FR3124591A1 - Procédé et dispositif de détermination d’une cartographie d’un environnement tridimensionnel et système de cartographie associé - Google Patents

Procédé et dispositif de détermination d’une cartographie d’un environnement tridimensionnel et système de cartographie associé Download PDF

Info

Publication number
FR3124591A1
FR3124591A1 FR2106820A FR2106820A FR3124591A1 FR 3124591 A1 FR3124591 A1 FR 3124591A1 FR 2106820 A FR2106820 A FR 2106820A FR 2106820 A FR2106820 A FR 2106820A FR 3124591 A1 FR3124591 A1 FR 3124591A1
Authority
FR
France
Prior art keywords
image
characteristic elements
dimensional
group
positions
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
FR2106820A
Other languages
English (en)
Other versions
FR3124591B1 (fr
Inventor
Mathieu GONZALEZ
Eric Marchand
Amine Kacete
Jérôme Royan
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Universite de Rennes 1
Fondation B Com
Original Assignee
Universite de Rennes 1
Fondation B Com
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Universite de Rennes 1, Fondation B Com filed Critical Universite de Rennes 1
Priority to FR2106820A priority Critical patent/FR3124591B1/fr
Priority to PCT/EP2022/067104 priority patent/WO2022268926A1/fr
Priority to US18/573,226 priority patent/US20240282001A1/en
Priority to EP22734001.5A priority patent/EP4359734A1/fr
Publication of FR3124591A1 publication Critical patent/FR3124591A1/fr
Application granted granted Critical
Publication of FR3124591B1 publication Critical patent/FR3124591B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/579—Depth or shape recovery from multiple images from motion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

La présente invention concerne un procédé de de détermination d’une cartographie d’un environnement tridimensionnel, comprenant une pluralité d’objets, sur la base d’au moins une première image et une deuxième image dudit environnement tridimensionnel, ladite première image et ladite deuxième image étant respectivement acquises par un dispositif d’acquisition d’image présentant deux poses différentes, le procédé comprenant des étapes de : - détermination (E4) d’une pluralité d’éléments caractéristiques communs dans la première image et la deuxième image dudit environnement tridimensionnel, - détermination (E6) de groupes d’éléments caractéristiques au moyen d’une analyse d’images de telle sorte que chaque groupe d’éléments caractéristiques corresponde à un objet de l’environnement tridimensionnel, - estimation (E8) d’une position tridimensionnelle des éléments caractéristiques sur la base d’une triangulation entre les positions des éléments caractéristiques dans la première image et les positions des éléments caractéristiques correspondants dans la deuxième image, et - pour chaque groupe d’éléments caractéristiques, optimisation (E12) des positions tridimensionnelles des éléments caractéristiques du groupe concerné par minimisation d’une variable d’erreur fonction, pour l’ensemble des éléments caractéristiques du groupe concerné, d’une distance entre une position détectée desdits éléments caractéristiques issue au moins de la première image et une position bidimensionnelle associée à la position tridimensionnelle estimée correspondante. Un dispositif de détermination d’une cartographie et un système de cartographie sont également décrits. Figure pour l’abrégé : Fig. 4

Description

Procédé et dispositif de détermination d’une cartographie d’un environnement tridimensionnel et système de cartographie associé
Domaine technique de l'invention
La présente invention concerne le domaine technique de la localisation et la cartographie simultanées d’un équipement électronique dans un environnement tridimensionnel.
Elle concerne en particulier un procédé et un dispositif de détermination d’une cartographie d’un environnement tridimensionnel et un système de cartographie associé.
Etat de la technique
Les systèmes SLAM (pour «Simultaneous localization and mapping» selon l’acronyme d’origine anglo-saxonne couramment utilisé) sont connus pour permettre une localisation et une cartographie simultanées d’un mobile équipé d’un dispositif d’acquisition d’image, par exemple une caméra, dans un environnement tridimensionnel.
De manière classique, un tel système se base sur une analyse des images acquises par la caméra. Plus particulièrement, des points de la dernière image acquise sont mis en correspondance avec les points correspondant des images acquises précédemment. Une triangulation est ensuite réalisée afin d’obtenir à la fois une représentation tridimensionnelle de l’environnement concerné et la pose du dispositif d’acquisition d’image dans cet environnement. Une optimisation (également appelée «Bundle adjustement» selon l’expression d’origine anglo-saxonne couramment utilisée) permet d’affiner la position des points formant la représentation tridimensionnelle.
Cependant, cette étape d’optimisation est assez complexe et coûteuse à mettre en œuvre car elle nécessite l’analyse de l’ensemble des points des images acquises.
Présentation de l'invention
Dans ce contexte, la présente invention propose d’améliorer la détermination de la cartographie de l’environnement tridimensionnel, et en particulier d’améliorer l’étape d’optimisation.
Plus particulièrement, on propose, selon l’invention, un procédé de détermination d’une cartographie d’un environnement tridimensionnel, comprenant une pluralité d’objets, sur la base d’au moins une première image et une deuxième image dudit environnement tridimensionnel, ladite première image et ladite deuxième image étant respectivement acquises par un dispositif d’acquisition d’image présentant deux poses différentes, le procédé comprenant des étapes de :
- détermination d’une pluralité d’éléments caractéristiques communs dans la première image et la deuxième image dudit environnement tridimensionnel,
- détermination de groupes d’éléments caractéristiques au moyen d’une analyse d’images de telle sorte que chaque groupe d’éléments caractéristiques corresponde à un objet de l’environnement tridimensionnel,
- estimation d’une position tridimensionnelle des éléments caractéristiques sur la base d’une triangulation entre les positions des éléments caractéristiques dans la première image et les positions des éléments caractéristiques correspondants dans la deuxième image, et
- pour chaque groupe d’éléments caractéristiques, optimisation des positions tridimensionnelles des éléments caractéristiques du groupe concerné par minimisation d’une variable d’erreur fonction, pour l’ensemble des éléments caractéristiques du groupe concerné, d’une distance entre une position détectée desdits éléments caractéristiques issue au moins de la première image et une position bidimensionnelle associée à la position tridimensionnelle estimée correspondante.
Ainsi, de manière avantageuse, les positions tridimensionnelles sont optimisées, dans un premier temps, pour des groupes d’éléments identifiés et non sur l’ensemble des éléments caractéristiques de l’image. Cela permet de simplifier cette optimisation et de réduire le temps de traitement nécessaire. La cartographie de l’environnement tridimensionnel peut donc être obtenue de manière plus rapide.
D’autres caractéristiques non limitatives et avantageuses du procédé conforme à l’invention, prises individuellement ou selon toutes les combinaisons techniquement possibles, sont les suivantes :
- l’étape d’estimation de la position tridimensionnelle des éléments caractéristiques est mise en œuvre pour chaque groupe d’éléments caractéristiques sur la base, pour chaque groupe d’éléments caractéristiques, d’une triangulation entre les positions des éléments caractéristiques du groupe concerné dans la première image et les positions des éléments caractéristiques correspondantes dans la deuxième image ;
- la détermination d’éléments caractéristiques utilise une méthode d’identification de zones distinctives correspondant à des formes présentes dans la première image et dans la deuxième image ;
- l’identification des groupes d’éléments caractéristiques utilise un réseau neuronal recevant en entrée une image de l’environnement tridimensionnel et fournissant en sortie une classe pour chacun des pixels de l’image concernée, ce qui permet d’obtenir une classification desdits pixels ;
- les groupes d’éléments caractéristiques sont obtenus à partir des classes attribuées aux éléments caractéristiques, par exemple en utilisant, pour chaque élément caractéristique, la classe fournie par le réseau neuronal pour le pixel correspondant ;
- il est prévu, après l’étape de détermination des positions tridimensionnelles optimisées, une autre étape d’optimisation, pour tous les éléments caractéristiques identifiés, de la position tridimensionnelle optimisée sur la base d’une minimisation d’une variable d’erreur fonction, pour l’ensemble des éléments caractéristiques identifiés, d’une distance entre la position détectée desdits éléments caractéristiques issue au moins de la première image et une position bidimensionnelle associée à la position tridimensionnelle optimisée correspondante ;
- l’étape d’estimation comprend une sous-étape de détermination d’une pose du dispositif d’acquisition d’image ;
- la position bidimensionnelle (telle qu’utilisée à l’une ou l’autre des étapes d’optimisation) est également associée à la pose du dispositif d’acquisition d’image déterminée ;
- il est prévu une étape de sélection de groupes d’éléments caractéristiques sur la base de la nature des objets associés, l’étape de détermination des positions tridimensionnelles optimisées étant mise en œuvre seulement pour les éléments caractéristiques des groupes sélectionnés ;
- l’étape de détermination des positions tridimensionnelles optimisées comprenant une sous-étape d’identification d’un type d’objet, la variable d’erreur est minimisée en fonction du type d’objet identifié pour le groupe de éléments caractéristiques concerné ; et
- la variable d’erreur est minimisée en fonction d’une caractéristique géométrique associée à l’objet concerné.
Ainsi, si l’objet concerné est plan, cette caractéristique géométrique est prise en compte pour l’optimisation et cela permet également un traitement plus rapide.
La présente invention concerne également un dispositif de détermination d’une cartographie d’un environnement tridimensionnel, comprenant une pluralité d’objets, sur la base d’au moins une première image et une deuxième image dudit environnement tridimensionnel, ladite première image et ladite deuxième image étant respectivement acquises par un dispositif d’acquisition d’image présentant deux poses différentes, ledit dispositif de détermination comprenant :
- un module de détermination d’une pluralité d’éléments caractéristiques communs dans la première image et la deuxième image dudit environnement tridimensionnel,
- un module détermination de groupes d’éléments caractéristiques au moyen d’une analyse d’images de telle sorte que chaque groupe d’éléments caractéristiques corresponde à un objet de l’environnement tridimensionnel,
- un module d’estimation d’une position tridimensionnelle des éléments caractéristiques sur la base d’une triangulation entre les positions des éléments caractéristiques du groupe concerné dans la première image et les positions des éléments caractéristiques correspondants dans la deuxième image, et
- un module d’optimisation, pour chaque groupe d’éléments caractéristiques, des positions tridimensionnelles des éléments caractéristiques du groupe concerné par minimisation d’une variable d’erreur fonction, pour l’ensemble des éléments caractéristiques du groupe concerné, d’une distance entre une position détectée desdits éléments caractéristiques issue au moins de la première image et une position bidimensionnelle associée à la position tridimensionnelle estimée correspondante.
La présente invention concerne encore un système de cartographie d’un environnement tridimensionnel comprenant un dispositif de détermination d’une cartographie d’un environnement tridimensionnel tel qu’introduit précédemment et un dispositif d’acquisition d’image.
Bien entendu, les différentes caractéristiques, variantes et formes de réalisation de l'invention peuvent être associées les unes avec les autres selon diverses combinaisons dans la mesure où elles ne sont pas incompatibles ou exclusives les unes des autres.

Claims (12)

  1. Procédé de détermination d’une cartographie d’un environnement tridimensionnel, comprenant une pluralité d’objets (20, 22, 24, 25, 27, 28, 29, 30), sur la base d’au moins une première image et une deuxième image dudit environnement tridimensionnel, ladite première image et ladite deuxième image étant respectivement acquises par un dispositif d’acquisition d’image (5) présentant deux poses différentes, le procédé comprenant des étapes de :
    - détermination (E4 ; E34) d’une pluralité d’éléments caractéristiques communs dans la première image et la deuxième image dudit environnement tridimensionnel,
    - détermination (E6 ; E38) de groupes d’éléments caractéristiques au moyen d’une analyse d’images de telle sorte que chaque groupe d’éléments caractéristiques corresponde à un objet (20, 22, 24, 25, 27, 28, 29, 30) de l’environnement tridimensionnel,
    - estimation (E8 ; E36) d’une position tridimensionnelle des éléments caractéristiques sur la base d’une triangulation entre les positions des éléments caractéristiques dans la première image et les positions des éléments caractéristiques correspondants dans la deuxième image, et
    - pour chaque groupe d’éléments caractéristiques, optimisation (E12 ; E42) des positions tridimensionnelles des éléments caractéristiques du groupe concerné par minimisation d’une variable d’erreur fonction, pour l’ensemble des éléments caractéristiques du groupe concerné, d’une distance entre une position détectée desdits éléments caractéristiques issue au moins de la première image et une position bidimensionnelle associée à la position tridimensionnelle estimée correspondante.
  2. Procédé selon la revendication 1, dans lequel l’étape d’estimation (E8) de la position tridimensionnelle des éléments caractéristiques est mise en œuvre pour chaque groupe d’éléments caractéristiques sur la base, pour chaque groupe d’éléments caractéristiques, d’une triangulation entre les positions des éléments caractéristiques du groupe concerné dans la première image et les positions des éléments caractéristiques correspondantes dans la deuxième image.
  3. Procédé selon la revendication 1 ou 2, dans lequel la détermination d’éléments caractéristiques utilise une méthode d’identification de zones distinctives correspondant à des formes présentes dans la première image et dans la deuxième image.
  4. Procédé selon l’une quelconque des revendications 1 à 3, dans lequel l’identification des groupes d’éléments caractéristiques utilise un réseau neuronal (NN) recevant en entrée une image de l’environnement tridimensionnel et fournissant en sortie une classe pour chacun des pixels de l’image concernée.
  5. Procédé selon la revendication 4, dans lequel les groupes d’éléments caractéristiques sont obtenus à partir des classes attribuées aux éléments caractéristiques.
  6. Procédé selon l’une quelconque des revendications 1 à 5, comprenant, après l’étape de détermination des positions tridimensionnelles optimisées, une autre étape d’optimisation (E14 ; E44), pour tous les éléments caractéristiques identifiés, de la position tridimensionnelle optimisée sur la base d’une minimisation d’une variable d’erreur fonction, pour l’ensemble des éléments caractéristiques identifiés, d’une distance entre la position détectée desdits éléments caractéristiques issue au moins de la première image et une position bidimensionnelle associée à la position tridimensionnelle optimisée correspondante.
  7. Procédé selon l’une quelconque des revendications 1 à 6, dans lequel l’étape d’estimation (E8 ; E36) comprend une sous-étape de détermination d’une pose du dispositif d’acquisition d’image.
  8. Procédé selon l’une quelconque des revendications 1 à 7, comprenant une étape de sélection de groupes d’éléments caractéristiques sur la base de la nature des objets (20, 22, 24, 25, 27, 28, 29, 30) associés, l’étape de détermination des positions tridimensionnelles optimisées étant mise en œuvre seulement pour les éléments caractéristiques des groupes sélectionnés.
  9. Procédé selon l’une quelconque des revendications 1 à 8, dans lequel, l’étape de détermination des positions tridimensionnelles optimisées comprenant une sous-étape d’identification d’un type d’objet, la variable d’erreur est minimisée en fonction du type d’objet identifié pour le groupe de éléments caractéristiques concerné.
  10. Procédé selon la revendication 9, dans lequel la variable d’erreur est minimisée en fonction d’une caractéristique géométrique associée à l’objet (20, 22, 24, 25, 27, 28, 29, 30) concerné.
  11. Dispositif de détermination d’une cartographie (10) d’un environnement tridimensionnel, comprenant une pluralité d’objets (20, 22, 24, 25, 27, 28, 29, 30), sur la base d’au moins une première image et une deuxième image dudit environnement tridimensionnel, ladite première image et ladite deuxième image étant respectivement acquises par un dispositif d’acquisition d’image (5) présentant deux poses différentes, ledit dispositif de détermination comprenant :
    - un module de détermination d’une pluralité d’éléments caractéristiques communs dans la première image et la deuxième image dudit environnement tridimensionnel,
    - un module détermination de groupes d’éléments caractéristiques au moyen d’une analyse d’images de telle sorte que chaque groupe d’éléments caractéristiques corresponde à un objet de l’environnement tridimensionnel,
    - un module d’estimation d’une position tridimensionnelle des éléments caractéristiques sur la base d’une triangulation entre les positions des éléments caractéristiques du groupe concerné dans la première image et les positions des éléments caractéristiques correspondants dans la deuxième image, et
    - un module d’optimisation, pour chaque groupe d’éléments caractéristiques, des positions tridimensionnelles des éléments caractéristiques du groupe concerné par minimisation d’une variable d’erreur fonction, pour l’ensemble des éléments caractéristiques du groupe concerné, d’une distance entre une position détectée desdits éléments caractéristiques issue au moins de la première image et une position bidimensionnelle associée à la position tridimensionnelle estimée correspondante.
  12. Système de cartographie (1) d’un environnement tridimensionnel comprenant un dispositif de détermination d’une cartographie (10) d’un environnement tridimensionnel selon la revendication 11 et un dispositif d’acquisition d’image (5).
FR2106820A 2021-06-25 2021-06-25 Procédé et dispositif de détermination d’une cartographie d’un environnement tridimensionnel et système de cartographie associé Active FR3124591B1 (fr)

Priority Applications (4)

Application Number Priority Date Filing Date Title
FR2106820A FR3124591B1 (fr) 2021-06-25 2021-06-25 Procédé et dispositif de détermination d’une cartographie d’un environnement tridimensionnel et système de cartographie associé
PCT/EP2022/067104 WO2022268926A1 (fr) 2021-06-25 2022-06-23 Procédé et dispositif de détermination d'une cartographie d'un environnement tridimensionnel et système de cartographie associé
US18/573,226 US20240282001A1 (en) 2021-06-25 2022-06-23 Method and device for determining a map of a three-dimensional environment and associated mapping system
EP22734001.5A EP4359734A1 (fr) 2021-06-25 2022-06-23 Procédé et dispositif de détermination d'une cartographie d'un environnement tridimensionnel et système de cartographie associé

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2106820 2021-06-25
FR2106820A FR3124591B1 (fr) 2021-06-25 2021-06-25 Procédé et dispositif de détermination d’une cartographie d’un environnement tridimensionnel et système de cartographie associé

Publications (2)

Publication Number Publication Date
FR3124591A1 true FR3124591A1 (fr) 2022-12-30
FR3124591B1 FR3124591B1 (fr) 2023-08-04

Family

ID=77999066

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2106820A Active FR3124591B1 (fr) 2021-06-25 2021-06-25 Procédé et dispositif de détermination d’une cartographie d’un environnement tridimensionnel et système de cartographie associé

Country Status (4)

Country Link
US (1) US20240282001A1 (fr)
EP (1) EP4359734A1 (fr)
FR (1) FR3124591B1 (fr)
WO (1) WO2022268926A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12394082B2 (en) * 2022-08-16 2025-08-19 Verizon Patent And Licensing Inc. Methods and systems for resolving 3D positions of multiple objects present within a 3D space

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020007483A1 (fr) * 2018-07-06 2020-01-09 Nokia Technologies Oy Procédé, appareil et programme informatique pour réaliser une construction de modèle radio tridimensionnel

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10948297B2 (en) * 2018-07-09 2021-03-16 Samsung Electronics Co., Ltd. Simultaneous location and mapping (SLAM) using dual event cameras
KR102379295B1 (ko) * 2019-01-30 2022-03-25 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 자율 주행 차량을 위한 rgb 포인트 클라우드 기반의 맵 생성 시스템
US11361470B2 (en) * 2019-05-09 2022-06-14 Sri International Semantically-aware image-based visual localization

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020007483A1 (fr) * 2018-07-06 2020-01-09 Nokia Technologies Oy Procédé, appareil et programme informatique pour réaliser une construction de modèle radio tridimensionnel

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
E. RUBLEEV. RABAUDK. KONOLIGEG. BRADSKI: "ORB : an efficient alternative to SIFT or SURF", 2011 INTERNATIONAL CONFÉRENCE ON COMPUTER VISION, 2011, pages 2564 - 2571

Also Published As

Publication number Publication date
EP4359734A1 (fr) 2024-05-01
WO2022268926A1 (fr) 2022-12-29
US20240282001A1 (en) 2024-08-22
FR3124591B1 (fr) 2023-08-04

Similar Documents

Publication Publication Date Title
US9797716B2 (en) Estimating surface properties using a plenoptic camera
US6552742B1 (en) Positional deviation adjusting apparatus of stereo image
JP7292979B2 (ja) 画像処理装置及び画像処理方法
US20110228052A1 (en) Three-dimensional measurement apparatus and method
US8406511B2 (en) Apparatus for evaluating images from a multi camera system, multi camera system and process for evaluating
US20220101021A1 (en) Image colorization for vehicular camera images
KR102853922B1 (ko) 화질 튜닝을 수행하는 이미지 처리 시스템 및 화질 튜닝 방법
US11523046B2 (en) System and method to correct for variation of in-focus plane across a field of view of a microscope objective
CN110740314A (zh) 彩色线阵相机坏点校正方法及系统
WO2022268926A1 (fr) Procédé et dispositif de détermination d'une cartographie d'un environnement tridimensionnel et système de cartographie associé
CN114689604B (zh) 具有光滑表面的待测物于光学检测上的影像处理方法及其检测系统
FR3110994B1 (fr) Procédé de reconstruction d’une image, notamment d’une image exacte en couleur, programme d’ordinateur, dispositif et système associés
KR102014171B1 (ko) 유기발광소자의 혼색 불량 검출장치 및 검출방법
CN115185113B (zh) 一种显示面板的测试方法及系统
KR102655139B1 (ko) 이미지 분할 검사에 따른 카메라 모듈의 불량에 관한 특징 구분 방법 및 시스템
JP2020193856A (ja) 画像処理方法、画像処理装置、撮像システム、および、プログラム
Zhan et al. Aerial image color balancing based on rank-deficient free network
CN112866551A (zh) 对焦方法和装置、电子设备、计算机可读存储介质
FR3125150A1 (fr) Procédé d’étiquetage d’une image 3D
FR3146225A1 (fr) Procédé de traitement d’une image infrarouge par fusion de plusieurs traitements colorimétriques de l’image infrarouge
FR3162894A1 (fr) Procédé et dispositif de détermination d’une profondeur par un système de vision monoscopique appris par supervision d’un système de vision stéréoscopique
FR3160493A1 (fr) Procédé et dispositif d’apprentissage d’un modèle de prédiction de profondeur associé à un système de vision stéréoscopique et insensible à l’occlusion.
FR3160032A1 (fr) Procédé et dispositif de détermination d’une profondeur d’un pixel d’une image par un modèle de prédiction de profondeur associé à un système de vision embarqué dans un véhicule
FR3163194A1 (fr) Procédé et dispositif d’apprentissage d’un modèle de prédiction de profondeur à partir de cartes de caractéristiques de différentes résolutions
FR3158381A1 (fr) Procédé et dispositif de détermination d’une profondeur d’un pixel d’une image par un réseau de neurones associé à un système de vision embarqué dans un véhicule

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20221230

AU Other action affecting the ownership or exploitation of an industrial property right

Effective date: 20230301

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5