一种深度图像的校正方法、装置及设备制造方法及图纸

本发明专利技术实施例提供了一种深度图像的校正方法、装置及设备，其中，该方法包括；获取原始深度图像；根据原始深度图像中像素点的像素值，确定原始深度图像对应的像素向量；将原始深度图像对应的像素向量输入至预先训练的人工神经网络ANN模型，对原始深度图像进行校正，得到校正后的校正深度图像；其中，ANN模型是根据具有不同参数的样本图像对应的像素向量、以及样本数据真值训练得到的。通过本发明专利技术实施例提供的深度图像的校正方法、装置及设备，能够提高对深度图像校正的准确度，进而提高三维场景重建的效果。

【技术实现步骤摘要】
一种深度图像的校正方法、装置及设备
本专利技术涉及图像处理
，特别是涉及一种深度图像的校正方法、装置及设备。
技术介绍
随着RGB-D(Red-Green-Blue-Depth)相机的发展，三维场景重建技术也得到了进一步的发展。具体地，通过RGB-D相机采集场景对应的彩色图像和深度图像，然后通过该深度图像确定空间点的三维坐标及通过该彩色图像确定空间点的颜色信息，进而得到三维点云，如此实现三维场景的重建。可以看出，实现三维场景重建的过程中，需要深度图像确定三维坐标，则深度图像的质量直接影响三维坐标的确定，进一步影响三维场景重建的效果。如此，为了提高三维场景重建的效果，对深度图像进行校正，以保证深度图像的质量是重要的过程。现有技术中，对深度图像的校正主要是对由于深度相机本身设计而产生的畸变的校正。具体地，可以根据摄像机标定方式确定畸变系数，然后作与畸变相反的变换，消除畸变，实现对畸变的校正。具体地摄像机标定方式包括：建立摄像机成像的几何模型，用以描述空间坐标系中物体点同它在图像平面上像素点之间的对应关系，进而求解几何模型的参数和畸变系数，其中，几何模型的参数即摄像机的内参数。现有技术中，对深度图像进行校正的过程中，仅考虑到畸变对深度图像质量的影响。如此使得，对深度图像校正的准确度不高。
技术实现思路
本专利技术实施例的目的在于提供一种深度图像的校正方法、装置及设备，以提高对深度图像校正的准确度。具体技术方案如下：第一方面，本专利技术实施例提供了一种深度图像的校正方法，包括：获取原始深度图像；根据所述原始深度图像中像素点的像素值，确定所述原始深度图像对应的像素向量；将所述原始深度图像对应的像素向量输入至预先训练的人工神经网络ANN模型，对所述原始深度图像进行校正，得到校正后的校正深度图像；其中，所述ANN模型是根据具有不同参数的样本图像对应的像素向量、以及样本数据真值训练得到的。可选的，所述获取原始深度图像的步骤，包括：通过深度相机采集第一深度图像，并将所述第一深度图像作为所述原始深度图像；或者，通过所述深度相机采集所述第一深度图像；对所述第一深度图像进行径向畸变校正和切向畸变校正，得到所述原始深度图像。可选的，预先训练所述ANN模型的步骤，包括：获取具有不同参数的样本图像；根据所述样本图像中像素点的像素值，确定所述样本图像对应的像素向量；将所述样本图像对应的像素向量，以及所述样本图像对应的样本数据真值作为预设人工神经网络模型的输入参数，对所述预设人工神经网络模型进行训练，得到所述ANN模型。可选的，所述获取具有不同参数的样本图像的步骤，包括：确定包括多个灰度级的条形模板图像；通过深度相机采集所述条形模板图像位于不同位置时，所述条形模板图像对应的深度图像，并将所述深度图像作为样本图像；其中，不同位置包括所述条形模板图像位于与所述深度相机不同距离的位置，且所述条形模板图像位于与所述深度相机不同距离的位置时，处于所述深度相机的拍摄范围内。可选的，所述将所述样本图像对应的像素向量，以及所述样本图像对应的样本数据真值作为预设人工神经网络模型的输入参数，对所述预设人工神经网络模型进行训练的步骤，包括：将所述样本图像对应的像素向量和样本数据真值，输入至所述预设人工神经网络模型，其中，所述预设人工神经网络模型包括待测参数；调整所述待测参数，使得所述像素向量对应的输出数据与所述样本数据真值之间的代价函数收敛；并在所述代价函数收敛时，确定所述待测参数。第二方面，本专利技术实施例提供了一种深度图像的校正装置，包括：第一获取模块，用于获取原始深度图像；第一确定模块，用于根据所述原始深度图像中像素点的像素值，确定所述原始深度图像对应的像素向量；校正模块，用于将所述原始深度图像对应的像素向量输入至预先训练的人工神经网络ANN模型，对所述原始深度图像进行校正，得到校正后的校正深度图像；其中，所述ANN模型是根据具有不同参数的样本图像对应的像素向量、以及样本数据真值训练得到的。可选的，所述第一获取模块，包括：第一采集子模块，用于通过深度相机采集第一深度图像，并将所述第一深度图像作为所述原始深度图像；或者，第二采集子模块，用于通过所述深度相机采集所述第一深度图像；畸变校正子模块，用于对所述第一深度图像进行径向畸变校正和切向畸变校正，得到所述原始深度图像。可选的，所述装置还包括：第二获取模块，用于获取具有不同参数的样本图像；第二确定模块，用于根据所述样本图像中像素点的像素值，确定所述样本图像对应的像素向量；训练模块，用于将所述样本图像对应的像素向量，以及所述样本图像对应的样本数据真值作为预设人工神经网络模型的输入参数，对所述预设人工神经网络模型进行训练，得到所述ANN模型。可选的，所述第二获取模块，包括确定子模块，用于确定包括多个灰度级的条形模板图像；第三采集子模块，用于通过深度相机采集所述条形模板图像位于不同位置时，所述条形模板图像对应的深度图像，并将所述深度图像作为样本图像；其中，不同位置包括所述条形模板图像位于与所述深度相机不同距离的位置，且所述条形模板图像位于与所述深度相机不同距离的位置时，处于所述深度相机的拍摄范围内。第三方面，本专利技术实施例提供了一种深度图像的校正设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行所述存储器上所存放的程序时，实现第一方面所述的方法步骤。本专利技术实施例提供的深度图像的校正方法、装置及设备中，获取原始深度图像；根据原始深度图像中像素点的像素值，确定原始深度图像对应的像素向量；将原始深度图像对应的像素向量输入至预先训练的人工神经网络(ArtificialNeuralNetwork，ANN)模型，对原始深度图像进行校正，得到校正后的校正深度图像；其中，ANN模型是根据具有不同参数的样本图像对应的像素向量、以及样本数据真值训练得到的。可以看出，ANN模型是根据具有不同参数的样本图像对应的像素向量、以及样本数据真值训练得到的。如此，将原始深度图像对应的像素向量，输入至预先训练的ANN模型，实现对原始深度图像的校正，能够校正不同参数对深度图像质量的影响，提高对深度图像校正的准确度，进而提高三维场景重建的效果。当然，实施本专利技术的任一产品或方法必不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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专利技术的一些实施例，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为本专利技术实施例提供的深度图像的校正方法的流程图；图2为本专利技术实施例提供的条形模板图像的示意图；图3(a)为本专利技术实施例中条形模板图像放置的结构示意图；图3(b)为本专利技术实施例中深度相机放置的结构示意图；图4为本专利技术实施例中预设人工神经网络模型的结构示意图；图5为本专利技术实施例提供的具体实施例的流程图；图6为本专利技术实施例提供的深度图像的校正装置的结构示意图；图7为本专利技术实施例提供的深度图像的校正设备的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本本文档来自技高网...

【技术保护点】
1.一种深度图像的校正方法，其特征在于，包括：获取原始深度图像；根据所述原始深度图像中像素点的像素值，确定所述原始深度图像对应的像素向量；将所述原始深度图像对应的像素向量输入至预先训练的人工神经网络ANN模型，对所述原始深度图像进行校正，得到校正后的校正深度图像；其中，所述ANN模型是根据具有不同参数的样本图像对应的像素向量、以及样本数据真值训练得到的。

【技术特征摘要】
1.一种深度图像的校正方法，其特征在于，包括：获取原始深度图像；根据所述原始深度图像中像素点的像素值，确定所述原始深度图像对应的像素向量；将所述原始深度图像对应的像素向量输入至预先训练的人工神经网络ANN模型，对所述原始深度图像进行校正，得到校正后的校正深度图像；其中，所述ANN模型是根据具有不同参数的样本图像对应的像素向量、以及样本数据真值训练得到的。2.根据权利要求1所述的方法，其特征在于，所述获取原始深度图像的步骤，包括：通过深度相机采集第一深度图像，并将所述第一深度图像作为所述原始深度图像；或者，通过所述深度相机采集所述第一深度图像；对所述第一深度图像进行径向畸变校正和切向畸变校正，得到所述原始深度图像。3.根据权利要求1或2所述的方法，其特征在于，预先训练所述ANN模型的步骤，包括：获取具有不同参数的样本图像；根据所述样本图像中像素点的像素值，确定所述样本图像对应的像素向量；将所述样本图像对应的像素向量，以及所述样本图像对应的样本数据真值作为预设人工神经网络模型的输入参数，对所述预设人工神经网络模型进行训练，得到所述ANN模型。4.根据权利要求3所述的方法，其特征在于，所述获取具有不同参数的样本图像的步骤，包括：确定包括多个灰度级的条形模板图像；通过深度相机采集所述条形模板图像位于不同位置时，所述条形模板图像对应的深度图像，并将所述深度图像作为样本图像；其中，不同位置包括所述条形模板图像位于与所述深度相机不同距离的位置，且所述条形模板图像位于与所述深度相机不同距离的位置时，处于所述深度相机的拍摄范围内。5.根据权利要求3所述的方法，其特征在于，所述将所述样本图像对应的像素向量，以及所述样本图像对应的样本数据真值作为预设人工神经网络模型的输入参数，对所述预设人工神经网络模型进行训练的步骤，包括：将所述样本图像对应的像素向量和样本数据真值，输入至所述预设人工神经网络模型，其中，所述预设人工神经网络模型包括待测参数；调整所述待测参数，使得所述像素向量对应的输出数据与所述样本数据真值之间的代价函数收敛；并在所述代价函数收敛时，确定所...

【专利技术属性】
技术研发人员：焦继超，邓中亮，苑立彬，章程，王鑫，吴奇，焦剑，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11