CN116703963A - 一种ar跟踪方法、装置、ar设备及存储介质 - Google Patents
一种ar跟踪方法、装置、ar设备及存储介质 Download PDFInfo
- Publication number
- CN116703963A CN116703963A CN202310661023.6A CN202310661023A CN116703963A CN 116703963 A CN116703963 A CN 116703963A CN 202310661023 A CN202310661023 A CN 202310661023A CN 116703963 A CN116703963 A CN 116703963A
- Authority
- CN
- China
- Prior art keywords
- target scene
- gesture
- posture
- tracking
- image sequence
- 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 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000009877 rendering Methods 0.000 claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种AR跟踪方法、装置、AR设备及存储介质。方法应用于AR设备,包括:通过AR设备内置的惯性测量单元IMU实时获取目标场景中的第一物体姿态;当根据第一物体姿态确定目标场景中的物体处于异常状态时,获取目标场景的RGB图像序列;将RGB图像序列发送至服务端,以使服务端基于RGB图像序列确定目标场景中的第二物体姿态;接收服务端发送的第二物体姿态,并基于第二物体姿态对物体进行模型渲染,生成对应的第一目标模型,以基于第一目标模型对物体进行AR跟踪。通过本发明实施例提供的技术方案,对于高帧数要求和低计算性能的AR设备,在不占用大量GPU资源的前提下,可以有效保证AR跟踪的准确性。
Description
技术领域
本发明涉及AR技术领域,尤其涉及一种AR跟踪方法、装置、AR设备及存储介质。
背景技术
随着AR技术的普及和商用化,市面上涌出大量元宇宙、数字孪生等相关的AR应用。这些AR应用大多数需要实时对目标姿态进行估计并且对物体进行跟踪,这个对AR来说是非常重要的技术,并且也是非常具有有挑战性的。
目前,大多数AR设备使用深度神经网络模型确定目标姿态,以根据目标姿态进行AR跟踪,但该方法需要大量的GPU资源去计算目标姿态,然而现实中常用的AR设备并不具备大量的GPU资源,计算性能较低。
发明内容
本发明提供了一种AR跟踪方法、装置、AR设备及存储介质,对于高帧数要求和低计算性能的AR设备,在不占用大量GPU资源的前提下,可以有效保证AR跟踪的准确性。
根据本发明的一方面,提供了一种AR跟踪方法,应用于AR设备,包括:
通过所述AR设备内置的惯性测量单元IMU实时获取目标场景中的第一物体姿态;
当根据所述第一物体姿态确定所述目标场景中的物体处于异常状态时,获取所述目标场景的RGB图像序列;
将所述RGB图像序列发送至服务端,以使所述服务端基于所述RGB图像序列确定所述目标场景中的第二物体姿态;
接收所述服务端发送的所述第二物体姿态,并基于所述第二物体姿态对所述物体进行模型渲染,生成对应的第一目标模型,以基于所述第一目标模型对所述物体进行AR跟踪。
根据本发明的另一方面,提供了一种AR跟踪装置,应用于AR设备,包括:
第一物体姿态确定模块,用于通过所述AR设备内置的惯性测量单元IMU实时获取目标场景中的第一物体姿态;
图像序列获取模块,用于当根据所述第一物体姿态确定所述目标场景中的物体处于异常状态时,获取所述目标场景的RGB图像序列;
第二物体姿态确定模块,用于将所述RGB图像序列发送至服务端,以使所述服务端基于所述RGB图像序列确定所述目标场景中的第二物体姿态;
AR跟踪模块,用于接收所述服务端发送的所述第二物体姿态,并基于所述第二物体姿态对所述物体进行模型渲染,生成对应的第一目标模型,以基于所述第一目标模型对所述物体进行AR跟踪。
根据本发明的另一方面,提供了一种AR设备,所述AR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计算机程序,所述计算机程序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本发明任一实施例所述的AR跟踪方法。
根据本发明的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的AR跟踪方法。
本发明实施例的AR跟踪方案,包括:通过所述AR设备内置的惯性测量单元IMU实时获取目标场景中的第一物体姿态;当根据所述第一物体姿态确定所述目标场景中的物体处于异常状态时,获取所述目标场景的RGB图像序列;将所述RGB图像序列发送至服务端,以使所述服务端基于所述RGB图像序列确定所述目标场景中的第二物体姿态;接收所述服务端发送的所述第二物体姿态,并基于所述第二物体姿态对所述物体进行模型渲染,生成对应的第一目标模型,以基于所述第一目标模型对所述物体进行AR跟踪。通过本发明实施例提供的技术方案,对于高帧数要求和低计算性能的AR设备,在不占用大量GPU资源的前提下,可以有效保证AR跟踪的准确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,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,下面描述中的附图仅仅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是根据本发明实施例一提供的一种AR跟踪方法的流程图;
图2是根据本发明实施例二提供的一种AR跟踪方法的流程图;
图3是根据本发明实施例三提供的一种AR跟踪装置的结构示意图;
图4是实现本发明实施例的AR跟踪方法的AR设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种AR跟踪方法的流程图,本实施例可适用于基于AR设备对物体进行AR跟踪的情况,该方法可以由AR跟踪装置来执行,该AR跟踪装置可以采用硬件和/或软件的形式实现,该AR跟踪装置可配置于AR设备中。如图1所示,该方法包括:
S110、通过AR设备内置的惯性测量单元IMU实时获取目标场景中的第一物体姿态。
其中,AR设备可以为AR眼镜、AR头盔等头戴式AR设备,还可以是具备AR功能的电子设备。AR设备内设置有惯性测量单元IMU。在本发明实施例中,响应于AR跟踪事件被触发,AR设备通过内置的惯性测量单元IMU实时获取目标场景中的第一物体姿态。其中,目标场景可以为AR设备能够观测的任意场景。
S120、当根据所述第一物体姿态确定所述目标场景中的物体处于异常状态时,获取所述目标场景的RGB图像序列。
在本发明实施例中,由于惯性测量单元IMU可能存在一定的测量偏差,因此,通过惯性测量单元获取的第一物体姿态可能不准确。根据第一物体姿态判断目标场景中的物体是否处于异常状态,若是,则实时获取目标场景的RGB图像序列。示例性的,可以基于预先设定的状态判断算法对第一物体姿态进行分析,以根据第一物体姿态判断目标场景中的物体是否处于异常状态。需要说明的是,本发明实施例对状态判断算法不做限定。其中,异常状态可以包括跟踪丢失状态或错误姿态状态。AR设备中内置有摄像头,当根据第一物体姿态确定目标场景中的物体处于跟踪丢失状态或错误姿态状态时,通过内置的摄像头实时拍摄目标场景的RGB图像序列。
可选的,所述异常状态包括错误姿态状态;根据所述第一物体姿态确定所述目标场景中的物体处于异常状态,包括:根据当前第一物体姿态与上一第一物体姿态确定所述目标场景中的物体的体积偏移量;当所述体积偏移量大于预设阈值时,确定所述目标场景中的物体处于错误姿态状态。具体的,第一物体姿态包括三维界限框的顶点,根据三维界限框的顶点可以构成一个三维的体积,由于每一帧第一物体姿态均会发生位移变化,因此,通过当前第一物体姿态与上一第一物体姿态,可以确定物体的体积偏移量。具体的,分别确定当前第一物体姿态对应的第一体积,以及上一第一物体姿态对应的第二体积,将第一体积与第二体积的差值作为物体的体积偏移量。当体积偏移量大于预设阈值时,可以确定目标场景中的物体处于错误姿态状态,当体积偏移量小于预设阈值时,可以确定目标场景中的物体处于正确姿态状态。
可选的,所述异常状态包括跟踪丢失状态;根据所述第一物体姿态确定所述目标场景中的物体处于异常状态,包括:当根据所述第一物体姿态确定所述目标场景中的物体处于错误姿态状态时,实时获取所述AR设备的位姿数据;当根据所述位姿数据确定所述目标场景中的物体处于错误姿态状态时,确定所述目标场景中的物体处于跟踪丢失状态。具体的,当根据第一物体姿态确定目标场景中的物体处于错误姿态状态时,实时获取AR设备的位姿数据,根据AR设备的当前位姿数据与上一位姿数据计算AR设备的位姿偏移量,当位姿偏移量大于预设位姿阈值时,则确定目标场景中的物体处于错误姿态状态,当位姿偏移量小于预设位姿阈值时,则确定目标场景中的物体处于正确姿态状态。当通过第一物体姿态及AR设备的位姿数据均确定目标场景中的物体处于错误姿态状态时,可进一步确定目标场景中的物体处于跟踪丢失状态。
S130、将所述RGB图像序列发送至服务端,以使所述服务端基于所述RGB图像序列确定所述目标场景中的第二物体姿态。
在本发明实施例中,AR设备将RGB图像序列发送至服务端,服务端接收到AR设备发送的RGB图像序列时,对RGB图像序列进行分析,确定目标场景中的第二物体姿态。可选的,将所述RGB图像序列发送至服务端,以使所述服务端基于所述RGB图像序列确定所述目标场景中的第二物体姿态,包括:将所述RGB图像序列发送至服务端,以使所述服务端将所述RGB图像序列输入至预先训练的物体姿态估计模型中,并根据所述物体姿态估计模型的输出结果确定所述目标场景中的第二物体姿态。其中,物体姿态估计模型为基于预先设定的机器学习模型训练生成的姿态估计模型。服务器将接收到的RGB图像序列发送至物体姿态估计模型中,以使物体姿态估计模型对RGB图像序列进行分析,并根据物体姿态估计模型的输出结果确定目标场景中的第二物体姿态。例如,物体姿态估计模型可以为6DoF物体姿态估计模型。可以理解的是,第一物体姿态模型为AR设备通过惯性测量单元IMU粗略估计的物体姿态,第二物体姿态模型为基于RGB图像序列确定的精确的物体姿态。
S140、接收所述服务端发送的所述第二物体姿态,并基于所述第二物体姿态对所述物体进行模型渲染,生成对应的第一目标模型,以基于所述第一目标模型对所述物体进行AR跟踪。
在本发明实施例中,AR设备接收服务端发送的第二物体姿态,基于第二物体姿态对目标场景中的物体进行模型渲染,生成对应的第一目标模型。其中,可以采用预先设定的模型渲染方法,基于第二物体姿态进行模型渲染,生成第一目标模型。然后,通过AR技术,基于第一目标模型对目标场景中的物体进行AR跟踪。
可选的,还包括:当根据所述第一物体姿态确定所述目标场景中的物体处于正确姿态状态时,基于所述第一物体姿态对所述物体进行模型渲染,生成对应的第二目标模型,以基于所述第二目标模型对所述物体进行AR跟踪。这样设置的好处在于,在保证AR跟踪正确性的基础上,可有效保证AR跟踪的时效性。具体的,当根据第一物体姿态确定目标场景中的物体处于正确姿态状态时,说明通过惯性测量单元IMU获取的第一物体姿态比较准确,无需再获取RGB图像序列,并将RGB图像序列发送至服务器进行分析以重新确定物体姿态,可直接基于第一物体姿态进行模型渲染,生成第二目标模型,并通过AR技术基于第二目标模型对目标场景中的物体进行AR跟踪。
本发明实施例的AR跟踪方法,包括:通过所述AR设备内置的惯性测量单元IMU实时获取目标场景中的第一物体姿态;当根据所述第一物体姿态确定所述目标场景中的物体处于异常状态时,获取所述目标场景的RGB图像序列;将所述RGB图像序列发送至服务端,以使所述服务端基于所述RGB图像序列确定所述目标场景中的第二物体姿态;接收所述服务端发送的所述第二物体姿态,并基于所述第二物体姿态对所述物体进行模型渲染,生成对应的第一目标模型,以基于所述第一目标模型对所述物体进行AR跟踪。通过本发明实施例提供的技术方案,对于高帧数要求和低计算性能的AR设备,在不占用大量GPU资源的前提下,可以有效保证AR跟踪的准确性。
实施例二
图2为本发明实施例二提供的一种AR跟踪方法的流程图,如图2所示,该方法包括:
S210、通过AR设备内置的惯性测量单元IMU实时获取目标场景中的第一物体姿态。
S220、根据所述第一物体姿态判断所述目标场景中的物体是否处于跟踪丢失状态或错误姿态状态,若是,则执行S230,否则执行S250。
S230、获取所述目标场景的RGB图像序列,并将所述RGB图像序列发送至服务端,以使所述服务端基于所述RGB图像序列确定所述目标场景中的第二物体姿态。
S240、接收所述服务端发送的所述第二物体姿态,并基于所述第二物体姿态对所述物体进行模型渲染,生成对应的第一目标模型,以基于所述第一目标模型对所述物体进行AR跟踪。
S250、基于所述第一物体姿态对所述物体进行模型渲染,生成对应的第二目标模型,以基于所述第二目标模型对所述物体进行AR跟踪。
本发明实施例提供的AR跟踪方法,对于高帧数要求和低计算性能的AR设备,在不占用大量GPU资源的前提下,可以有效保证AR跟踪的准确性。
实施例三
图3为本发明实施例三提供的一种AR跟踪装置的结构示意图。如图3所示,该装置包括:
第一物体姿态确定模块310,用于通过所述AR设备内置的惯性测量单元IMU实时获取目标场景中的第一物体姿态;
图像序列获取模块320,用于当根据所述第一物体姿态确定所述目标场景中的物体处于异常状态时,获取所述目标场景的RGB图像序列;
第二物体姿态确定模块330,用于将所述RGB图像序列发送至服务端,以使所述服务端基于所述RGB图像序列确定所述目标场景中的第二物体姿态;
AR跟踪模块340,用于接收所述服务端发送的所述第二物体姿态,并基于所述第二物体姿态对所述物体进行模型渲染,生成对应的第一目标模型,以基于所述第一目标模型对所述物体进行AR跟踪。
可选的,所述装置还包括:
模型渲染模块,用于当根据所述第一物体姿态确定所述目标场景中的物体处于正确姿态状态时,基于所述第一物体姿态对所述物体进行模型渲染,生成对应的第二目标模型,以基于所述第二目标模型对所述物体进行AR跟踪。
可选的,所述第二物体姿态确定模块,用于:
将所述RGB图像序列发送至服务端,以使所述服务端将所述RGB图像序列输入至预先训练的物体姿态估计模型中,并根据所述物体姿态估计模型的输出结果确定所述目标场景中的第二物体姿态。
可选的,所述异常状态包括跟踪丢失状态或错误姿态状态。
可选的,所述异常状态包括错误姿态状态;
所述图像序列获取模块,用于:
根据当前第一物体姿态与上一第一物体姿态确定所述目标场景中的物体的体积偏移量;
当所述体积偏移量大于预设阈值时,确定所述目标场景中的物体处于错误姿态状态。
可选的,所述异常状态包括跟踪丢失状态;
所述图像序列获取模块,用于:
当根据所述第一物体姿态确定所述目标场景中的物体处于错误姿态状态时,实时获取所述AR设备的位姿数据;
当根据所述位姿数据确定所述目标场景中的物体处于错误姿态状态时,确定所述目标场景中的物体处于跟踪丢失状态。
本发明实施例所提供的AR跟踪装置可执行本发明任意实施例所提供的AR跟踪方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的AR设备10的结构示意图。AR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。AR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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图4所示,AR设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储AR设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
AR设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许AR设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如AR跟踪方法。
在一些实施例中,AR跟踪方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到AR设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的AR跟踪方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行AR跟踪方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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。
为了提供与用户的交互,可以在AR设备上实施此处描述的系统和技术,该AR设备具有: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AR设备。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)、区块链网络和互联网。
计算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服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种AR跟踪方法,其特征在于,应用于AR设备,包括:
通过所述AR设备内置的惯性测量单元IMU实时获取目标场景中的第一物体姿态;
当根据所述第一物体姿态确定所述目标场景中的物体处于异常状态时,获取所述目标场景的RGB图像序列;
将所述RGB图像序列发送至服务端,以使所述服务端基于所述RGB图像序列确定所述目标场景中的第二物体姿态;
接收所述服务端发送的所述第二物体姿态,并基于所述第二物体姿态对所述物体进行模型渲染,生成对应的第一目标模型,以基于所述第一目标模型对所述物体进行AR跟踪。
2.根据权利要求1所述的方法,其特征在于,还包括:
当根据所述第一物体姿态确定所述目标场景中的物体处于正确姿态状态时,基于所述第一物体姿态对所述物体进行模型渲染,生成对应的第二目标模型,以基于所述第二目标模型对所述物体进行AR跟踪。
3.根据权利要求1所述的方法,其特征在于,将所述RGB图像序列发送至服务端,以使所述服务端基于所述RGB图像序列确定所述目标场景中的第二物体姿态,包括:
将所述RGB图像序列发送至服务端,以使所述服务端将所述RGB图像序列输入至预先训练的物体姿态估计模型中,并根据所述物体姿态估计模型的输出结果确定所述目标场景中的第二物体姿态。
4.根据权利要求1所述的方法,其特征在于,所述异常状态包括跟踪丢失状态或错误姿态状态。
5.根据权利要求4所述的方法,其特征在于,所述异常状态包括错误姿态状态;
根据所述第一物体姿态确定所述目标场景中的物体处于异常状态,包括:
根据当前第一物体姿态与上一第一物体姿态确定所述目标场景中的物体的体积偏移量;
当所述体积偏移量大于预设阈值时,确定所述目标场景中的物体处于错误姿态状态。
6.根据权利要求4所述的方法,其特征在于,所述异常状态包括跟踪丢失状态;
根据所述第一物体姿态确定所述目标场景中的物体处于异常状态,包括:
当根据所述第一物体姿态确定所述目标场景中的物体处于错误姿态状态时,实时获取所述AR设备的位姿数据;
当根据所述位姿数据确定所述目标场景中的物体处于错误姿态状态时,确定所述目标场景中的物体处于跟踪丢失状态。
7.一种AR跟踪装置,其特征在于,应用于AR设备,包括:
第一物体姿态确定模块,用于通过所述AR设备内置的惯性测量单元IMU实时获取目标场景中的第一物体姿态;
图像序列获取模块,用于当根据所述第一物体姿态确定所述目标场景中的物体处于异常状态时,获取所述目标场景的RGB图像序列;
第二物体姿态确定模块,用于将所述RGB图像序列发送至服务端,以使所述服务端基于所述RGB图像序列确定所述目标场景中的第二物体姿态;
AR跟踪模块,用于接收所述服务端发送的所述第二物体姿态,并基于所述第二物体姿态对所述物体进行模型渲染,生成对应的第一目标模型,以基于所述第一目标模型对所述物体进行AR跟踪。
8.根据权利要求7所述的装置,其特征在于,还包括:
模型渲染模块,用于当根据所述第一物体姿态确定所述目标场景中的物体处于正确姿态状态时,基于所述第一物体姿态对所述物体进行模型渲染,生成对应的第二目标模型,以基于所述第二目标模型对所述物体进行AR跟踪。
9.一种AR设备,其特征在于,所述AR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计算机程序,所述计算机程序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1-6中任一项所述的AR跟踪方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的AR跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310661023.6A CN116703963A (zh) | 2023-06-06 | 2023-06-06 | 一种ar跟踪方法、装置、ar设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310661023.6A CN116703963A (zh) | 2023-06-06 | 2023-06-06 | 一种ar跟踪方法、装置、ar设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116703963A true CN116703963A (zh) | 2023-09-05 |
Family
ID=87828694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310661023.6A Pending CN116703963A (zh) | 2023-06-06 | 2023-06-06 | 一种ar跟踪方法、装置、ar设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703963A (zh) |
-
2023
- 2023-06-06 CN CN202310661023.6A patent/CN116703963A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488060B (zh) | 目标检测方法、装置、设备和介质 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN112784102B (zh) | 视频检索方法、装置和电子设备 | |
CN113657249B (zh) | 训练方法、预测方法、装置、电子设备以及存储介质 | |
CN114494747A (zh) | 模型的训练方法、图像处理方法、装置、电子设备及介质 | |
CN116594563A (zh) | 分布式存储扩容方法、装置、电子设备和存储介质 | |
CN113139891B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN116703963A (zh) | 一种ar跟踪方法、装置、ar设备及存储介质 | |
CN114119990A (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN114926447B (zh) | 用于训练模型的方法、用于检测目标的方法和装置 | |
CN116719621B (zh) | 一种针对海量任务的数据回写方法、装置、设备及介质 | |
CN115860077B (zh) | 状态数据的处理方法、装置、设备以及存储介质 | |
CN114332416B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN117689538B (zh) | 一种针对断层式错位点云的拼接方法、装置、设备及介质 | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN115578583B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115482422B (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
CN117933353A (zh) | 强化学习模型训练方法、装置、电子设备及存储介质 | |
CN117956261A (zh) | Plc交互方法、系统、上位机、设备及介质 | |
CN114327346A (zh) | 显示方法、显示装置、电子设备以及存储介质 | |
CN114821208A (zh) | 目标物体检测模型训练方法、装置、设备及存储介质 | |
CN117710459A (zh) | 三维信息的确定方法、装置及计算机程序产品 | |
CN116189028A (zh) | 图像识别方法、装置、电子设备以及存储介质 | |
CN116721308A (zh) | 质心标注模型的训练方法及对象分割模型的训练方法 | |
CN116301361A (zh) | 基于智能眼镜的目标选择方法、装置和电子设备 |
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 |