【技术实现步骤摘要】
用于确定外围设备位移的方法和系统
本专利技术涉及用于确定外围设备位移的方法和系统。
技术介绍
外围设备可以用于使人与计算机接口。一些常见的外围设备包括键盘、计算机鼠标、图像扫描仪、扬声器、麦克风、网络摄像机等。这些外围设备中的一些可以检测作为来自用户的输入的运动，并将运动转换为计算机的输入。例如，诸如计算机鼠标的手持外围设备可以检测其相对于表面的移动，并将相对于表面的移动转换为图形用户界面(GUI)中显示的光标的相应移动。用户可以移动计算机鼠标以控制光标的位置，以通过GUI与计算机接口。假设计算机鼠标将表面上的移动转换为显示器中光标的相应移动，用户在控制计算机鼠标时依赖该光标的相应移动，计算机鼠标检测其移动的精度对于用户体验而言可能是关键的。例如，在更高精度的移动检测的情况下，计算机鼠标可以更准确地响应用户的输入(以计算机鼠标的移动的形式)，这使得用户能够更确定地将他/她的计算机鼠标的移动与光标的显示位置相关联。这可以改善用户使用计算机鼠标操作的平滑度和效率。因此，可以提高生产力和用户体验。专利技术内...
【技术保护点】
1.一种用于确定外围设备位移的方法，包括：/n从表面上的第一位置处的图像传感器捕获表面的第一图像，所述第一图像包括所述表面的所述第一位置的特征；/n使用从所述第一图像得到的数据执行训练的机器学习模型，以估计所述第一图像与在所述表面的第二位置处捕获的参考图像之间的所述特征的位移；以及/n基于所估计的所述特征的位移确定所述图像传感器的位移。/n
【技术特征摘要】
20180803 US 16/054,9031.一种用于确定外围设备位移的方法，包括：
从表面上的第一位置处的图像传感器捕获表面的第一图像，所述第一图像包括所述表面的所述第一位置的特征；
使用从所述第一图像得到的数据执行训练的机器学习模型，以估计所述第一图像与在所述表面的第二位置处捕获的参考图像之间的所述特征的位移；以及
基于所估计的所述特征的位移确定所述图像传感器的位移。
2.根据权利要求1所述的方法，其中，所述图像传感器是被定位在所述表面上的计算机鼠标的一部分；并且
其中，所述位移被提供给计算机以更新所述计算机显示的内容。
3.根据权利要求1所述的方法，其中，所述数据是从所述第一图像的像素子集得到的。
4.根据权利要求1所述的方法，其中，使用从所述第一图像得到的数据执行训练的机器学习模型包括：
将所述第一图像的像素数据提供给所述训练的机器学习模型；以及
操作所述训练的机器学习模型来执行：
基于所述像素数据计算所述第一图像与所述参考图像之间的互相关值分布，所述互相关值分布与一组候选位移相对应；
基于所述互相关值分布对所述一组候选位移进行插值；以及
基于插值的结果估计所述位移。
5.根据权利要求1所述的方法，其中，使用从所述第一图像得到的数据执行训练的机器学习模型包括：
生成所述第一图像与所述参考图像之间的互相关值分布，所述互相关值分布与一组粗略候选位移相对应，每个粗略候选位移具有像素精度；
将所述互相关值分布提供给所述训练的机器学习模型；以及
操作所述训练的机器学习模型以基于所述互相关值分布计算具有子像素精度的精细估计位移。
6.根据权利要求5所述的方法，还包括：
从所述一组粗略候选位移中选择与所述互相关值分布的峰值互相关值相对应的粗略候选位移，
其中，基于所选择的粗略候选位移和所述精细估计位移来生成估计位移。
7.根据权利要求1所述的方法，其中，所述机器学习模型包括人工神经网络。
8.根据权利要求7所述的方法，其中，所述人工神经网络包括全连接的神经网络。
9.根据权利要求7所述的方法，其中，所述人工神经网络包括卷积神经网络。
10.根据权利要求7所述的方法，其中，所述人工神经网络包括全连接的神经网络和卷积神经网络的组合。
11.根据权利要求1所述的方法，还包括：
基于操作条件从多个机器学习模型中选择用于估计所述特征的位移的机器学习模型，
其中，从所述第一图像得到的数据被提供给所选择的机器学习模型以估计所述位移。
12.根据权利要求11所述的方法，其中，所述操作条件包括...
【专利技术属性】
技术研发人员：尼古拉斯·肖万，凡科伊斯·莫里尔，赫尔穆特·格雷布纳，
申请(专利权)人：罗技欧洲公司，
类型：发明
国别省市：瑞士;CH
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。