2020年12月03日 | 海伯森基于深度相机三维物体轮廓提取方案

2020-12-03 来源：爱集微

随着机器视觉、自动驾驶、机器人的火爆，采用深度相机采集环境的深度信息，然后进行物体识别、环境建模等应用的工作模式越来越普遍。

与传统的2D相机相比，3D相机增加了一维的深息，因而能够更好的对真实世界进行刻画。这在许多领域都有十分重要的应用价值，如安防、监控、机器视觉、机器人等，也为这些业务拓展了更多的技术方案，如自动驾驶中的物体识别和障碍物检测，工业中散乱物体的识别、分拣、物流场景中物体的货架抓取等等都离不开对物体轮廓的提取。

目前物体轮廓提取的主流方法是直接处理点云数据，例如：基于凸包的凹点挖掘算法、基于Delaunay三角网的轮廓提取算法，以及甚至有的研究者采用空间拟合的方法来实现轮廓提取。

但显然，这些方法对于计算单元的性能要求较高，算法复杂，在资源有限的嵌入式系统上运行会有很明显的实时性问题。因此，海波森在2019年7月17日申请了一项名为“一种基于深度相机的深度图物体轮廓快速提取方法及装置”的发明专利（申请号：201910645887.2），申请人为海伯森技术（深圳）有限公司。

根据该专利目前公开的资料，让我们一起来看看这项基于深度相机的深度图物体轮廓快速提取方法吧。

如上图，为该专利中发明的基于深度相机的物体轮廓快速提取方法的流程图，该方案由基于深度相机的移动终端执行。其技术原理是对三维的深度图像进行相应的预处理，在尽量减少细节丢失的前提下，通过预处理将其转换为二维图像进行处理，这样数据处理的维度就减少了一个数量级，从而加快图像的处理速度，且物体的轮廓提取效果也比较好。

首先，系统通过基于ToF、结构光或者双目视觉的深度相机采集深度图像。其次，对深度图预处理得到灰度图，这一操作的目的是淡化背景、强化物体轮廓信息，再进而转换为背景分离的二值图，使用例如Wellner、大律法等算法。

最后，再使用连通域对二值图中的物体进行标记，将物体轮廓提取出来，并基于这些轮廓的深度坐标集合转化为点云坐标集。通过这样的步骤，就可以将三维图像转换为二维图像，从而加快神经网络的处理速度，接下来我们来看看这种方案的硬件结构。

如上图，系统包括深度图像采集单元201、深度图转灰度图处理单元202、灰度图二值化处理单元203、物体轮廓提取单元204以及点云转换单元205。图像采集单元与转灰度单元相连，继而灰度与二值化单元相连，由于最终的物体轮廓提取是基于二值化图像的，因此物体轮廓处理单元在与点云转换单元相连的同时，也与二值化处理单元相连。

以上就是海伯森发明的基于深度相机的三维物体轮廓快速提取方法，这种方案解决了传统方案中轮廓提取方法计算量大、算法复杂的问题，极大的改善了轮廓提取速度，并且实现难度小、提取效果好，因此可以很好的集成到运算能力有限的嵌入式系统中。

海伯森

上一篇:华为登顶三季度国内可穿戴设备市场

下一篇:川土微电子2020年度全系列集成隔离电源的隔离器芯片发布