JPH07222202A - 立体ビジョンカメラ - Google Patents
立体ビジョンカメラInfo
- Publication number
- JPH07222202A JPH07222202A JP6010749A JP1074994A JPH07222202A JP H07222202 A JPH07222202 A JP H07222202A JP 6010749 A JP6010749 A JP 6010749A JP 1074994 A JP1074994 A JP 1074994A JP H07222202 A JPH07222202 A JP H07222202A
- Authority
- JP
- Japan
- Prior art keywords
- image
- neural network
- stereoscopic
- stereoscopic image
- image signal
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/597—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding specially adapted for multi-view video sequence encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/204—Image signal generators using stereoscopic image cameras
- H04N13/207—Image signal generators using stereoscopic image cameras using a single 2D image sensor
- H04N13/221—Image signal generators using stereoscopic image cameras using a single 2D image sensor using the relative movement between cameras and objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
- H04N13/189—Recording image signals; Reproducing recorded image signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/296—Synchronisation thereof; Control thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
(57)【要約】
【目的】 １つの光学系で立体画像信号を得ることを可
能とし、さらに安価でかつ完全なＸ、Ｙ、Ｚ軸のベクト
ルをもつ立体画像信号が得られる立体ビジョンカメラの
提供。 【構成】 被写体をレンズ１０を介してＣＣＤ等の撮像
素子２で撮影した後、学習機能をもつニューラルネット
ワーク１２が撮影された画像データからメモリ１１に記
録された過去の画像データを類推し、画像シンセサイザ
１３で立体画像を作成した後、３Ｄ画像コンバータ１４
でＸ、Ｙ、Ｚ軸のベクトルをもつ立体画像信号に変換
し、出力する構成。
能とし、さらに安価でかつ完全なＸ、Ｙ、Ｚ軸のベクト
ルをもつ立体画像信号が得られる立体ビジョンカメラの
提供。 【構成】 被写体をレンズ１０を介してＣＣＤ等の撮像
素子２で撮影した後、学習機能をもつニューラルネット
ワーク１２が撮影された画像データからメモリ１１に記
録された過去の画像データを類推し、画像シンセサイザ
１３で立体画像を作成した後、３Ｄ画像コンバータ１４
でＸ、Ｙ、Ｚ軸のベクトルをもつ立体画像信号に変換
し、出力する構成。
Description
【０００１】
【産業上の利用分野】本発明は、マルチメディア等の立
体ビジョンカメラに関する。
体ビジョンカメラに関する。
【０００２】
【従来の技術】従来、立体ビジョンカメラは、２つの独
立した光学系により映像信号をとらえて立体映像信号と
していた。即ち、ＣＣＤ等からなる撮像部の光学系と、
ＬＥＤ等の発光素子及びフォトダイオードアレイ等の受
光素子からなる距離計測部の光学系とで構成され、それ
ぞれの信号を合成して立体画像信号を得ていた。
立した光学系により映像信号をとらえて立体映像信号と
していた。即ち、ＣＣＤ等からなる撮像部の光学系と、
ＬＥＤ等の発光素子及びフォトダイオードアレイ等の受
光素子からなる距離計測部の光学系とで構成され、それ
ぞれの信号を合成して立体画像信号を得ていた。
【０００３】図６に従来例の構成を示す。１はＣＣＤ等
の撮像素子２と撮像用レンズ３からなる撮像部で、４は
ＬＥＤ等の発光素子５及びフォトダイオードアレイ等の
受光素子６及び距離計測用レンズ７からなる距離計測部
である。また、８は撮影される物体で、９は撮像部１と
距離計測部４の信号を合成する合成器である。撮像部１
によって得られた画像信号と距離計測部４によって得ら
れた距離信号は、合成器９で合成され立体画像信号とな
る。
の撮像素子２と撮像用レンズ３からなる撮像部で、４は
ＬＥＤ等の発光素子５及びフォトダイオードアレイ等の
受光素子６及び距離計測用レンズ７からなる距離計測部
である。また、８は撮影される物体で、９は撮像部１と
距離計測部４の信号を合成する合成器である。撮像部１
によって得られた画像信号と距離計測部４によって得ら
れた距離信号は、合成器９で合成され立体画像信号とな
る。
【０００４】
【発明が解決しようとする課題】しかしながら、上記従
来例では、少なくとも２個の独立した光学系が必要で装
置が高価になることや、撮像部１と距離計測部４が離れ
ているため完全なＸ、Ｙ、Ｚ軸のベクトルを持った立体
画像信号の作成が困難であるという問題があった。
来例では、少なくとも２個の独立した光学系が必要で装
置が高価になることや、撮像部１と距離計測部４が離れ
ているため完全なＸ、Ｙ、Ｚ軸のベクトルを持った立体
画像信号の作成が困難であるという問題があった。
【０００５】本発明は、かかる点に鑑み、１つの光学系
で立体画像信号を得ることを可能とし、さらに安価でか
つ完全なＸ、Ｙ、Ｚ軸のベクトルをもつ立体画像信号が
得られる立体ビジョンカメラの提供を目的とする。
で立体画像信号を得ることを可能とし、さらに安価でか
つ完全なＸ、Ｙ、Ｚ軸のベクトルをもつ立体画像信号が
得られる立体ビジョンカメラの提供を目的とする。
【０００６】
【課題を解決するための手段】上記目的を達成するため
に、本発明では、Ｘ、Ｙ、Ｚ軸のベクトルをもつ立体画
像信号を出力する立体ビジョンカメラにおいて、ＣＣＤ
等の撮像素子と、前記撮像素子に焦点を結ぶ光学系と、
撮像画像を随時記録、再生するメモリと、学習機能をも
つニューラルネットワークと、各部の制御を行う制御部
とを有し、前記ニューラルネットワークが撮像画像から
前記メモリに記録された画像データを類推することによ
り、Ｘ、Ｙ、Ｚ軸のベクトルをもつ立体画像信号を出力
する。
に、本発明では、Ｘ、Ｙ、Ｚ軸のベクトルをもつ立体画
像信号を出力する立体ビジョンカメラにおいて、ＣＣＤ
等の撮像素子と、前記撮像素子に焦点を結ぶ光学系と、
撮像画像を随時記録、再生するメモリと、学習機能をも
つニューラルネットワークと、各部の制御を行う制御部
とを有し、前記ニューラルネットワークが撮像画像から
前記メモリに記録された画像データを類推することによ
り、Ｘ、Ｙ、Ｚ軸のベクトルをもつ立体画像信号を出力
する。
【０００７】
【作用】上記構成によれば、被写体をレンズを介してＣ
ＣＤ等の撮像素子で撮影した後、学習機能をもつニュー
ラルネットワークが撮影された画像データからメモリに
記録された過去の画像データを類推し、画像シンセサイ
ザで立体画像を作成した後、３Ｄ画像コンバータでＸ、
Ｙ、Ｚ軸のベクトルをもつ立体画像信号に変換し、出力
する。
ＣＤ等の撮像素子で撮影した後、学習機能をもつニュー
ラルネットワークが撮影された画像データからメモリに
記録された過去の画像データを類推し、画像シンセサイ
ザで立体画像を作成した後、３Ｄ画像コンバータでＸ、
Ｙ、Ｚ軸のベクトルをもつ立体画像信号に変換し、出力
する。
【０００８】
【実施例】本発明の実施例について図面に基づいて説明
する。図１は本発明の立体ビジョンカメラの略構成図で
ある。２は物体８を撮像するＣＣＤ等の撮像素子で、１
１はＣＣＤ等の撮像素子２の画像信号を記録するメモリ
（ＦＲＡＭ、ＦＬＡＳＨ、ＥＥＰＲＯＭ等）で、１２は
学習機能を有するニューラルネットワークで、１３はニ
ューラルネットワーク１２からの画像信号を合成する画
像シンセサイザで、１４は画像シンセサイザ１３からの
立体画像信号をＸ、Ｙ、Ｚ軸をもった立体画像信号に変
換する３Ｄ画像コンバータである。また、１５は各部を
制御するシステムコントローラであり、１０はレンズ
で、Ｘ、Ｙ、Ｚ軸は３次元空間の各ベクトル軸を示して
いる。
する。図１は本発明の立体ビジョンカメラの略構成図で
ある。２は物体８を撮像するＣＣＤ等の撮像素子で、１
１はＣＣＤ等の撮像素子２の画像信号を記録するメモリ
（ＦＲＡＭ、ＦＬＡＳＨ、ＥＥＰＲＯＭ等）で、１２は
学習機能を有するニューラルネットワークで、１３はニ
ューラルネットワーク１２からの画像信号を合成する画
像シンセサイザで、１４は画像シンセサイザ１３からの
立体画像信号をＸ、Ｙ、Ｚ軸をもった立体画像信号に変
換する３Ｄ画像コンバータである。また、１５は各部を
制御するシステムコントローラであり、１０はレンズ
で、Ｘ、Ｙ、Ｚ軸は３次元空間の各ベクトル軸を示して
いる。
【０００９】次に、本発明に用いる階層型ニューラルネ
ットワーク（神経回路網）について説明する。ニューラ
ルネットワークは、人間の神経ネットワークをまねた情
報処理システムである。ニューラルネットワークにおい
て、神経細胞に相当する工学的なニューロンのモデルを
ユニットと呼ぶ。
ットワーク（神経回路網）について説明する。ニューラ
ルネットワークは、人間の神経ネットワークをまねた情
報処理システムである。ニューラルネットワークにおい
て、神経細胞に相当する工学的なニューロンのモデルを
ユニットと呼ぶ。
【００１０】ユニットには、図２に示すような多入力、
１出力の素子が通常用いられている。信号は一方向にだ
け伝わり、ある重み（結合荷重：ｗi ）がつけられてユ
ニットに入力される。この重みによって、ユニット間の
結合の強さが表される。ユニット間の結合の強さは、学
習によって変化させることができる。重みがつけられた
それぞれの入力値（ｗi、ｘi）の総和からしきい値θを
引いた値Ｘが、応答関数ｆ（Ｘ）による変形を受けた
後、出力される。ユニットの出力値ｙは、以下に示す式
（１）のようになる。
１出力の素子が通常用いられている。信号は一方向にだ
け伝わり、ある重み（結合荷重：ｗi ）がつけられてユ
ニットに入力される。この重みによって、ユニット間の
結合の強さが表される。ユニット間の結合の強さは、学
習によって変化させることができる。重みがつけられた
それぞれの入力値（ｗi、ｘi）の総和からしきい値θを
引いた値Ｘが、応答関数ｆ（Ｘ）による変形を受けた
後、出力される。ユニットの出力値ｙは、以下に示す式
（１）のようになる。
【００１１】ｙ＝ｆ（Ｘ） ・・・（１） ここで、Ｘ＝Σ（ｗiｘi−θ）である。
【００１２】ユニットへ入力されたＸは、ユニットの応
答特性ｆ（Ｘ）に従って変形されるが、応答関数として
よく用いられるのが図３に示すシグモイド関数である。
答特性ｆ（Ｘ）に従って変形されるが、応答関数として
よく用いられるのが図３に示すシグモイド関数である。
【００１３】階層型ニューラルネットワークでは、図４
に示すように各ユニット（同図中の丸印）が、入力層Ｌ
1、中間層（１層又は複数の層から成る）Ｌ2及び出力層
Ｌ3に階層化されている。ユニット間の接続は各層間で
の接続であり、同一の層内での接続はなく、また、信号
は入力から出力への一方向にしか伝わらない。通常、入
力層Ｌ1のユニットはシグモイド特性やしきい値をもた
ず、入力値がそのまま出力に現れる。ニューラルネット
ワークの出力値は、以下の式（２）に示すような非常に
簡単な形で表される。
に示すように各ユニット（同図中の丸印）が、入力層Ｌ
1、中間層（１層又は複数の層から成る）Ｌ2及び出力層
Ｌ3に階層化されている。ユニット間の接続は各層間で
の接続であり、同一の層内での接続はなく、また、信号
は入力から出力への一方向にしか伝わらない。通常、入
力層Ｌ1のユニットはシグモイド特性やしきい値をもた
ず、入力値がそのまま出力に現れる。ニューラルネット
ワークの出力値は、以下の式（２）に示すような非常に
簡単な形で表される。
【００１４】O＝f（ΣVj・Hj−γ） ・・・（２） ここで、 Hj＝f（ΣWij・Ii−θj） Ii（ｉ＝１〜M）：入力層Ｌ1のユニットｉの入力 Hj（ｊ＝１〜N）：中間層Ｌ2のユニットｊの出力 O ：出力層Ｌ3のユニットの出力 Wij ：入力層Ｌ1のユニットｉから中間層Ｌ2のユニ
ットｊへの結合荷重 Vj ：中間層Ｌ2のユニットｊから出力層Ｌ3のユニ
ットへの結合荷重 θj ：中間層Ｌ2のユニットｊのしきい値 γ ：出力層Ｌ3のしきい値 M ：入力層Ｌ1のユニットの数 N ：中間層Ｌ2のユニットの数 である。
ットｊへの結合荷重 Vj ：中間層Ｌ2のユニットｊから出力層Ｌ3のユニ
ットへの結合荷重 θj ：中間層Ｌ2のユニットｊのしきい値 γ ：出力層Ｌ3のしきい値 M ：入力層Ｌ1のユニットの数 N ：中間層Ｌ2のユニットの数 である。
【００１５】上記階層型ニューラルネットワークの学習
アルゴリズムとしては、教師信号と出力信号の２乗誤差
が最小となるように、最急降下法を用いて中間層Ｌ2−
出力層Ｌ3、入力層Ｌ1−中間層Ｌ2間の結合荷重及びし
きい値を順次変化させていく誤差逆伝播学習則（バック
プロパゲーション）がよく用いられている。この誤差逆
伝播学習則（バックプロパゲーション）なる学習アルゴ
リズムを用いることによって高い認識率を実現できるニ
ューラルネットワークが容易に形成されるようになっ
た。
アルゴリズムとしては、教師信号と出力信号の２乗誤差
が最小となるように、最急降下法を用いて中間層Ｌ2−
出力層Ｌ3、入力層Ｌ1−中間層Ｌ2間の結合荷重及びし
きい値を順次変化させていく誤差逆伝播学習則（バック
プロパゲーション）がよく用いられている。この誤差逆
伝播学習則（バックプロパゲーション）なる学習アルゴ
リズムを用いることによって高い認識率を実現できるニ
ューラルネットワークが容易に形成されるようになっ
た。
【００１６】次に、動作を説明する。まず、ＣＣＤ等の
撮像素子２により被写体である物体８がレンズ１０を介
して撮影され、２次元の画像信号がＣＣＤ等の撮像素子
２から出力され、ニューラルネットワーク１２に入力さ
れる。ニューラルネットワーク１２へは、この２次元の
画像信号の他にメモリ１１から過去の画像データが取り
込まれる。ニューラルネットワーク１２はいくつかの入
力パターンをネットワークの系の安定状態として記憶
し、未知の入力パターンを与えると記憶された中から近
いパターンに対応（類推）する安定状態にやがて落ち着
くように働く。
撮像素子２により被写体である物体８がレンズ１０を介
して撮影され、２次元の画像信号がＣＣＤ等の撮像素子
２から出力され、ニューラルネットワーク１２に入力さ
れる。ニューラルネットワーク１２へは、この２次元の
画像信号の他にメモリ１１から過去の画像データが取り
込まれる。ニューラルネットワーク１２はいくつかの入
力パターンをネットワークの系の安定状態として記憶
し、未知の入力パターンを与えると記憶された中から近
いパターンに対応（類推）する安定状態にやがて落ち着
くように働く。
【００１７】即ち、学習アルゴリズムをもつニューラル
ネットワーク１２は、上記の画像データから立体画像の
作成に必要な情報を過去の学習から類推し、画像シンセ
サイザ１３へ信号を送り出す。そして、画像シンセサイ
ザ１３は類推された画像信号を合成し、立体画像に必要
な立体画像信号を出力する。出力された立体画像信号は
３Ｄ画像コンバータ１４でＸ、Ｙ、Ｚ軸のベクトルをも
った立体画像信号に変換され、出力される。
ネットワーク１２は、上記の画像データから立体画像の
作成に必要な情報を過去の学習から類推し、画像シンセ
サイザ１３へ信号を送り出す。そして、画像シンセサイ
ザ１３は類推された画像信号を合成し、立体画像に必要
な立体画像信号を出力する。出力された立体画像信号は
３Ｄ画像コンバータ１４でＸ、Ｙ、Ｚ軸のベクトルをも
った立体画像信号に変換され、出力される。
【００１８】図５に人形ａの立体画像の作成の様子を示
す。まず、教師データとして人形ａの正面画像ｂ、側面
画像ｃ、背面画像ｄ、側面画像ｅが与えられる。そし
て、これらのデータはメモリ１１に記録される。次に、
ＣＣＤ等の撮像素子２から人形ａの２次元の画像が撮像
されると、ニューラルネットワーク１２は、この人形ａ
の２次元の画像から自動的に類推し、メモリ１１に記録
された人形ａのデータを画像シンセサイザ１３に送り込
む。これらのデータに基づいて画像シンセサイザ１３は
人形ａの立体画像を作成する。このようにして本発明の
立体ビジョンカメラは立体画像を作成することができ
る。
す。まず、教師データとして人形ａの正面画像ｂ、側面
画像ｃ、背面画像ｄ、側面画像ｅが与えられる。そし
て、これらのデータはメモリ１１に記録される。次に、
ＣＣＤ等の撮像素子２から人形ａの２次元の画像が撮像
されると、ニューラルネットワーク１２は、この人形ａ
の２次元の画像から自動的に類推し、メモリ１１に記録
された人形ａのデータを画像シンセサイザ１３に送り込
む。これらのデータに基づいて画像シンセサイザ１３は
人形ａの立体画像を作成する。このようにして本発明の
立体ビジョンカメラは立体画像を作成することができ
る。
【００１９】
【発明の効果】以上のように本発明によれば、ＣＣＤ等
の撮像素子と、撮像素子に焦点を結ぶ光学系と、撮像画
像を随時記録、再生するメモリと、学習機能をもつニュ
ーラルネットワークと、各部の制御を行う制御部とを有
し、ニューラルネットワークが撮像画像から前記メモリ
に記録された画像データを類推することにより、Ｘ、
Ｙ、Ｚ軸のベクトルをもつ立体画像信号を出力するの
で、１つの光学系で立体画像信号を得ることを可能と
し、さらに安価でかつ完全なＸ、Ｙ、Ｚ軸のベクトルを
もつ立体画像信号が得られる立体ビジョンカメラを提供
できる。
の撮像素子と、撮像素子に焦点を結ぶ光学系と、撮像画
像を随時記録、再生するメモリと、学習機能をもつニュ
ーラルネットワークと、各部の制御を行う制御部とを有
し、ニューラルネットワークが撮像画像から前記メモリ
に記録された画像データを類推することにより、Ｘ、
Ｙ、Ｚ軸のベクトルをもつ立体画像信号を出力するの
で、１つの光学系で立体画像信号を得ることを可能と
し、さらに安価でかつ完全なＸ、Ｙ、Ｚ軸のベクトルを
もつ立体画像信号が得られる立体ビジョンカメラを提供
できる。
【図１】 本発明の立体ビジョンカメラの略構成図。
【図２】 本発明の実施例に用いられているニユーラル
ネットワークを構成するニユーロンの工学的モデルを示
す模式図。
ネットワークを構成するニユーロンの工学的モデルを示
す模式図。
【図３】 本発明の実施例に用いられているニユーラル
ネットワークを構成するニユーロンの入出力特性を表す
グラフ。
ネットワークを構成するニユーロンの入出力特性を表す
グラフ。
【図４】 本発明の実施例に用いられている階層型ニユ
ーラルネットワークの構造を示す模式図。
ーラルネットワークの構造を示す模式図。
【図５】 人形の立体画像を作成する様子を示す図。
【図６】 従来の立体ビジョンカメラの略構成図。
１ 撮像部 ２ ＣＣＤ等の撮像素子 ３ 撮像部のレンズ ４ 距離計測部 ５ ＬＥＤ等の発光素子 ６ フォトダイオードアレイ等の受光素子 ７ 距離計測部のレンズ ８ 物体 ９ 合成器 １０ レンズ １１ メモリ １２ ニユーラルネットワーク １３ 画像シンセサイザ １４ ３Ｄ画像コンバータ １５ システムコントローラ
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｔ 7/00
Claims (1)
- 【請求項１】 Ｘ、Ｙ、Ｚ軸のベクトルをもつ立体画像
信号を出力する立体ビジョンカメラにおいて、 ＣＣＤ等の撮像素子と、 前記撮像素子に焦点を結ぶ光学系と、 撮像画像を随時記録、再生するメモリと、 学習機能をもつニューラルネットワークと、 各部の制御を行う制御部とを有し、 前記ニューラルネットワークが撮像画像から前記メモリ
に記録された画像データを類推することにより、Ｘ、
Ｙ、Ｚ軸のベクトルをもつ立体画像信号を出力すること
を特徴とする立体ビジョンカメラ。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6010749A JPH07222202A (ja) | 1994-02-02 | 1994-02-02 | 立体ビジョンカメラ |
| US08/382,394 US5604529A (en) | 1994-02-02 | 1995-02-01 | Three-dimensional vision camera |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6010749A JPH07222202A (ja) | 1994-02-02 | 1994-02-02 | 立体ビジョンカメラ |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH07222202A true JPH07222202A (ja) | 1995-08-18 |
Family
ID=11758967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6010749A Pending JPH07222202A (ja) | 1994-02-02 | 1994-02-02 | 立体ビジョンカメラ |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US5604529A (ja) |
| JP (1) | JPH07222202A (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040020357A (ko) * | 2002-08-30 | 2004-03-09 | 주식회사 포스코 | 다수의 카메라를 사용한 광폭의 프로파일 측정장치 및 방법 |
| US6906762B1 (en) | 1998-02-20 | 2005-06-14 | Deep Video Imaging Limited | Multi-layer display and a method for displaying images on such a display |
| US9137525B2 (en) | 2002-07-15 | 2015-09-15 | Pure Depth Limited | Multilayer video screen |
| US9721378B2 (en) | 2001-10-11 | 2017-08-01 | Pure Depth Limited | Display interposing a physical object within a three-dimensional volumetric space |
| KR20190072569A (ko) * | 2016-10-14 | 2019-06-25 | 케이엘에이-텐코 코포레이션 | 반도체 애플리케이션을 위해 구성된 심층 학습 모델을 위한 진단 시스템 및 방법 |
| JP2019528826A (ja) * | 2016-09-23 | 2019-10-17 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 画像再構成による加齢黄斑変性症を予測するための方法、実行可能プログラムを記憶するコンピュータ可読メモリ、および装置 |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6647146B1 (en) | 1997-08-05 | 2003-11-11 | Canon Kabushiki Kaisha | Image processing apparatus |
| EP0898245B1 (en) | 1997-08-05 | 2004-04-14 | Canon Kabushiki Kaisha | Image processing method and apparatus |
| EP0901105A1 (en) | 1997-08-05 | 1999-03-10 | Canon Kabushiki Kaisha | Image processing apparatus |
| US6094215A (en) * | 1998-01-06 | 2000-07-25 | Intel Corporation | Method of determining relative camera orientation position to create 3-D visual images |
| AU761950B2 (en) | 1998-04-02 | 2003-06-12 | Kewazinga Corp. | A navigable telepresence method and system utilizing an array of cameras |
| US6522325B1 (en) | 1998-04-02 | 2003-02-18 | Kewazinga Corp. | Navigable telepresence method and system utilizing an array of cameras |
| US6282650B1 (en) | 1999-01-25 | 2001-08-28 | Intel Corporation | Secure public digital watermark |
| JP4694581B2 (ja) * | 2008-01-25 | 2011-06-08 | 富士フイルム株式会社 | ファイル生成装置および方法、３次元形状再生装置および方法並びにプログラム |
| US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| WO2012078262A1 (en) * | 2010-12-06 | 2012-06-14 | Dolby Laboratories Licensing Corporation | Methods and apparatus for image adjustment for displays having 2d and 3d display modes |
| KR20200030305A (ko) | 2018-09-12 | 2020-03-20 | 삼성전자주식회사 | 영상 처리를 위한 학습 데이터 생성 방법, 영상 처리 방법, 및 그 장치들 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4978990A (en) * | 1988-10-04 | 1990-12-18 | Olympus Optical Co., Ltd. | Exposure control apparatus for camera |
| JP2761391B2 (ja) * | 1988-10-04 | 1998-06-04 | オリンパス光学工業株式会社 | 焦点検出装置 |
| US5276771A (en) * | 1991-12-27 | 1994-01-04 | R & D Associates | Rapidly converging projective neural network |
| JP3058774B2 (ja) * | 1993-01-29 | 2000-07-04 | 株式会社河合楽器製作所 | 映像合成装置及び映像合成方法 |
| US5500671A (en) * | 1994-10-25 | 1996-03-19 | At&T Corp. | Video conference system and method of providing parallax correction and a sense of presence |
-
1994
- 1994-02-02 JP JP6010749A patent/JPH07222202A/ja active Pending
-
1995
- 1995-02-01 US US08/382,394 patent/US5604529A/en not_active Expired - Lifetime
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6906762B1 (en) | 1998-02-20 | 2005-06-14 | Deep Video Imaging Limited | Multi-layer display and a method for displaying images on such a display |
| US9721378B2 (en) | 2001-10-11 | 2017-08-01 | Pure Depth Limited | Display interposing a physical object within a three-dimensional volumetric space |
| US10262450B2 (en) | 2001-10-11 | 2019-04-16 | Pure Depth Limited | Display interposing a physical object within a three-dimensional volumetric space |
| US9137525B2 (en) | 2002-07-15 | 2015-09-15 | Pure Depth Limited | Multilayer video screen |
| KR20040020357A (ko) * | 2002-08-30 | 2004-03-09 | 주식회사 포스코 | 다수의 카메라를 사용한 광폭의 프로파일 측정장치 및 방법 |
| JP2019528826A (ja) * | 2016-09-23 | 2019-10-17 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 画像再構成による加齢黄斑変性症を予測するための方法、実行可能プログラムを記憶するコンピュータ可読メモリ、および装置 |
| KR20190072569A (ko) * | 2016-10-14 | 2019-06-25 | 케이엘에이-텐코 코포레이션 | 반도체 애플리케이션을 위해 구성된 심층 학습 모델을 위한 진단 시스템 및 방법 |
| US11580398B2 (en) | 2016-10-14 | 2023-02-14 | KLA-Tenor Corp. | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
Also Published As
| Publication number | Publication date |
|---|---|
| US5604529A (en) | 1997-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH07222202A (ja) | 立体ビジョンカメラ | |
| US5424773A (en) | Apparatus and method for generating a pseudo camera position image from a plurality of video images from different camera positions using a neural network | |
| CN109993707B (zh) | 图像去噪方法和装置 | |
| US4965443A (en) | Focus detection apparatus using neural network means | |
| CN105453540B (zh) | 图像处理装置、摄像装置、图像处理方法 | |
| KR102628898B1 (ko) | 인공 지능 기반의 영상 처리 방법 및 이를 수행하는 영상 처리 장치 | |
| CN112183578A (zh) | 一种目标检测方法、介质及系统 | |
| EP2517171A1 (en) | Pixel information reproduction using neural networks | |
| CN114885112B (zh) | 基于数据融合的高帧率视频生成方法及装置 | |
| CN116157805A (zh) | 利用神经嵌入的相机图像或视频处理流水线 | |
| CN112385208A (zh) | 图像识别装置以及图像识别方法 | |
| JP7437918B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
| KR20190100833A (ko) | Hdr 이미지 생성 장치 | |
| KR20210116004A (ko) | 확률 체계 기반 충돌격자지도를 이용한 충돌 상황을 학습 및 인지하기 위한 장치 및 이를 위한 방법 | |
| KR102039164B1 (ko) | 다중 구조 인공신경망을 이용한 가상 피팅을 수행하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 | |
| TW202321991A (zh) | 稀疏影像處理 | |
| KR20210153297A (ko) | Ｃｃｔｖ 영상 기반의 적외선과 가시광선 융합 최적화 장치 | |
| JPH03276137A (ja) | 光ニューラルプロセッサ | |
| JPH0458943A (ja) | デジタル放射線画像の画像認識装置 | |
| Ling et al. | Obstacle avoidance using stereo vision and deep reinforcement learning in an animal-like robot | |
| WO2023181808A1 (ja) | 情報処理装置、情報処理方法、及び、記録媒体 | |
| JP7394542B2 (ja) | 撮像装置、通知装置、通知方法、及びプログラム | |
| WO2023119968A1 (ja) | ３次元座標算出方法及び３次元座標算出装置 | |
| JP3411847B2 (ja) | 入力機器用色再現方法及び装置、並びにこの方法のプログラムを記録した記録媒体 | |
| WO2022201973A1 (ja) | 情報処理システム及び学習モデルの生成方法 |