System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
所属的技术人员能够理解,本专利技术的各个方面可以实现为系统、方法或程序产品。因此,本专利技术的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。此外,本申请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中存储有计算机执行指令,当用户设备的至少一个处理器执行该计算机执行指令时,用户设备执行上述各种可能的方法。其中,计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。另外,该asic可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。本申请还提供一种程序产品,程序产品包括计算机程序,计算机程序存储在可读存储介质中,服务器的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得服务器实施上述本专利技术实施例任一的方法。本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:只读内存(read-onlymemory,rom)、随机存取存储器(ra
技术介绍
1、随着图像处理技术的不断发展,三维形状测量技术也不断提升。在现有的三维测量技术中,通过结构光测量的方式,因其非接触性、高精度、高自动化等优点被越来越多的采用。
2、目前,常见的结构光三维测量方法包括:条纹投影方法和散斑投影方法。条纹投影方法的原理是通过采集投影到物体上的条纹图像,根据条纹的形变信息测量物体的深度信息,得到三维数据。散斑投影方法是通过投影散斑图像到物体上,并根据双目相机采集到的物体图像进行特征提取,然后利用半全局双目匹配算法(sgm,semi-global matching)得到视差结果。
3、但是,条纹投影方法无法通过单幅图像得到连续的相位信息,因此无法实现动态的三维测量。现有的散斑投影算法,计算量较大,散斑图像特征提取的精度不高,导致最终得到的深度测量值存在较大的误差。近年来,基于深度学习的斑点双目深度成像方法逐渐兴起。但是由于高精度深度数据的稀缺,制约了深度学习方法在这一领域的发挥。
技术实现思路
1、针对现有技术中的缺陷,本专利技术的目的是提供一种基于深度学习的散斑双目成像方法、装置和设备。
2、第一方面,本申请实施例提供一种基于深度学习的散斑双目成像方法,包括:
3、通过双目视觉系统分别获取被测物体的左侧图像和右侧图像;其中,所述左侧图像和所述右侧图像中均包含有投射的散斑图像;
4、将左侧图像和右侧图像分别输入经过训练的卷积神经网络,得到左特征图和右特征图;
5、将所述左特征图和所述右特征图作内积运算后,得到对应的匹配特征图;
6、对所述匹配特征图作代价聚合运算,得到视差图。
7、可选地,所述双目系统包括:左相机、右相机、激光投影仪、被测物体;其中,所述左相机和所述右相机分别布设在所述激光投影仪的两侧,所述激光投影仪向被测物体的表面投射散斑图像,并分别通过所述左相机和所述右相机拍摄投射有散斑图像的被测物体。
8、可选地,在通过双目视觉系统分别获取被测物体的左侧图像和右侧图像之前,所述方法还包括:
9、构建卷积神经网络;
10、通过仿真软件采集模拟环境中被测物体的模拟散斑图像,以及所述模拟散斑图像对应的视差真值,构建第一训练集;
11、通过双目视觉系统和结构光相机本文档来自技高网...
【技术保护点】
1.一种基于深度学习的散斑双目成像方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的散斑双目成像方法,其特征在于,所述双目系统包括:左相机、右相机、激光投影仪、被测物体;其中,所述左相机和所述右相机分别布设在所述激光投影仪的两侧,所述激光投影仪向被测物体的表面投射散斑图像,并分别通过所述左相机和所述右相机拍摄投射有散斑图像的被测物体。
3.根据权利要求1所述的基于深度学习的散斑双目成像方法,其特征在于,在通过双目视觉系统分别获取被测物体的左侧图像和右侧图像之前,所述方法还包括:
4.根据权利要求3所述的基于深度学习的散斑双目成像方法,其特征在于,通过双目视觉系统和结构光相机采集真实环境中被测物体的真实散斑图像,以及所述真实散斑图像的视差真值,包括:
5.根据权利要求1所述的基于深度学习的散斑双目成像方法,其特征在于,在将左侧图像和右侧图像分别输入经过训练的卷积神经网络之前,所述方法还包括:
6.根据权利要求5所述的基于深度学习的散斑双目成像方法,其特征在于,所述预设大小的图像块尺寸包括:3x3、5x5、7x
7.根据权利要求1-6中任一项所述的基于深度学习的散斑双目成像方法,其特征在于,对所述匹配特征图作代价聚合运算,得到视差图,包括:
8.一种基于深度学习的散斑双目成像装置,其特征在于,包括:
9.一种基于深度学习的散斑双目成像设备,其特征在于,包括:处理器和存储器,所述存储器中存储有可执行的程序指令,所述处理器调用所述存储器中的程序指令时,所述处理器用于:
10.一种计算机可读存储介质,用于存储程序,其特征在于,所述程序被执行时实现权利要求1至7任一项所述的基于深度学习的散斑双目成像方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的散斑双目成像方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的散斑双目成像方法,其特征在于,所述双目系统包括:左相机、右相机、激光投影仪、被测物体;其中,所述左相机和所述右相机分别布设在所述激光投影仪的两侧,所述激光投影仪向被测物体的表面投射散斑图像,并分别通过所述左相机和所述右相机拍摄投射有散斑图像的被测物体。
3.根据权利要求1所述的基于深度学习的散斑双目成像方法,其特征在于,在通过双目视觉系统分别获取被测物体的左侧图像和右侧图像之前,所述方法还包括:
4.根据权利要求3所述的基于深度学习的散斑双目成像方法,其特征在于,通过双目视觉系统和结构光相机采集真实环境中被测物体的真实散斑图像,以及所述真实散斑图像的视差真值,包括:
5.根据权利要求1所述的基于深度学习的散斑双目成像方法...
【专利技术属性】
技术研发人员:陈朔涵,苏公喆,李勇奇,周佳骥,
申请(专利权)人:星猿哲科技上海有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。