-
公开(公告)号：CN107103613B
公开(公告)日：2019-11-15
申请号：CN201710192287.6
申请日：2017-03-28
Applicant: 深圳市未来媒体技术研究院 , 清华大学深圳研究生院
Abstract: 本发明公开一种三维手势姿态估计方法，包括：S1、获取多张手势深度图并进行手势前景与背景的分割，以得到多张手势前景图并随机分为训练集和测试集；S2、按照手势模型图构建各手势前景图的实际标签图，实际标签图包含手势前景图中代表人手各参考辨识点的多个坐标点，每个坐标点的值包含对应的参考辨识点的坐标值和深度值；S3、选取训练集中的多张手势前景图对全卷积神经网络进行训练，并对应地输出多个预测标签图；S4、比较实际标签图与预测标签图之间的偏差，同时更新网络参数；S5、以不断降低偏差进行迭代，直至网络参数收敛；S6、输入待估计的手势深度图，输出对应的标签图，即为估计结果。
-
公开(公告)号：CN106303228B
公开(公告)日：2019-09-13
申请号：CN201610632949.2
申请日：2016-08-04
Applicant: 深圳市未来媒体技术研究院 , 清华大学深圳研究生院
Abstract: 本发明公开了一种聚焦型光场相机的渲染方法和系统，该方法包括：S1.输入聚焦型光场相机拍摄的图片，记录每个微透镜和子孔径图的位置信息和中心位置；S2.根据需要重聚焦的平面图像，计算其景深，根据景深确定半径R的大小；S3.在每一个子孔径图的中心位置，取一个半径为R的正六边形区域块；S4.将正六边形区域块，按子孔径图的顺序平铺合并得合并图；S4.对合并图进行处理，得到最终渲染图。该方法利用微透镜阵列的六边形排列特性，通过对微透镜子孔径图取正六边形的区域块，在渲染过程中，无需经过坐标系的变换，能有效减少聚焦型光场相机的渲染方法的计算量。
-
公开(公告)号：CN106296661B
公开(公告)日：2019-06-28
申请号：CN201610613216.4
申请日：2016-07-29
Applicant: 深圳市未来媒体技术研究院 , 清华大学深圳研究生院
CPC classification number: G06T7/00
Abstract: 本发明公开一种适用于光场相机的标定预处理方法，所述方法包括如下步骤：S1：白图像预处理，得到每个微透镜下的子图像；S2：给定一张棋盘格图像，将棋盘格图像与步骤S1预处理后的白图像相与，获得指定微透镜下的子图像；S3：对步骤S2得到的每一个子图像进行角点检测。在白图像处理中，首先利用光晕法确定微透镜的中心点位置，然后通过线性拟合，子图像重心点，周围微透镜中心点等手段优化微透镜的中心点位置。在角点检测中，采用霍夫线检测，然后计算出角点的位置，再通过自定义的一个指标不断迭代优化角点，得到更精确的坐标位置。
-
公开(公告)号：CN105513107B
公开(公告)日：2019-02-22
申请号：CN201510906430.4
申请日：2015-12-09
Applicant: 深圳市未来媒体技术研究院 , 清华大学深圳研究生院
IPC: G06T11/00
Abstract: 本发明涉及一种图像编辑传播方法，包括如下步骤：S1、获取原始图像及用户编辑组成的笔触图像；S2、估计图像的相似矩阵；S3、设置优化问题目标函数，使得图像传播过程中，编辑满足两个条件，一方面传播后编辑对于相似的像素点约束其具有相似的传播结果，另一方面最终得到的编辑需要有合适的梯度数，即零范数梯度项；S4、通过迭代的方法求解所述得到最终编辑结果。本发明的优点在于将零范数梯度最小化与编辑传播结合起来，可以将用户指定的编辑有效自然的传播到整幅图像之中，约束零范数梯度可以使结果更加连续和自然，并且可以更精确的估计初始图像相似度矩阵。该方法的自适应参数调节方法，减轻了用户的负担并提升了最终效果。
-
公开(公告)号：CN105844589B
公开(公告)日：2018-12-21
申请号：CN201610160745.3
申请日：2016-03-21
Applicant: 深圳市未来媒体技术研究院 , 清华大学深圳研究生院
IPC: G06T3/40
Abstract: 本发明涉及一种基于混合成像系统的实现光场图像超分辨的方法，属于光场成像领域。该方法通过引入一张额外的高分辨普通图像解决了手持式光场相机空间分辨率低下的问题。它首先将场景中的点进行分成两类，第一类点对应的像素出现在光场相机所有的视点中，剩下的点归为另一类。对于第一类点，采用改善的块匹配超分辨，第二类点用字典学习超分辨。最后将两种超分辨的结果整合起来，可以得到一张清晰的高分辨图像。
-
Patent Agency Ranking
公开(公告)号：CN108629291A
公开(公告)日：2018-10-09
申请号：CN201810333873.2
申请日：2018-04-13
Applicant: 深圳市未来媒体技术研究院 , 清华大学深圳研究生院
Abstract: 提供一种抗网格效应的人脸深度预测方法，包括步骤：S1：搭建抗网格效应的卷积神经网络，包括多个空洞卷积，每个空洞卷积串联连接的规范化操作和激励操作，以及多个像素反卷积；S2：建立人脸数据集，其包括训练集和测试集，并设置卷积神经网络的训练参数；S3：对卷积神经网络进行权重初始化，将训练集输入卷积神经网络中，以最小化代价函数为目标来训练神经网络形成人脸图像深度预测神经网络模型；S4：将测试集输入人脸图像深度预测神经网络模型，输出能够反映人脸图像深度信息的图像。本发明的人脸深度预测方法，能够解决传统卷积神经网络的网格效应，拥有较大的感受域，能够极大地提升人脸深度预测的准确性，有利于进行人脸的三维重建研究。
-
公开(公告)号：CN107767339A
公开(公告)日：2018-03-06
申请号：CN201710948182.9
申请日：2017-10-12
Applicant: 深圳市未来媒体技术研究院 , 清华大学深圳研究生院
CPC classification number: G06T3/4038 , G06K9/6218 , G06T7/55 , G06T2207/10012 , H04N5/23229 , H04N5/23238
Abstract: 本发明公开了一种双目立体图像拼接方法，包括：S1：采用双目相机采集多组图像，提取特征并筛选得到特征点集合，其中每组图像包括第一方向的相机采集的第一眼图和第二方向的相机采集的第二眼图；S2：根据步骤S1筛选的特征点集合对第一眼图进行变换并拼接，得到变换拼接后的第一眼图；S3：根据采集到的多组图像，计算得到目标视差图；S4：根据变换拼接后的第一眼图和所述目标视差图对第二眼图进行变换并拼接，得到变换拼接后的第二眼图；S5：将步骤S2中变换拼接后的第一眼图和步骤S4中变换拼接后的第二眼图进行合成，得到最终的立体图。本发明提出的双目立体图像拼接方法，不仅可以实现无缝拼接、减少重影，而且不拘泥于相机的摆放位置及角度。
-
公开(公告)号：CN107622257A
公开(公告)日：2018-01-23
申请号：CN201710954487.0
申请日：2017-10-13
Applicant: 深圳市未来媒体技术研究院 , 清华大学深圳研究生院
Abstract: 本发明公开了一种神经网络训练方法及三维手势姿态估计方法，包括：S1：通过深度相机采集包含多个手势深度图的数据集；S2：采用步骤S1的数据集来训练随机森林学习器；S3：采用随机森林学习器对步骤S1的数据集中的多个手势深度图进行分割，分割出手势子图，再对所述手势子图进行处理得到处理图，将所述处理图和步骤S1的数据集中的多个手势深度图进行乱序划分成训练集和测试集；S4：将步骤S3得到的训练集和测试集用于训练卷积神经网络，训练得到网络模型。三维手势姿态估计方法是采用该网络模型对单张深度图片中的三维手势姿态进行估计。本发明能够精确地识别出手势中手掌手指的具体位置与姿态。
-
公开(公告)号：CN106886979A
公开(公告)日：2017-06-23
申请号：CN201710203020.2
申请日：2017-03-30
Applicant: 深圳市未来媒体技术研究院 , 清华大学深圳研究生院
Abstract: 本发明公开了一种图像拼接装置及图像拼接方法，其中图像拼接装置包括彩色相机、深度相机和分光镜，分光镜用于将入射光线分成透射光和反射光，其中彩色相机设置在分光镜的透射光的光路上，深度相机设置在分光镜的反射光的光路上，且分光镜到彩色相机和到深度相机的距离相等；图像拼接方法包括：通过至少两个图像拼接装置分别拍摄不同视角的图像，获取有重叠区域的图像序列；从图像序列中选取相邻的两幅图像，提取特征点并匹配，计算得到全局单应性矩阵；获取相邻的两幅图像的重叠区域的图像层次信息，根据图像层次信息对重叠区域的图像进行投影得到拼接图像。本发明提出的图像拼接装置及图像拼接方法，实现无缝拼接，大大减少重影和视差。
-
公开(公告)号：CN105704371A
公开(公告)日：2016-06-22
申请号：CN201610050596.5
申请日：2016-01-25
Applicant: 深圳市未来媒体技术研究院 , 清华大学深圳研究生院
IPC: H04N5/232
CPC classification number: H04N5/23212
Abstract: 本发明涉及一种光场重聚焦方法，包括如下步骤：初始化，于光场相机拍摄的图像，取出其对应的子孔径图像；记录位置信息，对取出的光场相机的子孔径图，记录其位置信息；第一次超分辨：按顺序取其中一张子孔径图，使用已经训练好的超分辨方法对其进行一次超分辨；然后继续对下一张子孔径图使用同样的方法进行超分辨，直到最后所有的子孔径图像都经过该超分辨方法的处理；超分辨聚焦过程：对于重聚焦变换后的子孔径图，利用其相邻位置的子孔径图的信息，使用超分辨重构方法，通过这一系列子孔径图来获得一张高分辨的重聚焦图。最终得出的光场相机超分辨图的倍数远远大于传统超分辨所能获得的倍数，大大提高了使用传统方法获得光场相机图的分辨率。
-
-
-
-
-
-
-
-
-
Search Results
96
records
(took 0.056 seconds)
