CN115689898A - 一种姿态估计方法、装置、设备及介质 - Google Patents
一种姿态估计方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115689898A CN115689898A CN202110867072.6A CN202110867072A CN115689898A CN 115689898 A CN115689898 A CN 115689898A CN 202110867072 A CN202110867072 A CN 202110867072A CN 115689898 A CN115689898 A CN 115689898A
- Authority
- CN
- China
- Prior art keywords
- attitude
- target
- component
- transformation matrix
- rotation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000013519 translation Methods 0.000 claims abstract description 159
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 100
- 238000009499 grossing Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 64
- 239000011159 matrix material Substances 0.000 claims description 211
- 230000009466 transformation Effects 0.000 claims description 196
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012886 linear function Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 20
- 230000000694 effects Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 206010016322 Feeling abnormal Diseases 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例涉及一种姿态估计方法、装置、设备及介质,其中该方法包括:根据时序信息获取目标图像在时序上的前后多帧连续参考图像;获取目标对象在每帧参考图像中的第一姿态估计,以及目标对象在目标图像中的第二姿态估计;根据预设旋转平滑算法对至少一个第一姿态估计的旋转姿态分量和第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量;根据预设平移平滑算法对每个第一姿态估计的平移姿态分量和第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量;根据目标旋转姿态分量和目标平移姿态分量生成目标对象在目标图像中的第三姿态估计。本公开实施例生成的第三姿态估计具有良好的稳定性、跟随性,提升了用户的体验感和满意度。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种姿态估计方法、装置、设备及介质。
背景技术
随着计算机技术的发展,姿态估计技术的应用场景愈加广泛,比如根据姿态估计进行虚拟试穿、驱动一些虚拟素材贴合等应用场景。
然而,目前的姿态估计方法会造成一定的抖动,并且根据姿态估计生成的应用效果跟随性较差、有一定的漂浮感。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种姿态估计方法、装置、设备及介质。
第一方面,本公开实施例提供了一种姿态估计方法,所述方法包括:
根据时序信息获取目标图像在时序上的前后多帧连续参考图像;
获取目标对象在每帧所述参考图像中的第一姿态估计,以及所述目标对象在所述目标图像中的第二姿态估计;
根据预设旋转平滑算法对至少一个所述第一姿态估计的旋转姿态分量和所述第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量;
根据预设平移平滑算法对每个所述第一姿态估计的平移姿态分量和所述第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量;
根据所述目标旋转姿态分量和所述目标平移姿态分量生成所述目标对象在所述目标图像中的第三姿态估计。
一种可选的实施方式中,所述获取目标对象在每帧所述参考图像中的第一姿态估计,以及所述目标对象在所述目标图像中的第二姿态估计,包括:
获取所述目标对象从预设的初始位置到每帧所述参考图像中的目标位置对应的第一变换矩阵,将所述第一变换矩阵确定为所述目标对象在每帧所述参考图像中的第一姿态估计;以及
获取所述目标对象从所述初始位置到所述目标图像中目标位置的第二变换矩阵,将所述第二变换矩阵确定为所述目标对象在所述目标图像中的第二姿态估计。一种可选的实施方式中,还包括:
根据预设的四元数和旋转表示的关联算法对至少一个所述第一变换矩阵进行计算获取至少一个所述第一变换矩阵的旋转姿态分量,且对所述第二变换矩阵进行计算获取所述第二变换矩阵的旋转姿态分量;以及,
对每个所述第一变换矩阵分别提取所述目标对象在横轴、竖轴和纵轴上的平移,获取每个所述第一变换矩阵的平移姿态分量,且对所述第二变换矩阵提取所述目标对象在横轴、竖轴和纵轴上的平移,获取所述第二变换矩阵的平移姿态分量。
一种可选的实施方式中,所述根据预设旋转平滑算法对至少一个所述第一姿态估计的旋转姿态分量和所述第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量,包括:
获取所述目标对象在所述目标图像前一帧参考图像的第一变换矩阵的旋转姿态分量;
获取所述目标对象在所述目标图像的第二变换矩阵的旋转姿态分量;
根据预设的球面线性插值算法对所述前一帧参考图像的第一变换矩阵的旋转姿态分量、所述目标图像的第二变换矩阵的旋转姿态分量,以及预设的旋转平滑系数进行处理,生成目标旋转姿态分量。
一种可选的实施方式中,还包括:
根据预设算法对所述前一帧参考图像的第一变换矩阵的旋转姿态分量和所述目标图像的第二变换矩阵的旋转姿态分量进行计算获取第一结果;
取所述第一结果和预设的第一系数之间的最大值作为第二结果;
根据预设算法对所述第二结果进行处理生成第三结果;
取所述第三结果和预设的第二系数之间的最小值作为所述旋转平滑系数。
一种可选的实施方式中,所述根据预设平移平滑算法对每个所述第一姿态估计的平移姿态分量和所述第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量,包括:
获取所述目标对象在每一帧所述参考图像的第一变换矩阵的平移姿态分量;
获取所述目标对象在所述目标图像的第二变换矩阵的平移姿态分量;
基于每一帧所述参考图像的第一变换矩阵的平移姿态分量和所述目标图像的第二变换矩阵的平移姿态分量,根据时序信息生成平移向量;
根据最小二乘法采用线性函数拟合算法对所述平移向量和预设的平移系数进行处理,生成平移运动轨迹;
从所述平移运动轨迹中提取与所述目标图像的时间点信息对应的目标平移姿态分量。
一种可选的实施方式中,还包括:
根据所述参考图像和所述目标图像的图像帧数确定所述平移系数。
一种可选的实施方式中,所述根据所述目标旋转姿态分量和所述目标平移姿态分量生成所述目标对象在所述目标图像中的第三姿态估计,包括:
对所述目标旋转姿态分量和所述目标平移姿态分量进行点乘处理,生成所述目标对象在所述目标图像中的第三变换矩阵,将所述第三变换矩阵确定为所述目标对象在所述目标图像中的第三姿态估计。
第二方面,本公开实施例提供了一种姿态估计装置,所述装置包括:
第一获取模块,用于根据时序信息获取目标图像在时序上的前后多帧连续参考图像
第二获取模块,用于获取目标对象在每帧所述参考图像中的第一姿态估计,以及所述目标对象在所述目标图像中的第二姿态估计;
第一生成模块,用于根据预设旋转平滑算法对至少一个所述第一姿态估计的旋转姿态分量和所述第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量;
第二生成模块,用于根据预设平移平滑算法对每个所述第一姿态估计的平移姿态分量和所述第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量;
第三方面,本公开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中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备实现上述的方法。
第四方面,本公开提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述的方法。
第五方面,本公开提供了一种计算机程序产品,所述计算机程序产品包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现上述的方法。
本公开实施例提供的技术方案与现有技术相比至少具有如下优点:
本公开实施例提供的姿态估计方法,根据平移和旋转的不同性质采用对应不同的平滑策略,使用旋转平滑算法对第一姿态估计和第二姿态估计的旋转姿态分量进行处理,可以获得更精准且稳定的目标旋转姿态分量;使用平移平滑算法对第一姿态估计和第二姿态估计的平移姿态分量进行处理,可以获得更精准且稳定的目标平移姿态分量,从而,根据目标旋转姿态分量和目标平移姿态分量生成的第三姿态估计具有良好的稳定性,以及跟随性,避免了漂浮感的产生,提升了用户的体验感和满意度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种姿态估计方法的流程示意图;
图2为本公开实施例提供的另一种姿态估计方法的流程示意图;
图3a为本公开实施例提供的一种姿态估计方法的目标图像前一帧的示意图;
图3b为本公开实施例提供的一种姿态估计方法的目标图像的示意图;
图3c为本公开实施例提供的另一种姿态估计方法的目标图像的示意图;
图4a为本公开实施例提供的另一种姿态估计方法的目标图像前一帧的示意图;
图4b为本公开实施例提供的另一种姿态估计方法的目标图像的示意图;
图4c为本公开实施例提供的另一种姿态估计方法的目标图像的示意图;
图5为本公开实施例提供的一种姿态估计装置的结构示意图;
图6为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
为了解决上述问题,本公开实施例提供了一种姿态估计方法,下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的一种姿态估计方法的流程示意图,该方法可以由姿态估计装置执行,其中该装置可以采用软件和/或硬件实现,一般可集成在电子设备中。如图1所示,该方法包括:
步骤101,根据时序信息获取目标图像在时序上的前后多帧连续参考图像;
步骤102,获取目标对象在每帧参考图像中的第一姿态估计,以及目标对象在目标图像中的第二姿态估计。
对目标对象拍摄视频,对所拍摄视频中的目标对象进行姿态估计后,根据估计的姿态进行相关应用。例如,当目标对象为人的脚,根据脚的姿态估计进行鞋子的虚拟试穿;当目标对象为人的手掌,根据手的姿态估计添加各种特效效果等。因此,为了降低姿态估计的抖动,提升应用效果的稳定性以及跟随性,需要更加准确的对目标对象进行姿态估计。需要说明的是,目标对象可以根据应用场景进行选择,本实施例不作限制。
视频是由多帧连续图像组成的,时序信息可以用来记录该多帧图像之间的顺序关系。可以理解地,通常需要对视频中的每帧图像中的目标对象分别进行姿态估计,目标图像可以为当前进行姿态估计的图像。为了对目标图像中的目标对象进行姿态估计,首先通过时序信息获取目标图像在时序上的前后多帧连续参考图像,其中,参考图像的帧数可以根据应用场景进行设定,本实施例不作限制,例如:在视频的第100帧为目标图像的情况下,可以将视频的前后各N帧作为参考图像(N为正整数),例如,N=2,将视频的第98、99、101、102帧作为参考图像;也可以将视频的前K帧以及后J帧作为参考图像(K和J均为正整数;且K≠J),例如,K=2,J=1时,将视频的第98、99、101帧作为参考图像。
进而分别对每个参考图像中的目标对象进行姿态估计,从而获取目标对象在每帧参考图像中的第一姿态估计。同时,对目标图像中的目标对象进行姿态估计,获取目标对象在目标图像中的第二姿态估计。需要说明的是,获取第一姿态估计和第二姿态估计的方法有多种,可以根据应用场景进行选择,本实施例不作限制。例如:通过神经网络模型获取第一姿态估计和第二姿态估计。
步骤103,根据预设旋转平滑算法对至少一个第一姿态估计的旋转姿态分量和第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量。
步骤104,根据预设平移平滑算法对每个第一姿态估计的平移姿态分量和第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量。
可以理解地,姿态估计表示目标对象从一个初始位置运动到当前位置的一个变化过程,因此,可以从运动方向的维度将姿态估计进行分量处理获取平移姿态分量和旋转姿态分量。具体地,对第一姿态估计进行分量处理后,得到第一姿态估计对应的旋转姿态分量和平移姿态分量;对第二姿态估计进行分量处理后,得到第二姿态估计对应的旋转姿态分量和平移姿态分量。需要说明的是,可以根据姿态估计的具体表达形式,选择相应的算法对姿态估计进行分量处理获取平移姿态分量和旋转姿态分量,本实施例对此不做限制。
根据多次试验观察以及推理分析,发现目标对象的第一姿态估计在平移姿态分量和旋转姿态分量的差异也较大,也需要采用对应的不同算法对第一姿态估计的平移姿态分量和旋转姿态分量进行处理。类似的,目标对象的第二姿态估计在平移姿态分量和旋转姿态分量的差异较大,即平移姿态分量和旋转姿态分量的噪声表现不同,因此,可以采用对应的不同算法对第二姿态估计的平移姿态分量和旋转姿态分量进行处理。具体地,可以采用预设的旋转平滑算法对第一姿态估计和第二姿态估计的旋转姿态分量进行平滑处理,采用预设的平移平滑算法对第一姿态估计和第二姿态估计的平移姿态分量进行平滑处理。
需要说明的是,该旋转平滑算法包括但不限于:线性插值算法、球面线性插值算法中的任一种,根据该旋转平滑算法对第一姿态估计的旋转分量和第二姿态估计的旋转分量进行处理,得到目标旋转姿态分量,该目标旋转姿态分量为目标对象在目标图像中的姿态估计在旋转方向的分量。其中,需要强调的是,在一些应用场景中,根据旋转平滑算法确定参考图像的数量和该参考图像在时序上的位置,例如,球面线性插值算法通常是对目标图像及其前一帧的参考图像进行处理,因而当选用球面线性插值算法作为旋转平滑算法时,在视频的第100帧为目标图像的情况下,选取第99帧的参考图像中的姿态估计的旋转姿态分量进行平滑处理。
另外,需要说明的是,平移平滑算法包括但不限于:最小二乘法、非线性最小二乘法中的任一种,根据该平移平滑算法对第一姿态估计的平移分量和第二姿态估计的平移分量进行处理,得到目标平移姿态分量,该目标平移姿态分量为目标对象在目标图像中的姿态估计在平移方向的分量。其中,需要强调的是,在一些应用场景中,根据平移平滑算法确定参考图像的数量和该参考图像在时序上的位置,例如,最小二乘法算法通常是对目标图像及其前L帧和后N帧的参考图像进行处理(L和N为整数,L和N的相对数量不作限制),因而当选用最小二乘法算法时,可以选取L=N=2,在视频的第100帧为目标图像的情况下,选取第98、99、101、102帧的参考图像中的姿态估计的平移姿态分量进行平滑处理。
步骤105,根据目标旋转姿态分量和目标平移姿态分量生成目标对象在目标图像中的第三姿态估计。
如上所述,目标旋转姿态分量为目标对象在目标图像中的姿态估计在旋转方向的分量,目标平移姿态分量为目标对象在目标图像中的姿态估计在平移方向的分量,进而,可以根据目标旋转姿态分量和目标平移姿态分量生成目标对象在目标图像中的第三姿态估计。需要说明的是,可以根据目标旋转姿态分量和目标平移姿态分量的具体表达形式选择对应的算法进行合成处理生成第三姿态估计。
本公开实施例提供的姿态估计方法,首先根据时序信息获取目标图像在时序上的前后多帧连续参考图像,获取目标对象在参考图像中的第一姿态估计,以及目标对象在目标图像中的第二姿态估计。进而通过使用旋转平滑算法对第一姿态估计和第二姿态估计的旋转姿态分量进行处理,可以获得更精准且稳定的目标旋转姿态分量;使用平移平滑算法对第一姿态估计和第二姿态估计的平移姿态分量进行处理,可以获得更精准且稳定的目标平移姿态分量。从而,根据目标旋转姿态分量和目标平移姿态分量生成的第三姿态估计。这样经过对时序相关的多帧姿态估计的旋转分量和平移分量分别采用对应的平滑算法进行平滑处理后生成的最终的姿态估计具有良好的稳定性,以及跟随性,避免了漂浮感的产生,提升了用户的体验感和满意度。
图2为本公开实施例提供的另一种姿态估计方法的流程示意图,基于上述实施例,如图2所示,具体步骤,包括:
步骤201,根据时序信息获取目标图像在时序上的前后多帧连续参考图像,获取目标对象从预设的初始位置到每帧参考图像中的目标位置对应的第一变换矩阵,将该第一变换矩阵确定为目标对象在每帧参考图像中的第一姿态估计,获取目标对象从初始位置到目标图像中目标位置的第二变换矩阵,将该第二变换矩阵确定为目标对象在目标图像中的第二姿态估计。
参考图像是目标图像的前后多帧连续的图像,参考图像可以根据应用场景进行选取,本实施例不作限制,举例而言,在视频的第100帧为目标图像的情况下:参考图像可以为视频的第98、99、101、102帧。
在每一帧图像中,目标对象的位置是发生变化的,变换矩阵可以用于表示目标对象从一个位置到另一个位置的变换。因此,在本公开一些实施例中,可以预设初始位置,初始位置根据应用场景进行设置,本实施例不作限制,例如:初始位置为时序上第一帧参考图像的上一帧图像中目标对象的位置。针对每帧参考图像,使用第一变换矩阵表示目标对象从初始位置到当前参考图像中的目标对象所在目标位置的变换;在待进行姿态估计的目标图像中,使用第二变换矩阵表示目标对象从初始位置到目标图像中目标位置的变换。其中,第一变换矩阵和第二变换矩阵的初始位置相同,从而保证图像间的算法结果是一致的。需要说明的是,在一些应用场景中,变换矩阵是在表示旋转的旋转矩阵后面拼接表示平移的平移矩阵得到的,其中旋转矩阵为3×3的矩阵,平移矩阵为3×1的矩阵,旋转矩阵和平移矩阵拼接得到变换矩阵为3×4的矩阵。因而,本实施例中的第一变换矩阵和第二变换矩阵均可采用3×4的矩阵进行表示。
一种可选的实施方式中,继续以第100帧为目标图像,第98、99、101、102帧为参考图像为例,目标对象为人的脚,预设初始位置为第97帧图像中脚的位置,则获得目标对象从初始位置到第98、第99、第101、第102帧的参考图像中的目标位置的第一变换矩阵,以及目标对象从初始位置到第100帧的目标图像的目标位置的第二变换矩阵。进而,第一变换矩阵和第二变换矩阵都可以通过计算,得到对应的平移姿态分量和使用四元数表示的旋转姿态分量。需要说明的是,目标对象在每一帧图像的变换矩阵的具体数值不完全相同,为了说明如何对变换矩阵进行旋转姿态分量和平移姿态分量的拆分,用3×4的变换矩阵M为例说明如下。
以变换矩阵M为例,说明如何根据变换矩阵获取旋转姿态分量和平移姿态分量的过程,其中,变换矩阵M表示为:
对每个第一变换矩阵分别提取所述目标对象在横轴、竖轴和纵轴上的平移,获取每个第一变换矩阵的平移姿态分量,且对第二变换矩阵提取所述目标对象在横轴、竖轴和纵轴上的平移,获取所述第二变换矩阵的平移姿态分量,以变换矩阵M代表第一变换矩阵或第二变换矩阵,变换矩阵M中,[a14;a24;a34]表示平移,则平移姿态分量V的值为:
V=[a14 a24 a34]
四元数相对于旋转矩阵,能够解决万向节死锁问题,因而为了将旋转矩阵转换为四元数,根据预设的四元数和旋转矩阵表示的关联算法对至少一个第一变换矩阵进行计算获取至少一个第一变换矩阵的旋转姿态分量,且对第二变换矩阵进行计算获取第二变换矩阵的旋转姿态分量,以变换矩阵M代表第一变换矩阵或第二变换矩阵,变换矩阵M中,[a11a12 a13;a21 a22 a23;a31 a32 a33]表示旋转矩阵,根据预设的四元数和旋转矩阵表示的关联算法获取的旋转姿态分量Q的值为:
Q=[w,x,y,z]
旋转姿态分量Q中,w的值为:
其中,tr()表示计算矩阵的迹,M:3,:3表示取变换矩阵M的前3行,前3列构成的矩阵。
需要说明的是,变换矩阵M可以代表每帧参考图像对应的第一变换矩阵,以及目标图像对应的第二变换矩阵,只是矩阵里面具体的数值不同;第一变换矩阵和第二变换矩阵的旋转姿态分量和平移姿态分量的拆分过程与变换矩阵M相同,只是矩阵里面具体的数值不同,本实施例不再赘述。因此,可以按照上述实施方式将第一变换矩阵分量处理为对应的旋转姿态分量和平移姿态分量;可以按照上述实施方式,将第二变换矩阵分量处理为对应的旋转姿态分量和平移姿态分量。
步骤202,获取目标对象在目标图像前一帧参考图像的第一变换矩阵的旋转姿态分量,获取目标对象在目标图像的第二变换矩阵的旋转姿态分量。
步骤203,根据预设的球面线性插值算法对该前一帧参考图像的第一变换矩阵的旋转姿态分量、目标图像的第二变换矩阵的旋转姿态分量,以及预设的旋转平滑系数进行处理,生成目标旋转姿态分量。
由于旋转姿态分量相对于平移姿态分量的运动误差较小,因此,可以只选取与目标图像相邻的上一帧的参考图像的第一变换矩阵的旋转姿态分量即可,进而根据预设的球面线性插值算法对前一帧参考图像的第一变换矩阵的旋转姿态分量、目标图像的第二变换矩阵的旋转姿态分量,以及预设的旋转平滑系数进行处理,生成目标旋转姿态分量。继续以第100帧为目标图像,第98、99、101、102帧为参考图像为例,针对旋转姿态分量的平滑处理,只选择第99帧中目标对象变换矩阵的旋转姿态分量以及第100帧中目标对象变换矩阵的旋转姿态分量参与旋转姿态的平滑处理。
具体的旋转姿态分量的平滑处理过程说明如下:使用球面线性插值算法对两个旋转姿态分量进行平滑插值运算,采用球面线性插值算法对旋转姿态分量进行处理,能够保证插值是线性的,并得到较为稳定的目标旋转姿态分量,还可以根据权重对角度等比例地平滑。此外,由于模长不为1的四元数不可以表示旋转运动,而球面线性差值算法能够保证处理后的四元数的模长为1,从而使得处理获得的目标旋转姿态分量仍可以表示旋转运动,确保了第三姿态估计的稳定和精准性,使得应用根据该方法获取到的姿态估计的特效的视觉效果较为真实。
在本实施例中,球面插值算法表示为slerp(),使用球面插值算法slerp()对前一帧参考图像的第一变换矩阵M1的旋转姿态分量Qt-1、目标图像的第二变换矩阵M2的旋转姿态分量Qt,以及预设的旋转平滑系数λ进行处理,生成目标旋转姿态分量Q′,即:
Q′=slerp(Qt-1,Qt,λ)。
与步骤201中的计算过程类似,上述公式中:
Qt-1的值为:Qt-1=[wt-1,xt-1,yt-1,zt-1];
Qt的值为:Qt=[wt,xt,yt,zt];
举例而言,在视频的第100帧为目标图像的情况下:
目标旋转姿态分量Q′的值为:Q′=slerp(Q99,Q100,λ);
Q99的值为:Q99=[w99,x99,y99,z99];
Q100的值为:Q100=[w100,x100,y100,z100]。
预设的旋转平滑系数λ可以根据应用场景设定为固定值,也可以通过第一变换矩阵M1和第二变换矩阵M2的旋转姿态分量计算获得,该旋转平滑系数λ的计算方法包括以下步骤:
步骤1,根据预设算法对前一帧参考图像的第一变换矩阵M1的旋转姿态分量和目标图像的第二变换矩阵M2的旋转姿态分量进行计算获取第一结果。
其中,预设算法可以用于对参考图像的第一变换矩阵M1的旋转姿态分量和目标图像的第二变换矩阵M2的旋转姿态分量进行计算,生成第一结果R1,其中,预设算法可以根据应用场景进行选择,本实施例不作限制,例如:
R1的值为:R1=(wtwt-1-xtxt-1-ytyt-1-ztzt-1-0.9)。
举例而言,在视频的第100帧为目标图像的情况下:
R1的值为:R1=(w100w99-x100x99-y100y99-z100z99-0.9)。
步骤2,取第一结果和预设的第一系数之间的最大值作为第二结果。
其中,max{}可以用来表示取最大值的运算,第一系数可以根据应用场景进行设定,本实施例不作限制,例如:0。
若第一系数为0,第二结果R2的值为:R2=max{R1,0}。
步骤3,根据预设算法对第二结果进行处理生成第三结果。
可以理解地,采用预设算法的处理第二结果,生成第三结果。预设算法可以根据应用场景进行选择,本实施例不作限制,例如:
第三结果R3的值为:R3=(R2×10)72。
步骤4,取第三结果和预设的第二系数之间的最小值作为旋转平滑系数。
旋转平滑系数λ为R2和第二系数之间的最小值。其中,第二系数可根据具体应用情况进行设置,若第二系数为0.9,旋转平滑系数λ的值为:λ=min{0.9,R2}。
其中,min{}可以用来表示取最小值的运算,第二系数可以根据应用场景进行设定,本实施例不作限制。步骤204,获取目标对象在每一帧参考图像的第一变换矩阵的平移姿态分量,获取目标对象在目标图像的第二变换矩阵的平移姿态分量。
步骤205,基于每一帧参考图像的第一变换矩阵的平移姿态分量和目标图像的第二变换矩阵的平移姿态分量,根据时序信息生成平移向量。
举例而言,在视频的第100帧为目标图像的情况下,参考图像可以为视频的第98、99、101、102帧,获取第98-102帧对应的变换矩阵的平移姿态分量分别为:V98、V99、V100、V101、V102,之后,可以根据时序信息对每帧图像对应的平移姿态分量进行排序,并组成平移向量Y,平移向量Y的值为:
Y=[V98,V99,V100,V101,V102]T。
步骤206,根据最小二乘法采用线性函数拟合算法对平移向量和预设的平移系数进行处理,生成平移运动轨迹,从平移运动轨迹中提取与目标图像的时间点信息对应的目标平移姿态分量。
其中,预设的平移系数可以与参考图像以及目标图像的总帧数相关,在本申请一些实施例中,可以设平移运动轨迹为d次多项式函数,通过对视频中多帧的观察,根据最小二乘法,采用线性函数拟合算法对平移向量Y和预设的平移系数X进行处理,采用线性函数拟合算法生成平移运动轨迹,使通过平移运动轨迹获得的平移姿态分量的误差最小,由于利用了与目标图像相邻的参考图像的平移姿态分量,还能够解决目标平移姿态分量滞后的问题,从而确保了第三姿态估计具有良好的稳定性和跟随性。
线性函数拟合算法处理的数据中,预设的平移系数X可以根据应用场景进行调整,本实施例不做限制。例如:预设平移系数X可以与多项式函数的系数d、参考图像和目标图像的总图像帧数l相关,那么,预设平移系数X可以表示为:
根据平移向量Y和预设平移系数X,可以获得平移运动轨迹F,平移运动轨迹F的表达式为:F=(XTX)-1XTY。
可以理解地,平移运动轨迹上的点可以表示在该时间点对应的平移姿态分量。因而可以根据目标图像的时间点信息从平移运动轨迹上提取对应的目标平移姿态分量V′。
步骤207,根据目标旋转姿态分量和目标平移姿态分量生成目标对象在目标图像中的第三姿态估计。
综上所述,变换矩阵M可以分解为旋转姿态分量和平移姿态分量,类似的,根据目标旋转姿态分量和目标平移姿态分量可以生成第三变换矩阵,该第三变化矩阵就是目标对象在目标图像中的第三姿态估计,即,经过旋转平滑和平移平滑后的合成的姿态估计。
具体来说,可以对目标旋转姿态分量Q′和目标平移姿态分量V′进行点乘处理,通过点乘处理可以将目标旋转姿态分量和目标平移姿态分量进行合并,生成目标对象在目标图像中的第三变换矩阵,该第三变换矩阵即为第三姿态估计。
本公开实施例提供的姿态估计方法,分别采用不同的平滑算法对旋转姿态分量和平移姿态分量进行平滑处理,通过试验观察,发现目标对象的旋转姿态和平移姿态的噪声表现不同,对两者采用不同的平滑处理方法可以获取更好的平滑效果。
基于上述实施例,为了更加清楚的说明本公开提供的姿态估计方法的应用效果,通过图3a、3b、3c所示的虚拟试穿和图4a、4b、4c所示的虚拟素材添加的具体应用进行说明,具体如下:
图3a为本公开实施例提供的一种姿态估计方法的目标图像前一帧的示意图,其中,目标对象为人的头,应用效果为在人头上虚拟佩戴帽子。如图3a所示,此时帽子的位置较为恰当。
在本申请一些实施例中,根据时序信息获取目标图像的前后多帧连续参考图像,获取目标对象在参考图像中的第一姿态估计,以及目标对象在目标图像中的第二姿态估计,使用旋转平滑算法对第一姿态估计和第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量,使用平移平滑算法对第一姿态估计和第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量。根据目标旋转姿态分量和目标平移姿态分量生成目标对象在目标图像中的第三姿态估计。
图3b为本公开实施例提供的一种姿态估计方法的目标图像的示意图,根据第三姿态估计添加的应用效果如图3b所示,人头进行了顺时针的移动,帽子进行了相应的调整,此时帽子的位置较为恰当。
若第三姿态估计的效果不佳,则应用效果可能如图3c所示,图3c中,帽子的位置不恰当。
图4a为本公开实施例提供的另一种姿态估计方法的目标图像前一帧的示意图,其中,目标对象为人的手,应用效果为在人手上虚拟添加爱心。如图4a所示,此时爱心的位置较为恰当。
在本申请一些实施例中,根据时序信息获取目标图像的前后多帧连续参考图像,获取目标对象在参考图像中的第一姿态估计,以及目标对象在目标图像中的第二姿态估计,使用旋转平滑算法对第一姿态估计和第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量,使用平移平滑算法对第一姿态估计和第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量。根据目标旋转姿态分量和目标平移姿态分量生成目标对象在目标图像中的第三姿态估计。
图4b为本公开实施例提供的另一种姿态估计方法的目标图像的示意图,根据第三姿态估计添加的应用效果如图4b所示,手进行了平移的移动,爱心进行了相应的调整,此时爱心的位置较为恰当。
若第三姿态的效果不佳,则应用效果可能如图4c所示。图4c中,爱心对于目标对象的跟随性较差。
根据本申请实施例的姿态估计方法,应用场景包括但不限于视频中的目标对象添加特效,本方法可以提高应用特效的稳定性和跟随性,提高用户的体验。
图5为本公开实施例提供的一种姿态估计装置的结构示意图,该装置可由软件和/或硬件实现,一般可集成在电子设备中。如图5所示,该装置,包括:
第一获取模块501,用于根据时序信息获取目标图像在时序上的前后多帧连续参考图像;
第二获取模块502,用于获取目标对象在每帧所述参考图像中的第一姿态估计,以及所述目标对象在所述目标图像中的第二姿态估计;
第一生成模块503,用于根据预设旋转平滑算法对至少一个所述第一姿态估计的旋转姿态分量和所述第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量;
第二生成模块504,用于根据预设平移平滑算法对每个所述第一姿态估计的平移姿态分量和所述第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量;
第三生成模块505,用于根据所述目标旋转姿态分量和所述目标平移姿态分量生成所述目标对象在所述目标图像中的第三姿态估计。
可选地,所述第二获取模块502,用于:
获取所述目标对象从预设的初始位置到每帧所述参考图像中的目标位置对应的第一变换矩阵,将所述第一变换矩阵确定为所述目标对象在每帧所述参考图像中的第一姿态估计;以及
获取所述目标对象从所述初始位置到所述目标图像中目标位置的第二变换矩阵,将所述第二变换矩阵确定为所述目标对象在所述目标图像中的第二姿态估计。可选地,所述装置,还包括:
第一计算模块,用于根据预设的四元数和旋转表示的关联算法对至少一个所述第一变换矩阵进行计算获取至少一个所述第一变换矩阵的旋转姿态分量,且对所述第二变换矩阵进行计算获取所述第二变换矩阵的旋转姿态分量;以及,
第二计算模块,用于对每个所述第一变换矩阵分别提取所述目标对象在横轴、竖轴和纵轴上的平移,获取每个所述第一变换矩阵的平移姿态分量,且对所述第二变换矩阵提取所述目标对象在横轴、竖轴和纵轴上的平移,获取所述第二变换矩阵的平移姿态分量。
可选地,所述第一生成模块503,用于:
获取所述目标对象在所述目标图像前一帧参考图像的第一变换矩阵的旋转姿态分量;
获取所述目标对象在所述目标图像的第二变换矩阵的旋转姿态分量;
根据预设的球面线性插值算法对所述前一帧参考图像的第一变换矩阵的旋转姿态分量、所述目标图像的第二变换矩阵的旋转姿态分量,以及预设的旋转平滑系数进行处理,生成目标旋转姿态分量。
可选地,所述装置,还包括:
第三获取模块,用于根据预设算法对所述前一帧参考图像的第一变换矩阵的旋转姿态分量和所述目标图像的第二变换矩阵的旋转姿态分量进行计算获取第一结果;
第四获取模块,用于取所述第一结果和预设的第一系数之间的最大值作为第二结果;
第四生成模块,用于根据预设算法对所述第二结果进行处理生成第三结果;
第五获取模块,用于取所述第三结果和预设的第二系数之间的最小值作为所述旋转平滑系数。
可选地,第二生成模块504,用于:
获取所述目标对象在每一帧所述参考图像的第一变换矩阵的平移姿态分量;
获取所述目标对象在所述目标图像的第二变换矩阵的平移姿态分量;
基于每一帧所述参考图像的第一变换矩阵的平移姿态分量和所述目标图像的第二变换矩阵的平移姿态分量,根据时序信息生成平移向量;
根据最小二乘法采用线性函数拟合算法对所述平移向量和预设的平移系数进行处理,生成平移运动轨迹;
从所述平移运动轨迹中提取与所述目标图像的时间点信息对应的目标平移姿态分量。
可选地,所述装置,还包括:
第一确定模块,用于根据所述参考图像和所述目标图像的图像帧数确定所述平移系数。
可选地,所述第三生成模块505,用于:
对所述目标旋转姿态分量和所述目标平移姿态分量进行点乘处理,生成所述目标对象在所述目标图像中的第三变换矩阵,将所述第三变换矩阵确定为所述目标对象在所述目标图像中的第三姿态估计。
本公开实施例所提供的姿态估计装置可执行本公开任意实施例所提供的姿态估计方法,具备执行方法相应的功能模块和有益效果。
本公开实施例还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现本公开任意实施例所提供的姿态估计方法。
图6为本公开实施例提供的一种电子设备的结构示意图。
下面具体参考图6,其示出了适于用来实现本公开实施例中的电子设备600的结构示意图。本公开实施例中的电子设备600可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴电子设备等等的移动终端以及诸如数字TV、台式计算机、智能家居设备等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的姿态估计方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:根据时序信息获取目标图像在时序上的前后多帧连续参考图像;获取目标对象在每帧参考图像中的第一姿态估计,以及目标对象在目标图像中的第二姿态估计;根据预设旋转平滑算法对至少一个第一姿态估计的旋转姿态分量和第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量;根据预设平移平滑算法对每个第一姿态估计的平移姿态分量和第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量;根据目标旋转姿态分量和目标平移姿态分量生成目标对象在目标图像中的第三姿态估计。本公开实施例生成的第三姿态估计具有良好的稳定性,以及跟随性,避免了漂浮感的产生,从而提升了用户的体验感和满意度。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,本公开提供了一种姿态估计方法,包括:
根据时序信息获取目标图像在时序上的前后多帧连续参考图像;
获取目标对象在每帧所述参考图像中的第一姿态估计,以及所述目标对象在所述目标图像中的第二姿态估计;
根据预设旋转平滑算法对至少一个所述第一姿态估计的旋转姿态分量和所述第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量;
根据预设平移平滑算法对每个所述第一姿态估计的平移姿态分量和所述第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量;
根据所述目标旋转姿态分量和所述目标平移姿态分量生成所述目标对象在所述目标图像中的第三姿态估计。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计方法中,所述获取目标对象在每帧所述参考图像中的第一姿态估计,以及所述目标对象在所述目标图像中的第二姿态估计,包括:
获取所述目标对象从预设的初始位置到每帧所述参考图像中的目标位置对应的第一变换矩阵,将所述第一变换矩阵确定为所述目标对象在每帧所述参考图像中的第一姿态估计;以及
获取所述目标对象从所述初始位置到所述目标图像中目标位置的第二变换矩阵,将所述第二变换矩阵确定为所述目标对象在所述目标图像中的第二姿态估计。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计方法中,还包括:
根据预设的四元数和旋转表示的关联算法对至少一个所述第一变换矩阵进行计算获取至少一个所述第一变换矩阵的旋转姿态分量,且对所述第二变换矩阵进行计算获取所述第二变换矩阵的旋转姿态分量;以及,
对每个所述第一变换矩阵分别提取所述目标对象在横轴、竖轴和纵轴上的平移,获取每个所述第一变换矩阵的平移姿态分量,且对所述第二变换矩阵提取所述目标对象在横轴、竖轴和纵轴上的平移,获取所述第二变换矩阵的平移姿态分量。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计方法中,所述根据预设旋转平滑算法对至少一个所述第一姿态估计的旋转姿态分量和所述第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量,包括:
获取所述目标对象在所述目标图像前一帧参考图像的第一变换矩阵的旋转姿态分量;
获取所述目标对象在所述目标图像的第二变换矩阵的旋转姿态分量;
根据预设的球面线性插值算法对所述前一帧参考图像的第一变换矩阵的旋转姿态分量、所述目标图像的第二变换矩阵的旋转姿态分量,以及预设的旋转平滑系数进行处理,生成目标旋转姿态分量。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计方法中,还包括:
根据预设算法对所述前一帧参考图像的第一变换矩阵的旋转姿态分量和所述目标图像的第二变换矩阵的旋转姿态分量进行计算获取第一结果;
取所述第一结果和预设的第一系数之间的最大值作为第二结果;
根据预设算法对所述第二结果进行处理生成第三结果;
取所述第三结果和预设的第二系数之间的最小值作为所述旋转平滑系数。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计方法中,所述根据预设平移平滑算法对每个所述第一姿态估计的平移姿态分量和所述第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量,包括:
获取所述目标对象在每一帧所述参考图像的第一变换矩阵的平移姿态分量;
获取所述目标对象在所述目标图像的第二变换矩阵的平移姿态分量;
基于每一帧所述参考图像的第一变换矩阵的平移姿态分量和所述目标图像的第二变换矩阵的平移姿态分量,根据时序信息生成平移向量;
根据最小二乘法采用线性函数拟合算法对所述平移向量和预设的平移系数进行处理,生成平移运动轨迹;
从所述平移运动轨迹中提取与所述目标图像的时间点信息对应的目标平移姿态分量。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计方法中,还包括:
根据所述参考图像和所述目标图像的图像帧数确定所述平移系数。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计方法中,所述根据所述目标旋转姿态分量和所述目标平移姿态分量生成所述目标对象在所述目标图像中的第三姿态估计,包括:
对所述目标旋转姿态分量和所述目标平移姿态分量进行点乘处理,生成所述目标对象在所述目标图像中的第三变换矩阵,将所述第三变换矩阵确定为所述目标对象在所述目标图像中的第三姿态估计。
根据本公开的一个或多个实施例,本公开提供了一种姿态估计装置,包括:
第一获取模块,用于根据时序信息获取目标图像在时序上的前后多帧连续参考图像;
第二获取模块,用于获取目标对象在每帧所述参考图像中的第一姿态估计,以及所述目标对象在所述目标图像中的第二姿态估计;
第一生成模块,用于根据预设旋转平滑算法对至少一个所述第一姿态估计的旋转姿态分量和所述第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量;
第二生成模块,用于根据预设平移平滑算法对每个所述第一姿态估计的平移姿态分量和所述第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量;
第三生成模块,用于根据所述目标旋转姿态分量和所述目标平移姿态分量生成所述目标对象在所述目标图像中的第三姿态估计。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计装置中,所述第二获取模块,用于:
获取所述目标对象从预设的初始位置到每帧所述参考图像中的目标位置对应的第一变换矩阵,将所述第一变换矩阵确定为所述目标对象在每帧所述参考图像中的第一姿态估计;以及
获取所述目标对象从所述初始位置到所述目标图像中目标位置的第二变换矩阵,将所述第二变换矩阵确定为所述目标对象在所述目标图像中的第二姿态估计。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计装置中,所述装置,还包括:
第一计算模块,用于根据预设的四元数和旋转表示的关联算法对至少一个所述第一变换矩阵进行计算获取至少一个所述第一变换矩阵的旋转姿态分量,且对所述第二变换矩阵进行计算获取所述第二变换矩阵的旋转姿态分量;以及,
第二计算模块,用于对每个所述第一变换矩阵分别提取所述目标对象在横轴、竖轴和纵轴上的平移,获取每个所述第一变换矩阵的平移姿态分量,且对所述第二变换矩阵提取所述目标对象在横轴、竖轴和纵轴上的平移,获取所述第二变换矩阵的平移姿态分量。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计装置中,所述第一生成模块,用于:
获取所述目标对象在所述目标图像前一帧参考图像的第一变换矩阵的旋转姿态分量;
获取所述目标对象在所述目标图像的第二变换矩阵的旋转姿态分量;
根据预设的球面线性插值算法对所述前一帧参考图像的第一变换矩阵的旋转姿态分量、所述目标图像的第二变换矩阵的旋转姿态分量,以及预设的旋转平滑系数进行处理,生成目标旋转姿态分量。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计装置中,所述装置,还包括:
第三获取模块,用于根据预设算法对所述前一帧参考图像的第一变换矩阵的旋转姿态分量和所述目标图像的第二变换矩阵的旋转姿态分量进行计算获取第一结果;
第四获取模块,用于取所述第一结果和预设的第一系数之间的最大值作为第二结果;
第四生成模块,用于根据预设算法对所述第二结果进行处理生成第三结果;
第五获取模块,用于取所述第三结果和预设的第二系数之间的最小值作为所述旋转平滑系数。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计装置中,第二生成模块,用于:
获取所述目标对象在每一帧所述参考图像的第一变换矩阵的平移姿态分量;
获取所述目标对象在所述目标图像的第二变换矩阵的平移姿态分量;
基于每一帧所述参考图像的第一变换矩阵的平移姿态分量和所述目标图像的第二变换矩阵的平移姿态分量,根据时序信息生成平移向量;
根据最小二乘法采用线性函数拟合算法对所述平移向量和预设的平移系数进行处理,生成平移运动轨迹;
从所述平移运动轨迹中提取与所述目标图像的时间点信息对应的目标平移姿态分量。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计装置中,所述装置,还包括:
第一确定模块,用于根据所述参考图像和所述目标图像的图像帧数确定所述平移系数。
根据本公开的一个或多个实施例,本公开提供的一种姿态估计装置中,所述第三生成模块,用于:
对所述目标旋转姿态分量和所述目标平移姿态分量进行点乘处理,生成所述目标对象在所述目标图像中的第三变换矩阵,将所述第三变换矩阵确定为所述目标对象在所述目标图像中的第三姿态估计。
根据本公开的一个或多个实施例,本公开提供了一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现如本公开提供的任一所述的姿态估计方法。
根据本公开的一个或多个实施例,本公开提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行如本公开提供的任一所述的姿态估计方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (12)
1.一种姿态估计方法,其特征在于,包括:
根据时序信息获取目标图像在时序上的前后多帧连续参考图像;
获取目标对象在每帧所述参考图像中的第一姿态估计,以及所述目标对象在所述目标图像中的第二姿态估计;
根据预设旋转平滑算法对至少一个所述第一姿态估计的旋转姿态分量和所述第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量;
根据预设平移平滑算法对每个所述第一姿态估计的平移姿态分量和所述第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量;
根据所述目标旋转姿态分量和所述目标平移姿态分量生成所述目标对象在所述目标图像中的第三姿态估计。
2.根据权利要求1所述的方法,其特征在于,所述获取目标对象在每帧所述参考图像中的第一姿态估计,以及所述目标对象在所述目标图像中的第二姿态估计,包括:
获取所述目标对象从预设的初始位置到每帧所述参考图像中的目标位置对应的第一变换矩阵,将所述第一变换矩阵确定为所述目标对象在每帧所述参考图像中的第一姿态估计;以及
获取所述目标对象从所述初始位置到所述目标图像中目标位置的第二变换矩阵,将所述第二变换矩阵确定为所述目标对象在所述目标图像中的第二姿态估计。
3.根据权利要求2所述的方法,其特征在于,还包括:
根据预设的四元数和旋转表示的关联算法对至少一个所述第一变换矩阵进行计算获取至少一个所述第一变换矩阵的旋转姿态分量,且对所述第二变换矩阵进行计算获取所述第二变换矩阵的旋转姿态分量;以及,
对每个所述第一变换矩阵分别提取所述目标对象在横轴、竖轴和纵轴上的平移,获取每个所述第一变换矩阵的平移姿态分量,且对所述第二变换矩阵提取所述目标对象在横轴、竖轴和纵轴上的平移,获取所述第二变换矩阵的平移姿态分量。
4.根据权利要求2所述的方法,其特征在于,所述根据预设旋转平滑算法对至少一个所述第一姿态估计的旋转姿态分量和所述第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量,包括:
获取所述目标对象在所述目标图像前一帧参考图像的第一变换矩阵的旋转姿态分量;
获取所述目标对象在所述目标图像的第二变换矩阵的旋转姿态分量;
根据预设的球面线性插值算法对所述前一帧参考图像的第一变换矩阵的旋转姿态分量、所述目标图像的第二变换矩阵的旋转姿态分量,以及预设的旋转平滑系数进行处理,生成目标旋转姿态分量。
5.根据权利要求4所述的方法,其特征在于,还包括:
根据预设算法对所述前一帧参考图像的第一变换矩阵的旋转姿态分量和所述目标图像的第二变换矩阵的旋转姿态分量进行计算获取第一结果;
取所述第一结果和预设的第一系数之间的最大值作为第二结果;
根据预设算法对所述第二结果进行处理生成第三结果;
取所述第三结果和预设的第二系数之间的最小值作为所述旋转平滑系数。
6.根据权利要求2所述的方法,其特征在于,所述根据预设平移平滑算法对每个所述第一姿态估计的平移姿态分量和所述第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量,包括:
获取所述目标对象在每一帧所述参考图像的第一变换矩阵的平移姿态分量;
获取所述目标对象在所述目标图像的第二变换矩阵的平移姿态分量;
基于每一帧所述参考图像的第一变换矩阵的平移姿态分量和所述目标图像的第二变换矩阵的平移姿态分量,根据时序信息生成平移向量;
根据最小二乘法采用线性函数拟合算法对所述平移向量和预设的平移系数进行处理,生成平移运动轨迹;
从所述平移运动轨迹中提取与所述目标图像的时间点信息对应的目标平移姿态分量。
7.根据权利要求6所述的方法,其特征在于,还包括:
根据所述参考图像和所述目标图像的图像帧数确定所述平移系数。
8.根据权利要求2-7任一所述的方法,其特征在于,所述根据所述目标旋转姿态分量和所述目标平移姿态分量生成所述目标对象在所述目标图像中的第三姿态估计,包括:
对所述目标旋转姿态分量和所述目标平移姿态分量进行点乘处理,生成所述目标对象在所述目标图像中的第三变换矩阵,将所述第三变换矩阵确定为所述目标对象在所述目标图像中的第三姿态估计。
9.一种姿态估计装置,其特征在于,所述装置包括:
第一获取模块,用于根据时序信息获取目标图像在时序上的前后多帧连续参考图像;
第二获取模块,用于获取目标对象在每帧所述参考图像中的第一姿态估计,以及所述目标对象在所述目标图像中的第二姿态估计;
第一生成模块,用于根据预设旋转平滑算法对至少一个所述第一姿态估计的旋转姿态分量和所述第二姿态估计的旋转姿态分量进行处理,生成目标旋转姿态分量;
第二生成模块,用于根据预设平移平滑算法对每个所述第一姿态估计的平移姿态分量和所述第二姿态估计的平移姿态分量进行处理,生成目标平移姿态分量;
第三生成模块,用于根据所述目标旋转姿态分量和所述目标平移姿态分量生成所述目标对象在所述目标图像中的第三姿态估计。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,用于存储所述处理器可执行指令;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-8中任一项所述的姿态估计方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备实现如权利要求1-8任一项所述的姿态估计方法。
12.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现如权利要求1-8任一项所述的姿态估计方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110867072.6A CN115689898A (zh) | 2021-07-29 | 2021-07-29 | 一种姿态估计方法、装置、设备及介质 |
PCT/CN2022/092160 WO2023005341A1 (zh) | 2021-07-29 | 2022-05-11 | 一种姿态估计方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110867072.6A CN115689898A (zh) | 2021-07-29 | 2021-07-29 | 一种姿态估计方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115689898A true CN115689898A (zh) | 2023-02-03 |
Family
ID=85059338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110867072.6A Pending CN115689898A (zh) | 2021-07-29 | 2021-07-29 | 一种姿态估计方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115689898A (zh) |
WO (1) | WO2023005341A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102462799B1 (ko) * | 2015-11-05 | 2022-11-03 | 삼성전자주식회사 | 자세 추정 방법 및 자세 추정 장치 |
CN106296598B (zh) * | 2016-07-29 | 2019-11-26 | 厦门美图之家科技有限公司 | 三维姿态处理方法、系统及拍摄终端 |
US10740431B2 (en) * | 2017-11-13 | 2020-08-11 | Samsung Electronics Co., Ltd | Apparatus and method of five dimensional (5D) video stabilization with camera and gyroscope fusion |
-
2021
- 2021-07-29 CN CN202110867072.6A patent/CN115689898A/zh active Pending
-
2022
- 2022-05-11 WO PCT/CN2022/092160 patent/WO2023005341A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2023005341A1 (zh) | 2023-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264509B (zh) | 确定图像捕捉设备的位姿的方法、装置及其存储介质 | |
WO2020186935A1 (zh) | 虚拟对象的显示方法、装置、电子设备和计算机可读存储介质 | |
CN109754464B (zh) | 用于生成信息的方法和装置 | |
WO2023103576A1 (zh) | 视频处理方法、装置、计算机设备及存储介质 | |
CN111970536B (zh) | 一种基于音频生成视频的方法和装置 | |
CN114972591A (zh) | 动画生成模型的训练方法、动画生成方法和装置 | |
CN112714263B (zh) | 视频生成方法、装置、设备及存储介质 | |
WO2020077912A1 (zh) | 图像处理方法、装置、硬件装置 | |
CN111833459B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN113766117B (zh) | 一种视频去抖动方法和装置 | |
CN110189364B (zh) | 用于生成信息的方法和装置,以及目标跟踪方法和装置 | |
CN113610911A (zh) | 深度预测模型的训练方法及装置、介质和电子设备 | |
CN112308950A (zh) | 视频生成方法及装置 | |
CN114067030A (zh) | 动态流体效果处理方法、装置、电子设备和可读介质 | |
CN111447379B (zh) | 生成信息的方法和装置 | |
CN110084306B (zh) | 用于生成动态图像的方法和装置 | |
CN109816791B (zh) | 用于生成信息的方法和装置 | |
WO2023240999A1 (zh) | 虚拟现实场景确定方法、装置及系统 | |
CN110717467A (zh) | 头部姿势的估计方法、装置、设备及存储介质 | |
US8872832B2 (en) | System and method for mesh stabilization of facial motion capture data | |
US11954801B2 (en) | Concurrent human pose estimates for virtual representation | |
CN115661232A (zh) | 位姿估算方法、模型训练方法和装置 | |
CN115689898A (zh) | 一种姿态估计方法、装置、设备及介质 | |
CN114116081B (zh) | 交互式动态流体效果处理方法、装置及电子设备 | |
CN111314627B (zh) | 用于处理视频帧的方法和装置 |
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 |