CN116958276A - 三维物体识别方法及装置 - Google Patents

三维物体识别方法及装置 Download PDF

Info

Publication number
CN116958276A
CN116958276A CN202310906538.8A CN202310906538A CN116958276A CN 116958276 A CN116958276 A CN 116958276A CN 202310906538 A CN202310906538 A CN 202310906538A CN 116958276 A CN116958276 A CN 116958276A
Authority
CN
China
Prior art keywords
dimensional object
target
information
camera
module
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
Application number
CN202310906538.8A
Other languages
English (en)
Inventor
高岩
王青
顾凤香
滕海
郑伟军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202310906538.8A priority Critical patent/CN116958276A/zh
Publication of CN116958276A publication Critical patent/CN116958276A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本公开提供了一种三维物体识别方法及装置，该方法包括：向目标三维物体投射二值化条纹；使用摄像头拍摄上述目标三维物体，调整上述摄像头的聚焦位置，得到上述二值化条纹对应的正弦条纹图像；根据上述正弦条纹图像，使用三维结构光方法，确定目标三维物体的深度数据；根据上述目标三维物体的深度数据，使用机器学习模型，识别上述目标三维物体的身份。可以解决相关技术中如何实现多距离识别三维物体，优化物体三维信息的检测成本和检测精度的技术问题，达到提高测量进度和检测距离适应性，降低硬件成本，达到如何实现多距离识别三维物体，优化物体三维信息的检测成本和检测精度的技术效果。

Description

三维物体识别方法及装置
技术领域
本公开涉及物体识别技术领域，特别涉及一种三维物体识别方法及装置。
背景技术
在进行三维物体识别时，需要得到物体的三维信息。现有技术中通常使用三维结构光技术测量三维物体的深度信息，但传统相位法三维轮廓测量系统的深度信息检测方案，存在精度差、检测距离范围受限、检测成本高等问题。
因此，如何实现多距离识别三维物体，优化物体三维信息的检测成本和检测精度是目前亟待解决的技术问题。
发明内容
本公开的目的是提供一种三维物体识别方法，以至少解决相关技术中如何实现多距离识别三维物体，优化物体三维信息的检测成本和检测精度的技术问题。
根据本公开实施例的一个方面，提供了一种三维物体识别方法，包括：
向目标三维物体投射二值化条纹；
使用摄像头拍摄所述目标三维物体，调整所述摄像头的聚焦位置，得到所述二值化条纹对应的正弦条纹图像；
根据所述正弦条纹图像，使用三维结构光方法，确定目标三维物体的深度数据；
根据所述目标三维物体的深度数据，使用机器学习模型，识别所述目标三维物体的身份。
在一个示例性实施例中，使用摄像头拍摄所述目标三维物体，调整所述摄像头的聚焦位置，得到所述二值化条纹对应的正弦条纹图像，包括：
获取所述目标三维物体与所述摄像头之间的距离信息；
获取所述目标三维物体对应的各个相位对焦PDAF像素的相位差；
获取预设的映射关系，所述映射关系用于，基于所述距离信息，确定所述正弦条纹图像对应的所述摄像头的聚焦位置；
根据所述映射关系、所述距离信息以及所述目标三维物体对应的各个PDAF像素的相位差，驱动所述摄像头的镜头到形成所述正弦条纹图像的聚焦位置。
在一个示例性实施例中，获取预设的映射关系，包括：
分别在不同的拍摄距离，使用PDAF技术对焦标定物，获取所述标定物对应的各个PDAF像素的相位差以及对应的所述摄像头的聚焦位置；
标定拍摄距离、PDAF像素的相位差以及所述摄像头的聚焦位置之间的映射关系。
在一个示例性实施例中，根据所述目标三维物体的深度数据，使用机器学习模型，识别所述目标三维物体的身份，包括：
获取所述目标三维物体的反射光的光谱信息，所述反射光由所述多光谱光源经所述目标三维物体反射形成；
根据所述目标三维物体的深度数据和所述目标三维物体的反射光的光谱信息，使用机器学习模型，识别所述目标三维物体的身份。
在一个示例性实施例中，根据所述目标三维物体的深度数据和所述目标三维物体的反射光的光谱信息，使用机器学习模型，识别所述目标三维物体的身份，包括：
对比所述多光谱光源的光谱信息和所述反射光的光谱信息，确定所述目标三维物体的光谱吸收信息；
根据所述目标三维物体的光谱吸收信息，确定所述目标三维物体的材质信息；
据所述目标三维物体的深度数据和所述目标三维物体的光谱吸收信息，使用机器学习模型，识别所述目标三维物体的身份。
在一个示例性实施例中，还包括：
基于训练样本，训练生成所述机器学习模型；
所述训练样本是预先标注的若干三维物体的深度数据和反射光的光谱信息训练数据组；所述训练样本的标注内容包括：若干人脸身份和物体属性。
在一个示例性实施例中，向目标三维物体投射二值化条纹包括：使用偏振光源向所述目标三维物体投射所述二值化条纹。
在一个示例性实施例中，向目标三维物体投射二值化条纹包括：
使用集成光源的MEMS振镜投射器模组投射所述二值化条纹。
在一个示例性实施例中，向目标三维物体投射二值化条纹，包括：
向所述目标三维物体投射无条纹图案，使用目标检测模型，预判断所述目标三维物体的尺寸；
获取所述目标三维物体与所述摄像头之间的距离信息；
根据所述距离信息和所述目标三维物体的尺寸，设置所述二值化条纹的周期宽度和条纹组数；
向所述目标三维物体投射二值化条纹。
在一个示例性实施例中，向目标三维物体投射二值化条纹包括：
在所述距离信息和所述目标三维物体的尺寸在预定范围内的情况下，设置所述二值化条纹的编码规则为格雷码。
根据本公开实施例的另一个方面，还提供了一种三维物体识别装置，包括：
投射模块，用于向目标三维物体投射二值化条纹；
调焦模块，用于使用摄像头拍摄所述目标三维物体，调整所述摄像头的聚焦位置，得到所述二值化条纹对应的正弦条纹图像；
深度模块，用于根据所述正弦条纹图像，使用三维结构光方法，确定目标三维物体的深度数据；
识别模块，用于根据所述目标三维物体的深度数据，使用机器学习模型，识别所述目标三维物体的身份。
在一个示例性实施例中，所述调焦模块包括：
距离信息子模块，用于获取所述目标三维物体与所述摄像头之间的距离信息；
相位差子模块，用于获取所述目标三维物体对应的各个相位对焦PDAF像素的相位差；
映射子模块，用于获取预设的映射关系，所述映射关系用于，基于所述距离信息，确定所述正弦条纹图像对应的所述摄像头的聚焦位置；
驱动子模块，用于根据所述映射关系、所述距离信息以及所述目标三维物体对应的各个PDAF像素的相位差，驱动所述摄像头的镜头到形成所述正弦条纹图像的聚焦位置。
在一个示例性实施例中，所述映射子单元包括：
获取单元，用于分别在不同的拍摄距离，使用PDAF技术对焦标定物，获取所述标定物对应的各个PDAF像素的相位差以及对应的所述摄像头的聚焦位置；
标定单元，用于标定拍摄距离、PDAF像素的相位差以及所述摄像头的聚焦位置之间的映射关系。
在一个示例性实施例中，
所述识别模块包括：
光谱子模块，用于获取所述目标三维物体的反射光的光谱信息，所述反射光由所述多光谱光源经所述目标三维物体反射形成；
识别子模块，用于根据所述目标三维物体的深度数据和所述目标三维物体的反射光的光谱信息，使用机器学习模型，识别所述目标三维物体的身份。
在一个示例性实施例中，所述识别子模块包括：
吸收确定单元，用于对比所述多光谱光源的光谱信息和所述反射光的光谱信息，确定所述目标三维物体的光谱吸收信息；
材质确定单元，用于根据所述目标三维物体的光谱吸收信息，确定所述目标三维物体的材质信息；
识别单元，用于根据所述目标三维物体的深度数据和所述目标三维物体的光谱吸收信息，使用机器学习模型，识别所述目标三维物体的身份。
在一个示例性实施例中，所述三维物体识别装置还包括：
训练模块，用于基于训练样本，训练生成所述机器学习模型；
所述训练样本是预先标注的若干三维物体的深度数据和反射光的光谱信息训练数据组；所述训练样本的标注内容包括：若干人脸身份和物体属性。
在一个示例性实施例中，所述投射模块包括：
偏振子模块，用于使用偏振光源向所述目标三维物体投射所述二值化条纹。
在一个示例性实施例中，所述投射模块包括：
振镜子模块，用于使用集成光源的MEMS振镜投射器模组投射所述二值化条纹。
在一个示例性实施例中，所述投射模块包括：
预判断子模块，用于向所述目标三维物体投射无条纹图案，使用目标检测模型，预判断所述目标三维物体的尺寸；
距离信息子模块，用于获取所述目标三维物体与所述摄像头之间的距离信息；
条纹设置子模块，用于根据所述距离信息和所述目标三维物体的尺寸，设置所述二值化条纹的周期宽度和条纹组数；
投射子模块，用于向所述目标三维物体投射二值化条纹。
在一个示例性实施例中，所述投射模块包括：
格雷码子模块，用于在所述距离信息和所述目标三维物体的尺寸在预定范围内的情况下，设置所述二值化条纹的编码规则为格雷码。
根据本公开实施例的另一个方面，还提供了一种计算机设备，所述计算机设备包括：适于实现各指令的处理器以及存储设备，所述存储设备存储有多条指令，所述指令适于由处理器加载并执行任一项上述的三维物体识别方法。
根据本公开实施例的另一个方面，还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程序，所述计算机程序用于执行任一项上述的三维物体识别方法。
根据本公开实施例的另一个方面，还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，所述计算机程序被处理器执行时实现任一项上述的三维物体识别方法。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
以下附图仅旨在于对本公开做示意性说明和解释，并不限定本公开的范围。其中：
图1是根据本公开实施例的三维物体识别方法的流程图；以及，
图2是根据本公开一可选实施例的硬件方案示意图；以及，
图3是根据本公开实施例的三维物体识别装置的示意图；以及，
图4是本公开实施例中一种计算机设备的结构示意图。
具体实施方式
下面通过附图和实施例对本申请进一步详细说明。通过这些说明，本申请的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
此外，下面所描述的本申请不同实施方式中涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
在本实施例中提供了一种三维物体识别方法，图1是根据本公开实施例的三维物体识别方法的流程图，如图1所示，包括：
步骤102，向目标三维物体投射二值化条纹。
上述目标三维物体即需要被识别的三维物体，可以是人脸或者其他物体。上述二值化条纹可以是明暗相间的周期性条纹。
步骤104，使用摄像头拍摄上述目标三维物体，调整上述摄像头的聚焦位置，得到上述二值化条纹对应的正弦条纹图像。
上述步骤104可以是，在通过上述摄像头拍摄带有上述二值化条纹的上述目标三维物体的情况下，通过驱动镜头离焦或聚焦，在该摄像头的接收端得到上述二值化条纹虚化后的上述正弦条纹图像。上述聚焦位置可以是镜头的焦点位置。上述正弦条纹图像可以是亮度变化连续的条纹。
步骤106，根据上述正弦条纹图像，使用三维结构光方法，确定目标三维物体的深度数据。
上述三维结构光方法的测量系统中，投影装置投射上述二值化条纹，上述摄像头即该测量系统的接收装置。进一步的，可以是基于多步移相法和上述正弦条纹图像对上述目标三维物体的深度数据进行测量。
步骤108，根据上述目标三维物体的深度数据，使用机器学习模型，识别上述目标三维物体的身份。
上述机器学习模型可以是基于深度学习算法训练得到的模型。上述目标三维物体的身份可以是该目标三维物体的类别、性质、对应的唯一标识等。
在本公开实施例中，通过上述步骤102至步骤108，向目标三维物体投射二值化条纹。使用摄像头拍摄上述目标三维物体，调整上述摄像头的聚焦位置，得到上述二值化条纹对应的正弦条纹图像。根据上述正弦条纹图像，使用三维结构光方法，确定目标三维物体的深度数据。根据上述目标三维物体的深度数据，使用机器学习模型，识别上述目标三维物体的身份。可以解决相关技术中如何实现多距离识别三维物体，优化物体三维信息的检测成本和检测精度的技术问题，通过调整摄像头焦距，得到正弦条纹图像，将该正弦条纹图像用于三维结构光技术对目标三维物体深度数据的测量方案中，从而提高测量进度和检测距离适应性，降低硬件成本，达到如何实现多距离识别三维物体，优化物体三维信息的检测成本和检测精度的技术效果。
在一个示例性实施例中，上述步骤104，包括：
获取上述目标三维物体与上述摄像头之间的距离信息。
该距离信息对应上述标定过程中的拍摄距离，用于带入上述映射关系。
获取上述目标三维物体对应的各个相位对焦PDAF(Phase Detection AutoFocus，相位检测自动对焦)像素的相位差。
该目标三维物体对应的各个PDAF像素的相位差对应上述标定过程中的相位差，用于带入上述映射关系。
获取预设的映射关系，上述映射关系用于，基于上述距离信息，确定上述正弦条纹图像对应的上述摄像头的聚焦位置。
可以是在预先确定上述正弦条纹图像对应的聚焦位置。
根据上述映射关系、上述距离信息以及上述目标三维物体对应的各个PDAF像素的相位差，驱动上述摄像头的镜头到形成上述正弦条纹图像的聚焦位置。
上述正弦条纹图像的聚焦位置可以是基于预先确立的离焦率对应的焦距差或镜头变化量。
例如，预先标定上述PDAF像素的相位差与液晶变焦透镜之间的对应关系，检测上述目标三维物体所处的ROI(Region of Interest，感兴趣区域)，获取该区域中各像素的PDAF像素的相位差以及该目标三维物体与液晶标胶透镜之间的距离，再根据不同拍摄距离对应的液晶变焦透镜变形量，确定上述拍摄距离对应的正弦条纹图像的透镜变形量。
通过上述实施例，使用预先标定的映射关系，在确定目标三维物体与摄像头之间的距离的情况下，确定上述摄像头的镜头的聚焦位置，形成上述正弦条纹图像，从而实现驱动摄像头到达聚焦位置，获取对应的离焦/聚焦图像，在接收端得到正弦条纹图像的技术效果。
在一个示例性实施例中，获取预设的映射关系，包括：
分别在不同的拍摄距离，使用PDAF技术对焦上述标定物，获取上述标定物对应的各个PDAF像素的相位差以及对应的上述摄像头的聚焦位置。
上述拍摄距离可以通过测距模组测量得到。该拍摄距离可以是上述摄像头与上述目标物体之间的距离。上述拍摄距离可以通过TOF(Time of Flight，飞行时间)传感器测量得到。上述标定物可以是上述目标三维物体。上述PDAF像素的相位差可以是上述标定物的一个指点对应的一组左右相位检测像素上的相位之差。
标定拍摄距离、PDAF像素的相位差以及上述摄像头的聚焦位置之间的映射关系。
上述映射关系可以是不同的拍摄距离下，上述PDAF像素的相位差和上述摄像头的聚焦位置之间的对应关系。上述摄像头的聚焦位置可以是使用离焦率表示。
通过上述实施例，对拍摄距离、PDAF像素的相位差、上述摄像头的聚焦位置之间的映射关系进行预先标定，进而确定拍摄不同距离物体时对应的摄像头的聚焦位置，以便后续根据拍摄距离快速调整上述摄像头。
可选的，上述摄像头可以是液晶变焦透镜，进一步的，将该液晶透镜的变形量作为上述摄像头的聚焦位置与上述拍摄距离和PDAF像素的相位差进行标定。
在一个示例性实施例中，
上述步骤108包括：
获取上述目标三维物体的反射光的光谱信息，上述反射光由上述多光谱光源经上述目标三维物体反射形成。
上述多光谱光源可以是可以发出多种波长出光线的投射器。
上述反射光的光谱信息可以是上述多光谱光源经上述目标三维物体反射后各个波长的光线的光强信息。
根据上述目标三维物体的深度数据和上述目标三维物体的反射光的光谱信息，使用机器学习模型，识别上述目标三维物体的身份。
上述目标三维物体的身份可以是还包括该目标三维物体的材质、颜色等。
通过上述实施例，使用多光谱光源投射上述二值化条纹，对上述目标三维物体的深度数据进行测量的同时，检测该多光谱光源投射的二值化条纹经该目标三维物体反射后的光谱信息，进而将该光谱信息作为识别上述目标三维物体的一个参考因素，从而可以达到区分目标三维物体材质的效果。
在一个示例性实施例中，根据上述目标三维物体的深度数据和上述目标三维物体的反射光的光谱信息，使用机器学习模型，识别上述目标三维物体的身份，包括：
对比上述多光谱光源的光谱信息和上述反射光的光谱信息，确定上述目标三维物体的光谱吸收信息。
上述目标三维物体的光谱吸收信息可以是上述多光谱光源的光谱信息和上述反射光的光谱信息在各个波长下的光强差值。
根据上述目标三维物体的光谱吸收信息，确定上述目标三维物体的材质信息。
可以是预先标定各个材质物体针对各个波长光线的吸收情况，在确定上述光谱吸收信息的情况下，根据该标定确定对应的材质信息。
据上述目标三维物体的深度数据和上述目标三维物体的光谱吸收信息，使用机器学习模型，识别上述目标三维物体的身份。
通过上述实施例，对比上述多光谱光源的光线经该目标三维物体吸收前后的光谱信息的变化情况，基于该光谱信息的被上述目标三维物体吸收前后的变化情况，对上述目标三维物体的身份进行识别，从而达到区分上述目标三维物体材质的技术效果。
在一个示例性实施例中，还包括：
基于训练样本，训练生成上述机器学习模型。
上述机器学习模型可以是基于深度学习算法进行训练的。
上述训练样本是预先标注的若干三维物体的深度数据和反射光的光谱信息训练数据组；上述训练样本的标注内容包括：若干人脸身份和物体属性。
可选的，在不进行物体材质识别的情况下，可以使用未标注反射光的光谱信息、标注内容未包括物体属性的训练样本对上述机器学习模型进行预先训练。
通过上述实施例，使用将预先标注的若干三维物体的深度数据和反射光的光谱信息训练数据组作为样本进行标注的数据组进行训练，得到上述机器学习模型，从而降低了上述机器学习模型的误检率，进一步提高了三维物体识别结果的准确性。
在一个示例性实施例中，上述步骤102包括：使用偏振光源向上述目标三维物体投射上述二值化条纹。
通过上述实施例，使用偏振光源投射上述二值化条纹，可以达到增强纹理，去除反光的技术效果，进一步降低了上述三维物体表面材质反光因素对识别结果的影响。
在一个示例性实施例中，上述步骤102包括：
使用集成光源的MEMS(Micro-Electro-Mechanical System，微机电系统)振镜投射器模组投射上述二值化条纹。
通过上述实施例，通过该MEMS振镜投射器模组，生成上述二值化条纹，可以替代现有技术中的泛光补光灯，从而进一步降低硬件成本。
在一个示例性实施例中，上述步骤102包括：
向上述目标三维物体投射无条纹图案，使用目标检测模型，预判断上述目标三维物体的尺寸。
上述目标检测模型可以是预先训练的可以用于识别与上述目标三维物体同类型的物体的模型。上述目标三维物体的尺寸可以是根据预先标定的目标三维物体类型与尺寸关系确定的。
获取上述目标三维物体与上述摄像头之间的距离信息。
根据上述距离信息和上述目标三维物体的尺寸，设置上述二值化条纹的周期宽度和条纹组数。
上述二值化条纹的周期宽度可以是一明一暗的一组条纹的总宽度。上述条纹组数可以是投射到上述目标三维物体上的条纹总组数。
向上述目标三维物体投射二值化条纹。
例如，上述目标三维物体是人脸，宽度约20cm。在不同距离处，使人脸上条纹密度(即条纹组数)约为20组，为满足此条件，需要在不同距离处使用不同周期的二值化条纹。可选的，根据场景要求精度不同，对应的条纹周期、组数均可做针对性设置。
通过上述实施例，根据上述目标三维物体的尺寸大小和拍摄距离，对上述二值化条纹的条纹密度进行针对性设置，保证上述目标三维物体上有足够数量的二值化条纹，从而进一步提高三维物体识别过程中的距离适应性。
在一个示例性实施例中，上述步骤102包括：
在上述距离信息和上述目标三维物体的尺寸在预定范围内的情况下，设置上述二值化条纹的编码规则为格雷码。
例如，预先设置识别的精度要求以及适用的物体尺寸和拍摄距离，在该预设条件下，可以将上述二值化条纹设置为格雷码条纹，同时可以省略上述对二值化条纹进行虚化得到正弦条纹图像的步骤。
通过上述实施例，在精度要求、拍摄距离和物体尺寸满足预定范围的情况下，使用格雷码条纹进行三维物体识别，简化了识别方案，达到了提高识别速度的技术效果。
图2是根据本公开一可选实施例的硬件方案示意图，如图2所示，包括：主控芯片201、MEMS振镜投射器模组202、带有PDAF传感器的摄像头203、线阵测距TOF模组204。
其中，MEMS振镜投射器模组可以采用偏振光源，减少目标三维物体表面镜面泛光，避免目标三维物体表面信息缺失；还可以根据目标三维物体和场景需要，采用多波长光源，用于获取目标三维物体的光谱吸收信息。
其中，带有PDAF传感器的摄像头可以是用于获取目标三维物体所处ROI的相位差信息。
其中，线阵测距TOF模组可以是用于获取目标三维物体与摄像头之间的距离信息。
其中，主控芯片接收处理上述信息，并基于上述方法控制摄像头离焦/聚焦得到正弦条纹图像，测量目标三维物体的深度数据，使用机器学习模型，进行三维物体识别。
根据本公开实施例的另一个方面，还提供了一种三维物体识别装置，图3是根据本公开实施例的三维物体识别装置的结构示意图，如图3所示，包括：
投射模块301，用于向目标三维物体投射二值化条纹。
上述目标三维物体即需要被识别的三维物体，可以是人脸或者其他物体。上述二值化条纹可以是明暗相间的周期性条纹。
调焦模块302，用于使用摄像头拍摄上述目标三维物体，调整上述摄像头的聚焦位置，得到上述二值化条纹对应的正弦条纹图像。
上述调焦模块可以是用于，在通过上述摄像头拍摄带有上述二值化条纹的上述目标三维物体的情况下，通过驱动镜头离焦或聚焦，在该摄像头的接收端得到上述二值化条纹虚化后的上述正弦条纹图像。上述聚焦位置可以是镜头的焦点位置。上述正弦条纹图像可以是亮度变化连续的条纹。
深度模块303，用于根据上述正弦条纹图像，使用三维结构光方法，确定目标三维物体的深度数据。
上述三维结构光技术的测量系统中，投影装置投射上述二值化条纹，上述摄像头即该测量系统的接收装置。进一步的，可以是基于多步移相法和上述正弦条纹图像对上述目标三维物体的深度数据进行测量。
识别模块304，用于根据上述目标三维物体的深度数据，使用机器学习模型，识别上述目标三维物体的身份。
上述机器学习模型可以是基于深度学习算法训练得到的模型。上述目标三维物体的身份可以是该目标三维物体的类别、性质、对应的唯一标识等。
在本公开实施例中，通过上述装置，向上述目标三维物体投射二值化条纹。使用摄像头拍摄上述目标三维物体，调整上述摄像头的聚焦位置，得到上述二值化条纹对应的正弦条纹图像。根据上述正弦条纹图像，使用三维结构光方法，确定目标三维物体的深度数据。根据上述目标三维物体的深度数据，使用机器学习模型，识别上述目标三维物体的身份。可以解决相关技术中如何实现多距离识别三维物体，优化物体三维信息的检测成本和检测精度的技术问题，通过调整摄像头焦距，得到正弦条纹图像，将该正弦条纹图像用于三维结构光技术对目标三维物体深度数据的测量方案中，从而提高测量进度和检测距离适应性，降低硬件成本，达到如何实现多距离识别三维物体，优化物体三维信息的检测成本和检测精度的技术效果。
在一个示例性实施例中，上述三维物体识别装置还包括：
获取模块，用于分别在不同的拍摄距离，使用PDAF技术对焦标定物，获取上述标定物对应的各个PDAF像素的相位差以及对应的上述摄像头的聚焦位置。
上述拍摄距离可以通过测距模组测量得到。该拍摄距离可以是上述摄像头与上述目标物体之间的距离。上述拍摄距离可以通过TOF(Time of Flight，飞行时间)传感器测量得到。上述标定物可以是上述目标三维物体。上述PDAF像素的相位差可以是上述标定物的一个指点对应的一组左右相位检测像素上的相位之差。
标定模块，用于标定拍摄距离、PDAF像素的相位差以及上述摄像头的聚焦位置之间的映射关系。
上述映射关系可以是不同的拍摄距离下，上述PDAF像素的相位差和上述摄像头的聚焦位置之间的对应关系。上述摄像头的聚焦位置可以是使用离焦率表示。
上述映射关系用于，确定上述正弦条纹图像在不同的拍摄距离对应的上述摄像头的聚焦位置。
可以是在预先确定上述正弦条纹图像对应的聚焦位置。
通过上述实施例，对拍摄距离、PDAF像素的相位差、上述摄像头的聚焦位置之间的映射关系进行预先标定，进而确定拍摄不同距离物体时对应的摄像头的聚焦位置，以便后续根据拍摄距离快速调整上述摄像头。
可选的，上述摄像头可以是液晶变焦透镜，进一步的，将该液晶透镜的变形量作为上述摄像头的聚焦位置与上述拍摄距离和PDAF像素的相位差进行标定。
在一个示例性实施例中，上述调焦模块包括：
距离信息子模块，用于获取上述目标三维物体与上述摄像头之间的距离信息。
该距离信息对应上述标定过程中的拍摄距离，用于带入上述映射关系。
相位差子模块，用于获取上述目标三维物体对应的各个相位对焦PDAF、素的相位差。
该目标三维物体对应的各个PDAF像素的相位差对应上述标定过程中的相位差，用于带入上述映射关系。
映射子模块，用于获取预设的映射关系，上述映射关系用于，基于上述距离信息，确定上述正弦条纹图像对应的上述摄像头的聚焦位置。
可以是在预先确定上述正弦条纹图像对应的聚焦位置。
驱动子模块，用于根据上述映射关系、上述距离信息以及上述目标三维物体对应的各个PDAF像素的相位差，驱动上述摄像头的镜头到形成上述正弦条纹图像的聚焦位置。
上述正弦条纹图像的聚焦位置可以是基于预先确立的离焦率对应的焦距差或镜头变化量。
例如，预先标定上述PDAF像素的相位差与液晶变焦透镜之间的对应关系，检测上述目标三维物体所处的ROI(Region of Interest，感兴趣区域)，获取该区域中各像素的PDAF像素的相位差以及该目标三维物体与液晶标胶透镜之间的距离，再根据不同拍摄距离对应的液晶变焦透镜变形量，确定上述拍摄距离对应的正弦条纹图像的透镜变形量。
通过上述实施例，使用预先标定的映射关系，在确定目标三维物体与摄像头之间的距离的情况下，确定上述摄像头的镜头的聚焦位置，形成上述正弦条纹图像，从而实现驱动摄像头到达聚焦位置，获取对应的离焦/聚焦图像，在接收端得到正弦条纹图像的技术效果。
在一个示例性实施例中，上述映射子单元包括：
获取单元，用于分别在不同的拍摄距离，使用PDAF技术对焦标定物，获取上述标定物对应的各个PDAF像素的相位差以及对应的上述摄像头的聚焦位置。
上述拍摄距离可以通过测距模组测量得到。该拍摄距离可以是上述摄像头与上述目标物体之间的距离。上述拍摄距离可以通过TOF(Time of Flight，飞行时间)传感器测量得到。上述标定物可以是上述目标三维物体。上述PDAF像素的相位差可以是上述标定物的一个指点对应的一组左右相位检测像素上的相位之差。
标定单元，用于标定拍摄距离、PDAF像素的相位差以及上述摄像头的聚焦位置之间的映射关系。
上述映射关系可以是不同的拍摄距离下，上述PDAF像素的相位差和上述摄像头的聚焦位置之间的对应关系。上述摄像头的聚焦位置可以是使用离焦率表示。
通过上述实施例，对拍摄距离、PDAF像素的相位差、上述摄像头的聚焦位置之间的映射关系进行预先标定，进而确定拍摄不同距离物体时对应的摄像头的聚焦位置，以便后续根据拍摄距离快速调整上述摄像头。
可选的，上述摄像头可以是液晶变焦透镜，进一步的，将该液晶透镜的变形量作为上述摄像头的聚焦位置与上述拍摄距离和PDAF像素的相位差进行标定。
在一个示例性实施例中，上述识别模块包括：
光谱子模块，用于获取上述目标三维物体的反射光的光谱信息，上述反射光由上述多光谱光源经上述目标三维物体反射形成。
上述多光谱光源可以是可以发出多种波长出光线的投射器。
上述反射光的光谱信息可以是上述多光谱光源经上述目标三维物体反射后各个波长的光线的光强信息。
识别子模块，用于根据上述目标三维物体的深度数据和上述目标三维物体的反射光的光谱信息，使用机器学习模型，识别上述目标三维物体的身份。
上述目标三维物体的身份可以是还包括该目标三维物体的材质、颜色等。
通过上述实施例，使用多光谱光源投射上述二值化条纹，对上述目标三维物体的深度数据进行测量的同时，检测该多光谱光源投射的二值化条纹经该目标三维物体反射后的光谱信息，进而将该光谱信息作为识别上述目标三维物体的一个参考因素，从而可以达到区分目标三维物体材质的效果。
在一个示例性实施例中，上述识别模块包括：
吸收确定单元，用于对比上述多光谱光源的光谱信息和上述反射光的光谱信息，确定上述目标三维物体的光谱吸收信息。
上述目标三维物体的光谱吸收信息可以是上述多光谱光源的光谱信息和上述反射光的光谱信息在各个波长下的光强差值。
材质确定单元，用于根据上述目标三维物体的光谱吸收信息，确定上述目标三维物体的材质信息。
可以是预先标定各个材质物体针对各个波长光线的吸收情况，在确定上述光谱吸收信息的情况下，根据该标定确定对应的材质信息。
识别单元，用于根据上述目标三维物体的深度数据和上述目标三维物体的光谱吸收信息，使用机器学习模型，识别上述目标三维物体的身份。
通过上述实施例，对比上述多光谱光源的光线经该目标三维物体吸收前后的光谱信息的变化情况，基于该光谱信息的被上述目标三维物体吸收前后的变化情况，对上述目标三维物体的身份进行识别，从而达到区分上述目标三维物体材质的技术效果。
在一个示例性实施例中，上述三维物体识别装置还包括：
训练模块，用于基于训练样本，训练生成上述机器学习模型。
上述机器学习模型可以是基于深度学习算法进行训练的。
上述训练样本是预先标注的若干三维物体的深度数据和反射光的光谱信息训练数据组；上述训练样本的标注内容包括：若干人脸身份和物体属性。
可选的，在不进行物体材质识别的情况下，可以使用未标注反射光的光谱信息、标注内容未包括物体属性的训练样本对上述机器学习模型进行预先训练。
通过上述实施例，使用将预先标注的若干三维物体的深度数据和反射光的光谱信息训练数据组作为样本进行标注的数据组进行训练，得到上述机器学习模型，从而降低了上述机器学习模型的误检率，进一步提高了三维物体识别结果的准确性。
在一个示例性实施例中，上述投射模块包括：
偏振子模块，用于使用偏振光源向上述目标三维物体投射上述二值化条纹。
通过上述实施例，使用偏振光源投射上述二值化条纹，可以达到增强纹理，去除反光的技术效果，进一步降低了上述三维物体表面材质反光因素对识别结果的影响。
在一个示例性实施例中，上述
投射模块包括：
振镜子模块，用于使用集成光源的MEMS振镜投射器模组投射上述二值化条纹。
通过上述实施例，通过该MEMS振镜投射器模组，生成上述二值化条纹，可以替代现有技术中的泛光补光灯，从而进一步降低硬件成本。
在一个示例性实施例中，上述投射模块包括：
预判断子模块，用于向上述目标三维物体投射无条纹图案，使用目标检测模型，预判断上述目标三维物体的尺寸。
上述目标检测模型可以是预先训练的可以用于识别与上述目标三维物体同类型的物体的模型。上述目标三维物体的尺寸可以是根据预先标定的目标三维物体类型与尺寸关系确定的。
距离信息子模块，用于获取上述目标三维物体与上述摄像头之间的距离信息。
条纹设置子模块，用于根据上述距离信息和上述目标三维物体的尺寸，设置上述二值化条纹的周期宽度和条纹组数。
上述二值化条纹的周期宽度可以是一明一暗的一组条纹的总宽度。上述条纹组数可以是投射到上述目标三维物体上的条纹总组数。
投射子模块，用于向上述目标三维物体投射二值化条纹。
例如，上述目标三维物体是人脸，宽度约20cm。在不同距离处，使人脸上条纹密度(即条纹组数)约为20组，为满足此条件，需要在不同距离处使用不同周期的二值化条纹。可选的，根据场景要求精度不同，对应的条纹周期、组数均可做针对性设置。
通过上述实施例，根据上述目标三维物体的尺寸大小和拍摄距离，对上述二值化条纹的条纹密度进行针对性设置，保证上述目标三维物体上有足够数量的二值化条纹，从而进一步提高三维物体识别过程中的距离适应性。
在一个示例性实施例中，上述投射模块包括：
格雷码子模块，用于在上述距离信息和上述目标三维物体的尺寸在预定范围内的情况下，设置上述二值化条纹的编码规则为格雷码。
例如，预先设置识别的精度要求以及适用的物体尺寸和拍摄距离，在该预设条件下，可以将上述二值化条纹设置为格雷码条纹，同时可以省略上述对二值化条纹进行虚化得到正弦条纹图像的步骤。
通过上述实施例，在精度要求、拍摄距离和物体尺寸满足预定范围的情况下，使用格雷码条纹进行三维物体识别，简化了识别方案，达到了提高识别速度的技术效果。
本公开实施例还提供一种计算机设备，图4为本公开实施例中计算机设备的示意图，该计算机设备能够实现上述实施例中的三维物体识别方法中全部步骤，该计算机设备具体包括如下内容：
处理器(processor)401、存储器(memory)402、通信接口(CommunicationsInterface)403和通信总线404。
其中，上述处理器401、存储器402、通信接口403通过上述通信总线404完成相互间的通信。上述通信接口403用于实现相关设备之间的信息传输。
上述处理器401用于调用上述存储器402中的计算机程序，上述处理器执行上述计算机程序时实现上述实施例中的三维物体识别方法。
可选的，在实施例中，上述计算机程序指令被处理器执行时实现以下步骤：
步骤S1，向目标三维物体投射二值化条纹。
步骤S2，使用摄像头拍摄上述目标三维物体，调整上述摄像头的聚焦位置，得到上述二值化条纹对应的正弦条纹图像。
步骤S3，根据上述正弦条纹图像，使用三维结构光方法，确定目标三维物体的深度数据。
步骤S4，根据上述目标三维物体的深度数据，使用机器学习模型，识别上述目标三维物体的身份。
本公开实施例还提供一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，响应于上述计算机程序被处理器执行，实施了上述的三维物体识别方法的操作。
本公开实施例还提供一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被处理器执行时实现：上述的三维物体识别方法。
虽然本公开提供了如实施例或流程图上述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的室内)。
本领域技术人员应明白，本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。本公开并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本公开的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制。尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围，其均应涵盖在本公开的权利要求和说明书的范围当中。

Claims (23)

1.一种三维物体识别方法，其特征在于，包括：
向目标三维物体投射二值化条纹；
使用摄像头拍摄所述目标三维物体，调整所述摄像头的聚焦位置，得到所述二值化条纹对应的正弦条纹图像；
根据所述正弦条纹图像，使用三维结构光方法，确定目标三维物体的深度数据；
根据所述目标三维物体的深度数据，使用机器学习模型，识别所述目标三维物体的身份。
2.根据权利要求1所述的三维物体识别方法，其特征在于，使用摄像头拍摄所述目标三维物体，调整所述摄像头的聚焦位置，得到所述二值化条纹对应的正弦条纹图像，包括：
获取所述目标三维物体与所述摄像头之间的距离信息；
获取所述目标三维物体对应的各个相位对焦PDAF像素的相位差；
获取预设的映射关系，所述映射关系用于，基于所述距离信息，确定所述正弦条纹图像对应的所述摄像头的聚焦位置；
根据所述映射关系、所述距离信息以及所述目标三维物体对应的各个PDAF像素的相位差，驱动所述摄像头的镜头到形成所述正弦条纹图像的聚焦位置。
3.根据权利要求2所述的三维物体识别方法，其特征在于，获取预设的映射关系，包括：
分别在不同的拍摄距离，使用PDAF技术对焦标定物，获取所述标定物对应的各个PDAF像素的相位差以及对应的所述摄像头的聚焦位置；
标定拍摄距离、PDAF像素的相位差以及所述摄像头的聚焦位置之间的映射关系。
4.根据权利要求1-3任一项所述的三维物体识别方法，其特征在于，
根据所述目标三维物体的深度数据，使用机器学习模型，识别所述目标三维物体的身份，包括：
获取所述目标三维物体的反射光的光谱信息，所述反射光由所述多光谱光源经所述目标三维物体反射形成；
根据所述目标三维物体的深度数据和所述目标三维物体的反射光的光谱信息，使用机器学习模型，识别所述目标三维物体的身份。
5.根据权利要求4所述的三维物体识别方法，其特征在于，根据所述目标三维物体的深度数据和所述目标三维物体的反射光的光谱信息，使用机器学习模型，识别所述目标三维物体的身份，包括：
对比所述多光谱光源的光谱信息和所述反射光的光谱信息，确定所述目标三维物体的光谱吸收信息；
根据所述目标三维物体的光谱吸收信息，确定所述目标三维物体的材质信息；
据所述目标三维物体的深度数据和所述目标三维物体的光谱吸收信息，使用机器学习模型，识别所述目标三维物体的身份。
6.根据权利要求5所述的三维物体识别方法，其特征在于，还包括：
基于训练样本，训练生成所述机器学习模型；
所述训练样本是预先标注的若干三维物体的深度数据和反射光的光谱信息训练数据组；所述训练样本的标注内容包括：若干人脸身份和物体属性。
7.根据权利要求1-3任一项所述的三维物体识别方法，其特征在于，向目标三维物体投射二值化条纹包括：使用偏振光源向所述目标三维物体投射所述二值化条纹。
8.根据权利要求1-3任一项所述的三维物体识别方法，其特征在于，向目标三维物体投射二值化条纹包括：
使用集成光源的MEMS振镜投射器模组投射所述二值化条纹。
9.根据权利要求2或3所述的三维物体识别方法，其特征在于，向目标三维物体投射二值化条纹，包括：
向所述目标三维物体投射无条纹图案，使用目标检测模型，预判断所述目标三维物体的尺寸；
获取所述目标三维物体与所述摄像头之间的距离信息；
根据所述距离信息和所述目标三维物体的尺寸，设置所述二值化条纹的周期宽度和条纹组数；
向所述目标三维物体投射二值化条纹。
10.根据权利要求1所述的三维物体识别方法，其特征在于，向目标三维物体投射二值化条纹包括：
在所述距离信息和所述目标三维物体的尺寸在预定范围内的情况下，设置所述二值化条纹的编码规则为格雷码。
11.一种三维物体识别装置，其特征在于，包括：
投射模块，用于向目标三维物体投射二值化条纹；
调焦模块，用于使用摄像头拍摄所述目标三维物体，调整所述摄像头的聚焦位置，得到所述二值化条纹对应的正弦条纹图像；
深度模块，用于根据所述正弦条纹图像，使用三维结构光方法，确定目标三维物体的深度数据；
识别模块，用于根据所述目标三维物体的深度数据，使用机器学习模型，识别所述目标三维物体的身份。
12.根据权利要求11所述的三维物体识别装置，其特征在于，所述调焦模块包括：
距离信息子模块，用于获取所述目标三维物体与所述摄像头之间的距离信息；
相位差子模块，用于获取所述目标三维物体对应的各个相位对焦PDAF像素的相位差；
映射子模块，用于获取预设的映射关系，所述映射关系用于，基于所述距离信息，确定所述正弦条纹图像对应的所述摄像头的聚焦位置；
驱动子模块，用于根据所述映射关系、所述距离信息以及所述目标三维物体对应的各个PDAF像素的相位差，驱动所述摄像头的镜头到形成所述正弦条纹图像的聚焦位置。
13.根据权利要求12所述的三维物体识别装置，其特征在于，所述映射子单元包括：
获取单元，用于分别在不同的拍摄距离，使用PDAF技术对焦标定物，获取所述标定物对应的各个PDAF像素的相位差以及对应的所述摄像头的聚焦位置；
标定单元，用于标定拍摄距离、PDAF像素的相位差以及所述摄像头的聚焦位置之间的映射关系。
14.根据权利要求11-13任一项所述的三维物体识别装置，其特征在于，所述识别模块包括：
光谱子模块，用于获取所述目标三维物体的反射光的光谱信息，所述反射光由所述多光谱光源经所述目标三维物体反射形成；
识别子模块，用于根据所述目标三维物体的深度数据和所述目标三维物体的反射光的光谱信息，使用机器学习模型，识别所述目标三维物体的身份。
15.根据权利要求14所述的三维物体识别装置，其特征在于，所述识别子模块包括：
吸收确定单元，用于对比所述多光谱光源的光谱信息和所述反射光的光谱信息，确定所述目标三维物体的光谱吸收信息；
材质确定单元，用于根据所述目标三维物体的光谱吸收信息，确定所述目标三维物体的材质信息；
识别单元，用于根据所述目标三维物体的深度数据和所述目标三维物体的光谱吸收信息，使用机器学习模型，识别所述目标三维物体的身份。
16.根据权利要求15所述的三维物体识别装置，其特征在于，所述三维物体识别装置还包括：
训练模块，用于基于训练样本，训练生成所述机器学习模型；
所述训练样本是预先标注的若干三维物体的深度数据和反射光的光谱信息训练数据组；所述训练样本的标注内容包括：若干人脸身份和物体属性。
17.根据权利要求11-13任一项所述的三维物体识别装置，其特征在于，所述投射模块包括：
偏振子模块，用于使用偏振光源向所述目标三维物体投射所述二值化条纹。
18.根据权利要求11-13任一项所述的三维物体识别装置，其特征在于，所述投射模块包括：
振镜子模块，用于使用集成光源的MEMS振镜投射器模组投射所述二值化条纹。
19.根据权利要求12或13所述的三维物体识别装置，其特征在于，所述投射模块包括：
预判断子模块，用于向所述目标三维物体投射无条纹图案，使用目标检测模型，预判断所述目标三维物体的尺寸；
距离信息子模块，用于获取所述目标三维物体与所述摄像头之间的距离信息；
条纹设置子模块，用于根据所述距离信息和所述目标三维物体的尺寸，设置所述二值化条纹的周期宽度和条纹组数；
投射子模块，用于向所述目标三维物体投射二值化条纹。
20.根据权利要求11所述的三维物体识别装置，其特征在于，所述投射模块包括：
格雷码子模块，用于在所述距离信息和所述目标三维物体的尺寸在预定范围内的情况下，设置所述二值化条纹的编码规则为格雷码。
21.一种计算机设备，其特征在于，所述计算机设备包括：适于实现各指令的处理器以及存储设备，所述存储设备存储有多条指令，所述指令适于由处理器加载并执行权利要求1至10任一所述的三维物体识别方法。
22.一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程序，所述计算机程序用于执行权利要求1至10任一所述的三维物体识别方法。
23.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至10任一所述的三维物体识别方法。
CN202310906538.8A 2023-07-21 2023-07-21 三维物体识别方法及装置 Pending CN116958276A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310906538.8A CN116958276A (zh) 2023-07-21 2023-07-21 三维物体识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310906538.8A CN116958276A (zh) 2023-07-21 2023-07-21 三维物体识别方法及装置

Publications (1)

Publication Number Publication Date
CN116958276A true CN116958276A (zh) 2023-10-27

Family

ID=88459866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310906538.8A Pending CN116958276A (zh) 2023-07-21 2023-07-21 三维物体识别方法及装置

Country Status (1)

Country Link
CN (1) CN116958276A (zh)

Similar Documents

Publication Publication Date Title
JP6795993B2 (ja) 形状測定システム、形状測定装置及び形状測定方法
US9076199B2 (en) System and method for determining and controlling focal distance in a vision system camera
CN109253700B (zh) 膜厚度测量方法及膜厚度测量装置
US10430962B2 (en) Three-dimensional shape measuring apparatus, three-dimensional shape measuring method, and storage medium that calculate a three-dimensional shape of an object by capturing images of the object from a plurality of directions
CN105987805A (zh) 一种投影结构光系统的检测方法
JP2001066223A (ja) 反射光品質を決定する方法
EP2327956B1 (en) Method and apparatus for determining the height of a number of spatial positions on a sample
JP2001116526A (ja) ３次元形状計測装置
US10078907B2 (en) Distance measurement apparatus, distance measurement method, and storage medium
CN111735413A (zh) 三维形状测量装置
CN110320657B (zh) 利用角度可变照明的自动对焦
JP2015210192A (ja) 計測装置およびその方法
CN107202780B (zh) 一种基于散斑照明的超分辨显微方法和装置
JP6418884B2 (ja) 三次元計測装置、三次元計測方法及びプログラム
EP3848900A1 (en) Methods and systems for calibrating a camera
JP2019158351A (ja) 物体認識方法、高さ計測方法、及び、三次元計測方法
JP4743773B2 (ja) エッジ検出方法、装置、及びプログラム
KR101806969B1 (ko) 고정 패턴과 가변 초점 렌즈를 이용한 3차원 형상 획득 시스템 및 방법
CN116958276A (zh) 三维物体识别方法及装置
CN115423808B (zh) 散斑投射器的质量检测方法、电子设备和存储介质
US20170069110A1 (en) Shape measuring method
WO2019238583A1 (en) Deflectometric techniques
EP3062516B1 (en) Parallax image generation system, picking system, parallax image generation method, and computer-readable recording medium
CN111373222A (zh) 光投射系统
JP2022028344A (ja) 制御装置、制御方法及びプログラム

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