-
公开(公告)号：CN109584347B
公开(公告)日：2023-02-21
申请号：CN201811549586.1
申请日：2018-12-18
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于主动表观模型的增强现实虚实遮挡处理方法，其借助了基于主动表观模型的非刚体跟踪技术和基于深度计算的虚实遮挡处理技术，具体包括：步骤1、将训练样本集Ω中的形状样本对齐的步骤，步骤2：平均形状模型的构建步骤：步骤3：纹理模型的构建步骤：步骤4：主动表观模型的构建步骤：在完成了形状模型和纹理模型构建后，任意新的非刚性物体输入图像都可以用形状模型参数bs和纹理模型参数bg来表示，将形状和纹理模型联合起来建立主动表观模型；步骤5：模型匹配与非刚性物体分割步骤：本发明能取得良好的遮挡处理效果，避免了“阴影”的出现。
-
公开(公告)号：CN110689573A
公开(公告)日：2020-01-14
申请号：CN201910841769.9
申请日：2019-09-06
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于边缘模型的增强现实无标识跟踪注册方法及装置，涉及领域在增强现实无标识中跟踪注册的实时性和鲁棒性问题。目前针对三维物体表面缺少足够的纹理特征，因特征点少而引起的位姿抖动或扰动，并且算法搜索空间太大的缺陷。针对这些问题，该方法是采用保持旋转和尺度不变形的线性并行多模态LINE-MOD模板匹配方法快速识别目标物体、获取与当前视角接近的参考视图而完成相机位姿的估计，并将该位姿作为基于边缘模型跟踪注册方法的初始化位姿，从而避免人工手动给定初始化位姿。因此，本发明能够进行快速跟踪注册，具有良好的实时性和鲁棒性。
-
公开(公告)号：CN109636854A
公开(公告)日：2019-04-16
申请号：CN201811549589.5
申请日：2018-12-18
Applicant: 重庆邮电大学
CPC classification number: G06T7/74 , G06T7/248 , G06T15/10 , G06T19/006 , G06T2207/10016 , G06T2207/20081 , G06T2207/30164
Abstract: 本发明请求保护一种基于LINE‑MOD模板匹配的增强现实三维跟踪注册方法，引入深度信息，使LINE‑MOD模板匹配方法能完成任意尺度下的物体识别与匹配。以改进的LINE‑MOD模板匹配为基础，通过当前视角图像和离线不同视角参考视图的匹配，获取与当前视角最接近的关键帧及关键帧对应位姿。通过参考视图之间的拓扑关系，利用插值的方法对零部件位姿进行精确估计。本方法优于Hinterstoisser在ACCV上提出的无纹理目标物体跟踪与位姿估计精度，且算法实时性好，可较好地满足AR系统跟踪注册的需求。
-
Patent Agency Ranking
公开(公告)号：CN109584347A
公开(公告)日：2019-04-05
申请号：CN201811549586.1
申请日：2018-12-18
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于主动表观模型的增强现实虚实遮挡处理方法，其借助了基于主动表观模型的非刚体跟踪技术和基于深度计算的虚实遮挡处理技术，具体包括：步骤1、将训练样本集Ω中的形状样本对齐的步骤，步骤2：平均形状模型的构建步骤：步骤3：纹理模型的构建步骤：步骤4：主动表观模型的构建步骤：在完成了形状模型和纹理模型构建后，任意新的非刚性物体输入图像都可以用形状模型参数bs和纹理模型参数bg来表示，将形状和纹理模型联合起来建立主动表观模型；步骤5：模型匹配与非刚性物体分割步骤：本发明能取得良好的遮挡处理效果，避免了“阴影”的出现。
-
公开(公告)号：CN112365577B
公开(公告)日：2022-08-23
申请号：CN202011251397.3
申请日：2020-11-09
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于卷积神经网络的机械零件增强现实跟踪注册方法，具体包括如下步骤：U1、采用深度相机进行机械零件的三维建模，采集真实环境下的机械零件不同角度的位姿作为真实环境下的数据集。U2、对已建立的真实环境下的机械零件位姿数据集进行补充，将建模产生的3D模型导入Blender引擎建立物理和行为模型，生成三维场景，将模型与不同的场景图片进行融合，从而产生虚拟环境下我们深度学习需要机械零件6D位姿的数据。U3、对于卷积神经网络的训练，采用过往训练过的机械零件数据进行迁移学习；U4、结合深度可分离卷积的方式对深度学习网络框架轻量化来，对原本的卷积层进行改进，将训练参数减少四分之一以上。
-
公开(公告)号：CN110689573B
公开(公告)日：2022-07-01
申请号：CN201910841769.9
申请日：2019-09-06
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于边缘模型的增强现实无标识跟踪注册方法及装置，涉及领域在增强现实无标识中跟踪注册的实时性和鲁棒性问题。目前针对三维物体表面缺少足够的纹理特征，因特征点少而引起的位姿抖动或扰动，并且算法搜索空间太大的缺陷。针对这些问题，该方法是采用保持旋转和尺度不变形的线性并行多模态LINE‑MOD模板匹配方法快速识别目标物体、获取与当前视角接近的参考视图而完成相机位姿的估计，并将该位姿作为基于边缘模型跟踪注册方法的初始化位姿，从而避免人工手动给定初始化位姿。因此，本发明能够进行快速跟踪注册，具有良好的实时性和鲁棒性。
-
公开(公告)号：CN112365577A
公开(公告)日：2021-02-12
申请号：CN202011251397.3
申请日：2020-11-09
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于卷积神经网络的机械零件增强现实跟踪注册方法，具体包括如下步骤：U1、采用深度相机进行机械零件的三维建模，采集真实环境下的机械零件不同角度的位姿作为真实环境下的数据集。U2、对已建立的真实环境下的机械零件位姿数据集进行补充，将建模产生的3D模型导入Blender引擎建立物理和行为模型，生成三维场景，将模型与不同的场景图片进行融合，从而产生虚拟环境下我们深度学习需要机械零件6D位姿的数据。U3、对于卷积神经网络的训练，采用过往训练过的机械零件数据进行迁移学习；U4、结合深度可分离卷积的方式对深度学习网络框架轻量化来，对原本的卷积层进行改进，将训练参数减少四分之一以上。
-
公开(公告)号：CN110647925A
公开(公告)日：2020-01-03
申请号：CN201910842182.X
申请日：2019-09-06
Applicant: 重庆邮电大学
IPC: G06K9/62
Abstract: 本发明请求保护一种基于改进的LINE-MOD模板匹配的刚性物体识别方法及装置，涉及领域主要对少纹理或者无纹理物体识别方面的问题。目前基于特征描述子的方法对目标物体进行特征描述符计算时容易受到复杂背景的影响，基于深度学习的方法存在结构和训练过程复杂等缺点。针对这些问题，该方法是解决少纹理刚性物体识别的有效方法，并具有很好地实时性，同时LINE-MOD模版匹配方法是近年来最先进的模板匹配方法之一。但是该方法的主要缺点是只能在固定尺度对少纹理刚性物体进行识别，如何提高算法多尺度识别，仍有待研究。因此，本发明提出了基于改进的LINE-MOD模板匹配的刚性物体识别方法及装置，从而使得该方法在不同尺度下都能完成对目标物体进行识别。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.093 seconds)
