CN109376791B - 深度算法精度计算方法、装置、电子设备、可读存储介质 - Google Patents
深度算法精度计算方法、装置、电子设备、可读存储介质 Download PDFInfo
- Publication number
- CN109376791B CN109376791B CN201811309943.7A CN201811309943A CN109376791B CN 109376791 B CN109376791 B CN 109376791B CN 201811309943 A CN201811309943 A CN 201811309943A CN 109376791 B CN109376791 B CN 109376791B
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- depth
- algorithm
- depth algorithm
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种深度算法精度计算方法、装置、电子设备、可读存储介质,该方法通过获取待测试深度算法产生的目标对象的深度图;根据所述深度图得到所述目标对象的3D图像;获取所述目标对象的基准3D图像;根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度,具有通用性。
Description
技术领域
本发明涉及数据处理领域,具体而言,涉及一种深度算法精度计算方法、装置、电子设备、可读存储介质。
背景技术
相机模组可以设置在保存有深度算法的设备(例如移动终端)上,使得设备可以通过相机模组将所拍摄得到的图片转换成深度图。随着相机模组所拍摄的对象的不同,例如拍摄白墙以及拍摄人像,深度算法对拍摄得到的图片转换成而成的深度图的精度也不同。
发明内容
有鉴于此,本发明实施例的目的在于提供一种深度算法精度计算方法、装置、电子设备、可读存储介质,以计算深度算法的精度。
第一方面,本发明实施例提供了一种深度算法精度计算方法,所述方法包括:获取待测试深度算法产生的目标对象的深度图;根据所述深度图得到所述目标对象的3D图像;获取所述目标对象的基准3D图像;根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度。
结合第一方面的一种实施方式,在所述目标对象为白墙或者带有纹理的白纸时,根据所述深度图得到所述目标对象的3D图像还包括:将所述目标对象的预设区域的深度图转换成所述3D图像。
结合第一方面的一种实施方式,在所述目标对象为白墙或者带有纹理的白纸时,获取所述目标对象的基准3D图像,包括:基于预设的3D点拟合算法,将所述深度图拟合到一个平面,所述平面为所述基准3D图像。
结合第一方面的一种实施方式,根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度,包括:根据所述3D图像中的3D点到所述平面的垂直距离,得到所述精度。
结合第一方面的一种实施方式,在所述目标对象为人像时,获取所述目标对象的基准3D图像,包括:获取3D激光扫描仪扫描所述目标对象后得到的基准3D图像。
结合第一方面的一种实施方式,根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度还包括:计算所述3D图像中的3D点云数据与所述基准3D图像中的对应的3D点云数据之间差值,根据所述差值得到所述深度算法的精度。
结合第一方面的一种实施方式,所述方法还包括:获取切除所述3D图像的预设区域后得到的去除杂质后的3D图像;相应的,根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度,包括:计算所述去除杂质后的3D图像与所述基准3D图像之间差值,根据所述差值得到所述深度算法的精度。
第二方面,本发明实施例提供了一种深度算法精度计算装置,包括:获取模块,用于获取待测试深度算法产生的目标对象的深度图;所述获取模块,还用于根据所述深度图得到所述目标对象的3D图像;所述获取模块,还用于获取所述目标对象的基准3D图像;计算模块,用于根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度。
第三方面,本发明实施例提供了一种电子设备,包括处理器以及与所述处理器连接的存储器。所述存储器内存储计算机程序,当所述计算机程序被所述处理器执行时,使得所述电子设备执行第一方面中所述的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行第一方面中所述的方法。
与现有技术相比,本发明各实施例提出的一种深度算法精度计算方法、装置、电子设备、可读存储介质,通过获取待测试深度算法产生的目标对象的深度图;根据所述深度图得到所述目标对象的3D图像;获取所述目标对象的基准3D图像;根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度,具有通用性。
本发明实施例公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明实施例公开的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的电子设备的示意图;
图2为本发明实施例提供的深度算法精度计算方法的流程图;
图3为本发明实施例提供的深度算法精度计算装置的结构框图。
具体实施方式
下面将结合本发明实施例中附图,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。基于本发明的实施例,本领域技术人员在没有做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。
深度算法可以将相机模组所拍摄得到的图片转换成深度图。随着相机模组所拍摄的对象的不同,例如拍摄白墙以及拍摄人像,深度算法对拍摄得到的图片转换成而成的深度图的精度也不同。
为了计算深度算法的精度,本发明实施例提供了一种深度算法精度计算方法、装置、电子设备、可读存储介质,该技术可采用相应的软件、硬件以及软硬结合的方式实现。以下对本发明实施例进行详细介绍。
首先,参照图1来描述用于实现本发明实施例的深度算法精度计算方法、装置的电子设备100。
电子设备100可以包括处理器110、存储器120以及深度算法精度计算装置。
处理器110、存储器120这些组件可以通过总线***和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备100也可以具有其他组件和结构。所述深度算法精度计算装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在电子设备100的操作***(operating system,OS)中的软件功能模块。所述处理器110用于执行存储器120中存储的可执行模块,例如所述深度算法精度计算装置包括的软件功能模块或计算机程序。
所述存储器120可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器110可以运行所述程序指令,以实现下文所述的本发明实施例中期望实现的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如应用程序使用和/或产生的各种数据等。
处理器110可能是一种集成电路芯片,具有信号的处理能力。上述的处理器110可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。处理器110可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。
深度算法可以保存在电子设备100的存储器120内,使得电子设备100将相机模组拍摄到的照片转换成深度图。其中,电子设备100可以与相机模组进行连接,当然,相机模组也可以集成在电子设备100上。相机模组可以包括摄像头、LED等配件。
下面将针对为了实现计算深度算法的精度而进行的计算方法进行介绍:
请参照图2,图2是本发明实施例提供的一种深度算法精度计算方法的流程图,下面将对图2所示的流程进行详细阐述,所述方法包括:
步骤S110:获取待测试深度算法产生的目标对象的深度图。
步骤S120:根据所述深度图得到所述目标对象的3D图像。
步骤S130:获取所述目标对象的基准3D图像。
步骤S140:根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度。
其中,深度图由深度算法对图片进行转换得到。相机模组在拍摄不同的目标对象时,得到不同的图片。
作为一种可选的实施方式,目标对象可以是白墙或者带有纹理的白纸,还可以是人像(或者是动植物、建筑物等)。
下面将针对目标对象为白墙(或者为带有纹理的白纸)以及目标图片为人像(或者为动植物、建筑物)两种情况时,分别对深度算法精度计算方法进行介绍。
(1)当目标对象为白墙(或者为带有纹理的白纸)。
在这种实施方式下,在待测试的深度算法将以白墙为目标对象的图片转换成深度图后,电子设备100可以将深度图转换成3D图像。
其中,深度图中包括目标对象的图片中的每个像素点对应的像素点值。假设在深度图中A点的坐标为(u,v),A点的像素点值为d,在把深度图转换成3D图后,与A点对应的3D点为A1,A1的坐标为(x,y,z)。在将深度图转换成3D图像时,A点与A1点之间满足以下条件:
z=d/s;x=(u-cx)×z/fx;y=(v-cy)×z/fy。
其中,通常把fx,fy,cx,cy这四个参数(fx,fy是相机模组所包括的摄像头在x,y两个轴上的焦距,cx,cy是摄像机的光圈中心)定义为相机模组所包括的摄像头的内参矩阵,摄像头在制造之后,内参矩阵不会改变;s是深度图的缩放因子。
由于白墙的3D图像就是一个平面,因此,电子设备100还可以基于预设的3D点拟合算法,例如Least-Mean-Square算法将所述深度图中的点拟合到一个平面内,该平面就是白墙的基准3D图像。
在得到了白墙的3D图像与基准3D图像后,电子设备100可以根据3D图像与基准3D图像之间的差值,得到待测试的深度算法的精度。
可选的,3D图像与基准3D图像之间的差值,可以用3D图像所包括的3D点到表征基准3D图像的平面的垂直距离来表示。
3D点到平面的垂直距离计算方式如下:
假设平面的表示方程为:ax+by+z+d=0,这个平面的法向量为(a,b,1)。通过拟合平面的过程,可以得到a,b,d的值。因此,对于一个3D点(x0,y0,z0),其到平面的距离为|a×x0+b×y0+c×z0+d|。这个点到平面的距离越近,得到的距离值越小,如果这个点在平面上,则得到的距离值为0。
由于3D图像包括多个3D点,因此,在计算3D图像与基准3D图像之间的差值时,可以得到每个3D点与平面之间的距离值。在得到多个距离值后,可以计算多个距离值的均方根,并把均方根作为深度算法的精度。当然,还可以用其他指标,例如距离值的标准差、距离值的平均数来表示深度算法的精度,此处不再赘述。
在本发明实施例中,为了提高计算结果的准确性,可选的,在计算所述3D图像与所述基准3D图像之间的差值之前,可以将所述目标对象的预设区域作为有效区域,然后把有效区域的深度图转换成所述3D图像。
可选的,该预设区域可以是白墙的中心区域,用于消除白墙的边缘杂质对深度计算的影响。在进行中心区域的选取时,可以先确定白墙的边缘线以及中心点。其中,中心点为白墙的中心位置,然后分别在白墙的上、下、左、右四个方位选取对应的边界线。在每个方位上,与该方位对应的边界线到中心点的垂直距离比上该方位的边缘线到中心点的垂直距离等于预设值(例如0.5)。在确定了四个边界线后,四个边界线所围成的包含中心点区域即为中心区域。
(2)当目标对象为人像(或者为动植物、建筑物等)。
在这种实施方式下,在待测试的深度算法将以人像为目标对象的图片转换成深度图后,可选的,电子设备100可以采用OpenCV等工具将深度图转换成OBJ文件,还可以通过开源代码等方式将深度图转换成OBJ文件,该OBJ文件用于表征人像的3D图像。
此外,电子设备100还可以通过获取3D激光扫描仪扫描所述目标对象后得到OBJ文件,并把该OBJ文件作为基准3D图像。当然,作为一种可选的实施方式,电子设备100也可以通过获取高分辨率的相机组合阵列(例如marker-based optical motion capturesystem)拍摄目标对象后得到的OBJ文件,然后把该OBJ文件作为基准3D图像。
在得到了人像的3D图像与基准3D图像后,电子设备100可以根据3D图像与基准3D图像之间的差值,得到待测试的深度算法的精度。
可选的,电子设备100可以通过计算所述3D图像中的3D点云数据与所述基准3D图像中的对应的3D点云数据之间的差值,该差值即为所述深度算法的精度。
在计算3D图像中的3D点云数据与所述基准3D图像中的对应的3D点云数据之间的差值时,可以将与3D图像对应的OBJ文件以及与基准3D图像对应的OBJ文件输入到3D文件比较软件(例如CloudCompare),从而得到所述3D图像中的3D点云数据与所述基准3D图像中的对应的3D点云数据之间差值。
在本发明实施例中,为了提高计算结果的准确性,作为一种可选的实施方式,电子设备100在根据所述3D图像与所述基准3D图像之间的差值得到所述深度算法的精度之前,还可以先切除所述3D图像的预设区域去除3D图像的杂质,得到去除杂质后的3D图像。然后在根据所述3D图像与所述基准3D图像之间的差值时,计算所述去除杂质后的3D图像与所述基准3D图像之间的差值。
在切除3D图像的预设区域时,可以通过可视化软件(例如blender)对与3D图像对应的OBJ文件进行处理,保留有效人像区域(例如头发到下巴,左耳到右耳的区域)。有效人像区域即为去除杂质后的3D图像。
本发明实施例提供的一种应用于电子设备100的一种深度算法精度计算方法,通过获取待测试深度算法产生的目标对象的深度图;根据所述深度图得到所述目标对象的3D图像;获取所述目标对象的基准3D图像;根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度,具有通用性。
对应于图2提供的深度算法精度计算方法,请参看图3,本发明实施例还提供了一种深度算法精度计算装置400,应用于电子设备100的处理器110。该深度算法精度计算装置400可以包括:
获取模块410,用于获取待测试深度算法产生的目标对象的深度图;
所述获取模块410,还用于根据所述深度图得到所述目标对象的3D图像;
所述获取模块410,还用于获取所述目标对象的基准3D图像;
计算模块420,用于根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度。
可选的,在所述目标对象为白墙或者带有纹理的白纸时,所述获取模块420,用于将所述目标对象的预设区域的深度图转换成所述3D图像。
可选的,在所述目标对象为白墙或者带有纹理的白纸时,所述获取模块410,用于基于预设的3D点拟合算法,将所述深度图拟合到一个平面,所述平面为所述基准3D图像。
可选的,所述计算模块420,用于根据所述3D图像中的3D点到所述平面的垂直距离,得到所述精度。
可选的,在所述目标对象为人像时,所述获取模块410,用于获取3D激光扫描仪扫描所述目标对象后得到的基准3D图像。
可选的,所述计算模块420,用于计算所述3D图像中的3D点云数据与所述基准3D图像中的对应的3D点云数据之间差值,根据所述差值得到所述深度算法的精度。
本实施例所提供的装置,其实现原理及产生的技术效果和前述实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中图2相应内容。
此外,本发明实施例还提供了一种电子设备,包括处理器以及与所述处理器连接的存储器,所述存储器内存储计算机程序,当所述计算机程序被所述处理器执行时,使得所述电子设备执行第一实施例中任意一项实施方式所提供的深度算法精度计算方法。其中,电子设备的结构示意图可以参看图1。
此外,本发明实施例还提供了一种计算机可读存储介质,在该计算机可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行本发明任一项实施方式所提供的深度算法精度计算方法。
此外,本发明实施例还提供了一种计算机程序,该计算机程序可以存储在云端或者本地的存储介质上,当所述计算机程序在计算机上运行时,使得所述计算机执行本发明任一项实施方式所提供的深度算法精度计算方法。
综上所述,本发明实施例提出的深度算法精度计算方法、装置、电子设备、可读存储介质,通过获取待测试深度算法产生的目标对象的深度图;根据所述深度图得到所述目标对象的3D图像;获取所述目标对象的基准3D图像;根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度,具有通用性。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种深度算法精度计算方法,其特征在于,所述方法包括:
获取待测试深度算法产生的目标对象的深度图,所述深度图是由相机模组所拍摄的图片通过所述待测试深度算法转换得到的,所述相机模组包括摄像头;
根据所述相机模组所包括的摄像头的内参矩阵,将所述深度图转换为所述目标对象的3D图像;
获取所述目标对象的基准3D图像;
根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度。
2.根据权利要求1所述的方法,其特征在于,在所述目标对象为白墙或者带有纹理的白纸时,将所述深度图转换为所述目标对象的3D图像,还包括:
将所述目标对象的中心区域的深度图转换成所述3D图像。
3.根据权利要求1或2所述的方法,其特征在于,在所述目标对象为白墙或者带有纹理的白纸时,获取所述目标对象的基准3D图像,包括:
基于预设的3D点拟合算法,将所述深度图拟合到一个平面,所述平面为所述基准3D图像。
4.根据权利要求3所述的方法,其特征在于,根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度,包括:
根据所述3D图像中的3D点到所述平面的垂直距离,得到所述精度。
5.根据权利要求1所述的方法,其特征在于,在所述目标对象为人像时,获取所述目标对象的基准3D图像,包括:
获取3D激光扫描仪扫描所述目标对象后得到的基准3D图像。
6.根据权利要求5所述的方法,其特征在于,根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度还包括:
计算所述3D图像中的3D点云数据与所述基准3D图像中的对应的3D点云数据之间差值,根据所述差值得到所述深度算法的精度。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取切除所述3D图像的预设区域后得到的去除杂质后的3D图像;
相应的,根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度,包括:
计算所述去除杂质后的3D图像与所述基准3D图像之间的差值,根据所述差值得到所述深度算法的精度。
8.一种深度算法精度计算装置,其特征在于,包括:
获取模块,用于获取待测试深度算法产生的目标对象的深度图,所述深度图是由相机模组所拍摄的图片通过所述待测试深度算法转换得到的,所述相机模组包括摄像头;
所述获取模块,还用于根据所述相机模组所包括的摄像头的内参矩阵,将所述深度图转换为所述目标对象的3D图像;
所述获取模块,还用于获取所述目标对象的基准3D图像;
计算模块,用于根据所述3D图像与所述基准3D图像之间的差值,得到所述深度算法的精度。
9.一种电子设备,其特征在于,包括处理器以及与所述处理器连接的存储器,所述存储器内存储计算机程序,当所述计算机程序被所述处理器执行时,使得所述电子设备执行权利要求1-7中任意一项所述的方法。
10.一种可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811309943.7A CN109376791B (zh) | 2018-11-05 | 2018-11-05 | 深度算法精度计算方法、装置、电子设备、可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811309943.7A CN109376791B (zh) | 2018-11-05 | 2018-11-05 | 深度算法精度计算方法、装置、电子设备、可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376791A CN109376791A (zh) | 2019-02-22 |
CN109376791B true CN109376791B (zh) | 2020-11-24 |
Family
ID=65397455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811309943.7A Active CN109376791B (zh) | 2018-11-05 | 2018-11-05 | 深度算法精度计算方法、装置、电子设备、可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376791B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110103123A (zh) * | 2019-03-28 | 2019-08-09 | 北京百慕合金有限责任公司 | 切割砂轮片控制方法及装置 |
CN111145167A (zh) * | 2019-12-30 | 2020-05-12 | 杭州艾芯智能科技有限公司 | 平整度检测方法、装置、计算机设备和存储介质 |
CN111885311B (zh) * | 2020-03-27 | 2022-01-21 | 东莞埃科思科技有限公司 | 红外摄像头曝光调节的方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230384A (zh) * | 2017-11-28 | 2018-06-29 | 深圳市商汤科技有限公司 | 图像深度计算方法、装置、存储介质和电子设备 |
CN108537834A (zh) * | 2018-03-19 | 2018-09-14 | 杭州艾芯智能科技有限公司 | 一种基于深度图像的体积测量方法、***及深度相机 |
CN108665537A (zh) * | 2018-05-15 | 2018-10-16 | 清华大学 | 联合优化人体体态与外观模型的三维重建方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846308B (zh) * | 2017-01-20 | 2019-08-20 | 广州市城市规划勘测设计研究院 | 基于点云的地形图精度的检测方法和装置 |
CN108694740A (zh) * | 2017-03-06 | 2018-10-23 | 索尼公司 | 信息处理设备、信息处理方法以及用户设备 |
-
2018
- 2018-11-05 CN CN201811309943.7A patent/CN109376791B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230384A (zh) * | 2017-11-28 | 2018-06-29 | 深圳市商汤科技有限公司 | 图像深度计算方法、装置、存储介质和电子设备 |
CN108537834A (zh) * | 2018-03-19 | 2018-09-14 | 杭州艾芯智能科技有限公司 | 一种基于深度图像的体积测量方法、***及深度相机 |
CN108665537A (zh) * | 2018-05-15 | 2018-10-16 | 清华大学 | 联合优化人体体态与外观模型的三维重建方法及*** |
Non-Patent Citations (2)
Title |
---|
Make3D: Learning 3D Scene Structure from a Single Still Image;Ashutosh Saxena等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20090531;第31卷(第5期);第7节 * |
单目图像的深度估计;田虎;《中国博士学位论文全文数据库信息科技辑》;20160315(第3期);I138-153 * |
Also Published As
Publication number | Publication date |
---|---|
CN109376791A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6394005B2 (ja) | 投影画像補正装置、投影する原画像を補正する方法およびプログラム | |
CN109376791B (zh) | 深度算法精度计算方法、装置、电子设备、可读存储介质 | |
US8405742B2 (en) | Processing images having different focus | |
JP2018092580A5 (ja) | 画像処理装置および画像処理方法、プログラム | |
US9619886B2 (en) | Image processing apparatus, imaging apparatus, image processing method and program | |
CN107517346B (zh) | 基于结构光的拍照方法、装置及移动设备 | |
JP2015203652A (ja) | 情報処理装置および情報処理方法 | |
CN110310365B (zh) | 一种三维重建方法及装置 | |
JP2018537877A5 (zh) | ||
WO2012029658A1 (ja) | 撮像装置、画像処理装置、画像処理方法及び画像処理プログラム | |
CN108734666B (zh) | 一种鱼眼图像校正方法及装置 | |
JP6573196B2 (ja) | 距離情報補正装置、距離情報補正方法及び距離情報補正プログラム | |
JP7298687B2 (ja) | 物体認識装置及び物体認識方法 | |
JP7195785B2 (ja) | 3次元形状データを生成する装置、方法、及びプログラム | |
KR102076635B1 (ko) | 산재된 고정 카메라를 이용한 파노라마 영상 생성 장치 및 방법 | |
JP2015207090A (ja) | 画像処理装置、及びその制御方法 | |
US8179431B2 (en) | Compound eye photographing apparatus, control method therefor, and program | |
JP6305232B2 (ja) | 情報処理装置、撮像装置、撮像システム、情報処理方法およびプログラム。 | |
JP6602412B2 (ja) | 情報処理装置及び方法、情報処理システム、ならびにプログラム。 | |
James¹ et al. | Point cloud data from Photogrammetry techniques to generate 3D Geometry | |
JP6625654B2 (ja) | 投影装置、投影方法、および、プログラム | |
KR20200033601A (ko) | 영상 처리 장치 및 방법 | |
CN110136237B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
JP2022124250A (ja) | 処理装置、キャリブレーション方法、カメラおよび水中ドローン | |
CN117635875B (zh) | 一种三维重建方法、装置及终端 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |