CN108921929A - 一种识别***及训练方法及单张单目图像的识别方法 - Google Patents
一种识别***及训练方法及单张单目图像的识别方法 Download PDFInfo
- Publication number
- CN108921929A CN108921929A CN201810673392.6A CN201810673392A CN108921929A CN 108921929 A CN108921929 A CN 108921929A CN 201810673392 A CN201810673392 A CN 201810673392A CN 108921929 A CN108921929 A CN 108921929A
- Authority
- CN
- China
- Prior art keywords
- detection network
- key point
- coordinate
- point coordinate
- dimensional
- 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
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种识别模型及训练方法及单张单目图像的识别方法,采用第一检测网络从单张单目图像中提取目标物体的掩模图像,图片处理模块根据掩模图像对单张单目图像进行切割以获取切割图像,第二检测网络对切割图像进行分割处理获取目标物体的二维关键点坐标,第三检测网络根据二维关键点坐标计算获取目标物体的三维关键点坐标。本发明的技术方案能够实现从单张单目的二维图像中恢复物体的三维几何结构从而为各种应用环境提供有效的建模方法和三维模型。
Description
技术领域
本发明涉及图像处理技术和人工智能(AI:Artificial Intelligence)中深度学习(DL:Deep Learning)的技术领域,尤其涉及一种基于单张单目图像获取三维坐标的识别***及训练方法及单张单目图像的识别方法。
背景技术
随着计算机视觉技术在许多行业中已得到广泛应用,基于计算机视觉的三维信息获取技术已成为当今该领域的研究热点。现有的三维信息获取技术根据所利用的光源可分为主动视觉和被动视觉。主动视觉包括成像雷达技术、结构光和编码光技术、莫尔技术;被动视觉包括SFS、PSM、立体视觉技术、SFM。而上述方法,均不是仅基于单张单目图像。有些是需要额外的探测器如红外探测器,有些则需要双目视觉,有些是基于单目视觉却需要一系列连续的图像。
因此,现有技术中无法实现基于单张单目图像获取三维坐标的有效技术方案。
发明内容
针对现有技术中存在的上述问题,现提供一种基于单张单目图像获取三维坐标的识别***及训练方法及单张单目图像的识别方法。
具体技术方案如下:
一种基于单张单目图像获取三维坐标的识别***,包括:
第一检测网络,所述第一检测网络的输入端获取输入的单张单目图像,所述第一检测网络从所述单张单目图像中提取目标物体的掩模图像;
图片处理模块,连接所述第一检测网络的输出端,用于根据所述掩模图像对所述单张单目图像进行切割以获取切割图像;
第二检测网络,所述第二检测网络的输入端连接所述图片处理模块,用于对所述切割图像进行分割处理,以获取所述目标物体的二维关键点坐标;
第三检测网络,所述第三检测网络的输入端连接所述第二检测网络的输出端,用于根据所述二维关键点坐标计算获取所述目标物体的三维关键点坐标;
所述第一检测网络、所述第二检测网络和所述第三检测网络均由预先设定的对应的多个训练数据预先训练得到。
优先的,所述第二检测网络的输出端的输出维度与所述第三检测网络的输入端的输入维度相同,且关联于所述目标物体的所述二维关键点坐标的数量,所述第三检测网络的输出端的输出维度关联于所述目标物体的所述三维关键点坐标的数量。
优先的,所述识别***还包括一输出模块,连接所述第三检测网络的输出端,用于根据所述目标物体所对应的转换矩阵,采用下述公式对所述三维关键点坐标进行计算以获取实际坐标点;
wrel=wc·RT;
其中,
wrel为实际坐标点;
wc为所述三维关键点坐标;
RT为所述转换矩阵。
优先的,一种对基于单张单目图像获取三维坐标的识别***的训练方法,应用于上述任一所述的识别***的训练过程中,包括以下步骤:
步骤S1:建立目标物体的模型并对所述模型进行分析,获取所述目标物体的参考数据,所述参考数据包括:多个三维关键点坐标,多个角度截图,每个所述角度截图所对应的掩模图像、切割图像、二维关键点坐标;
步骤S2:将每个所述角度截图作为所述第一检测网络的输入,将所述角度截图对应的掩模图像作为所述第一检测网络的人工标定的结果,对所述第一检测网络进行训练;
步骤S3:将每个所述切割图像作为所述第二检测网络的输入,将所述切割图像对应的所述二维关键点坐标作为所述第二检测网络的人工标定的结果,对所述第二检测网络进行训练;
步骤S4:将所述二维关键点坐标作为所述第三检测网络的输入,将所述切割图像对应的所述三维关键点坐标作为所述第三检测网络的人工标定的结果,对所述第三检测网络进行训练。
优先的,所述步骤S1还包括以下步骤:
获取所述模型的各关键点的实际坐标,对每个所述实际坐标进行矩阵转换以获取对应的所述三维关键点坐标,采用以下计算公式进行矩阵转换:wc=wrel·R-T,其中,wrel为所述实际坐标,wc为所述三维关键点坐标,R-T为所述转换矩阵的逆矩阵。
优先的,所述步骤S2中,采用自适应时刻估计法对第一检测网络进行40000次迭代训练,前20000次的学习率为1x10^-5,之后10000次的学习率为1x10^-6,最后10000次的学习率为1x10^-7。
优先的,所述步骤S3中,采用自适应时刻估计法对第二检测网络进行30000次迭代训练,前10000次的学习率为1x10^-4,之后10000次的学习率为1x10^-5,最后10000次的学习率为1x10^-6。
优先的,所述步骤S4中,采用自适应时刻估计法对第三检测网络进行30000次迭代训练,前10000次的学习率为1x10^-4,之后10000次的学习率为1x10^-5,最后10000次的学习率为1x10^-6。
优先的,一种基于单张单目图像获取三维坐标的识别方法,应用于上述任一所述的识别***,包括以下步骤:
步骤A1:获取用于识别的单张单目图像,并将所述单张单目图像输入至第一检测网络;
步骤A2:所述第一检测网络从所述单张单目图像中提取目标物体的掩模图像;
步骤A3:图片处理模块根据所述掩模图像对所述单张单目图像进行切割以获取切割图像;
步骤A4:第二检测网络对所述切割图像进行分割处理以获取所述目标物体的二维关键点坐标;
步骤A5:第三检测网络根据所述二维关键点坐标计算获取所述目标物体的三维关键点坐标。
优先的,在获取到所述三维关键点坐标后,还包括以下步骤:
采用输出模块根据所述目标物体所对应的转换矩阵,采用下述公式对所述三维关键点坐标进行计算以获取实际坐标点;
wrel=wc·RT;
其中,
wrel为实际坐标点;
wc为所述三维关键点坐标;
RT为所述转换矩阵。
上述技术方案具有如下优点或有益效果:
实现从单张单目的二维图像中恢复物体的三维几何结构从而为各种应用环境提供有效的建模方法和三维模型。利用迁移学习的原理对模型进行调整训练最终得到合适的模型文件,从而得到了特定物体的三维坐标,具有很高的应用价值,解决了现有技术中需要额外的探测器、多帧连续图像、物体种类的限制的问题,极大降低了硬件成本,提高了单张单目图像的识别效率。
附图说明
参考所附附图,以更加充分的描述本发明的实施例。然而,所附附图仅用于说明和阐述,并不构成对本发明范围的限制。
图1为本发明实施例中一种基于单张单目图像获取三维坐标的识别***的结构示意图;
图2为本发明实施例中对识别***的训练方法的流程图;
图3为本发明实施例中基于单张单目图像获取三维坐标的识别方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本发明一种较佳的实施例中,根据图1所示,一种基于单张单目图像获取三维坐标的识别***,包括:
第一检测网络1,所述第一检测网络1的输入端获取输入的单张单目图像,所述第一检测网络1从所述单张单目图像中提取目标物体的掩模图像;
图片处理模块2,连接所述第一检测网络1的输出端,用于根据所述掩模图像对所述单张单目图像进行切割以获取切割图像;
第二检测网络3,所述第二检测网络3的输入端连接所述图片处理模块2,用于对所述切割图像进行分割处理,以获取所述目标物体的二维关键点坐标;
第三检测网络4,所述第三检测网络4的输入端连接所述第二检测网络3的输出端,用于根据所述二维关键点坐标计算获取所述目标物体的三维关键点坐标;
所述第一检测网络1、所述第二检测网络3和所述第三检测网络4均由预先设定的对应的多个训练数据预先训练得到。
具体地,本实施例中,将单张单目的二维图像的识别任务分为是三个深度学习网络。
采用第一检测网络1用于检测并分割二维图片中目标物体的图形,生成目标物体的掩模(mask)图像。
采用第二检测网络3根据第一检测网络1中检测裁剪后得到的目标物体的切割图像进行分割处理,分割处理后得到多个二维关键点坐标进行输出,例如人手图像,可以提取21个二维关键点坐标,依次对应21个人手的关节,通过二维关键点坐标限定图像中目标物理二维方向中各关键点的位置。
采用第三检测网络4二维关键点坐标作为输入,并得到三维关键点坐标。通过将三维关键点坐标进行连接可以达到目标物体的三维状态下的形态。
上述方案实现单张单目图像中提取三维坐标的效果,通过将上述识别***嵌入至各类设备中可以实现二维图像识别的应用,例如手势识别、机械运动识别等。
本发明一种较佳的实施例中,第二检测网络3的输出端的输出维度与第三检测网络4的输出端的输入维度相同,且关联于目标物体的二维关键点坐标的数量,第三检测网络4的输出端的输出维度关联于目标物体的三维关键点坐标的数量。
具体地,本实施例中,第二检测网络3和第三检测网络4的输入和输出受目标物体关键点的数量的影响。
本发明一种较佳的实施例中,第二检测网络3的输出维度设定为32*32*N,第三检测网络4的输入维度设定为32*32*N,第三检测网络4的输出维度设定为3*N,其中N为关键点的数量。针对立方体进行识别,立方体存在8个顶点,因此设定8个对应的关键点,对应的第二检测网络3的输出维度设定为32*32*8,第三检测网络4的输入维度设定为32*32*8,第三检测网络4的输出维度设定为3*8。
本发明一种较佳的实施例中,根据图1所示,识别***还包括一输出模块5,连接第三检测网络4的输出端,用于根据所述目标物体所对应的转换矩阵,采用下述公式对所述三维关键点坐标进行计算以获取实际坐标点;
wrel=wc·RT;
其中,
wrel为实际坐标点;
wc为所述三维关键点坐标;
RT为所述转换矩阵。
具体地,本实施例中,针对不同的目标物体,在识别***在训练过程中基于减少计算量的目的而引入转换矩阵,将三维坐标预先进行矩阵转换使得识别***以较小的计算量进行识别,提高了识别***的适用性。同时,采用对三维关键点坐标进行矩阵计算,能够得到准确的目标物体实际的位置坐标。
本发明一种较佳的实施例中,根据图2所示,一种对基于单张单目图像获取三维坐标的识别***的训练方法,应用于上述任一的识别***的训练过程中,包括以下步骤:
步骤S1:建立目标物体的模型并对模型进行分析,获取目标物体的参考数据,参考数据包括:多个三维关键点坐标,多个角度截图,每个角度截图所对应的掩模图像、切割图像、二维关键点坐标;
步骤S2:将每个角度截图作为第一检测网络的输入,将角度截图对应的掩模图像作为第一检测网络的人工标定的结果,对第一检测网络进行训练;
步骤S3:将每个切割图像作为第二检测网络的输入,将切割图像对应的二维关键点坐标作为第二检测网络的人工标定的结果,对第二检测网络进行训练;
步骤S4:将二维关键点坐标作为第三检测网络的输入,将切割图像对应的三维关键点坐标作为第三检测网络的人工标定的结果,对第三检测网络进行训练。
具体地,本实施例中,采用上述方案依次对第一检测网络、第二检测网络、第三检测网络进行模型训练,训练过程中通过对第一检测网络输入的角度截图和人工标定的掩模图像进行调整,提高第一检测网络在不同图片中识别目标物体的掩模图像的敏感度;训练过程中通过对第二检测网络输入的切割图像和人工标定的二维关键点坐标进行调整,提高第二检测网络在不同的切割图像中准确定位二维关键点的坐标位置的准确度;训练过程中通过对第三检测网络输入的二维关键点坐标和人工标定的三维关键点坐标进行调整,提高第三检测网络根据二维关键点坐标推导出三维关键点坐标的准确度。
在建立目标物体的模型过程中采用autodesk或3dmax的图形软件进行模型建立和数据提取的操作。
上述实施例中,参考数据采用目标物体单一静态模型为依据,也可采用多个单一静态模型组合的动态模型为依据。最终得到的识别***能够针对相同的目标物体的多个形态进行识别。
本发明一种较佳的实施例中,步骤S1还包括以下步骤:
获取所述模型的各关键点的实际坐标,对每个所述实际坐标进行矩阵转换以获取对应的所述三维关键点坐标,采用以下计算公式进行矩阵转换:wc=wrel·R-T,其中,wrel为所述实际坐标,wc为所述三维关键点坐标,R-T为所述转换矩阵的逆矩阵。
具体地,本实施例中,针对第三检测网络中进行训练的对象是三维关键点坐标和二维关键点坐标,采用上述矩阵计算的方案将实际坐标进行预先转换满足实际训练需要。
本发明一种较佳的实施例中,步骤S2中,采用自适应时刻估计法对第一检测网络进行40000次迭代训练,前20000次的学习率为1x10^-5,之后10000次的学习率为1x10^-6,最后10000次的学习率为1x10^-7。
步骤S3中,采用自适应时刻估计法对第二检测网络进行30000次迭代训练,前10000次的学习率为1x10^-4,之后10000次的学习率为1x10^-5,最后10000次的学习率为1x10^-6。
步骤S4中,采用自适应时刻估计法对第三检测网络进行30000次迭代训练,前10000次的学习率为1x10^-4,之后10000次的学习率为1x10^-5,最后10000次的学习率为1x10^-6。
具体地,本实施例中,采用自适应时刻估计法(ADAM solver)进行对每个检测网络的训练,针对不同检测网络的检测目标限定不同迭代训练次数及对应的学习率,有助于提高各检测网络对目标数据的敏感度,提高数据提取和判断的准确性。
本发明一种较佳的实施例中,根据图3所示,一种基于单张单目图像获取三维坐标的识别方法,采用上述任一识别***,包括以下步骤:
步骤A1:获取用于识别的单张单目图像,并将单张单目图像输入至第一检测网络;
步骤A2:第一检测网络从单张单目图像中提取目标物体的掩模图像;
步骤A3:图片处理模块根据掩模图像对单张单目图像进行切割以获取切割图像;
步骤A4:第二检测网络对切割图像进行分割处理以获取目标物体的二维关键点坐标;
步骤A5:第三检测网络根据二维关键点坐标计算获取目标物体的三维关键点坐标。
本发明一种较佳的实施例中,
在获取到所述三维关键点坐标后,还包括以下步骤:
采用输出模块根据所述目标物体所对应的转换矩阵,采用下述公式对所述三维关键点坐标进行计算以获取实际坐标点;
wrel=wc·RT;
其中,
wrel为实际坐标点;
wc为所述三维关键点坐标;
RT为所述转换矩阵。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种基于单张单目图像获取三维坐标的识别***,其特征在于,包括:
第一检测网络,所述第一检测网络的输入端获取输入的单张单目图像,所述第一检测网络从所述单张单目图像中提取目标物体的掩模图像;
图片处理模块,连接所述第一检测网络的输出端,用于根据所述掩模图像对所述单张单目图像进行切割以获取切割图像;
第二检测网络,所述第二检测网络的输入端连接所述图片处理模块,用于对所述切割图像进行分割处理,以获取所述目标物体的二维关键点坐标;
第三检测网络,所述第三检测网络的输入端连接所述第二检测网络的输出端,用于根据所述二维关键点坐标计算获取所述目标物体的三维关键点坐标;
所述第一检测网络、所述第二检测网络和所述第三检测网络均由预先设定的对应的多个训练数据预先训练得到。
2.根据权利要求1所述的识别***,其特征在于,所述第二检测网络的输出端的输出维度与所述第三检测网络的输入端的输入维度相同,且关联于所述目标物体的所述二维关键点坐标的数量,所述第三检测网络的输出端的输出维度关联于所述目标物体的所述三维关键点坐标的数量。
3.根据权利要求1所述的识别***,其特征在于,还包括一输出模块,连接所述第三检测网络的输出端,用于根据所述目标物体所对应的转换矩阵,采用下述公式对所述三维关键点坐标进行计算以获取实际坐标点;
wrel=we·RT;
其中,
wrel为实际坐标点;
wc为所述三维关键点坐标;
RT为所述转换矩阵。
4.一种对基于单张单目图像获取三维坐标的识别***的训练方法,其特征在于,应用于对如权利要求1-3中任一所述的识别***的训练过程中,包括以下步骤:
步骤S1:建立目标物体的模型并对所述模型进行分析,获取所述目标物体的参考数据,所述参考数据包括:多个三维关键点坐标,多个角度截图,每个所述角度截图所对应的掩模图像、切割图像、二维关键点坐标;
步骤S2:将每个所述角度截图作为所述第一检测网络的输入,将所述角度截图对应的掩模图像作为所述第一检测网络的人工标定的结果,对所述第一检测网络进行训练;
步骤S3:将每个所述切割图像作为所述第二检测网络的输入,将所述切割图像对应的所述二维关键点坐标作为所述第二检测网络的人工标定的结果,对所述第二检测网络进行训练;
步骤S4:将所述二维关键点坐标作为所述第三检测网络的输入,将所述切割图像对应的所述三维关键点坐标作为所述第三检测网络的人工标定的结果,对所述第三检测网络进行训练。
5.根据权利要求4所述的训练方法,其特征在于,所述步骤S1还包括以下步骤:
获取所述模型的各关键点的实际坐标,对每个所述实际坐标进行矩阵转换以获取对应的所述三维关键点坐标,采用以下计算公式进行矩阵转换:wc=wrel·R-T,其中,wrel为所述实际坐标,wc为所述三维关键点坐标,R-T为所述转换矩阵的逆矩阵。
6.根据权利要求4所述的训练方法,其特征在于,所述步骤S2中,采用自适应时刻估计法对第一检测网络进行40000次迭代训练,前20000次的学习率为1x10^-5,之后10000次的学习率为1x10^-6,最后10000次的学习率为1x10^-7。
7.根据权利要求4所述的训练方法,其特征在于,所述步骤S3中,采用自适应时刻估计法对第二检测网络进行30000次迭代训练,前10000次的学习率为1x10^-4,之后10000次的学习率为1x10^-5,最后10000次的学习率为1x10^-6。
8.根据权利要求4所述的训练方法,其特征在于,所述步骤S4中,采用自适应时刻估计法对第三检测网络进行30000次迭代训练,前10000次的学习率为1x10^-4,之后10000次的学习率为1x10^-5,最后10000次的学习率为1x10^-6。
9.一种基于单张单目图像获取三维坐标的识别方法,其特征在于,应用于如权利要求1-3中任一所述的识别***,包括以下步骤:
步骤A1:获取用于识别的单张单目图像,并将所述单张单目图像输入至第一检测网络;
步骤A2:所述第一检测网络从所述单张单目图像中提取目标物体的掩模图像;
步骤A3:图片处理模块根据所述掩模图像对所述单张单目图像进行切割以获取切割图像;
步骤A4:第二检测网络对所述切割图像进行分割处理以获取所述目标物体的二维关键点坐标;
步骤A5:第三检测网络根据所述二维关键点坐标计算获取所述目标物体的三维关键点坐标。
10.根据权利要求9所述的识别方法,其特征在于,在获取到所述三维关键点坐标后,还包括以下步骤:
采用输出模块根据所述目标物体所对应的转换矩阵,采用下述公式对所述三维关键点坐标进行计算以获取实际坐标点;
wrel=wc·RT;
其中,
wrel为实际坐标点;
wc为所述三维关键点坐标;
RT为所述转换矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810673392.6A CN108921929A (zh) | 2018-06-26 | 2018-06-26 | 一种识别***及训练方法及单张单目图像的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810673392.6A CN108921929A (zh) | 2018-06-26 | 2018-06-26 | 一种识别***及训练方法及单张单目图像的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921929A true CN108921929A (zh) | 2018-11-30 |
Family
ID=64421464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810673392.6A Pending CN108921929A (zh) | 2018-06-26 | 2018-06-26 | 一种识别***及训练方法及单张单目图像的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921929A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859217A (zh) * | 2019-02-20 | 2019-06-07 | 厦门美图之家科技有限公司 | 人脸图像中毛孔区域的分割方法及计算设备 |
CN110334763A (zh) * | 2019-07-04 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 模型数据文件生成、图像识别方法、装置、设备及介质 |
CN111325832A (zh) * | 2020-03-04 | 2020-06-23 | 北京奇艺世纪科技有限公司 | 建模方法、建模装置和电子设备 |
CN111598896A (zh) * | 2020-04-28 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、设备及存储介质 |
CN114870364A (zh) * | 2022-04-19 | 2022-08-09 | 深圳市华屹医疗科技有限公司 | 健身器械控制方法、健身器械及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102657532A (zh) * | 2012-05-04 | 2012-09-12 | 深圳泰山在线科技有限公司 | 基于人体姿态识别的身高测量方法及装置 |
US20150254857A1 (en) * | 2014-03-10 | 2015-09-10 | Sony Corporation | Image processing system with registration mechanism and method of operation thereof |
CN105069423A (zh) * | 2015-07-29 | 2015-11-18 | 北京格灵深瞳信息技术有限公司 | 一种人体姿态检测方法及装置 |
CN107392097A (zh) * | 2017-06-15 | 2017-11-24 | 中山大学 | 一种单目彩***的三维人体关节点定位方法 |
-
2018
- 2018-06-26 CN CN201810673392.6A patent/CN108921929A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102657532A (zh) * | 2012-05-04 | 2012-09-12 | 深圳泰山在线科技有限公司 | 基于人体姿态识别的身高测量方法及装置 |
US20150254857A1 (en) * | 2014-03-10 | 2015-09-10 | Sony Corporation | Image processing system with registration mechanism and method of operation thereof |
CN105069423A (zh) * | 2015-07-29 | 2015-11-18 | 北京格灵深瞳信息技术有限公司 | 一种人体姿态检测方法及装置 |
CN107392097A (zh) * | 2017-06-15 | 2017-11-24 | 中山大学 | 一种单目彩***的三维人体关节点定位方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859217A (zh) * | 2019-02-20 | 2019-06-07 | 厦门美图之家科技有限公司 | 人脸图像中毛孔区域的分割方法及计算设备 |
CN110334763A (zh) * | 2019-07-04 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 模型数据文件生成、图像识别方法、装置、设备及介质 |
CN111325832A (zh) * | 2020-03-04 | 2020-06-23 | 北京奇艺世纪科技有限公司 | 建模方法、建模装置和电子设备 |
CN111598896A (zh) * | 2020-04-28 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、设备及存储介质 |
CN111598896B (zh) * | 2020-04-28 | 2023-12-05 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、设备及存储介质 |
CN114870364A (zh) * | 2022-04-19 | 2022-08-09 | 深圳市华屹医疗科技有限公司 | 健身器械控制方法、健身器械及存储介质 |
CN114870364B (zh) * | 2022-04-19 | 2023-12-19 | 深圳市华屹医疗科技有限公司 | 健身器械控制方法、健身器械及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921929A (zh) | 一种识别***及训练方法及单张单目图像的识别方法 | |
CN107103613B (zh) | 一种三维手势姿态估计方法 | |
Ueda et al. | A hand-pose estimation for vision-based human interfaces | |
CN110827383B (zh) | 三维模型的姿态模拟方法、装置、存储介质和电子设备 | |
CN110246181B (zh) | 基于锚点的姿态估计模型训练方法、姿态估计方法和*** | |
CN104299245B (zh) | 基于神经网络的增强现实跟踪方法 | |
CN109472828B (zh) | 一种定位方法、装置、电子设备及计算机可读存储介质 | |
CN111968165B (zh) | 动态人体三维模型补全方法、装置、设备和介质 | |
CN106845515A (zh) | 基于虚拟样本深度学习的机器人目标识别和位姿重构方法 | |
CN109035327B (zh) | 基于深度学习的全景相机姿态估计方法 | |
CN104317391A (zh) | 一种基于立体视觉的三维手掌姿态识别交互方法和*** | |
CN110598590A (zh) | 基于多视角相机的紧密交互人体姿态估计方法及装置 | |
CN107229329A (zh) | 用于具有深度地面实况注释的虚拟传感器数据生成的方法和*** | |
JP7063837B2 (ja) | 領域抽出装置及びプログラム | |
WO2004111927B1 (en) | Three-dimensional modeling from arbitrary three-dimensional curves | |
CN104778869A (zh) | 即时更新三维可视化教学***及其建立方法 | |
WO2022095514A1 (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN110097574A (zh) | 一种已知刚体的实时位姿估计方法 | |
CN112070782A (zh) | 识别场景轮廓的方法、装置、计算机可读介质及电子设备 | |
CN105069829B (zh) | 一种基于多目视频的人体动画生成方法 | |
CN108010122A (zh) | 一种人体三维模型重建与测量的方法及*** | |
CN115330946A (zh) | 元宇宙构建方法、装置、存储介质及电子设备 | |
CN110060296A (zh) | 估计姿态的方法、电子设备和显示虚拟对象的方法及设备 | |
Kohtala et al. | Leveraging synthetic data from cad models for training object detection models–a vr industry application case | |
Adithya et al. | Augmented reality approach for paper map visualization |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |