CN104008366A - 一种3d生物智能识别方法及*** - Google Patents
一种3d生物智能识别方法及*** Download PDFInfo
- Publication number
- CN104008366A CN104008366A CN201410154911.XA CN201410154911A CN104008366A CN 104008366 A CN104008366 A CN 104008366A CN 201410154911 A CN201410154911 A CN 201410154911A CN 104008366 A CN104008366 A CN 104008366A
- Authority
- CN
- China
- Prior art keywords
- biology
- unit
- identified
- photo
- biological
- 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
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
一种3D生物智能识别方法及***,方法包括:S1:训练得到生物标样三维图像数据库;S2:获取待识别生物的三维图像;S3:将待识别生物的三维图像与生物标样三维图像数据库进行比较识别,判断相似度是否达到预定阈值,若是,则执行S4;否则,跳转S2;S4:对三维图像进行标识并输出。***包括三维扫描装置,与三维扫描装置相连的控制装置、与控制装置分别相连的照射装置、摄像装置、位置检测单元扫描区域确定单元。本发明通过获取待识别生物的三维图像与生物标样三维图像数据库进行比较识别,判断其是否达到预定阈值,并对其进行标识并输出,整个过程完全全自动操作,实现了待识别生物全自动的智能识别,识别效率和配准精度均显著提高。
Description
技术领域
本发明涉及三维扫描技术领域,尤其涉及一种3D生物智能识别方法及***。
背景技术
三维扫描是集光、机、电和计算机技术于一体的高新技术,主要用于对物体空间外形、结构及色彩进行扫描,以获得物体表面的空间坐标。将物体的立体空间信息转换为计算机能直接处理的数字信号,为物体数字化提供了相当方便快捷的手段。
常用的三维扫描设备根据不同的传感方式,分为接触式和非接触式两种。接触式的采用探测头直接接触物体表面,通过探测头反馈回来的光电信号转换为数字面形信息,从而实现对物体面形的扫描和测量,主要以三坐标测量机为代表。接触式测量具有较高的准确性和可靠性,配合测量软件,可快速准确地测量出物体的基本几何形状,如面、圆、圆柱、圆锥、圆球等,其缺点是测量费用较高、探头易磨损、测量速度慢,检测一些内部元件有先天的限制。故欲求得物体真实外形则需要对探头半径进行补偿,因此可能会导致修正误差的问题;接触探头在测量时,接触探头的力将使探头尖端部分与被测物体之间发生局部变形而影响测量值的实际读数;由于探头触发机构的惯性及时间延迟而使探头产生超越现象,趋近速度会产生动态误差。
非接触的光电方法对曲面的三维形貌进行快速测量已成为大趋势,非接触式测量不仅避免了接触测量中需要对测头半径加以补偿所带来的麻烦,而且可以实现对各类表面进行高速三维扫描。目前,非接触式三维扫描仪很多,根据传感方法不同,常用的有基于激光扫描测量、结构光扫描测量和工业CT等,分别代表市面上主流的三维激光扫描仪、照相式三维扫描仪和CT断层扫描仪等。采用非接触式三维扫描仪因其无直接接触,对物体表面不会有损伤,相比接触式具有速度快、容易操作等特点,三维激光扫描仪可以达到5000-10000点/秒的速度,而照相式三维扫描仪则采用面光,速度更是达到几秒钟百万个测量点,应用于实时扫描,工业检测具有很好的优势。
光电方法三维图像的测量研究日益受到人们的重视,但依然存在机械结构复杂,测量范围受到机械装置大小限制,以及逐点测量使得速度慢等不足。同时光电方法测量三维面形受到物体表面特性(如高度突变、阴影和反射率不足)不均匀等影响,导致光信号处理困难。
发明内容
本发明要解决的技术问题在于,针对现有技术的三维扫描结构复杂、测量范围受限、速度慢等缺陷,提供一种3D生物智能识别方法及***。
本发明解决其技术问题所采用的技术方案是:
根据本发明的一方面,提供一种3D生物智能识别方法,具体包括以下步骤:
S1:训练得到生物标样三维图像数据库,生物标样三维图像为生物的包含三维数据的三维图像,该三维数据为预定数量n个特征值(x,y,z);
S2:获取待识别生物的包含三维数据的生物三维图像;
S3:将待识别生物的三维图像与生物标样三维图像数据库进行比较识别,判断相似度是否达到预定阈值,若是,则执行步骤S4;否则,跳转步骤S2;
S4:对达到预定阈值的待识别生物的三维图像进行标识并输出。
优选的,获取包含三维数据的三维图像的步骤为:
S11:利用至少两个摄像头或3D摄像头拍摄生物的至少两组预定数量n幅照片;其中,生物包含预定数量n个特征点,每幅照片的特征点均不同,每个特征点对应不同的特征值(x,y,z);
S12:获取至少两组每幅照片的三维数据;
S13:将至少两组每幅照片的三维数据配准和融合为生物的三维图像。
优选的,特征值(x,y,z)中的z值是通过小角度差频法来计算的。
优选的,所述获取至少两组每幅所述照片的三维数据还可为:
S121:直接获取至少两组每幅所述照片的特征点的特征值(x,y);
S122:根据至少两组照片的特征点的特征值(x,y),在标准库中找到最匹配最接近的z0值;
S123:将获取的特征值(x,y)与标准库中的z0值组合为三维数据。
根据本发明的另一方面,提供一种3D生物智能识别***,包括用于获取待识别生物的三维数据的三维扫描装置,以及与三维扫描装置相连用于对三维数据进行配准和融合得到待识别生物的三维图像的控制装置,以及与控制装置分别相连的照射装置、摄像装置、位置检测单元和扫描区域确定单元;其中,
照射装置,用于基于控制装置发出的控制信号向待识别生物发射隙状光束;
摄像装置,用于顺序拍摄隙状光束照射待识别生物的照片;
位置检测单元,用于通过扫描摄像装置拍摄的照片来检测照片中隙状光束的位置;
扫描区域确定单元,用于基于在作为待识别生物的照片之前摄像装置拍摄的照片中的隙状光束的位置确定位置检测单元在作为待识别生物的照片中的扫描区域。
优选的,控制装置包括:完整扫描数据获取单元和三维模型获取单元;其中,
完整扫描数据获取单元,用于对至少两组三维数据进行配准和融合,得到待识别生物的侧面、顶部和底部的完整扫描数据;
三维模型获取单元,与完整扫描数据获取单元相连用于对待识别生物的侧面、顶部和底部的完整扫描数据进行配准和融合,得到待识别生物的三维图像。
优选的,照射装置包括:发光单元和反射镜;其中,
发光单元,用于基于控制装置发出的第一控制信号向反射镜的反射面发出隙状光束;第一控制信号为控制发光单元是否发出隙状光束的信号;
反射镜,用于基于控制装置发出的第二控制信号来控制反射镜的反射面的旋转且反射隙状光束至待识别生物;第二控制信号为控制反射镜的反射面的旋转角度的信号。
优选的,控制装置还包括:照射控制单元、图像信息获取单元和形状测量单元;其中,
照射控制单元,用于向发光单元发出所述第一控制信号以及向反射镜发出第二控制信号;
图像信息获取单元,用于从摄像装置拍摄的与扫描区域确定单元输入的扫描区域相对应的光电检测中,选择性地读出并且获得关于像素亮度的信息作为图像信息;
形状测量单元,用于测量待识别生物的三维形状的信息作为形状信息。
优选的,位置检测单元,还用于扫描在扫描区域确定单元确定的扫描区域中的像素并检测像素亮度超过预设阈值且最亮的像素在照片中的位置,并将位置作为照片中的光束位置信息。
本发明上述技术方案中的一个技术方案具有如下优点或有益效果:本发明通过获取待识别生物的三维图像与生物标样三维图像数据库进行比较识别,进而判断其是否达到预定阈值,并对达到预定阈值的三维图像进行标识并输出。整个过程完全全自动的操作,无需人为参与,实现了待识别生物全自动的智能识别,识别效率和配准精度均显著提高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见,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,附图中:
图1是本发明3D生物智能识别方法实施例的流程示意图;
图2是本发明3D生物智能识别***实施例一的结构示意图;
图3是本发明3D生物智能识别***实施例二的结构示意图;
图4是本发明3D生物智能识别***实施例的摄像***的示意图。
图5是本发明采用CCD摄像机的3D生物智能识别***的应用示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下文将要描述的各种实施例将要参考相应的附图,这些附图构成了实施例的一部分,其中描述了实现本发明可能采用的各种实施例。应明白,还可使用其他的实施例,或者对本文列举的实施例进行结构和功能上的修改,而不会脱离本发明的范围和实质。
本发明3D生物智能识别方法实施例,如图1所示,包括以下步骤:
S1:训练得到生物标样三维图像数据库,生物标样三维图像为生物的包含三维数据的三维图像;其中,三维数据为预定数量n个特征值(x,y,z);
其中,包含三维数据的生物三维图像获取有以下两种方式:
第一种方式为采用至少两个摄像头或3D摄像头的,具体步骤为:
S11:利用至少两个摄像头或3D摄像头拍摄生物的至少两组预定数量n幅照片;
S12:获取至少两组每幅照片的三维数据;
S13:将至少两组每幅照片的三维数据配准和融合为生物的三维图像。
在本实施例中,步骤S12中的z值可通过小角度差频法直接计算出来,同时,也可通过以下方法来获取:
S121:直接获取至少两组每幅照片的特征点的特征值(x,y);
S122:根据至少两组照片的特征点的特征值(x,y),在标准库中找到最匹配最接近的z0值;
S123:将获取的特征值(x,y)与标准库中的z0值组合为三维数据。
具体地,通过直接从照片中获得特征值(x,y)为特征点的坐标值,然后利用小角度差频法或其他方法计算特征值z,进一步的,根据每幅照片的特征点的特征值(x,y),在标准库中找到最匹配最接近的z0值,将获取的特征值(x,y)与标准库中的z0值组合为三维数据;并与预定阈值(例如95%或98%)进行比较,如果高于预定阈值,则用标准库的z0,如果低于预定阈值,则采用实际的z值形成三维数据。
每个生物都预先设置预定数量n个特征点,每幅照片的特征点均不同,每个特征点对应不同的特征值(x,y,z);为了方便建立三维图像,预定数量n个特征点分布于照片的多个区域,区域为将照片划分为上部区域、中部区域和下部区域。而预定数量n个特征点可以在上述三个区域中,可以是较均匀分布也可以是某个区域分配多些。
第二种方式为采用单摄像头,具体步骤为:
S11’:拍摄生物的预定数量n幅生物照片,获取每幅照片的特征点的特征数据为该幅照片的特征值(x,y);特征值(x,y)为特征点的坐标值,该特定点的坐标值可直接从照片中获得;
S12’:根据拍摄的照片,在标准库中找到最匹配最接近的z值,作为特征点的特征值z;其中,标准库包含各种典型的生物模型,主要有不同样式或模式化的z值,找到最匹配最接近的z值,作为该特征点的特征z值,从而得到完整的n个特征点的特征值(x,y,z);标准库中的z值确定为:通过采样(如100,甚至更多),通过概率法,获取相似的生物,测得其z值,取平均得到这类生物中的平均z值,作为标准库的z值。
S13’:将每幅照片的三维数据配准和融合为生物的三维图像。
S2:获取待识别生物的包含三维数据的生物三维图像;具体获取方式与步骤S1相同。
S3:将S2中的生物的三维图像与生物标样三维图像数据库进行比较识别,判断相似度是否达到预定阈值,若是,则进行步骤S4;否则,跳转步骤S2;其中,预定阈值为95%,甚至可以设为98%。
S4:对达到预定阈值的生物的三维图像进行标识并输出。
为了更清楚描述本发明3D生物智能识别方法,下面以具体人脸识别为案例进行详细说明。扫描人脸以上三个区域,在这三个区域中找到64个特征点,可以是较均匀分布也可以是某个区域分配多些。以下取64个点为例,也可以是更多或少的点,并采用单摄像头,具体步骤为:
(1)训练得到生物标样三维图像数据库
A、先用摄像头拍摄人脸的64幅照片,每幅照片中记录或获得一个特征点的特征数据,共64个特征点,64幅照片,64个特征点的特征值(x,y,z),其中x,y坐标值可以直接从照片中获得;
B、z坐标值通过模拟近似获得:根据拍摄的各照片,在标准库(含有各种典型的人脸模型,主要有不同样式或模式化的z值)找到最匹配最接近的z值,作为该特征点的特征值z,从而得到完整的64个点的特征值(x,y,z);
C、将64个特征点的特征值(x,y,z)组合成人脸的生物标样三维图像,并存储于生物标样三维图像数据库。
(2)利用摄像头拍摄人脸的包含三维数据的人脸三维图像。即在应用识别时,同样按照上述步骤获取实际人脸的64个特征点的特征值(x,y,z)。
A、先用摄像头拍摄人脸的64幅照片,每幅照片中记录或获得一个特征点的特征数据,共64个特征点,64幅照片,64个特征点的特征值(x,y,z),其中x,y坐标值可以直接从照片中获得;
B、z坐标值通过模拟近似获得:根据拍摄的各照片,在标准库(含有各种典型的人脸模型,主要有不同样式或模式化的z值)找到最匹配最接近的z值,作为该特征点的特征值z,从而得到完整的64个点的特征值(x,y,z);
C、将64个特征点的特征值(x,y,z)组合成人脸的三维图像。
(3)将获取的三维图像与生物标样三维图像数据库进行比较识别,判断相似度是否达到预定阈值,若否,则返回步骤(2)重新拍摄人脸图像;若是,则对达到预定阈值的三维图像进行标识并输出。
根据对生物表面光谱成像模型的分析,总结了近红外和可见光生物局部差异的类型。以此为基础,提出了“滤波-局部模式编码-特征提取-特征选择”的流程来获得近红外和可见光生物不变的且有判别能力的特征。其中,提出了两种图像局部模式,分别为边缘模式和局部隐含边缘模式。最后在近红外和可见光生物交叉识别的实验中显示了算法的有效性。
(1)基于可见光图像模板匹配的目标识别算法,计算量小、易于并行实现,在VTS-642 DSP***上处理一帧实时图像仅耗时10ms。
如图2所示,基于可见光图像模板匹配的相关匹配算法分为二步,首先,利用可见光图像制备目标的参考模板,将制备的参考模板进行一值化生成一值化参考图像;然后对实时图像进行降分辨率、同质变换、OSTI聚类等预处理;然后利用结构模板在处理后的实时图中遍历搜索,寻找参考图像与实时图像的相关性,取相关性最强的地方作为日标区进行定位。
(2)改进了基于特征的弹性图匹配生物识别算法,该改进算法识别率高、实时性好
针对传统生物识别弹性图匹配算法空间复杂度高、实时性较差的问题,提出一种弹性图匹配改进算法,将生物图片特征点经Gabor小波预处理后,结合主成分分析(PCA)和Fisher线性判别方法(PLD)对生成的特征矢量进行处理,降低维数,减少计算量,同时在不降低识别率的前提下,提高识别速度。与传统的PCA算法、FLD算法、EGM算法进行仿真比较,证明该改进算法识别率高、实时性好。
(3)改进3D生物形变模型的建模方程,提高识别精度
在生物识别技术中,由于单一的2D图像不能提供识别所需要的完整信息,所以识别精度难以提高、在生物识别过程中,特征提取是影响识别效果的一个重要环节,本发明在传统的主成分分析法和由此改进的2DPCA方法的基础上提出了3D生物识别方法,该方法将生物图像分为三个区域分别进行特征提取,充分考虑每个部分所包含的特征信息量的多少,在分类时赋予它们不同的权值,因此将生物用立体图像来表示进行识别,在国内居于领先水平。
本发明3D生物智能识别方法,经过实际测试,精确做到实际生物左右歪斜15角以内照样可以识别出,使用时将实际生物通过摄像头拍摄后得到相关数据与采样得到的数据库比较,看重叠程度,本发明做到吻合达到95%,甚至98%。
本发明3D生物智能识别***的实施例,如图3所示,3D生物智能识别***,包括用于获取待识别生物的至少两组三维数据的三维扫描装置6,与三维扫描装置6相连用于对至少两组三维数据进行配准和融合得到待识别生物的三维图像的控制装置5,以及与控制装置5分别相连的照射装置1、摄像装置2、位置检测单元3、扫描区域确定单元4和存储单元7。
照射装置1,用于基于控制装置5发出的控制信号向待识别生物发射隙状光束,当待识别生物改变摄像位置时,照射装置1会相对于待识别生物改变摄像位置的同时发射隙状光束;摄像装置2,用于顺序拍摄隙状光束照射待识别生物的照片;位置检测单元3,用于通过扫描摄像装置2拍摄的照片来检测照片中隙状光束的位置;扫描区域确定单元4,用于基于在作为待识别生物的照片之前摄像装置2拍摄的照片中的隙状光束的位置,确定位置检测单元3在作为待识别生物的照片中的扫描区域。存储单元7用于存储图像信息、光束位置信息、形状信息等。图像信息是表示由摄像装置2拍摄的图像的信息,光束位置信息是表示由摄像装置2拍摄的各图像中的光束位置的信息,形状信息,是表示由3D生物智能识别***测量的待识别生物的三维形状的信息。
其中,位置检测单元3还用于基于从存储单元7读出的图像信息,检测由摄像装置2顺序拍摄的各个照片中的光束位置,具体地,位置检测单元3扫描由扫描区域确定单元4确定的扫描区域中的像素,接着,位置检测单元3检测在所扫描的像素中亮度超过预定阈值的像素中的最亮像素在图像中的位置,作为照片的光束位置,向形状测量单元55输出检测结果并存储于存储单元7中作为光束位置信息。
本发明3D生物智能识别***实施例,如图4所示,照射装置1包括发光单元11和反射镜12;其中,发光单元11,用于基于控制装置5发出的第一控制信号向反射镜12的反射面发出隙状光束;第一控制信号为控制发光单元11是否发出隙状光束的信号;反射镜12,用于基于控制装置5发出的第二控制信号来控制反射镜12的反射面的旋转且反射隙状光束至待识别生物;第二控制信号为控制反射镜12的反射面的旋转角度的信号。其中,反射镜12是这样的反射板:通过基于从控制单元5发出的控制信号来控制反射面的旋转,发射从发光单元11发射的光束,使得在平台和待识别生物上的照射位置从X轴的负方向向正方向移动。
具体地,3D生物智能识别***在通过旋转反射镜12改变相对于待识别生物的照射位置的同时,控制发光单元11向待识别生物发射光束。3D生物智能识别***在将光束在待识别生物上的照射位置从X轴的负方向朝正方向移动的同时,相对于待识别生物从斜向上方向发射光束。接着,3D生物智能识别***由摄像装置2按顺序拍摄光束所照射的待识别生物的图像。即,摄像装置2通过接收由平台和待识别生物反射的光束,对在平台和待识别生物上针对各摄像帧沿移动方向移动的光束进行摄像。接着,位置检测单元3检测由摄像装置2拍摄的各图像中光束的位置,使用检测到的光束位置按照三角测量的原理对待识别生物的三维形状进行测量,更为具体地,即由形状测量单元55测量待识别生物的三维形状的信息作为形状信息。
本发明3D生物智能识别***包括的一个或者三个相同的三维扫描装置6,三个相同的三维扫描装置分别是水平扫描装置、顶部扫描装置和底部扫描装置;其中,水平扫描装置用于获取待识别生物的侧面的三维信息,得到一组水平扫描的三维数据;底部扫描装置用于获取待识别生物的底部的三维信息,得到一组底部扫描的三维数据;顶部扫描装置用于获取待识别生物的顶部的三维信息,得到一组顶部扫描的三维数据。同时,三维扫描装置6还用于,在控制装置5的控制下,获取坐标转换参照物体的三个三维数据。
其中,当位置检测单元3在沿与扫描方向正交的方向顺序地移动沿扫描方向的各扫描中的扫描开始位置的同时扫描图像时,扫描区域确定单元4确定沿扫描方向扫描各扫描区域,其中,扫描方向是通过改变照射位置而使隙状光束在图像上移动的方向。
本发明3D生物智能识别***的控制装置5,控制装置5是总体控制整个3D生物智能识别***的操作的处理单元,具体包括完整扫描数据获取单元51和三维模型获取单元52;其中,完整扫描数据获取单元51,用于依次对至少两组三维数据进行配准和融合,得到待识别生物的侧面、顶部和底部的完整扫描数据;三维模型获取单元52,与完整扫描数据获取单元51相连用于对待识别生物的侧面、顶部和底部的完整扫描数据进行配准和融合,得到待识别生物的三维图像。
控制装置5还包括照射控制单元53、图像信息获取单元54和形状测量单元55;其中,照射控制单元53,用于向发光单元11发出第一控制信号以及向反射镜12发出第二控制信号,而且,照射控制单元53向形状测量单元55输出表示反射镜12的旋转角度的信息。图像信息获得单元54是从摄像装置2获取由摄像装置2顺序拍摄的图像并且将它们作为图像信息存储于存储单元7中的处理单元,具体的,图像信息获取单元54,用于从摄像装置2拍摄的与扫描区域确定单元4输入的扫描区域相对应的光电检测中,选择性地读出并且获得关于像素亮度的信息作为图像信息;形状测量单元55,用于测量待识别生物的三维形状的信息作为形状信息。
如图5所示,本发明3D生物智能识别***采用CCD摄像机主要应用于测量能量分布。被测光场能量分布经光学***成像于CCD面阵探测器;探测器光电效应产生的信号经摄像机处理电路完成二维扫描读出、放大和制式转换等处理,形成标准的全电视信号;此信号又经摄像机处理控制板进行数字化并与计算机通讯进行各种处理。
本发明3D生物智能识别***分别从不同角度进行三维扫描操作,分别对侧面扫描三维数据组、底部扫描数据组和顶部扫描数据组进行自动配准和融合,然后再对融合后的至少两组不同角度三维数据进行自动配准和融合,从而得到待识别生物完整的三维模型。整个过程完全全自动的操作,无需人为参与,更无需人工贴标辅助配准处理,实现了待识别生物全自动的三维信息采集,扫描效率和配准精度上均有显著提高。
以上所述仅为本发明的较佳实施例而已,本领域技术人员知悉,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等同替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。
Claims (10)
1.一种3D生物智能识别方法,其特征在于,该方法包括以下步骤:
S1:训练得到生物标样三维图像数据库,所述生物标样三维图像为生物的包含三维数据的三维图像,所述三维数据为预定数量n个特征值(x,y,z);
S2:获取待识别生物的包含三维数据的生物三维图像;
S3:将所述待识别生物的三维图像与所述生物标样三维图像数据库进行比较识别,判断相似度是否达到预定阈值,若是,则执行步骤S4;否则,跳转步骤S2;
S4:对达到所述预定阈值的所述待识别生物的三维图像进行标识并输出。
2.根据权利要求1所述的3D生物智能识别方法,其特征在于,获取所述包含三维数据的三维图像的步骤为:
S11:利用至少两个摄像头或3D摄像头拍摄所述生物的至少两组预定数量n幅照片;
S12:获取至少两组每幅所述照片的三维数据;
S13:将至少两组每幅所述照片的三维数据配准和融合为所述生物的三维图像。
3.根据权利要求2所述的3D生物智能识别方法,其特征在于,所述特征值(x,y,z)中的z值是通过小角度差频法来计算的。
4.根据权利要求2所述的3D生物智能识别方法,其特征在于,所述获取至少两组每幅所述照片的三维数据还可为:
S121:直接获取至少两组每幅所述照片的特征点的特征值(x,y);
S122:根据至少两组所述照片的特征点的特征值(x,y),在标准库中找到最匹配最接近的z0值;
S123:将获取的特征值(x,y)与标准库中的z0值组合为三维数据。
5.根据权利要求2或4任一项所述的3D生物智能识别方法,其特征在于,所述生物包含预定数量n个特征点,每幅所述照片的特征点均不同,每个所述特征点对应不同的特征值(x,y,z)。
6.一种3D生物智能识别***,包括用于获取待识别生物的三维数据的三维扫描装置(6),以及与所述三维扫描装置(6)相连用于对所述三维数据进行配准和融合得到所述待识别生物的三维图像的控制装置(5);其特征在于,所述3D生物智能识别***还包括与所述控制装置(5)分别相连的照射装置(1)、摄像单元(2)、位置检测单元(3)和扫描区域确定单元(4);
所述照射装置(1),用于基于所述控制装置(5)发出的控制信号向所述待识别生物发射隙状光束;
所述摄像单元(2),用于顺序拍摄所述隙状光束照射所述待识别生物的照片;
所述位置检测单元(3),用于通过扫描所述摄像单元(2)拍摄的照片来检测所述照片中所述隙状光束的位置;
所述扫描区域确定单元(4),用于基于在作为所述待识别生物的照片之前所述摄像单元(2)拍摄的照片中的所述隙状光束的位置确定所述位置检测单元(3)在所述作为待识别生物的照片中的扫描区域。
7.根据权利要求6所述的3D生物智能识别***,其特征在于,所述控制装置(5)包括:完整扫描数据获取单元(51)和三维模型获取单元(52);
所述完整扫描数据获取单元(51),用于对所述至少两组三维数据进行配准和融合,得到所述待识别生物的侧面、顶部和底部的完整扫描数据;
所述三维模型获取单元(52),与所述完整扫描数据获取单元(51)相连用于对所述待识别生物的侧面、顶部和底部的完整扫描数据进行配准和融合,得到所述待识别生物的三维图像。
8.根据权利要求6所述的3D生物智能识别***,其特征在于,所述照射装置(1)包括:发光单元(11)和反射镜(12);
所述发光单元(11),用于基于所述控制装置(5)发出的第一控制信号向所述反射镜(12)的反射面发出所述隙状光束;所述第一控制信号为控制所述发光单元(11)是否发出所述隙状光束的信号;
所述反射镜(12),用于基于所述控制装置(5)发出的第二控制信号来控制所述反射镜(12)的反射面的旋转且反射所述隙状光束至所述待识别生物;所述第二控制信号为控制所述反射镜(12)的反射面的旋转角度的信号。
9.根据权利要求8所述的3D生物智能识别***,其特征在于,所述控制装置(5)还包括:照射控制单元(53)、图像信息获取单元(54)和形状测量单元(55);
所述照射控制单元(53),用于向所述发光单元(11)发出所述第一控制信号以及向所述反射镜(12)发出所述第二控制信号;
所述图像信息获取单元(54),用于从所述摄像装置(2)拍摄的与所述扫描区域确定单元(4)输入的扫描区域相对应的光电检测中,选择性地读出并且获得关于像素亮度的信息作为图像信息;
所述形状测量单元(55),用于测量所述待识别生物的三维形状的信息作为形状信息。
10.根据权利要求9所述的3D生物智能识别***,其特征在于,所述位置检测单元(3),还用于扫描在所述扫描区域确定单元(4)确定的扫描区域中的像素并检测像素亮度超过预设阈值且最亮的像素在所述照片中的位置,并将所述位置作为照片中的光束位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410154911.XA CN104008366A (zh) | 2014-04-17 | 2014-04-17 | 一种3d生物智能识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410154911.XA CN104008366A (zh) | 2014-04-17 | 2014-04-17 | 一种3d生物智能识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104008366A true CN104008366A (zh) | 2014-08-27 |
Family
ID=51369015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410154911.XA Pending CN104008366A (zh) | 2014-04-17 | 2014-04-17 | 一种3d生物智能识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104008366A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504682A (zh) * | 2014-11-25 | 2015-04-08 | 中国农业大学 | 一种动物形状表型自动测量方法 |
WO2018040099A1 (zh) * | 2016-08-31 | 2018-03-08 | 深圳市唯特视科技有限公司 | 一种基于灰度和深度信息的三维人脸重建方法 |
CN109726611A (zh) * | 2017-10-27 | 2019-05-07 | 北京小米移动软件有限公司 | 生物特征识别方法及装置、可读存储介质及电子设备 |
CN110334691A (zh) * | 2019-07-16 | 2019-10-15 | 武汉成名仪器有限公司 | 微生物水质监测方法、***及存储介质 |
CN111212598A (zh) * | 2018-07-27 | 2020-05-29 | 合刃科技(深圳)有限公司 | 生物特征识别方法、装置、***及终端设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1404016A (zh) * | 2002-10-18 | 2003-03-19 | 清华大学 | 融合多视角、多线索二维信息的人脸三维模型的建立方法 |
CN1595280A (zh) * | 2004-07-01 | 2005-03-16 | 上海交通大学 | 旋转平台上的三维人脸重建*** |
CN101303772A (zh) * | 2008-06-20 | 2008-11-12 | 浙江大学 | 一种基于单幅图像的非线性三维人脸建模方法 |
CN101980243A (zh) * | 2010-10-15 | 2011-02-23 | 中国人民解放军国防科学技术大学 | 基于双目视觉的手指静脉三维识别方法及装置 |
CN102735166A (zh) * | 2011-04-14 | 2012-10-17 | 株式会社安川电机 | 三维扫描仪和机器人*** |
CN103279982A (zh) * | 2013-05-24 | 2013-09-04 | 中国科学院自动化研究所 | 鲁棒的快速高深度分辨率的散斑三维重建方法 |
CN103292740A (zh) * | 2013-05-24 | 2013-09-11 | 贵阳嘉瑜光电科技咨询中心 | 一种三维扫描仪测量方法及其装置 |
CN103292697A (zh) * | 2013-05-27 | 2013-09-11 | 深圳先进技术研究院 | 一种三维扫描*** |
CN103716615A (zh) * | 2014-01-09 | 2014-04-09 | 西安电子科技大学 | 基于样本学习和深度图像传播的2d视频立体化方法 |
-
2014
- 2014-04-17 CN CN201410154911.XA patent/CN104008366A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1404016A (zh) * | 2002-10-18 | 2003-03-19 | 清华大学 | 融合多视角、多线索二维信息的人脸三维模型的建立方法 |
CN1595280A (zh) * | 2004-07-01 | 2005-03-16 | 上海交通大学 | 旋转平台上的三维人脸重建*** |
CN101303772A (zh) * | 2008-06-20 | 2008-11-12 | 浙江大学 | 一种基于单幅图像的非线性三维人脸建模方法 |
CN101980243A (zh) * | 2010-10-15 | 2011-02-23 | 中国人民解放军国防科学技术大学 | 基于双目视觉的手指静脉三维识别方法及装置 |
CN102735166A (zh) * | 2011-04-14 | 2012-10-17 | 株式会社安川电机 | 三维扫描仪和机器人*** |
CN103279982A (zh) * | 2013-05-24 | 2013-09-04 | 中国科学院自动化研究所 | 鲁棒的快速高深度分辨率的散斑三维重建方法 |
CN103292740A (zh) * | 2013-05-24 | 2013-09-11 | 贵阳嘉瑜光电科技咨询中心 | 一种三维扫描仪测量方法及其装置 |
CN103292697A (zh) * | 2013-05-27 | 2013-09-11 | 深圳先进技术研究院 | 一种三维扫描*** |
CN103716615A (zh) * | 2014-01-09 | 2014-04-09 | 西安电子科技大学 | 基于样本学习和深度图像传播的2d视频立体化方法 |
Non-Patent Citations (3)
Title |
---|
宋顶利 等: ""关键点匹配三维人脸识别方法"", 《计算机应用研究》 * |
程潇: ""关于三维人脸图像数据融合的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈立生 等: ""基于几何特征与深度数据的三维人脸识别"", 《电脑知识与技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504682A (zh) * | 2014-11-25 | 2015-04-08 | 中国农业大学 | 一种动物形状表型自动测量方法 |
WO2018040099A1 (zh) * | 2016-08-31 | 2018-03-08 | 深圳市唯特视科技有限公司 | 一种基于灰度和深度信息的三维人脸重建方法 |
CN109726611A (zh) * | 2017-10-27 | 2019-05-07 | 北京小米移动软件有限公司 | 生物特征识别方法及装置、可读存储介质及电子设备 |
CN109726611B (zh) * | 2017-10-27 | 2021-07-23 | 北京小米移动软件有限公司 | 生物特征识别方法及装置、可读存储介质及电子设备 |
CN111212598A (zh) * | 2018-07-27 | 2020-05-29 | 合刃科技(深圳)有限公司 | 生物特征识别方法、装置、***及终端设备 |
CN111212598B (zh) * | 2018-07-27 | 2023-09-12 | 合刃科技(深圳)有限公司 | 生物特征识别方法、装置、***及终端设备 |
CN110334691A (zh) * | 2019-07-16 | 2019-10-15 | 武汉成名仪器有限公司 | 微生物水质监测方法、***及存储介质 |
CN110334691B (zh) * | 2019-07-16 | 2021-10-22 | 武汉成名仪器有限公司 | 微生物水质监测方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104132613B (zh) | 一种复杂表面和不规则物体体积的非接触光学测量方法 | |
JP3795676B2 (ja) | ロボットグリップの制御またはコントラストをベースとした誘導の起動のための方法及び装置 | |
CN1324529C (zh) | 对场景中的物体进行分类的***及其方法 | |
CN100483116C (zh) | 带材表面三维缺陷的检测方法 | |
CN104008366A (zh) | 一种3d生物智能识别方法及*** | |
US10302424B2 (en) | Motion contrast depth scanning | |
WO1999058930A1 (en) | Structured-light, triangulation-based three-dimensional digitizer | |
CN108344751B (zh) | 基于多通道光源的材料板形缺陷检测***和方法 | |
CN108154126A (zh) | 虹膜成像***及方法 | |
CN108614277A (zh) | 双激光单摄像头三维成像扫描台及扫描、成像方法 | |
WO2012037085A1 (en) | Active lighting for stereo reconstruction of edges | |
CN115484371A (zh) | 一种图像采集方法、图像采集装置及可读取存储介质 | |
CN113970560B (zh) | 一种基于多传感融合的缺陷三维检测方法 | |
CN101907490B (zh) | 基于二维细分法的微小光斑强度分布测量方法 | |
KR20040010091A (ko) | 광학식 마커를 이용한 3차원 측정 데이터 자동 정렬장치및 그 방법 | |
Ozeki et al. | Real-time range measurement device for three-dimensional object recognition | |
CN106767497B (zh) | 一种白光干涉轮廓仪空间扫描范围自适应规划方法 | |
CN114092411A (zh) | 一种高效快速的双目3d点云焊点缺陷检测方法 | |
CN105572133B (zh) | 瑕疵检测方法及其装置 | |
JP5336325B2 (ja) | 画像処理方法 | |
CN109521022A (zh) | 基于线共焦相机的触摸屏缺陷检测装置 | |
CN111344553A (zh) | 曲面物体的缺陷检测方法及检测*** | |
Palka et al. | 3D object digitization devices in manufacturing engineering applications and services | |
CN105783782B (zh) | 表面曲率突变光学轮廓测量方法 | |
CN103900488A (zh) | 一种3d扫描技术 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140827 |
|
RJ01 | Rejection of invention patent application after publication |