CN113111687B - 数据处理方法、***及电子设备 - Google Patents
数据处理方法、***及电子设备 Download PDFInfo
- Publication number
- CN113111687B CN113111687B CN202010031727.1A CN202010031727A CN113111687B CN 113111687 B CN113111687 B CN 113111687B CN 202010031727 A CN202010031727 A CN 202010031727A CN 113111687 B CN113111687 B CN 113111687B
- Authority
- CN
- China
- Prior art keywords
- data point
- data
- point set
- points
- ellipse
- 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
- 238000003672 processing method Methods 0.000 title abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 111
- 238000000034 method Methods 0.000 claims description 144
- 230000006870 function Effects 0.000 claims description 103
- 230000015654 memory Effects 0.000 claims description 68
- 239000000203 mixture Substances 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 31
- 238000013499 data model Methods 0.000 claims description 29
- 230000000007 visual effect Effects 0.000 claims description 16
- 238000012795 verification Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 238000001514 detection method Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种数据处理方法、***及电子设备。其中，本申请各实施例提供的技术方案中，通过从图像中获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；利用所述第二数据点集进行椭圆拟合得到初始椭圆信息；由于第二数据点集中的数据点并不是全部的待拟合数据点，因此只能得到一个初始椭圆信息；然后再基于初始椭圆信息及第一数据点集，此时会包含大量的野点，执行椭圆拟合进一步得到最终的拟合结果即得到图像中的目标椭圆信息；经验证，本方案减少了数据点噪声及野点对椭圆拟合结果的影响，具有较好的鲁棒性和准确性。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种数据处理方法、***及电子设备。
背景技术
目前，椭圆拟合和检测作为计算机视觉和模式识别领域的基本问题，得到了广泛关注。从图像信息中识别椭圆是计算机视觉和模式识别领域的基本问题，在不同领域都有大量应用。如位姿估计，相机校准，生物细胞检测，人脸识别等。但是，由于获取的数据往往存在噪声，野点等的干扰，准确快速地识别椭圆仍是一个困难的问题，尤其对于需要高精度椭圆参数的任务，如航天飞行器的对接。
现有技术中，主要有两种主要的拟合方法：参数估计方法和最小二乘方法。参数估计方法一般指霍夫变换和随机采样一致性方法，这两种方法需要提前设置合理的参数阈值，这在实际中很难做到，而且对计算机的内存需求较大。最小二乘方法包括代数距离和几何距离的拟合准则。该两种方法对野点都非常敏感，而且基于几何距离的拟合方法需要好的初值，最终拟合结果也未必是椭圆，现有的椭圆拟合的方法易受野点影响，拟合的精度较低。
发明内容
本申请的多个方面提供一种数据处理方法、***及电子设备，用以解决现有技术中的椭圆拟合方法易受野点影响，拟合结果精度较低的技术问题。
本申请实施例提供一种数据处理方法，包括：从图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息。
本申请实施例还提供一种数据处理***，包括：客户端，用于发送图像至服务端；所述服务端，用于从所述图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；并将所述目标椭圆信息反馈至所述客户端。
本申请实施例还提供一种数据处理方法，包括：获取待估计位姿对象的图像；从所述图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；根据所述目标椭圆信息，对所述待估计位姿对象进行位姿估计。
本申请实施例还提供一种数据处理方法，包括：采集圆模板图像；从所述图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；利用所述目标椭圆信息，标定视觉***中的视觉参数。
本申请实施例还提供一种数据处理方法，包括：从图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；基于所述目标椭圆信息，定位所述图像中的人脸影像。
本申请实施例还提供一种电子设备，包括存储器及处理器；其中，所述存储器，用于存储程序；所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：从图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息。
本申请实施例还提供一种电子设备，包括存储器及处理器；其中，所述存储器，用于存储程序；所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：获取待估计位姿对象的图像；从所述图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；根据所述目标椭圆信息，对所述待估计位姿对象进行位姿估计。
本申请实施例还提供一种电子设备，包括存储器及处理器；其中，所述存储器，用于存储程序；所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：采集圆模板图像；从所述图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；利用所述目标椭圆信息，标定视觉***中的视觉参数。
本申请实施例还提供一种电子设备，包括存储器及处理器；其中，所述存储器，用于存储程序；所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：从图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；基于所述目标椭圆信息，定位所述图像中的人脸影像。
应用本申请的技术方案，可以通过将从图像中获取到的第一数据点集进行初步处理，得到存在关联性的数据点得到第二数据点集；利用所述第二数据点集进行椭圆拟合得到初始椭圆信息；然后再基于初始椭圆信息及第一数据点集继续进行椭圆拟合，此时会包含大量的野点，得到最终的拟合结果即得到图像中的目标椭圆信息；本方案减少了数据点噪声及野点对椭圆拟合结果的影响，具有较好的鲁棒性和准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请一示例性数据处理***的结构示意图；
图2为本申请另一示例性实施例的数据处理方法的流程示意图；
图3为本申请另一示例性实施例提供的又一种数据处理方法的流程示意图；
图4为本申请另一示例性实施例提供的又一种数据处理方法的流程示意图；
图5为本申请另一示例性实施例提供的又一种数据处理方法的流程示意图；
图6为本申请另一示例性实施例提供的又一种数据处理方法的流程示意图；
图7为本申请另一示例性实施例提供的又一种数据处理方法的流程示意图；
图8a为本申请的方法与传统的椭圆拟合方法的拟合椭圆中心与真实椭圆中心距离随噪声变化情况示意图；
图8b为本申请的方法与传统的椭圆拟合方法的拟合椭圆长轴长与真实椭圆长轴长长度差随噪声变化情况示意图；
图8c为本申请的方法与传统的椭圆拟合方法的拟合椭圆短轴长与真实椭圆短轴长长度差随噪声变化情况示意图；
图8d为本申请的方法与传统的椭圆拟合方法的拟合椭圆旋转角与真实椭圆旋转角角度差随噪声变化情况示意图；
图9a为本申请的方法与现有的鲁棒椭圆拟合方法对分散结构的椭圆的拟合结果的对比图；
图9b为本申请的方法与现有的鲁棒椭圆拟合方法对嵌套结构的椭圆的拟合结果的对比图；
图9c为本申请的方法与现有的鲁棒椭圆拟合方法对重叠结构的椭圆的拟合结果的对比图；
图10是本申请的方法与传统的椭圆拟合方法关于遮挡椭圆检测精度对比结果图；
图11是本申请的方法与代表性的椭圆检测方法关于真实图像的椭圆检测对比结果图；
图12为本申请又一示例性实施例提供的数据处理装置的结构框架示意图；
图13为本申请又一示例性实施例提供的数据处理装置的结构框架示意图；
图14为本申请又一示例性实施例提供的数据处理装置的结构框架示意图；
图15为本申请又一示例性实施例提供的数据处理装置的结构框架示意图；
图16为本申请又一示例性实施例提供的电子设备的结构示意图；
图17为本申请又一示例性实施例提供的电子设备的结构示意图；
图18为本申请又一示例性实施例提供的电子设备的结构示意图；
图19为本申请又一示例性实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
从图像信息中识别椭圆是计算机视觉和模式识别领域的基本重要问题，在不同领域都有大量应用。该处的图像信息可以为二维图像信息还可以为三维图像信息，其中，三维图像信息可以由通过3D扫描仪获取到的点云数据组成，点云数据中的每个点均为三维坐标点；从图像信息中识别椭圆的技术可以运用于如位姿估计，相机校准，生物细胞检测，人脸识别等。但是，由于获取的数据往往存在噪声，野点等的干扰，准确快速地识别椭圆仍是一个困难的问题，尤其对于需要高精度椭圆参数的任务，如航天飞行器的对接。因此，发明鲁棒高精度的椭圆拟合算法是非常必要的。但是，现有技术中的椭圆拟合方法易受野点影响，拟合结果精度较低；而本申请的方案则对从图像中获取到的数据点集进行了预处理，并得到了初步椭圆信息，然后再利用初始椭圆信息与从图像中获取到的原始数据点确定目标椭圆信息，减少了野点对椭圆拟合结果的影响，提高了椭圆拟合的精度。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的一种数据处理***的结构示意图。如图1所示，数据处理***100包括：客户端101、服务端102。
其中，客户端101，用于发送图像至服务端102；
所述服务端102，用于从所述图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；并将所述目标椭圆信息反馈至所述客户端101。
进一步的，所述客户端101还可用于接收所述目标椭圆信息，并根据所述椭圆信息，在所述图像中显示目标椭圆；或者，根据所述目标椭圆进行类似于位姿标定、人脸定位跟踪等操作。
客户端101可以是集成在终端上的一个具有嵌入式程序的硬件，也可以是安装在终端中的一个应用软件，还可以是嵌入在终端操作***中的工具软件等，本实施例对此不作限定。终端可以是任何具有一定计算能力的设备，例如可以是智能手机、平板电脑、个人电脑、无人飞行器、人脸定位跟踪***、摄像机等等。具有所述客户端101的终端的基本结构可包括：至少一个处理单元和至少一个存储器。处理单元和存储器的数量取决于终端的配置和类型。存储器可以包括易失性的，例如RAM，也可以包括非易失性的，例如只读存储器(Read-Only Memory，ROM)、闪存等，或者也可以同时包括两种类型。存储器内通常存储有操作***(Operating System，OS)、一个或多个应用程序，也可以存储有程序数据等。除了处理单元和存储器之外，终端还包括一些基本配置，例如网卡芯片、IO总线、音视频组件等。可选地，终端还可以包括一些***设备，例如键盘、鼠标、输入笔等。其它***设备在本领域中是众所周知的，在此不做赘述。
服务端102是指可以在网络环境中提供信息交互服务的服务器，用户可以通过网络向服务端102发送图像，还可以通过网络从服务端102中获取到目标椭圆信息，在物理实现上，服务端102可以是任何能够提供计算服务，响应服务请求，并进行处理的设备，例如可以是常规服务器、云服务器、云主机、虚拟中心等。服务器的构成主要包括处理器、硬盘、内存、***总线等，和通用的计算机架构类似。
在本实施例中，客户端101与服务端102进行网络连接。客户端101与服务端102之间可以是无线或有线网络连接。若客户端101与服务端102通信连接，该移动网络的网络制式可以为3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax、5G等中的任意一种。
本***实施例中的各组成单元，如客户端、服务端的执行原理及交互过程可参见如下各方法实施例的描述。
图2为本申请另一示例性实施例的数据处理方法的流程示意图，该方法200包括以下步骤：
步骤S201，从图像中，获取第一数据点集；
可选地，在图像为三维图像时，获取第一数据点集之前，可从三维图像中，确定出预设观测角度的二维图像，可选地，还可以基于预设面对三维图像进行横切得到二维图像；然后，从二维图像中获取第一数据点集。
其中，第一数据点集为图像上所有点或部分点的集合，第一数据点集中的一个数据点对应图像中的一个像素，可在图像中设定坐标原点，得到图像中各个数据点的像素坐标。由此，第一数据点集中可包含：第一数据点集中各数据点的坐标信息，每个数据点的坐标信息可通过(x，y)表示，其中，x与y分别表示每个数据点对应的像素在图像中的坐标；具体地，每个像素的坐标可以基于图像大小与对应图像的预设的坐标系得到。
在本申请的一些可选的实施例中，从图像中获取第一数据点集过程：在图像中均匀的提取多个数据点得到所述第一数据点集，或者，按照设定的数据点提取规则，在图像中提取符合规则的多个数据点得到所述第一数据点集。其中，数据点提取规则可根据需求设计，本实施例对此不作具体限定，
可选地，从图像中获取第一数据点集可参见图6的步骤S01，图6为本申请另一示例性实施例提供的又一种数据处理方法的流程示意图。
步骤S202，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集。
通常，椭圆路径上的数据点的密度较大，非椭圆路径上的数据点的密度较小，故在一具体实施方案中，上文中提及的第一数据点集中存在关联性的数据点可以为第一数据点集中数据点的密度值满足预设条件的数据点。其中，该预设条件可以为数据点的密度值大于某设定密度值，例如，可将第一数据点集中密度值大于某设定密度值的数据点的集合作为第二数据点集。
具体的，对于在第一数据点集中得到第二数据点集的过程可如图6的步骤S02所示；
步骤S203，基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
在本申请的一些可选的实施例中，基于所述第二数据点集得到初始椭圆信息的过程可如图6的步骤S03所示；
步骤S204，基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息。
在本申请的一些可选的实施例中，基于初始椭圆信息及第一数据点集得到目标椭圆信息的过程可如图6的步骤S04所示；
本申请通过从图像中获取到的第一数据点集进行初步处理，获得第二数据点集，并基于第二数据点集确定初步椭圆信息，再结合初步椭圆信息以及第一数据点集，得到目标椭圆信息；本方案通过基于第一数据点集中存在关联性的子集进行初始椭圆的拟合，能够减少野点对后续椭圆拟合的影响，提高了椭圆拟合的精度。
在一些实例中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，包括：从所述第一数据点集中，确定出一数据点作为起点；从所述起点开始进行区域增长，得到增长区域；基于所述增长区域中的数据点，得到所述第二数据点集。
在一些实施例中，可以基于第一数据点集中的各个数据点的密度值确定起点。
在一些实例中，从所述起点开始进行区域增长，得到增长区域，包括：获取所述起点对应的第一密度值；从所述第一数据点集中，获取与所述起点相邻的多个邻域点；获取所述多个邻域点中各邻域点对应的第二密度值；根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域。
在一些实例中，起点确定后，可基于起点与所述第一数据点集中各数据点的坐标信息确定所述起点的多个邻域点。例如，可根据所述第一数据点集中各数据点的坐标信息与起点的坐标信息，获取与起点的距离小于某设定距离的数据点作为邻域点。
在一些实例中，根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域，可通过以下步骤S2011-步骤S2014实现：
步骤S2011，根据所述第一密度值及所述各邻域点对应的第二密度值，计算所述各邻域点对应的第二密度值与所述第一密度值的密度比；
步骤S2012，计算所述各邻域点与起点的距离；
步骤S2013，从所述多个邻域点中，获取所述距离及所述密度比满足预设要求的至少一个邻域点；
步骤S2014，当所述距离及所述密度比满足预设要求的至少一个邻域点的数量大于或等于预设阈值时，根据所述距离及所述密度比满足预设要求的至少一个邻域点，确定增长区域。
具体地，每个第一数据点的密度值可通过以下方式进行计算：将所述第一数据点集中各数据点信息分别作为高斯混合模型的入参，执行所述高斯混合模型，得到所述第一数据点集中各数据点的密度值。
高斯混合模型的创建可通过以下公式(1)进行实现：
其中，第一数据点集可以为{υj∈R2}j＝1,...,n，n为图像中第一数据点的总数目，R为实数集，υj为各个第一数据点对应的坐标，首先，h是核带宽，可以设定为常数，例如为2，I是2阶的单位矩阵；
上述公式(1)中，f(x)由正态分布密度函数
构成，可称为第一数据模型，其中，μ为均值向量，Σ为协方差矩阵；根据上述公式(1)与公式(2)可得出各个第一数据点的密度值。
距离及所述密度比满足预设要求可以为，距离小于预设距离、密度比大于预设比值，例如，预设距离为2，预设比值为0.6，其中，预设距离可以为邻域点距离起点的像素个数。
增长区域可以通过以下公式(3)进行确定：
其中，NEps(x0)为增长区域，C是输入的点集，x0为起点，xi为x0的邻域点，ε为预设距离，τ为预设比值，可设定ε＝2，τ＝0.6，f(xi)和ρ0分别是xi和起点的密度值。
在本申请的一些可选的实施例中，从所述第一数据点集中，确定出一数据点作为起点，可通过以下方式进行实现：计算所述第一数据点集中各数据点的密度值；将所述第一数据点集中密度值最大的一数据点作为所述起点。例如：选取对应密度为的点作为起点。
在本申请的一些可选的实施例中，上述方法还包括：当所述距离及所述密度比满足预设要求的至少一个邻域点的数量小于所述预设阈值时，从所述距离及所述密度比满足预设要求的至少一个邻域点中，获取与所述起点距离最远的一个邻域点作为新起点。例如：以上述NEps(x0)中距点x0最远的点为新的起始点，其密度值为新的ρ0，继续通过上述公式(3)，进行区域增长，直到增长的点数满足一定的数目时，基于所述增长区域中的数据点，得到所述第二数据点集，例如：可将增长区域中的所有数据点的集合作为第二数据点集。
需要说明的是，当与所述起点距离最远的邻域点有多个时，可选其中任一个作为新起点。
本申请没有直接按照一般的方式计算点密度，而是利用数据本身模型，即概率密度函数计算密度。同时，对数据点的聚类，不仅有距离的约束，还包括有密度约束，根据椭圆数据点通常拥有较高的点密度，使得第二数据点集的数据点多数来自椭圆数据，提高了椭圆拟合的精度。
在一些实例中，基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息可通过以下步骤S2021-步骤S2025进行实现：
步骤S2021，将预设椭圆参数、第一预设核带宽、第一预设点数以及所述第二数据点集作为第一目标函数的入参，执行所述第一目标函数得到第一结果；
预设椭圆参数可包括：椭圆的半长轴长度、半短轴长度、椭圆中心位置、椭圆的旋转角、构成椭圆的参数；
需要说明的是，上述中构成椭圆的参数可以为椭圆参数方程中的角度参数，范围可以为[0,2π]。
第一预设核带宽可以设定为常数；第一预设点数指组成椭圆的点的个数，例如若椭圆由20个分布均匀的点组成，则组成椭圆的点的个数为20。
步骤S2022，利用第一结果及所述第二数据点集，计算第二目标函数得到第二结果；
步骤S2023，将第二结果添加至第一结果集；
步骤S2024，基于所述第一预设核带宽，确定第一判定参数；
第一判定参数可以为第一预设核带宽与第一预设倍数的乘积的值，也可以为第一预设核带宽按照其他递减规律得到的值。第一预设核带宽可设为4，第一预设倍数可设为0.8。
步骤S2025，判断所述第一判定参数是否满足第一预设条件，若是，则将所述第一判定参数更新为所述预设椭圆参数，若否，则将所述第一结果集中取值最小的结果对应的椭圆参数信息作为所述初始椭圆信息。
第一预设条件可以为不大于第一核带宽阈值，或属于第一预设区间，第一预设区间的最大值可与第一预设核带宽相同，例如：第一预设区间可设为[4,3]。
在一些实例中，该方法进一步包括：基于高斯混合模型，构建数据模型；基于所述高斯混合模型，构建椭圆模型；根据所述数据模型及所述椭圆模型，构建所述第一目标函数。为了便于描述，该处的数据模型可称为第二数据模型，该处的椭圆模型可称为第一椭圆模型。
在一些实例中，将预设椭圆参数、第一预设核带宽、第一预设点数以及所述第二数据点集作为第一目标函数的入参，执行所述第一目标函数得到第一结果，包括：将所述预设椭圆参数、所述第一预设核带宽及所述第一预设点数作为所述第一椭圆模型的入参；将所述第二数据点集作为所述第二数据模型的入参；执行所述第一目标函数，得到所述第一结果。
第一目标函数可通过以下公式(4)表示：
F＝||f-gθ||2 (4)
其中，F为第一目标函数，f为基于高斯混合模型，构建的第二数据模型，gθ为椭圆模型；
基于高斯混合模型，构建第二数据模型与前文中阐述的第一数据模型的构建过程相同，此处就不再赘述。
在一些实例中，基于所述高斯混合模型，构建的第一椭圆模型如以下公式(5)所示：
其中，μi和Σi分别是第一椭圆模型的均值和协方差矩阵，m为第一预设点数，
具体地，
是椭圆模型上的点，(a,b,x0,y0,γ)为椭圆的5个参数，即预设椭圆参数，a为半长轴长度，b为半短轴长度，(x0,y0)为椭圆中心位置，γ为椭圆的旋转角，τi为构成椭圆的参数；τi∈[0,2π]，可预设椭圆参数：a＝b＝1，γ＝0，(x0,y0)为增长区域中所有数据点的坐标值的均值；Qi＝[n1i|n2i]由两个正交的单位向量
n1i＝Rn2i＝[-n2i(y),n2i(x)]T
定义，n1i为椭圆上点的法向量，n2i为椭圆上点的切线量，R是旋转矩阵，h'为第一预设核带宽，hi＝||ui-ui+1||2，/>为权重信息。
第一结果为第一目标函数取最小值时对应的椭圆参数信息，即
第二目标函数可以通过以下公式(6)进行表示：
其中，E(θ)为第二目标函数，ψ(xi)为第一指标函数，
其中，T为设定的距离阈值，di为点xi到第一结果对应的椭圆的欧式距离。对每次由式/>得到的/>计算E(θ)，当E(θ)取得最小值时，其对应的椭圆参数信息则为初始椭圆信息。该处的xi为第二数据点集中的数据点的坐标信息。其中，点xi到第一结果/>对应的椭圆的欧式距离为：点xi到第一结果/>对应的椭圆的最近的点之间的距离，可相当于点到拟合椭圆的垂直距离。
在一些实例中，基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息可通过以下步骤S2031-步骤S2035进行实现：
步骤S2031，将所述初始椭圆信息、第二预设核带宽、第二预设点数以及所述第一数据点集作为第三目标函数的入参，执行所述第三目标函数得到第三结果；
第二预设核带宽可以设定为常数；第二预设点数指组成椭圆的点的个数，例如若椭圆由20个分布均匀的点组成，则组成椭圆的点的个数为20。
步骤S2032，利用第三结果及所述第一数据点集，计算第四目标函数得到第四结果；
步骤S2033，将第四结果添加至第二结果集；
步骤S2034，基于所述第二预设核带宽，确定第二判定参数；
第二判定参数可以为第二预设核带宽与第二预设倍数的乘积的值，也可以为第二预设核带宽按照其他递减规律得到的值。第二预设核带宽可设为0.9，第二预设倍数可设为0.8。
步骤S2035，判断所述第二判定参数是否满足第二预设条件，若是，则将所述第二判定参数更新为所述初始椭圆信息，若否，则将所述第四结果集中取值最小的结果对应的椭圆参数信息作为所述目标椭圆信息。
第二预设条件可以为不大于第二核带宽阈值，或属于第二预设区间，第二预设区间的最大值可与第二预设核带宽相同，例如：第二预设区间可设为[0.9,0.7]。
在本申请的一些可选的实施例中，上述方法还需执行以下步骤:基于高斯混合模型，构建第三数据模型；基于所述高斯混合模型，构建第二椭圆模型；根据所述第三数据模型及所述第二椭圆模型，构建所述第三目标函数。
在本申请的一些可选的实施例中，将初始椭圆信息、第二预设核带宽、第二预设点数以及所述第一数据点集作为第三目标函数的入参，执行所述第三目标函数得到第三结果可通过以下方式进行实现：将所述初始椭圆信息、所述第二预设核带宽及所述第二预设点数作为所述第二椭圆模型的入参；将所述第一数据点集作为所述第三数据模型的入参；执行所述第三目标函数，得到所述第三结果。
第三目标函数可通过以下公式(7)表示：
F'＝||f'-gθ'||2 (7)
其中，F'是第三目标函数，f'为第三数据模型，gθ'为第二椭圆模型；
基于高斯混合模型，构建第三数据模型与前文中阐述的第一数据模型的构建过程相同，此处就不再赘述。
基于所述高斯混合模型，构建的第二椭圆模型如以下公式(8)所示：
其中，μi和∑i分别是第二椭圆模型的均值和协方差矩阵，m’为第二预设点数，
具体地，
是第二椭圆模型上的点，(a,b,x0,y0,γ)为椭圆的5个参数，即初始椭圆信息，a为半长轴长度，b为半短轴长度，(x0,y0)为椭圆中心位置，γ为椭圆的旋转角，τi为构成椭圆的参数；τi∈[0,2π]，Qi＝[n1i|n2i]由两个正交的单位向量
n1i＝Rn2i＝[-n2i(y),n2i(x)]T
定义，n1i为椭圆上点的法向量，n2i为椭圆上点的切线量，R是旋转矩阵，h”为第二预设核带宽，hi＝||ui-ui+1||2，/>为权重信息。
第三结果为第三目标函数取最小值时对应的椭圆参数信息，即
第四目标函数可以通过以下公式(9)进行表示：
其中，E(θ)'是第四目标函数，ψ(xi)为第二指标函数，
其中，T为设定的距离阈值，di为点xi到第三结果对应的椭圆的欧式距离。对每次由式/>得到的/>计算E(θ)'，当E(θ)'取得最小值时，其对应的椭圆参数信息则为目标椭圆信息。该处的xi为第一数据点集中的数据点的坐标。
应用本申请的技术方案，可以通过将从图像中获取到的第一数据点集进行初步处理，得到存在关联性的数据点得到第二数据点集；利用所述第二数据点集进行椭圆拟合得到初始椭圆信息；然后再基于初始椭圆信息及第一数据点集继续进行椭圆拟合，此时会包含大量的野点，得到最终的拟合结果即得到图像中的目标椭圆信息；本方案减少了数据点噪声及野点对椭圆拟合结果的影响，具有较好的鲁棒性和准确性。
图3为本申请另一示例性实施例的数据处理方法的流程示意图。本申请实施例提供的该方法300中的步骤S301-步骤S305可由上述服务端102执行，步骤S306可由客户端101执行，该方法300包括以下步骤：
步骤S301，获取待估计位姿对象的图像；
可选地，待估计位姿对象可以为待估计位姿的人脸，或其他包括椭圆信息的对象。
步骤S302，从图像中，获取第一数据点集；
在本申请的一些可选的实施例中，从图像中获取第一数据点集过程可如图7的步骤S001所示，图7为本申请另一示例性实施例提供的又一种数据处理方法的流程示意图；
步骤S303，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
在本申请的一些可选的实施例中，在第一数据点集中得到第二数据点集的过程可如图7的步骤S002所示；
步骤S304，基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
在本申请的一些可选的实施例中，在第一数据点集中得到第二数据点集的过程可如图7的步骤S003所示；
步骤S305，基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
在本申请的一些可选的实施例中，基于初始椭圆信息及第一数据点集得到目标椭圆信息的过程可如图7的步骤S004所示；
步骤S306，根据所述目标椭圆信息，对所述待估计位姿对象进行位姿估计。
在本申请的一些可选的实施例中，根据所述目标椭圆信息，对所述待估计位姿对象进行位姿估计的过程可如图7的步骤S005所示。
该位姿对象的估计结果可包括：目标椭圆信息对应的目标椭圆相对于参考坐标系中目标对像的旋转角度，和/或目标椭圆相对于参考坐标系的坐标位置信息。
在一些实例中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，包括：从所述第一数据点集中，确定出一数据点作为起点；从所述起点开始进行区域增长，得到增长区域；基于所述增长区域中的数据点，得到所述第二数据点集。
在一些实例中，从所述起点开始进行区域增长，得到增长区域，包括：获取所述起点对应的第一密度值；从所述第一数据点集中，获取与所述起点相邻的多个邻域点；获取所述多个邻域点中各邻域点对应的第二密度值；根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域。
在一些实例中，根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域，包括：根据所述第一密度值及所述各邻域点对应的第二密度值，计算所述各邻域点对应的第二密度值与所述第一密度值的密度比；计算所述各邻域点与起点的距离；从所述多个邻域点中，获取所述距离及所述密度比满足预设要求的至少一个邻域点；当所述距离及所述密度比满足预设要求的至少一个邻域点的数量大于或等于预设阈值时，根据所述距离及所述密度比满足预设要求的至少一个邻域点，确定增长区域。
在一些实例中，该方法进一步包括：当所述距离及所述密度比满足预设要求的至少一个邻域点的数量小于所述预设阈值时，从所述距离及所述密度比满足预设要求的至少一个邻域点中，获取与所述起点距离最远的一个邻域点作为新起点。
在一些实例中，从所述第一数据点集中，确定出一数据点作为起点，包括：计算所述第一数据点集中各数据点的密度值；将所述第一数据点集中密度值最大的一数据点作为所述起点。
在一些实例中，计算所述第一数据点集中各数据点的密度值，包括：将所述第一数据点集中各数据点信息分别作为高斯混合模型的入参，执行所述高斯混合模型，得到所述第一数据点集中各数据点的密度值。
在一些实例中，基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息，包括：将预设椭圆参数、第一预设核带宽、第一预设点数以及所述第二数据点集作为第一目标函数的入参，执行所述第一目标函数得到第一结果；利用第一结果及所述第二数据点集，计算第二目标函数得到第二结果；将第二结果添加至第一结果集；基于所述第一预设核带宽，确定第一判定参数；判断所述第一判定参数是否满足第一预设条件，若是，则将所述第一判定参数更新为所述预设椭圆参数，若否，则将所述第一结果集中取值最小的结果对应的椭圆参数信息作为所述初始椭圆信息。
在一些实例中，该方法进一步包括：基于高斯混合模型，构建数据模型；基于所述高斯混合模型，构建椭圆模型；根据所述数据模型及所述椭圆模型，构建所述第一目标函数。
在一些实例中，将预设椭圆参数、第一预设核带宽、第一预设点数以及所述第二数据点集作为第一目标函数的入参，执行所述第一目标函数得到第一结果，包括：将所述预设椭圆参数、所述第一预设核带宽及所述第一预设点数作为所述椭圆模型的入参；将所述第二数据点集作为所述数据模型的入参；执行所述第一目标函数，得到所述第一结果。
在一些实例中，基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息，包括：将所述初始椭圆信息、第二预设核带宽、第二预设点数以及所述第一数据点集作为第三目标函数的入参，执行所述第三目标函数得到第三结果；利用第三结果及所述第一数据点集，计算第四目标函数得到第四结果；将第四结果添加至第二结果集；基于所述第二预设核带宽，确定第二判定参数；判断所述第二判定参数是否满足第二预设条件，若是，则将所述第二判定参数更新为所述初始椭圆信息，若否，则将所述第四结果集中取值最小的结果对应的椭圆参数信息作为所述目标椭圆信息。
需要说明的是，上述实施例所提供方法300的具体实施方式在前文已经详细阐述过了，此处就不再赘述。
本申请另一示例性实施例还提供了一种数据处理方法，如图4所示，该方法400包括以下步骤：
步骤S401，采集圆模板图像；
可选地，圆模板图像可以为无人机的拍摄***拍摄的目标场地中含有圆信息的图像。
步骤S402，从所述图像中，获取第一数据点集；
步骤S403，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
步骤S404，基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
步骤S405，基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
步骤S406，利用所述目标椭圆信息，标定视觉***中的视觉参数。
在本申请的一些可选的实施例中，无人机可在不同的时刻拍摄到不同的圆模板图像，得到不同时刻的目标椭圆信息，可基于不同时刻的目标椭圆信息，对视觉***中的视觉参数进行标定。
可选地，上述视觉***为计算机视觉***，视觉参数包括相机的外参数与内参数，该处的视觉***可设置于无人机。
可选地，上述步骤S403中的“在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集”可通过以下步骤进行实现：
步骤S4001，从所述第一数据点集中，确定出一数据点作为起点；
步骤S4002，从所述起点开始进行区域增长，得到增长区域；
步骤S4003，基于所述增长区域中的数据点，得到所述第二数据点集。
可选地，上述步骤S4002中的“从所述起点开始进行区域增长，得到增长区域”可通过以下步骤进行实现：
S4011，获取所述起点对应的第一密度值；
S4012，从所述第一数据点集中，获取与所述起点相邻的多个邻域点；
S4013，获取所述多个邻域点中各邻域点对应的第二密度值；
S4014，根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域。
需要说明的是，上述实施例所提供方法400的具体实施方式在前文已经详细阐述过了，此处就不再赘述。
本申请另一示例性实施例还提供了一种数据处理方法，如图5所示，该方法500包括以下步骤：
步骤S501，从图像中，获取第一数据点集；
步骤S502，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
步骤S503，基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
步骤S504，基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
步骤S505，基于所述目标椭圆信息，定位所述图像中的人脸影像。
需要说明的是，上述实施例所提供方法500的具体实施方式在前文已经详细阐述过了，此处就不再赘述。
本申请另一示例性实施例还提供了一种数据处理方法，该方法600包括以下步骤：
步骤S601、从图像中获取第一数据点集，利用第一数据点集中的数据点的密度比进行区域增长，以得到第二数据点集；
第一数据点集可表征为：{υj∈R2}j＝1,...,n；本申请中的输入是一个散乱的数据点集{υj∈R2}j＝1,...,n。首先，对输入数据进行高斯混合模型建模，如以下公式(10)所示：
其中，f(x)由如公式(11)所示的正态分布密度函数
构成，称为数据模型；υj是每个输入数据点的坐标，h可以是预设的常数核带宽，取值可以为2，n为图像中含有的所有像素个数，I是2阶的单位矩阵，μ为均值向量，∑为协方差矩阵；可选取密度为的点作为起始中心点。然后，利用起始中心点的邻域点的密度比进行区域增长；
公式(12)中，x0为起始中心点，xi为x0的邻域点，NEps(x0)是本申请提出的增长区域，C是输入的点集，ε和τ控制增长区域的半径和密度比，在本申请中设为ε＝2，τ＝0.6，f(xi)和ρ0分别是增长点和中心点的密度值。选取密度为的点作为起始坐标点。然后以NEps(x0)中距点x0最远的点为新的起始点，其密度值为ρ0，继续此过程，直到增长的点数满足一定的数目，则将最终得到的增长区域内的点作为第二数据点集。本申请没有直接按照一般的方式计算点密度，而是利用数据本身模型，即概率密度函数计算密度。同时，对数据点的聚类，不仅有距离的约束，基于观察，发现椭圆数据点通常拥有较高的点密度，因而还包含了密度约束，使得聚类的数据点多数来自椭圆数据，更加可信。
步骤S602、利用嵌套高斯混合模型对增长区域进行外层椭圆拟合，即初始椭圆拟合；
该步骤使用嵌套的高斯混合模型的外层对S601中聚类的第二数据集进行拟合。优化如下公式(13)所示的目标函数：
其中f和分别是数据模型和椭圆模型，μi和∑i分别是椭圆模型的均值和协方差矩阵，
其中，
是椭圆模型上的点，(a,b,x0,y0,γ)为椭圆的5个参数，即a为半长轴长度，b为半短轴长度，(x0,y0)为椭圆中心位置，γ为椭圆的旋转角，τi为构成椭圆的参数，τi∈[0,2π]；可设置椭圆模型的初始参数为：a＝b＝1，γ＝0，(x0,y0)为增长区域的数据点均值；Qi＝[n1i|n2i]由两个正交的单位向量
n1i＝Rn2i＝[-n2i(y),n2i(x)]T
定义，n1i为椭圆上点的法向量，n2i为椭圆上点的切线量，R是旋转矩阵，其中，带宽h为外层预设带宽，带宽hi＝||ui-ui+1||2，权重/>
本申请提出基于距离密度的新度量
作为拟合终止条件。其中，ψ(xi)为指标函数，
di为点xi到拟合椭圆θ的欧式距离，T为设定的距离阈值。对每次由式(13)得到的θ，计算E(θ)，当取得最小值时，其对应椭圆参数θ作为外层嵌套高斯混合模型的拟合最优值。本申请的外层初始带宽，设为4，带宽范围设为[4,3]，迭代率设为0.8。
步骤S603、利用外层结果，再次利用嵌套高斯混合模型进行内层椭圆拟合，即目标椭圆拟合，得到最优的椭圆参数；
可选地，利用外层拟合得到的拟合最优值对应的椭圆中心位置信息，利用步骤S602类似方式对S602中已获得的参数再次优化，此时带宽h小范围变动即可，本申请内层带宽的初始带宽设为0.9，带宽的范围设为[0.9,0.7]，迭代率为0.8。本申请基于嵌套结构的思想，利用内层高斯混合模型进一步优化，提高了椭圆拟合的精度。
本申请提出了一种鲁棒和高精度的基于嵌套高斯混合模型的椭圆拟合算法。该算法设计了新颖的基于密度比的区域增长方案和嵌套的椭圆拟合结构，由于嵌套结构，相较于原有算法，拟合的鲁棒性和精度得到大幅提升，从而给后续工作的应用带来可靠性，该算法可以用于相机校准，人脸识别，生物细胞分割等多方面，具有较高的实际应用价值。
图8a-图8d展示了本申请的方法与传统的椭圆拟合方法关于噪声鲁棒性和精度的对比结果图；图8a为拟合椭圆中心与真实椭圆中心距离随噪声变化图，横坐标为噪声等级，纵坐标为拟合椭圆中心与真实椭圆中心位置的误差信息；图8b为拟合椭圆长轴长与真实椭圆长轴长长度差随噪声变化图，横坐标为噪声等级，纵坐标为拟合椭圆长轴长与真实椭圆长轴长长度的误差信息；图8c为拟合椭圆短轴长与真实椭圆短轴长长度差随噪声变化图，横坐标为噪声等级，纵坐标为拟合椭圆短轴长与真实椭圆短轴长长度的误差信息；图8d为拟合椭圆旋转角与真实椭圆旋转角角度差随噪声变化图，横坐标为噪声等级，拟合椭圆旋转角与真实椭圆旋转角角度的误差信息。从图8a-图8d结果看出，本申请所设计算法具有最小的波动，说明本申请的方案对噪声也具有较高鲁棒性。其中，传统的椭圆拟合方法，可包括直接最小二乘拟合法、现有技术1的方法、现有技术2的方法、现有技术3的方法、现有技术4的方法、随机采样一致性方法、最小中位数法、高斯混合模型法。
图9a-图9c是本申请的方法与现有的鲁棒椭圆拟合方法关于多椭圆拟合的对比结果图；图9a为分散结构的椭圆，以及采用最小中位数方法、随机采样一致性方法、高斯混合模型方法及本申请的方法进行椭圆拟合的拟合结果图；图9b为嵌套结构的椭圆，以及采用最小中位数方法、随机采样一致性方法、高斯混合模型方法及本申请的方法进行椭圆拟合的拟合结果图；图9c为重叠结构的椭圆，以及采用最小中位数方法、随机采样一致性方法、高斯混合模型方法及本申请的方法进行椭圆拟合的拟合结果图。从图9a-图9c结果看出，当数据点结构变得复杂时，传统鲁棒方法拟合效果并不理想。而本申请的方法由于包含基于密度比的区域增长，因此可以更好的定位椭圆位置，从而产生更精确的拟合结果。
图10是本申请的方法与传统的椭圆拟合方法关于遮挡椭圆检测精度对比结果图；第一列是现有技术的数据集中的二值图像，从上到下，每幅图分别有4,8,12,16,20和24个遮挡椭圆。第二列至第七列是对比方法：现有技术1的方法、直接最小二乘拟合法、现有技术2的方法、现有技术3的方法、现有技术4的方法以及高斯混合模型法的拟合结果,最后一列是本申请所设计算法的检测结果。从图示结果看出，本申请所设计算法几乎可以准确检测出所有椭圆。
图11是本申请的方法与代表性的椭圆检测方法关于真实图像的椭圆检测对比结果图；第一列是真实图像，前三个来自现有技术中的第一数据集，后三个来自现有技术的第二数据集，第二列是真实椭圆，第三至第九列是对比算法：现有技术5、现有技术6、现有技术7、现有技术8、现有技术9、现有技术10、现有技术11的检测结果，最后一列是本申请所设计算法的检测结果。从图示结果看出，本申请所设计算法在真实图像上也具有良好的检测能力。
图12为本申请另一示例性实施例的数据处理装置的结构示意图。该装置1200包括第一获取模块1201、第二获取模块1202、第一处理模块1203和第二处理模块1204，以下针对各个模块的功能进行详细的阐述：
第一获取模块1201，用于从图像中，获取第一数据点集；
第二获取模块1202，用于在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
第一处理模块1203，用于基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
第二处理模块1204，用于基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息。
在一些实例中，第二获取模块1202，具体用于：从所述第一数据点集中，确定出一数据点作为起点；从所述起点开始进行区域增长，得到增长区域；基于所述增长区域中的数据点，得到所述第二数据点集。
在一些实例中，第二获取模块1202在用于从所述起点开始进行区域增长，得到增长区域时，具体用于：获取所述起点对应的第一密度值；从所述第一数据点集中，获取与所述起点相邻的多个邻域点；获取所述多个邻域点中各邻域点对应的第二密度值；根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域。
在一些实例中，第二获取模块1202在用于根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域时，具体用于：根据所述第一密度值及所述各邻域点对应的第二密度值，计算所述各邻域点对应的第二密度值与所述第一密度值的密度比；计算所述各邻域点与起点的距离；从所述多个邻域点中，获取所述距离及所述密度比满足预设要求的至少一个邻域点；当所述距离及所述密度比满足预设要求的至少一个邻域点的数量大于或等于预设阈值时，根据所述距离及所述密度比满足预设要求的至少一个邻域点，确定增长区域。
在一些实例中，所述装置1200还包括：判断模块，用于当所述距离及所述密度比满足预设要求的至少一个邻域点的数量小于所述预设阈值时，从所述距离及所述密度比满足预设要求的至少一个邻域点中，获取与所述起点距离最远的一个邻域点作为新起点。
在一些实例中，第二获取模块1202在用于从所述第一数据点集中，确定出一数据点作为起点时，具体用于：计算所述第一数据点集中各数据点的密度值；将所述第一数据点集中密度值最大的一数据点作为所述起点。
在一些实例中，第二获取模块1202在用于计算所述第一数据点集中各数据点的密度值时，具体用于：将所述第一数据点集中各数据点信息分别作为高斯混合模型的入参，执行所述高斯混合模型，得到所述第一数据点集中各数据点的密度值。
在一些实例中，第一处理模块1203在基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息时，具体用于：将预设椭圆参数、第一预设核带宽、第一预设点数以及所述第二数据点集作为第一目标函数的入参，执行所述第一目标函数得到第一结果；利用第一结果及所述第二数据点集，计算第二目标函数得到第二结果；将第二结果添加至第一结果集；基于所述第一预设核带宽，确定第一判定参数；判断所述第一判定参数是否满足第一预设条件，若是，则将所述第一判定参数更新为所述预设椭圆参数，若否，则将所述第一结果集中取值最小的结果对应的椭圆参数信息作为所述初始椭圆信息。
在一些实例中，装置1200还包括：构建模块，具体用于：基于高斯混合模型，构建数据模型；基于所述高斯混合模型，构建椭圆模型；根据所述数据模型及所述椭圆模型，构建所述第一目标函数。
在一些实例中，第一处理模块1203在用于将预设椭圆参数、第一预设核带宽、第一预设点数以及所述第二数据点集作为第一目标函数的入参，执行所述第一目标函数得到第一结果时，具体用于：将所述预设椭圆参数、所述第一预设核带宽及所述第一预设点数作为所述椭圆模型的入参；将所述第二数据点集作为所述数据模型的入参；执行所述第一目标函数，得到所述第一结果。
在一些实例中，第二处理模块1204在用于基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息时，具体用于：将所述初始椭圆信息、第二预设核带宽、第二预设点数以及所述第一数据点集作为第三目标函数的入参，执行所述第三目标函数得到第三结果；利用第三结果及所述第一数据点集，计算第四目标函数得到第四结果；将第四结果添加至第二结果集；基于所述第二预设核带宽，确定第二判定参数；判断所述第二判定参数是否满足第二预设条件，若是，则将所述第二判定参数更新为所述初始椭圆信息，若否，则将所述第四结果集中取值最小的结果对应的椭圆参数信息作为所述目标椭圆信息。
需要说明的是，图12对应的装置1200的具体实施方式可参见图2对应的实施方式，在前文已经详细阐述过了，此处就不再赘述。
图13为本申请另一示例性实施例的数据处理装置的结构示意图。该装置1300包括：第一获取模块1301、第二获取模块1302、第一处理模块1303和第二处理模块1304、估计模块1305；以下针对各个模块的功能进行详细的阐述：
第一获取模块1301，用于获取待估计位姿对象的图像，并从图像中，获取第一数据点集；
第二获取模块1302，用于在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
第一处理模块1303，用于基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
第二处理模块1304，用于基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
估计模块1305，用于根据所述目标椭圆信息，对所述待估计位姿对象进行位姿估计。
可选地，第二获取模块1302用于在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集时，具体用于：从所述第一数据点集中，确定出一数据点作为起点；从所述起点开始进行区域增长，得到增长区域；基于所述增长区域中的数据点，得到所述第二数据点集。
可选地，第二获取模块1302用于从所述起点开始进行区域增长，得到增长区域时，具体用于：获取所述起点对应的第一密度值；从所述第一数据点集中，获取与所述起点相邻的多个邻域点；获取所述多个邻域点中各邻域点对应的第二密度值；根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域。
可选地，第二获取模块1302在用于从所述第一数据点集中，确定出一数据点作为起点时，具体用于：计算所述第一数据点集中各数据点的密度值；将所述第一数据点集中密度值最大的一数据点作为所述起点。
可选地，第二获取模块1302用于计算所述第一数据点集中各数据点的密度值时，具体用于：将所述第一数据点集中各数据点信息分别作为高斯混合模型的入参，执行所述高斯混合模型，得到所述第一数据点集中各数据点的密度值。
可选地，第一处理模块1303在用于基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息时，具体用于：将预设椭圆参数、第一预设核带宽、第一预设点数以及所述第二数据点集作为第一目标函数的入参，执行所述第一目标函数得到第一结果；利用第一结果及所述第二数据点集，计算第二目标函数得到第二结果；将第二结果添加至第一结果集；基于所述第一预设核带宽，确定第一判定参数；判断所述第一判定参数是否满足第一预设条件，若是，则将所述第一判定参数更新为所述预设椭圆参数，若否，则将所述第一结果集中取值最小的结果对应的椭圆参数信息作为所述初始椭圆信息。
可选地，第二处理模块1304在用于基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息时，具体用于：将所述初始椭圆信息、第二预设核带宽、第二预设点数以及所述第一数据点集作为第三目标函数的入参，执行所述第三目标函数得到第三结果；利用第三结果及所述第一数据点集，计算第四目标函数得到第四结果；将第四结果添加至第二结果集；基于所述第二预设核带宽，确定第二判定参数；判断所述第二判定参数是否满足第二预设条件，若是，则将所述第二判定参数更新为所述初始椭圆信息，若否，则将所述第四结果集中取值最小的结果对应的椭圆参数信息作为所述目标椭圆信息。
需要说明的是，图13对应的装置1300的具体实施方式可参见图3对应的实施方式，在前文已经详细阐述过了，此处就不再赘述。
图14为本申请另一示例性实施例的数据处理装置的结构示意图。该装置1400包括：采集模块1401、第一获取模块1402、第二获取模块1403、第一处理模块1404和第二处理模块1405、标定模块1406；
以下针对各个模块的功能进行详细的阐述：
采集模块1401，用于采集圆模板图像；
第一获取模块1402，用于从所述图像中，获取第一数据点集；
第二获取模块1403，用于在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
第一处理模块1404，用于基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
第二处理模块1405，用于基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
标定模块1406，用于利用所述目标椭圆信息，标定视觉***中的视觉参数。
可选地，在上述第二获取模块1403用于在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集时，具体用于：从所述第一数据点集中，确定出一数据点作为起点；从所述起点开始进行区域增长，得到增长区域；基于所述增长区域中的数据点，得到所述第二数据点集。
可选地，在第二获取模块1403用于从所述起点开始进行区域增长，得到增长区域时，具体用于：获取所述起点对应的第一密度值；从所述第一数据点集中，获取与所述起点相邻的多个邻域点；获取所述多个邻域点中各邻域点对应的第二密度值；根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域。
需要说明的是，图14对应的装置1400的具体实施方式可参见图4对应的实施方式，在前文已经详细阐述过了，此处就不再赘述。
图15为本申请另一示例性实施例的数据处理装置的结构示意图。该装置1500包括：第一获取模块1501、第二获取模块1502、第一处理模块1503和第二处理模块1504、定位模块1505；
以下针对各个模块的功能进行详细的阐述：
第一获取模块1501，用于从图像中，获取第一数据点集；
第二获取模块1502，用于在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
第一处理模块1503，用于基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
第二处理模块1504，用于基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
定位模块1505，用于基于所述目标椭圆信息，定位所述图像中的人脸影像。
需要说明的是，图15对应的装置1500的具体实施方式可参见图5对应的实施方式，在前文已经详细阐述过了，此处就不再赘述。
以上描述了图12所示的装置1200的内部功能和结构，在一个可能的设计中，图12所示的装置1200的结构可实现为电子设备，如图16所示，该电子设备1600可以包括：处理器1601、存储器1602和通信组件1603。
存储器1602，用于存储计算机程序；
处理器1601，用于执行所述存储器1602中存储的计算机程序，以用于：
从图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息。
在一些实例中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，所述处理器1601，具体用于：从所述第一数据点集中，确定出一数据点作为起点；从所述起点开始进行区域增长，得到增长区域；基于所述增长区域中的数据点，得到所述第二数据点集。
在一些实例中，从所述起点开始进行区域增长，得到增长区域，所述处理器1601，具体用于：获取所述起点对应的第一密度值；从所述第一数据点集中，获取与所述起点相邻的多个邻域点；获取所述多个邻域点中各邻域点对应的第二密度值；根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域。
在一些实例中，根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域，所述处理器1601，具体用于：：根据所述第一密度值及所述各邻域点对应的第二密度值，计算所述各邻域点对应的第二密度值与所述第一密度值的密度比；计算所述各邻域点与起点的距离；从所述多个邻域点中，获取所述距离及所述密度比满足预设要求的至少一个邻域点；当所述距离及所述密度比满足预设要求的至少一个邻域点的数量大于或等于预设阈值时，根据所述距离及所述密度比满足预设要求的至少一个邻域点，确定增长区域。
在一些实例中，所述处理器1601，还用于：：当所述距离及所述密度比满足预设要求的至少一个邻域点的数量小于所述预设阈值时，从所述距离及所述密度比满足预设要求的至少一个邻域点中，获取与所述起点距离最远的一个邻域点作为新起点。
在一些实例中，从所述第一数据点集中，确定出一数据点作为起点，所述处理器1601，具体用于：计算所述第一数据点集中各数据点的密度值；将所述第一数据点集中密度值最大的一数据点作为所述起点。
在一些实例中，计算所述第一数据点集中各数据点的密度值，所述处理器1601，具体用于：将所述第一数据点集中各数据点信息分别作为高斯混合模型的入参，执行所述高斯混合模型，得到所述第一数据点集中各数据点的密度值。
在一些实例中，基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息，所述处理器1601，具体用于：将预设椭圆参数、第一预设核带宽、第一预设点数以及所述第二数据点集作为第一目标函数的入参，执行所述第一目标函数得到第一结果；利用第一结果及所述第二数据点集，计算第二目标函数得到第二结果；将第二结果添加至第一结果集；基于所述第一预设核带宽，确定第一判定参数；判断所述第一判定参数是否满足第一预设条件，若是，则将所述第一判定参数更新为所述预设椭圆参数，若否，则将所述第一结果集中取值最小的结果对应的椭圆参数信息作为所述初始椭圆信息。
在一些实例中，所述处理器1601，还用于：基于高斯混合模型，构建数据模型；基于所述高斯混合模型，构建椭圆模型；根据所述数据模型及所述椭圆模型，构建所述第一目标函数。
在一些实例中，将预设椭圆参数、第一预设核带宽、第一预设点数以及所述第二数据点集作为第一目标函数的入参，执行所述第一目标函数得到第一结果，所述处理器1601，具体用于：将所述预设椭圆参数、所述第一预设核带宽及所述第一预设点数作为所述椭圆模型的入参；将所述第二数据点集作为所述数据模型的入参；执行所述第一目标函数，得到所述第一结果。
在一些实例中，基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息，所述处理器1601，具体用于：将所述初始椭圆信息、第二预设核带宽、第二预设点数以及所述第一数据点集作为第三目标函数的入参，执行所述第三目标函数得到第三结果；利用第三结果及所述第一数据点集，计算第四目标函数得到第四结果；将第四结果添加至第二结果集；基于所述第二预设核带宽，确定第二判定参数；判断所述第二判定参数是否满足第二预设条件，若是，则将所述第二判定参数更新为所述初始椭圆信息，若否，则将所述第四结果集中取值最小的结果对应的椭圆参数信息作为所述目标椭圆信息。
在一个可能的设计中，图13所示的装置1300的结构可实现为电子设备，如图17所示，该电子设备1700可以包括：处理器1701、存储器1702和通信组件1703。
存储器1702，用于存储计算机程序；
处理器1701，用于执行所述存储器1702中存储的计算机程序，以用于：获取待估计位姿对象的图像；从图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；控制所述显示器根据所述目标椭圆信息，对所述待估计位姿对象进行位姿估计。
在一些实例中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，处理器1701用于：从所述第一数据点集中，确定出一数据点作为起点；从所述起点开始进行区域增长，得到增长区域；基于所述增长区域中的数据点，得到所述第二数据点集。
在一些实例中，从所述起点开始进行区域增长，得到增长区域，处理器1701用于：获取所述起点对应的第一密度值；从所述第一数据点集中，获取与所述起点相邻的多个邻域点；获取所述多个邻域点中各邻域点对应的第二密度值；根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域。
在一些实例中，从所述第一数据点集中，确定出一数据点作为起点，处理器1701用于：计算所述第一数据点集中各数据点的密度值；将所述第一数据点集中密度值最大的一数据点作为所述起点。
在一些实例中，计算所述第一数据点集中各数据点的密度值，处理器1701用于：将所述第一数据点集中各数据点信息分别作为高斯混合模型的入参，执行所述高斯混合模型，得到所述第一数据点集中各数据点的密度值。
在一些实例中，基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息，处理器1701用于：将预设椭圆参数、第一预设核带宽、第一预设点数以及所述第二数据点集作为第一目标函数的入参，执行所述第一目标函数得到第一结果；利用第一结果及所述第二数据点集，计算第二目标函数得到第二结果；将第二结果添加至第一结果集；基于所述第一预设核带宽，确定第一判定参数；判断所述第一判定参数是否满足第一预设条件，若是，则将所述第一判定参数更新为所述预设椭圆参数，若否，则将所述第一结果集中取值最小的结果对应的椭圆参数信息作为所述初始椭圆信息。
在一些实例中，基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息，处理器1701用于：将所述初始椭圆信息、第二预设核带宽、第二预设点数以及所述第一数据点集作为第三目标函数的入参，执行所述第三目标函数得到第三结果；利用第三结果及所述第一数据点集，计算第四目标函数得到第四结果；将第四结果添加至第二结果集；基于所述第二预设核带宽，确定第二判定参数；判断所述第二判定参数是否满足第二预设条件，若是，则将所述第二判定参数更新为所述初始椭圆信息，若否，则将所述第四结果集中取值最小的结果对应的椭圆参数信息作为所述目标椭圆信息。
在一个可能的设计中，图14所示的装置1400的结构可实现为电子设备，如图18所示，该电子设备1800可以包括：处理器1801、存储器1802和通信组件1803。
存储器1802，用于存储计算机程序；
处理器1801，用于执行所述存储器1802中存储的计算机程序，以用于：采集圆模板图像；从所述图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；利用所述目标椭圆信息，标定视觉***中的视觉参数。
在一些实施例中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，处理器1801用于：从所述第一数据点集中，确定出一数据点作为起点；从所述起点开始进行区域增长，得到增长区域；基于所述增长区域中的数据点，得到所述第二数据点集。
在一些实施例中，从所述起点开始进行区域增长，得到增长区域，处理器1801用于：获取所述起点对应的第一密度值；从所述第一数据点集中，获取与所述起点相邻的多个邻域点；获取所述多个邻域点中各邻域点对应的第二密度值；根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域。
在一个可能的设计中，图15所示的装置1500的结构可实现为电子设备，如图19所示，该电子设备1900可以包括：处理器1901、存储器1902和通信组件1903。
存储器1902，用于存储计算机程序；
处理器1901，用于执行所述存储器1902中存储的计算机程序，以用于：从图像中，获取第一数据点集；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；基于所述目标椭圆信息，定位所述图像中的人脸影像。
另外，本申请实施例提供了一种计算机存储介质，所述计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器实现图2所述方法实施例中数据处理方法所涉及的程序。
另外，本申请实施例提供了一种计算机存储介质，所述计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器实现图3所述方法实施例中数据处理方法所涉及的程序。
另外，本申请实施例提供了一种计算机存储介质，所述计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器实现图4所述方法实施例中数据处理方法所涉及的程序。
另外，本申请实施例提供了一种计算机存储介质，所述计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器实现图5所述方法实施例中数据处理方法所涉及的程序。
另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如201、202等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程多媒体数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程多媒体数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程多媒体数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程多媒体数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (24)
1.一种数据处理方法，其特征在于，包括：
从图像中，获取第一数据点集，所述第一数据点集为所述图像上所有点或部分点的集合，所述第一数据点集中的一个数据点对应所述图像中的一个像素；
在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
其中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，包括：
从所述第一数据点集中，确定出一数据点作为起点；
从所述起点开始进行区域增长，得到增长区域；
基于所述增长区域中的数据点，得到所述第二数据点集。
2.根据权利要求1所述的方法，其特征在于，从所述起点开始进行区域增长，得到增长区域，包括：
获取所述起点对应的第一密度值；
从所述第一数据点集中，获取与所述起点相邻的多个邻域点；
获取所述多个邻域点中各邻域点对应的第二密度值；
根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域。
3.根据权利要求2所述的方法，其特征在于，根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域，包括：
根据所述第一密度值及所述各邻域点对应的第二密度值，计算所述各邻域点对应的第二密度值与所述第一密度值的密度比；
计算所述各邻域点与起点的距离；
从所述多个邻域点中，获取所述距离及所述密度比满足预设要求的至少一个邻域点；
当所述距离及所述密度比满足预设要求的至少一个邻域点的数量大于或等于预设阈值时，根据所述距离及所述密度比满足预设要求的至少一个邻域点，确定增长区域。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
当所述距离及所述密度比满足预设要求的至少一个邻域点的数量小于所述预设阈值时，从所述距离及所述密度比满足预设要求的至少一个邻域点中，获取与所述起点距离最远的一个邻域点作为新起点。
5.根据权利要求1所述的方法，其特征在于，从所述第一数据点集中，确定出一数据点作为起点，包括：
计算所述第一数据点集中各数据点的密度值；
将所述第一数据点集中密度值最大的一数据点作为所述起点。
6.根据权利要求5所述的方法，其特征在于，计算所述第一数据点集中各数据点的密度值，包括：
将所述第一数据点集中各数据点信息分别作为高斯混合模型的入参，执行所述高斯混合模型，得到所述第一数据点集中各数据点的密度值。
7.根据权利要求1所述的方法，其特征在于，基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息，包括：
将预设椭圆参数、第一预设核带宽、第一预设点数以及所述第二数据点集作为第一目标函数的入参，执行所述第一目标函数得到第一结果；
利用第一结果及所述第二数据点集，计算第二目标函数得到第二结果；
将第二结果添加至第一结果集；
基于所述第一预设核带宽，确定第一判定参数；
判断所述第一判定参数是否满足第一预设条件，若是，则将所述第一判定参数更新为所述预设椭圆参数，若否，则将所述第一结果集中取值最小的结果对应的椭圆参数信息作为所述初始椭圆信息。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
基于高斯混合模型，构建数据模型；
基于所述高斯混合模型，构建椭圆模型；
根据所述数据模型及所述椭圆模型，构建所述第一目标函数。
9.根据权利要求8所述的方法，其特征在于，将预设椭圆参数、第一预设核带宽、第一预设点数以及所述第二数据点集作为第一目标函数的入参，执行所述第一目标函数得到第一结果，包括：
将所述预设椭圆参数、所述第一预设核带宽及所述第一预设点数作为所述椭圆模型的入参；
将所述第二数据点集作为所述数据模型的入参；
执行所述第一目标函数，得到所述第一结果。
10.根据权利要求1或9所述的方法，其特征在于，基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息，包括：
将所述初始椭圆信息、第二预设核带宽、第二预设点数以及所述第一数据点集作为第三目标函数的入参，执行所述第三目标函数得到第三结果；
利用第三结果及所述第一数据点集，计算第四目标函数得到第四结果；
将第四结果添加至第二结果集；
基于所述第二预设核带宽，确定第二判定参数；
判断所述第二判定参数是否满足第二预设条件，若是，则将所述第二判定参数更新为所述初始椭圆信息，若否，则将所述第四结果集中取值最小的结果对应的椭圆参数信息作为所述目标椭圆信息。
11.一种数据处理***，其特征在于，包括：
客户端，用于发送图像至服务端；
所述服务端，用于从所述图像中，获取第一数据点集，所述第一数据点集为所述图像上所有点或部分点的集合，所述第一数据点集中的一个数据点对应所述图像中的一个像素；在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；并将所述目标椭圆信息反馈至所述客户端；
其中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，包括：
从所述第一数据点集中，确定出一数据点作为起点；
从所述起点开始进行区域增长，得到增长区域；
基于所述增长区域中的数据点，得到所述第二数据点集。
12.一种数据处理方法，其特征在于，包括：
获取待估计位姿对象的图像；
从所述图像中，获取第一数据点集，所述第一数据点集为所述图像上所有点或部分点的集合，所述第一数据点集中的一个数据点对应所述图像中的一个像素；
在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
根据所述目标椭圆信息，对所述待估计位姿对象进行位姿估计；
其中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，包括：
从所述第一数据点集中，确定出一数据点作为起点；
从所述起点开始进行区域增长，得到增长区域；
基于所述增长区域中的数据点，得到所述第二数据点集。
13.根据权利要求12所述的方法，其特征在于，从所述起点开始进行区域增长，得到增长区域，包括：
获取所述起点对应的第一密度值；
从所述第一数据点集中，获取与所述起点相邻的多个邻域点；
获取所述多个邻域点中各邻域点对应的第二密度值；
根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域。
14.根据权利要求12所述的方法，其特征在于，从所述第一数据点集中，确定出一数据点作为起点，包括：
计算所述第一数据点集中各数据点的密度值；
将所述第一数据点集中密度值最大的一数据点作为所述起点。
15.根据权利要求14所述的方法，其特征在于，计算所述第一数据点集中各数据点的密度值，包括：
将所述第一数据点集中各数据点信息分别作为高斯混合模型的入参，执行所述高斯混合模型，得到所述第一数据点集中各数据点的密度值。
16.根据权利要求12所述的方法，其特征在于，基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息，包括：
将预设椭圆参数、第一预设核带宽、第一预设点数以及所述第二数据点集作为第一目标函数的入参，执行所述第一目标函数得到第一结果；
利用第一结果及所述第二数据点集，计算第二目标函数得到第二结果；
将第二结果添加至第一结果集；
基于所述第一预设核带宽，确定第一判定参数；
判断所述第一判定参数是否满足第一预设条件，若是，则将所述第一判定参数更新为所述预设椭圆参数，若否，则将所述第一结果集中取值最小的结果对应的椭圆参数信息作为所述初始椭圆信息。
17.根据权利要求12或16所述的方法，其特征在于，基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息，包括：
将所述初始椭圆信息、第二预设核带宽、第二预设点数以及所述第一数据点集作为第三目标函数的入参，执行所述第三目标函数得到第三结果；
利用第三结果及所述第一数据点集，计算第四目标函数得到第四结果；
将第四结果添加至第二结果集；
基于所述第二预设核带宽，确定第二判定参数；
判断所述第二判定参数是否满足第二预设条件，若是，则将所述第二判定参数更新为所述初始椭圆信息，若否，则将所述第四结果集中取值最小的结果对应的椭圆参数信息作为所述目标椭圆信息。
18.一种数据处理方法，其特征在于，包括：
采集圆模板图像；
从所述图像中，获取第一数据点集，所述第一数据点集为所述图像上所有点或部分点的集合，所述第一数据点集中的一个数据点对应所述图像中的一个像素；
在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
利用所述目标椭圆信息，标定视觉***中的视觉参数；
其中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，包括：
从所述第一数据点集中，确定出一数据点作为起点；
从所述起点开始进行区域增长，得到增长区域；
基于所述增长区域中的数据点，得到所述第二数据点集。
19.根据权利要求18所述的方法，其特征在于，从所述起点开始进行区域增长，得到增长区域，包括：
获取所述起点对应的第一密度值；
从所述第一数据点集中，获取与所述起点相邻的多个邻域点；
获取所述多个邻域点中各邻域点对应的第二密度值；
根据所述第一密度值及所述各邻域点对应的第二密度值，确定所述增长区域。
20.一种数据处理方法，其特征在于，包括：
从图像中，获取第一数据点集，所述第一数据点集为所述图像上所有点或部分点的集合，所述第一数据点集中的一个数据点对应所述图像中的一个像素；
在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
基于所述目标椭圆信息，定位所述图像中的人脸影像；其中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，包括：
从所述第一数据点集中，确定出一数据点作为起点；
从所述起点开始进行区域增长，得到增长区域；
基于所述增长区域中的数据点，得到所述第二数据点集。
21.一种电子设备，其特征在于，包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
从图像中，获取第一数据点集，所述第一数据点集为所述图像上所有点或部分点的集合，所述第一数据点集中的一个数据点对应所述图像中的一个像素；
在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
其中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，包括：
从所述第一数据点集中，确定出一数据点作为起点；
从所述起点开始进行区域增长，得到增长区域；
基于所述增长区域中的数据点，得到所述第二数据点集。
22.一种电子设备，其特征在于，包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取待估计位姿对象的图像；
从所述图像中，获取第一数据点集，所述第一数据点集为所述图像上所有点或部分点的集合，所述第一数据点集中的一个数据点对应所述图像中的一个像素；
在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
根据所述目标椭圆信息，对所述待估计位姿对象进行位姿估计；
其中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，包括：
从所述第一数据点集中，确定出一数据点作为起点；
从所述起点开始进行区域增长，得到增长区域；
基于所述增长区域中的数据点，得到所述第二数据点集。
23.一种电子设备，其特征在于，包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
采集圆模板图像；
从所述图像中，获取第一数据点集，所述第一数据点集为所述图像上所有点或部分点的集合，所述第一数据点集中的一个数据点对应所述图像中的一个像素；
在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
利用所述目标椭圆信息，标定视觉***中的视觉参数；
其中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，包括：
从所述第一数据点集中，确定出一数据点作为起点；
从所述起点开始进行区域增长，得到增长区域；
基于所述增长区域中的数据点，得到所述第二数据点集。
24.一种电子设备，其特征在于，包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
从图像中，获取第一数据点集，所述第一数据点集为所述图像上所有点或部分点的集合，所述第一数据点集中的一个数据点对应所述图像中的一个像素；
在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集；
基于所述第二数据点集，执行椭圆拟合处理，得到初始椭圆信息；
基于所述初始椭圆信息及所述第一数据点集，执行椭圆拟合处理，得到所述图像中的目标椭圆信息；
基于所述目标椭圆信息，定位所述图像中的人脸影像；
其中，在所述第一数据点集中，获取存在关联性的数据点得到第二数据点集，包括：
从所述第一数据点集中，确定出一数据点作为起点；
从所述起点开始进行区域增长，得到增长区域；
基于所述增长区域中的数据点，得到所述第二数据点集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010031727.1A CN113111687B (zh) | 2020-01-13 | 2020-01-13 | 数据处理方法、***及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010031727.1A CN113111687B (zh) | 2020-01-13 | 2020-01-13 | 数据处理方法、***及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113111687A CN113111687A (zh) | 2021-07-13 |
| CN113111687B true CN113111687B (zh) | 2024-06-18 |
Family
ID=76709168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010031727.1A Active CN113111687B (zh) | 2020-01-13 | 2020-01-13 | 数据处理方法、***及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113111687B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115310164A (zh) * | 2022-05-25 | 2022-11-08 | 北京航空航天大学杭州创新研究院 | 椭圆定位数据处理方法、装置、设备、介质和程序产品 |
| CN114972251A (zh) * | 2022-05-25 | 2022-08-30 | 北京航空航天大学杭州创新研究院 | 椭圆定位数据处理方法、装置、设备和计算机可读介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102005047160B4 (de) * | 2005-09-30 | 2007-06-06 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung, Verfahren und Computerprogramm zum Ermitteln einer Information über eine Form und/oder eine Lage einer Ellipse in einem graphischen Bild |
| CN103593849B (zh) * | 2013-11-26 | 2017-02-01 | 北京建筑大学 | 一种用于影像序列椭圆形人工目标点快速识别与跟踪方法 |
| CN104318555B (zh) * | 2014-10-13 | 2017-02-08 | 江南大学 | 靶标图像中圆心投影点精确定位方法 |
| CN105260698B (zh) * | 2015-09-08 | 2019-01-25 | 山东眼神智能科技有限公司 | 对虹膜图像进行定位的方法和装置 |
| CN105631901A (zh) * | 2016-02-22 | 2016-06-01 | 上海乐相科技有限公司 | 一种确定待测对象的运动信息的方法及装置 |
| CN106339669A (zh) * | 2016-08-16 | 2017-01-18 | 长春理工大学 | 多线点云数据机器学习的人形目标识别方法和防撞装置 |
| CN107633502B (zh) * | 2017-07-27 | 2020-09-29 | 西北工业大学 | 一种轴孔装配自动对中的靶心识别方法 |
-
2020
- 2020-01-13 CN CN202010031727.1A patent/CN113111687B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| 近景摄影测量中圆标靶圆心提取的方法;鄢咏折等;地理空间信息;20181031;第16卷(第10期);第1-2章节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113111687A (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108280477B (zh) | 用于聚类图像的方法和装置 | |
| CN108229419B (zh) | 用于聚类图像的方法和装置 | |
| US10762373B2 (en) | Image recognition method and device | |
| US8363973B2 (en) | Descriptor for image corresponding point matching | |
| CN109272016B (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
| CN110807473B (zh) | 目标检测方法、装置及计算机存储介质 | |
| US9563822B2 (en) | Learning apparatus, density measuring apparatus, learning method, computer program product, and density measuring system | |
| CN112085701B (zh) | 一种人脸模糊度检测方法、装置、终端设备及存储介质 | |
| CN111914908B (zh) | 一种图像识别模型训练方法、图像识别方法及相关设备 | |
| CN113111687B (zh) | 数据处理方法、***及电子设备 | |
| US9129152B2 (en) | Exemplar-based feature weighting | |
| CN106257495A (zh) | 一种数字识别方法及装置 | |
| CN112232426A (zh) | 目标检测模型的训练方法、装置、设备及可读存储介质 | |
| CN105809113A (zh) | 三维人脸识别方法及应用其的数据处理装置 | |
| CN111310821A (zh) | 多视图特征融合方法、***、计算机设备及存储介质 | |
| CN110942473A (zh) | 一种基于特征点网格化匹配的运动目标跟踪检测方法 | |
| CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
| CN113436223B (zh) | 点云数据的分割方法、装置、计算机设备和存储介质 | |
| CN112560856B (zh) | 车牌检测识别方法、装置、设备及存储介质 | |
| CN110264562B (zh) | 颅骨模型特征点自动标定方法 | |
| CN116152884A (zh) | 人脸图像的识别方法、装置、处理器及电子设备 | |
| CN111401252B (zh) | 一种基于视觉的图书盘点***的书脊匹配方法和设备 | |
| Cicconet et al. | Ellipses from triangles | |
| CN113051406A (zh) | 一种人物属性预测方法、装置、服务器及可读存储介质 | |
| CN112036446A (zh) | 目标识别特征融合的方法、***、介质及装置 |
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 |