CN107077735A - 三维对象识别 - Google Patents
三维对象识别 Download PDFInfo
- Publication number
- CN107077735A CN107077735A CN201480083119.8A CN201480083119A CN107077735A CN 107077735 A CN107077735 A CN 107077735A CN 201480083119 A CN201480083119 A CN 201480083119A CN 107077735 A CN107077735 A CN 107077735A
- Authority
- CN
- China
- Prior art keywords
- data
- color
- depth
- dimensional
- base
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
公开了用于识别底座上的三维对象的方法和***。所述对象的三维图像作为具有深度数据和颜色数据的三维点云被接收。所述底座被从所述三维图像中去除,并且所述底座去除了的所述三维点云被转换成表示所述对象的二维点云。所述二维点云被分割以确定检测到的对象的对象边界。所述深度数据被应用来确定所述检测到的对象的高度,并且颜色数据被应用来使所述检测到的对象与参考对象数据相匹配。
Description
背景技术
视觉传感器捕获与视场中的对象的图像相关联的视觉数据。这样的数据可以包括关于对象的颜色的数据、关于对象的深度的数据以及关于图像的其他数据。视觉传感器的集群可被应用于某一应用。可以组合并处理由传感器捕获的视觉数据以执行应用的任务。
附图说明
图1是图示了本公开的示例***的框图。
图2是图1的***的示例的示意图。
图3是图示了可以利用图1的***执行的示例方法的框图。
图4是图示了依照图1的***构造的示例***的框图。
图5是图示了可以用于实现图1的***并且执行图3和图4的方法的示例计算机***的框图。
具体实施方式
在以下详细描述中,参照附图,所述附图形成该详细描述的部分,并且其中作为说明示出了其中可以实践本公开的具体示例。要理解到,在不脱离本公开的范围的情况下,可以利用其他示例,并且可以做出结构或逻辑改变。因此,以下详细描述不应以限制性含义解释,并且本公开的范围由随附权利要求限定。要理解到,本文描述的各种示例的特征可以部分地或者整体地彼此组合,除非以其他方式明确地说明。
以下公开涉及用于分割并识别三维图像中的对象的改进方法和***。图1图示了可作为用户应用或***被应用以鲁棒地且准确地识别3D图像中的对象的示例方法100。3D扫描仪102用于生成被放置在视场中的一个或多个真实对象104的一个或多个图像。在一个示例中,3D扫描仪可以包括各自生成对象的图像的颜色传感器和深度传感器。在多个传感器的情况下,来自每个传感器的图像被校准并且然后合并在一起以形成待作为点云存储的校正的3D图像。点云是作为数据文件存储的某个坐标***中的数据点的集合。在3D坐标***中,x、y和z坐标通常定义这些点,并且常常旨在表示真实对象104的外部表面。3D扫描仪102测量对象的表面上的大量点,并且将点云作为具有对象的空间信息的数据文件来输出。点云表示设备已测量的点的集合。分割106对点云应用算法以检测图像中的一个或多个对象的边界。识别108包括诸如通过将关于经分割的对象的数据与诸如计算机存储器之类的有形存储介质中的预定义数据进行比较来使经分割的对象的特征与已知特征的集合相匹配。
图2图示了应用方法100的特定示例***200,其中图1的相同的部分在图2中具有相同的附图标记。***200包括用于扫描对象104并且将数据输入到运行对象检测应用的计算机204中的传感器集群模块202。在该示例中,计算机204包括显示器206以渲染对象检测应用的图像和/或界面。传感器集群模块202包括视场208。对象104被放置在来自传感器集群模块202的视场208内的一般平面表面(诸如桌面)上。可选地,***200可以在视场208内包括一般平面平台210以接收对象104。在一个示例中,平台210是固定的,但是设想了平台210可以包括可以相对于传感器集群模块202使对象104绕轴旋转的转盘。***200示出了其中对象104被放置在高架传感器集群模块202的视场208中的一般平面表面上的示例。
放置在视场208内的对象104可以被扫描和输入一次或多次。平台210上的转盘可以在对象104的多个视图被输入时相对于传感器集群模块202使对象104绕z轴旋转。在一些示例中,可以使用多个传感器集群模块202,或者传感器集群模块202可以在不必移动对象104的情况下并且在对象相对于传感器集群模块202在任一或多数方位上的同时提供对象的扫描和图像的投影。
传感器集群模块202可以包括异构视觉传感器的集合以捕获视场208中的对象的视觉数据。在一个示例中,模块202包括一个或多个深度传感器和一个或多个颜色传感器。深度传感器是用于捕获对象的深度数据的视觉传感器。在一个示例中,深度一般地是指对象离深度传感器的距离。可以针对每个深度传感器的每个像素而开发深度数据,并且该深度数据用于创建对象的3D表示。一般地,深度传感器抵抗由于光、阴影、颜色或动态背景中的改变而导致的影响是相对鲁棒的。颜色传感器是用于在可见颜色空间中收集颜色数据的视觉传感器,所述可见颜色空间诸如红绿蓝(RGB)颜色空间或其他颜色空间,该颜色传感器可用于检测对象104的颜色。在一个示例中,深度传感器和颜色传感器分别可以被包括在深度相机和颜色相机中。在另一示例中,可以在颜色/深度相机中组合深度传感器和颜色传感器。一般地,深度传感器和颜色传感器具有在该示例中被指示为视场208的重叠视场。在一个示例中,传感器集群模块108可以包括间隔开的异构视觉传感器的多个集合,所述间隔开的异构视觉传感器的多个集合可以从对象104的各种不同的角度捕获深度和颜色数据。
在一个示例中,传感器集群模块202可以像快照扫描一样捕获深度和颜色数据以创建3D图像帧。图像帧是指在特定时间点的视觉数据的合集。在另一示例中,传感器集群模块可以随着时间的推移像连续扫描一样捕获深度和颜色数据作为一系列图像帧。在一个示例中,连续扫描可以包括按照时间的周期或非周期间隔随着时间的推移而交错排列的图像帧。例如,传感器集群模块202可以用于检测对象并且然后稍后用于检测对象的位置和方位。
3D图像被作为点云数据文件在本地或者从传感器集群模块202或计算机204远程地存储在计算机存储器中。用户应用(诸如具有诸如点云库之类的工具的对象识别应用)可以访问数据文件。具有对象识别应用的点云库通常包括被应用于3D点云的3D对象识别算法。在应用这些算法时的复杂性随着点云中的数据点的大小或量增加而以指数方式增加。因此,被应用于大数据文件的3D对象识别算法变慢且效率低。进一步,3D对象识别算法很不适合于具有不同分辨率的视觉传感器的3D扫描仪。在这些情况下,开发者将使用复杂过程来对算法进行调谐以便识别利用不同分辨率的传感器所创建的对象。再进一步,这些算法是围绕点云中的数据的随机抽样和数据拟合而构建的并且不是特别准确的。例如,3D对象识别算法的多个应用常常不生成相同的结果。
图3图示了用于快速地分割并识别被放置在传感器集群模块202的视场208中的一般平面底座上的对象104的鲁棒且高效的方法300的示例。作为二维数据存储的对象104的纹理被分析以识别对象。可以在没有低效率的臃肿的3D点云处理情况下实时地执行分割和识别。2D空间中的处理允许使用更复杂且准确的特征识别算法。将此信息与3D线索合并改进分割和识别的准确性和鲁棒性。在一个示例中,方法300可以被实现为计算机可读介质上的机器可读指令的集合。
在302处接收对象104的3D图像。当利用颜色传感器拍摄的图像和利用深度传感器拍摄的图像被用于创建3D图像时,每个传感器的图像信息常常被校准以创建对象104的包括诸如(x,y,z)之类的坐标的准确3D点云。此点云包括对象以及所述对象被放置在上面的一般平面底座的3D图像。在一些示例中,所接收到的3D图像可以包括可利用诸如直通滤波器之类的工具去除的不需要的离群值数据。未落在离相机的许可深度范围中的许多(如果并非全部)点被去除。
在304处从点云中去除对象104被放置在上面的底座或一般平面表面。在一个示例中,平面拟合技术用于从点云中去除底座。可在应用RANSAC(随机抽样一致性)的工具中找到一个这样的平面拟合技术,所述RANSAC是用于根据包含离群值的观测数据的集合来估计数学模型的参数的迭代方法。在这种情况下,离群值可以是对象104的图像并且群内值可以是平面底座的图像。因此,取决于平面拟合工具的复杂性,对象被放置在上面的底座可能偏离真实平面。在典型情况下,平面拟合工具能够在底座对肉眼而言通常是平面的情况下检测底座。可以使用其他平面拟合技术。
在此示例中,来自点云的3D数据用于从图像中去除平面表面。底座去除了的点云可以被用作遮罩来检测图像中的对象104。遮罩包括表示对象104的数据点。一旦已从图像中减去了底座,3D点云就被投影到具有深度信息的2D平面上,但是与3D点云相比使用少得多的存储空间。
在304处开发的2D数据适合于在306处利用比通常用在3D点云上的那些技术更复杂的技术进行的分割。在一个示例中,对象的2D平面图像经受轮廓分析以便于分割。轮廓分析的示例包括使用边界跟踪技术的数字化二值图像的拓扑结构分析,所述边界跟踪技术可用于在一种许可自由软件许可证下可用的OpenCV中。OpenCV或开源计算机视觉是一般地用于实时计算机视觉的编程函数的跨平台库。另一技术可以是用于从处理后的2D图像数据中查找对象的边界的摩尔邻居跟踪算法。分割306也可使2D图像数据中的多个对象彼此区分开。经分割的对象图像被给予标签,所述标签可以不同于2D图像数据中的其他对象,并且所述标签是对象在3D空间中的表示。包含被指派了标签的所有对象的标签遮罩被生成。如果任一意外或重影轮廓出现在2D图像数据中,则能够应用进一步处理以去除所述意外或重影轮廓。
在308处可应用标签遮罩来识别对象104。在一个示例中,校正的深度数据用于查找3D对象的对象的高度、方位或其他特性。这种方式无需处理或者群集3D点云,可以根据2D图像数据确定附加特性以从颜色传感器改善并改进分割。
与每个标签相对应的颜色数据被提取并且被用在用于对象识别的特征匹配中。在一个示例中,颜色数据可以与关于已知对象的数据进行比较以确定匹配,所述关于已知对象的数据可从存储设备中检索。颜色数据可以与强度数据相对应,并且数个复杂算法可用于基于从强度数据得到的特征和对象匹配。因此,识别比随机化算法更鲁棒。
图4图示了用于应用方法300的示例***400。在一个示例中,***400包括传感器集群模块202用以生成底座(诸如一般平面表面)上的一个或多个对象104的颜色和深度图像。来自传感器的图像被提供给校准模型402用以生成待作为数据文件存储在有形计算机存储器设备404中的3D点云。转换模块406接收3D数据文件并且应用转换工具408,诸如RANSAC,用以从3D数据文件中去除底座并且利用近似分割创建对象的2D图像数据,所述近似分割提供每个分割的对象的标签以及诸如高度之类的其他3D特性,所述其他3D特性可作为数据文件被存储在存储器404中。
分割模块410可以接收对象的2D表示的数据文件并且应用分割工具412以确定对象图像的边界。如上所述,分割工具412可以包括对2D图像数据的轮廓分析,所述轮廓分析比用于确定3D表示中的图像的技术更快且更准确。可以给予经分割的对象图像在3D空间中表示对象的标签。
识别模块414也可以接收2D图像数据的数据文件。识别模块414可以对2D图像数据的数据文件应用识别工具416以确定对象104的高度、方位和其他特性。在2D图像中对应于每个标签的颜色数据被提取并且用在用于识别对象的特征匹配中。在一个示例中,颜色数据可以与关于已知对象的数据进行比较以确定匹配,所述关于已知对象的数据可从存储设备中检索。
当前没有比上面所描述的解决方案执行更快且更准确的3D对象分割和识别的合并深度数据和颜色数据的一般可用的解决方案。示例方法300和***400提供实时实施方式,所述实时实施方式提供与使用3D点云相比消耗更少存储器用于分割并识别3D数据的更快的、更准确的结果。
图5图示了可以在操作环境中采用并且用于托管或者运行实现如包括在一个或多个计算机可读存储介质上的示例方法300的计算机应用的示例计算机***,所述一个或多个计算机可读存储介质存储用于控制该计算机***(诸如计算设备)以执行过程的计算机可执行指令。在一个示例中,图5的计算机***可以用于实现***400中所阐述的模块及其关联的工具。
图5的示例性计算机***包括计算设备,诸如计算设备500。计算设备500典型地包括一个或多个处理器502和存储器504。处理器502可以包括芯片上的两个或更多处理核或者两个或更多处理器芯片。在一些示例中,计算设备500还可以具有一个或多个附加处理或专门化处理器(未示出),诸如用于图形处理器单元上的通用计算的图形处理器,以执行从处理器502卸载的处理功能。存储器504可以布置在层级结构中并且可以包括一个或多个缓冲级。存储器504可以是易失性的(诸如,随机存取存储器(RAM)),非易失性的(诸如,只读存储器(ROM)、闪速存储器等),或者这两个的某种组合。计算设备500可以采取若干形式中的一个或多个。这样的形式包括平板电脑、个人计算机、工作站、服务器、手持式设备、消费性电子设备(诸如,视频游戏操控台或数字视频录像机)或其他,并且可以是独立式设备或者配置为计算机网络、计算机集群、云服务基础设施或其他的部分。
计算设备500还可以包括附加存储装置508。存储装置508可以是可移除和/或不可移除的,并且可以包括磁盘或光盘或固态存储器、或者闪速存储设备。计算机存储介质包括易失性和非易失性、可移除和不可移除介质,该计算机存储介质以任何适合的方法或技术实现以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据之类的信息。传播信号本身没有资格作为存储介质。
计算设备500常常包括一个或多个输入和/或输出连接,诸如USB连接、显示端口、专属连接,以及连接到各种设备以接收和/或提供输入和输出的其他连接。输入设备510可以包括诸如键盘、指向设备(例如,鼠标)、笔、语音输入设备、触摸输入设备或其他设备之类的设备。输出设备512可以包括诸如显示器、扬声器、打印机等之类的设备。计算设备500常常包括一个或多个通信连接514,该一个或多个通信连接允许计算设备500与其他计算机/应用516通信。示例通信连接可以包括但不限于以太网接口、无线接口、总线接口、存储域网络接口、专属接口。通信连接可以用于将计算设备500耦合到计算机网络518,该计算机网络是通过通信信道互连的计算设备和可能的其他设备的集合,通信信道促进通信并且允许互连设备之中的资源和信息的共享。计算机网络的示例包括局域网、广域网、互联网或其他网络。
计算设备500可以配置为运行操作***软件程序和一个或多个计算机应用,该操作***软件程序和一个或多个计算机应用构成***平台。配置为在计算设备500上执行的计算机应用典型地被提供为以编程语言编写的指令集。配置为在计算设备500上执行的计算机应用包括至少一个计算过程(或计算任务),该至少一个计算过程(或计算任务)是执行程序。每一个计算过程提供计算资源以执行程序。
尽管已经在本文中图示并描述了具体示例,然而在不脱离本公开的范围的情况下,各种可替换的和/或等效的实施方式可以替换所示出和描述的具体示例。本申请旨在涵盖本文中所讨论的具体示例的任何改编或变化。因此,意图是,此公开仅受权利要求及其等同方案限制。
Claims (15)
1.一种用于识别底座上的三维对象的处理器实现的方法,包括:
接收所述对象的三维图像作为具有所述对象的空间信息的三维点云;
从所述三维点云中去除所述底座以生成表示所述对象的二维图像;
分割所述二维图像以确定对象边界;以及
应用来自所述对象的颜色数据以改善分割并且使所检测到的对象与参考对象数据相匹配。
2.根据权利要求1所述的方法,所述方法包括对所述颜色数据和深度数据进行校准以生成所述对象的所述三维图像。
3.根据权利要求1所述的方法,其中去除所述底座包括应用迭代过程以根据包含表示所述对象的离群值的观测数据的集合来估计模型的参数。
4.根据权利要求1所述的方法,其中所述底座通常是平面的。
5.根据权利要求1所述的方法,其中所述二维点云包括包含表示所述对象的数据的遮罩。
6.根据权利要求1所述的方法,其中所述分割包括使所述点云中的多个对象彼此区分开。
7.根据权利要求1所述的方法,其中所述分割包括将标签附着到所检测到的对象。
8.根据权利要求所述的方法,其中应用深度数据包括确定所检测到的对象的方位。
9.一种用于存储计算机可执行指令的计算机可读介质,所述计算机可执行指令用于控制具有处理器和存储器的计算设备以执行用于识别底座上的三维对象的方法,所述方法包括:
接收所述对象的三维图像作为在所述存储器中作为数据文件的三维点云,所述三维点云具有深度数据;
利用所述处理器从所述三维点云中去除所述底座以在所述存储器中生成表示所述对象的二维图像;
利用所述处理器分割所述二维图像以检测对象边界;
利用所述处理器应用所述深度数据以确定所述对象的高度;以及
利用所述处理器应用来自所述图像的颜色数据以使所述对象与参考对象数据相匹配。
10.根据权利要求9所述的计算机可读介质,其中利用平面拟合技术来执行去除所述底座。
11.根据权利要求9所述的计算机可读介质,其中利用轮廓分析算法来执行去除所述分割。
12.一种用于识别底座上的三维对象的***,包括:
用于接收表示所述对象的三维图像的第一数据文件作为具有深度数据的三维点云的模块;
转换模块,所述转换模块在处理器上操作并且被配置成从所述三维点云中去除所述底座变成待存储在存储器设备中的表示所述对象的二维图像的第二数据文件;
分割模块,所述分割模块用于在所述二维图像中确定对象边界;以及
检测模块,所述检测模块在所述处理器上操作并且被配置成应用所述深度数据以确定所述对象的高度,并且被配置成应用来自所述图像的颜色数据以使所述对象与参考对象数据相匹配。
13.根据权利要求12所述的***,所述***包括颜色传感器和深度传感器,所述颜色传感器被配置成生成具有颜色数据的颜色图像,所述深度传感器被配置成生成具有深度数据的深度图像。
14.根据权利要求13所述的***,其中所述颜色传感器和所述深度传感器被配置为颜色/深度相机。
15.根据权利要求13所述的***,其中所述颜色/深度相机包括视场并且包括被配置为所述底座并且布置在所述视场中的转盘。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2014/062580 WO2016068869A1 (en) | 2014-10-28 | 2014-10-28 | Three dimensional object recognition |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107077735A true CN107077735A (zh) | 2017-08-18 |
Family
ID=55857986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480083119.8A Pending CN107077735A (zh) | 2014-10-28 | 2014-10-28 | 三维对象识别 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20170308736A1 (zh) |
EP (1) | EP3213292A4 (zh) |
CN (1) | CN107077735A (zh) |
TW (1) | TWI566204B (zh) |
WO (1) | WO2016068869A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034418A (zh) * | 2018-07-26 | 2018-12-18 | 国家电网公司 | 作业现场信息传输方法及*** |
CN109344750A (zh) * | 2018-09-20 | 2019-02-15 | 浙江工业大学 | 一种基于结构描述子的复杂结构三维对象识别方法 |
CN110119721A (zh) * | 2019-05-17 | 2019-08-13 | 百度在线网络技术(北京)有限公司 | 用于处理信息的方法和装置 |
CN110363058A (zh) * | 2018-03-26 | 2019-10-22 | 国际商业机器公司 | 使用单触发卷积神经网络的用于避障的三维对象定位 |
CN111108507A (zh) * | 2017-09-22 | 2020-05-05 | 祖克斯有限公司 | 根据二维图像和点云数据生成三维边界框 |
CN113052797A (zh) * | 2021-03-08 | 2021-06-29 | 江苏师范大学 | 基于深度图像处理的bga锡球三维检测方法 |
WO2021134795A1 (en) * | 2020-01-03 | 2021-07-08 | Byton Limited | Handwriting recognition of hand motion without physical media |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025642B (zh) * | 2016-01-27 | 2018-06-22 | 百度在线网络技术(北京)有限公司 | 基于点云数据的车辆轮廓检测方法和装置 |
WO2017209707A1 (en) * | 2016-06-03 | 2017-12-07 | Buyuksahin Utku | A system and a method for capturing and generating 3d image |
US10841561B2 (en) | 2017-03-24 | 2020-11-17 | Test Research, Inc. | Apparatus and method for three-dimensional inspection |
CN110546651B (zh) * | 2017-04-27 | 2023-04-04 | 惠普发展公司,有限责任合伙企业 | 用于识别对象的方法、***和计算机可读介质 |
US10937182B2 (en) * | 2017-05-31 | 2021-03-02 | Google Llc | Non-rigid alignment for volumetric performance capture |
CN107679458B (zh) * | 2017-09-07 | 2020-09-29 | 中国地质大学(武汉) | 一种基于K-Means的道路彩色激光点云中道路标线的提取方法 |
CN109484935B (zh) * | 2017-09-13 | 2020-11-20 | 杭州海康威视数字技术股份有限公司 | 一种电梯轿厢监控方法、装置及*** |
CN107590836B (zh) * | 2017-09-14 | 2020-05-22 | 斯坦德机器人(深圳)有限公司 | 一种基于Kinect的充电桩动态识别与定位方法及*** |
US10558844B2 (en) * | 2017-12-18 | 2020-02-11 | Datalogic Ip Tech S.R.L. | Lightweight 3D vision camera with intelligent segmentation engine for machine vision and auto identification |
CN108345892B (zh) * | 2018-01-03 | 2022-02-22 | 深圳大学 | 一种立体图像显著性的检测方法、装置、设备及存储介质 |
US10671835B2 (en) | 2018-03-05 | 2020-06-02 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Object recognition |
CN108647607A (zh) * | 2018-04-28 | 2018-10-12 | 国网湖南省电力有限公司 | 用于输变电工程的地物识别方法 |
CN110148144B (zh) | 2018-08-27 | 2024-02-13 | 腾讯大地通途(北京)科技有限公司 | 点云数据的分割方法和装置、存储介质、电子装置 |
JP7313998B2 (ja) * | 2019-09-18 | 2023-07-25 | 株式会社トプコン | 測量データ処理装置、測量データ処理方法および測量データ処理用プログラム |
CN111028238B (zh) * | 2019-12-17 | 2023-06-02 | 湖南大学 | 一种基于机器人视觉的复杂异形曲面三维分割方法及*** |
US11074708B1 (en) * | 2020-01-06 | 2021-07-27 | Hand Held Products, Inc. | Dark parcel dimensioning |
CN113128515B (zh) * | 2021-04-29 | 2024-05-31 | 西北农林科技大学 | 一种基于rgb-d视觉的在线果蔬识别***及方法 |
CN113219903B (zh) * | 2021-05-07 | 2022-08-19 | 东北大学 | 一种基于深度视觉的钢坯最优剪切控制方法及装置 |
CN114638846A (zh) * | 2022-03-08 | 2022-06-17 | 北京京东乾石科技有限公司 | 拾取位姿信息确定方法、装置、设备和计算机可读介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101156175A (zh) * | 2005-04-11 | 2008-04-02 | 三星电子株式会社 | 3d对象的基于深度图像呈现方法和使用该方法的建模方法和设备以及渲染方法和设备 |
US20110052043A1 (en) * | 2009-08-25 | 2011-03-03 | Samsung Electronics Co., Ltd. | Method of mobile platform detecting and tracking dynamic objects and computer-readable medium thereof |
US20110286628A1 (en) * | 2010-05-14 | 2011-11-24 | Goncalves Luis F | Systems and methods for object recognition using a large database |
WO2013182232A1 (de) * | 2012-06-06 | 2013-12-12 | Siemens Aktiengesellschaft | Verfahren zur bildbasierten veränderungserkennung |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS4940706B1 (zh) * | 1969-09-03 | 1974-11-05 | ||
SE528068C2 (sv) * | 2004-08-19 | 2006-08-22 | Jan Erik Solem Med Jsolutions | Igenkänning av 3D föremål |
JP4691158B2 (ja) * | 2005-06-16 | 2011-06-01 | ストライダー ラブス,インコーポレイテッド | 三次元クラスモデルを用いた二次元画像における認識システムおよび方法 |
JP4940706B2 (ja) * | 2006-03-01 | 2012-05-30 | トヨタ自動車株式会社 | 物体検出装置 |
TWI450216B (zh) * | 2008-08-08 | 2014-08-21 | Hon Hai Prec Ind Co Ltd | 邊界元素提取方法及其電腦系統 |
KR20110044392A (ko) * | 2009-10-23 | 2011-04-29 | 삼성전자주식회사 | 영상 처리 장치 및 방법 |
EP2385483B1 (en) * | 2010-05-07 | 2012-11-21 | MVTec Software GmbH | Recognition and pose determination of 3D objects in 3D scenes using geometric point pair descriptors and the generalized Hough Transform |
TWI433529B (zh) * | 2010-09-21 | 2014-04-01 | Huper Lab Co Ltd | 增強辨識3d物件的方法 |
WO2012128754A1 (en) * | 2011-03-22 | 2012-09-27 | Analogic Corporation | Compound object separation |
KR101907081B1 (ko) * | 2011-08-22 | 2018-10-11 | 삼성전자주식회사 | 3차원 점군의 물체 분리 방법 |
CN103207994B (zh) * | 2013-04-28 | 2016-06-22 | 重庆大学 | 一种基于多投影面关键形态特征的运动物件类型识别方法 |
TWM478301U (zh) * | 2013-11-11 | 2014-05-11 | Taiwan Teama Technology Co Ltd | 三維掃描系統 |
-
2014
- 2014-10-28 CN CN201480083119.8A patent/CN107077735A/zh active Pending
- 2014-10-28 US US15/518,412 patent/US20170308736A1/en not_active Abandoned
- 2014-10-28 EP EP14904836.5A patent/EP3213292A4/en not_active Ceased
- 2014-10-28 WO PCT/US2014/062580 patent/WO2016068869A1/en active Application Filing
-
2015
- 2015-09-22 TW TW104131293A patent/TWI566204B/zh not_active IP Right Cessation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101156175A (zh) * | 2005-04-11 | 2008-04-02 | 三星电子株式会社 | 3d对象的基于深度图像呈现方法和使用该方法的建模方法和设备以及渲染方法和设备 |
US20110052043A1 (en) * | 2009-08-25 | 2011-03-03 | Samsung Electronics Co., Ltd. | Method of mobile platform detecting and tracking dynamic objects and computer-readable medium thereof |
US20110286628A1 (en) * | 2010-05-14 | 2011-11-24 | Goncalves Luis F | Systems and methods for object recognition using a large database |
WO2013182232A1 (de) * | 2012-06-06 | 2013-12-12 | Siemens Aktiengesellschaft | Verfahren zur bildbasierten veränderungserkennung |
Non-Patent Citations (1)
Title |
---|
王晏民等: "《深度图像化点云数据管理》", 31 December 2013, 测绘出版社 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111108507A (zh) * | 2017-09-22 | 2020-05-05 | 祖克斯有限公司 | 根据二维图像和点云数据生成三维边界框 |
CN111108507B (zh) * | 2017-09-22 | 2024-01-12 | 祖克斯有限公司 | 根据二维图像和点云数据生成三维边界框 |
CN110363058A (zh) * | 2018-03-26 | 2019-10-22 | 国际商业机器公司 | 使用单触发卷积神经网络的用于避障的三维对象定位 |
CN110363058B (zh) * | 2018-03-26 | 2023-06-27 | 国际商业机器公司 | 使用单触发卷积神经网络的用于避障的三维对象定位 |
CN109034418A (zh) * | 2018-07-26 | 2018-12-18 | 国家电网公司 | 作业现场信息传输方法及*** |
CN109344750A (zh) * | 2018-09-20 | 2019-02-15 | 浙江工业大学 | 一种基于结构描述子的复杂结构三维对象识别方法 |
CN109344750B (zh) * | 2018-09-20 | 2021-10-22 | 浙江工业大学 | 一种基于结构描述子的复杂结构三维对象识别方法 |
CN110119721A (zh) * | 2019-05-17 | 2019-08-13 | 百度在线网络技术(北京)有限公司 | 用于处理信息的方法和装置 |
WO2021134795A1 (en) * | 2020-01-03 | 2021-07-08 | Byton Limited | Handwriting recognition of hand motion without physical media |
CN113052797A (zh) * | 2021-03-08 | 2021-06-29 | 江苏师范大学 | 基于深度图像处理的bga锡球三维检测方法 |
CN113052797B (zh) * | 2021-03-08 | 2024-01-05 | 江苏师范大学 | 基于深度图像处理的bga锡球三维检测方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3213292A1 (en) | 2017-09-06 |
EP3213292A4 (en) | 2018-06-13 |
US20170308736A1 (en) | 2017-10-26 |
WO2016068869A1 (en) | 2016-05-06 |
TWI566204B (zh) | 2017-01-11 |
TW201629909A (zh) | 2016-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107077735A (zh) | 三维对象识别 | |
CN110378900B (zh) | 产品缺陷的检测方法、装置及*** | |
Jovančević et al. | 3D point cloud analysis for detection and characterization of defects on airplane exterior surface | |
CN103988226B (zh) | 用于估计摄像机运动以及用于确定实境三维模型的方法 | |
US8792726B2 (en) | Geometric feature extracting device, geometric feature extracting method, storage medium, three-dimensional measurement apparatus, and object recognition apparatus | |
JP2016161569A (ja) | オブジェクトの3d姿勢およびオブジェクトのランドマーク点の3dロケーションを求める方法、およびオブジェクトの3d姿勢およびオブジェクトのランドマークの3dロケーションを求めるシステム | |
KR20130044099A (ko) | 영상 처리 방법 및 장치 | |
EP2294555A1 (en) | Three dimensional mesh modeling | |
AU2012344005A1 (en) | Method and device for following an object in a sequence of at least two images | |
US20210350115A1 (en) | Methods and apparatus for identifying surface features in three-dimensional images | |
WO2019228471A1 (zh) | 指纹识别方法、设备及计算机可读存储介质 | |
Sansoni et al. | Optoranger: A 3D pattern matching method for bin picking applications | |
Ozbay et al. | A hybrid method for skeleton extraction on Kinect sensor data: Combination of L1-Median and Laplacian shrinking algorithms | |
Yogeswaran et al. | 3d surface analysis for automated detection of deformations on automotive body panels | |
SusheelKumar et al. | Generating 3D model using 2D images of an object | |
Weinmann et al. | Geometric point quality assessment for the automated, markerless and robust registration of unordered TLS point clouds | |
CN110007764B (zh) | 一种手势骨架识别方法、装置、***及存储介质 | |
US11468609B2 (en) | Methods and apparatus for generating point cloud histograms | |
Gothandaraman et al. | Virtual models in 3D digital reconstruction: detection and analysis of symmetry | |
JP7298687B2 (ja) | 物体認識装置及び物体認識方法 | |
JP7133971B2 (ja) | 3次元モデル生成装置及び3次元モデル生成方法 | |
Balzer et al. | Volumetric reconstruction applied to perceptual studies of size and weight | |
Kumar et al. | A comparison of open source libraries ready for 3D reconstruction of wounds | |
Weinmann et al. | Point cloud registration | |
Chen et al. | A 3-D point clouds scanning and registration methodology for automatic object digitization |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170818 |