CN102999910A - 一种图像深度计算方法 - Google Patents

一种图像深度计算方法 Download PDF

Info

Publication number
CN102999910A
CN102999910A CN2012104902570A CN201210490257A CN102999910A CN 102999910 A CN102999910 A CN 102999910A CN 2012104902570 A CN2012104902570 A CN 2012104902570A CN 201210490257 A CN201210490257 A CN 201210490257A CN 102999910 A CN102999910 A CN 102999910A
Authority
CN
China
Prior art keywords
speckle pattern
depth information
image block
depth
block
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
Application number
CN2012104902570A
Other languages
English (en)
Other versions
CN102999910B (zh
Inventor
葛晨阳
姚慧敏
李倩敏
葛瑞龙
李伟
江豪
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.)
NINGBO YINGXIN INFORMATION SCIENCE & TECHNOLOGY CO., LTD.
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201210490257.0A priority Critical patent/CN102999910B/zh
Publication of CN102999910A publication Critical patent/CN102999910A/zh
Application granted granted Critical
Publication of CN102999910B publication Critical patent/CN102999910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供的图像深度计算方法，基于结构光的主动视觉模式，采用块匹配运动估计方法提高了匹配精度，通过激光三角法或者查找表的方式获得目标物体的高分辨深度信息，避免了复杂的深度计算公式，实现了深度信息的快速准确获取，简化了硬件结构，易于实现，有利于大规模推广。

Description

一种图像深度计算方法
技术领域
本发明属于图像处理、激光三角测距、自然交互技术领域，具体涉及一种图像深度计算方法。
 
背景技术
自然和谐的人机交互方式是人类对操控机器的理想目标，使机器能读懂人在自然状态所传递的命令。利用图像处理技术获取深度信息进行三维图像的实时识别及动作捕捉，使人能以表情、手势、体感动作等自然方式与终端进行交互成为可能。通过高精度的图像深度信息获取也是机器视觉***发展的技术难点之一。图像深度信息获取技术已逐步从游戏机外设拓展到其它智能终端，包括智能电视、智能手机、PC、平板电脑等，为用户带来“科幻”般的操控方式和全新的人机交互体验，在游戏娱乐、消费电子、医疗、教育等领域都有广泛的应用前景。
基于结构光的主动视觉模式可以较为准确地获取图像的深度信息，该模式相比双目立体摄像头，具有获取的深度图信息更稳定可靠、不受环境光影响、立体匹配过程简单、算法计算量小等优势。如微软的体感交互设备Kinect就是采用红外结构光的主动视觉模式，即通过红外激光投射固定模式的图像到物体表面，经物体表面的漫反射形成散斑点，由图像传感器采集获得散斑图像，再通过图像深度传感器芯片计算获得物体的深度信息。
上述方法虽然能准确地获得深度信息，然而其算法的实现依赖于昂贵的硬件设备，给实际应用带来困难。
 
发明内容
本发明提供一种图像深度计算方法，避免了复杂的深度计算公式，需要的硬件结构简单，可实现高分辨深度信息的实时快速获取。
为解决上述技术问题，本发明采用的技术方案是：提供一种图像深度计算方法，其特征在于，包括以下步骤：
1）采集具有已知深度信息的标准散斑图，作为基准；
2）由图像传感器采集目标物体的输入散斑图序列；
3）将所述输入散斑图序列中的各输入散斑图与标准散斑图进行匹配，生成输入散斑图中各图像块的运动向量；
4）获得输入散斑图中每一图像块的运动向量所对应的深度信息；
5）对所述输入散斑图中的所有图像块的深度信息进行组合，得到所述目标物体的深度图。
本发明提供的图像深度计算方法，基于结构光的主动视觉模式，采用块匹配运动估计方法提高了匹配精度，通过激光三角测距法或者查找表的方式获得目标物体的高分辨深度信息，避免了复杂的深度计算公式，实现了深度信息的快速准确获取，简化了硬件结构，易于实现，有利于大规模推广。
 
附图说明
图1是本发明一个实施例的激光三角测距原理示意图；
图2是本发明另一个实施例的深度计算查找表方式示意图；
图3是本发明另一个实施例的位移量与深度距离的曲线拟合方法示意图；
图4是本发明另一个实施例的块匹配运动估计示意图。
 
具体实施方式
下面结合具体实施例对本发明进行进一步的详细说明。
在一个实施例中，提供一种图像深度计算方法，包括以下步骤：
1）采集具有已知深度信息的标准散斑图，作为基准；
2）由图像传感器采集目标物体的输入散斑图序列；
3）将所述输入散斑图序列中的各输入散斑图与标准散斑图进行块匹配运动估计，生成输入散斑图中图像块的运动向量；
4）获得输入散斑图中每一图像块的运动向量所对应的深度信息；
5）对所述输入散斑图中的所有图像块的深度信息进行组合，得到所述目标物体的深度图。
其中标准散斑图的获取可以通过如下方式实现：将固定图案的激光束（红外、可见光、紫外线、不可见光）投射到与散斑投射器的中心轴（Z轴）相垂直的、且已知深度信息为                                                
Figure 2012104902570100002DEST_PATH_IMAGE001
的标准平面，由图像传感器采集平面上所形成的散斑图即为标准散斑图。输入散斑图也可以采用上述方法获取，输入散斑图中含有要测量深度信息的目标物体，其深度信息未知。
上述标准平面及目标物体需在散斑照射的有效距离范围内，并尽可能涵盖固定图案形成的整幅散斑图像。
本发明中，如未特别说明，图像块的深度d均是指该图像块所在的、与散斑投射器中心轴（Z轴）垂直的平面到散斑投射器前端的垂直距离。
优选的，在另一个实施例中，所述输入散斑图和所述标准散斑图是通过将固定图案的激光束分别投射至目标物体和深度信息已知的物体表面而获得。就该实施例而言，其仅仅用于限定一种散斑图的获得方式。
优选的，在另一个实施例中，对于所述步骤4），其特征在于：根据每一图像块的运动向量，在已知图像传感器焦距和传感器像素点点距参数的情况下，利用该运动向量结合激光三角测距方法求取深度的相对变化值，该相对变化值可正可负，该相对变化值加上标准散斑图的已知深度信息即可得到该图像块对应的深度信息。
图1是该实施例的激光三角测距原理示意图。根据每一图像块的位移量（
Figure 600077DEST_PATH_IMAGE002
，
Figure 981380DEST_PATH_IMAGE003
），在已知图像传感器焦距和传感器像素点点距参数的情况下，利用该位移量结合激光三角测距方法求取深度的相对变化值，该变化值
Figure 548256DEST_PATH_IMAGE005
可正可负，
Figure 202091DEST_PATH_IMAGE005
加上标准散斑图的已知深度信息
Figure 443848DEST_PATH_IMAGE001
即可得到该图像块对应的深度信息
Figure 892147DEST_PATH_IMAGE006
，其中：当该相对变化值为正值时，该图像块对应的深度信息大于标准散斑图的已知深度信息；当该相对变化值为负值时，该图像块对应的深度信息小于标准散斑图的已知深度信息；当该相对变化值为零时，该图像块对应的深度信息等于标准散斑图的已知深度信息。
为进一步简化深度信息的获取方式，在另一个实施例中，在上述步骤3）及步骤4）之间增加一个建立运动向量与深度信息的对应关系的查找表的步骤，利用查找表法求取输入散斑图中图像块的深度，该查找表根据标准散斑图不同位移量及其对应的深度值建立。
具体地，查找表中水平位移量
Figure 750512DEST_PATH_IMAGE002
或垂直位移量与深度
Figure 942459DEST_PATH_IMAGE006
的对应关系可由以下方法获得：由多个不同深度距离
Figure 22411DEST_PATH_IMAGE007
（如
Figure 923502DEST_PATH_IMAGE008
）的标准散斑图两两进行块匹配运动估计，得到不同标准散斑图之间的位移量，如水平位移量
Figure DEST_PATH_IMAGE009
或垂直位移量
Figure 800322DEST_PATH_IMAGE010
；经曲线拟合方法可得到水平位移量
Figure 61539DEST_PATH_IMAGE002
或垂直位移量
Figure 12309DEST_PATH_IMAGE003
与物体深度距离的关系；依据该曲线方程即可生成任意水平位移量
Figure 619057DEST_PATH_IMAGE002
或任意垂直位移量
Figure 903538DEST_PATH_IMAGE003
与深度距离对应的查找表。根据该查找表可获得任意水平位移量
Figure 184664DEST_PATH_IMAGE002
或垂直位移量
Figure 985478DEST_PATH_IMAGE003
所对应的该图像块的深度信息
Figure 57340DEST_PATH_IMAGE007
。图2是本实施例深度计算查找表方式的示意图。
经对输入散斑图所有图像块的深度进行查找并组合，即可得到该输入散斑图所对应的深度图。
优选地，深度图用灰度图来表示，比如灰度值越大表示越近，即
Figure 497548DEST_PATH_IMAGE006
值约小；灰度值越小表示越远、即值越大。也可采用相反方式用灰度图来表示深度图。
也就是说，本发明实现了查找表方式求取深度
Figure 905844DEST_PATH_IMAGE006
，例如：在具体实施中，将水平位移量
Figure 532129DEST_PATH_IMAGE002
或垂直位移量作为查找表的输入值，得到输出值深度
Figure 395228DEST_PATH_IMAGE006
，从而避免了复杂的深度计算公式，实现了硬件结构的简化和硬件资源的节省。
进一步地，在另一个实施例中，提供一种位移量与深度信息之间关系的曲线拟合方法（参见图3），以水平位移量
Figure 158916DEST_PATH_IMAGE002
为例，在散斑投射器的有效范围内，将经散斑投射器投射散斑图案到与散斑投射器中心轴（Z轴）相垂直、且一定的深度距离
Figure DEST_PATH_IMAGE011
的平面上，通过选取一组相互平行且间距相等的平面，经图像传感器采集获得对应的一组不同深度距离的标准散斑图，然后对相邻的标准散斑图两两之间进行块匹配运动估计，获取一组水平位移量
Figure 651208DEST_PATH_IMAGE012
，由公式
Figure DEST_PATH_IMAGE013
变换，从而得到一组深度距离跟水平位移量的数据对
Figure 879059DEST_PATH_IMAGE014
…
Figure 883924DEST_PATH_IMAGE015
…，用一类与数据对相适应的解析表达式来反映水平位移量
Figure 352262DEST_PATH_IMAGE002
与深度距离的依赖关系。本实例中
Figure 16910DEST_PATH_IMAGE002
与
Figure 654390DEST_PATH_IMAGE007
是非线性关系，式中待定参数用一定的衡量拟合优度的标准（如最小二乘法）计算得到。表达式
Figure 409037DEST_PATH_IMAGE016
确定后，就可得到任意水平位移量
Figure 37595DEST_PATH_IMAGE002
下对应的深度距离
Figure 981281DEST_PATH_IMAGE007
，由此可生成查找表。
在本发明所提出的计算方法中，输入散斑图的运动向量（用水平位移量
Figure 291170DEST_PATH_IMAGE002
和垂直位移量表示）的精度直接关系到深度距离
Figure 521480DEST_PATH_IMAGE007
的精度。
最佳地，在如下实施例中，提供一个可获取高分辨获取输入散斑图运动向量的块匹配运动估计方法。
具体包括以下步骤：在输入散斑图中提取大小为（）的图像块
Figure 597201DEST_PATH_IMAGE019
；在标准散斑图中，以图像块
Figure 446339DEST_PATH_IMAGE019
所对应位置为中心、大小为（
Figure 869230DEST_PATH_IMAGE020
）的搜索窗
Figure 69399DEST_PATH_IMAGE021
内，按搜索策略和相似度测量指标来寻找该图像块的最优的匹配块，其中，M、N、n、m都是整数，且M>m、N>n，从而获得该图像块的位移量（，
Figure 923271DEST_PATH_IMAGE003
），即运动向量。
优选地，搜索窗内匹配块的搜索策略是先按水平方向移动块、再在垂直方向增加行数，逐个匹配块进行搜索，其匹配插值精度可达到子像素级。
在本实施例中，输入散斑图序列中的散斑图案可认为是由标准散斑图的散斑图案经缩放、平移等操作得到，求取对应散斑图像块的运动向量（即位移量），结合查找表即可获得该散斑图像块的深度信息。
该块匹配运动估计方法不同于传统的块匹配算法。在匹配过程中，传统的运动估计匹配算法其匹配块的步长等于匹配块的大小，从输入散斑图中提取的图像块的步长
Figure 673369DEST_PATH_IMAGE022
也可小于匹配块的大小，经块匹配求取的运动向量只代表了运动块中心区域、步长
Figure 643600DEST_PATH_IMAGE022
范围内像素点（图2中的阴影区域）的运动向量，以此方法可取得运动向量的准确率和细小物体运动向量误匹配现象的折衷。
虽然上述的实施例在特定的装置***中完成，然其并非限定本发明，本领域技术人员很容易想到，将上述类似的方法应用到相似的图案投射或其他图像深度计算***中。因而在不脱离本发明的精神和范围内的修改和完善，均应包含在上述的权利要求范围内。

Claims (9)

1.一种图像深度计算方法，其特征在于，包括以下步骤：
1）采集具有已知深度信息的标准散斑图，作为基准；
2）由图像传感器采集目标物体的输入散斑图序列；
3）将所述输入散斑图序列中的各输入散斑图与标准散斑图进行块匹配运动估计，生成输入散斑图中图像块的运动向量；
4）获得输入散斑图中每一图像块的运动向量所对应的深度信息；
5）对所述输入散斑图中的所有图像块的深度信息进行组合，得到所述目标物体的深度图。
2. 如权利要求1所述的方法，其中，所述输入散斑图和所述标准散斑图是通过将固定图案的激光束分别投射至目标物体和深度信息已知的物体表面而获得。
3. 如权利要求1所述的方法，对于所述步骤4），其特征在于：根据每一图像块的运动向量，在已知图像传感器焦距和传感器像素点点距参数的情况下，利用该运动向量结合激光三角测距方法求取深度的相对变化值，该相对变化值加上标准散斑图的已知深度信息即可得到该图像块对应的深度信息，其中：当该相对变化值为正值时，该图像块对应的深度信息大于标准散斑图的已知深度信息；当该相对变化值为负值时，该图像块对应的深度信息小于标准散斑图的已知深度信息；当该相对变化值为零时，该图像块对应的深度信息等于标准散斑图的已知深度信息。
4. 如权利要求1所述的方法，其特征在于：步骤3）和步骤4）之间还有一个建立运动向量与深度信息之间对应关系的查找表的步骤，所述图像块的深度信息通过查找表法求取。
5. 如权利要求4所述的方法，其特征在于：所述查找表根据标准散斑图的不同位移量及其对应的深度信息建立。
6.如权利要求4～5任一项所述的方法，其特征在于：所述查找表由以下方法建立：将多个具有不同深度信息的标准散斑图两两进行块匹配运动估计，得到不同深度信息所对应的标准散斑图之间的位移量；经曲线拟合，计算水平位移量                                                
Figure 777496DEST_PATH_IMAGE001
或垂直位移量
Figure 558501DEST_PATH_IMAGE002
与其对应的深度信息
Figure 716950DEST_PATH_IMAGE003
的曲线方程；依据该曲线方程建立任意水平位移量
Figure 976024DEST_PATH_IMAGE001
或任意垂直位移量与深度信息
Figure 855435DEST_PATH_IMAGE003
对应的查找表。
7. 如权利要求1～5任一项所述的方法，其中，所述块匹配运动估计包括如下步骤：在输入散斑图中提取大小为（
Figure 235601DEST_PATH_IMAGE004
）的图像块
Figure 298366DEST_PATH_IMAGE005
；在标准散斑图中，以图像块
Figure 345957DEST_PATH_IMAGE005
所对应位置为中心、大小为（
Figure 999923DEST_PATH_IMAGE006
）的搜索窗
Figure 132964DEST_PATH_IMAGE007
内，按搜索策略和相似度测量指标来寻找该图像块对应的最优匹配块，其中，M、N、n、m都是整数，且M>m、N>n，从而获得该图像块与其匹配块之间的位移量（
Figure 530578DEST_PATH_IMAGE001
，
Figure 167096DEST_PATH_IMAGE002
），即该图像块的运动向量。
8. 如权利要求7所述的方法，其中所述搜索策略为：先按水平方向移动块、再在垂直方向增加行数，逐个匹配块进行搜索。
9. 如权利要求7或8所述的方法，其特征在于：从输入散斑图中提取的图像块的步长小于其对应的匹配块的大小。
CN201210490257.0A 2012-11-27 2012-11-27 一种图像深度计算方法 Active CN102999910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210490257.0A CN102999910B (zh) 2012-11-27 2012-11-27 一种图像深度计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210490257.0A CN102999910B (zh) 2012-11-27 2012-11-27 一种图像深度计算方法

Publications (2)

Publication Number Publication Date
CN102999910A true CN102999910A (zh) 2013-03-27
CN102999910B CN102999910B (zh) 2015-07-22

Family

ID=47928444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210490257.0A Active CN102999910B (zh) 2012-11-27 2012-11-27 一种图像深度计算方法

Country Status (1)

Country Link
CN (1) CN102999910B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810708A (zh) * 2014-02-13 2014-05-21 西安交通大学 一种激光散斑图像深度感知方法及装置
CN103824318A (zh) * 2014-02-13 2014-05-28 西安交通大学 一种多摄像头阵列的深度感知方法
CN103839258A (zh) * 2014-02-13 2014-06-04 西安交通大学 一种二值化激光散斑图像的深度感知方法
CN104537657A (zh) * 2014-12-23 2015-04-22 西安交通大学 一种搜索并行gpu加速的激光散斑图像深度感知方法
CN104691416A (zh) * 2013-12-10 2015-06-10 通用汽车环球科技运作有限责任公司 使用全息技术的车辆的距离确定***
CN104952074A (zh) * 2015-06-16 2015-09-30 宁波盈芯信息科技有限公司 一种深度感知计算的存储控制方法及装置
CN105306922A (zh) * 2014-07-14 2016-02-03 联想(北京)有限公司 一种深度相机参考图的获取方法和装置
CN105844623A (zh) * 2016-03-21 2016-08-10 西安电子科技大学 基于De序列混合编码的目标物体深度信息获取方法
CN106254738A (zh) * 2016-08-24 2016-12-21 深圳奥比中光科技有限公司 双图像采集***及图像采集方法
CN106331453A (zh) * 2016-08-24 2017-01-11 深圳奥比中光科技有限公司 多图像采集***及图像采集方法
CN108474652A (zh) * 2016-01-04 2018-08-31 高通股份有限公司 在结构化光***中的深度映射产生
CN108955641A (zh) * 2018-04-23 2018-12-07 维沃移动通信有限公司 一种深度摄像方法、深度摄像设备及移动终端
CN109615652A (zh) * 2018-10-23 2019-04-12 西安交通大学 一种深度信息获取方法及装置
CN109870126A (zh) * 2017-12-05 2019-06-11 宁波盈芯信息科技有限公司 一种面积计算方法以及一种能够进行面积计算的手机
CN109903328A (zh) * 2017-12-11 2019-06-18 宁波盈芯信息科技有限公司 一种应用于智能手机的物体体积测量的装置及方法
CN112926367A (zh) * 2019-12-06 2021-06-08 杭州海康威视数字技术股份有限公司 一种活体检测的设备及方法
CN113720275A (zh) * 2021-08-11 2021-11-30 江西联创电子有限公司 三维形貌的测量方法、测量***及建立深度信息标定表的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101501442A (zh) * 2006-03-14 2009-08-05 普莱姆传感有限公司 三维传感的深度变化光场
CN102710951A (zh) * 2012-05-09 2012-10-03 天津大学 基于散斑结构光深度相机的多视点计算成像方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101501442A (zh) * 2006-03-14 2009-08-05 普莱姆传感有限公司 三维传感的深度变化光场
CN102710951A (zh) * 2012-05-09 2012-10-03 天津大学 基于散斑结构光深度相机的多视点计算成像方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIAN CHEN ET AL: "A New Block-Matching Based Approach for Automatic 2D to 3D Conversion", 《2012 4TH INTERNATIONAL CONFERENCE ON COMPUTER ENGINEERING AND TECHNOLOGY》 *
宋诗超 等: "基于Kinect的三维人体扫描、重建及测量技术的研究", 《天津工业大学学报》 *
邹小平 等: "激光片光三维传感中提高深度分辨率的方法", 《激光技术》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104691416A (zh) * 2013-12-10 2015-06-10 通用汽车环球科技运作有限责任公司 使用全息技术的车辆的距离确定***
CN103824318B (zh) * 2014-02-13 2016-11-23 西安交通大学 一种多摄像头阵列的深度感知方法
CN103824318A (zh) * 2014-02-13 2014-05-28 西安交通大学 一种多摄像头阵列的深度感知方法
CN103839258A (zh) * 2014-02-13 2014-06-04 西安交通大学 一种二值化激光散斑图像的深度感知方法
CN103810708A (zh) * 2014-02-13 2014-05-21 西安交通大学 一种激光散斑图像深度感知方法及装置
CN103810708B (zh) * 2014-02-13 2016-11-02 西安交通大学 一种激光散斑图像深度感知方法及装置
CN105306922B (zh) * 2014-07-14 2017-09-29 联想(北京)有限公司 一种深度相机参考图的获取方法和装置
CN105306922A (zh) * 2014-07-14 2016-02-03 联想(北京)有限公司 一种深度相机参考图的获取方法和装置
CN104537657A (zh) * 2014-12-23 2015-04-22 西安交通大学 一种搜索并行gpu加速的激光散斑图像深度感知方法
CN104952074B (zh) * 2015-06-16 2017-09-12 宁波盈芯信息科技有限公司 一种深度感知计算的存储控制方法及装置
CN104952074A (zh) * 2015-06-16 2015-09-30 宁波盈芯信息科技有限公司 一种深度感知计算的存储控制方法及装置
US11057608B2 (en) 2016-01-04 2021-07-06 Qualcomm Incorporated Depth map generation in structured light system
CN108474652A (zh) * 2016-01-04 2018-08-31 高通股份有限公司 在结构化光***中的深度映射产生
CN105844623A (zh) * 2016-03-21 2016-08-10 西安电子科技大学 基于De序列混合编码的目标物体深度信息获取方法
CN106331453A (zh) * 2016-08-24 2017-01-11 深圳奥比中光科技有限公司 多图像采集***及图像采集方法
CN106254738A (zh) * 2016-08-24 2016-12-21 深圳奥比中光科技有限公司 双图像采集***及图像采集方法
CN109870126A (zh) * 2017-12-05 2019-06-11 宁波盈芯信息科技有限公司 一种面积计算方法以及一种能够进行面积计算的手机
CN109903328A (zh) * 2017-12-11 2019-06-18 宁波盈芯信息科技有限公司 一种应用于智能手机的物体体积测量的装置及方法
CN109903328B (zh) * 2017-12-11 2021-12-21 宁波盈芯信息科技有限公司 一种应用于智能手机的物体体积测量的装置及方法
CN108955641A (zh) * 2018-04-23 2018-12-07 维沃移动通信有限公司 一种深度摄像方法、深度摄像设备及移动终端
CN108955641B (zh) * 2018-04-23 2020-11-17 维沃移动通信有限公司 一种深度摄像方法、深度摄像设备及移动终端
CN109615652A (zh) * 2018-10-23 2019-04-12 西安交通大学 一种深度信息获取方法及装置
CN109615652B (zh) * 2018-10-23 2020-10-27 西安交通大学 一种深度信息获取方法及装置
CN112926367A (zh) * 2019-12-06 2021-06-08 杭州海康威视数字技术股份有限公司 一种活体检测的设备及方法
CN113720275A (zh) * 2021-08-11 2021-11-30 江西联创电子有限公司 三维形貌的测量方法、测量***及建立深度信息标定表的方法

Also Published As

Publication number Publication date
CN102999910B (zh) 2015-07-22

Similar Documents

Publication Publication Date Title
CN102999910B (zh) 一种图像深度计算方法
CN102970548B (zh) 一种图像深度感知装置
US10518414B1 (en) Navigation method, navigation system, movement control system and mobile robot
CN106780618B (zh) 基于异构深度摄像机的三维信息获取方法及其装置
CN109993793B (zh) 视觉定位方法及装置
US9432593B2 (en) Target object information acquisition method and electronic device
CN103424112B (zh) 一种基于激光平面辅助的运动载体视觉导航方法
CN104463108A (zh) 一种单目实时目标识别及位姿测量方法
CN103824318A (zh) 一种多摄像头阵列的深度感知方法
CN103020988B (zh) 一种激光散斑图像的运动向量生成方法
CN103839258A (zh) 一种二值化激光散斑图像的深度感知方法
CN103796004A (zh) 一种主动结构光的双目深度感知方法
CN104034269B (zh) 一种单目视觉测量方法与装置
CN104317391A (zh) 一种基于立体视觉的三维手掌姿态识别交互方法和***
CN112509057B (zh) 相机外参标定方法、装置、电子设备以及计算机可读介质
CN103810708A (zh) 一种激光散斑图像深度感知方法及装置
CN102519434A (zh) 一种用于立体视觉三维恢复数据精度测量的试验验证方法
CN102221331A (zh) 一种基于不对称双目立体视觉技术的测量方法
CN103778643A (zh) 一种实时生成目标深度信息的方法及其装置
CN105277144A (zh) 基于双目视觉的土地面积快速检测方法及其检测装置
Beltran et al. A comparison between active and passive 3d vision sensors: Bumblebeexb3 and Microsoft Kinect
CN102621143B (zh) 基于多维阈值约束的双视角多气泡同名匹配方法
CN101777182B (zh) 坐标循环逼进式正交摄像机***视频定位方法及***
CN101794444B (zh) 坐标循环逼进式对偶型正交摄像机***视频定位方法及***
Duan et al. Depth camera in human-computer interaction: An overview

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
ASS Succession or assignment of patent right

Owner name: NINGBO YINGXIN INFORMATION SCIENCE + TECHNOLOGY CO

Free format text: FORMER OWNER: XI AN JIAOTONG UNIV.

Effective date: 20150121

C41 Transfer of patent application or patent right or utility model
COR Change of bibliographic data

Free format text: CORRECT: ADDRESS; FROM: 710049 XI AN, SHAANXI PROVINCE TO: 315199

TA01 Transfer of patent application right

Effective date of registration: 20150121

Address after: 315199 room 298, No. 412, bachelor Road, Ningbo, Zhejiang, Yinzhou District

Applicant after: NINGBO YINGXIN INFORMATION SCIENCE & TECHNOLOGY CO., LTD.

Address before: Beilin District Xianning West Road 710049, Shaanxi city of Xi'an province No. 28

Applicant before: Xi'an Jiaotong University

C14 Grant of patent or utility model
GR01 Patent grant