CN114677443B - 光学定位方法、装置、设备及存储介质 - Google Patents
光学定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114677443B CN114677443B CN202210584248.1A CN202210584248A CN114677443B CN 114677443 B CN114677443 B CN 114677443B CN 202210584248 A CN202210584248 A CN 202210584248A CN 114677443 B CN114677443 B CN 114677443B
- Authority
- CN
- China
- Prior art keywords
- optical image
- target
- optical
- target object
- image
- 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
Links
Images
Classifications
-
- 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
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种光学定位方法、装置、设备及存储介质,属于光学定位技术领域。本发明通过基于光学拍摄装置获取目标物体的初始光学图像;对所述初始光学图像进行预处理,得到目标光学图像;对所述目标光学图像进行特征提取,得到目标光学图像特征;基于所述目标光学图像特征得到所述目标物体的定位结果,能根据目标光学图像特征对目标物体的具体位置进行准确的定位,提高定位效果。
Description
技术领域
本发明涉及光学定位技术领域,尤其涉及一种光学定位方法、装置、设备及存储介质。
背景技术
在日益复杂的城市环境中,人们对位置信息的需求越来越高,定位技术因此显得尤为重要,而随着科技的发展,引用到虚拟现实技术中的物体定位技术也日益成熟。可通过对物体进行光学定位、视觉定位等。
现有的光学定位方法无法准确定位物体的具体位置,包括室内和室外的位置,从而导致对物体的运动轨迹预测不准确。
发明内容
本发明的主要目的在于提供一种光学定位方法、装置、设备及存储介质,旨在解决现有技术光学定位不准确的技术问题。
为实现上述目的,本发明提供了一种光学定位方法,所述方法包括以下步骤:
基于光学拍摄装置获取目标物体的初始光学图像;
对所述初始光学图像进行预处理,得到目标光学图像;
对所述目标光学图像进行特征提取,得到目标光学图像特征;
基于所述目标光学图像特征得到所述目标物体的定位结果。
可选地,所述基于光学拍摄装置获取目标物体的初始光学图像,包括:
根据光学拍摄装置对目标物体进行扫描,获得所述目标物体的运动信息;
基于所述目标物体的运动信息得到所述目标物体的运动图像;
对所述运动图像进行目标检测,得到目标物体的初始光学图像。
可选地,所述对所述运动图像进行目标检测,得到目标物体的初始光学图像,包括:
对所述运动图像进行区域检测,确定目标区域的轮廓;
基于所述目标区域的轮廓得到区域图像;
对所述区域图像进行目标检测,确定目标物体的轮廓;
基于所述目标物体的轮廓得到目标物体的初始光学图像。
可选地,所述基于所述目标光学图像特征得到所述目标物体的定位结果之前,还包括:
获取目标物体的多个角度的光学图像;
从所述多个角度的光学图像中选取带有目标物体的轮廓光学图像;
对所述带有目标物体的轮廓光学图像进行特征提取,得到轮廓光学图像特征;
根据所述轮廓光学图像特征和所述轮廓光学图像生成光学拍摄装置中轮廓光学图像的三维坐标;
基于所述轮廓光学图像的三维坐标和所述轮廓光学图像特征建立目标物体的三维模型。
可选地,所述基于所述目标光学图像特征得到所述目标物体的定位结果,包括:
将所述目标光学图像特征输入至所述目标物体的三维模型中,以得到基于所述目标物体的三维模型的目标物体的三维坐标;
基于所述目标物体的三维坐标得到所述目标物体的定位结果。
可选地,所述对所述初始光学图像进行预处理,得到目标光学图像包括:
通过加权平均法对所述初始光学图像进行灰度化处理,得到灰度光学图像;
通过预设降噪函数对所述灰度光学图像进行降噪,得到目标光学图像。
可选地,所述对所述目标光学图像进行特征提取,得到目标光学图像特征,包括:
将所述目标光学图像输入至预设特征提取模型的第一特征提取层进行特征提取,得到目标光学图像的多层次特征;
对所述多层次特征进行连接,得到目标光学图像的融合特征;
将所述目标光学图像的融合特征输入至所述预设特征提取模型的第二特征提取层进行深度特征提取,得到目标光学图像特征。
此外,为实现上述目的,本发明还提出一种光学定位装置,所述光学定位装置包括:
获取模块,用于基于光学拍摄装置获取目标物体的初始光学图像;
处理模块,用于对所述初始光学图像进行预处理,得到目标光学图像;
提取模块,用于对所述目标光学图像进行特征提取,得到目标光学图像特征;
所述获取模块,还用于基于所述目标光学图像特征得到所述目标物体的定位结果。
此外,为实现上述目的,本发明还提出一种光学定位设备,所述光学定位设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的光学定位程序,所述光学定位程序配置为实现如上文所述的光学定位方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有光学定位程序,所述光学定位程序被处理器执行时实现如上文所述的光学定位方法的步骤。
本发明通过基于光学拍摄装置获取目标物体的初始光学图像;对所述初始光学图像进行预处理,得到目标光学图像;对所述目标光学图像进行特征提取,得到目标光学图像特征;基于所述目标光学图像特征得到所述目标物体的定位结果,能根据目标光学图像特征对目标物体的具体位置进行准确的定位,提高定位效果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的光学定位设备的结构示意图;
图2为本发明光学定位方法第一实施例的流程示意图;
图3为本发明光学定位方法第二实施例的流程示意图;
图4为本发明光学定位方法第三实施例的流程示意图;
图5为本发明光学定位方法第四实施例的流程示意图;
图6为本发明光学定位装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的光学定位设备结构示意图。
如图1所示,该光学定位设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对光学定位设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及光学定位程序。
在图1所示的光学定位设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明光学定位设备中的处理器1001、存储器1005可以设置在光学定位设备中,所述光学定位设备通过处理器1001调用存储器1005中存储的光学定位程序,并执行本发明实施例提供的光学定位方法。
本发明实施例提供了一种光学定位方法,参照图2,图2为本发明光学定位方法第一实施例的流程示意图。
本实施例中,所述光学定位方法包括以下步骤:
步骤S10:基于光学拍摄装置获取目标物体的初始光学图像。
需要说明的是,本实施例的执行主体为光学定位设备,还可为其他可实现相同或相似功能的设备,本实施例对此不加以限定,本实施例以光学定位设备为例进行说明。
在本实施例中,光学拍摄装置可为红外摄像机、激光发射装置、单目相机或双目相机等,本实施例对此不作限制。目标物体指的是需要进行定位的物体,初始光学图像指的是未进行处理和筛选的光学图像,可通过光学拍摄装置对目标物体进行拍摄,得到带有目标物体的初始光学图像。
步骤S20:对所述初始光学图像进行预处理,得到目标光学图像。
在具体实施中,预处理可包括对初始光学图像进行灰度化和降噪处理,还可包括其他对初始光学图像进行处理的过程,本实施例以对初始光学图像进行灰度化和降噪处理为例进行说明,通过对初始光学图像进行预处理,得到处理后的光学图像,即目标光学图像。
进一步地,本实施例对初始光学图像进行预处理,得到目标光学图像的步骤,具体包括:通过加权平均法对所述初始光学图像进行灰度化处理,得到灰度光学图像;通过预设降噪函数对所述灰度光学图像进行降噪,得到目标光学图像。
应理解的是,可通过加权平均法对初始光学图像进行灰度化处理,通过提前设置权重系数,并获取像素点在初始光学图像对应的RGB颜色空间中的红色分量光学图像绿色分量光学图像、蓝色分量光学图像中的像素值,通过权重系数以及对应的像素值进行计算,得到像素点在灰度光学图像中的像素值,从而根据像素点在灰度光学图像中的像素值得到灰度光学图像。
需要说明的是,预设降噪函数可为小波降噪函数,还可为其他可对灰度光学图像进行降噪的函数,本实施例以小波降噪函数为例进行说明,通过对灰度光学图像进行小波分解处理,获得第一小波系数和第二小波系数,第一小波系数为高频系数,第二小波系数为低频系数。对第一小波系数进行以下处理:将第一小波系数记为wavcfir,简称w,若|w|小于t1,则使用下述函数对w进行处理:
(式1)
若|w|大于等于t1,且|w|小于等于t2,则使用下述函数对w进行处理:
(式2)
若|w|大于等于t2,则使用下述函数对w进行处理:
(式3)
上式1-式3中,Fw表示处理后的第一小波系数,t1和t2表示预设的辅助判断系数,用于为不同情况的第一小波系数自适应地选择不同的函数进行处理,cs表示预设的常数参数,ctr表示预设的调节系数,g(w)表示预设的判断函数,若w大于0,则g(w)的值为1,若g(w)小于等于0,则g(w)的值为-1;将Fw和第二小波系数进行小波重构,获得降噪图像,即目标光学图像。
步骤S30:对所述目标光学图像进行特征提取,得到目标光学图像特征。
可以理解的是,可通过特征提取模型对目标光学图像进行特征提取,例如神经网络模型、逻辑回归模型、决策树模型等,本实施例对此不作限制。通过对目标光学图像进行特征提取,得到目标光学图像特征。
步骤S40:基于所述目标光学图像特征得到所述目标物体的定位结果。
需要说明的是,可通过将目标光学图像特征输入至目标物体的三维模型进行定位,得到基于三维模型的目标物体的三维坐标,便可通过三维坐标对目标物体进行定位,得到目标物体的定位结构。
本实施例通过基于光学拍摄装置获取目标物体的初始光学图像;对所述初始光学图像进行预处理,得到目标光学图像;对所述目标光学图像进行特征提取,得到目标光学图像特征;基于所述目标光学图像特征得到所述目标物体的定位结果,能根据目标光学图像特征对目标物体的具体位置进行准确的定位,提高定位效果。
参考图3,图3为本发明光学定位方法第二实施例的流程示意图。
基于上述第一实施例,本实施例光学定位方法所述步骤S10,具体包括:
步骤S101:根据光学拍摄装置对目标物体进行扫描,获得所述目标物体的运动信息。
在具体实施中,可通过光学拍摄装置对需要进行定位的物体进行扫描,对目标物体进行全方位扫描,可快速获取目标物体的运动信息。
步骤S102:基于所述目标物体的运动信息得到所述目标物体的运动图像。
应理解的是,目标物体的运动图像可通过对目标物体的运动信息进行成像,从而得到拍摄的目标物体的运动图像。
步骤S103:对所述运动图像进行目标检测,得到目标物体的初始光学图像。
在具体实施中,可通过目标检测算法对运动图像进行目标检测,目标检测算法可为YOLO算法、RNN(Recurrent Neural Network,循环神经网络)算法、FPN(Feature PyramidNetwork,特征金字塔网络)算法等,本实施例对此不加以限定。可通过对运动图像进行目标检测,确定目标物体所在区域是否包含目标物体,通过目标物体所在区域,得到目标物体的初始光学图像。
进一步地,对所述运动图像进行目标检测,得到目标物体的初始光学图像的步骤,具体包括:对所述运动图像进行区域检测,确定目标区域的轮廓;基于所述目标区域的轮廓得到区域图像;对所述区域图像进行目标检测,确定目标物体的轮廓;基于所述目标物体的轮廓得到目标物体的初始光学图像。
可通过目标检测算法对运动图像进行区域检测,确定目标区域的轮廓,并确定目标区域的轮廓内的图像为区域图像,通过对区域图像进行目标检测,确定目标物体的轮廓,并确定目标物体的轮廓内的图像为初始光学目标图像,可快速准确地确定初始光学图像。
本实施例通过根据光学拍摄装置对目标物体进行扫描,获得所述目标物体的运动信息;基于所述目标物体的运动信息得到所述目标物体的运动图像;对所述运动图像进行目标检测,得到目标物体的初始光学图像,通过对运动图像进行目标检测,可快速准确地确定目标物体的初始光学图像。
参考图4,图4为本发明光学定位方法第三实施例的流程示意图。
基于上述第一实施例,本实施例光学定位方法在所述步骤S40之前,还包括:
步骤SA1:获取目标物体的多个角度的光学图像。
需要说明的是,多个角度的光学图像为某一移动时刻目标物体移动时的各个角度的光学图像。可通过光学拍摄装置拍摄某一移动时刻目标物体移动时的多个角度的多张光学图像。
步骤SA2:从所述多个角度的光学图像中选取带有目标物体的轮廓光学图像。
在具体实施中,多个角度的光学图像为多张,可在多个角度的多个光学图像中选取清晰且带有目标物体的轮廓光学图像,带有目标物体的轮廓光学图像可为一张或多张,本实施例对此不作限制。
步骤SA3:对所述带有目标物体的轮廓光学图像进行特征提取,得到轮廓光学图像特征。
在本实施例中,可通过特征提取模型对带有目标物体的轮廓光学图像进行特征提取,得到若干轮廓光学图像特征。
步骤SA4:根据所述轮廓光学图像特征和所述轮廓光学图像生成光学拍摄装置中轮廓光学图像的三维坐标。
需要说明的是,当得到轮廓光学图像特征和轮廓光学图像后,可得到轮廓光学图像的轮廓位于光学拍摄装置中轮廓光学图像中的位置,从而确定轮廓上每个像素点在轮廓光学图像中的坐标,得到轮廓光学图像的三维坐标。
步骤SA5:基于所述轮廓光学图像的三维坐标和所述轮廓光学图像特征建立目标物体的三维模型。
应理解的是,当得到多个轮廓光学图像的三维坐标后,可根据轮廓光学图像的三维坐标以及轮廓光学图像特征建立目标物体的三维模型,得到目标物体的三维模型。
具体地,当得到目标物体的三维模型后,所述基于所述目标光学图像特征得到所述目标物体的定位结果的步骤,具体包括:将所述目标光学图像特征输入至所述目标物体的三维模型中,以得到基于所述目标物体的三维模型的目标物体的三维坐标;基于所述目标物体的三维坐标得到所述目标物体的定位结果。
需要说明的是,可将目标光学图像特征输入至目标物体的三维模型,从而根据三维模型以及目标光学图像特征得到基于目标物体的三维模型的目标物体的三维坐标。从而根据目标物体的三维坐标得到目标物体的定位结果。
本实施例通过获取目标物体的多个角度的光学图像;从所述多个角度的光学图像中选取带有目标物体的轮廓光学图像;对所述带有目标物体的轮廓光学图像进行特征提取,得到轮廓光学图像特征;根据所述轮廓光学图像特征和所述轮廓光学图像生成光学拍摄装置中轮廓光学图像的三维坐标;基于所述轮廓光学图像的三维坐标和所述轮廓光学图像特征建立目标物体的三维模型,可快速准确地根据目标物体的多个角度的光学图像得到带有目标物体的轮廓光学图像,并进行特征提取,得到对应的轮廓光学图像特征,通过轮廓光学图像特征以及轮廓光学图像建立准确地目标物体的三维模型,从而可进一步得到准确的目标物体的定位结果。
参考图5,图5为本发明光学定位方法第四实施例的流程示意图。
基于上述第一实施例,本实施例光学定位方法所述步骤S30,具体包括:
步骤S301:将所述目标光学图像输入至预设特征提取模型的第一特征提取层进行特征提取,得到目标光学图像的多层次特征。
需要说明的是,预设特征提取模型可为神经网络模型、逻辑回归模型、决策树模型等,本实施例以神经网络模型为例进行说明。
当得到目标光学图像后,可将目标光学图像输入至预设特征提取模型的第一特征提取层进行初次特征提取,得到目标光学图像的多层次特征。多层次特征包括高维特征和低维特征。
步骤S302:对所述多层次特征进行连接,得到目标光学图像的融合特征。
应理解的是,可通过多层次特征按照指定步长进行连接,将多层次特征中的高维特征和低维特征进行融合,得到目标光学图像的融合特征。
步骤S303:将所述目标光学图像的融合特征输入至所述预设特征提取模型的第二特征提取层进行深度特征提取,得到目标光学图像特征。
在本实施例中,当得到目标光学图像的融合特征后,可对融合特征进一步进行特征提取,即将目标光学图像的融合特征输入至预设特征提取模型的第二特征提取层进行深度特征提取,得到多尺度的特征,即目标光学图像特征。
本实施例通过将所述目标光学图像输入至预设特征提取模型的第一特征提取层进行特征提取,得到目标光学图像的多层次特征;对所述多层次特征进行连接,得到目标光学图像的融合特征;将所述目标光学图像的融合特征输入至所述预设特征提取模型的第二特征提取层进行深度特征提取,得到目标光学图像特征,通过预设特征提取模型对目标光学图像进行多次特征提取,优化了特征提取的效果,得到特征明显的目标光学图像特征。
参照图6,图6为本发明光学定位装置第一实施例的结构框图。
如图6所示,本发明实施例提出的光学定位装置包括:
获取模块10,用于基于光学拍摄装置获取目标物体的初始光学图像。
处理模块20,用于对所述初始光学图像进行预处理,得到目标光学图像。
提取模块30,用于对所述目标光学图像进行特征提取,得到目标光学图像特征。
所述获取模块10,还用于基于所述目标光学图像特征得到所述目标物体的定位结果。
本实施例通过基于光学拍摄装置获取目标物体的初始光学图像;对所述初始光学图像进行预处理,得到目标光学图像;对所述目标光学图像进行特征提取,得到目标光学图像特征;基于所述目标光学图像特征得到所述目标物体的定位结果,能根据目标光学图像特征对目标物体的具体位置进行准确的定位,提高定位效果。
在一实施例中,所述获取模块10,还用于根据光学拍摄装置对目标物体进行扫描,获得所述目标物体的运动信息;基于所述目标物体的运动信息得到所述目标物体的运动图像;对所述运动图像进行目标检测,得到目标物体的初始光学图像。
在一实施例中,所述获取模块10,还用于对所述运动图像进行区域检测,确定目标区域的轮廓;基于所述目标区域的轮廓得到区域图像;对所述区域图像进行目标检测,确定目标物体的轮廓;基于所述目标物体的轮廓得到目标物体的初始光学图像。
在一实施例中,所述获取模块10,还用于获取目标物体的多个角度的光学图像;从所述多个角度的光学图像中选取带有目标物体的轮廓光学图像;对所述带有目标物体的轮廓光学图像进行特征提取,得到轮廓光学图像特征;根据所述轮廓光学图像特征和所述轮廓光学图像生成光学拍摄装置中轮廓光学图像的三维坐标;基于所述轮廓光学图像的三维坐标和所述轮廓光学图像特征建立目标物体的三维模型。
在一实施例中,所述获取模块10,还用于将所述目标光学图像特征输入至所述目标物体的三维模型中,以得到基于所述目标物体的三维模型的目标物体的三维坐标;基于所述目标物体的三维坐标得到所述目标物体的定位结果。
在一实施例中,所述处理模块20,还用于通过加权平均法对所述初始光学图像进行灰度化处理,得到灰度光学图像;通过预设降噪函数对所述灰度光学图像进行降噪,得到目标光学图像。
在一实施例中,所述提取模块30,还用于将所述目标光学图像输入至预设特征提取模型的第一特征提取层进行特征提取,得到目标光学图像的多层次特征;对所述多层次特征进行连接,得到目标光学图像的融合特征;将所述目标光学图像的融合特征输入至所述预设特征提取模型的第二特征提取层进行深度特征提取,得到目标光学图像特征。
此外,为实现上述目的,本发明还提出一种光学定位设备,所述光学定位设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的光学定位程序,所述光学定位程序配置为实现如上文所述的光学定位方法的步骤。
由于本光学定位设备采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有光学定位程序,所述光学定位程序被处理器执行时实现如上文所述的光学定位方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的光学定位方法,此处不再赘述。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种光学定位方法,其特征在于,所述光学定位方法包括:
基于光学拍摄装置获取目标物体的初始光学图像;
对所述初始光学图像进行预处理,得到目标光学图像;
对所述目标光学图像进行特征提取,得到目标光学图像特征;
基于所述目标光学图像特征得到所述目标物体的定位结果;
所述基于光学拍摄装置获取目标物体的初始光学图像,包括:
根据光学拍摄装置对目标物体进行扫描,获得所述目标物体的运动信息;
基于所述目标物体的运动信息得到所述目标物体的运动图像;
对所述运动图像进行目标检测,得到目标物体的初始光学图像;
所述对所述运动图像进行目标检测,得到目标物体的初始光学图像,包括:
对所述运动图像进行区域检测,确定目标区域的轮廓;
基于所述目标区域的轮廓得到区域图像;
对所述区域图像进行目标检测,确定目标物体的轮廓;
基于所述目标物体的轮廓得到目标物体的初始光学图像;
所述对所述初始光学图像进行预处理,得到目标光学图像包括:
通过加权平均法对所述初始光学图像进行灰度化处理,得到灰度光学图像,其中,所述通过加权平均法对所述初始光学图像进行灰度化处理,得到灰度光学图像的步骤具体包括:设置权重系数;获取像素点在所述初始光学图像对应的RGB颜色空间中的红色分量光学图像、绿色分量光学图像以及蓝色分量光学图像中的像素值;通过所述权重系数以及对应的像素值进行计算,得到像素点在灰度光学图像中的像素值;根据所述像素点在灰度光学图像中的像素值得到灰度光学图像;
通过预设降噪函数对所述灰度光学图像进行降噪,得到目标光学图像,其中,所述通过预设降噪函数对所述灰度光学图像进行降噪,得到目标光学图像的步骤具体包括:通过小波降噪函数对所述灰度光学图像进行小波分解处理,获得第一小波系数和第二小波系数;对所述第一小波系数进行处理,得到处理后的第一小波系数;将所述第二小波系数和所述处理后的第一小波系数进行小波重构,获得降噪图像,将所述降噪图像作为目标光学图像;
所述对所述目标光学图像进行特征提取,得到目标光学图像特征,包括:
将所述目标光学图像输入至预设特征提取模型的第一特征提取层进行特征提取,得到目标光学图像的多层次特征,其中,所述多层次特征包括高维特征和低维特征;
对所述多层次特征进行连接,得到目标光学图像的融合特征;
将所述目标光学图像的融合特征输入至所述预设特征提取模型的第二特征提取层进行深度特征提取,得到目标光学图像特征。
2.如权利要求1所述的光学定位方法,其特征在于,所述基于所述目标光学图像特征得到所述目标物体的定位结果之前,还包括:
获取目标物体的多个角度的光学图像;
从所述多个角度的光学图像中选取带有目标物体的轮廓光学图像;
对所述带有目标物体的轮廓光学图像进行特征提取,得到轮廓光学图像特征;
根据所述轮廓光学图像特征和所述轮廓光学图像生成光学拍摄装置中轮廓光学图像的三维坐标;
基于所述轮廓光学图像的三维坐标和所述轮廓光学图像特征建立目标物体的三维模型。
3.如权利要求2所述的光学定位方法,其特征在于,所述基于所述目标光学图像特征得到所述目标物体的定位结果,包括:
将所述目标光学图像特征输入至所述目标物体的三维模型中,以得到基于所述目标物体的三维模型的目标物体的三维坐标;
基于所述目标物体的三维坐标得到所述目标物体的定位结果。
4.一种光学定位装置,其特征在于,所述光学定位装置包括:
获取模块,用于基于光学拍摄装置获取目标物体的初始光学图像;
处理模块,用于对所述初始光学图像进行预处理,得到目标光学图像;
提取模块,用于对所述目标光学图像进行特征提取,得到目标光学图像特征;
所述获取模块,还用于基于所述目标光学图像特征得到所述目标物体的定位结果;
所述获取模块,还用于根据光学拍摄装置对目标物体进行扫描,获得所述目标物体的运动信息;基于所述目标物体的运动信息得到所述目标物体的运动图像;对所述运动图像进行目标检测,得到目标物体的初始光学图像;
所述获取模块,还用于对所述运动图像进行区域检测,确定目标区域的轮廓;基于所述目标区域的轮廓得到区域图像;对所述区域图像进行目标检测,确定目标物体的轮廓;基于所述目标物体的轮廓得到目标物体的初始光学图像;
所述处理模块,还用于通过加权平均法对所述初始光学图像进行灰度化处理,得到灰度光学图像,其中,所述通过加权平均法对所述初始光学图像进行灰度化处理,得到灰度光学图像的步骤具体包括:设置权重系数;获取像素点在所述初始光学图像对应的RGB颜色空间中的红色分量光学图像、绿色分量光学图像以及蓝色分量光学图像中的像素值;通过所述权重系数以及对应的像素值进行计算,得到像素点在灰度光学图像中的像素值;根据所述像素点在灰度光学图像中的像素值得到灰度光学图像;通过预设降噪函数对所述灰度光学图像进行降噪,得到目标光学图像,其中,所述通过预设降噪函数对所述灰度光学图像进行降噪,得到目标光学图像的步骤具体包括:通过小波降噪函数对所述灰度光学图像进行小波分解处理,获得第一小波系数和第二小波系数;对所述第一小波系数进行处理,得到处理后的第一小波系数;将所述第二小波系数和所述处理后的第一小波系数进行小波重构,获得降噪图像,将所述降噪图像作为目标光学图像;
所述提取模块,还用于将所述目标光学图像输入至预设特征提取模型的第一特征提取层进行特征提取,得到目标光学图像的多层次特征;对所述多层次特征进行连接,得到目标光学图像的融合特征;将所述目标光学图像的融合特征输入至所述预设特征提取模型的第二特征提取层进行深度特征提取,得到目标光学图像特征。
5.一种光学定位设备,其特征在于,所述光学定位设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的光学定位程序,所述光学定位程序配置为实现如权利要求1至3中任一项所述的光学定位方法。
6.一种存储介质,其特征在于,所述存储介质上存储有光学定位程序,所述光学定位程序被处理器执行时实现如权利要求1至3中任一项所述的光学定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210584248.1A CN114677443B (zh) | 2022-05-27 | 2022-05-27 | 光学定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210584248.1A CN114677443B (zh) | 2022-05-27 | 2022-05-27 | 光学定位方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114677443A CN114677443A (zh) | 2022-06-28 |
CN114677443B true CN114677443B (zh) | 2022-08-19 |
Family
ID=82079842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210584248.1A Active CN114677443B (zh) | 2022-05-27 | 2022-05-27 | 光学定位方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114677443B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472828A (zh) * | 2018-10-26 | 2019-03-15 | 达闼科技(北京)有限公司 | 一种定位方法、装置、电子设备及计算机可读存储介质 |
CN112669344A (zh) * | 2020-12-24 | 2021-04-16 | 北京灵汐科技有限公司 | 一种运动物体的定位方法、装置、电子设备及存储介质 |
CN113204010A (zh) * | 2021-03-15 | 2021-08-03 | 锋睿领创(珠海)科技有限公司 | 非视域目标检测方法、装置和存储介质 |
CN113610750A (zh) * | 2021-06-03 | 2021-11-05 | 腾讯医疗健康(深圳)有限公司 | 对象识别方法、装置、计算机设备及存储介质 |
CN113808209A (zh) * | 2021-09-23 | 2021-12-17 | 深圳市优必选科技股份有限公司 | 定位识别方法、装置、计算机设备及可读存储介质 |
CN114049380A (zh) * | 2021-11-22 | 2022-02-15 | 季华实验室 | 目标物体定位追踪方法、装置、计算机设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69635101T2 (de) * | 1995-11-01 | 2006-06-01 | Canon K.K. | Verfahren zur Extraktion von Gegenständen und dieses Verfahren verwendendes Bildaufnahmegerät |
CN104036275B (zh) * | 2014-05-22 | 2017-11-28 | 东软集团股份有限公司 | 一种车辆盲区内目标对象的检测方法及其装置 |
CN111539986B (zh) * | 2020-03-25 | 2024-03-22 | 西安天和防务技术股份有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
CN112070077B (zh) * | 2020-11-16 | 2021-02-26 | 北京健康有益科技有限公司 | 一种基于深度学习的食物识别方法和装置 |
CN113191985B (zh) * | 2021-05-24 | 2024-05-28 | 北京美医医学技术研究院有限公司 | 一种基于红外激光的智能祛斑系统 |
CN113420819B (zh) * | 2021-06-25 | 2022-12-06 | 西北工业大学 | 一种基于CenterNet的轻量级水下目标检测方法 |
-
2022
- 2022-05-27 CN CN202210584248.1A patent/CN114677443B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472828A (zh) * | 2018-10-26 | 2019-03-15 | 达闼科技(北京)有限公司 | 一种定位方法、装置、电子设备及计算机可读存储介质 |
CN112669344A (zh) * | 2020-12-24 | 2021-04-16 | 北京灵汐科技有限公司 | 一种运动物体的定位方法、装置、电子设备及存储介质 |
CN113204010A (zh) * | 2021-03-15 | 2021-08-03 | 锋睿领创(珠海)科技有限公司 | 非视域目标检测方法、装置和存储介质 |
CN113610750A (zh) * | 2021-06-03 | 2021-11-05 | 腾讯医疗健康(深圳)有限公司 | 对象识别方法、装置、计算机设备及存储介质 |
CN113808209A (zh) * | 2021-09-23 | 2021-12-17 | 深圳市优必选科技股份有限公司 | 定位识别方法、装置、计算机设备及可读存储介质 |
CN114049380A (zh) * | 2021-11-22 | 2022-02-15 | 季华实验室 | 目标物体定位追踪方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
Target Detection and Tracking of moving objects for characterizing landslide displacements from time-lapse terrestrial optical images;J.Gance等;《Engineering Geology》;20140408;第172卷;26-40 * |
光学遥感场景中的任意角度舰船目标检测算法研究;崔振宇;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20220115(第2022(01)期);C028-147 * |
Also Published As
Publication number | Publication date |
---|---|
CN114677443A (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6789402B2 (ja) | 画像内の物体の姿の確定方法、装置、設備及び記憶媒体 | |
Li et al. | Multi-scale single image dehazing using Laplacian and Gaussian pyramids | |
KR102629380B1 (ko) | 실제 3차원 객체를 실제 객체의 2-차원 스푸프로부터 구별하기 위한 방법 | |
JP4690339B2 (ja) | 画像処理 | |
JP2002216129A (ja) | 顔領域検出装置およびその方法並びにコンピュータ読み取り可能な記録媒体 | |
CN112348958A (zh) | 关键帧图像的采集方法、装置、系统和三维重建方法 | |
CN111079730A (zh) | 一种在界面图中确定样图所在区域的方法和电子设备 | |
CN111862040A (zh) | 人像图片质量评价方法、装置、设备及存储介质 | |
CN111507119B (zh) | 标识码识别方法、装置、电子设备及计算机可读存储介质 | |
JP2007025902A (ja) | 画像処理装置、画像処理方法 | |
CN114372931A (zh) | 一种目标对象虚化方法、装置、存储介质及电子设备 | |
WO2018011930A1 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN112532884B (zh) | 识别方法、装置及电子设备 | |
US11501404B2 (en) | Method and system for data processing | |
WO2011033744A1 (ja) | 画像処理装置、画像処理方法および画像処理用プログラム | |
CN114677443B (zh) | 光学定位方法、装置、设备及存储介质 | |
CN116342519A (zh) | 一种基于机器学习的图像处理方法 | |
Simone et al. | Survey of methods and evaluation of retinex-inspired image enhancers | |
CN114757984A (zh) | 光场相机的场景深度估计方法及装置 | |
KR20230086996A (ko) | 노이즈 추가 프로세스를 수행하는 컴퓨터 프로그램 | |
Nair et al. | Benchmarking single image dehazing methods | |
KR20230086998A (ko) | 얼굴 세그먼트 영역에 노이즈를 부가하여 가상 인물 콘텐츠를 생성하는 컴퓨터 프로그램 | |
Van Vo et al. | High dynamic range video synthesis using superpixel-based illuminance-invariant motion estimation | |
JP2021009493A (ja) | 画像処理装置、画像処理装置の制御方法及びプログラム | |
Riaz et al. | Visibility restoration using generalized haze-lines |
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 |