手柄定位检测方法技术

本申请公开了一种手柄定位检测方法

【技术实现步骤摘要】
手柄定位检测方法、装置、设备及存储介质


[0001]本申请涉及虚拟现实
，尤其涉及一种手柄定位检测方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]VR(Virtual Reality
，虚拟现实
)
手柄定位算法基于红外曝光机制，对手柄进行图像检测定位，但在红外背景的图像中，目标占据像素小
、
无具体的形状
、
缺少纹理呈点状，在复杂的红外背景下，跟踪阶段常常存有如目标遮蔽
、
背景杂波
、
迅速移动等困难，这些因素增加了红外点状目标跟踪的难度
。
[0003]相关技术中所使用的大多数都是常规的一些手工设计的特征提取方法，使得传统方法无法很好地用于红外点状目标跟踪，导致该方法在复杂背景下对手柄定位的准确性低
。

技术实现思路

[0004]本申请的主要目的在于提供一种手柄定位检测方法
、
装置
、
设备及存储介质，旨在解决现有技术中跟踪手柄的红外点状目标的准确性低的技术问题
。
[0005]为实现以上目的，本申请提供一种手柄定位检测方法，所述手柄定位检测方法包括：
[0006]获取待定位图像；
[0007]将所述待定位图像输入至预设的手柄定位模型，基于所述手柄定位模型，采用
VGG
神经网络对所述待定位图像进行卷积，得到浅层特征层和深层特征层；
[0008]将所述浅层特征层和所述深层特征层中的特征向量进行特征融合，得到融合后的目标特征向量；
[0009]基于所述目标特征向量，确定手柄定位信息
。
[0010]可选地，所述将所述浅层特征层和所述深层特征层中的特征向量进行特征融合，得到融合后的目标特征向量的步骤之前，所述方法包括：
[0011]对所述浅层特征层中的特征向量赋予预设的第一特征权重，对所述深层特征层中的特征向量赋予预设的第二特征权重；
[0012]其中，所述第一特征权重小于所述第二特征权重
。
[0013]可选地，所述将所述浅层特征层和所述深层特征层中的特征向量进行特征融合，得到融合后的目标特征向量的步骤，包括：
[0014]将每一浅层特征层和所述深层特征层中的特征向量进行归一化处理，得到特征维度相同的归一化后的浅层特征层和所述深层特征层；
[0015]将所述归一化后的浅层特征层和所述深层特征层中的特征向量进行特征融合，得到融合后的目标特征向量
。
[0016]可选地，所述待定位图像包括未曝光图像和曝光图像的两帧图像
。
[0017]可选地，所述获取待定位图像的步骤之前，所述方法包括：
[0018]获取训练样本图像和所述训练样本图像的手柄位置标签；
[0019]基于所述训练样本图像和所述训练样本图像的手柄位置标签，对预设的待训练模型进行迭代训练，得到满足精度条件的手柄定位模型
。
[0020]可选地，所述基于所述训练样本图像和所述训练样本图像的手柄位置标签，对所述待训练模型进行迭代训练，得到满足精度条件的手柄定位模型的步骤，包括：
[0021]将所述训练样本图像输入至预设的待训练模型，得到预测手柄定位信息；
[0022]将所述预测手柄定位信息和所述训练样本图像的手柄位置标签进行损失函数计算，得到误差结果
Loss
；
[0023]判断所述误差结果
Loss
是否满足预设误差阈值范围指示的误差标准；
[0024]若所述误差结果
Loss
未满足所述预设误差阈值范围指示的误差标准，则返回将所述训练样本图像输入至预设的待训练模型，得到预测手柄定位信息的步骤，直到所述训练误差结果
Loss
满足所述预设误差阈值范围指示的误差标准后停止训练，得到具有满足精度条件的手柄定位模型
。
[0025]可选地，所述损失函数如下公式所示
[0026][0027]其中，
w
j
表示第
j
类别，
α
表示超参数
。
[0028]本申请还提供一种手柄定位检测装置，所述手柄定位检测装置包括：
[0029]获取模块，用于获取待定位图像；
[0030]卷积模块，用于将所述待定位图像输入至预设的手柄定位模型，基于所述手柄定位模型，采用
VGG
神经网络对所述待定位图像进行卷积，得到浅层特征层和深层特征层；
[0031]融合模块，用于将所述浅层特征层和所述深层特征层中的特征向量进行特征融合，得到融合后的目标特征向量；
[0032]确定模块，用于基于所述目标特征向量，确定手柄定位信息
。
[0033]本申请还提供一种手柄定位检测设备，所述手柄定位检测设备包括：存储器
、
处理器以及存储在存储器上的用于实现所述手柄定位检测方法的程序，
[0034]所述存储器用于存储实现手柄定位检测方法的程序；
[0035]所述处理器用于执行实现所述手柄定位检测方法的程序，以实现所述手柄定位检测方法的步骤
。
[0036]本申请还提供一种存储介质，所述存储介质上存储有实现手柄定位检测方法的程序，所述实现手柄定位检测方法的程序被处理器执行以实现所述手柄定位检测方法的步骤
。
[0037]本申请提供的一种手柄定位检测方法
、
装置
、
设备及存储介质，与相关技术中所使用的大多数都是常规的一些手工设计的特征提取方法，使得传统方法无法很好地用于红外点状目标跟踪，导致该方法在复杂背景下对手柄定位的准确性低相比，在本申请中，获取待定位图像；将所述待定位图像输入至预设的手柄定位模型，基于所述手柄定位模型，采用
VGG
神经网络对所述待定位图像进行卷积，得到浅层特征层和深层特征层；将所述浅层特征
层和所述深层特征层中的特征向量进行特征融合，得到融合后的目标特征向量；基于所述目标特征向量，确定手柄定位信息
。
即在本申请中通过预训练的手柄定位模型，对待定位图像卷积生成的浅层特征层和深层特征层进行特征融合，融合后的目标特征向量中包含丰富的空间信息，以此能够更准确地区分环境光斑和红外灯光斑，提高了手柄定位的准确性
。
附图说明
[0038]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理
。
为了更清楚地说明本申请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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图
。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种手柄定位检测方法，其特征在于，所述手柄定位检测方法包括：获取待定位图像；将所述待定位图像输入至预设的手柄定位模型，基于所述手柄定位模型，采用
VGG
神经网络对所述待定位图像进行卷积，得到浅层特征层和深层特征层；将所述浅层特征层和所述深层特征层中的特征向量进行特征融合，得到融合后的目标特征向量；基于所述目标特征向量，确定手柄定位信息
。2.
如权利要求1所述的手柄定位检测方法，其特征在于，所述将所述浅层特征层和所述深层特征层中的特征向量进行特征融合，得到融合后的目标特征向量的步骤之前，所述方法包括：对所述浅层特征层中的特征向量赋予预设的第一特征权重，对所述深层特征层中的特征向量赋予预设的第二特征权重；其中，所述第一特征权重小于所述第二特征权重
。3.
如权利要求1所述的手柄定位检测方法，其特征在于，所述将所述浅层特征层和所述深层特征层中的特征向量进行特征融合，得到融合后的目标特征向量的步骤，包括：将每一浅层特征层和所述深层特征层中的特征向量进行归一化处理，得到特征维度相同的归一化后的浅层特征层和所述深层特征层；将所述归一化后的浅层特征层和所述深层特征层中的特征向量进行特征融合，得到融合后的目标特征向量
。4.
如权利要求1所述的手柄定位检测方法，其特征在于，所述待定位图像包括未曝光图像和曝光图像的两帧图像
。5.
如权利要求1所述的手柄定位检测方法，其特征在于，所述获取待定位图像的步骤之前，所述方法包括：获取训练样本图像和所述训练样本图像的手柄位置标签；基于所述训练样本图像和所述训练样本图像的手柄位置标签，对预设的待训练模型进行迭代训练，得到满足精度条件的手柄定位模型
。6.
如权利要求5所述的手柄定位检测方法，其特征在于，所述基于所述训练样本图像和所述训练样本图像的手柄位置标签，对所述待训练模型进行迭代训练，得到满足精度条件的手柄定位模型的步骤，包括：将所述训练样本图像输入至预设的待训练模型，得到预测手柄定位信息；...

【专利技术属性】
技术研发人员：胡小波，吴凯，石庆，
申请(专利权)人：深圳市亿境虚拟现实技术有限公司，
类型：发明
国别省市：