JP2018156442A - 推定器学習装置、法線方向推定装置、方法、及びプログラム - Google Patents
推定器学習装置、法線方向推定装置、方法、及びプログラム Download PDFInfo
- Publication number
- JP2018156442A JP2018156442A JP2017053245A JP2017053245A JP2018156442A JP 2018156442 A JP2018156442 A JP 2018156442A JP 2017053245 A JP2017053245 A JP 2017053245A JP 2017053245 A JP2017053245 A JP 2017053245A JP 2018156442 A JP2018156442 A JP 2018156442A
- Authority
- JP
- Japan
- Prior art keywords
- camera
- camera image
- image
- normal
- normal vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
【課題】精度よく、画像が表す表面形状の法線ベクトルを推定するための法線方向推定器を学習できる。【解決手段】法線ベクトル算出部30が、画素に対応する表面形状の法線ベクトルを算出する。法線ベクトル変換部32が、カメラ画像の画素の各々について、カメラ画像に関するパラメータに基づいて、算出された法線ベクトルを、カメラ画像上の座標及び深度に基づく座標系における法線ベクトルに変換する。法線方向推定器学習部34が、カメラ画像と、画素の各々について変換された法線ベクトルとに基づいて、入力された画像からカメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定するための法線方向推定器を学習する。【選択図】図1
Description
本発明は、推定器学習装置、法線方向推定装置、方法、及びプログラムに係り、特に、画像が表す表面形状の法線ベクトルを推定するための推定器学習装置、法線方向推定装置、方法、及びプログラムに関する。
3次元形状情報の獲得は、画像に写る物体を認識するだけでなく、その実寸法や配置、状態を認識する手段として大変有用なものである。近年では深度情報を計測可能なセンサの利用が一般的になり、3次元情報処理は様々な分野で活用されている。一方で、一般的なカメラによって撮影された1枚の画像を認識する場合、同様の3次元情報を活用することは難しく2次元的な情報に基づいて認識処理を行うことが一般的である。1枚の画像から3次元情報を推定することは長い間解決し難い課題となっていたが、最近では、深層学習の登場によって飛躍的にその推定精度を向上させられることが分かっている。非特許文献1では、撮影画像とそれに対応する3次元形状情報に基づいて深層学習を行い、1枚の画像から3次元表面形状を示す法線方向を推定する手法が提案されている。
A. Bansal et.al. "Marr Revisited: 2D-3D Model Alignment via Surface Normal Prediction", In Proc. of CVPR2016
非特許文献1などで示されるような深層学習に基づく法線方向推定によって3次元情報を捉えることができるが、3次元計測センサの代替手法としてはまだ十分な精度ではなく更なる精度向上が課題となっている。
本発明は、上記事情を鑑みて成されたものであり、精度よく、画像が表す表面形状の法線ベクトルを推定するための法線方向推定器を学習できる推定器学習装置、方法、及びプログラムを提供することを目的とする。
また、精度よく、画像が表す表面形状の法線ベクトルを推定することができる法線方向推定装置、方法、及びプログラムを提供することを目的とする。
上記目的を達成するために、第1の発明に係る推定器学習装置は、カメラによって撮影されたカメラ画像であって、前記カメラ画像が表す3次元形状が既知のカメラ画像の画素の各々について、前記カメラを基点とした座標であるカメラ座標系によって表現される、前記画素に対応する表面形状の法線ベクトルを算出する法線ベクトル算出部と、前記カメラ画像の画素の各々について、前記カメラ画像に関するパラメータに基づいて、前記算出された前記法線ベクトルを、前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルに変換する法線ベクトル変換部と、前記カメラ画像と、前記画素の各々について変換された前記法線ベクトルとに基づいて、入力された画像から前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定するための法線方向推定器を学習する法線方向推定器学習部と、を含んで構成されている。
また、第1の発明に係る推定器学習装置において、前記カメラ画像上の座標及び深度に基づく座標系は、前記カメラ画像上の座標を、前記カメラの光学中心に対応する座標、及び前記カメラの焦点距離によって正規化した座標と、前記深度を対数関数を用いて正規化した値とで表わされるようにしてもよい。
また、第1の発明に係る推定器学習装置において、前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルの各要素は、前記正規化された前記カメラ画像上の座標を(u’,v’)とし、以下(5)式を用いて表されるようにしてもよい。
・・・(5)
・・・(5)
また、第2の発明に係る法線方向推定装置において、入力画像について、第1の発明に係る推定器学習装置によって学習された、前記法線方向推定器に基づいて、前記入力画像の画素の各々に対する、前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定する法線方向推定部、を含んで構成されている。
また、第2の発明に係る法線方向推定装置において、前記法線方向推定部は、更に、カメラの光学中心に対応する座標、及び前記カメラの焦点距離によって正規化された座標を(u’,v’)とし、以下(6)式を用いて、推定された前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを、前記カメラ座標系の法線ベクトルに逆変換するようにしてもよい。
・・・(6)
・・・(6)
第3の発明に係る推定器学習方法は、法線ベクトル算出部が、カメラによって撮影されたカメラ画像であって、前記カメラ画像が表す3次元形状が既知のカメラ画像の画素の各々について、前記カメラを基点とした座標であるカメラ座標系によって表現される、前記画素に対応する表面形状の法線ベクトルを算出するステップと、法線ベクトル変換部が、前記カメラ画像の画素の各々について、前記カメラ画像に関するパラメータに基づいて、前記算出された前記法線ベクトルを、前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルに変換するステップと、法線方向推定器学習部が、前記カメラ画像と、前記画素の各々について変換された前記法線ベクトルとに基づいて、入力された画像から前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定するための法線方向推定器を学習するステップと、を含んで実行することを特徴とする。
第4の発明に係る法線方向推定方法は、法線方向推定部が、入力画像について、請求項6に記載の推定器学習装置によって学習された、前記法線方向推定器に基づいて、前記入力画像の画素の各々に対する、前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定するステップ、を含んで実行することを特徴とする。
第5の発明に係るプログラムは、コンピュータを、第1の発明に係る推定器学習装置、又は第2の発明に係る法線方向推定装置の各部として機能させるためのプログラムである。
本発明の推定器学習装置、方法、及びプログラムによれば、カメラによって撮影されたカメラ画像であって、カメラ画像が表す3次元形状が既知のカメラ画像の画素の各々について、カメラを基点とした座標であるカメラ座標系によって表現される、画素に対応する表面形状の法線ベクトルを算出し、カメラ画像の画素の各々について、カメラ画像に関するパラメータに基づいて、算出された法線ベクトルを、カメラ画像上の座標及び深度に基づく座標系における法線ベクトルに変換し、カメラ画像と、画素の各々について変換された法線ベクトルとに基づいて、入力された画像からカメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定するための法線方向推定器を学習することにより、精度よく、画像が表す表面形状の法線ベクトルを推定するための法線方向推定器を学習できる、という効果が得られる。
また、法線方向推定装置、方法、及びプログラムによれば、推定器学習装置によって予め学習された、法線方向推定器に基づいて、入力画像の画素の各々に対する、カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定することにより、精度よく、画像が表す表面形状の法線ベクトルを推定することができる、という効果が得られる。
以下、図面を参照して本発明の実施の形態を詳細に説明する。
<本発明の実施の形態に係る概要>
まず、本発明の実施の形態における概要を説明する。
本発明の実施の形態では、局所的な画像の見え方と推定すべき法線方向との整合性を考慮することで推定精度を向上させ、また適用可能なシーンを拡大させる。
本発明の実施の形態における推定器の学習では、画像特徴から法線方向を推定する精度を高めるために画像の見え方に対して一貫性のある新たな法線方向表現を導入し、これによって画像特徴と法線方向の関係性をより効率的に学習できるようにする。具体的には、従来はカメラの向きを基準とした3次元空間の座標系によって設定されていた法線方向を画像内の2次元座標とそれに応じた深度変化を基準とした法線方向として表現する。こうした法線方向表現によって局所的な画像の見え方と推定すべき法線方向との関係に一貫性を持たせることができるようになり、より効率的に機械学習を適用できるデータを用意することができる。
法線方向推定器の学習及び法線方向の推定についてはどのような機械学習手法を用いても構わない。一例として、非特許文献1にあるような深層学習をベースとする学習及び推定手法の事例を説明する。本発明の実施の形態では、学習用データ生成部において画像特徴と一貫性のある法線方向データを算出することによって学習効率を高め、高い推定精度を実現する。
<本発明の実施の形態に係る推定器学習装置の構成>
次に、本発明の実施の形態に係る推定器学習装置の構成について説明する。図1に示すように、本発明の実施の形態に係る推定器学習装置100は、CPUと、RAMと、後述する推定器学習処理ルーチンを実行するためのプログラムや各種データを記憶したROMと、を含むコンピュータで構成することが出来る。この推定器学習装置100は、機能的には図1に示すように入力部10と、演算部20と、法線方向推定器40とを備えている。
入力部10は、学習データとして、カメラによって撮影された複数のカメラ画像、及び複数のカメラ画像が表す3次元形状を受け付ける。カメラ画像が表す3次元形状はカメラ情報から既知であるものとし、カメラ画像に対応する深度画像、もしくは3次元点群データとして取得する。3次元形状は、Microsoft Kinect(登録商標)などのRGBカメラと一体となった深度センサを用いることで容易に取得可能である。
演算部20は、法線ベクトル算出部30と、法線ベクトル変換部32と、法線方向推定器学習部34とを含んで構成されている。
法線ベクトル算出部30は、入力部10で受け付けた、3次元形状が既知の複数のカメラ画像の画素の各々について、カメラを基点とした座標であるカメラ座標系によって表現される、画素に対応する表面形状の法線ベクトルを算出する。各画素について周辺画素の3次元点群を取り出し、それらを平面であると仮定して平面に垂直な方向を求める手法が簡易な手法であるが、ノイズの影響を考慮したロバスト推定を用いるなど他の手法によって求めても良い。
法線ベクトル変換部32は、複数のカメラ画像の画素の各々について、カメラ画像に関するパラメータに基づいて、算出された法線ベクトルを、カメラ画像上の座標及び深度に基づく座標系における法線ベクトルに変換する。
以下に法線ベクトルの変換手法を説明する。
カメラ画像の透視投影変換においては同一の法線方向をもつ表面がカメラ画像のどの位置に投影されるかによって見た目が変わる。例えば、図2に示されるようなカメラの向きに平行な面は、カメラ右側に存在している場合はその表面がカメラ画像上に写っているが、カメラ左側に存在している場合はカメラ画像上に写らない表面となる。つまり、撮影された方向によって画像上の映り込み方が異なっている。このようなカメラ画像上の変化に対してカメラ座標系で表現される法線ベクトルNは変わらず一定である。本発明の実施の形態では、カメラ画像への映り込み方と推定すべき法線ベクトルとの整合性を取るため、画像内の座標変化Δuと深度情報Δzとの関係を新たな法線方向表現として用いることを考える。
カメラ座標系をxyz空間として表すと物体表面は以下のような陰関数で表すことができる。
・・・(1)
この関数gを用いてある点pにおける法線ベクトルは以下のように算出される。
・・・(2)
このカメラ座標系における法線ベクトルを画像上の画素座標(u,v)と深度zの関係によって表すことを考える。カメラからの距離が変わることによるカメラ画像上でのスケールの変化については同じ見えであるとすると、考慮したい深度変化Δzをその箇所の深度で正規化する必要がある。これを満たすために座標変化に対するlog(z)の変化を求めることとする。また、同様に焦点距離の違いによって生じる画像のスケール変化についても正規化するため、画像座標系はカメラ画像上の光学中心を原点として焦点距離によって正規化された座標を用いる。これらの値をu’,v’,wとして以下のような陰関数によって3次元表面を表すことができる。
・・・(3)
ここで、(u,v)はカメラ画像上の座標である。また、カメラによって画素数が正方形や長方形である場合があるため、カメラ画像とカメラ画像に関するパラメータとの関係から、カメラ画像上の光学中心を(cu,cv)、焦点距離をカメラ画像上の各軸の画素数単位で示したものを(fu,fv)として表現する。u’,v’は透視投影変換の式からu’=x/z,v’=y/zのようにx,y,zと対応付けられる。これによってxyz空間における点pに対応するu’v’w空間における点~pを求めることができ、点~pにおける関数hの偏微分を求めることで、u’v’w空間における点pでの法線ベクトル表現を得ることができる。関数hの各偏微分は以下のように計算される。
・・・(4)
ここで、exp(w)は正の値であるため各要素をexp(w)で割っても法線ベクトルの方向は変化しない。これにより、求めたい法線方向表現~Nはxyz空間における法線ベクトルNと画像上の座標に基づく値(u’,v’)のみを用いて以下(5)式のように決定される。
・・・(5)
このように、正規化されたカメラ画像上の座標(u’,v’)及び深度wからなる座標系による法線ベクトル~Nが求められる。法線ベクトル変換部32では、この変換された法線方向表現~Nx,~Ny,~Nzの各要素により表される法線ベクトル~Nを各画素について算出し出力する。
法線方向推定器学習部34は、複数のカメラ画像と、画素の各々について変換された法線ベクトル~Nとに基づいて、入力された画像からカメラ画像上の座標及び深度に基づく座標系における法線ベクトル~Nを推定するための法線方向推定器を学習し、法線方向推定器40として保持する。
法線方向推定器の学習については、非特許文献1で提案されているようなConvolutional Neural Network(CNN)を活用することで学習を行う。また、画像勾配特徴とパターン識別に基づく別の手法を用いてもよい。例えば、図3のようなネットワーク構成を持つCNNを用いると、局所的な特徴を保持している上流層の出力と大域的な特徴を保持している下流層の出力を結合させたHypercolumn featureを導入することで画像全体のシーンを加味しつつ、局所的な変化も捉えた法線推定を実現することができる。CNNのパラメータは生成された学習用画像を繰り返し入力し、正解となる法線ベクトルとの誤差を求めることで、誤差逆伝播法によって逐次学習される。正解データとの誤差が十分小さくなるまで学習を繰り返すことで、画像の法線推定に適用可能なCNNパラメータを得ることができる。
<本発明の実施の形態に係る推定器学習装置の作用>
次に、本発明の実施の形態に係る推定器学習装置100の作用について説明する。入力部10において学習データとして、カメラによって撮影された複数のカメラ画像、及び複数のカメラ画像が表す3次元形状を受け付けると、推定器学習装置100は、図4に示す推定器学習処理ルーチンを実行する。
まず、ステップS100では、入力部10で受け付けた、3次元形状が既知の複数のカメラ画像の各々に対し、当該カメラ画像の画素の各々について、カメラを基点とした座標であるカメラ座標系によって表現される、画素に対応する表面形状の法線ベクトルを算出する。
次に、ステップS102では、3次元形状が既知の複数のカメラ画像の各々に対し、当該カメラ画像の画素の各々について、カメラ画像に関するパラメータに基づいて、ステップS100で算出された法線ベクトルを、カメラ画像上の座標及び深度に基づく座標系における各要素を上記(5)式により表した法線ベクトルに変換する。
ステップS104では、3次元形状が既知の複数のカメラ画像の各々に対する、当該カメラ画像と、ステップS102で画素の各々について変換された法線ベクトルとに基づいて、入力された画像からカメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定するための法線方向推定器を学習し、法線方向推定器40として保持する。
以上説明したように、本発明の実施の形態に係る推定器学習装置によれば、カメラによって撮影されたカメラ画像であって、カメラ画像が表す3次元形状が既知のカメラ画像の画素の各々について、カメラを基点とした座標であるカメラ座標系によって表現される、画素に対応する表面形状の法線ベクトルを算出し、カメラ画像の画素の各々について、カメラ画像に関するパラメータに基づいて、算出された法線ベクトルを、カメラ画像上の座標及び深度に基づく座標系における法線ベクトルに変換し、カメラ画像と、画素の各々について変換された法線ベクトルとに基づいて、入力された画像からカメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定するための法線方向推定器を学習することにより、精度よく、画像が表す表面形状の法線ベクトルを推定するための法線方向推定器を学習できる。
<本発明の実施の形態に係る法線方向推定装置の構成>
次に、本発明の実施の形態に係る法線方向推定装置の構成について説明する。図5に示すように、本発明の実施の形態に係る法線方向推定装置200は、CPUと、RAMと、後述する法線方向推定処理ルーチンを実行するためのプログラムや各種データを記憶したROMと、を含むコンピュータで構成することが出来る。この法線方向推定装置200は、機能的には図5に示すように入力部210と、演算部220と、出力部250とを備えている。
入力部210は、法線方向の推定対象となる入力画像を受け付ける。
演算部220は、法線方向推定部230と、法線方向推定器240とを含んで構成されている。
法線方向推定器240は、上記推定器学習装置100によって学習された法線方向推定器である。
法線方向推定部230は、入力画像について、法線方向推定器240に基づいて、入力画像の画素の各々に対する、カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定し、出力部250に出力する。法線ベクトルの推定は、法線方向推定器240の学習済みのパラメータを持ったCNNに入力画像を入力し推定結果を得る。また、カメラ座標系における法線ベクトルが必要な場合は、法線方向推定部230は、正規化された入力画像上の座標を(u’,v’)とし、以下(6)式を用いて、推定されたカメラ画像上の座標及び深度に基づく座標系における法線ベクトル~Nを、カメラ座標系の法線ベクトルNに逆変換する。
・・・(6)
<本発明の実施の形態に係る法線方向推定装置の作用>
次に、本発明の実施の形態に係る法線方向推定装置200の作用について説明する。入力部210において法線方向の推定対象となる入力画像を受け付けると、法線方向推定装置200は、図6に示す推法線方向推定処理ルーチンを実行する。
ステップS200では、入力画像について、法線方向推定器240に基づいて、入力画像の画素の各々に対する、カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定する。
ステップS202では、ステップS200で推定された入力画像の画素の各々の法線ベクトルの推定結果を、出力部250に出力する。
以上説明したように、本発明の実施の形態に係る法線方向推定装置によれば、推定器学習装置によって予め学習された、法線方向推定器に基づいて、入力画像の画素の各々に対する、カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定することにより、精度よく、画像が表す表面形状の法線ベクトルを推定することができる。
また、本発明の実施の形態の手法によって画像1枚からその3次元形状を精度よく得ることができる。これによって従来の2次元情報に基づいて行っていた画像認識をより高精度にすることができるだけでなく、スケール情報を加味した認識などより高機能な画像認識サービスに活用することもできる。
なお、本発明は、上述した実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。
10、210 入力部
20、220 演算部
30 法線ベクトル算出部
32 法線ベクトル変換部
34 法線方向推定器学習部
40、240 法線方向推定器
100 推定器学習装置
200 法線方向推定装置
230 法線方向推定部
250 出力部
20、220 演算部
30 法線ベクトル算出部
32 法線ベクトル変換部
34 法線方向推定器学習部
40、240 法線方向推定器
100 推定器学習装置
200 法線方向推定装置
230 法線方向推定部
250 出力部
Claims (8)
- カメラによって撮影されたカメラ画像であって、前記カメラ画像が表す3次元形状が既知のカメラ画像の画素の各々について、前記カメラを基点とした座標であるカメラ座標系によって表現される、前記画素に対応する表面形状の法線ベクトルを算出する法線ベクトル算出部と、
前記カメラ画像の画素の各々について、前記カメラ画像に関するパラメータに基づいて、前記算出された前記法線ベクトルを、前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルに変換する法線ベクトル変換部と、
前記カメラ画像と、前記画素の各々について変換された前記法線ベクトルとに基づいて、入力された画像から前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定するための法線方向推定器を学習する法線方向推定器学習部と、
を含む推定器学習装置。 - 前記カメラ画像上の座標及び深度に基づく座標系は、前記カメラ画像上の座標を、前記カメラの光学中心に対応する座標、及び前記カメラの焦点距離によって正規化した座標と、前記深度を対数関数を用いて正規化した値とで表わされる請求項1に記載の推定器学習装置。
- 前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルの各要素は、前記正規化された前記カメラ画像上の座標を(u’,v’)とし、以下(1)式を用いて表される請求項2に記載の推定器学習装置。
・・・(1) - 入力画像について、請求項1〜請求項3の何れか1項に記載の推定器学習装置によって学習された、前記法線方向推定器に基づいて、前記入力画像の画素の各々に対する、前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定する法線方向推定部
を含む法線方向推定装置。 - 前記法線方向推定部は、更に、カメラの光学中心に対応する座標、及び前記カメラの焦点距離によって正規化された座標を(u’,v’)とし、以下(2)式を用いて、推定された前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを、前記カメラ座標系の法線ベクトルに逆変換する請求項4に記載の法線方向推定装置。
・・・(2) - 法線ベクトル算出部が、カメラによって撮影されたカメラ画像であって、前記カメラ画像が表す3次元形状が既知のカメラ画像の画素の各々について、前記カメラを基点とした座標であるカメラ座標系によって表現される、前記画素に対応する表面形状の法線ベクトルを算出するステップと、
法線ベクトル変換部が、前記カメラ画像の画素の各々について、前記カメラ画像に関するパラメータに基づいて、前記算出された前記法線ベクトルを、前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルに変換するステップと、
法線方向推定器学習部が、前記カメラ画像と、前記画素の各々について変換された前記法線ベクトルとに基づいて、入力された画像から前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定するための法線方向推定器を学習するステップと、
を含む推定器学習方法。 - 法線方向推定部が、入力画像について、請求項6に記載の推定器学習装置によって学習された、前記法線方向推定器に基づいて、前記入力画像の画素の各々に対する、前記カメラ画像上の座標及び深度に基づく座標系における法線ベクトルを推定するステップ
を含む法線方向推定方法。 - コンピュータを、請求項1〜請求項3のいずれか1項に記載の推定器学習装置、又は請求項4若しくは請求項5に記載の法線方向推定装置の各部として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017053245A JP2018156442A (ja) | 2017-03-17 | 2017-03-17 | 推定器学習装置、法線方向推定装置、方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017053245A JP2018156442A (ja) | 2017-03-17 | 2017-03-17 | 推定器学習装置、法線方向推定装置、方法、及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018156442A true JP2018156442A (ja) | 2018-10-04 |
Family
ID=63717314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017053245A Pending JP2018156442A (ja) | 2017-03-17 | 2017-03-17 | 推定器学習装置、法線方向推定装置、方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2018156442A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2021065009A1 (ja) * | 2019-10-04 | 2021-04-08 |
-
2017
- 2017-03-17 JP JP2017053245A patent/JP2018156442A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2021065009A1 (ja) * | 2019-10-04 | 2021-04-08 | ||
JP7264268B2 (ja) | 2019-10-04 | 2023-04-25 | 日本電気株式会社 | 表面性状推定システム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102096806B1 (ko) | 3차원 센서 시스템 및 3차원 데이터 획득방법 | |
JP6465789B2 (ja) | デプスカメラの内部パラメータを算出するプログラム、装置及び方法 | |
US10008005B2 (en) | Measurement system and method for measuring multi-dimensions | |
JP5297403B2 (ja) | 位置姿勢計測装置、位置姿勢計測方法、プログラムおよび記憶媒体 | |
KR101054736B1 (ko) | 3차원 물체 인식 및 자세 추정 방법 | |
JP2021192064A (ja) | 3次元計測システム及び3次元計測方法 | |
TW201514867A (zh) | 光流追蹤方法和裝置 | |
JPWO2021140886A5 (ja) | ||
JP2011174880A (ja) | 位置姿勢推定方法及びその装置 | |
JP6091658B2 (ja) | 情報処理装置及び情報処理方法及びプログラム | |
JP6282377B2 (ja) | 3次元形状計測システムおよびその計測方法 | |
CN101996416A (zh) | 3d人脸捕获方法和设备 | |
KR20200005119A (ko) | 단일 장착면의 장착 오차를 산출하여 보정하는 장치 및 그 방법 | |
JP5704909B2 (ja) | 注目領域検出方法、注目領域検出装置、及びプログラム | |
US11348271B2 (en) | Image processing device and three-dimensional measuring system | |
JP2019109747A (ja) | 位置姿勢推定装置、位置姿勢推定方法及びプログラム | |
JP2014102746A (ja) | 被写体認識装置及び被写体認識プログラム | |
JP6359985B2 (ja) | デプス推定モデル生成装置及びデプス推定装置 | |
KR101538014B1 (ko) | 3d 모델링을 통해 사진 이미지로부터 입체영상을 생성하는 방법 | |
JP2018156442A (ja) | 推定器学習装置、法線方向推定装置、方法、及びプログラム | |
JP6198104B2 (ja) | 3次元物体認識装置及び3次元物体認識方法 | |
JP2014048276A (ja) | 領域特定装置、方法、及びプログラム | |
CN115620016A (zh) | 一种骨架检测模型的构建方法、图像数据识别方法 | |
JP2017096817A (ja) | 距離情報補正装置、距離情報補正方法及び距離情報補正プログラム | |
JP6867766B2 (ja) | 情報処理装置およびその制御方法、プログラム |