[發明專利]一種非連續區域自適應的三維物體法向量估計方法及裝置

在審

• 申請號: 202310256103.3
• 申請日: 2023-03-16
• 公開（公告）號: CN116468765A
• 公開（公告）日: 2023-07-21
• 發明（設計）人: 范睿;楊靜葳;陳啟軍
• 申請（專利權）人: 同濟大學
• 主分類號: G06T7/50
• 分類號: G06T7/50
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 蔡彭君

本發明涉及一種非連續區域自適應的三維物體法向量估計方法及裝置，其中方法包括以下步驟：基于圖像逆深度信息和梯度濾波器初步計算三維空間物體法向量在x、y方向上的分量；針對目標點的鄰域點，基于集中趨勢濾波器初步估計三維空間物體法向量在z方向上的分量；基于深度信息計算深度曲率，其中，目標點的深度曲率為其各方向上鄰域點對應深度曲率的最大值；將目標點和其鄰域點的深度曲率值進行比較，利用初步獲得的三維空間物體法向量估計值，將目標點的三維空間物體法向量估計值替換為深度曲率值最小的點的三維空間物體法向量估計值。與現有技術相比，本發明具有精度高、對噪聲數據魯棒性強等優點。

技術領域

本發明涉及計算機視覺領域，尤其是涉及一種非連續區域自適應的三維物體法向量估計方法及裝置。

背景技術

非連續區域自適應的端到端法向量估計技術旨在根據深度信息直接估計3D物體的法向量，法向量作為三維物體識別中重要的視覺特征，在語義分割、三維重建、6D物體位姿估計等計算機視覺應用中起到輔助的作用。

現有的法向量估計方法采用的技術及缺陷：

現有的基于幾何的方法：PlaneSVD、PlanePCA、VectorSVD等方法對三維點云信息采用統計分析或優化方法擬合局部平面或曲面。這類方法的計算復雜度高，在實際的應用中部署不適用。AreaWeighted和AngleWeighted方法根據目標點的鄰域三角形進行權重計算，再通過鄰域三角形的法向量估計目標點法向量。這類方法同樣計算量較大，在非連續區域處的鄰域三角形差異較大，會產生較大的估計噪聲，影響法向量估計結果的準確性。

現有的基于機器/深度學習的方法：通常利用數據驅動的分類/回歸模型，例如卷積神經網絡(CNN)、深度卷積神經網絡(DCNN)方法，從RGB或深度圖像中推斷法向量信息。這類方法需要通過大量手工標記的訓練數據找到最佳的CNN參數，同時在這些方法中的法向量估計只是作為計算機視覺任務的輔助功能，并非專門針對于法向量估計的研究。從RGB圖像估計法向量的方法無法明確RGB圖像和法向量信息之間的幾何關系。

發明內容

本發明的目的就是為了提供一種非連續區域自適應的三維物體法向量估計方法及裝置，基于深度信息，利用兩個梯度濾波器以及一個集中趨勢濾波器進行法向量估計，同時利用基于深度曲率最小化的算法優化在不連續區域的法向量，進一步提升法向量的估計精度，從而實現低成本、高精度的三維物體法向量估計。

本發明的目的可以通過以下技術方案來實現：

一種非連續區域自適應的三維物體法向量估計方法，包括以下步驟：

步驟S1：基于圖像逆深度信息和梯度濾波器初步計算三維空間物體法向量在x、y方向上的分量；

步驟S2：針對目標點的鄰域點，基于集中趨勢濾波器初步估計三維空間物體法向量在z方向上的分量；

步驟S3：基于深度信息計算深度曲率，其中，目標點的深度曲率為其各方向上鄰域點對應深度曲率的最大值；

步驟S4：將目標點和其鄰域點的深度曲率值進行比較，利用步驟S1和S2初步獲得的三維空間物體法向量估計值，將目標點的三維空間物體法向量估計值替換為深度曲率值最小的點的三維空間物體法向量估計值。

其中步驟S1、S2為三種濾波器初步估計三維空間物體法向量的過程，S3、S4為利用深度曲率最小值優化三維空間物體法向量的過程。

所述步驟S1中，三維空間物體法向量在x、y方向上的分量的計算方法為：