CN112884817A - 稠密光流计算方法、装置、电子设备以及存储介质 - Google Patents
稠密光流计算方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN112884817A CN112884817A CN201911198748.6A CN201911198748A CN112884817A CN 112884817 A CN112884817 A CN 112884817A CN 201911198748 A CN201911198748 A CN 201911198748A CN 112884817 A CN112884817 A CN 112884817A
- Authority
- CN
- China
- Prior art keywords
- target
- eye image
- optical flow
- matching
- corner
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 199
- 238000004364 calculation method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 23
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种稠密光流计算方法、装置、电子设备以及计算机可读存储介质。该方法包括:对目标左目图像进行角点提取,获得第一角点;对目标右目图像进行角点提取,获得第二角点;对获得的第一角点和第二角点进行匹配,获得匹配角点对;确定获得的匹配角点对所归属的超像素区域;最后,基于获得的匹配角点对的光流数据,确定所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据;基于所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据,确定所述目标左目图像和目标右目图像的稠密光流。本发明实施例可以在保证准确性的基础上,大大缩减双目图像的稠密光流场的计算时间,提高算法效率。
Description
技术领域
本发明实施例涉及双目匹配技术领域,尤其涉及一种稠密光流计算方法、装置、电子设备以及计算机可读存储介质。
背景技术
双目视觉***广泛应用于机器人导航、探测车导航、工业测量、车辆预警***、3D场景绘制与重建、位姿感知和军事等领域,成为了当前研究的热门。而双目图像的匹配是双目视觉***运用的关键所在。
根据约束条件的不同,常用的双目图像匹配算法总体上可以分为局部匹配算法和全局匹配算法两种。局部匹配算法主要是利用对应点本身以及其邻近的局部区域的约束信息的匹配算法;全局匹配算法主要是利用图像的全局约束信息,是一种对整幅图像进行约束的匹配算法。局部匹配算法因局部寻优,对一些由于遮挡和纹理单一等造成的模糊比较敏感,易造成误匹配,而全局匹配算法对局部图像的模糊不敏感,匹配准确度较高,因此,全局匹配算法在双目匹配技术领域中受到了广泛使用。
然而,全局匹配算法比如传统的稠密光流计算方法,虽然匹配准确度较高,但是由于需要对双目图像中的像元逐一进行光流匹配,因此,算法的时间复杂度高,计算效率比较低。
发明内容
本发明实施例提供一种稠密光流计算方法、装置、电子设备以及计算机可读存储介质,以解决现有技术中稠密光流计算算法的时间复杂度高,计算效率比较低的问题。
第一方面,本发明实施例提供一种稠密光流计算方法,所述方法包括:
对目标左目图像进行角点提取,获得第一角点;对目标右目图像进行角点提取,获得第二角点;其中,所述目标左目图像为第一金字塔图层中分辨率最小的图层对应的图像,所述第一金字塔图层为待匹配左目图像按照分辨率进行分解获得的金字塔图层,所述目标右目图像为第二金字塔图层中分辨率最小的图层对应的图像,所述第二金字塔图层为待匹配右目图像按照分辨率进行分解获得的金字塔图层,所述待匹配左目图像和待匹配右目图像为针对同一对象在同一场景下拍摄的双目图像;
对获得的第一角点和第二角点进行匹配,获得匹配角点对;
确定获得的匹配角点对所归属的超像素区域;其中,所述超像素区域为基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域;
基于获得的匹配角点对的光流数据,确定所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据;
基于所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据,确定所述目标左目图像和目标右目图像的稠密光流。
第二方面,本发明实施例提供一种稠密光流计算装置,所述装置包括:
提取模块,用于对目标左目图像进行角点提取,获得第一角点;对目标右目图像进行角点提取,获得第二角点;其中,所述目标左目图像为第一金字塔图层中分辨率最小的图层对应的图像,所述第一金字塔图层为待匹配左目图像按照分辨率进行分解获得的金字塔图层,所述目标右目图像为第二金字塔图层中分辨率最小的图层对应的图像,所述第二金字塔图层为待匹配右目图像按照分辨率进行分解获得的金字塔图层,所述待匹配左目图像和待匹配右目图像为针对同一对象在同一场景下拍摄的双目图像;
匹配模块,用于对获得的第一角点和第二角点进行匹配,获得匹配角点对;
第一确定模块,用于确定获得的匹配角点对所归属的超像素区域;其中,所述超像素区域为基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域;
第二确定模块,用于基于获得的匹配角点对的光流数据,确定所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据;
第三确定模块,用于基于所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据,确定所述目标左目图像和目标右目图像的稠密光流。
第三方面,本发明实施例提供一种电子设备,包括处理器,存储器,存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述稠密光流计算方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质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稠密光流计算方法的步骤。
本发明实施例提供的稠密光流计算方法、装置、电子设备以及计算机可读存储介质,首先,对目标左目图像进行角点提取,获得第一角点;对目标右目图像进行角点提取,获得第二角点;然后,对获得的第一角点和第二角点进行匹配,获得匹配角点对;并确定获得的匹配角点对所归属的超像素区域;最后,基于获得的匹配角点对的光流数据,确定所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据;并基于所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据,确定所述目标左目图像和目标右目图像的稠密光流。
本发明实施例中,在基于金字塔图层对双目图像进行稠密光流的计算时,通过采用目标左目图像的第一角点和目标右目图像的第二角点匹配获得的匹配角点对的光流数据,计算匹配角点对所归属的超像素区域中每个像元的光流数据,其中,所述目标左目图像和目标右目图像为双目图像的金字塔图层中分辨率最小的图层对应的图像,所述超像素区域为所述目标左目图像和/或目标右目图像进行超像素分割获得的区域。
这样,通过匹配角点对的光流数据,即可获得超像素区域中的每个像元的光流数据,从而获得基于金字塔图层对双目图像进行稠密光流计算的初始值。相对于传统的稠密光流计算方法,无需对目标左目图像和目标右目图像中的像元逐一进行光流匹配,即可获得对双目图像进行稠密光流计算的初始值,从而可以在保证准确性的基础上,大大缩减双目图像的稠密光流场的计算时间,提高算法效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,显而易见地,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性的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的稠密光流计算方法的流程示意图之一;
图2是本发明实施例提供的稠密光流计算方法的流程示意图之二;
图3是本发明实施例提供的稠密光流计算装置的结构示意图;
图4是本发明实施例提供的电子设备的结构示意图。
具体实施方式
基于此,本发明实施例提出一种新的稠密光流计算方案,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前提下所获取的所有其他实施例,都属于本发明保护的范围。
下面首先对本发明实施例提供的稠密光流计算方法进行说明。
需要说明的是,本发明实施例提供的稠密光流计算方法可以应用于双目视觉***中,所述双目视觉***可以包括用于对双目图像进行稠密光流计算的电子设备。这里,所述电子设备可以为终端设备(如双目摄像头),所述电子设备用于对双目摄像头拍摄的双目图像进行稠密光流场的计算。以下实施例中,所述电子设备将以双目摄像头为例进行详细说明。
另外,在进行本发明实施例提供的稠密光流计算方法介绍之前,可以首先介绍本发明实施例所涉及的技术名词,有利于理解本发明。
1)稠密光流的介绍
稠密光流是针对图像进行逐点匹配的图像配准方法,稠密光流计算图像上所有像元的偏移量,最终形成一个稠密的光流场,对双目图像进行稠密光流场建立的过程,即为双目图像匹配的过程。
2)金字塔图层的介绍
金字塔图层是一系列以金字塔形状排列的分辨率逐步降低的图像集合。金字塔最底层因图片分辨率低,相较于原始图像建立稠密光流场需要的时间要少的多。
3)基于金字塔图层计算双目图像的稠密光流
利用金字塔图层计算双目图像的稠密光流,需要先获得最底层图层的稠密光流场,对其进行缩放可得到上一图层的光流场初始值,再利用该初始值计算该图层的精确光流场,利用此方法进行层层迭代,最终可得到双目图像的稠密光流。
参见图1,图中示出了本发明实施例提供的稠密光流计算方法的流程示意图之一。如图1所示,该方法可以包括如下步骤:
步骤101,对目标左目图像进行角点提取,获得第一角点;对目标右目图像进行角点提取,获得第二角点;其中,所述目标左目图像为第一金字塔图层中分辨率最小的图层对应的图像,所述第一金字塔图层为待匹配左目图像按照分辨率进行分解获得的金字塔图层,所述目标右目图像为第二金字塔图层中分辨率最小的图层对应的图像,所述第二金字塔图层为待匹配右目图像按照分辨率进行分解获得的金字塔图层,所述待匹配左目图像和待匹配右目图像为针对同一对象在同一场景下拍摄的双目图像。
步骤102,对获得的第一角点和第二角点进行匹配,获得匹配角点对。
步骤103,确定获得的匹配角点对所归属的超像素区域;其中,所述超像素区域为基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域。
步骤104,基于获得的匹配角点对的光流数据,确定所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据。
步骤105,基于所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据,确定所述目标左目图像和目标右目图像的稠密光流。
在步骤101中,在角点提取之前,可以首先获取目标左目图像和目标右目图像,可以采用金字塔图层分解的方式获取所述目标左目图像和目标右目图像。
具体的,双目摄像头获取拍摄的双目图像,所述双目图像包括待匹配左目图像和待匹配右目图像,分别可以标记为I和J,所述待匹配左目图像I和待匹配右目图像J为对同一对象在同一场景下拍摄的两张图像。可以对所述双目图像进行快速双边滤波和亮度归一化处理,以此增强的图像匹配特征。
对所述待匹配左目图像I按照分辨率大小进行图层分解,获得第一金字塔图层,所述第一金字塔图层包括至少两个图层,且其图层对应的图像按照分辨率从小到大的顺序进行排序,记各个图层为{IL}L=1,...,M。也就是说,排在第一金字塔图层中的最高层图层即第M层对应的图像为分辨率最小的图像,即尺寸最小的图像,该图像即为目标左目图像,记为IM,排在第一金字塔图层中的最低层图层即第1层对应的图像为分辨率最大的图像,即尺寸最大的图像,该图像即为待匹配左目图像I。
同样,对所述待匹配右目图像J按照分辨率大小进行图层分解,获得第二金字塔图层,所述第二金字塔图层包括至少两个图层,且其图层对应的图像按照分辨率从小到大的顺序进行排序,{JL}L=1,...,M。也就是说,排在第二金字塔图层中的最高层图层第M层对应的图像为分辨率最小的图像,即尺寸最小的图像,该图像即为目标右目图像,记为JM,排在第二金字塔图层中的最底层图层第1层对应的图像为分辨率最大的图像,即尺寸最大的图像,该图像即为待匹配右目图像J。
基于金字塔图层获取待匹配左目图像对应的各分辨率的图像,并基于金字塔图层获取待匹配右目图像对应的各分辨率的图像之后,可以对目标左目图像IM和/或目标右目图像JM进行超像素分割,同时,可以对目标左目图像IM进行角点提取,并对目标右目图像JM进行角点提取。
由于待匹配左目图像I和待匹配右目图像J为对同一对象在同一场景下拍摄的两张图像,因此,基于待匹配左目图像I进行尺寸缩放的目标左目图像和基于待匹配右目图像J进行尺寸缩放的目标右目图像中同一物体的不同部分深度位置差异不大,而不同的物体往往具有不同的深度位置,因此,可以通过合适的区域分割将目标左目图像和目标右目图像中不同的物体通过超像素区域分割开来,对各个物体分别做光流场估计,可得到一个相对准确的光流场初始值。
具体的,在进行超像素分割时,由于目标左目图像和目标右目图像的相似性,可以只对目标左目图像IM进行超像素分割,也可以只对目标右目图像JM进行超像素分割,还可以既对目标左目图像IM进行超像素分割,又对目标右目图像JM进行进行超像素分割。以下实施例中,将以对目标左目图像IM和目标右目图像JM进行超像素分割为例进行详细说明。
对目标左目图像IM进行超像素分割,获得多个第一超像素区域,对目标右目图像进行超像素分割,获得多个第二超像素区域。
实际应用中,可以采样简单线性迭代聚类(Simple Linear IterativeClustering,SLIC)算法对目标左目图像和目标右目图像进行特征分割,达到对目标左目图像和目标右目图像进行区域分割的目的。SLIC算法是通过CIE-Lab域和坐标位置构成五维空间,通过像元间的相似度将图像进行分类聚合,最后形成特征相似的超像素区域。
进一步的,可以采用基于模板和机器学习的角点检测方法如Fast角点算法对目标左目图像IM和目标右目图像JM进行角点提取,Fast角点算法计算量相对比较小,特征提取也较为可靠,可满足使用的需求。因此,本发明实施例采用Fast角点算法进行图像的角点提取,可以提高算法的实现效率。
对降噪后的目标左目图像IM提取Fast角点,获得第一角点,对降噪后的目标右目图像JM提取Fast角点,获得第二角点。对于第一角点,可以设计结构体Corner1,该结构体Corner1可以存储第一角点坐标及其所在的第一超像素区域,记第一角点为SPIipn;其中,SPIi分别表示第一角点所在的第一超像素区域,pn为第一角点坐标;对于第二角点,可以设计结构体Corner2,该结构体Corner2可以存储第二角点坐标及其所在的第二超像素区域,记第二角点为SPIjpm;其中,SPIj分别表示第二角点所在的第二超像素区域,pm为第二角点坐标。
需要说明的是,所述第一角点为目标左目图像的特征点,其数量可以包括多个,所述第二角点为目标右目图像的特征点,其数量可以包括多个。
在步骤102中,获取第一角点和第二角点之后,对获得的第一角点和第二角点进行特征匹配,具体的,可以针对获得的每个第一角点,计算所述第一角点与获得的每个第二角点的偏移矢量;该偏移矢量可以用于指示第一角点和第二角点的坐标偏移,将目标偏移矢量相关的第一角点和第二角点确定为匹配角点对;其中,所述目标偏移矢量为对应的偏移信息满足预设条件的偏移矢量。
所述偏移信息可以指的是目标偏移矢量的距离值,所述目标偏移矢量为对应的偏移信息满足预设条件的偏移矢量可以理解为,在所述目标偏移矢量对应的距离值小于预设距离值的情况下,则可以表明所述目标偏移矢量对应的偏移信息满足预设条件。所述偏移信息可以包括目标偏移矢量的各分量偏移量,所述目标偏移矢量为对应的偏移信息满足预设条件的偏移矢量可以理解为,在所述目标偏移矢量的各分量偏移量小于对应的预设偏移量时,则可以表明所述目标偏移矢量对应的偏移信息满足预设条件。
在步骤103中,可以基于匹配角点对中第一角点所归属的第一超像素区域或者匹配角点对中第二角点所归属的第二超像素区域,确定所述匹配角点对所归属的超像素区域。实际应用中,可以通过查询结构体Corner1和结构体Corner2获得匹配角点对所归属的第一超像素区域和第二超像素区域。
在步骤104中,由于超像素区域的特点,可以直接基于获得的匹配角点对的光流数据,确定所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据。
具体的,可以首先确定第一超像素区域和/或第二超像素区域中的区域类型,该区域类型可以包括以下三种类型至少之一。
第一种区域类型可以为,包括至少两个匹配角点对的超像素区域,即为第一目标超像素区域;
第二种区域类型可以为,仅包括一个匹配角点对的超像素区域,即为第二目标超像素区域;
第三种区域类型可以为,不包括匹配角点对的超像素区域,即为第三目标超像素区域。
若第一超像素区域和/或第二超像素区域中存在第一目标超像素区域,在从第一目标超像素区域中的匹配角点对中剔除异常的匹配角点对获得目标匹配角点对之后,对所述目标匹配角点对的光流数据做均值,将该均值确定为所述第一目标超像素区域中每个像元的光流数据。
由于正常情况下相同物体基本处于同一平面,故实际光流相差不会太大,若第一目标超像素区域中存在光流值与其他匹配角点对明显异常的匹配角点对,该匹配角点对则为异常的匹配角点对,剔除该匹配角点对,可以获得该目标匹配角点对。
若第一超像素区域和/或第二超像素区域中存在第二目标超像素区域,获取所述第二目标超像素区域中的匹配角点对的光流数据,将该光流数据确定为所述第二目标超像素区域中每个像元的光流数据。
若第一超像素区域和/或第二超像素区域中存在第三目标超像素区域,获取与所述第三目标超像素区域相邻的两个超像素区域的光流数据,基于相邻的两个超像素区域的光流数据,采用双线性插值方法确定所述第三目标超像素区域中每个像元的光流数据。
在步骤105中,计算获得目标左目图像和/或目标右目图像所有的超像素区域中每个像元的光流数据之后,将计算获得的所有光流数据确定为所述目标左目图像和目标右目图像的稠密光流,该稠密光流即为双目图像的稠密光流的初始值。
所述基于所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据,确定所述目标左目图像和目标右目图像的稠密光流之后,所述方法还包括:
基于所述目标左目图像和目标右目图像的稠密光流,按照分辨率从小到大的顺序对所述第一金字塔图层和第二金字塔图层中的各图层对应的图像进行稠密光流的层层迭代计算,获得所述待匹配左目图像和待匹配右目图像的稠密光流。
具体的,将所述目标左目图像和目标右目图像的稠密光流作为金字塔图层中上一图层的光流场初始值,利用该初始值计算该图层的精确光流场,然后,利用此方法进行层层迭代,最终可得到双目图像的稠密光流。
参见图2,图中示出了本发明实施例提供的稠密光流计算方法的流程示意图之二。如图2所示,流程如下:
步骤201,获取双目图像;
步骤202,对双目图像按照分辨率进行图层分解,获得金字塔图层;
步骤203,对金字塔图层中的最底层图层的目标左目图像进行超像素分割,获得超像素区域;
步骤204,对目标左目图像进行角点提取,获得第一角点,对金字塔图层中的最底层图层的目标右目图像进行角点提取,获得第二角点;
步骤205,对获得的第一角点和第二角点进行匹配,获得匹配角点对;计算获得的匹配角点对的光流数据;
步骤206,确定获得的匹配角点对所归属的超像素区域;
步骤207,基于获得的匹配角点对的光流数据,确定所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据;
步骤208,整个各超像素区域中每个像元的光流数据,确定稠密光流的初始值;
步骤209,基于该初始值,金字塔图层进行层层迭代计算所述双目图像的稠密光流;
返回执行步骤201。
本发明实施例提供的稠密光流计算方法,在基于金字塔图层对双目图像进行稠密光流的计算时,通过采用目标左目图像的第一角点和目标右目图像的第二角点匹配获得的匹配角点对的光流数据,计算匹配角点对所归属的超像素区域中每个像元的光流数据,其中,所述目标左目图像和目标右目图像为双目图像的金字塔图层中分辨率最小的图层对应的图像,所述超像素区域为所述目标左目图像和/或目标右目图像进行超像素分割获得的区域。
这样,通过匹配角点对的光流数据,即可获得超像素区域中的每个像元的光流数据,从而获得基于金字塔图层对双目图像进行稠密光流计算的初始值。相对于传统的稠密光流计算方法,无需对目标左目图像和目标右目图像中的像元逐一进行光流匹配,即可获得对双目图像进行稠密光流计算的初始值,从而可以在保证准确性的基础上,大大缩减双目图像的稠密光流场的计算时间,提高算法效率。
下面对本发明实施例提供的稠密光流计算装置进行说明。
参见图3,图中示出了本发明实施例提供的稠密光流计算装置的结构示意图。如图3所示,稠密光流计算装置300包括:
提取模块301,用于对目标左目图像进行角点提取,获得第一角点;对目标右目图像进行角点提取,获得第二角点;其中,所述目标左目图像为第一金字塔图层中分辨率最小的图层对应的图像,所述第一金字塔图层为待匹配左目图像按照分辨率进行分解获得的金字塔图层,所述目标右目图像为第二金字塔图层中分辨率最小的图层对应的图像,所述第二金字塔图层为待匹配右目图像按照分辨率进行分解获得的金字塔图层,所述待匹配左目图像和待匹配右目图像为针对同一对象在同一场景下拍摄的双目图像;
匹配模块302,用于对获得的第一角点和第二角点进行匹配,获得匹配角点对;
第一确定模块303,用于确定获得的匹配角点对所归属的超像素区域;其中,所述超像素区域为基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域;
第二确定模块304,用于基于获得的匹配角点对的光流数据,确定所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据;
第三确定模块305,用于基于所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据,确定所述目标左目图像和目标右目图像的稠密光流。
可选的,所述获得的第一角点和第二角点的数量包括至少一个;所述匹配模块302,具体用于针对获得的每个第一角点,计算所述第一角点与获得的每个第二角点的偏移矢量;将目标偏移矢量相关的第一角点和第二角点确定为匹配角点对;其中,所述目标偏移矢量为对应的偏移信息满足预设条件的偏移矢量。
可选的,所述第二确定模块304包括:
第一确定单元,用于若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第一目标超像素区域,将所述第一目标超像素区域中的目标匹配角点对的光流数据的均值,确定为所述第一目标超像素区域中每个像元的光流数据;其中,所述第一目标超像素区域中包括至少两个匹配角点对,所述目标匹配角点对为光流数据小于或等于预设阈值的匹配角点对;
第二确定单元,用于若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第二目标超像素区域,将所述第二目标超像素区域中的匹配角点对的光流数据,确定为所述第二目标超像素区域中每个像元的光流数据;其中,所述第一目标超像素区域中仅包括一个匹配角点对;
第三确定单元,用于若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第三目标超像素区域,基于与所述第三目标超像素区域相邻的两个超像素区域的光流数据,确定所述第三目标超像素区域中每个像元的光流数据;其中,所述第三目标超像素区域中不包括匹配角点对。
可选的,若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第一目标超像素区域;所述第二确定模块304还包括:
剔除单元,用于若所述第一目标超像素区域中存在光流数据大于所述预设阈值的匹配角点对,将所述第一目标超像素区域中光流数据大于所述预设阈值的匹配角点对进行剔除,获得所述第一目标超像素区域中的目标匹配角点对。
可选的,所述装置还包括:
计算模块,用于基于所述目标左目图像和目标右目图像的稠密光流,按照分辨率从小到大的顺序对所述第一金字塔图层和第二金字塔图层中的各图层对应的图像进行稠密光流的层层迭代计算,获得所述待匹配左目图像和待匹配右目图像的稠密光流。
需要说明的是,本发明实施例中装置能够实现上述方法实施例中实现的各个过程,并能达到相同的有益效果,为避免重复,这里不再赘述。
参见图4,图中示出了本发明实施例提供的电子设备的结构示意图。如图4所示,电子设备400包括:处理器401、存储器402、用户接口403和总线接口404。
处理器401,用于读取存储器402中的程序,执行下列过程:
对目标左目图像进行角点提取,获得第一角点;对目标右目图像进行角点提取,获得第二角点;其中,所述目标左目图像为第一金字塔图层中分辨率最小的图层对应的图像,所述第一金字塔图层为待匹配左目图像按照分辨率进行分解获得的金字塔图层,所述目标右目图像为第二金字塔图层中分辨率最小的图层对应的图像,所述第二金字塔图层为待匹配右目图像按照分辨率进行分解获得的金字塔图层,所述待匹配左目图像和待匹配右目图像为针对同一对象在同一场景下拍摄的双目图像;
对获得的第一角点和第二角点进行匹配,获得匹配角点对;
确定获得的匹配角点对所归属的超像素区域;其中,所述超像素区域为基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域;
基于获得的匹配角点对的光流数据,确定所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据;
基于所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据,确定所述目标左目图像和目标右目图像的稠密光流。
在图4中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器401代表的一个或多个处理器和存储器402代表的存储器的各种电路链接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口404提供接口。针对不同的用户设备,用户接口403还可以是能够外接内接需要设备的接口,连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器401负责管理总线架构和通常的处理,存储器402可以存储处理器401在执行操作时所使用的数据。
可选的,所述获得的第一角点和第二角点的数量包括至少一个;处理器401,具体用于:
针对获得的每个第一角点,计算所述第一角点与获得的每个第二角点的偏移矢量;
将目标偏移矢量相关的第一角点和第二角点确定为匹配角点对;其中,所述目标偏移矢量为对应的偏移信息满足预设条件的偏移矢量。
可选的,处理器401,具体用于:
若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第一目标超像素区域,将所述第一目标超像素区域中的目标匹配角点对的光流数据的均值,确定为所述第一目标超像素区域中每个像元的光流数据;其中,所述第一目标超像素区域中包括至少两个匹配角点对,所述目标匹配角点对为光流数据小于或等于预设阈值的匹配角点对;
若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第二目标超像素区域,将所述第二目标超像素区域中的匹配角点对的光流数据,确定为所述第二目标超像素区域中每个像元的光流数据;其中,所述第一目标超像素区域中仅包括一个匹配角点对;
若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第三目标超像素区域,基于与所述第三目标超像素区域相邻的两个超像素区域的光流数据,确定所述第三目标超像素区域中每个像元的光流数据;其中,所述第三目标超像素区域中不包括匹配角点对。
可选的,若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第一目标超像素区域;处理器401,具体用于:
若所述第一目标超像素区域中存在光流数据大于所述预设阈值的匹配角点对,将所述第一目标超像素区域中光流数据大于所述预设阈值的匹配角点对进行剔除,获得所述第一目标超像素区域中的目标匹配角点对。
可选的,处理器401,还用于:
基于所述目标左目图像和目标右目图像的稠密光流,按照分辨率从小到大的顺序对所述第一金字塔图层和第二金字塔图层中的各图层对应的图像进行稠密光流的层层迭代计算,获得所述待匹配左目图像和待匹配右目图像的稠密光流。
优选的,本发明实施例还提供一种电子设备,包括处理器401,存储器402,存储在存储器402上并可在所述处理器401上运行的计算机程序,该计算机程序被处理器401执行时实现上述稠密光流计算方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述稠密光流计算方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的***和方法,可以通过其它的方式实现。例如,以上所描述的***实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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以权利要求的保护范围为准。
Claims (12)
1.一种稠密光流计算方法,其特征在于,所述方法包括:
对目标左目图像进行角点提取,获得第一角点;对目标右目图像进行角点提取,获得第二角点;其中,所述目标左目图像为第一金字塔图层中分辨率最小的图层对应的图像,所述第一金字塔图层为待匹配左目图像按照分辨率进行分解获得的金字塔图层,所述目标右目图像为第二金字塔图层中分辨率最小的图层对应的图像,所述第二金字塔图层为待匹配右目图像按照分辨率进行分解获得的金字塔图层,所述待匹配左目图像和待匹配右目图像为针对同一对象在同一场景下拍摄的双目图像;
对获得的第一角点和第二角点进行匹配,获得匹配角点对;
确定获得的匹配角点对所归属的超像素区域;其中,所述超像素区域为基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域;
基于获得的匹配角点对的光流数据,确定所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据;
基于所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据,确定所述目标左目图像和目标右目图像的稠密光流。
2.根据权利要求1所述的方法,其特征在于,所述获得的第一角点和第二角点的数量包括至少一个;所述对获得的第一角点和第二角点进行匹配,获得匹配角点对,包括:
针对获得的每个第一角点,计算所述第一角点与获得的每个第二角点的偏移矢量;
将目标偏移矢量相关的第一角点和第二角点确定为匹配角点对;其中,所述目标偏移矢量为对应的偏移信息满足预设条件的偏移矢量。
3.根据权利要求1所述的方法,其特征在于,所述基于获得的匹配角点对的光流数据,确定所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据,包括:
若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第一目标超像素区域,将所述第一目标超像素区域中的目标匹配角点对的光流数据的均值,确定为所述第一目标超像素区域中每个像元的光流数据;其中,所述第一目标超像素区域中包括至少两个匹配角点对,所述目标匹配角点对为光流数据小于或等于预设阈值的匹配角点对;
若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第二目标超像素区域,将所述第二目标超像素区域中的匹配角点对的光流数据,确定为所述第二目标超像素区域中每个像元的光流数据;其中,所述第一目标超像素区域中仅包括一个匹配角点对;
若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第三目标超像素区域,基于与所述第三目标超像素区域相邻的两个超像素区域的光流数据,确定所述第三目标超像素区域中每个像元的光流数据;其中,所述第三目标超像素区域中不包括匹配角点对。
4.根据权利要求3所述的方法,其特征在于,若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第一目标超像素区域;所述将所述第一目标超像素区域中的目标匹配角点对的光流数据的均值,确定为所述第一目标超像素区域中每个像元的光流数据之前,所述方法还包括:
若所述第一目标超像素区域中存在光流数据大于所述预设阈值的匹配角点对,将所述第一目标超像素区域中光流数据大于所述预设阈值的匹配角点对进行剔除,获得所述第一目标超像素区域中的目标匹配角点对。
5.根据权利要求1所述的方法,其特征在于,所述基于所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据,确定所述目标左目图像和目标右目图像的稠密光流之后,所述方法还包括:
基于所述目标左目图像和目标右目图像的稠密光流,按照分辨率从小到大的顺序对所述第一金字塔图层和第二金字塔图层中的各图层对应的图像进行稠密光流的层层迭代计算,获得所述待匹配左目图像和待匹配右目图像的稠密光流。
6.一种稠密光流计算装置,其特征在于,所述装置包括:
提取模块,用于对目标左目图像进行角点提取,获得第一角点;对目标右目图像进行角点提取,获得第二角点;其中,所述目标左目图像为第一金字塔图层中分辨率最小的图层对应的图像,所述第一金字塔图层为待匹配左目图像按照分辨率进行分解获得的金字塔图层,所述目标右目图像为第二金字塔图层中分辨率最小的图层对应的图像,所述第二金字塔图层为待匹配右目图像按照分辨率进行分解获得的金字塔图层,所述待匹配左目图像和待匹配右目图像为针对同一对象在同一场景下拍摄的双目图像;
匹配模块,用于对获得的第一角点和第二角点进行匹配,获得匹配角点对;
第一确定模块,用于确定获得的匹配角点对所归属的超像素区域;其中,所述超像素区域为基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域;
第二确定模块,用于基于获得的匹配角点对的光流数据,确定所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据;
第三确定模块,用于基于所述获得的匹配角点对所归属的超像素区域中每个像元的光流数据,确定所述目标左目图像和目标右目图像的稠密光流。
7.根据权利要求6所述的装置,其特征在于,所述获得的第一角点和第二角点的数量包括至少一个;所述匹配模块,具体用于针对获得的每个第一角点,计算所述第一角点与获得的每个第二角点的偏移矢量;将目标偏移矢量相关的第一角点和第二角点确定为匹配角点对;其中,所述目标偏移矢量为对应的偏移信息满足预设条件的偏移矢量。
8.根据权利要求6所述的装置,其特征在于,所述第二确定模块包括:
第一确定单元,用于若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第一目标超像素区域,将所述第一目标超像素区域中的目标匹配角点对的光流数据的均值,确定为所述第一目标超像素区域中每个像元的光流数据;其中,所述第一目标超像素区域中包括至少两个匹配角点对,所述目标匹配角点对为光流数据小于或等于预设阈值的匹配角点对;
第二确定单元,用于若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第二目标超像素区域,将所述第二目标超像素区域中的匹配角点对的光流数据,确定为所述第二目标超像素区域中每个像元的光流数据;其中,所述第一目标超像素区域中仅包括一个匹配角点对;
第三确定单元,用于若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第三目标超像素区域,基于与所述第三目标超像素区域相邻的两个超像素区域的光流数据,确定所述第三目标超像素区域中每个像元的光流数据;其中,所述第三目标超像素区域中不包括匹配角点对。
9.根据权利要求8所述的装置,其特征在于,若基于所述目标左目图像和/或目标右目图像进行超像素分割获得的区域中存在第一目标超像素区域;所述第二确定模块还包括:
剔除单元,用于若所述第一目标超像素区域中存在光流数据大于所述预设阈值的匹配角点对,将所述第一目标超像素区域中光流数据大于所述预设阈值的匹配角点对进行剔除,获得所述第一目标超像素区域中的目标匹配角点对。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
计算模块,用于基于所述目标左目图像和目标右目图像的稠密光流,按照分辨率从小到大的顺序对所述第一金字塔图层和第二金字塔图层中的各图层对应的图像进行稠密光流的层层迭代计算,获得所述待匹配左目图像和待匹配右目图像的稠密光流。
11.一种电子设备,其特征在于,包括处理器,存储器,存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的稠密光流计算方法的步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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如权利要求1至5中任一项所述的稠密光流计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911198748.6A CN112884817B (zh) | 2019-11-29 | 2019-11-29 | 稠密光流计算方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911198748.6A CN112884817B (zh) | 2019-11-29 | 2019-11-29 | 稠密光流计算方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884817A true CN112884817A (zh) | 2021-06-01 |
CN112884817B CN112884817B (zh) | 2022-08-02 |
Family
ID=76038421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911198748.6A Active CN112884817B (zh) | 2019-11-29 | 2019-11-29 | 稠密光流计算方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884817B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022518A (zh) * | 2022-01-05 | 2022-02-08 | 深圳思谋信息科技有限公司 | 图像的光流信息获取方法、装置、设备和介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030086590A1 (en) * | 2001-11-05 | 2003-05-08 | Koninklijke Philips Electronics N.V. | Method for computing optical flow under the epipolar constraint |
US20100074531A1 (en) * | 2008-09-24 | 2010-03-25 | Fujifilm Corporation | Image processing apparatus, method and computer program product |
CN104978728A (zh) * | 2014-04-08 | 2015-10-14 | 南京理工大学 | 一种光流法的图像匹配*** |
CN105261042A (zh) * | 2015-10-19 | 2016-01-20 | 华为技术有限公司 | 光流估计的方法及装置 |
CN105809712A (zh) * | 2016-03-02 | 2016-07-27 | 西安电子科技大学 | 一种高效大位移光流估计方法 |
US20170038405A1 (en) * | 2014-04-10 | 2017-02-09 | SZ DJI Technology Co., Ltd. | Method and device for measuring flight parameters of an unmanned aerial vehicle |
CN106570888A (zh) * | 2016-11-10 | 2017-04-19 | 河海大学 | 一种基于fast角点和金字塔klt的目标跟踪方法 |
CN107808388A (zh) * | 2017-10-19 | 2018-03-16 | 中科创达软件股份有限公司 | 包含运动目标的图像处理方法、装置及电子设备 |
CN107992073A (zh) * | 2017-12-07 | 2018-05-04 | 深圳慧源创新科技有限公司 | 无人机定点飞行方法、无人机定点飞行装置和无人机 |
US20190005656A1 (en) * | 2017-06-29 | 2019-01-03 | Texas Instruments Incorporated | Dense Optical Flow Processing in a Computer Vision System |
CN109146833A (zh) * | 2018-08-02 | 2019-01-04 | 广州市鑫广飞信息科技有限公司 | 一种视频图像的拼接方法、装置、终端设备及存储介质 |
CN109509211A (zh) * | 2018-09-28 | 2019-03-22 | 北京大学 | 同时定位与建图技术中的特征点提取与匹配方法及*** |
CN109741387A (zh) * | 2018-12-29 | 2019-05-10 | 北京旷视科技有限公司 | 立体匹配方法、装置、电子设备及存储介质 |
TWI673653B (zh) * | 2018-11-16 | 2019-10-01 | 財團法人國家實驗研究院 | 移動物體偵測系統及方法 |
-
2019
- 2019-11-29 CN CN201911198748.6A patent/CN112884817B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030086590A1 (en) * | 2001-11-05 | 2003-05-08 | Koninklijke Philips Electronics N.V. | Method for computing optical flow under the epipolar constraint |
US20100074531A1 (en) * | 2008-09-24 | 2010-03-25 | Fujifilm Corporation | Image processing apparatus, method and computer program product |
CN104978728A (zh) * | 2014-04-08 | 2015-10-14 | 南京理工大学 | 一种光流法的图像匹配*** |
US20170038405A1 (en) * | 2014-04-10 | 2017-02-09 | SZ DJI Technology Co., Ltd. | Method and device for measuring flight parameters of an unmanned aerial vehicle |
CN105261042A (zh) * | 2015-10-19 | 2016-01-20 | 华为技术有限公司 | 光流估计的方法及装置 |
CN105809712A (zh) * | 2016-03-02 | 2016-07-27 | 西安电子科技大学 | 一种高效大位移光流估计方法 |
CN106570888A (zh) * | 2016-11-10 | 2017-04-19 | 河海大学 | 一种基于fast角点和金字塔klt的目标跟踪方法 |
US20190005656A1 (en) * | 2017-06-29 | 2019-01-03 | Texas Instruments Incorporated | Dense Optical Flow Processing in a Computer Vision System |
CN107808388A (zh) * | 2017-10-19 | 2018-03-16 | 中科创达软件股份有限公司 | 包含运动目标的图像处理方法、装置及电子设备 |
CN107992073A (zh) * | 2017-12-07 | 2018-05-04 | 深圳慧源创新科技有限公司 | 无人机定点飞行方法、无人机定点飞行装置和无人机 |
CN109146833A (zh) * | 2018-08-02 | 2019-01-04 | 广州市鑫广飞信息科技有限公司 | 一种视频图像的拼接方法、装置、终端设备及存储介质 |
CN109509211A (zh) * | 2018-09-28 | 2019-03-22 | 北京大学 | 同时定位与建图技术中的特征点提取与匹配方法及*** |
TWI673653B (zh) * | 2018-11-16 | 2019-10-01 | 財團法人國家實驗研究院 | 移動物體偵測系統及方法 |
CN109741387A (zh) * | 2018-12-29 | 2019-05-10 | 北京旷视科技有限公司 | 立体匹配方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
NARESH KUMAR等: "Densely sampled noiseless optical flow for motion based visual activity analysis", 《2017 3RD INTERNATIONAL CONFERENCE ON ADVANCES IN COMPUTING,COMMUNICATION & AUTOMATION (ICACCA) (FALL)》 * |
张聪炫等: "非刚性稠密匹配大位移运动光流估计", 《电子学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022518A (zh) * | 2022-01-05 | 2022-02-08 | 深圳思谋信息科技有限公司 | 图像的光流信息获取方法、装置、设备和介质 |
CN114022518B (zh) * | 2022-01-05 | 2022-04-12 | 深圳思谋信息科技有限公司 | 图像的光流信息获取方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112884817B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135455B (zh) | 影像匹配方法、装置及计算机可读存储介质 | |
CN107220997B (zh) | 一种立体匹配方法及*** | |
CN111066065A (zh) | 用于混合深度正则化的***和方法 | |
CN105374019B (zh) | 一种多深度图融合方法及装置 | |
CN110276317B (zh) | 一种物体尺寸检测方法、物体尺寸检测装置及移动终端 | |
CN109840881B (zh) | 一种3d特效图像生成方法、装置及设备 | |
US9426444B2 (en) | Depth measurement quality enhancement | |
CN108596975B (zh) | 一种针对弱纹理区域的立体匹配算法 | |
CN111833393A (zh) | 一种基于边缘信息的双目立体匹配方法 | |
CN107316326B (zh) | 应用于双目立体视觉的基于边的视差图计算方法和装置 | |
CN106960449B (zh) | 基于多特征约束的异源配准方法 | |
CN107481271B (zh) | 一种立体匹配方法、***及移动终端 | |
CN107798702B (zh) | 一种用于增强现实的实时图像叠加方法以及装置 | |
CN107980138A (zh) | 一种虚警障碍物检测方法及装置 | |
EP2064675A1 (en) | Method for determining a depth map from images, device for determining a depth map | |
Lo et al. | Joint trilateral filtering for depth map super-resolution | |
CN109493373B (zh) | 一种基于双目立体视觉的立体匹配方法 | |
CN108765317A (zh) | 一种时空一致性与特征中心emd自适应视频稳定的联合优化方法 | |
WO2017070923A1 (zh) | 一种人脸识别方法和装置 | |
CN112802081A (zh) | 一种深度检测方法、装置、电子设备及存储介质 | |
CN109961092B (zh) | 一种基于视差锚点的双目视觉立体匹配方法及*** | |
CN111476812A (zh) | 地图分割方法、装置、位姿估计方法和设备终端 | |
Camplani et al. | Accurate depth-color scene modeling for 3D contents generation with low cost depth cameras | |
CN112884817B (zh) | 稠密光流计算方法、装置、电子设备以及存储介质 | |
CN113570725A (zh) | 基于聚类的三维表面重建方法、装置、服务器及存储介质 |
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 |