CN112752088A - 深度图像生成方法及装置、参考图像生成方法、电子设备 - Google Patents
深度图像生成方法及装置、参考图像生成方法、电子设备 Download PDFInfo
- Publication number
- CN112752088A CN112752088A CN202010739666.4A CN202010739666A CN112752088A CN 112752088 A CN112752088 A CN 112752088A CN 202010739666 A CN202010739666 A CN 202010739666A CN 112752088 A CN112752088 A CN 112752088A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- depth
- target object
- pixel
- 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
Links
Images
Classifications
-
- 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
- G06T7/55—Depth or shape recovery from multiple images
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/204—Image signal generators using stereoscopic image cameras
- H04N13/254—Image signal generators using stereoscopic image cameras in combination with electromagnetic radiation sources for illuminating objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
- G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
- G01B11/2513—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object with several lines being projected in more than one direction, e.g. grids, patterns
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/271—Image signal generators wherein the generated image signals comprise depth maps or disparity maps
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
- G06T2207/30208—Marker matrix
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Optics & Photonics (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种深度图像生成方法及装置、参考图像生成方法、电子设备;涉及深度成像技术领域。所述深度图像生成方法包括:向参考平面发射结构光,并利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,以得到参考图像;向目标对象发射所述结构光,并利用所述第一有效像素对所述目标对象成像,以得到目标图像;根据所述目标图像和所述参考图像得到所述目标对象的深度图像。本公开可以在一定程度上减少或者避免深度图像出现黑边现象。
Description
技术领域
本公开涉及深度成像技术领域,具体而言,涉及一种深度图像生成方法、深度图像生成装置、参考图像生成方法、电子设备以及计算机可读存储介质。
背景技术
随着计算机视觉的发展,基于二维彩色图像处理的传统计算机视觉技术已无法满足人们将计算机视觉应用于三维物理世界中的需求。深度图像作为可以直接反映物体距离信息的图像,得到了越来越多的应用。
但在现有技术中,部分深度图像可能会存在黑边的现象,进而到其在某些领域的应用。例如,在面部认证过程中,可以引入面部深度图像,从而提高认证结果的准确性;但如果用户面部正好有部分位于上述深度图像的黑边中,则可能会导致面部认证失败。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例的目的在于提供一种深度图像生成方法、深度图像生成装置、参考图像生成方法、电子设备以及计算机可读存储介质,从而至少在一定程度上减少或者避免深度图像出现黑边现象。
根据本公开的一个方面,提供一种深度图像生成方法,包括:向参考平面发射结构光,并利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,以得到参考图像;向目标对象发射所述结构光,并利用所述第一有效像素对所述目标对象成像,以得到目标图像;根据所述目标图像和所述参考图像得到所述目标对象的深度图像。
根据本公开的一个方面,提供一种深度图像生成方法,包括:向目标对象发射结构光,并利用图像传感器的第一有效像素对所述目标对象成像,以得到目标图像;根据所述目标图像和参考图像得到所述目标对象的深度图像;其中,所述参考图像是利用所述图像传感器的第一有效像素和至少部分第二有效像素对参考平面成像获得。
根据本公开的一个方面,提供一种参考图像生成方法,包括:向参考平面发射结构光,并利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,以得到参考图像;其中,所述第一有效像素为对目标对象进行深度成像时被使用的有效像素。
根据本公开的一个方面,提供一种深度图像生成装置,包括:参考图像生成模块,用于向参考平面发射结构光,并利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,以得到参考图像;目标图像获取模块,用于向目标对象发射所述结构光,并利用所述第一有效像素对所述目标对象成像,以得到目标图像;深度图像生成模块,用于根据所述目标图像和所述参考图像得到所述目标对象的深度图像。
在本公开的一种示例性实施例中,所述第一有效像素为位于所述图像传感器指定区域的有效像素;所述第二有效像素为位于所述图像传感器指定区域外的有效像素。
在本公开的一种示例性实施例中,所述指定区域为所述图像传感器的图像窗口区域。
在本公开的一种示例性实施例中,所述参考图像生成模块利用图像传感器的第一有效像素和全部第二有效像素对所述参考平面成像。
在本公开的一种示例性实施例中,所述参考图像生成模块利用图像传感器的第一有效像素和不同数量的所述第二有效像素对所述参考平面成像,得到多个不同大小的参考图像。所述深度图像生成模块从多个所述参考图像中确定被选参考图像,以及,根据所述目标图像和所述被选参考图像得到所述目标对象的深度图像。
在本公开的一种示例性实施例中,所述深度图像生成模块具体通过下述方式从多个所述参考图像中确定被选参考图像:获取所述目标对象到所述参考平面的距离;以及根据所述目标对象到所述参考平面的距离,从多个所述参考图像中确定被选参考图像。
在本公开的一种示例性实施例中,确定的所述被选参考图像的大小与所述目标对象到所述参考平面的距离正相关。
在本公开的一种示例性实施例中,所述深度图像生成模块具体通过下述步骤从多个所述参考图像中确定被选参考图像:确定所述目标对象在所述目标图像中的位置;以及根据所述目标对象在所述目标图像中的位置,从多个所述参考图像中确定被选参考图像。
在本公开的一种示例性实施例中,所述装置还包括:图像存储模块,用于将所述参考图像预先存储在指定存储位置。所述深度图像生成模块从所述指定存储位置读取所述参考图像,以及,根据所述目标图像和读取的所述参考图像得到所述目标对象的深度图像。
在本公开的一种示例性实施例中,所述深度图像生成模块具体通过下述步骤得到所述目标对象的深度图像:对所述目标图像中的目标像素在所述参考图像中进行匹配;根据匹配到的像素在所述参考图像的位置确定所述目标像素的偏移量;根据所述目标像素的偏移量计算所述目标像素对应的深度信息;利用各所述目标像素对应的深度信息生成所述深度图像。
在本公开的一种示例性实施例中,对所述目标图像中的目标像素在所述参考图像中进行匹配之前,所述深度图像生成模块还对所述参考图像以及所述目标图像进行二值化处理。
根据本公开的一个方面,提供一种深度图像生成装置,包括:目标图像获取模块,用于向目标对象发射结构光,并利用图像传感器的第一有效像素对所述目标对象成像,以得到目标图像;深度图像生成模块,用于根据所述目标图像和参考图像得到所述目标对象的深度图像;其中,所述参考图像是利用所述图像传感器的第一有效像素和至少部分第二有效像素对参考平面成像获得。
根据本公开的一个方面,提供一种参考图像生成装置,包括:参考图像生成模块,用于向参考平面发射结构光,并利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,以得到参考图像;其中,所述第一有效像素为对目标对象进行深度成像时被使用的有效像素。
根据本公开的一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的方法。
根据本公开的一个方面,提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述的各种可选实现方式中提供的方法。
本公开示例性实施例可以具有以下部分或全部有益效果:
基于本公开示例实施方式所提供的深度图像生成方法,生成参考图像的过程中,在利用第一有效像素的同时,还利用了在现有技术中并不被使用的第二有效像素,这样则可以增加生成的参考图像的尺寸。而黑边现象产生的主要原因是,目标图像边缘的像素在参考图像中不存在相对应的像素;而本公开示例实施方式所提供的深度图像生成方法中,由于增加了参考图像的尺寸,则可以使得目标图像边缘的部分或全部像素在参考图像匹配到相对应的像素,从而可以在一定程度上减少或者避免深度图像出现黑边现象。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。
图1示出了可以应用本公开实施例的一种深度成像***结构示意图;
图2示意性示出了根据本公开的一个实施例的深度图像生成方法的应用场景图;
图3示出了根据本公开的一个实施例的黑边现象产生的原理示意图;
图4示意性示出了根据本公开的一个实施例的深度图像生成方法的流程图;
图5示意性示出了根据本公开的一个实施例的图像传感器的框图;
图6示意性示出了根据本公开的一个实施例的图像传感器的结构图;
图7示意性示出了根据本公开的一个实施例的得到深度图像步骤的流程图;
图8示意性示出了根据本公开的一个实施例的块匹配方法原理图;
图9示意性示出了根据本公开的一个实施例的计算目标像素对应的深度信息的原理图;
图10示意性示出了根据本公开的一个实施例的黑边现象产生原理示意图;
图11示意性示出了根据本公开的一个实施例的深度图像生成方法的流程图;
图12示意性示出了根据本公开的一个实施例的深度图像生成装置的框图;
图13示出了适于用来实现本公开实施例的电子设备的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
参考图1所示,为发明人提供的一种深度成像***100的结构示意图。图1所示的深度成像***100中,主要包括结构光投影模块101、图像传感器102以及处理模块103;通过深度成像***可以用于对目标对象104进行深度成像,得到对应的深度图像;目标对象104可以为人脸或者其他即待成像的对象。
结构光投影模块101可以包括光源以及光学组件。其中,光源可为激光二极管或者半导体激光器等,还可以为边发射激光器、垂直腔面激光发射器或者相应的阵列激光器等;光源的出射光的波长可以是红外或者紫外等。光学组件用于将光源发出的光束进行调制后向外发射出结构光;光学组件可以是折射型光学元件、衍射型光学元件或者两者的组合等。本示例实施方式中,结构光光束可以是散斑、斑点、条纹或者二维图案等编码形式的结构光光束。
图像传感器102可以为电荷藕合器件图像传感器(Charge Coupled Device,CCD)或互补金属氧化物半导体(Complementary Metal-0xide-Semiconductor,CMOS)图像传感器等。此外,为了便于采集入射光,在图像传感器102的入射光光路上,还可以设置如滤光片、微透镜阵列(Micro Lens Array,MLA)等光学组件。其中,滤光片可以为拜尔滤光片或者红外滤光片等。此外,当结构光投影模块101所投射结构光波长为λ时,上述滤光片可以设置为仅过滤波长为λ的光束通过,从而提升后续图像质量。
结构光投影模块101与图像传感器102之间的连线被称为基线,比如基线方向可以为图1中所示的x轴方向。结构光投影模块101与图像传感器102的光轴可以平行也可以形成一定的夹角。本示例实施方式中,结构光投影模块101与图像传感器102的光轴为平行设置,通过这种设置,可以简化后续生成深度图像时的计算复杂度。
处理模块103可以包含一个或多个处理器以及一个或多个存储器,可以用于对结构光投影模块101与图像传感器102进行控制以及接受相关的数据并进行处理。其中,处理器可以包含如数字信号处理器(Digital Signal Processing,DSP)、应用处理器(Multimedia Application Processor,MAP)、现场可编程门阵列(Field-ProgrammableGate Array,FPGA)、特定用途集成电路(Application Specific IntegratedCircuit,ASIC)等中的一种或组合,存储器可以包含如随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read Only Memory,ROM)、闪存(Flash)等中的一种或组合。处理模块103所执行的控制、数据处理指令可以以软件、固件等形式保存在存储器中并在需要时被处理器调用,也可以直接将指令固化到电路中形成专用电路(或专用处理器)以执行相应的指令,也可以通过软件以及专用电路组合的形式来实现。处理模块103还可以包含输入/输出接口,和/或支持网络通信的网络接口。在本公开一些实施例中,可以通过接口将处理后的数据传输至其他设备或者***中的其他单元,比如显示单元或者外部终端设备等。
本示例实施方式中,上述结构光投影模块101、图像传感器102以及处理模块103可以独立分散设置,也可以部分或者全部集成在一个电子设备之中。例如,结构光投影模块101、图像传感器102以及处理模块103均可以集成在智能手机、平板电脑、笔记本电脑或者摄像机之中;参考图2所示,结构光投影模块101、图像传感器102以及处理模块103均集成在智能手机201,通过智能手机201即可对目标对象104进行深度成像。又例如,结构光投影模块101、图像传感器102可以集成在一个电子设备,处理模块103可以为云服务器或者其他第三方电子设备等。
基于上述深度成像***100,则可以在终端设备出厂前的标定阶段,利用结构光投影模块101向参考平面发射结构光,并利用图像传感器102对参考平面成像,以得到参考图像。用户在使用过程中,结构光投影模块101向目标对象发射所述结构光,并利用图像传感器102对所述目标对象成像,以得到目标图像;进而,可以计算目标图像中各像素相对于参考图像中对应像素的偏移量,并根据偏移量计算所述各像素对应的深度信息,从而根据各像素对应的深度信息生成所述深度图像。
但基于上述深度图像生成方法得到的部分深度图像可能会存在黑边的现象,造成深度图像的一些区域无效,进而影响到深度图像在某些领域的应用。参考图3所示,为黑边现象产生的原理示意图:
其中,结构光投影模块101的出射光范围为区域301,图像传感器102的入射光范围为区域302;如果目标对象位于区域301和区域302重合的范围内,理论上都可以生成深度图像。但由于结构光投影模块101和图像传感器102之间存在一定的距离,且参考图像303大小固定,因此当目标对象所在平面与参考平面距离较远时,目标图像304中的部分像素可能无法在参考图像303中匹配到相对应的像素,导致无法确定对应的深度信息;在深度图像中,对于无法确定对应的深度信息的像素,会使用0补足,这样导致了黑边现象的出现。
举例而言,图3中的目标图像304的A区域和目标图像305的A区域中的像素,均可以在参考图像303中匹配到相对应的像素,即均可以确定对应的深度信息;但参考图像303中并不存在目标图像304的B区域和目标图像305的B区域中的像素,即无法确定对应的深度信息;因此,最终生成的深度图像中,目标图像304的B区域和目标图像305的B区域对应的位置均为黑边。通常而言,目标对象所在平面与参考平面距离越近则黑边范围越小,目标对象所在平面与参考平面距离越远则黑边范围越大。
以面部认证为例,黑边现象的存在会影响到面部认证时的视场角(FOV,Fieldangle of View);同时,深度图像中黑边的大小可能会随着距离而变化,进一步增加了认证过程中的不确定性。具体而言,在不同距离进行面部认证,深度图像中黑边区域不同,导致面部认证有效区域不同;且如果用户面部正好处于深度图像黑边区域,则会影响本次面部认证的结果,从而降低了用户体验。此外,深度图像中黑边区域的范围会随着距离变化,在实际应用中也难以设计有效的策略进行规避。
基于上述一个或多个问题,本公开示例实施方式中提供了一种新的深度图像生成方法。参考图4所示,该深度图像生成方法可以包括下述步骤S410至步骤S430。其中:
在步骤S410中,向参考平面发射结构光,并利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,以得到参考图像。
本示例实施方式中,可以利用上述结构光投影模块101向参考平面发射如散斑、斑点、条纹或者二维图案等编码形式的结构光光束。参考平面例如可以是距离成像***预设距离(如0.5米、0.6米等)的平板。接着,可以利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,从而得到参考图像。本示例实施方式中,在得到参考图像之后,可以将参考图像预先存储在指定存储位置;例如,存储在终端设备的存储器或者存在云端服务器等。需要说明的是,步骤S410通常是在终端设备出厂前的标定阶段执行,但也可以是在终端设备使用阶段或者其他时间节点执行,本公开对此不做特殊限定。下面,将对图像传感器的第一有效像素和第二有效像素进行详细说明。
一般而言,参考图5所示,图像传感器500包括位于中心的有效像素区域501以及位于有效像素区域501周边的虚设像素区域502。参考图6所示,为一种常用图像传感器600的结构示意图。图像传感器600具有1344列、1136行像素,即共1526784(1344×1136)个像素。所述1526784个像素中,中心的1328列、1120行像素位于有效像素区域,即共计1487360(1328×1120)个有效像素(Active Pixel);所述1526784个像素中,上部8行、下部8行、左部8列以及右部8列位于周边虚设像素区域,即共计39424个虚设像素(Dummy Pixel)。其中,有效像素均为可以参与成像的像素;虚设像素无法参与成像,但可以用于进行黑阶信号校正以及对图像边缘的像素进行插值。
虽然有效像素均可以参与成像,但在实际应用中,为了适配具体终端的图像分辨率要求,通常仅配置部分有效像素(如下述图像窗口区域的像素)参与实际成像,其他有效像素则不参与实际成像。具体而言,在本技术领域,通常需要对图像传感器进行“开窗”操作,从而实现对于图像传感器的图像窗口区域(Windowing)的配置;图像窗口区域一般由四个参数定义,即HS(Horizontal Start,水平开始)、HE(Horizontal End,水平结束)、VS(Vertical Start,垂直开始)以及VE(Vertical End,垂直结束);当然,也可以通过更少的参数定义,如仅通过HS(Horizontal Start,水平开始)以及VE(Vertical End,垂直结束)表示等。
继续参考图6所示,在图像传感器600中,第169行至第968行、第33列至第1312列像素所在的区域被配置为图像窗口区域,通过该图像窗口区域,可以使得图像传感器输出分辨率为1280×800的图像。本示例实施方式中,第一有效像素为用户使用终端设备时,用于实际成像的有效像素,第二有效像素为用户使用终端设备时,不用于实际成像的有效像素。结合上述图像窗口区域,第一有效像素即位于图像传感器指定区域(图像窗口区域)的有效像素,第二有效像素即位于图像传感器指定区域外的有效像素。但容易理解的是,在本公开的其他示例性实施例中,如果实际成像区域是根据其他规则配置,则第一有效像素则同样为实际成像区域的像素,第二有效像素为第一有效像素之外的有效像素;这同样属于本公开的保护范围。
本技术领域在生成参考图像时,通常利用的都是图像传感器的第一有效像素;一方面,这是本技术领域长久以来的默认做法,已经成为本领域技术人员的普遍操作习惯;另一方面,这样形成的参考图像和后续形成的目标图像的尺寸一致,则在直觉上会认为,进行相关处理以及运算时会更加方便。在本公开中,发明人则克服了这些技术偏见,创造性的在利用第一有效像素的同时,还利用至少部分第二有效像素参与参考图像的生成,这样则可以在不增加成本的同时,有效的增加参考图像的尺寸,从而可以减少或者避免深度图像出现黑边现象。
在步骤S420中,向目标对象发射所述结构光,并利用所述第一有效像素对所述目标对象成像,以得到目标图像。
本示例实施方式中,上述目标对象可以为人脸或者其他即待成像的对象;终端设备可以利用上述结构光投影模块101向目标对象发射如散斑、斑点、条纹或者二维图案等编码形式的结构光光束;向目标对象发射的结构光光束需要与生成参考图像时使用的结构光光束保持一致。接着,可以利用图像传感器的第一有效像素对所述目标对象成像。需要说明的是,由于图像窗口区域通常是在终端设备出厂前预先配置的,因此在使用过程中,终端设备读取图像窗口区域相关的配置文件即可自动确定上述的第一有效像素。
在步骤S430中,根据所述目标图像和所述参考图像得到所述目标对象的深度图像。
本示例实施方式中,可以从上述指定存储位置读取步骤S410中生成的参考图像,例如,从终端设备的存储器或者从云端服务器读取参考图像等。获取参考图像之后,可以参考如图7所示的步骤S710至步骤S730,得到所述目标对象的深度图像。其中:
在步骤S710中,对所述目标图像中的目标像素在所述参考图像中进行匹配。
本示例实施方式中,可以通过块匹配或者矩阵匹配等方法,确定目标图像中的目标像素在参考图像中对应的匹配像素。参考图8所示,以块匹配方法为例,对于目标图像中的目标像素Pij,可以提取以目标像素Pij为中心,大小为m×n的像素块Bij作为搜索像素块;然后在参考图像中,以目标像素Pij所对应的位置为中心,大小为W×H的搜索窗口Vij内,按照预先配置的搜索策略和相似度评价指标来寻找与搜索像素块Bij相对应的匹配像素块。例如,如果搜索窗口Vij内,像素块B’kl与搜索像素块Bij的相似度评价指标w(Bij,B’kl)相比于其他像素块最大,则确定像素块B’kl为与搜索像素块Bij匹配的像素块;进而可以确定目标像素Pij在参考图像中对应的匹配像素为P’kl。其中,i、k均为正整数,表示像素所在行;j、l均为正整数,表示像素所在列;m、n、W、H均为正整数,且W>m、H>n。此外,根据需求,也可以采用如半全局块匹配(Semi-Global Block Matching,SGBM)等其他方法实现像素匹配,本示例性实施例中对此不做特殊限定。
此外,为了更方便进行匹配以及方便后续运算,本示例实施方式中还可以首先对所述参考图像以及所述目标图像进行二值化处理;但本领域技术人员容易理解的是,二值化处理仅为可选的步骤。举例而言,本公开中可以通过全局阈值方法、局部阈值方法、动态阈值方法、Niblack算法、P-分位数方法、迭代方法、熵方法、最大类间方差算法等技术手段,对参考图像以及目标图像进行二值化处理,使得图像中各像素的取值为0或者1。
以全局阈值方法为例,可以取整幅图像区域中各像素的亮度平均值为阈值,并将大于阈值的像素取值为1、小于阈值的像素取值为0;全局阈值方法在应用于室内的深度图像生成时,效果较好。以局部阈值方法为例,对于如1280×800个像素的目标图像,可以首先对(1、1、100、100)区域求亮度平均值,并将该区域内大于阈值的像素取值为1、小于阈值的像素取值为0。再顺序对(1、101、100、200)区域、(1、201、100、300)区域直至(1201、701、1280、800)区域做同样的处理,从而完成对整幅图像的二值化;局部阈值方法在应用于室外的深度图像生成时,效果较好。
在步骤S720中,根据匹配到的像素在所述参考图像的位置确定所述目标像素的偏移量,并根据所述目标像素的偏移量计算所述目标像素对应的深度信息。
举例而言,参考图9所示,目标像素Pij在参考图像中对应的匹配像素为P’kl。根据匹配像素P’kl的位置和目标像素Pij在参考图像中对应的位置,可以计算出目标像素的偏移量(也即像差)x;接着,结合三角测距法,可以计算出目标对象上的成像点901的深度H,也即目标对象上的成像点901和终端设备之间的距离。例如,其中,d为基线(即结构光投影模块101和图像传感器102之间的连线903)的长度,R为参考平面902与基线之间的距离,f为图像传感器102的焦距;由于d、R、f均为固定常量,因此,在确定目标像素的偏移量x之后,即可计算得到目标像素对应的深度信息H。
当然,在本公开的其他示例性实施例中,也可以通过其他方式计算所述目标像素对应的深度信息。例如,可以预先建立各像素的偏移量与深度信息之间的映射表,在确定目标像素的偏移量x之后,即可在映射表中查询得到目标像素对应的深度信息;这些同样属于本公开的保护范围。
在步骤S730中,利用各所述目标像素对应的深度信息生成所述深度图像。
通过上述步骤S720得到各目标像素对应的深度信息之后,即可将深度信息转换为深度图像;例如,深度图像可以为灰度图,深度图像中像素的灰度值越大则表示深度值H越小,灰度值越小则表示深度值H越大;也可以是深度图像中像素的灰度值越大则表示深度值H越大,灰度值越小则表示深度值H越小,本示例性实施例中对此不做特殊限定。在本公开的其他示例性实施例中,所述深度图像也可以是图像通道或者其他形式的存在,这同样属于本公开的保护范围。
以在深度相机中较为普遍使用的OV9286型号的图像传感器为例,其有效像素共计1328列、1120行。由于行业内通常需要的是分辨率为640×400或者1280×800的深度图像,因此,现有技术中,在深度相机生产标定阶段,均采用图像传感器中的1280×800个有效像素生成参考图像;在实际使用时,结构光投影模块向目标对象发射结构光光束后,通过图像传感器中的1280×800个有效像素目标对象成像,得到分辨率为1280×800的目标图像;然后,根据目标图像(分辨率为1280×800)与参考图像(分辨率为1280×800)生成深度图像。而在本示例实施方式中则可以是,在深度相机生产标定阶段,采用图像传感器中的1328×1120个有效像素生成参考图像;在实际使用时,结构光投影模块向目标对象发射结构光光束后,通过图像传感器中的1280×800个有效像素目标对象成像,得到分辨率为1280×800的目标图像;然后,根据目标图像(分辨率为1280×800)与参考图像(分辨率为1328×1120)生成深度图像,从而减少或者去除黑边。
参考图10所示,为本示例实施方式中深度图像生成方法的原理示意图:与图上述图3类似,结构光投影模块101的出射光范围为区域301,图像传感器102的入射光范围为区域302。其中,目标图像304的A’区域和目标图像305的A’区域中的像素,均可以在参考图像1003中匹配到相对应的像素,即均可以确定对应的深度信息;然而,A’区域相比于图3中的A区域,均扩大的了很多;参考图像1003中并不存在目标图像304的B’区域和目标图像305的B’区域中的像素,即无法确定对应的深度信息;因此,最终生成的深度图像中,目标图像304的B’区域和目标图像305的B’区域对应的位置均为黑边;然而,B’区域相比于图3中的B区域,均减小的了很多。此外,在部分区域,例如图10中的虚线框1004对应的区域内,目标图像的所有区域均可以在参考图像1003中匹配到相对应的像素,即均可以确定对应的深度信息,因此,在虚线框1004对应的区域内,则完全避免了黑边现象的出现。
由上可知,本示例实施方式中的深度图像生成方法确实可以在一定程度上减少或者避免深度图像出现黑边现象。进而,可以优化深度图像在一些领域的应用。以应用的深度相机或者其他具有深度摄像功能的终端设备为例,通过本示例实施方式中的深度图像生成方法,可以在一定程度上增加深度图像采集时的视场角,提升深度图像的质量;如果使用上述深度相机或者具有深度摄像功能的终端设备进行面部认证,则可以在一定程度上增加面部认证时的视场角,减少了由于深度图像黑边而导致的认证失败,从而提高了用户体验。
此外,由于本示例实施方式所提供的深度图像生成方法中,使用的是现有技术中已有的第二有效像素,无需对硬件进行改动,也即本公开示例实施方式所提供的深度图像生成方法并不会产生额外的优化成本;同时,也增加了本示例实施方式所提供的深度图像生成方法的适用范围。
在本公开的另一示例性实施例中,为了减少上述步骤S710中的匹配运算量,在上述深度图像生成方法的基础上进行了进一步的改进。具体而言,可以在上述步骤S410中,利用图像传感器的第一有效像素和不同数量的所述第二有效像素对所述参考平面成像,得到多个不同大小的参考图像。
举例而言,以图6中的图像传感器为例,其中,第33列至第1312列、第169行至第968行的像素为第一有效像素;第9列至第32列、第1313列至第1336列、第9行至第168行、第969行至第1128行的像素为第二有效像素。本示例实施方式中,例如可以利用第9列至第1336列、第9行至第1128行的像素,即全部的第一有效像素和第二有效像素生成第一参考图像;利用第21列至第1324列、第89行至第1048行的像素,即部分的第一有效像素和第二有效像素生成第二参考图像。
在生成多个参考图像之后,则可以按照指定规则,从多个参考图像中确定被选参考图像,以及,根据所述目标图像和所述被选参考图像得到所述目标对象的深度图像。例如,可以首先获取所述目标对象到所述参考平面的距离;接着,根据所述目标对象到所述参考平面的距离,从多个所述参考图像中确定被选参考图像。举例而言:
本示例实施方式中,在对目标图像进行深度信息采集时,可以利用终端设备中设置的激光测距模块或者其他距离传感器,确定目标对象与参考终端设备之间的距离;由于终端设备到参考平面的距离是固定值,在确定目标对象与参考终端设备之间的距离之后,即可大致确定目标对象到所述参考平面的距离。参考上述图3以及图10可以得知,目标对象所在平面与参考平面距离越近则黑边范围越小,目标对象所在平面与参考平面距离越远则黑边范围越大。因此,本示例实施方式中,确定的所述被选参考图像的大小可以与所述目标对象到所述参考平面的距离正相关;即目标对象到参考平面的距离越大,则被选参考图像尺寸相应越大。
因此,当目标对象所在平面与参考平面距离较大时,例如可以将上述第一参考图像中确定为被选参考图像;当目标对象所在平面与参考平面距离较小时,例如可以将上述第二参考图像中确定为被选参考图像。这样则可以有效的降低匹配时的运算量。以块匹配方法为例,其算法复杂度正比于O(N,M,W,H,m,n),其中N和M分别为参考图像像素行数和列数(其他参数指代同上文);因此,相比于全部使用第一参考图像,在利用尺寸较小的第二参考图像时,可以有效的降低匹配时的算法复杂度,从而降低运算量。
在本公开的其他示例性实施例中,也可以通过其他方式的生成多个参考图像。仍以图6中的图像传感器为例,例如可以利用第9列至第1312列、第169行至第968行的像素生成第一参考图像;利用第33列至第1336列、第169行至第968行的像素生成第二参考图像;利用第33列至第1312列、第9行至第968行的像素生成第三参考图像;以及利用第33列至第1312列、第169行至第1128行的像素生成第四参考图像。
同时,也可以通过其他方式从多个参考图像中确定被选参考图像。例如,可以首先确定所述目标对象在所述目标图像中的位置;如可通过前景图像提取或者其他方法,确定目标对象在目标图像中的位置。接着,可以根据所述目标对象在所述目标图像中的位置,从多个所述参考图像中确定被选参考图像。举例而言:
本示例实施方式中,在获取目标图像之后,如果目标对象在目标图像中的位置偏左,则如果深度图像的左边缘出现黑边现象,会影响较大,其他位置即使出现黑边,也可能影响较小;基于此,则可以将上述第一参考图像确定为被选参考图像。同样的,如果目标对象在目标图像中的位置偏右,则可以将上述第二参考图像确定为被选参考图像;如果目标对象在目标图像中的位置偏上,则可以将上述第三参考图像确定为被选参考图像;如果目标对象在目标图像中的位置偏下,则可以将上述第四参考图像确定为被选参考图像。相比于全部使用最大尺寸参考图像,在利用尺寸较小的第一至第四参考图像时,同样可以有效的降低匹配时的算法复杂度,从而降低运算量。
本公开中还提供了一种深度图像生成方法。参考图11所示,该方法可以包括下述步骤S1110以及步骤S1120。其中:
在步骤S1110中,向目标对象发射结构光,并利用图像传感器的第一有效像素对所述目标对象成像,以得到目标图像;
在步骤S1120中,根据所述目标图像和参考图像得到所述目标对象的深度图像;其中,所述参考图像是利用所述图像传感器的第一有效像素和至少部分第二有效像素对参考平面成像获得。
本公开中还提供了一种参考图像生成方法。该方法可以包括步骤:向参考平面发射结构光,并利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,以得到参考图像;其中,所述第一有效像素为对目标对象进行深度成像时被使用的有效像素。
上述深度图像生成方法以及参考图像生成方法中各步骤的具体细节已经在上文的示例性实施例中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
进一步的,本示例实施方式中,还提供了一种深度图像生成装置。参考图12所示,该深度图像生成装置1200可以包括参考图像生成模块1210、目标图像获取模块1220以及深度图像生成模块1230。其中:
参考图像生成模块1201可以用于向参考平面发射结构光,并利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,以得到参考图像。目标图像获取模块1220可以用于向目标对象发射所述结构光,并利用所述第一有效像素对所述目标对象成像,以得到目标图像。深度图像生成模块1230可以用于根据所述目标图像和所述参考图像得到所述目标对象的深度图像。
在本公开的一种示例性实施例中:所述第一有效像素为位于所述图像传感器指定区域的有效像素;所述第二有效像素为位于所述图像传感器指定区域外的有效像素。
在本公开的一种示例性实施例中,所述参考图像生成模块1210利用图像传感器的第一有效像素和全部第二有效像素对所述参考平面成像。
在本公开的一种示例性实施例中,所述参考图像生成模块1210利用图像传感器的第一有效像素和不同数量的所述第二有效像素对所述参考平面成像,得到多个不同大小的参考图像。所述深度图像生成模块1230从多个所述参考图像中确定被选参考图像,以及,根据所述目标图像和所述被选参考图像得到所述目标对象的深度图像。
在本公开的一种示例性实施例中,所述深度图像生成模块1230具体通过下述方式从多个所述参考图像中确定被选参考图像:获取所述目标对象到所述参考平面的距离;以及根据所述目标对象到所述参考平面的距离,从多个所述参考图像中确定被选参考图像。
在本公开的一种示例性实施例中,确定的所述被选参考图像的大小与所述目标对象到所述参考平面的距离正相关。
在本公开的一种示例性实施例中,所述深度图像生成模块1230具体通过下述步骤从多个所述参考图像中确定被选参考图像:确定所述目标对象在所述目标图像中的位置;以及根据所述目标对象在所述目标图像中的位置,从多个所述参考图像中确定被选参考图像。
在本公开的一种示例性实施例中,所述装置还包括:图像存储模块,用于将所述参考图像预先存储在指定存储位置。所述深度图像生成模块1230从所述指定存储位置读取所述参考图像,以及,根据所述目标图像和读取的所述参考图像得到所述目标对象的深度图像。
在本公开的一种示例性实施例中,所述深度图像生成模块1230具体通过下述步骤得到所述目标对象的深度图像:对所述目标图像中的目标像素在所述参考图像中进行匹配;根据匹配到的像素在所述参考图像的位置确定所述目标像素的偏移量;根据所述目标像素的偏移量计算所述目标像素对应的深度信息;利用各所述目标像素对应的深度信息生成所述深度图像。
在本公开的一种示例性实施例中,对所述目标图像中的目标像素在所述参考图像中进行匹配之前,所述深度图像生成模块1230还对所述参考图像以及所述目标图像进行二值化处理。
根据本公开的一个方面,提供一种深度图像生成装置,包括:目标图像获取模块,用于向目标对象发射结构光,并利用图像传感器的第一有效像素对所述目标对象成像,以得到目标图像;深度图像生成模块,用于根据所述目标图像和参考图像得到所述目标对象的深度图像;其中,所述参考图像是利用所述图像传感器的第一有效像素和至少部分第二有效像素对参考平面成像获得。
根据本公开的一个方面,提供一种参考图像生成装置,包括:参考图像生成模块,用于向参考平面发射结构光,并利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,以得到参考图像;其中,所述第一有效像素为对目标对象进行深度成像时被使用的有效像素。
上述深度图像生成装置以及参考图像生成装置中各模块或单元的具体细节已经在对应的深度图像生成方法中进行了详细的描述,因此此处不再赘述。
图13示出了适于用来实现本公开实施例的电子设备的计算机***的结构示意图。
需要说明的是,图13示出的电子设备的计算机***1300仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图13所示,计算机***1300包括中央处理单元(CPU)1301,其可以根据存储在只读存储器(ROM)1302中的程序或者从储存部分1308加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。在RAM 1303中,还存储有***操作所需的各种程序和数据。CPU 1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
以下部件连接至I/O接口1305:包括键盘、鼠标等的输入部分1306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1307;包括硬盘等的储存部分1308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1310上,以便于从其上读出的计算机程序根据需要被安装入储存部分1308。
特别地,根据本公开的实施例,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1309从网络上被下载和安装,和/或从可拆卸介质1311被安装。在该计算机程序被中央处理单元(CPU)1301执行时,执行本申请的方法和装置中限定的各种功能。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如下述实施例中所述的方法。例如,所述的电子设备可以实现如图4~图9所示的各个步骤等。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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,上述模块、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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (15)
1.一种深度图像生成方法,其特征在于,包括:
向参考平面发射结构光,并利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,以得到参考图像;
向目标对象发射所述结构光,并利用所述第一有效像素对所述目标对象成像,以得到目标图像;
根据所述目标图像和所述参考图像得到所述目标对象的深度图像;
其中,所述第一有效像素为位于所述图像传感器指定区域的有效像素,所述第二有效像素为位于所述指定区域外的有效像素。
2.根据权利要求1所述的方法,其特征在于,所述指定区域为所述图像传感器的图像窗口区域。
3.根据权利要求1所述的方法,其特征在于,所述利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,包括:
利用图像传感器的第一有效像素和全部第二有效像素对所述参考平面成像。
4.根据权利要求1所述的方法,其特征在于,所述利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,包括:
利用图像传感器的第一有效像素和不同数量的所述第二有效像素对所述参考平面成像,得到多个不同大小的参考图像;
根据所述目标图像和所述参考图像得到所述目标对象的深度图像包括:
从多个所述参考图像中确定被选参考图像,以及,根据所述目标图像和所述被选参考图像得到所述目标对象的深度图像。
5.根据权利要求4所述的方法,其特征在于,从多个所述参考图像中确定被选参考图像,包括:
获取所述目标对象到所述参考平面的距离;以及
根据所述目标对象到所述参考平面的距离,从多个所述参考图像中确定被选参考图像。
6.根据权利要求5所述的方法,其特征在于,确定的所述被选参考图像的大小与所述目标对象到所述参考平面的距离正相关。
7.根据权利要求4所述的方法,其特征在于,从多个所述参考图像中确定被选参考图像,包括:
确定所述目标对象在所述目标图像中的位置;以及
根据所述目标对象在所述目标图像中的位置,从多个所述参考图像中确定被选参考图像。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:将所述参考图像预先存储在指定存储位置;
根据所述目标图像和所述参考图像得到所述目标对象的深度图像包括:
从所述指定存储位置读取所述参考图像,以及,根据所述目标图像和读取的所述参考图像得到所述目标对象的深度图像。
9.根据权利要求1~7任意一项所述的方法,其特征在于,根据所述目标图像和所述参考图像得到所述目标对象的深度图像,包括:
对所述目标图像中的目标像素在所述参考图像中进行匹配;
根据匹配到的像素在所述参考图像的位置确定所述目标像素的偏移量;
根据所述目标像素的偏移量计算所述目标像素对应的深度信息;
利用各所述目标像素对应的深度信息生成所述深度图像。
10.根据权利要求8所述的方法,其特征在于,对所述目标图像中的目标像素在所述参考图像中进行匹配之前,所述方法还包括:
对所述参考图像以及所述目标图像进行二值化处理。
11.一种深度图像生成方法,其特征在于,包括:
向目标对象发射结构光,并利用图像传感器的第一有效像素对所述目标对象成像,以得到目标图像;
根据所述目标图像和参考图像得到所述目标对象的深度图像;
其中,所述参考图像是利用所述图像传感器的第一有效像素和至少部分第二有效像素对参考平面成像获得。
12.一种参考图像生成方法,其特征在于,包括:
向参考平面发射结构光,并利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,以得到参考图像;
其中,所述第一有效像素为对目标对象进行深度成像时被使用的有效像素。
13.一种深度图像生成装置,其特征在于,包括:
参考图像生成模块,用于向参考平面发射结构光,并利用图像传感器的第一有效像素和至少部分第二有效像素对所述参考平面成像,以得到参考图像;
目标图像获取模块,用于向目标对象发射所述结构光,并利用所述第一有效像素对所述目标对象成像,以得到目标图像;
深度图像生成模块,用于根据所述目标图像和所述参考图像得到所述目标对象的深度图像。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-12任一项所述的方法。
15.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-12任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010739666.4A CN112752088B (zh) | 2020-07-28 | 2020-07-28 | 深度图像生成方法及装置、参考图像生成方法、电子设备 |
PCT/CN2021/100350 WO2022022136A1 (zh) | 2020-07-28 | 2021-06-16 | 深度图像生成方法及装置、参考图像生成方法及装置、电子设备以及计算机可读存储介质 |
JP2022548830A JP7509897B2 (ja) | 2020-07-28 | 2021-06-16 | 深度画像生成方法及び装置、基準画像生成方法及び装置、電子機器、ならびにコンピュータプログラム |
EP21849480.5A EP4033757A4 (en) | 2020-07-28 | 2021-06-16 | DEPTH IMAGING METHOD AND APPARATUS, REFERENCE IMAGING METHOD AND APPARATUS, ELECTRONIC DEVICE, AND COMPUTER READABLE STORAGE MEDIUM |
US17/736,899 US20220262026A1 (en) | 2020-07-28 | 2022-05-04 | Depth image generation method and apparatus, reference image generation method and apparatus, electronic device, and computer-readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010739666.4A CN112752088B (zh) | 2020-07-28 | 2020-07-28 | 深度图像生成方法及装置、参考图像生成方法、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112752088A true CN112752088A (zh) | 2021-05-04 |
CN112752088B CN112752088B (zh) | 2023-03-28 |
Family
ID=75645391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010739666.4A Active CN112752088B (zh) | 2020-07-28 | 2020-07-28 | 深度图像生成方法及装置、参考图像生成方法、电子设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220262026A1 (zh) |
EP (1) | EP4033757A4 (zh) |
JP (1) | JP7509897B2 (zh) |
CN (1) | CN112752088B (zh) |
WO (1) | WO2022022136A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022022136A1 (zh) * | 2020-07-28 | 2022-02-03 | 腾讯科技(深圳)有限公司 | 深度图像生成方法及装置、参考图像生成方法及装置、电子设备以及计算机可读存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5986364B2 (ja) | 2011-10-17 | 2016-09-06 | キヤノン株式会社 | 三次元形状計測装置、三次元形状計測装置の制御方法、およびプログラム |
CN103024419A (zh) * | 2012-12-31 | 2013-04-03 | 青岛海信信芯科技有限公司 | 一种视频图像处理方法及*** |
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 |
US9361698B1 (en) * | 2014-11-12 | 2016-06-07 | Amazon Technologies, Inc. | Structure light depth sensor |
EP3441715A4 (en) | 2016-04-06 | 2019-11-13 | 4d Sensor Inc. | MEASURING METHOD, MEASURING DEVICE, MEASURING PROGRAM, AND COMPUTER-READABLE RECORDING MEDIUM HAVING THE MEASUREMENT PROGRAM RECORDED THEREON |
CN106878697A (zh) * | 2016-06-29 | 2017-06-20 | 鲁班嫡系机器人 | 一种拍摄方法及其成像方法、装置和设备 |
CN106875435B (zh) * | 2016-12-14 | 2021-04-30 | 奥比中光科技集团股份有限公司 | 获取深度图像的方法及*** |
JP6736539B2 (ja) * | 2017-12-15 | 2020-08-05 | キヤノン株式会社 | 撮像装置及びその駆動方法 |
CN109961406B (zh) * | 2017-12-25 | 2021-06-25 | 深圳市优必选科技有限公司 | 一种图像处理的方法、装置及终端设备 |
CN108711167A (zh) * | 2018-05-15 | 2018-10-26 | 深圳奥比中光科技有限公司 | 深度成像***及其温度误差校正方法 |
CN108924408B (zh) * | 2018-06-15 | 2020-11-03 | 深圳奥比中光科技有限公司 | 一种深度成像方法及*** |
CN110088563B (zh) * | 2019-03-13 | 2021-03-19 | 深圳市汇顶科技股份有限公司 | 图像深度的计算方法、图像处理装置及三维测量*** |
CN112752088B (zh) * | 2020-07-28 | 2023-03-28 | 腾讯科技(深圳)有限公司 | 深度图像生成方法及装置、参考图像生成方法、电子设备 |
-
2020
- 2020-07-28 CN CN202010739666.4A patent/CN112752088B/zh active Active
-
2021
- 2021-06-16 EP EP21849480.5A patent/EP4033757A4/en active Pending
- 2021-06-16 JP JP2022548830A patent/JP7509897B2/ja active Active
- 2021-06-16 WO PCT/CN2021/100350 patent/WO2022022136A1/zh unknown
-
2022
- 2022-05-04 US US17/736,899 patent/US20220262026A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022022136A1 (zh) * | 2020-07-28 | 2022-02-03 | 腾讯科技(深圳)有限公司 | 深度图像生成方法及装置、参考图像生成方法及装置、电子设备以及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022022136A1 (zh) | 2022-02-03 |
EP4033757A4 (en) | 2023-01-25 |
CN112752088B (zh) | 2023-03-28 |
JP2023517830A (ja) | 2023-04-27 |
JP7509897B2 (ja) | 2024-07-02 |
EP4033757A1 (en) | 2022-07-27 |
US20220262026A1 (en) | 2022-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10997696B2 (en) | Image processing method, apparatus and device | |
US10958892B2 (en) | System and methods for calibration of an array camera | |
JP7043085B2 (ja) | 視点から距離情報を取得するための装置及び方法 | |
US20130335535A1 (en) | Digital 3d camera using periodic illumination | |
US20190355101A1 (en) | Image refocusing | |
US8929685B2 (en) | Device having image reconstructing function, method, and recording medium | |
CN111757086A (zh) | 有源双目相机、rgb-d图像确定方法及装置 | |
JP5857712B2 (ja) | ステレオ画像生成装置、ステレオ画像生成方法及びステレオ画像生成用コンピュータプログラム | |
CN112752088B (zh) | 深度图像生成方法及装置、参考图像生成方法、电子设备 | |
US11283970B2 (en) | Image processing method, image processing apparatus, electronic device, and computer readable storage medium | |
CN112750157B (zh) | 一种深度图像生成方法及装置 | |
US11676293B2 (en) | Methods for depth sensing using candidate images selected based on an epipolar line | |
US11295421B2 (en) | Image processing method, image processing device and electronic device | |
US10332259B2 (en) | Image processing apparatus, image processing method, and program | |
JP2018081378A (ja) | 画像処理装置、撮像装置、画像処理方法および画像処理プログラム | |
Mustaniemi et al. | Parallax correction via disparity estimation in a multi-aperture camera | |
CN116366986A (zh) | 感光芯片接收光强的确定方法及相关设备 | |
CN117788535A (zh) | 图像对配准方法、装置、电子设备及存储介质 | |
CN117197256A (zh) | 一种标定方法、装置及电子设备 | |
CN117974879A (zh) | 脸部三维重建方法、装置、设备、可读存储介质及车辆 | |
CN116188335A (zh) | 多窗口的深度图像处理的方法、加速方法、装置及电子设备 | |
KR20230161951A (ko) | 혼합 모드 깊이 이미징 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40043924 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |