用于生成三维图像的方法和装置制造方法及图纸

本申请实施例公开了用于生成三维图像的方法和装置。该方法的一具体实施方式包括获取目标彩色图像；将目标彩色图像输入至预先训练的深度网络模型，得到目标彩色图像对应的目标深度图像，其中，深度网络模型用于生成深度图像；基于目标深度图像生成目标三维图像。该实施方式摆脱了对于三维相机的依赖，降低了实现成本，而且彩色图像的获取非常方便，从而可适用于各种不同的场景，具有广泛适用性。

Methods and devices for generating 3D images

【技术实现步骤摘要】
用于生成三维图像的方法和装置
本申请实施例涉及计算机
，具体涉及用于生成三维图像的方法和装置。
技术介绍
三维图像又叫做3D立体图。3D立体图视觉上层次分明色彩鲜艳，具有很强的视觉冲击力，让观看的人驻景时间长，留下深刻的印象。3D立体图给人以真实、栩栩如生，人物呼之欲出，有身临其境的感觉，有很高的艺术欣赏价值。目前，通常采用3D相机来采集3D立体图。3D相机是可以用裸眼欣赏立体画像或动画的相机。3D相机的诞生，也就意味着人们可以不必使用专业眼镜、用肉眼就可以享受立体图像的效果。3D相机一般装配有2个镜头，以便可以再现立体影像，并且3D相机的价格通常都比较高。
技术实现思路
本申请实施例提出了用于生成三维图像的方法和装置。第一方面，本申请实施例提供了一种用于生成三维图像的方法，包括：获取目标彩色图像；将目标彩色图像输入至预先训练的深度网络模型，得到目标彩色图像对应的目标深度图像，其中，深度网络模型用于生成深度图像；基于目标深度图像生成目标三维图像。在一些实施例中，深度网络模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本彩色图像和对应的样本深度图像；利用机器学习方法，基于训练样本集合对初始深度网络模型进行训练，得到深度网络模型。在一些实施例中，初始深度网络模型是生成式对抗网络，生成式对抗网络包括生成模型和判别模型；以及利用机器学习方法，基于训练样本集合对初始深度网络模型进行训练，得到深度网络模型，包括：对于训练样本集合中的训练样本，将该训练样本中的样本彩色图像输入生成模型，得到生成深度图像；将生成深度图像和该训练样本中的样本深度图像输入判别模型，得到判别结果，其中，判别结果用于表征生成深度图像和该训练样本中的样本深度图像是真实深度图像的概率；基于判别结果调整生成模型和判别模型的参数。在一些实施例中，训练样本集合是利用Kinect设备或RGB-D相机采集的。在一些实施例中，基于目标深度图像生成目标三维图像，包括：结合目标深度图像以及目标彩色图像生成目标三维图像。第二方面，本申请实施例提供了一种用于生成三维图像的装置，包括：获取单元，被配置成获取目标彩色图像；输入单元，被配置成将目标彩色图像输入至预先训练的深度网络模型，得到目标彩色图像对应的目标深度图像，其中，深度网络模型用于生成深度图像；生成单元，被配置成基于目标深度图像生成目标三维图像。在一些实施例中，深度网络模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本彩色图像和对应的样本深度图像；利用机器学习方法，基于训练样本集合对初始深度网络模型进行训练，得到深度网络模型。在一些实施例中，初始深度网络模型是生成式对抗网络，生成式对抗网络包括生成模型和判别模型；以及利用机器学习方法，基于训练样本集合对初始深度网络模型进行训练，得到深度网络模型，包括：对于训练样本集合中的训练样本，将该训练样本中的样本彩色图像输入生成模型，得到生成深度图像；将生成深度图像和该训练样本中的样本深度图像输入判别模型，得到判别结果，其中，判别结果用于表征生成深度图像和该训练样本中的样本深度图像是真实深度图像的概率；基于判别结果调整生成模型和判别模型的参数。在一些实施例中，训练样本集合是利用Kinect设备或RGB-D相机采集的。在一些实施例中，生成单元进一步被配置成：结合目标深度图像以及目标彩色图像生成目标三维图像。第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。本申请实施例提供的用于生成三维图像的方法和装置，首先获取目标彩色图像，然后将目标彩色图像输入至预先训练的深度网络模型，以得到目标彩色图像对应的目标深度图像，进而基于目标深度图像生成目标三维图像，从而摆脱了对于三维相机的依赖，降低了实现成本，而且彩色图像的获取非常方便，从而可适用于各种不同的场景，具有广泛适用性。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请可以应用于其中的示例性系统架构；图2是根据本申请的用于生成三维图像的方法的一个实施例的流程图；图3是图2所提供的用于生成三维图像的方法的一个应用场景的示意图；图4是根据本申请的用于训练深度网络模型的方法的一个实施例的流程图；图5是根据本申请的用于生成三维图像的装置的一个实施例的结构示意图；图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。图1示出了可以应用本申请的用于生成三维图像的方法或用于生成三维图像的装置的实施例的示例性系统架构100。如图1所示，系统架构100中可以包括拍摄设备101、102、103，网络104和服务器105。网络104用以在拍摄设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。拍摄设备101、102、103可以通过网络104与服务器105交互，以接收或发送消息等。拍摄设备101、102、103可以是硬件，也可以是软件。当拍摄设备101、102、103为硬件时，可以是支持彩色图像拍摄功能的各种电子设备，包括但不限于摄像机、摄像头、照相机和智能手机等等。当拍摄设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。服务器105可以提供各种服务，例如服务器105可以对从拍摄设备101、102、103获取到的目标彩色图像等数据进行分析等处理，生成处理结果(例如目标三维图像)。需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。需要说明的是，本申请实施例所提供的用于生成三维图像的方法一般由服务器105执行，相应地，用于生成三维图像的装置一般设置于服务器105中。...

【技术保护点】
1.一种用于生成三维图像的方法，包括：/n获取目标彩色图像；/n将所述目标彩色图像输入至预先训练的深度网络模型，得到所述目标彩色图像对应的目标深度图像，其中，所述深度网络模型用于生成深度图像；/n基于所述目标深度图像生成目标三维图像。/n

【技术特征摘要】
1.一种用于生成三维图像的方法，包括：
获取目标彩色图像；
将所述目标彩色图像输入至预先训练的深度网络模型，得到所述目标彩色图像对应的目标深度图像，其中，所述深度网络模型用于生成深度图像；
基于所述目标深度图像生成目标三维图像。


2.根据权利要求1所述的方法，其中，所述深度网络模型通过如下步骤训练得到：
获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本彩色图像和对应的样本深度图像；
利用机器学习方法，基于所述训练样本集合对初始深度网络模型进行训练，得到所述深度网络模型。


3.根据权利要求2所述的方法，其中，所述初始深度网络模型是生成式对抗网络，所述生成式对抗网络包括生成模型和判别模型；以及
所述利用机器学习方法，基于所述训练样本集合对初始深度网络模型进行训练，得到所述深度网络模型，包括：
对于所述训练样本集合中的训练样本，将该训练样本中的样本彩色图像输入所述生成模型，得到生成深度图像；
将所述生成深度图像和该训练样本中的样本深度图像输入所述判别模型，得到判别结果，其中，所述判别结果用于表征所述生成深度图像和该训练样本中的样本深度图像是真实深度图像的概率；
基于所述判别结果调整所述生成模型和所述判别模型的参数。


4.根据权利要求2或3所述的方法，其中，所述训练样本集合是利用Kinect设备或RGB-D相机采集的。


5.根据权利要求1-3之一所述的方法，其中，所述基于所述目标深度图像生成目标三维图像，包括：
结合所述目标深度图像以及所述目标彩色图像生成所述目标三维图像。


6.一种用于生成三维图像的装置，包括：
获取单元，被配置成获取目标彩色图像；
输入单元，被配置成将所述目标彩色图像输入至预先训练的深度网络模型，得到所述目标彩色图像对应的目标深度图像，...

【专利技术属性】
技术研发人员：彭明浩，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京;11