[发明专利]一种跨尺度自适应映射的光场成像方法在审

专利信息
申请号: 202110019681.6 申请日: 2021-01-07
公开(公告)号: CN112884805A 公开(公告)日: 2021-06-01
发明(设计)人: 方璐;季梦奇;徐智昊;袁肖赟;戴琼海 申请(专利权)人: 清华大学
主分类号: G06T7/246 分类号: G06T7/246
代理公司: 北京品源专利代理有限公司 11332 代理人: 孟金喆
地址: 10008*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 尺度 自适应 映射 成像 方法
【权利要求书】:

1.一种跨尺度自适应映射的光场成像方法,其特征在于,包括:

获取光场相机采集的光场图像和事件相机采集的灰度图,并根据所述光场图像和灰度图确定包含至少一个动态对象的当前区域分布图像和各所述动态对象对应的运动速度;

根据所述光场图像、当前区域分布图像和各所述动态对象对应的运动速度确定运动显著性指标;

根据所述运动显著性指标对各所述动态对象进行筛选,得到目标运动对象;

根据所述目标运动对象确定目标图像。

2.根据权利要求1所述的方法,其特征在于,在所述获取光场相机采集的光场图像和事件相机采集的灰度图之前,还包括:

接收所述事件相机发送的触发事件并将所述触发事件的触发次数累计加1;

当监测到所述触发次数大于预设事件阈值时,控制所述光场相机采集光场图像;

根据各所述触发事件的事件信息确定灰度图。

3.根据权利要求1所述的方法,其特征在于,所述根据所述光场图像和灰度图确定包含至少一个动态对象的当前区域分布图像和各所述动态对象对应的运动速度,包括:

基于所述光场图像结合预设算法确定泛焦图;

将所述泛焦图和灰度图结合预确定的神经网络模型确定包含至少一个动态对象的当前区域分布图像和各所述动态对象对应的运动速度。

4.根据权利要求1所述的方法,其特征在于,所述根据所述光场图像、当前区域分布图像和各所述动态对象对应的运动速度确定运动显著性指标,包括:

根据所述光场图像、当前区域分布图像和各所述动态对象对应的运动速度确定至少一个运动参数矩阵;

将各所述运动参数矩阵与对应权重乘积的和确定为运动显著性指标。

5.根据权利要求4所述的方法,其特征在于,所述运动参数矩阵为速度分布矩阵时,相应的,确定所述速度分布矩阵,包括:

根据所述当前区域分布图像确定各所述动态对象所在的区域像素点集合,所述区域像素点集合包括至少一个区域像素点;

将各所述动态对象的运动速度确定为所对应区域像素点集合中各区域像素点的目标速度,并根据全部区域像素点的位置和对应的目标速度形成速度分布矩阵。

6.根据权利要求5所述的方法,其特征在于,所述运动参数矩阵为深度分布矩阵时,相应的,确定所述深度分布矩阵,包括:

根据所述光场图像结合预设算法确定深度图;

根据所述深度图确定各所述区域像素点集合中各区域像素点的深度,将各所述深度的平均值确定为所对应动态对象的对象深度;

根据全部区域像素点的位置和对应的对象深度形成深度分布矩阵。

7.根据权利要求6所述的方法,其特征在于,所述运动参数矩阵为尺寸分布矩阵时,相应的,确定所述尺寸分布矩阵,包括:

确定各所述动态对象在所述光场相机的像感器上对应的横向像素个数;

根据光场相机参数、各所述动态对象对应的对象深度和横向像素个数结合预确定公式确定各所述动态对象的实际尺寸;

根据全部区域像素点的位置和对应的所述实际尺寸形成尺寸分布矩阵。

8.根据权利要求4所述的方法,其特征在于,所述运动参数矩阵为新增对象矩阵时,相应的,确定所述新增对象矩阵,包括:

根据所述当前区域分布图像和上一区域分布图像确定新增对象图像;

根据所述新增对象图像中各像素点的位置和像素值确定新增对象矩阵。

9.根据权利要求1所述的方法,其特征在于,所述运动显著性指标包括至少一个指标数据,相应的,所述根据所述运动显著性指标对各所述动态对象进行筛选,得到目标运动对象,包括:

将大于预设输出阈值的各指标数据所对应动态对象确定为目标运动对象。

10.一种跨尺度自适应映射的光场成像装置,其特征在于,包括:

获取模块,用于获取光场相机采集的光场图像和事件相机采集的灰度图,并根据所述光场图像和灰度图确定包含至少一个动态对象的当前区域分布图像和各所述动态对象对应的运动速度;

指标确定模块,用于根据所述光场图像、当前区域分布图像和各所述动态对象对应的运动速度确定运动显著性指标;

对象筛选模块,用于根据所述运动显著性指标对各所述动态对象进行筛选,得到目标运动对象;

图像确定模块,用于根据所述目标运动对象确定目标图像。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于清华大学,未经清华大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110019681.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top