CN115222799A - 图像重力方向的获取方法、装置、电子设备及存储介质 - Google Patents
图像重力方向的获取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115222799A CN115222799A CN202110926336.0A CN202110926336A CN115222799A CN 115222799 A CN115222799 A CN 115222799A CN 202110926336 A CN202110926336 A CN 202110926336A CN 115222799 A CN115222799 A CN 115222799A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional
- image
- desktop
- test
- 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
Images
Classifications
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本发明实施例涉及计算机视觉技术领域,公开了一种图像重力方向的获取方法、装置、电子设备及存储介质,方法包括:获取训练好的三维桌面语义分割模型,其中,三维桌面语义分割模型的训练集为若干点云图像组成的集合,点云图像携带根据点云图像中水平平面所在的点云生成的三维桌面掩码;利用三维桌面语义分割模型对测试点云图像进行语义分割,得到测试点云图像的三维测试桌面掩码;确定三维测试桌面掩码的测试法线方向作为测试点云图像的重力方向。能够快速准确地确定出图像的重力方向,从而能够迅速得到准确的从相机坐标系到世界坐标系的旋转矩阵。
Description
技术领域
本发明实施例涉及计算机视觉技术领域,特别涉及一种图像重力方向的获取方法、装置、电子设备及存储介质。
背景技术
在机器人抓取物体等各种需要进行三维重建的场景下,需要将相机采集到的相机坐标系下的RGB-D图像通过旋转矩阵转换到世界坐标系下。为了得到旋转矩阵通常需要知道坐标系中三个坐标轴的旋转角度,其中,由于世界坐标系中的Z轴通常和重力方向一致,因此,通常是确定图像的重力方向,然后根据重力方向和相机坐标系的夹角确定Z轴的旋转角度。目前常用的获取图像重力方向的方法包括:基于AprilTag,即通过在场景中的水平平面粘贴AprilTag库中的二维码标签,然后利用AprilTag库对粘贴的标签进行检测,得到标签的标识和相机相对于标签的旋转矩阵,其中,旋转矩阵中包含了重力方向和相机坐标系Z轴的夹角,相当于获取了重力方向;基于惯性测量单元(Inertial measurement unit,IMU)获取重力方向;但是考虑到基于AprilTag时要求实现在场景中设置二维码标签,在实现时非常繁琐,很多场景不能人为设置二维码标签,基于IMU时又由于IMU在测量时存在系统误差并会随着时间进行误差积累,在某些场景下为相机配置IMU不仅成本高,还不易实现,为此提出基于随机采样一致性(Random Sample Consensus,RANSAC)等平面检测算法的方法,即首先利用平面检测算法来检测RGB-D图像对应的三维点云中的一个最大平面,并认为检测出来的平面为水平平面,从而利用检测出来的平面垂直于重力方向的先验知识获取重力方向,既不需要引入外设,也不需要人工对场景进行设置。
然而,RGB-D图像中可能存在平行于重力方向的大平面如墙壁等,此时由于RANSAC等平面检测算法不能结合语义信息,会将墙壁等平行于重力方向的平面作为检测到的最大平面,导致错误估计重力方向,并且RGB-D图像在三维坐标中很可能对应大量的点云,RANSAC等平面检测算法通过处理大量点云检测RGB-D图像中的水平平面时,需要经过多次迭代,速度慢耗时久,不能支持实时任务。亟需一种方法能够快速准确地确定图像的重力方向。
发明内容
本发明实施方式的目的在于提供一种图像重力方向的获取方法、装置、电子设备及存储介质,使得能够快速准确地确定出图像的重力方向,从而能够迅速得到准确的从相机坐标系到世界坐标系的旋转矩阵。
为达到上述目的,本发明的实施例提供了一种图像重力方向的获取方法,包括:获取训练好的三维桌面语义分割模型,其中,所述三维桌面语义分割模型的训练集为若干点云图像组成的集合,所述点云图像携带根据所述点云图像中水平平面所在的点云生成的三维桌面掩码;利用所述三维桌面语义分割模型对测试点云图像进行语义分割,得到所述测试点云图像的三维测试桌面掩码;确定所述三维测试桌面掩码的测试法线方向作为所述测试点云图像的重力方向。
为达到上述目的,本发明的实施例还提供了一种图像重力方向的获取装置,包括:获取模块,用于获取训练好的三维桌面语义分割模型,其中,所述三维桌面语义分割模型的训练集为若干点云图像组成的集合,所述点云图像携带根据所述点云图像中水平平面所在的点云生成的三维桌面掩码;语义分割模块,用于利用所述三维桌面语义分割模型对测试点云图像进行语义分割,得到所述测试点云图像的三维测试桌面掩码;确定模块,用于确定所述三维测试桌面掩码的测试法线方向作为所述测试点云图像的重力方向。
为达到上述目的,本发明的实施例还提供了一种电子设备,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如上所述的图像重力方向的获取方法。
为达到上述目的,本发明的实施例还提供了一种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上所述的图像重力方向的获取方法。
本发明实施例提供的图像重力方向的获取方法,从点云图像的角度出发,先获取经由若干标记有三维桌面掩码的点云图像组成的训练集训练好的桌面分割语义模型,并且点云图像中标记的三维桌面掩码为点云图像中的水平平面所在的点云,这样训练好的三维桌面语义分割模型通过训练能够对如何识别图像中的水平平面区域所在的点云进行识别,因此,利用三维桌面语义分割模型对测试点云图像进行语义分割时,能够得到测试点云图像的三维测试桌面掩码,进而由于测试点云图像中的三维测试桌面掩码的法线与重力方向一致,因此,通过获取三维测试桌面掩码的法线就能够得到测试点云图像的重力方向,并且由于是利用模型进行处理,不需要进行多次迭代,速度要远快于RANSAC等平面检测算法且准确性还要更高,还避免了将RGB-D图像作为模型输入时,需要利用模型对测试RGB-D图像中检测到的多个水平平面进行二维到三维的转换的情况,跳过维度转换的过程直接确定三维语义分割模型输出的三维桌面掩码进而确定出三维桌面掩码的法线方向,效率更高。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本发明实施例中的图像重力方向的获取方法的流程图;
图2是本发明实施例中的包括训练桌面语义分割模型步骤的图像重力方向的获取方法的流程图;
图3是本发明实施例中的包括筛选第一三维点云步骤的图像重力方向的获取方法的流程图;
图4是本发明另一实施例中的包括确定第一三维点云法线步骤的图像重力方向的获取方法的流程图;
图5是本发明另一实施例中的包括去除像素点数量少于预设数量阈值的第三平面实例步骤的图像重力方向的获取方法的流程图;
图6是本发明另一实施例中的包括进行三维重建步骤的图像重力方向的获取方法的流程图;
图7是本发明另一实施例中的图像重力方向的获取装置的结构示意图;
图8是本发明另一实施例中的电子设备的结构示意图。
具体实施方式
由背景技术可知,获取图像重力方向的方法主要包括基于AprilTag、基于IMU和基于平面检测算法三种主流的方式,但是基于AprilTag需要人工对场景进行设置,且整体流程耗时长;基于IMU需要引入IMU辅助确定重力方向,不是所有场景都能够为相机配置IMU,且IMU存在系统误差并会随着时间推移导致误差积累;基于平面检测算法,则又会由于无法提供语义信息,容易将墙壁等竖直平面作为检测到的水平平面,进而得到错误的重力方向,以及算法求解需要多次迭代无法满足实时任务的时间要求。因此,需要提出一种能够准确快速地获取图像重力的方法。
为解决上述问题,本发明实施例提出了一种图像重力方向的获取方法,包括以下步骤:获取训练好的三维桌面语义分割模型,其中,所述三维桌面语义分割模型的训练集为若干点云图像组成的集合,所述点云图像携带根据所述点云图像中水平平面所在的点云生成的三维桌面掩码;利用所述三维桌面语义分割模型对测试点云图像进行语义分割,得到所述测试点云图像的三维测试桌面掩码;确定所述三维测试桌面掩码的测试法线方向作为所述测试点云图像的重力方向。
本发明实施例提供的图像重力方向的获取方法,从点云图像的角度出发,先获取经由若干标记有三维桌面掩码的点云图像组成的训练集训练好的桌面分割语义模型,并且点云图像中标记的三维桌面掩码为点云图像中的水平平面所在的点云,这样训练好的三维桌面语义分割模型通过训练能够对如何识别图像中的水平平面区域所在的点云进行识别,因此,利用三维桌面语义分割模型对测试点云图像进行语义分割时,能够得到测试点云图像的三维测试桌面掩码,进而由于测试点云图像中的三维测试桌面掩码的法线方向与重力方向一致,因此,通过获取三维测试桌面掩码的法线就能够得到测试点云图像的重力方向,并且由于是利用模型进行处理,不需要进行多次迭代,速度要远快于RANSAC等平面检测算法且准确性还要更高,还避免了将RGB-D图像作为模型输入时,需要利用模型对测试RGB-D图像中检测到的多个水平平面进行二维到三维的转换的情况,跳过维度转换的过程直接确定三维语义分割模型输出的三维桌面掩码进而确定出三维桌面掩码的法线方向,效率更高。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便,不应对本发明的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可以相互结合相互引用。
下面将对本实施例的图像重力方向的获取方法的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须。
在一些实施例中,图像重力方向的获取方法应用于需要进行三维场景重建的设备上,如机器人、监控设备等,如图1所示,图像重力方向的获取方法包括:
步骤101,获取训练好的三维桌面语义分割模型,其中,三维桌面语义分割模型的训练集为若干点云图像组成的集合,点云图像携带根据点云图像中水平平面所在的点云生成的三维桌面掩码。
本实施例中,点云是指空间内由点组成的集合,这些点具有几何意义,如三维空间的点云携带其在坐标系中的坐标信息;点云图像是由若干点云组成的图像;三维桌面掩码实际是点云图像中水平平面的语义掩码标记。
值得一提的是,由于三维桌面掩码为点云图像中的水平平面所在的点云,因此,桌面语义分割模型能够通过训练集对点云图像中的水平平面特征进行学习,从而训练好的三维桌面语义分割模型能够分割出并输出点云图像中的水平平面所在的三维点云。
需要说明的是,场景中的桌子竖直放置并且桌面呈现水平状态,即以桌面表示标准的水平平面,而不是特指场景中桌面这一事物;掩码用于对图像中的感兴趣的区域进行突出显示,从而将掩码所在区域与图像中的其他区域区分开来。
步骤102,利用三维桌面语义分割模型对测试点云图像进行语义分割,得到测试点云图像的三维测试桌面掩码。
本实施例中,测试点云图像可以是利用相机或其他设备获取的任何一张点云图像。
需要说明的是,步骤102可以是获取测试RGB-D图像,然后对RGB-D图像进行从二维到三维的投影得到测试点云图像,或者是传感器直接采集到的点云图像,接着将测试点云图像输入三维桌面语义分割模型,获取三维桌面语义分割模型输出的三位桌面掩码,即三维测试桌面掩码。
值得一提的是,利用三维桌面语义分割模型处理图像,能够快速地在测试点云图像中进行语义分割并输出三维桌面掩码,并且由于能够直接由模型输出三维点云,而不是二维平面信息,避免了二维到三维的转化过程,操作流程更加简化。
步骤103,确定三维测试桌面掩码的测试法线方向作为测试点云图像。
具体地说,利用主成分分析(Principle Component Analysis,PCA)算法计算三维测试桌面掩码的法线方向作为测试法线方向,进而得到测试点云图像的重力方向。其中,PCA算法是一种利用正交变换来对一系列可能相关的变量的观测值进行线性变换,从而投影为一系列线性不相关变量的值,这些不相关变量称为主成分。在一组三维点集中,将每个邻域点与该邻域的中心点相减,得到一个n×3的矩阵X。接着,用奇异值分解(SingularValue Decomposition,SVD)对该矩阵进行分解,得到:X=UΣVT,U中最后一列就是特征值最小的特征向量,也就是要求解的表征法线方向的法向量n。
进一步地,在一些实施例中还包括如何对桌面语义分割模型的训练,如图2所示,步骤101之前,图像重力方向的获取方法还包括:
步骤104,对预设的包含有若干RGB-D图像的数据集进行平面检测,得到每个RGB-D图像中的若干第一平面实例。
本实施例中,数据集可以是开源数据集,如SUNRGBD数据集、NYU Depth DatasetV2数据集等,也可以是针对实际需求制作得到的数据集。RGB-D图像可以是两张图像,即RGB图像和深度图像,也可以是标记有深度信息的RGB图像。此处就不再一一赘述了。
具体地说,利用PlaneRCNN等工具进行平面检测,得到每个RGB-D图像中的各个平面,如桌子的各个面、墙壁、椅子的各个面等。
需要说明的是,每个RGB-D图像都会得到若干第一平面实例,不同的RGB-D图像的由于场景不同,第一平面实例的数量、大小等都可能不同。
步骤105,根据数据集携带的语义分割标签识别并去除第一平面实例中的竖直平面,得到第二平面实例。
具体地说,不论是开源数据集还是用户自主制作的数据集,都会携带语义分割标签,以对数据集中的RGB-D图像进行语义分割,如语义分割标签包括花朵标签时能够从RGB-D图像中识别并标记出花朵所在区域、语义分割标签包括桌子标签时能够从RGB-D图像中识别并标记出桌子所在区域。因此,根据数据集携带的语义分割标签,能够将RGB-D图像中各种事物识别出来,从而能够得知第一平面实例所对应的场景中的事物,从而根据事物的特性在第一平面实例中筛选出水平平面,如墙壁等非水平平面所对应的第一平面实例去除掉,将桌子等具有水平平面的事物所对应的第一平面实例保留。
值得一提的是,由于第一平面实例是平面检测得到,因此,第一平面实例中包含各个不同的平面,包括倾斜平面、竖直平面、水平平面等不同类型的平面,平面的大小也可能不同,因此,需要将除水平平面之外的其他平面去除掉,保留水平平面,从而得到准确的水平平面进而生成桌面掩码,避免将墙体、桌面上倾斜放置的相框等作为水平平面,进而得到错误的桌面掩码,影响桌面语义分割模型的准确性。
步骤106,将第二平面实例从二维投影到三维,得到第一三维点云。
本实施例中,第一三维点云实际位于相加坐标系,其中,相机坐标系是以相机的聚焦中心为原点,以光轴为Z轴建立的三维直角坐标系,即坐标系的原点为相机的光心,x轴与y轴与图像的X,Y轴平行,z轴为相机光轴,它与图形平面垂直。
需要说明的是,RGB-D图像实际为三维图像,即在RGB表示的二维信息的基础上加上深度信息,并且由于相机在对场景进行拍摄时是从自身出发对场景中的物体进行透视投影得到的,因此,第三平面实例通过其所在区域的深度信息从二维转化到三维时,得到的坐标信息自然就是相机坐标系内的坐标。
步骤107,将属于同一RGB-D图像的第一三维点云作为相应的点云图像的三维桌面掩码,得到训练集。
具体地说,对于同一RGB-D图像,获取其对应的所有第一三维点云并作为三维桌面掩码,从而将三维桌面掩码和RGB-D图像从二维投影到三维得到的点云图像作为一个训练数据,多个训练数据组成训练集。
步骤108,利用训练集对初始的三维桌面语义分割模型进行训练。
需要说明的是,桌面语义分割模型为用于语义分割的神经网络,经过若干标记有三维桌面掩码的点云图像组成的训练集的训练学习之后,能够学习到点云图像中水平平面的特征,进而能够用于从点云图像中确定出三维桌面掩码。
进一步地,在一些场景中点云图像中可能包含桌面上倾斜放置的相框等物体的点云,从而导致将近似标准水平平面识别为标准水平平面,出现数据集不准确的情况,因此,在一些实施例中,如图3所示,步骤107之前图像重力方向的获取方法还包括:
步骤109,根据第一三维点云在世界坐标系内的法线方向相对于Z轴方向的偏离程度对第一三维点云进行筛选。
具体地说,第一三维点云在世界坐标系内的法线方向相对于Z轴方向的偏离程度可以是发现方向与Z轴的夹角、法线和向量(0,0,1)的距离、法线和向量(0,0,1)的相关性等,当然,以上仅为具体的举例说明,还可以是将方向与Z轴的其他参数作为偏离程度,此处就不再一一赘述了。
需要说明的是,在本实施例中步骤107为:将RGB-D图像从二维投影到三维,得到点云图像,将属于同一点云图像的第二三维点云确定为三维桌面掩码,得到训练集,其中,第二三维点云为筛选后被保留的第一三维点云。
即步骤107中的用于获取三维桌面掩码是步骤109筛选后被保留下来的第一三维点云。
值得一提的是,执行步骤105之后可能仍然会保留部分非水平平面,如场景中的桌子由于存在质量问题桌面为倾斜状态单倾斜角度很小等,此时,再根据第一三维点云在世界坐标系的法线方向和世界坐标系的Z轴的偏离程度来进一步筛选,能够进一步对平面进行筛选,保证得到的第二平面实例是水平平面,从而提高由第二平面实例确定的桌面掩码的准确性,得到更加标记更加准确的训练集,提高模型通过语义分割得到桌面掩码的准确性,最终提高根据桌面掩码确定的法线方向的准确性。
需要说明的是,在其他实施例中,还可以是获取点云图像,然后对点云图像进行平面检测,接着计算检测到的平面在世界坐标系下的法线方向,根据世界坐标系下的法线方向与z轴的偏离程度对检测到的平面进行筛选,保留偏离长度满足要求的平面,并生成三维桌面掩码,进而根据点云图像及其三维桌面掩码得到训练集。当然,还有其他方式获取训练集,此处就不再一一赘述了。
进一步地,在一些实施例中利用法线方向与Z轴方向的夹角来衡量,如图4所示,图像重力方向的获取方法中步骤109包括:
步骤1091,根据数据集携带的外部参数将第一三维点云转换到世界坐标系下。
具体地说,数据集携带了相机参数,以实现将相机坐标系下地第一三维点云转换到世界坐标系。
步骤1092,确定坐标系转换后的第一三维点云所在平面的法线。
具体地说,利用PCA算法求解第一三维点云所在平面的法线。
步骤1093,去除法线与世界坐标系的Z轴的夹角超过预设角度阈值的坐标系转换后的第一三维点云。
需要说明的是,当某个第二平面实例为真正的水平平面时,其对应的第一三维点云的法线方向则会是重力方向,即在世界坐标系中与Z轴通向,同理,当某个第二平面实例不是真正的水平平面时,其对应的第一三维点云的法线方向不是重力方向,而是与重力方向之间存在偏差即夹角,因此,通过第一三维点云在世界坐标系中的法线方向是否与Z轴方向存在一定偏离判断第一三维点云是否为真正的水平平所在的点云。此外,由于转换过程中可能存在投影误差以及计算法线方向也可能存在误差,因此,由第二平面实例得到第一三维点云在世界坐标系中的法线方向与Z轴方向不完全重合也是可能的情况,进而,根据偏离程度进行判断而不是根据是否重合进行判断,如第一三维点云在世界坐标系中的法线方向与Z轴方向的夹角在5°以内时认为相应的第一三维点云为水平平面所在的点云,可以保留。
还需要说明的是,当第一三维点云在世界坐标系内的法线方向相对于Z轴方向的偏离程度为第一三位点云在世界坐标系内的法线方向和Z轴方向的其他参数时,相应地需要设置其他类型的阈值条件,此处就不再一一赘述了。
考虑到场景中的桌子等物体存在桌腿等干扰因素,也需要被去除掉,进一步地,在一些实施例中,如图5所示,步骤106之前,图像重力方向的获取方法还包括:
步骤110,从得到的所有第二平面实例中,去除像素点数量少于预设数量阈值的第二平面实例。
此时,步骤106为:将剩下的第二平面实例从二维投影到三维,得到第一三维点云。
需要说明的是,由于存在桌子类别中会包含桌子的侧面或桌腿平面等情况,需对平面实例进行筛选。而根据经验,像素点较少的平面实例有较大可能为桌腿或桌子侧面,而非桌面,且若为桌面,该桌面的质量可能受语义分割标签不准确的影响较大,会使得总体桌面对应的第三平面实例产生较多的噪声点,因此,通过将像素点数量少的第三平面实例进行去除,以避免以上所述的干扰,使得剩下的第三平面实例是水平平面可能性更高,且还能够减少步骤107步骤处理的第二平面实例的数量、减少步骤109处理第一三维点云的数量,加快处理速度,提升效率。
此外,获取的重力防线可以用于进行三维重建,具体地,在一些实施例,如图6所示,步骤103之后,图像重力方向的获取方法还包括:
步骤111,根据重力方向确定从相机坐标系到世界坐标系的旋转平移矩阵。
具体地说,由于重力方向实际代表着世界坐标系的Z轴方向,因此在图像平面内重力方向确定后,重力方向与基于图像平面形成的相机坐标系的Z轴之间的夹角即为相机坐标系和世界坐标系在Z轴方向上的夹角,结合其他维度的信息,如X轴方向的夹角等,可以确定出旋转平移矩阵。
步骤112,根据旋转平移矩阵对相机拍摄到的场景进行三维重建。
具体地说,得到旋转平移矩阵后,通过分别将相机拍摄到的场景从二维投影到基于相机坐标系的三维空间内,进而利用旋转平移矩阵从相机坐标系转换到世界坐标系,得到三维重建的结果。
需要说明的是,实现了三维重建之后,可以针对三维重建的结果进行多种操作,如机器人对当前所处环境的分析以进行抓取目标物体等操作,或者,呈现三维重建场景以供观众进行欣赏等。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明实施例还提供了一种图像重力方向的获取装置,如图7所示,包括:
获取模块701,用于获取训练好的三维桌面语义分割模型,其中,三维桌面语义分割模型的训练集为若干点云图像组成的集合,点云图像携带根据点云图像中水平平面所在的点云生成的三维桌面掩码。
语义分割模块702,用于利用三维桌面语义分割模型对测试点云图像进行语义分割,得到测试点云图像的三维测试桌面掩码。
确定模块703,用于确定三维测试桌面掩码的测试法线方向作为测试点云图像的重力方向。
不难发现,本实施例为与图像重力方向的获取方法实施例相对应的装置实施例,本实施例可与图像重力方向的获取方法实施例互相配合实施。图像重力方向的获取方法实施例中提到的相关技术细节在本实施例中依然有效,为了减少重复,这里不再赘述。相应地,本实施例中提到的相关技术细节也可应用在图像重力方向的获取方法实施例中。
值得一提的是,本实施例中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施例中不存在其它的单元。
本发明实施例还提供了一种电子设备,如图8所示,包括至少一个处理器801;以及,与至少一个处理器801通信连接的存储器802;其中,存储器802存储有可被至少一个处理器801执行的指令,指令被至少一个处理器801执行,以使至少一个处理器801能够执行上述任一方法实施例所描述的图像重力方向的获取方法。
其中,存储器802和处理器801采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器801和存储器802的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器801处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传输给处理器801。
处理器801负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器802可以被用于存储处理器801在执行操作时所使用的数据。
本发明的实施例涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (10)
1.一种图像重力方向的获取方法,其特征在于,包括:
获取训练好的三维桌面语义分割模型,其中,所述三维桌面语义分割模型的训练集为若干点云图像组成的集合,所述点云图像携带根据所述点云图像中水平平面所在的点云生成的三维桌面掩码;
利用所述三维桌面语义分割模型对测试点云图像进行语义分割,得到所述测试点云图像的三维测试桌面掩码;
确定所述三维测试桌面掩码的测试法线方向作为所述测试点云图像的重力方向。
2.根据权利要求1所述的图像重力方向的获取方法,其特征在于,所述获取训练好的三维桌面语义分割模型之前,所述方法还包括:
对预设的包含有若干RGB-D图像的数据集进行平面检测,得到每个所述RGB-D图像中的若干第一平面实例;
根据所述数据集携带的语义分割标签识别并去除所述第一平面实例中的竖直平面,得到第二平面实例;
将所述第二平面实例从二维投影到三维,得到第一三维点云;
将属于同一所述RGB-D图像的所述第一三维点云作为相应的所述点云图像的所述三维桌面掩码,得到所述训练集;
利用所述训练集对初始的所述三维桌面语义分割模型进行训练。
3.根据权利要求2所述的图像重力方向的获取方法,其特征在于,所述将属于同一所述RGB-D图像的所述第一三维点云作为相应的所述点云图像的所述三维桌面掩码,得到所述训练集之前,所述方法还包括:
根据所述第一三维点云在世界坐标系内的法线方向相对于Z轴方向的偏离程度对所述第一三维点云进行筛选;
所述将属于同一所述RGB-D图像的所述第一三维点云作为相应的所述点云图像的所述三维桌面掩码,得到所述训练集,包括:
将所述RGB-D图像从二维投影到三维,得到所述点云图像;
将属于同一所述点云图像的第二三维点云确定为所述三维桌面掩码,得到所述训练集,其中,所述第二三维点云为筛选后被保留的所述第一三维点云。
4.根据权利要求3所述的图像重力方向的获取方法,其特征在于,所述根据所述第一三维点云在世界坐标系内的法线方向相对于Z轴方向的偏离程度对所述第一三维点云进行筛选,包括:
根据所述数据集携带的外部参数将所述第一三维点云转换到所述世界坐标系下;
确定坐标系转换后的所述第一三维点云所在平面的法线;
去除所述法线与所述世界坐标系的Z轴的夹角超过预设角度阈值的坐标系转换后的所述第一三维点云。
5.根据权利要求3或4所述的图像重力方向的获取方法,其特征在于,所述将所述第二平面实例从二维投影到三维,得到第一三维点云之前,所述方法还包括:
从得到的所有所述第二平面实例中,去除像素点数量少于预设数量阈值的所述第二平面实例;
所述将所述第二平面实例从二维投影到三维,得到第一三维点云,包括:
将剩下的所述第二平面实例从二维投影到三维,得到所述第一三维点云。
6.根据权利要求1所述的图像重力方向的获取方法,其特征在于,所述确定所述三维测试桌面掩码的测试法线方向,包括:
利用主成分分析PCA算法计算所述三维测试桌面掩码的法线方向作为所述测试法线方向。
7.根据权利要求1所述的图像重力方向的获取方法,其特征在于,所述确定所述三维测试桌面掩码的测试法线方向作为所述测试点云图像的重力方向之后,所述方法还包括;
根据所述重力方向确定从相机坐标系到世界坐标系的旋转平移矩阵;
根据所述旋转平移矩阵对相机拍摄到的场景进行三维重建。
8.一种图像重力方向的获取装置,其特征在于,包括:
获取模块,用于获取训练好的三维桌面语义分割模型,其中,所述三维桌面语义分割模型的训练集为若干点云图像组成的集合,所述点云图像携带根据所述点云图像中水平平面所在的点云生成的三维桌面掩码;
语义分割模块,用于利用所述三维桌面语义分割模型对测试点云图像进行语义分割,得到所述测试点云图像的三维测试桌面掩码;
确定模块,用于确定所述三维测试桌面掩码的测试法线方向作为所述测试点云图像的重力方向。
9.一种电子设备,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如权利要求1-7中任一所述的图像重力方向的获取方法。
10.一种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中任一项所述的图像重力方向的获取方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926336.0A CN115222799B (zh) | 2021-08-12 | 2021-08-12 | 图像重力方向的获取方法、装置、电子设备及存储介质 |
PCT/CN2022/084586 WO2023015914A1 (zh) | 2021-08-12 | 2022-03-31 | 图像重力方向的获取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926336.0A CN115222799B (zh) | 2021-08-12 | 2021-08-12 | 图像重力方向的获取方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115222799A true CN115222799A (zh) | 2022-10-21 |
CN115222799B CN115222799B (zh) | 2023-04-11 |
Family
ID=83606133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110926336.0A Active CN115222799B (zh) | 2021-08-12 | 2021-08-12 | 图像重力方向的获取方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115222799B (zh) |
WO (1) | WO2023015914A1 (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514446A (zh) * | 2013-10-16 | 2014-01-15 | 北京理工大学 | 一种融合传感器信息的室外场景识别方法 |
CN103718213A (zh) * | 2012-01-13 | 2014-04-09 | 索弗特凯耐提克软件公司 | 自动场景校准 |
CN105488809A (zh) * | 2016-01-14 | 2016-04-13 | 电子科技大学 | 基于rgbd描述符的室内场景语义分割方法 |
GB201712922D0 (en) * | 2017-08-11 | 2017-09-27 | Canon Kk | Method and corresponding device for generating a point cloud representing a 3D object |
CN110006435A (zh) * | 2019-04-23 | 2019-07-12 | 西南科技大学 | 一种基于残差网络的变电站巡检机器人视觉辅助导航方法 |
CN110097553A (zh) * | 2019-04-10 | 2019-08-06 | 东南大学 | 基于即时定位建图与三维语义分割的语义建图系统 |
WO2020024144A1 (zh) * | 2018-08-01 | 2020-02-06 | 广东朗呈医疗器械科技有限公司 | 一种三维成像方法、装置及终端设备 |
CN112396650A (zh) * | 2020-03-30 | 2021-02-23 | 青岛慧拓智能机器有限公司 | 一种基于图像和激光雷达融合的目标测距系统及方法 |
CN112767538A (zh) * | 2021-01-11 | 2021-05-07 | 浙江商汤科技开发有限公司 | 三维重建及相关交互、测量方法和相关装置、设备 |
CN113223091A (zh) * | 2021-04-29 | 2021-08-06 | 达闼机器人有限公司 | 三维目标检测方法、抓取方法、装置及电子设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10657647B1 (en) * | 2016-05-20 | 2020-05-19 | Ccc Information Services | Image processing system to detect changes to target objects using base object models |
CN106127727B (zh) * | 2016-06-07 | 2019-01-04 | 中国农业大学 | 一种家畜体表三维数据获取方法 |
CN109034065B (zh) * | 2018-07-27 | 2022-08-16 | 西安理工大学 | 一种基于点云的室内场景物体提取方法 |
CN110378246A (zh) * | 2019-06-26 | 2019-10-25 | 深圳前海达闼云端智能科技有限公司 | 地面检测方法、装置、计算机可读存储介质及电子设备 |
CN111523547B (zh) * | 2020-04-24 | 2024-03-15 | 江苏盛海智能科技有限公司 | 一种3d语义分割的方法及终端 |
CN111932688B (zh) * | 2020-09-10 | 2021-02-09 | 深圳大学 | 一种基于三维点云的室内平面要素提取方法、系统及设备 |
CN112529963A (zh) * | 2020-12-11 | 2021-03-19 | 深圳一清创新科技有限公司 | 一种楼梯检测方法、装置及移动机器人 |
-
2021
- 2021-08-12 CN CN202110926336.0A patent/CN115222799B/zh active Active
-
2022
- 2022-03-31 WO PCT/CN2022/084586 patent/WO2023015914A1/zh unknown
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103718213A (zh) * | 2012-01-13 | 2014-04-09 | 索弗特凯耐提克软件公司 | 自动场景校准 |
CN103514446A (zh) * | 2013-10-16 | 2014-01-15 | 北京理工大学 | 一种融合传感器信息的室外场景识别方法 |
CN105488809A (zh) * | 2016-01-14 | 2016-04-13 | 电子科技大学 | 基于rgbd描述符的室内场景语义分割方法 |
GB201712922D0 (en) * | 2017-08-11 | 2017-09-27 | Canon Kk | Method and corresponding device for generating a point cloud representing a 3D object |
WO2020024144A1 (zh) * | 2018-08-01 | 2020-02-06 | 广东朗呈医疗器械科技有限公司 | 一种三维成像方法、装置及终端设备 |
CN110097553A (zh) * | 2019-04-10 | 2019-08-06 | 东南大学 | 基于即时定位建图与三维语义分割的语义建图系统 |
CN110006435A (zh) * | 2019-04-23 | 2019-07-12 | 西南科技大学 | 一种基于残差网络的变电站巡检机器人视觉辅助导航方法 |
CN112396650A (zh) * | 2020-03-30 | 2021-02-23 | 青岛慧拓智能机器有限公司 | 一种基于图像和激光雷达融合的目标测距系统及方法 |
CN112767538A (zh) * | 2021-01-11 | 2021-05-07 | 浙江商汤科技开发有限公司 | 三维重建及相关交互、测量方法和相关装置、设备 |
CN113223091A (zh) * | 2021-04-29 | 2021-08-06 | 达闼机器人有限公司 | 三维目标检测方法、抓取方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
王泽宇等: "面向RGB-D场景解析的三维空间结构化编码深度网络", 《计算机应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115222799B (zh) | 2023-04-11 |
WO2023015914A1 (zh) | 2023-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10984554B2 (en) | Monocular vision tracking method, apparatus and non-volatile computer-readable storage medium | |
CN108198145B (zh) | 用于点云数据修复的方法和装置 | |
CN109472828B (zh) | 一种定位方法、装置、电子设备及计算机可读存储介质 | |
CN109241844B (zh) | 三维物体的姿态估计方法、装置、设备及存储介质 | |
CN114862973B (zh) | 基于固定点位的空间定位方法、装置、设备及存储介质 | |
CN113156407B (zh) | 车载激光雷达外参数联合标定方法、系统、介质及设备 | |
EP3166074A1 (en) | Method of camera calibration for a multi-camera system and apparatus performing the same | |
CN111144349A (zh) | 一种室内视觉重定位方法及系统 | |
CN113361365B (zh) | 定位方法和装置、设备及存储介质 | |
CA3233222A1 (en) | Method, apparatus and device for photogrammetry, and storage medium | |
CN103886595A (zh) | 一种基于广义统一模型的折反射相机自标定方法 | |
CN112541950A (zh) | 一种深度相机外参的标定方法、及装置 | |
CN112613107A (zh) | 杆塔工程确定施工进度的方法、装置、存储介质及设备 | |
CN113763478A (zh) | 无人车相机标定方法、装置、设备、存储介质及系统 | |
CN115222799B (zh) | 图像重力方向的获取方法、装置、电子设备及存储介质 | |
CN116597246A (zh) | 模型训练方法、目标检测方法、电子设备及存储介质 | |
Molnár et al. | ToFNest: Efficient normal estimation for time-of-flight depth cameras | |
CN115249261B (zh) | 图像重力方向的获取方法、装置、电子设备及存储介质 | |
CN114648544A (zh) | 一种亚像素椭圆提取方法 | |
CN115018922A (zh) | 畸变参数标定方法、电子设备和计算机可读存储介质 | |
Rastgar | Robust self-calibration and fundamental matrix estimation in 3D computer vision | |
Gee | Small 3-D Reconstructions from Calibrated Sequential Stereo Images | |
CN117893403A (zh) | 地图拼接方法,电子设备及存储介质 | |
CN117853649A (zh) | 基于sfm和渲染技术的图像-位姿数据库生成方法及装置 | |
Chang et al. | Methodology for evaluating static six-degree-of-freedom (6DoF) perception systems |
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 |