JPH07234935A - 物体の３次元運動推定方法 - Google Patents
物体の３次元運動推定方法Info
- Publication number
- JPH07234935A JPH07234935A JP6023996A JP2399694A JPH07234935A JP H07234935 A JPH07234935 A JP H07234935A JP 6023996 A JP6023996 A JP 6023996A JP 2399694 A JP2399694 A JP 2399694A JP H07234935 A JPH07234935 A JP H07234935A
- Authority
- JP
- Japan
- Prior art keywords
- motion
- optical flow
- equation
- image
- objects
- 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.)
- Pending
Links
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】 画像中に複数の運動する物体が存在する場合
でもそれぞれの物体について３次元運動を推定すること
ができる。 【構成】 ステップＳ１はカメラから複数の時系列画像
を取り込む工程で、この工程で取り込んだ時系列画像は
ステップＳ２のオプティカルフロー算出工程に入力され
る。ステップＳ２に入力された時系列画像は画像中に複
数の動きの異なる物体が存在する場合、それぞれの物体
の動きを推定するために、ステップＳ３のオプティカル
フローのセグメンテーション工程に入力される。このス
テップＳ３の工程は動きベクトルがどの物体の運動によ
って生じたのかにより分けるために必要である。ステッ
プＳ３の工程で動きベクトルを分けることができれば、
その後は、各々のセグメントに基づいて画像中に１つの
物体しかない時と同様にして各物体の運動をステップＳ
４の工程で推定する。
でもそれぞれの物体について３次元運動を推定すること
ができる。 【構成】 ステップＳ１はカメラから複数の時系列画像
を取り込む工程で、この工程で取り込んだ時系列画像は
ステップＳ２のオプティカルフロー算出工程に入力され
る。ステップＳ２に入力された時系列画像は画像中に複
数の動きの異なる物体が存在する場合、それぞれの物体
の動きを推定するために、ステップＳ３のオプティカル
フローのセグメンテーション工程に入力される。このス
テップＳ３の工程は動きベクトルがどの物体の運動によ
って生じたのかにより分けるために必要である。ステッ
プＳ３の工程で動きベクトルを分けることができれば、
その後は、各々のセグメントに基づいて画像中に１つの
物体しかない時と同様にして各物体の運動をステップＳ
４の工程で推定する。
Description
【０００１】
【産業上の利用分野】この発明は単眼カメラで撮影した
時系列画像（動画像）から３次元の運動を推定する方法
に関する。
時系列画像（動画像）から３次元の運動を推定する方法
に関する。
【０００２】
【従来の技術】物体の３次元運動とは、３次元空間にお
ける物体の回転と平行移動の組み合わせによって生じる
動きのことであり、物体の３次元運動の推定とは、物体
の回転量と移動量を検出することである。この物体の３
次元運動を推定する方法として特開平２−３８８０４号
公報と特開平５−１２０４２８号公報がある。前者の公
報のものは事前に作成された３次元対象物の各特徴点の
位置関係を示すモデルデータを移動・回転させながら、
各位置・各回転角で観測される各特徴点の２次元座標値
を求め、この２次元座標値と、単眼カメラで観測された
対象物の各特徴点の２次元座標値とを最小二乗法によっ
て比較するようにしている。この比較は両者の差が最終
的に収束したときのモデルデータの位置・回転量が求め
る対象物体の計測値として出力される。
ける物体の回転と平行移動の組み合わせによって生じる
動きのことであり、物体の３次元運動の推定とは、物体
の回転量と移動量を検出することである。この物体の３
次元運動を推定する方法として特開平２−３８８０４号
公報と特開平５−１２０４２８号公報がある。前者の公
報のものは事前に作成された３次元対象物の各特徴点の
位置関係を示すモデルデータを移動・回転させながら、
各位置・各回転角で観測される各特徴点の２次元座標値
を求め、この２次元座標値と、単眼カメラで観測された
対象物の各特徴点の２次元座標値とを最小二乗法によっ
て比較するようにしている。この比較は両者の差が最終
的に収束したときのモデルデータの位置・回転量が求め
る対象物体の計測値として出力される。
【０００３】後者の公報のものは画像入力手段により得
られた動画像に空間フィルタ処理により２種類のフィル
タ処理を施し、得られた各出力に微分処理手段で時間微
分及び空間微分を施し、得られた各出力を用いて速度算
出手段で各出力に含まれる座標Ｚ成分を消去し、物体の
３次元運動パラメータとして並進速度及び回転速度を算
出するようにしたものである。
られた動画像に空間フィルタ処理により２種類のフィル
タ処理を施し、得られた各出力に微分処理手段で時間微
分及び空間微分を施し、得られた各出力を用いて速度算
出手段で各出力に含まれる座標Ｚ成分を消去し、物体の
３次元運動パラメータとして並進速度及び回転速度を算
出するようにしたものである。
【０００４】
【発明が解決しようとする課題】上述した従来の３次元
運動の推定方法として掲げた公報では、画像中に運動す
る物体が１つしかない場合には適用可能であるが、画像
中に複数の運動する物体が存在する場合には３次元運動
の推定ができなかった。
運動の推定方法として掲げた公報では、画像中に運動す
る物体が１つしかない場合には適用可能であるが、画像
中に複数の運動する物体が存在する場合には３次元運動
の推定ができなかった。
【０００５】この発明は上記の事情に鑑みてなされたも
ので、画像中に複数の運動する物体が存在する場合でも
それぞれの物体について３次元運動を推定することがで
きる物体の３次元運動推定方法を提供することを目的と
する。
ので、画像中に複数の運動する物体が存在する場合でも
それぞれの物体について３次元運動を推定することがで
きる物体の３次元運動推定方法を提供することを目的と
する。
【０００６】
【課題を解決するための手段および作用】この発明は、
上記の目的を達成するために、第１発明は画像入力装置
から時系列画像を取り込んだ後、オプティカルフローを
算出し、その後、算出されたオプティカルフローのセグ
メンテーションを行って各物体の運動を推定することを
特徴とするものである。
上記の目的を達成するために、第１発明は画像入力装置
から時系列画像を取り込んだ後、オプティカルフローを
算出し、その後、算出されたオプティカルフローのセグ
メンテーションを行って各物体の運動を推定することを
特徴とするものである。
【０００７】第２発明はオプティカルフローのセグメン
テーションをジェネティックアルゴリズムを用いて処理
することを特徴とするものである。
テーションをジェネティックアルゴリズムを用いて処理
することを特徴とするものである。
【０００８】第３発明はジェネティックアルゴリズを用
いてオプティカルフローを選択することを特徴とするも
のである。
いてオプティカルフローを選択することを特徴とするも
のである。
【０００９】
【実施例】以下この発明の一実施例を図面に基づいて説
明する。図１はこの発明の一実施例を示すフローチャー
トで、ステップＳ１は画像入力装置であるカメラから複
数の時系列画像を取り込む工程で、この工程で取り込ん
だ時系列画像はステップＳ２のオプティカルフロー算出
工程に入力される。ここで、オプティカルフローとは、
動きベクトル場、すなわち動きベクトルの集合のことで
ある。ステップＳ２のオプティカルフロー算出工程に入
力された時系列画像は画像中に複数の動きの異なる物体
が存在する場合、それぞれの物体の動きを推定するため
に、ステップＳ３のオプティカルフローのセグメンテー
ション工程に入力される。このステップＳ３の工程は動
きベクトルがどの物体の運動によって生じたのかにより
分けるために必要である。すなわち、オプティカルフロ
ーのセグメンテーションとは、動きベクトルを分けるこ
とを言う。
明する。図１はこの発明の一実施例を示すフローチャー
トで、ステップＳ１は画像入力装置であるカメラから複
数の時系列画像を取り込む工程で、この工程で取り込ん
だ時系列画像はステップＳ２のオプティカルフロー算出
工程に入力される。ここで、オプティカルフローとは、
動きベクトル場、すなわち動きベクトルの集合のことで
ある。ステップＳ２のオプティカルフロー算出工程に入
力された時系列画像は画像中に複数の動きの異なる物体
が存在する場合、それぞれの物体の動きを推定するため
に、ステップＳ３のオプティカルフローのセグメンテー
ション工程に入力される。このステップＳ３の工程は動
きベクトルがどの物体の運動によって生じたのかにより
分けるために必要である。すなわち、オプティカルフロ
ーのセグメンテーションとは、動きベクトルを分けるこ
とを言う。
【００１０】ステップＳ３の工程で動きベクトルを分け
ることができれば、その後は、各々のセグメントに基づ
いて画像中に１つの物体しかない時と同様にして各物体
の運動をステップＳ４の工程で推定する。この実施例で
は、後述のようにパラメータｂijを固定して、残りのθ
j，φjをＧＡ（ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ
ｓ）を用いて推定する。
ることができれば、その後は、各々のセグメントに基づ
いて画像中に１つの物体しかない時と同様にして各物体
の運動をステップＳ４の工程で推定する。この実施例で
は、後述のようにパラメータｂijを固定して、残りのθ
j，φjをＧＡ（ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ
ｓ）を用いて推定する。
【００１１】次に図２の座標系を用いて実施例の作用を
述べる。図２において、画面上にＮ個の運動する剛体物
体が存在し、これらの物体の運動によって生じるＭ個の
動きベクトルｄi（ベクトルを示す矢印は省略する。以
下同様とする）が得られているものと仮定する。Ωxj，
Ωyj，Ωzj，Ｔxj，Ｔyj，Ｔzj（１≦ｊ≦Ｎ）をそれぞ
れ物体Ｏjのｘ軸、ｙ軸、ｚ軸まわりの回転量、ｘ軸、
ｙ軸、ｚ軸方向の移動量、ｆをカメラの焦点距離とす
る。また、特徴点Ｐi（１≦ｉ≦Ｍ）（ここで、特徴点
は動きベクトルが求められている点を言う）の時刻ｔに
おける３次元座標をｑi（ｔ）（ｘi（ｔ），ｙ
i（ｔ），ｚi（ｔ））、投影面上での座標をＱi（ｔ）
（Ｘi（ｔ），Ｙi（ｔ））とすると、ｑiとＱiの間には
次の１式の関係が成立する。
述べる。図２において、画面上にＮ個の運動する剛体物
体が存在し、これらの物体の運動によって生じるＭ個の
動きベクトルｄi（ベクトルを示す矢印は省略する。以
下同様とする）が得られているものと仮定する。Ωxj，
Ωyj，Ωzj，Ｔxj，Ｔyj，Ｔzj（１≦ｊ≦Ｎ）をそれぞ
れ物体Ｏjのｘ軸、ｙ軸、ｚ軸まわりの回転量、ｘ軸、
ｙ軸、ｚ軸方向の移動量、ｆをカメラの焦点距離とす
る。また、特徴点Ｐi（１≦ｉ≦Ｍ）（ここで、特徴点
は動きベクトルが求められている点を言う）の時刻ｔに
おける３次元座標をｑi（ｔ）（ｘi（ｔ），ｙ
i（ｔ），ｚi（ｔ））、投影面上での座標をＱi（ｔ）
（Ｘi（ｔ），Ｙi（ｔ））とすると、ｑiとＱiの間には
次の１式の関係が成立する。
【００１２】
【数１】
【００１３】特徴点Ｐiが物体Ｏj上にあり、回転量が少
ないとき、３次元座標系での時刻ｔにおける特徴点のｑ
i（ｔ）と時刻（ｔ＋１）における同じ特徴点の座標ｑi
（ｔ＋１）の間につぎの２式の近似式が成立する。
ないとき、３次元座標系での時刻ｔにおける特徴点のｑ
i（ｔ）と時刻（ｔ＋１）における同じ特徴点の座標ｑi
（ｔ＋１）の間につぎの２式の近似式が成立する。
【００１４】
【数２】
【００１５】特徴点Ｐiの投影面上での動きベクトルｄi
＝（αi，βi）は、特徴点Ｐiが物体Ｏj上にある時、次
の３式から６式に示すように物体Ｏjの回転から生じる
成分（αRij，βRij）と移動から生じる成分（αTij，
βTij）に分離できる。
＝（αi，βi）は、特徴点Ｐiが物体Ｏj上にある時、次
の３式から６式に示すように物体Ｏjの回転から生じる
成分（αRij，βRij）と移動から生じる成分（αTij，
βTij）に分離できる。
【００１６】
【数３】
【００１７】すなわち、上記３式から６式は投影面上で
の動きベクトルを物体の移動から生じる成分と回転から
生じる成分に分離する式である。上記３式から６式を用
いて誤差関数Ｅを次の７式のように定義する。
の動きベクトルを物体の移動から生じる成分と回転から
生じる成分に分離する式である。上記３式から６式を用
いて誤差関数Ｅを次の７式のように定義する。
【００１８】
【数４】
【００１９】７式は誤差関数で、この式が最小値を採る
ようなパラメータの値を探索する。ただし、ｂijは特徴
点Ｐiがどの物体上にあるかを表すパラメータで、特徴
点Ｐiが物体Ｏj上にある場合に「１」を、それ以外の場
合には「０」の値をとるものとする。オプティカルフロ
ーのセグメンテーションと複数物体の３次元運動の推定
は、オプティカルフローから誤差関数Ｅを最小にするパ
ラメータを探索する問題と捉える。
ようなパラメータの値を探索する。ただし、ｂijは特徴
点Ｐiがどの物体上にあるかを表すパラメータで、特徴
点Ｐiが物体Ｏj上にある場合に「１」を、それ以外の場
合には「０」の値をとるものとする。オプティカルフロ
ーのセグメンテーションと複数物体の３次元運動の推定
は、オプティカルフローから誤差関数Ｅを最小にするパ
ラメータを探索する問題と捉える。
【００２０】オプティカルフローの情報からだけでは物
体の絶対的な移動量、特徴点Ｐiの絶対的奥行き情報を
得ることができない。しかし、物体の移動する方向、特
徴点Ｐiの相対的奥行き情報は推定可能である。そこ
で、物体Ｏjの移動方向ベクトル（Ｕxj，Ｕyj，
Ｕzj），特徴点Ｐiの相対的奥行き情報ｄijを各々次の
８、９式のように定める。８、９式は計算上用いるため
設定したパラメータの関係式である。
体の絶対的な移動量、特徴点Ｐiの絶対的奥行き情報を
得ることができない。しかし、物体の移動する方向、特
徴点Ｐiの相対的奥行き情報は推定可能である。そこ
で、物体Ｏjの移動方向ベクトル（Ｕxj，Ｕyj，
Ｕzj），特徴点Ｐiの相対的奥行き情報ｄijを各々次の
８、９式のように定める。８、９式は計算上用いるため
設定したパラメータの関係式である。
【００２１】 （Ｕxj，Ｕyj，Ｕzj）＝（Ｔxj，Ｔyj，Ｔzj）／ｒj ……（８） ｄij＝ｒj／ｚij ……（９） ただし、ｒjは物体Ｏjの移動の大きさである。８、９式
を７式に代入すると次式が得られる。
を７式に代入すると次式が得られる。
【００２２】
【数５】
【００２３】ただし、パラメータαUij，βUijは１１、
１２式に示す。
１２式に示す。
【００２４】 αUij＝Ｕxjｆ−ＵzjＸi（ｔ＋１） ……（１１） βUij＝Ｕyjｆ−ＵzjＹi（ｔ＋１） ……（１２） パラメータｂijが「１」のとき、１０式を最小にするパ
ラメータｄijは、ｄijで１０式の偏微分をとり、それを
「０」にすることにより１３式のように表すことができ
る。
ラメータｄijは、ｄijで１０式の偏微分をとり、それを
「０」にすることにより１３式のように表すことができ
る。
【００２５】
【数６】
【００２６】上記１３式は、誤差関数を表す７式を最小
にする相対的奥行き情報を他のパラメータで表した式で
ある。１３式を１０式に代入すると、パラメータｄijが
消去でき、次の１４式が得られる。
にする相対的奥行き情報を他のパラメータで表した式で
ある。１３式を１０式に代入すると、パラメータｄijが
消去でき、次の１４式が得られる。
【００２７】
【数７】
【００２８】ただし、Ｅijは次式である。
【００２９】
【数８】
【００３０】誤差関数Ｅを最小にするΩxj，Ωyj，Ωzj
の値は、ｂij，Ｕxj，Ｕyj，Ｕzjが与えられたとき、１
４式を各々Ωxj，Ωyj，Ωzjで偏微分し、それを「０」
にすることによって得られる次の連立方程式１６〜１８
式から求めることができる。
の値は、ｂij，Ｕxj，Ｕyj，Ｕzjが与えられたとき、１
４式を各々Ωxj，Ωyj，Ωzjで偏微分し、それを「０」
にすることによって得られる次の連立方程式１６〜１８
式から求めることができる。
【００３１】
【数９】
【００３２】１６〜１８式は誤差関数を最小にする回転
に関するパラメータを、それ以外のパラメータが与えら
れたときに計算するためのものである。移動方向ベクト
ル（Ｕxj，Ｕyj，Ｕzj）の大きさは「１」なので、
Ｕxj，Ｕyj，Ｕzjは次式のように表すことができる。
に関するパラメータを、それ以外のパラメータが与えら
れたときに計算するためのものである。移動方向ベクト
ル（Ｕxj，Ｕyj，Ｕzj）の大きさは「１」なので、
Ｕxj，Ｕyj，Ｕzjは次式のように表すことができる。
【００３３】 Ｕxj＝ｓｉｎθjｃｏｓφj ……（１９） Ｕyj＝ｓｉｎθjｓｉｎφj ……（２０） Ｕzj＝ｃｏｓθj ……（２１） ２１式は計算時にパラメータを１つ減らすためのパラメ
ータ置き換えのものである。そして、遺伝子型を
｛ｂij，θj，φj｝と定義する。ＧＡの適応関数として
１４式の誤差関数を用いる。次に、この発明で用いるＧ
Ａのアルゴリズムを示すと図３のようになる。図３にお
いて、ステップＳ３１で個体を発生したのち、ステップ
Ｓ３２で各個体のΩxj，Ωyj，Ωzjを計算する。計算が
終了したなら、ステップＳ３３で各個体の適応度を計算
する。適応度の計算が終了したなら、ステップＳ３４で
交差、淘汰、突然変異の処理を行って終了条件が満たさ
れるまでステップＳ３５の処理を繰り返す。
ータ置き換えのものである。そして、遺伝子型を
｛ｂij，θj，φj｝と定義する。ＧＡの適応関数として
１４式の誤差関数を用いる。次に、この発明で用いるＧ
Ａのアルゴリズムを示すと図３のようになる。図３にお
いて、ステップＳ３１で個体を発生したのち、ステップ
Ｓ３２で各個体のΩxj，Ωyj，Ωzjを計算する。計算が
終了したなら、ステップＳ３３で各個体の適応度を計算
する。適応度の計算が終了したなら、ステップＳ３４で
交差、淘汰、突然変異の処理を行って終了条件が満たさ
れるまでステップＳ３５の処理を繰り返す。
【００３４】上記のように全てのベクトルｄiを用いて
ＧＡでパラメータの推定を行うと、探索空間が大きくな
り、処理時間が非常に長くなる。そこで、処理を高速化
するために、ＧＡで用いるベクトルｄiをランダムにＳ
個選択することによって数を少なくし、ＧＡでパラメー
タを推定し、その後、ＧＡで推定されたθj，φj，
Ωxj，Ωyj，Ωzjに基づいて全てのｂijの推定もしくは
更新を行う。ただし、１つの物体の運動を推定するに
は、最低でも８点の動きベクトルが必要なので、Ｓを８
×Ｎより十分大きくとる必要がある。
ＧＡでパラメータの推定を行うと、探索空間が大きくな
り、処理時間が非常に長くなる。そこで、処理を高速化
するために、ＧＡで用いるベクトルｄiをランダムにＳ
個選択することによって数を少なくし、ＧＡでパラメー
タを推定し、その後、ＧＡで推定されたθj，φj，
Ωxj，Ωyj，Ωzjに基づいて全てのｂijの推定もしくは
更新を行う。ただし、１つの物体の運動を推定するに
は、最低でも８点の動きベクトルが必要なので、Ｓを８
×Ｎより十分大きくとる必要がある。
【００３５】このため、ＧＡでパラメータを推定した
後、θj，φj，Ωxj，Ωyj，Ωzjの値を固定し、特徴点
Ｐiが物体Ｏj上にあるものと仮定する（ｂij＝１）。１
５式のベクトルｄiの誤差関数を各ｊについて計算し、
例えばｊ＝ｋのとき、Ｅijが最小になったとき、物体Ｏ
k上に特徴点Ｐiがあると判断し、パラメータｂijを決定
する。なお、ＧＡによるパラメータ推定のみではθj，
φjを精度良く求めることができないので、得られたセ
グメンテーション結果に基づき各セグメント毎にθj，
φj，Ωxj，Ωyj，Ωzjの値を推定する。
後、θj，φj，Ωxj，Ωyj，Ωzjの値を固定し、特徴点
Ｐiが物体Ｏj上にあるものと仮定する（ｂij＝１）。１
５式のベクトルｄiの誤差関数を各ｊについて計算し、
例えばｊ＝ｋのとき、Ｅijが最小になったとき、物体Ｏ
k上に特徴点Ｐiがあると判断し、パラメータｂijを決定
する。なお、ＧＡによるパラメータ推定のみではθj，
φjを精度良く求めることができないので、得られたセ
グメンテーション結果に基づき各セグメント毎にθj，
φj，Ωxj，Ωyj，Ωzjの値を推定する。
【００３６】上記の処理の流れを示すと図４のようにな
る。図４において、ステップＳ４１はランダムにベクト
ルｄiをＳ個選択する処理で、この処理で選択したベク
トルｄiを用いてステップＳ４２においてＧＡでパラメ
ータを推定する。ステップＳ４３ではステップＳ１で選
択されなかったベクトルｄiも含め、全てのｂijの値を
推定もしくは更新し、オプティカルフローのセグメンテ
ーションを行う。ステップＳ４４ではステップＳ４３で
得られたセグメンテーション結果に基づきθj，φj，Ω
xj，Ωyj，Ωzjを更新する。
る。図４において、ステップＳ４１はランダムにベクト
ルｄiをＳ個選択する処理で、この処理で選択したベク
トルｄiを用いてステップＳ４２においてＧＡでパラメ
ータを推定する。ステップＳ４３ではステップＳ１で選
択されなかったベクトルｄiも含め、全てのｂijの値を
推定もしくは更新し、オプティカルフローのセグメンテ
ーションを行う。ステップＳ４４ではステップＳ４３で
得られたセグメンテーション結果に基づきθj，φj，Ω
xj，Ωyj，Ωzjを更新する。
【００３７】図５に示すような物体の運動によって得ら
れた図６のオプティカルフローを用いてシミューレショ
ンを行った。運動する物体の数Ｎ＝２，ベクトルｄiの
数Ｍ＝１２１、ＧＡで用いるベクトルｄiの数Ｓ＝５０
とした結果を図７に示す。また、そのときの、運動に関
するパラメータを表１に示す。
れた図６のオプティカルフローを用いてシミューレショ
ンを行った。運動する物体の数Ｎ＝２，ベクトルｄiの
数Ｍ＝１２１、ＧＡで用いるベクトルｄiの数Ｓ＝５０
とした結果を図７に示す。また、そのときの、運動に関
するパラメータを表１に示す。
【００３８】
【表１】
【００３９】
【発明の効果】以上述べたように、この発明によれば、
画像中に複数の運動する物体が存在する場合でも、それ
ぞれの各物体について３次元運動を推定することができ
る利点がある。
画像中に複数の運動する物体が存在する場合でも、それ
ぞれの各物体について３次元運動を推定することができ
る利点がある。
【図１】この発明の一実施例を示すフローチャート。
【図２】実施例の動作を述べるための座標系の説明図。
【図３】ＧＡの処理の流れを示すフローチャート。
【図４】処理の高速化と精度の向上を図るためのフロー
チャート。
チャート。
【図５】物体の運動を示す説明図。
【図６】オプティカルフローを示す説明図。
【図７】セグメンテーション結果を示す説明図。
Ｓ１…カメラから時系列画像を取り込む工程 Ｓ２…オプティカルフロー算出工程 Ｓ３…オプティカルフローのセグメンテーション工程 Ｓ４…各物体の運動推定工程
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｆ 15/18 ５５０ Ｃ 9071−5Ｌ Ｇ０６Ｔ 1/00 7/20 9061−5Ｌ Ｇ０６Ｆ 15/70 ４１０
Claims (3)
- 【請求項１】 画像入力装置から時系列画像を取り込ん
だ後、オプティカルフローを算出し、その後、算出され
たオプティカルフローのセグメンテーションを行って各
物体の運動を推定することを特徴とする物体の３次元運
動推定方法。 - 【請求項２】 オプティカルフローのセグメンテーショ
ンをジェネティックアルゴリズムを用いて処理すること
を特徴とする請求項１記載の物体の３次元運動推定方
法。 - 【請求項３】 ジェネティックアルゴリズムを用いてオ
プティカルフローを選択することを特徴とする請求項１
記載の３次元運動推定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6023996A JPH07234935A (ja) | 1994-02-22 | 1994-02-22 | 物体の３次元運動推定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6023996A JPH07234935A (ja) | 1994-02-22 | 1994-02-22 | 物体の３次元運動推定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH07234935A true JPH07234935A (ja) | 1995-09-05 |
Family
ID=12126197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6023996A Pending JPH07234935A (ja) | 1994-02-22 | 1994-02-22 | 物体の３次元運動推定方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH07234935A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012525190A (ja) * | 2009-04-29 | 2012-10-22 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 単眼の内視鏡画像からのリアルタイム深度推定 |
-
1994
- 1994-02-22 JP JP6023996A patent/JPH07234935A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012525190A (ja) * | 2009-04-29 | 2012-10-22 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 単眼の内視鏡画像からのリアルタイム深度推定 |
| US9750399B2 (en) | 2009-04-29 | 2017-09-05 | Koninklijke Philips N.V. | Real-time depth estimation from monocular endoscope images |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4349367B2 (ja) | 物体の位置姿勢を推定する推定システム、推定方法および推定プログラム | |
| US11037325B2 (en) | Information processing apparatus and method of controlling the same | |
| CN101251897B (zh) | 图像处理装置、图像处理方法 | |
| CN111178170B (zh) | 一种手势识别方法和一种电子设备 | |
| CN114424250A (zh) | 结构建模 | |
| JP7280385B2 (ja) | 視覚的ポジショニング方法および関連装置、機器並びにコンピュータ可読記憶媒体 | |
| JP5227629B2 (ja) | オブジェクト検出方法、オブジェクト検出装置、およびオブジェクト検出プログラム | |
| CN109472820B (zh) | 单目rgb-d相机实时人脸重建方法及装置 | |
| JP6744747B2 (ja) | 情報処理装置およびその制御方法 | |
| KR102464271B1 (ko) | 포즈 획득 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
| US20180336407A1 (en) | Image processing system | |
| CN115719377B (zh) | 一种六自由度位姿估计数据集自动采集系统 | |
| JPH0935061A (ja) | 画像処理方法 | |
| JP2001101429A (ja) | 顔面の観測方法および顔観測装置ならびに顔観測処理用の記録媒体 | |
| JP6922348B2 (ja) | 情報処理装置、方法、及びプログラム | |
| CN109389156B (zh) | 一种图像定位模型的训练方法、装置及图像定位方法 | |
| JP2019114103A (ja) | 物体認識処理装置、物体認識処理方法及びプログラム | |
| JP7178803B2 (ja) | 情報処理装置、情報処理装置の制御方法およびプログラム | |
| CN113393524A (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
| JP2961264B1 (ja) | ３次元物体モデル生成方法及び３次元物体モデル生成プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| JP2021174537A (ja) | 画像処理装置、画像処理方法及びマシン可読記憶媒体 | |
| JP2000040147A (ja) | 手振り認識装置 | |
| Holzer et al. | Multilayer adaptive linear predictors for real-time tracking | |
| CN119672766B (zh) | 眼镜设备中手关节检测的方法、存储介质、电子设备及产品 | |
| CN111531546A (zh) | 一种机器人位姿估计方法、装置、设备及存储介质 |