System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及增强现实,具体而言,涉及一种物体定位方法、装置、增强实现设备及存储介质。
技术介绍
1、目前,一些头显设备配置有集成式摄像头和分离式摄像头,由于不同摄像头的位置和视角差异,头显设备对同一物体进行拍照时,从不同的摄像头获取到的图像是不同,无法对图像中的物体进行对准,导致用户在定位目标物体时需要花费较多时间调节摄像头的位置,因此,如何能够提高物体定位效率,是目前急需解决的问题。
技术实现思路
1、本申请的一些实施例的目的在于提供一种物体定位方法、装置、增强实现设备及存储介质,通过本申请的实施例的技术方案,通过获取第一采集设备采集的第一图像和第二采集设备采集的第二图像;根据预先训练的物体识别模型,确定所述第一图像的第一图像特征向量和所述第二图像的第二图像特征向量,其中,所述预先训练的物体识别模型是采用样本图像数据对神经网络模型进行训练得到的;对所述第一图像特征向量和所述第二图像特征向量进行匹配,得到特征匹配结果;根据所述特征匹配结果,确定目标物体的视图位置信息;根据所述目标物体的视图位置信息,对所述第一图像和所述第二图像进行目标物体的对齐调整,得到对齐后图像;根据所述对齐后图像,对所述对齐后图像中的目标物体进行定位,本申请实施例获取来自不同源的图像,并采用预先训练的神经网络模型识别不同源的图像的特征向量,并对得到的特征向量进行匹配,根据匹配结果确定目标物体的视图位置信息,进而对采集到的不同源图像进行对齐处理,从而实现目标物体的定位,这样,在用户视图中可以快速获取目标图像,用户不
2、第一方面,本申请的一些实施例提供了一种物体定位方法,包括:
3、获取第一采集设备采集的第一图像和第二采集设备采集的第二图像;
4、根据预先训练的物体识别模型,确定所述第一图像的第一图像特征向量和所述第二图像的第二图像特征向量,其中,所述预先训练的物体识别模型是采用样本图像数据对神经网络模型进行训练得到的;
5、对所述第一图像特征向量和所述第二图像特征向量进行匹配,得到特征匹配结果;
6、根据所述特征匹配结果,确定目标物体的视图位置信息;
7、根据所述目标物体的视图位置信息,对所述第一图像和所述第二图像进行目标物体的对齐调整,得到对齐后图像;
8、根据所述对齐后图像,对所述对齐后图像中的目标物体进行定位。
9、本申请的一些实施例通过获取来自不同源的图像,并采用预先训练的神经网络模型识别不同图像的特征向量,并对得到的特征向量进行匹配,根据匹配结果确定目标物体的视图位置信息,进而对采集到的不同源图像进行对齐处理,从而实现目标物体的定位,这样,在用户视图中可以快速获取目标图像,用户不再需要花费时间进行观察搜索,提高定位效率。
10、在一些实施例,所述物体识别模型通过如下方式获得:
11、获取所述第一采集设备采集的第一样本图像和所述第二采集设备采集的第二样本图像;
12、根据所述第一样本图像和所述第二样本图像,对卷积神经网络模型进行训练,得到训练后的网络模型;
13、计算训练后的网络模型对应的损失函数;
14、在所述损失函数小于预设值的情况下,将与所述损失函数对应的训练后的网络模型确定为所述物体识别模型。
15、本申请的一些实施例通过对神经网络模型进行训练,可以提高目标定位的准确性和鲁棒性。
16、在一些实施例,所述对所述第一图像特征向量和所述第二图像特征向量进行匹配,得到特征匹配结果,包括:
17、基于支持向量机的训练学习算法,对所述第一图像特征向量和所述第二图像特征向量进行匹配,得到特征匹配结果。
18、本申请的一些实施例,使用支持向量机(svm)等算法进行特征匹配和定位估计,得到特征匹配结果,可以提高目标定位的准确性和鲁棒性。
19、在一些实施例,在所述获取第一采集设备采集的第一图像和第二采集设备采集的第二图像之前,所述方法还包括:
20、对所述第一采集设备和所述第二采集设备的位置和朝向进行标定,得到标定结果;
21、根据所述标定结果,对所述第一采集设备和所述第二采集设备的视角和位置进行调整,以使所述第一采集设备和所述第二采集设备的视角相同,并在同一坐标系下进行图像对比和定位处理。
22、本申请的一些实施例,通过预先对不同位置的采集设备的位置进行标定,以使所述第一采集设备和所述第二采集设备的视角相同,并在同一坐标系下进行图像对比和定位处理,提高定位的准确性。
23、第二方面,本申请的一些实施例提供了一种物体定位装置,包括:
24、获取模块,用于获取第一采集设备采集的第一图像和第二采集设备采集的第二图像;
25、识别模块,用于根据预先训练的物体识别模型,确定所述第一图像的第一图像特征向量和所述第二图像的第二图像特征向量,其中,所述预先训练的物体识别模型是采用样本图像数据对神经网络模型进行训练得到的;
26、匹配模块,用于对所述第一图像特征向量和所述第二图像特征向量进行匹配,得到特征匹配结果;
27、确定模块,用于根据所述特征匹配结果,确定目标物体的视图位置信息;
28、调整模块,用于根据所述目标物体的视图位置信息,对所述第一图像和所述第二图像进行目标物体的对齐调整,得到对齐后图像;
29、定位模块,用于根据所述对齐后图像,对所述对齐后图像中的目标物体进行定位。
30、本申请的一些实施例通过获取来自不同源的图像,并采用预先训练的神经网络模型识别不同图像的特征向量,并对得到的特征向量进行匹配,根据匹配结果确定目标物体的视图位置信息,进而对采集到的不同源图像进行对齐处理,从而实现目标物体的定位,这样,在用户视图中可以快速获取目标图像,用户不再需要花费时间进行观察搜索,提高定位效率。
31、在一些实施例,所述装置还包括模型训练模块,所述模型训练模块用于:
32、获取所述第一采集设备采集的第一样本图像和所述第二采集设备采集的第二样本图像;
33、根据所述第一样本图像和所述第二样本图像,对卷积神经网络模型进行训练,得到训练后的网络模型;
34、计算训练后的网络模型对应的损失函数;
35、在所述损失函数小于预设值的情况下,将与所述损失函数对应的训练后的网络模型确定为所述物体识别模型。
36、本申请的一些实施例通过对神经网络模型进行训练,可以提高目标定位的准确性和鲁棒性。
37、在一些实施例,所述匹配模块用于:
38、基于支持向量机的训练学习算法,对所述第一图像特征向量和所述第二图像特征向量进行匹配,得到特征匹配结果。
39、本申请的一些实施例,使用支持向量机(svm)等算法进行特征匹配和定位估计,得到特征匹配结果,可以提高目标定位的准确性和鲁棒性。
<本文档来自技高网...【技术保护点】
1.一种物体定位方法,其特征在于,所述方法包括:
2.根据权利要求1所述的物体定位方法,其特征在于,所述物体识别模型通过如下方式获得:
3.根据权利要求1所述的物体定位方法,其特征在于,所述对所述第一图像特征向量和所述第二图像特征向量进行匹配,得到特征匹配结果,包括:
4.根据权利要求1所述的物体定位方法,其特征在于,在所述获取第一采集设备采集的第一图像和第二采集设备采集的第二图像之前,所述方法还包括:
5.一种物体定位装置,其特征在于,所述装置包括:
6.根据权利要求5所述的物体定位装置,其特征在于,所述装置还包括模型训练模块,所述模型训练模块用于:
7.根据权利要求5所述的物体定位装置,其特征在于,所述匹配模块用于:
8.根据权利要求5所述的物体定位装置,其特征在于,所述装置还包括标定模块,所述标定模块用于:
9.一种增强实现设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述程序时可实现权利要求1-4中任意一项权利
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述程序被处理器执行时可实现权利要求1-4中任意一项权利要求所述的物体定位方法。
...【技术特征摘要】
1.一种物体定位方法,其特征在于,所述方法包括:
2.根据权利要求1所述的物体定位方法,其特征在于,所述物体识别模型通过如下方式获得:
3.根据权利要求1所述的物体定位方法,其特征在于,所述对所述第一图像特征向量和所述第二图像特征向量进行匹配,得到特征匹配结果,包括:
4.根据权利要求1所述的物体定位方法,其特征在于,在所述获取第一采集设备采集的第一图像和第二采集设备采集的第二图像之前,所述方法还包括:
5.一种物体定位装置,其特征在于,所述装置包括:
6.根据权利要求5所述的物体定位装置,其特征在于,所述装置还包括模型训练模块,所述模型...
【专利技术属性】
技术研发人员:张吉松,夏勇峰,
申请(专利权)人:北京蜂巢世纪科技有限公司,
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。