图像转换为2d伪激光雷达数据;
分解单元,用于对所述2d伪激光雷达数据进行分解处理,以得到点云簇以及对应的特征描述子;
分类单元,用于将所述点云簇输入至随机森林分类器内进行分类,以得到人腿点云簇;
识别单元,用于根据所述人腿点云簇进行识别,以得到人体的位置信息;
发送单元,用于发送所述位置信息,以驱动机器人避开人体。
其进一步技术方案为:所述转换单元包括:
点云点转换子单元,用于对所述深度图像内的每个像素点的像素值结合深度相机的内参转换为点云点,以得到点云点坐标信息;
位置转换子单元,用于将所述点云点坐标信息在3d世界坐标系下的位置关系进行转换,以得到2d伪激光雷达数据。
其进一步技术方案为:所述分解单元包括:
距离确定子单元,用于确定所述2d伪激光雷达数据中点与点之间的欧式距离、点与线之间的欧式距离以及点与面之间的欧式距离,以得到距离信息;
分离子单元,用于根据所述距离信息将所述2d伪激光雷达数据进行点的分离,以得到点云簇;
特征描述子提取子单元,用于提取所述点云簇的特征描述子。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述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上述的方法。
本发明与现有技术相比的有益效果是:本发明通过获取深度图像,并将其转换为2d伪激光雷达数据,对2d伪激光雷达数据进行分解,形成点云簇,且采用随机森林分类器进行分类,得到人腿点云簇,对人腿点云簇进行识别,确定人体的位置信息,无需采用多种传感器,模型简单,实现可低成本且准确地识别人腿所在的位置,准确率高。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的人腿识别方法的应用场景示意图;
图2为本发明实施例提供的人腿识别方法的流程示意图;
图3为本发明实施例提供的人腿识别方法的子流程示意图;
图4为本发明实施例提供的人腿识别方法的子流程示意图;
图5为本发明实施例提供的人腿识别方法的子流程示意图;
图6为本发明实施例提供的人腿识别装置的示意性框图;
图7为本发明实施例提供的人腿识别装置的转换单元的示意性框图;
图8为本发明实施例提供的人腿识别装置的分解单元的示意性框图;
图9为本发明实施例提供的人腿识别装置的识别单元的示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”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,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明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。
请参阅图1和图2,图1为本发明实施例提供的人腿识别方法的应用场景示意图。图2为本发明实施例提供的人腿识别方法的示意性流程图。该人腿识别方法应用于服务器中。该服务器可以是独立的服务器,与机器人进行数据交互,也可以是机器人的控制器,该服务器与深度相机进行数据交互,通过深度相机抓取机器人周围的深度图像,进而识别出深度图像中的人类,实现了机器人感知人类位置的目的。
图2是本发明实施例提供的人腿识别方法的流程示意图。如图2所示,该方法包括以下步骤S110至S160。
S110、获取深度相机拍摄的深度图像。
在本实施例中,深度图像是指有机器人上部署的深度相机进行机器人周围环境的拍摄所得的图像,
S120、将所述深度图像转换为2d伪激光雷达数据。
在本实施例中,2d伪激光雷达数据是指将深度图像内的每个点的位置信息转换为2d空间所得的结果。
深度图转2d伪激光雷达数据,可将3d空间问题转化为2d的平面问题,大大减少了计算量,降低了对硬件和传感器的需求,并且通过这种转化,比单纯的用传统激光雷达得到的2d激光雷达数据所包含的点云簇信息更多,可以更好应用于随机森林模型中。
在一实施例中,请参阅图3,上述的步骤S120可包括步骤S121~S122。
S121、对所述深度图像内的每个像素点的像素值结合深度相机的内参转换为点云点,以得到点云点坐标信息。
在本实施例中,点云点坐标信息是指深度图像内的每个像素点的坐标值。
S122、将所述点云点坐标信息在3d世界坐标系下的位置关系进行转换,以得到2d伪激光雷达数据。
具体地,对深度图像的每一个像素点进行处理,结合深度相机的内参,确定了深度相机的内参,便可确定世界坐标系下三维空间点与像素平面像素点间的转换关系,将深度图像中的每个像素点的像素值转换成点云点,再对点云点的x信息、y信息和z信息进行运算,将点云点在3d世界坐标系下的位置关系进行转换,进而转化成2d伪激光雷达数据。
将深度图转换为2d伪激光雷达数据,获得了比传统2d激光雷达数据更多的信息。
S130、对所述2d伪激光雷达数据进行分解处理,以得到点云簇以及对应的特征描述子。
在本实施例中,点云簇是指由2d伪激光雷达数据分解成一个一个点集合构成的结果,且特征描述子是通常是一个向量,按照某种人为设计的方式,描述了该关键点周围点的信息。相似的特征应该有相似的描述子,即当两个特征点的描述子在向量空间上的距离相近,认为这两个特征点是一样的。
具体地,2d伪激光雷达数据进行数据处理,根据点云点中的前后远近关系等条件,将2d伪激光雷达数据分解成一个一个的点云簇,并且提取这些点云簇的特征描述因子。
在一实施例中,请参阅图4,上述的步骤S130可包括步骤S131~S133。
S131、确定所述2d伪激光雷达数据中点与点之间的欧式距离、点与线之间的欧式距离以及点与面之间的欧式距离,以得到距离信息。
在本实施例中,距离信息包括2d伪激光雷达数据中点与点之间的欧式距离、点与线之间的欧式距离以及点与面之间的欧式距离,这些距离可利用现有的公式计算所得,此处不再赘述。
S132、根据所述距离信息将所述2d伪激光雷达数据进行点的分离,以得到点云簇。
在本实施例中,点云簇是指2d伪激光雷达数据内的点分离后得到的结果。
在本实施例中,可设定距离信息满足设定的阈值时,认为这两个点不属于同一个点,可将这两点进行分离,由此形成若干个点云簇。
S133、提取所述点云簇的特征描述子。
在本实施例中,使用SIFT(尺度不变特征变换,Scale-invariant featuretransform)、ORB(特征提取算法,Oriented Fast and Rotated Brief)、Haar等算法提取点云簇的特征描述子。
S140、将所述点云簇输入至随机森林分类器内进行分类,以得到人腿点云簇。
在本实施例中,人腿点云簇是指属于人腿的点云簇。
所述随机森林分类器是通过带有人腿点云簇标签的点云簇作为样本集训练随机森林模型所得的。
具体地,随机森林模型是自主收集数据并训练的机器学习模型,这个模型主要用于识别出大量点云簇中的人腿点云簇,通过深度相机收集大量的机器人工作环境中的深度图像,经过数据处理,将深度图像会被分解为大量的点云簇,然后人工识别出这些点云簇中属于人腿的点云簇,并且进行标签标记,最后将所有数据送入随机森林模型中进行训练,得到适配于机器人活动工作场景的随机森林判定参数,并根据这个参数生成随机森林分类器。,用于后续实现精准、实时的人腿识别。
S150、根据所述人腿点云簇进行识别,以得到人体的位置信息。
在本实施例中,人体的位置信息是指人腿所在的位置信息。
使用最近邻算法对人腿点云簇进行识别,对可能是同一个人的人腿点云簇进行配对,然后对配对结果进行分析,识别出可能是人类的双腿,以此为据,根据点云簇的位置信息确定人体的位置信息。
在一实施例中,请参阅图5,上述的步骤S150可包括步骤S151~S153。
S151、遍历所述人腿点云簇,且根据所述特征描述子确定所述人腿点云簇对应的特征描述子,使用最近邻算法对所述人腿点云簇对应的特征描述子进行匹配,以得到匹配结果。
在本实施例中,匹配结果是指对所述人腿点云簇对应的特征描述子使用最近邻算法进行两两匹配,确定最邻近的两个点。
S152、筛选出所述匹配结果中属于预设阈值内的人腿点云簇,以确定同一个人的人腿点云簇。
如果匹配结果超过提前设置的阈值则判定这两个点不匹配,匹配结果符合阈值的,判定这两个点为匹配。匹配的人腿点云簇可以判定为是同一个人的两条腿,进而可以判定这两个人腿点云簇所在的位置属于一个人体。
S153、获取所述人腿点云簇对应的点云簇的位置,以得到人体的位置信息。
S160、发送所述位置信息,以驱动机器人避开人体。
本实施例的方法适用于Ubuntu16.04 ROS系统,对深度相机获取的深度图像进行处理,通过转换成2d伪激光雷达数据,结合数据处理技术和机器学习随机森林模型,最后用最近邻算法让机器人感知到周围人类的存在,并且最大程度上节约成本,为机器人落地量产提供便利,目前使用本实施例方法的机器人产品已经开始落地量产。
本实施例的方法放弃了传统方法的深度学习模型,使用机器学习的随机森林模型,将点云簇的特征和随机森林模型结合起来使用,保证精度的同时,获得了更高的效率。结合本实施例的将深度图转换为2d伪激光雷达数据,可在降低计算量的同时降低对硬件和传感器的需求,大大降低了制造成本,为产品落地量产提供了便利。
基于2d伪激光雷达数据,对传感器的需求降低进而降低了成本,基于2d数据使用随机森林的方法对人腿进行识别进而降低了信息的复杂度,同时满足可以准确让机器人感知到周围的人类并获取位置的需求,避免了传统方法的弊端。
上述的人腿识别方法,通过获取深度图像,并将其转换为2d伪激光雷达数据,对2d伪激光雷达数据进行分解,形成点云簇,且采用随机森林分类器进行分类,得到人腿点云簇,对人腿点云簇进行识别,确定人体的位置信息,无需采用多种传感器,模型简单,实现可低成本且准确地识别人腿所在的位置,准确率高。
图6是本发明实施例提供的一种人腿识别装置300的示意性框图。如图6所示,对应于以上人腿识别方法,本发明还提供一种人腿识别装置300。该人腿识别装置300包括用于执行上述人腿识别方法的单元,该装置可以被配置于服务器中。具体地,请参阅图6,该人腿识别装置300包括图像获取单元301、转换单元302、分解单元303、分类单元304、识别单元305以及发送单元306。
图像获取单元301,用于获取深度相机拍摄的深度图像;转换单元302,用于将所述深度图像转换为2d伪激光雷达数据;分解单元303,用于对所述2d伪激光雷达数据进行分解处理,以得到点云簇以及对应的特征描述子;分类单元304,用于将所述点云簇输入至随机森林分类器内进行分类,以得到人腿点云簇;识别单元305,用于根据所述人腿点云簇进行识别,以得到人体的位置信息;发送单元306,用于发送所述位置信息,以驱动机器人避开人体。
在一实施例中,如图7所示,所述转换单元302包括点云点转换子单元3021以及位置转换子单元3022。
点云点转换子单元3021,用于对所述深度图像内的每个像素点的像素值结合深度相机的内参转换为点云点,以得到点云点坐标信息;位置转换子单元3022,用于将所述点云点坐标信息在3d世界坐标系下的位置关系进行转换,以得到2d伪激光雷达数据。
在一实施例中,如图8所示,所述分解单元303包括距离确定子单元3031、分离子单元3032以及特征描述子提取子单元3033。
距离确定子单元3031,用于确定所述2d伪激光雷达数据中点与点之间的欧式距离、点与线之间的欧式距离以及点与面之间的欧式距离,以得到距离信息;分离子单元3032,用于根据所述距离信息将所述2d伪激光雷达数据进行点的分离,以得到点云簇;特征描述子提取子单元3033,用于提取所述点云簇的特征描述子。
在一实施例中,如图9所示,所述识别单元305包括匹配子单元3051、筛选子单元3052以及位置获取子单元3053。
匹配子单元3051,用于遍历所述人腿点云簇,且根据所述特征描述子确定所述人腿点云簇对应的特征描述子,使用最近邻算法对所述人腿点云簇对应的特征描述子进行匹配,以得到匹配结果;筛选子单元3052,用于筛选出所述匹配结果中属于预设阈值内的人腿点云簇,以确定同一个人的人腿点云簇;位置获取子单元3053,用于获取所述人腿点云簇对应的点云簇的位置,以得到人体的位置信息。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述人腿识别装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述人腿识别装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器,其中,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图10,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种人腿识别方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种人腿识别方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取深度相机拍摄的深度图像;将所述深度图像转换为2d伪激光雷达数据;对所述2d伪激光雷达数据进行分解处理,以得到点云簇以及对应的特征描述子;将所述点云簇输入至随机森林分类器内进行分类,以得到人腿点云簇;根据所述人腿点云簇进行识别,以得到人体的位置信息;发送所述位置信息,以驱动机器人避开人体。
其中,所述随机森林分类器是通过带有人腿点云簇标签的点云簇作为样本集训练随机森林模型所得的。
在一实施例中,处理器502在实现所述将所述深度图像转换为2d伪激光雷达数据步骤时,具体实现如下步骤:
对所述深度图像内的每个像素点的像素值结合深度相机的内参转换为点云点,以得到点云点坐标信息;将所述点云点坐标信息在3d世界坐标系下的位置关系进行转换,以得到2d伪激光雷达数据。
在一实施例中,处理器502在实现所述对所述2d伪激光雷达数据进行分解处理,以得到点云簇以及对应的特征描述子步骤时,具体实现如下步骤:
确定所述2d伪激光雷达数据中点与点之间的欧式距离、点与线之间的欧式距离以及点与面之间的欧式距离,以得到距离信息;根据所述距离信息将所述2d伪激光雷达数据进行点的分离,以得到点云簇;提取所述点云簇的特征描述子。
在一实施例中,处理器502在实现所述根据所述人腿点云簇进行识别,以得到人体的位置信息步骤时,具体实现如下步骤:
遍历所述人腿点云簇,且根据所述特征描述子确定所述人腿点云簇对应的特征描述子,使用最近邻算法对所述人腿点云簇对应的特征描述子进行匹配,以得到匹配结果;筛选出所述匹配结果中属于预设阈值内的人腿点云簇,以确定同一个人的人腿点云簇;获取所述人腿点云簇对应的点云簇的位置,以得到人体的位置信息。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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。其中,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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
获取深度相机拍摄的深度图像;将所述深度图像转换为2d伪激光雷达数据;对所述2d伪激光雷达数据进行分解处理,以得到点云簇以及对应的特征描述子;将所述点云簇输入至随机森林分类器内进行分类,以得到人腿点云簇;根据所述人腿点云簇进行识别,以得到人体的位置信息;发送所述位置信息,以驱动机器人避开人体。
其中,所述随机森林分类器是通过带有人腿点云簇标签的点云簇作为样本集训练随机森林模型所得的。
在一实施例中,所述处理器在执行所述计算机程序而实现所述将所述深度图像转换为2d伪激光雷达数据步骤时,具体实现如下步骤:
对所述深度图像内的每个像素点的像素值结合深度相机的内参转换为点云点,以得到点云点坐标信息;将所述点云点坐标信息在3d世界坐标系下的位置关系进行转换,以得到2d伪激光雷达数据。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对所述2d伪激光雷达数据进行分解处理,以得到点云簇以及对应的特征描述子步骤时,具体实现如下步骤:
确定所述2d伪激光雷达数据中点与点之间的欧式距离、点与线之间的欧式距离以及点与面之间的欧式距离,以得到距离信息;根据所述距离信息将所述2d伪激光雷达数据进行点的分离,以得到点云簇;提取所述点云簇的特征描述子。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述人腿点云簇进行识别,以得到人体的位置信息步骤时,具体实现如下步骤:
遍历所述人腿点云簇,且根据所述特征描述子确定所述人腿点云簇对应的特征描述子,使用最近邻算法对所述人腿点云簇对应的特征描述子进行匹配,以得到匹配结果;筛选出所述匹配结果中属于预设阈值内的人腿点云簇,以确定同一个人的人腿点云簇;获取所述人腿点云簇对应的点云簇的位置,以得到人体的位置信息。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元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,也可以是两个或两个以上单元集成在一个单元中。
该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,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.人腿识别方法,其特征在于,包括;
获取深度相机拍摄的深度图像;
将所述深度图像转换为2d伪激光雷达数据;
对所述2d伪激光雷达数据进行分解处理,以得到点云簇以及对应的特征描述子;
将所述点云簇输入至随机森林分类器内进行分类,以得到人腿点云簇;
根据所述人腿点云簇进行识别,以得到人体的位置信息;
发送所述位置信息,以驱动机器人避开人体。
2.根据权利要求1所述的人腿识别方法,其特征在于,所述随机森林分类器是通过带有人腿点云簇标签的点云簇作为样本集训练随机森林模型所得的。
3.根据权利要求1所述的人腿识别方法,其特征在于,所述将所述深度图像转换为2d伪激光雷达数据,包括:
对所述深度图像内的每个像素点的像素值结合深度相机的内参转换为点云点,以得到点云点坐标信息;
将所述点云点坐标信息在3d世界坐标系下的位置关系进行转换,以得到2d伪激光雷达数据。
4.根据权利要求3所述的人腿识别方法,其特征在于,所述对所述2d伪激光雷达数据进行分解处理,以得到点云簇以及对应的特征描述子,包括:
确定所述2d伪激光雷达数据中点与点之间的欧式距离、点与线之间的欧式距离以及点与面之间的欧式距离,以得到距离信息;
根据所述距离信息将所述2d伪激光雷达数据进行点的分离,以得到点云簇;
提取所述点云簇的特征描述子。
5.根据权利要求4所述的人腿识别方法,其特征在于,所述根据所述人腿点云簇进行识别,以得到人体的位置信息,包括:
遍历所述人腿点云簇,且根据所述特征描述子确定所述人腿点云簇对应的特征描述子,使用最近邻算法对所述人腿点云簇对应的特征描述子进行匹配,以得到匹配结果;
筛选出所述匹配结果中属于预设阈值内的人腿点云簇,以确定同一个人的人腿点云簇;
获取所述人腿点云簇对应的点云簇的位置,以得到人体的位置信息。
6.人腿识别装置,其特征在于,包括;
图像获取单元,用于获取深度相机拍摄的深度图像;
转换单元,用于将所述深度图像转换为2d伪激光雷达数据;
分解单元,用于对所述2d伪激光雷达数据进行分解处理,以得到点云簇以及对应的特征描述子;
分类单元,用于将所述点云簇输入至随机森林分类器内进行分类,以得到人腿点云簇;
识别单元,用于根据所述人腿点云簇进行识别,以得到人体的位置信息;
发送单元,用于发送所述位置信息,以驱动机器人避开人体。
7.根据权利要求6所述的人腿识别装置,其特征在于,所述转换单元包括:
点云点转换子单元,用于对所述深度图像内的每个像素点的像素值结合深度相机的内参转换为点云点,以得到点云点坐标信息;
位置转换子单元,用于将所述点云点坐标信息在3d世界坐标系下的位置关系进行转换,以得到2d伪激光雷达数据。
8.根据权利要求6所述的人腿识别装置,其特征在于,所述分解单元包括:
距离确定子单元,用于确定所述2d伪激光雷达数据中点与点之间的欧式距离、点与线之间的欧式距离以及点与面之间的欧式距离,以得到距离信息;
分离子单元,用于根据所述距离信息将所述2d伪激光雷达数据进行点的分离,以得到点云簇;
特征描述子提取子单元,用于提取所述点云簇的特征描述子。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
10.一种存储介质,其特征在于,所述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权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624521.0A CN114310886A (zh) | 2021-12-28 | 2021-12-28 | 人腿识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624521.0A CN114310886A (zh) | 2021-12-28 | 2021-12-28 | 人腿识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114310886A true CN114310886A (zh) | 2022-04-12 |
Family
ID=81015599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111624521.0A Pending CN114310886A (zh) | 2021-12-28 | 2021-12-28 | 人腿识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114310886A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161202A (zh) * | 2019-12-30 | 2020-05-15 | 上海眼控科技股份有限公司 | 车辆行为信息获取方法、装置、计算机设备和存储介质 |
CN111444769A (zh) * | 2020-02-25 | 2020-07-24 | 华中科技大学 | 一种基于多尺度自适应随机森林的激光雷达检测人腿方法 |
CN112131964A (zh) * | 2020-08-31 | 2020-12-25 | 南京汽车集团有限公司 | 一种道路作业车辆视觉感知系统及其使用方法 |
CN113256709A (zh) * | 2021-04-13 | 2021-08-13 | 杭州飞步科技有限公司 | 目标检测方法、装置、计算机设备以及存储介质 |
-
2021
- 2021-12-28 CN CN202111624521.0A patent/CN114310886A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161202A (zh) * | 2019-12-30 | 2020-05-15 | 上海眼控科技股份有限公司 | 车辆行为信息获取方法、装置、计算机设备和存储介质 |
CN111444769A (zh) * | 2020-02-25 | 2020-07-24 | 华中科技大学 | 一种基于多尺度自适应随机森林的激光雷达检测人腿方法 |
CN112131964A (zh) * | 2020-08-31 | 2020-12-25 | 南京汽车集团有限公司 | 一种道路作业车辆视觉感知系统及其使用方法 |
CN113256709A (zh) * | 2021-04-13 | 2021-08-13 | 杭州飞步科技有限公司 | 目标检测方法、装置、计算机设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11360571B2 (en) | Information processing device and method, program and recording medium for identifying a gesture of a person from captured image data | |
US8269722B2 (en) | Gesture recognition system and method thereof | |
WO2020108362A1 (zh) | 人体姿态检测方法、装置、设备及存储介质 | |
CN105096377B (zh) | 一种图像处理方法和装置 | |
CN111476709B (zh) | 人脸图像处理方法、装置及电子设备 | |
US20190362144A1 (en) | Eyeball movement analysis method and device, and storage medium | |
CN113128610B (zh) | 一种工业零件位姿估计方法及系统 | |
Slama et al. | Grassmannian representation of motion depth for 3D human gesture and action recognition | |
CN113850865A (zh) | 一种基于双目视觉的人体姿态定位方法、系统和存储介质 | |
US8538079B2 (en) | Apparatus capable of detecting location of object contained in image data and detection method thereof | |
CN107423306B (zh) | 一种图像检索方法及装置 | |
JP2021503139A (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
CN112883940A (zh) | 静默活体检测方法、装置、计算机设备及存储介质 | |
CN116229189B (zh) | 基于荧光内窥镜的图像处理方法、装置、设备及存储介质 | |
CN114310887A (zh) | 3d人腿识别方法、装置、计算机设备及存储介质 | |
Le Louedec et al. | Segmentation and detection from organised 3D point clouds: A case study in broccoli head detection | |
JP2017097578A (ja) | 情報処理装置及び方法 | |
Elmoogy et al. | Surfcnn: A descriptor accelerated convolutional neural network for image-based indoor localization | |
CN114638891A (zh) | 基于图像和点云融合的目标检测定位方法与系统 | |
CN113011326A (zh) | 图像处理方法、装置、存储介质及计算机设备 | |
CN114310886A (zh) | 人腿识别方法、装置、计算机设备及存储介质 | |
CN106446870A (zh) | 一种人体轮廓特征提取方法和装置 | |
Wlodarczyk et al. | Evaluation of head pose estimation methods for a non-cooperative biometric system | |
CN111783580B (zh) | 基于人腿检测的行人识别方法 | |
CN115937950A (zh) | 一种多角度人脸数据采集方法、装置、设备及存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220412 |
|
WD01 | Invention patent application deemed withdrawn after publication |