【技术实现步骤摘要】
一种姿态识别方法、装置及系统
[0001]本申请涉及图像识别
,特别是涉及姿态识别方法、装置及系统。
技术介绍
[0002]随着科技水平的提高,整个社会都向着智能化、自动化的方向发展。
[0003]人工智能为机器人未来发展带来了无限的可能,通过对神经网络模型进行训练,从而使得基于该网络模型控制的机器人能够自主的学习识别物体的姿态。
[0004]姿态估计是增强现实、虚拟现实、机器人领域的关键;但目前为止,姿态估计存在精度差等问题。
技术实现思路
[0005]基于此,本专利技术提供一种姿态识别方法、装置及系统。
[0006]本专利技术第一方面提供一种姿态识别方法,所述姿态识别方法包括:
[0007]获取目标物的N张图像;其中,所述N张图像分别归属于N个图像传感器坐标系;且N≥2;
[0008]获取姿态识别模型;及
[0009]将所述N张图像输入所述姿态识别模型中,输出所述目标物的识别结果。
[0010]优选的,所述姿态识别模型为单个;
[0011]将所述N张图像输入所述单个姿态识别模型中,输出所述目标物的识别结果。
[0012]优选的,所述姿态识别模型为M个;其中,2≤M≤N;
[0013]将所述N张图像分别输入所述M个姿态识别模型中,分别输出所述目标物的识别结果。
[0014]优选的,所述识别结果为在一个或多个图像传感器坐标系下的所述目标物的姿态识别结果。
[0015]优选的,所述识别结果为所述N张图像 ...
【技术保护点】
【技术特征摘要】
1.一种姿态识别方法,其特征在于,所述姿态识别方法包括:获取目标物的N张图像;其中,所述N张图像分别归属于N个图像传感器坐标系;且N≥2;获取姿态识别模型;及将所述N张图像输入所述姿态识别模型中,输出所述目标物的识别结果。2.根据权利要求1所述的姿态识别方法,其特征在于,所述姿态识别模型为单个;将所述N张图像输入所述单个姿态识别模型中,输出所述目标物的识别结果。3.根据权利要求1所述的姿态识别方法,其特征在于,所述姿态识别模型为M个;其中,2≤M≤N;将所述N张图像分别输入所述M个姿态识别模型中,分别输出所述目标物的识别结果。4.根据权利要求1所述的姿态识别方法,其特征在于,所述识别结果为在一个或多个图像传感器坐标系下的所述目标物的姿态识别结果。5.根据权利要求1所述的姿态识别方法,其特征在于,所述识别结果为所述N张图像中的每张图像中的目标物关联的特征信息的识别结果;所述输出所述目标物的识别结果之后还包括:获取所述识别结果;根据所述识别结果,生成所述目标物分别在多个图像传感器坐标系下的姿态识别结果;或所述识别结果为所述目标物的第一部分姿态识别结果与所述预处理识别结果的结合;所述输出所述目标物的识别结果之后还包括:获取所述预处理识别结果;根据所述预处理识别结果,确定所述目标物的第二部分姿态识别结果;以所述第一部分姿态识别结果和所述第二部分姿态识别结果,作为所述目标物的姿态识别结果。6.根据权利要求4或5所述的姿态识别方法,其特征在于,所述姿态识别方法还包括:优化所述目标物的姿态识别结果,得到优化结果。7.根据权利要求1-3任一项所述的姿态识别方法,其特征在于,所述获取目标物的N张图像之前还包括:获取N张初始图像;其中,所述N张初始图像中的每张初始图像包括前景和复杂背景,所述前景代表所述目标物;提取所述每张初始图像中的所述前景,生成只包括所述前景或单一背景的所述目标物的N张图像。8.一种姿态识别训练方法,其特征在,所述姿态识别训练包括:获取训练样本集;其中,所述训练样本集包括分别归属于N个图像传感器坐标系下的训练子样本集的集合;获取姿态识别模型的初始模型;基于所述训练样本集对所述初始模型进行训练,得到所述姿态识别模型;所述姿态识别模型,用于对输入的所述目标物的N张图像,输出所述目标物的识别结果。9.一种姿态识别装置,其特征在于,所述姿态识别装置包括:目标图像获取模块,用于获取目标物的N张图像;其中,所述N张图像分别归属于N个图
像传感器坐标系;且N≥2;模型获取模块,用于获取姿态识别模型;及结果输出模块,将所述N张图像输入所述姿态识别模型中,输出所述目标物的识别结果。10.根据权利要求9所述的姿态识别装置,其特征在于,所述模型获取模块,用于获取单个所述姿态识别模型;所述结果输出模块,用于将所述N张图像输入所述单个姿态识别模型中,输出所述目标物的识别结果;或所述模型获取模块,用于获取M个所述姿态识别模型;其中,2≤M≤N;所述结果输出模块,用于将所述N张图像分别输入所述M个姿态识别模型中,分别输出所述目标物的识别结果。11.根据权利要求9所述的姿态识别装置,其特征在于,所述识别...
【专利技术属性】
技术研发人员:朱文飞,
申请(专利权)人:鲁班嫡系机器人深圳有限公司,
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。