CN112037279A - 物品位置识别方法和装置、存储介质、电子设备 - Google Patents
物品位置识别方法和装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN112037279A CN112037279A CN202010920699.9A CN202010920699A CN112037279A CN 112037279 A CN112037279 A CN 112037279A CN 202010920699 A CN202010920699 A CN 202010920699A CN 112037279 A CN112037279 A CN 112037279A
- Authority
- CN
- China
- Prior art keywords
- article
- panoramic
- point cloud
- plane
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010586 diagram Methods 0.000 claims abstract description 90
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 48
- 230000005484 gravity Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 8
- 230000004927 fusion Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开实施例公开了一种物品位置识别方法和装置、存储介质、电子设备，其中，方法包括：对设定场景内在当前位置采集的全景图进行物品检测，确定所述设定场景中的至少一个物品在所述全景图中的位置信息；基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云；将每个所述物品对应的点云映射到所述设定场景对应的平面结构图中，确定每个所述物品在所述平面结构图中的位置；本实施例通过全景图结合全景深度图恢复的点云，确定物品在平面结构图中的位置，实现了以全景图和全景深度图自动确定物品在平面结构图中的位置，提高了物品位置确定的效率和准确率。
Description
技术领域
本公开涉及位置识别技术，尤其是一种物品位置识别方法和装置、存储介质、电子设备。
背景技术
在现有技术中，有时需要确定物品在平面结构图中的位置，以实现相应的目的，例如，在房产领域，希望确定门、窗、家具等物品在房屋户型图中的位置；现有技术中为了确定物品在平面结构图中的位置通常是通过实际测量进行人工测绘。然而人工测绘效率很低，很难满足大规模应用的需求。
发明内容
为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种物品位置识别方法和装置、存储介质、电子设备。
根据本公开实施例的一个方面，提供了一种物品位置识别方法，包括：
对设定场景内在当前位置采集的全景图进行物品检测，确定所述设定场景中的至少一个物品在所述全景图中的位置信息；
基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云；
将每个所述物品对应的点云映射到所述设定场景对应的平面结构图中，确定每个所述物品在所述平面结构图中的位置。
可选地，所述对设定场景内在当前位置采集的全景图进行物品检测，确定所述设定场景中的至少一个物品在所述全景图中的位置，包括：
利用物品检测模型对所述全景图进行物品检测，确定所述全景图中的所述至少一个物品中每个物品的掩膜和物品名称；其中，所述物品检测模型经过多个已知掩膜和物品名称的训练全景图训练获得。
可选地，所述全景图中的像素与所述全景深度图中的像素一一对应；
所述基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云，包括：
基于每个所述物品的掩膜在所述全景深度图中确定对应的物品区域，得到至少一个所述物品区域；
基于所述全景深度图中每个像素的深度信息，对至少一个所述物品区域进行三维信息恢复，得到至少一片所述点云。
可选地，所述将每个所述物品对应的点云映射到所述设定场景对应的平面结构图中，确定每个所述物品在所述平面结构图中的位置，包括：
根据所述每个物品对应的一片点云的坐标，确定所述物品在三维空间中的重心；
将所述物品在三维空间中的重心投影到所述平面结构图中，确定每个所述物品在所述平面结构图中的位置。
可选地，所述平面结构图为房屋户型图，所述物品为家具；其中，所述房屋户型图包括至少一个单间；
还包括：
根据预设规则和每个所述家具在所述平面结构图中的位置，确定所述房屋户型图中每个单间的功能。
可选地，在基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云之前，还包括：
基于所述全景深度图恢复所述全景图对应的全景点云；
对所述全景点云进行法向量估计，确定所述全景点云中每个点的法向量；
利用区域生长算法根据所述每个点的法向量对所述全景点云进行平面分割，得到多个三维空间中的平面点云。
可选地，所述设定场景为房屋，所述平面结构图为房屋户型图；
所述基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云，包括：
基于每个所述物品在所述全景图中的位置，在所述全景深度图对应的点云中为每个所述物品确定对应的至少一个平面点云，得到多个所述平面点云；
基于所述多个平面点云为每个所述物品确定对应的物品平面点云。
可选地，在利用区域生长算法根据所述每个点的法向量对所述全景点云进行平面分割，得到多个三维空间中的平面点云之后，还包括：
基于每个所述平面点云中包括的多个点的坐标，确定每个所述平面点云对应的平面方程和平面法向量；
所述基于所述多个平面点云为每个所述物品确定对应的物品平面点云，包括：
基于所述多个平面点云对应的多个所述平面方程和多个所述平面法向量，对所述多个平面点云进行融合操作，得到至少一个所述物品平面点云；其中，每个所述物品平面点云对应一个所述物品。
可选地，所述基于所述多个平面点云对应的多个所述平面方程和多个所述平面法向量，对所述多个平面点云进行融合操作，得到至少一个所述物品平面点云，包括：
基于每个所述平面点云对应的平面法向量，确定所述多个平面点云中是否存在至少一组平行平面组；其中，每组所述平行平面组中包括至少两个相互平行的平面点云；
响应于存在至少一组平行平面组，根据每组所述平行平面组中每个平面点云对应的平面方程确定所述平行平面组中至少两个平面点云之间的距离；
响应于所述平行平面组中至少两个平面点云之间的距离小于预设阈值，将所述平行平面组中的至少两个平面点云融合为一个所述物品平面点云。
可选地，所述将所述平行平面组中的至少两个平面点云融合为一个所述物品平面点云，包括：
基于所述至少两个平面点云的法向量，确定所述物品平面点云的法向量；
基于所述至少两个平面点云每个平面点云包括的点的数量和包括的点对应的坐标，确定所述至少两个平面点云的中点；
基于所述至少两个平面点云的中点和所述物品平面点云的法向量，确定所述物品平面点云。
可选地，所述物品包括窗；
所述将每个所述物品对应的点云映射到所述设定场景对应的平面结构图中，确定每个所述物品在所述平面结构图中的位置，包括：
将至少一个所述物品平面点云映射到所述房屋户型图中，得到至少一个物品线段；
将映射在所述房屋户型图中的物品线段与所述房屋户型图中的墙面融合，确定所述窗在所述房屋户型图中的位置。
可选地，所述物品包括门和/或垭口；
所述将每个所述物品对应的点云映射到所述设定场景对应的平面结构图中，确定每个所述物品在所述平面结构图中的位置，包括：
基于一个设定纵坐标值在所述全景深度图恢复的点云中确定一个横截面点集；其中，所述横截面点集中每个点的纵坐标等于所述设定纵坐标值；
响应于所述横截面点集的形状对应所述房屋户型图中的至少两个单间，以所述当前位置所在单间的位置和所述横截面点集的形状在至少两个单间中的形状，确定连接所述至少两个单间的所述门和/或所述垭口的位置。
根据本公开实施例的另一方面，提供了一种物品位置识别装置，包括：
物品检测模块，用于对设定场景内在当前位置采集的全景图进行物品检测，确定所述设定场景中的至少一个物品在所述全景图中的位置；
深度恢复模块，用于基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云；
位置确定模块，用于将每个所述物品对应的点云映射到所述设定场景对应的平面结构图中，确定每个所述物品在所述平面结构图中的位置。
可选地，所述物品检测模块，具体用于利用物品检测模型对所述全景图进行物品检测，确定所述全景图中的所述至少一个物品中每个物品的掩膜和物品名称；其中，所述物品检测模型经过多个已知掩膜和物品名称的训练全景图训练获得。
可选地，所述全景图中的像素与所述全景深度图中的像素一一对应；
所述深度恢复模块，具体用于基于每个所述物品的掩膜在所述全景深度图中确定对应的物品区域，得到至少一个所述物品区域；基于所述全景深度图中每个像素的深度信息，对至少一个所述物品区域进行三维信息恢复，得到至少一片所述点云。
可选地，所述位置确定模块，具体用于根据所述每个物品对应的一片点云的坐标，确定所述物品在三维空间中的重心；将所述物品在三维空间中的重心投影到所述平面结构图中，确定每个所述物品在所述平面结构图中的位置。
可选地，所述平面结构图为房屋户型图，所述物品为家具；其中，所述房屋户型图包括至少一个单间；
所述装置还包括：
功能确定模块，用于根据预设规则和每个所述家具在所述平面结构图中的位置，确定所述房屋户型图中每个单间的功能。
可选地，所述装置还包括：
点云恢复模块，用于基于所述全景深度图恢复所述全景图对应的全景点云；
法向量估计模块，用于对所述全景点云进行法向量估计，确定所述全景点云中每个点的法向量；
平面分割模块，用于利用区域生长算法根据所述每个点的法向量对所述全景点云进行平面分割，得到多个三维空间中的平面点云。
可选地，所述设定场景为房屋，所述平面结构图为房屋户型图；
所述深度恢复模块，包括：
平面点云单元，用于基于每个所述物品在所述全景图中的位置，在所述全景深度图对应的点云中为每个所述物品确定对应的至少一个平面点云，得到多个所述平面点云；
物品点云单元，用于基于所述多个平面点云为每个所述物品确定对应的物品平面点云。
可选地，所述平面分割模块，还用于基于每个所述平面点云中包括的多个点的坐标，确定每个所述平面点云对应的平面方程和平面法向量；
所述物品点云单元，具体用于基于所述多个平面点云对应的多个所述平面方程和多个所述平面法向量，对所述多个平面点云进行融合操作，得到至少一个所述物品平面点云；其中，每个所述物品平面点云对应一个所述物品。
可选地，所述物品点云单元，具体用于基于每个所述平面点云对应的平面法向量，确定所述多个平面点云中是否存在至少一组平行平面组；其中，每组所述平行平面组中包括至少两个相互平行的平面点云；响应于存在至少一组平行平面组，根据每组所述平行平面组中每个平面点云对应的平面方程确定所述平行平面组中至少两个平面点云之间的距离；响应于所述平行平面组中至少两个平面点云之间的距离小于预设阈值，将所述平行平面组中的至少两个平面点云融合为一个所述物品平面点云。
可选地，所述物品点云单元在将所述平行平面组中的至少两个平面点云融合为一个所述物品平面点云时，用于基于所述至少两个平面点云的法向量，确定所述物品平面点云的法向量；基于所述至少两个平面点云每个平面点云包括的点的数量和包括的点对应的坐标，确定所述至少两个平面点云的中点；基于所述至少两个平面点云的中点和所述物品平面点云的法向量，确定所述物品平面点云。
可选地，所述物品包括窗；
所述位置确定模块，具体用于将至少一个所述物品平面点云映射到所述房屋户型图中，得到至少一个物品线段；将映射在所述房屋户型图中的物品线段与所述房屋户型图中的墙面融合，确定所述窗在所述房屋户型图中的位置。
可选地，所述物品包括门和/或垭口；
所述位置确定模块，具体用于基于一个设定纵坐标值在所述全景深度图恢复的点云中确定一个横截面点集；其中，所述横截面点集中每个点的纵坐标等于所述设定纵坐标值；响应于所述横截面点集的形状对应所述房屋户型图中的至少两个单间，以所述当前位置所在单间的位置和所述横截面点集的形状在至少两个单间中的形状，确定连接所述至少两个单间的所述门和/或所述垭口的位置。
根据本公开实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一实施例所述的物品位置识别方法。
根据本公开实施例的还一方面，提供了一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述任一实施例所述的物品位置识别方法。
基于本公开上述实施例提供的一种物品位置识别方法和装置、存储介质、电子设备，对设定场景内在当前位置采集的全景图进行物品检测，确定所述设定场景中的至少一个物品在所述全景图中的位置信息；基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云；将每个所述物品对应的点云映射到所述设定场景对应的平面结构图中，确定每个所述物品在所述平面结构图中的位置；本实施例通过全景图结合全景深度图恢复的点云，确定物品在平面结构图中的位置，实现了以全景图和全景深度图自动确定物品在平面结构图中的位置，提高了物品位置确定的效率和准确率。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本公开一示例性实施例提供的物品位置识别方法的流程示意图。
图2a是本公开一可选示例提供的对房屋进行采集得到的全景图的示意图。
图2b是对应图2a所示的全景图的全景深度图。
图2c是图2a所示的全景图对应的房屋户型图。
图2d是对图2a提供的全景图进行物品检测得到的多个物品的掩膜示意图。
图2e是图2c提供的房屋户型图中包括的多个物品的位置示意图。
图2f是基于图2b所示的全景深度图经过分割处理得到的分割平面图。
图2g是根据图2f所示的分割平面图恢复点云得到的多个平面点云示意图。
图2h是根据图2g所示的多个平面点云进行融合得到的物品平面点云示意图。
图2i是将图2h所示的物品平面点云映射到如图2c所示的房屋户型图中得到物品投影图。
图2j是将物品平面点云映射到房屋户型图中得到的门可能的开口位置示意图。
图2k是对图2b提供的全景深度图的中点横截面对应的投影点集示意图。
图3是本公开图1所示的实施例中步骤104的一个流程示意图。
图4是本公开图1所示的实施例中步骤106的一个流程示意图。
图5是本公开另一示例性实施例提供的物品位置识别方法的流程示意图。
图6是本公开图5所示的实施例中步骤506的一个流程示意图。
图7是本公开图6所示的实施例中步骤5062的一个流程示意图。
图8是本公开一示例性实施例提供的物品位置识别装置的结构示意图。
图9是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
申请概述
在实现本公开的过程中，发明人发现，现有技术通常采用人工测绘的方式进行物品位置的确定，但现有技术的方案至少存在以下问题：耗时长，浪费人力物力，且不够准确。
示例性方法
图1是本公开一示例性实施例提供的物品位置识别方法的流程示意图。本实施例可应用在电子设备上，如图1所示，包括如下步骤：
步骤102，对设定场景内在当前位置采集的全景图进行物品检测，确定设定场景中的至少一个物品在全景图中的位置。
可选地，本实施例可采用相机等拍摄拍摄设备在当前位置对设定场景进行全景采集，以获得全景图，该全景图是全景彩色图，例如，如图2a所示，是对设定场景为房屋进行采集得到的一个示例全景图；在全景图中可显示至少一个物品。
步骤104，基于每个物品在全景图中的位置和全景图对应的全景深度图，确定至少一个物品在三维空间中对应的至少一片点云。
可选地，本实施例中的全景深度图与全景图是像素级别的一一对应，该全景深度图是在当前位置基于深度相机等可以获得深度信息的摄像设备采集得到的，例如，如图2b所示，是对应图2a所示的全景图的全景深度图；全景深度图中的每个像素不仅包括在全景深度图中的平面坐标，还包括基于深度相机的外参(已知数据)确定的深度信息；因此，基于全景深度图中每个点的平面坐标和深度信息可将全景深度图恢复成三维空间中的点云。
步骤106，将每个物品对应的点云映射到设定场景对应的平面结构图中，确定每个物品在平面结构图中的位置。
其中，本公开实施例中的设定场景对应的平面结构图是已知的，例如，如图2c所示，是图2a所示的房屋对应的房屋户型图，当然，图2a仅是在一个当前位置对房屋采集的全景图，并不能完整体现图2c所示的房屋户型图，为了对房屋中所有物品的位置进行确定，需要在多个位置对房屋进行全景图和全景深度图的采集和恢复，其中，对其他位置采集到的全景图和全景深度图的处理过程与本实施例三个步骤提供的过程相同，在此不再赘述。
本实施例中，利用每个物品对应的点云映射到平面结构图中，将点云中每个点的三维坐标映射到平面结构所在的平面中得到点云中每个点在该平面的二维坐标，以每个物品对应的点云映射后的二维坐标，即可确定物品在平面结构图中的位置。
本实施例通过将在一个平面坐标系(例如，由x轴和z轴组成的平面坐标系)中获得的图像恢复到三维坐标系下的点云，再将恢复到三维坐标系下的点云映射到另一个平面坐标系(例如，由x轴和y轴组成的平面坐标系)中，通过坐标系转换确定了在平面全景图中的至少一个物品在平面结构图中的位置。
本公开上述实施例提供的一种物品位置识别方法，对设定场景内在当前位置采集的全景图进行物品检测，确定所述设定场景中的至少一个物品在所述全景图中的位置信息；基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云；将每个所述物品对应的点云映射到所述设定场景对应的平面结构图中，确定每个所述物品在所述平面结构图中的位置；本实施例通过全景图结合全景深度图恢复的点云，确定物品在平面结构图中的位置，实现了以全景图和全景深度图自动确定物品在平面结构图中的位置，提高了物品位置确定的效率和准确率。
在一些可选的实施例中，步骤102可以包括：
利用物品检测模型对全景图进行物品检测，确定全景图中的至少一个物品中每个物品的掩膜和物品名称。
其中，物品检测模型经过多个已知掩膜和物品名称的训练全景图训练获得。
可选地，本实施例中的物品检测模型可以是一个深度神经网络，现有技术中深度神经网络广泛应用与图像处理领域，本实施例利用经过训练的深度神经网络对全景图中的至少一个物品进行检测，确定每个物品对应的掩膜和物品名称；例如，如图2d所示，是对图2a提供的全景图进行物品检测，得到全景图中的多个物品的掩膜，并在每个物品的掩膜上标准物品的名称。
如图3所示，在上述图1所示实施例的基础上，步骤104可包括如下步骤：
步骤1041，基于每个物品的掩膜在全景深度图中确定对应的物品区域，得到至少一个物品区域。
步骤1042，基于全景深度图中每个像素的深度信息，对至少一个物品区域进行三维信息恢复，得到至少一片点云。
本实施例中，全景图中的像素与全景深度图中的像素一一对应；图像中的掩膜(mask)具有多种作用，本实施例中的掩膜主要用于提取感兴趣区(物品对应的区域)，例如，用预先制作的感兴趣区掩模与待处理图像相乘，得到感兴趣区图像，感兴趣区内图像值保持不变，而区外图像值都为0(本实施例中在确定掩膜区域后不对其他区域进行处理)。因此，基于每个物品的掩膜可在全景图中确定对应的坐标区域作为物品对应的物品区域，并且，由于全景图与全景深度图像素级的对应，因此，可基于每个物品区域在全景深度图中确定对应的区域，将每个物品区域对应的坐标结合其对应的深度信息，即可得到每个物品区域恢复的包括三维坐标的点云；本实施例通过像素对应和深度恢复确定的每个物品对应的点云，提高了物品三维坐标信息获取的效率。
如图4所示，在上述图1所示实施例的基础上，步骤106可包括如下步骤：
步骤1061，根据每个物品对应的一片点云的坐标，确定物品在三维空间中的重心。
步骤1062，将物品在三维空间中的重心投影到平面结构图中，确定每个物品在平面结构图中的位置。
本实施例中，设定场景中的物品可能是平面结构(例如，门、窗等)的，也可能是立体结构(例如，家具等)的，平面的物品在通过投影到平面结构图中后，将得到线段；而对于立体结构的物品，为了提高在平面结构图中的位置准确率，本实施例通过对物品对应的一片点云中的坐标求的该物品的重心，并将重心投影到平面结构图中作为该物品在平面结构图中的位置，可选地，当一个物品对应的点云包括m个点，每个点的坐标为(xi，yi，zi)，其中，i的取值为1到m，此时，确定的重心的坐标可表示为：
例如，如图2e所示，在图2c提供的房屋户型图中包括的每个单间中确定其中包括的多个物品的位置。
在一些可选实施例中，当平面结构图为房屋户型图，物品为家具时；其中，房屋户型图包括至少一个单间；
在上述图4所示实施例的基础上还可以包括：根据预设规则和每个家具在平面结构图中的位置，确定房屋户型图中每个单间的功能。
本实施例中，在确定了房屋户型图中每个单间中包括的家具的位置和名称后，可基于家具的名称确定每个单间的功能，该预设规则可根据实际情况进行设置，例如，设置包括油烟机的单间为厨房，包括床的单间为卧室，包括马桶的单间是厕所，包括沙发和电视的单间是客厅等，根据这些预设规则，即可确定房屋户型图中每个单间的功能，实现对房屋功能间的快速自动标注，提升了功能间标注的效率。
图5是本公开另一示例性实施例提供的物品位置识别方法的流程示意图。如图5所示，包括如下步骤：
步骤502，对设定场景内在当前位置采集的全景图进行物品检测，确定设定场景中的至少一个物品在全景图中的位置信息。
步骤503，基于全景深度图恢复全景图对应的全景点云。
本实施例在已知拍摄全景深度图的深度相机的外参的前提下，可确定全景图中每个像素的深度坐标，结合在全景图中的二维坐标，即可恢复得到每个像素的三维坐标，得到全景点云。
步骤504，对全景点云进行法向量估计，确定全景点云中每个点的法向量。
本实施例中，全景点云中包括多个点，在已知每个点的三维坐标的情况下，可对每个点确定一个法向量。
步骤505，利用区域生长算法根据每个点的法向量对全景点云进行平面分割，得到多个三维空间中的平面点云。
步骤506，基于多个三维空间中的平面点云，确定至少一个物品在三维空间中对应的至少一片点云。
步骤507，将每个物品对应的点云映射到设定场景对应的平面结构图中，确定每个物品在平面结构图中的位置。
其中，区域生长算法是现有技术中的一种影像分割技术，本实施例利用区域生长算法对全景点云进行分割，得到全景点云中的至少一个平面点云，例如，如图2f所示，基于图2b所示的全景深度图经过分割处理得到的分割平面图。结合全景图中的掩膜对应的区域与平面点云进行匹配，即可确定每个物品对应的点云；例如，如图2g所示，根据图2f所示的分割平面图恢复点云得到的多个平面点云示意图。
如图6所示，在上述图5所示实施例的基础上，步骤506可包括如下步骤：
步骤5061，基于每个物品在全景图中的位置，在全景深度图对应的点云中为每个物品确定对应的至少一个平面点云，得到多个平面点云。
步骤5062，基于多个平面点云为每个物品确定对应的物品平面点云。
其中，设定场景为房屋，平面结构图为房屋户型图；可选地，基于每个物品在全景图中确定的掩膜在至少一个平面点云中进行位置对齐，每个掩膜可能存在对应多个平面点云的情况，此时以对应的多个平面点云中面积较大的至少一个平面点云作为该物品对应的平面点云。
在上述图5所示的实施例的基础上，在步骤505之后，还可以包括：
基于每个平面点云中包括的多个点的坐标，确定每个平面点云对应的平面方程和平面法向量。
此时，步骤5062可以包括：
基于多个平面点云对应的多个平面方程和多个平面法向量，对多个平面点云进行融合操作，得到至少一个物品平面点云。
其中，每个物品平面点云对应一个物品。
本实施例中，每个平面点云是三维空间中的平面，因此，每个点包括三个坐标轴的坐标值，可选地，平面A的平面方程可表示为：a1x+b1y+c1z+d1＝0，其中，a1、b1、c1和d1为常数。由于物品(如，门、窗等)有可能在多个拍摄点被采集到，并且由于一部分的数据误差，可能会存在一个物品对应多个平面点云的情况，本实施例通过平面点云的法向量和平面点云之间的距离对多个对应同一物品的点云进行融合，以实现为物品确定唯一对应的物品平面点云，提高确定物品位置的准确率。
如图7所示，在上述图6所示实施例的基础上，步骤5062可包括如下步骤：
步骤701，基于每个平面点云对应的平面法向量，确定多个平面点云中是否存在至少一组平行平面组；如果是，执行步骤702；否则，以平面点云作为物品平面点云。
其中，每组平行平面组中包括至少两个相互平行的平面点云；
步骤702，根据每组平行平面组中每个平面点云对应的平面方程确定平行平面组中至少两个平面点云之间的距离。
步骤703，判断平行平面组中至少两个平面点云之间的距离是否小于预设阈值，如果是，执行步骤704；否则，以平面点云作为物品平面点云。
步骤704，将平行平面组中的至少两个平面点云融合为一个物品平面点云。
本实施例通过两个标准确定平面点云是否需要进行融合，首先是至少两个平面点云之间平行或近似平行(是否平行可基于平面点云对应的平面方程确定)，在满足平行的前提下，确定两个平面点云之间的距离(例如，距离可以基于两个平面点云的中点之间的距离确定)，只有距离小于预设阈值(可根据具体情况或经验进行设定)的情况下，才对至少两个平面点云进行融合，融合的操作具体可以参照以下实施例实现。
可选地，上述实施例中步骤704可以包括：基于至少两个平面点云的法向量，确定物品平面点云的法向量；
基于至少两个平面点云每个平面点云包括的点的数量和包括的点对应的坐标，确定至少两个平面点云的中点；
基于至少两个平面点云的中点和物品平面点云的法向量，确定物品平面点云。
例如，两个待融合的平面点云为平面A和平面B，平面A的平面方程为：a1x+b1y+c1z+d1＝0；平面B的平面方程为a2x+b2y+c2z+d2＝0；则A和B的法向量分别为
假设平面A的点数量为m个，平面B的点数量为n，则融合后平面C的法向量为
根据平面A和平面B确定两个点云的中点为
结合法向量和任意一点(本实施例为中点)即可确定一个平面，即得到融合后的物品平面点云；一个可选示例中，如图2h所示，根据图2g所示的多个平面点云进行融合得到的物品平面点云示意图。
在一些可选的实施例中，物品包括窗；
步骤106可以包括：
将至少一个物品平面点云映射到房屋户型图中，得到至少一个物品线段；
将映射在房屋户型图中的物品线段与房屋户型图中的墙面融合，确定窗在房屋户型图中的位置。
本实施例中，在已经确定了每个物品对应的物品平面点云之后，将这些物品平面点云映射到房屋户型图中，可得到至少一个物品线段，例如，如图2i所示，将图2h所示的物品平面点云映射到如图2c所示的房屋户型图中得到物品投影图；此时物品线段不能完全与房屋户型图中的墙面重合，但房屋结构中，窗户一定在墙上，因此，可直接将窗户对应的物品线段贴向最靠近的墙面即可(例如，根据窗户对应的线段的x轴或y轴坐标确定在墙上的线段的x轴或y轴的坐标)。
在另一些可选的实施例中，物品包括门和/或垭口；
步骤106可以包括：
基于一个设定纵坐标值在全景深度图恢复的点云中确定一个横截面点集；其中，横截面点集中每个点的纵坐标等于设定纵坐标值；
响应于横截面点集的形状对应房屋户型图中的至少两个单间，以当前位置所在单间的位置和横截面点集的形状在至少两个单间中的形状，确定连接至少两个单间的所述门和/或垭口的位置。
由于在采集全景图和全景深度图时，房屋内的门均为打开的状态，固每个门存在两个可能方向的开口。如图2j所示，其中圆圈中的门，可能的开口位置如两条在投影线段两端的短线所示，因此需要先确定可能的开口位置。对于开口位置的确定，可选地，取每个当前位置的全景深度图设定纵坐标值(例如，横向中线)上的一圈点集，投影到二维平面，例如，如图2k所示，将全景深度图横向中线上的一圈点云投影到房屋户型图中得到一圈点集；可选地，还可以基于多个设定纵坐标值获得多圈点集，分别将每圈点集投影到房屋户型图中，综合多圈点集(例如，对多圈点集求平均)对门的位置进行判断；在得到一圈点集后结合已知的当前位置(在图2k所示示例中如图中较大圆点表示)，可判断出当前位置存在中间单间内，而投影点集包括三个单间，因此，是以当前位置拍摄的全景深度图可通过门或垭口查看到其他两个相邻的单间，此时连接两个单间的部分即可确认为门或垭口的位置。
本公开实施例提供的任一种物品位置识别方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：终端设备和服务器等。或者，本公开实施例提供的任一种物品位置识别方法可以由处理器执行，如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种物品位置识别方法。下文不再赘述。
示例性装置
图8是本公开一示例性实施例提供的物品位置识别装置的结构示意图。本实施例提供的装置，包括：
物品检测模块81，用于对设定场景内在当前位置采集的全景图进行物品检测，确定设定场景中的至少一个物品在全景图中的位置。
深度恢复模块82，用于基于每个物品在全景图中的位置和全景图对应的全景深度图，确定至少一个物品在三维空间中对应的至少一片所述点云。
位置确定模块83，用于将每个物品对应的点云映射到设定场景对应的平面结构图中，确定每个物品在平面结构图中的位置。
本公开上述实施例提供的一种物品位置识别装置，对设定场景内在当前位置采集的全景图进行物品检测，确定所述设定场景中的至少一个物品在所述全景图中的位置信息；基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云；将每个所述物品对应的点云映射到所述设定场景对应的平面结构图中，确定每个所述物品在所述平面结构图中的位置；本实施例通过全景图结合全景深度图恢复的点云，确定物品在平面结构图中的位置，实现了以全景图和全景深度图自动确定物品在平面结构图中的位置，提高了物品位置确定的效率和准确率。
在一些可选的实施例中，物品检测模块81，具体用于利用物品检测模型对全景图进行物品检测，确定全景图中的至少一个物品中每个物品的掩膜和物品名称。
其中，物品检测模型经过多个已知掩膜和物品名称的训练全景图训练获得。
可选地，全景图中的像素与所述全景深度图中的像素一一对应；
深度恢复模块82，具体用于基于每个物品的掩膜在全景深度图中确定对应的物品区域，得到至少一个所述物品区域；基于全景深度图中每个像素的深度信息，对至少一个物品区域进行三维信息恢复，得到至少一片所述点云。
可选地，位置确定模块83，具体用于根据每个物品对应的一片点云的坐标，确定物品在三维空间中的重心；将物品在三维空间中的重心投影到平面结构图中，确定每个物品在所述平面结构图中的位置。
可选地，平面结构图为房屋户型图，物品为家具；其中，房屋户型图包括至少一个单间；
本实施例提供的装置还包括：
功能确定模块，用于根据预设规则和每个家具在所述平面结构图中的位置，确定房屋户型图中每个单间的功能。
在一些可选的实施例中，装置还包括：
点云恢复模块，用于基于全景深度图恢复全景图对应的全景点云；
法向量估计模块，用于对全景点云进行法向量估计，确定全景点云中每个点的法向量；
平面分割模块，用于利用区域生长算法根据每个点的法向量对全景点云进行平面分割，得到多个三维空间中的平面点云。
可选地，设定场景为房屋，平面结构图为房屋户型图；
深度恢复模块82，包括：
平面点云单元，用于基于每个物品在全景图中的位置，在全景深度图对应的点云中为每个物品确定对应的至少一个平面点云，得到多个平面点云；
物品点云单元，用于基于多个平面点云为每个物品确定对应的物品平面点云。
可选地，平面分割模块，还用于基于每个平面点云中包括的多个点的坐标，确定每个平面点云对应的平面方程和平面法向量；
物品点云单元，具体用于基于多个平面点云对应的多个平面方程和多个平面法向量，对多个平面点云进行融合操作，得到至少一个物品平面点云；其中，每个物品平面点云对应一个所述物品。
可选地，物品点云单元，具体用于基于每个平面点云对应的平面法向量，确定多个平面点云中是否存在至少一组平行平面组；其中，每组平行平面组中包括至少两个相互平行的平面点云；响应于存在至少一组平行平面组，根据每组平行平面组中每个平面点云对应的平面方程确定平行平面组中至少两个平面点云之间的距离；响应于平行平面组中至少两个平面点云之间的距离小于预设阈值，将平行平面组中的至少两个平面点云融合为一个物品平面点云。
可选地，物品点云单元在将平行平面组中的至少两个平面点云融合为一个物品平面点云时，用于基于至少两个平面点云的法向量，确定物品平面点云的法向量；基于至少两个平面点云每个平面点云包括的点的数量和包括的点对应的坐标，确定至少两个平面点云的中点；基于至少两个平面点云的中点和物品平面点云的法向量，确定物品平面点云。
在一些可选的实施例中，物品包括窗；
位置确定模块83，具体用于将至少一个物品平面点云映射到房屋户型图中，得到至少一个物品线段；将映射在房屋户型图中的物品线段与房屋户型图中的墙面融合，确定窗在房屋户型图中的位置。
在另一些可选的实施例中，物品包括门和/或垭口；
位置确定模块83，具体用于基于一个设定纵坐标值在全景深度图恢复的点云中确定一个横截面点集；其中，横截面点集中每个点的纵坐标等于设定纵坐标值；响应于横截面点集的形状对应房屋户型图中的至少两个单间，以当前位置所在单间的位置和横截面点集的形状在至少两个单间中的形状，确定连接至少两个单间的门和/或垭口的位置。
示例性电子设备
下面，参考图9来描述根据本公开实施例的电子设备。该电子设备可以是第一设备100和第二设备200中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
图9图示了根据本公开实施例的电子设备的框图。
如图9所示，电子设备90包括一个或多个处理器91和存储器92。
处理器91可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备90中的其他组件以执行期望的功能。
存储器92可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器91可以运行所述程序指令，以实现上文所述的本公开的各个实施例的物品位置识别方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备90还可以包括：输入装置93和输出装置94，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如，在该电子设备是第一设备100或第二设备200时，该输入装置93可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置93可以是通信网络连接器，用于从第一设备100和第二设备200接收所采集的输入信号。
此外，该输入设备93还可以包括例如键盘、鼠标等等。
该输出装置94可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备94可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备90中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备90还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的物品位置识别方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的物品位置识别方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种物品位置识别方法，其特征在于，包括：
对设定场景内在当前位置采集的全景图进行物品检测，确定所述设定场景中的至少一个物品在所述全景图中的位置；
基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云；
将每个所述物品对应的点云映射到所述设定场景对应的平面结构图中，确定每个所述物品在所述平面结构图中的位置。
2.根据权利要求1所述的方法，其特征在于，所述对设定场景内在当前位置采集的全景图进行物品检测，确定所述设定场景中的至少一个物品在所述全景图中的位置，包括：
利用物品检测模型对所述全景图进行物品检测，确定所述全景图中的所述至少一个物品中每个物品的掩膜和物品名称；其中，所述物品检测模型经过多个已知掩膜和物品名称的训练全景图训练获得。
3.根据权利要求2所述的方法，其特征在于，所述全景图中的像素与所述全景深度图中的像素一一对应；
所述基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云，包括：
基于每个所述物品的掩膜在所述全景深度图中确定对应的物品区域，得到至少一个所述物品区域；
基于所述全景深度图中每个像素的深度信息，对至少一个所述物品区域进行三维信息恢复，得到至少一片所述点云。
4.根据权利要求3所述的方法，其特征在于，所述将每个所述物品对应的点云映射到所述设定场景对应的平面结构图中，确定每个所述物品在所述平面结构图中的位置，包括：
根据所述每个物品对应的一片点云的坐标，确定所述物品在三维空间中的重心；
将所述物品在三维空间中的重心投影到所述平面结构图中，确定每个所述物品在所述平面结构图中的位置。
5.根据权利要求4所述的方法，其特征在于，所述平面结构图为房屋户型图，所述物品为家具；其中，所述房屋户型图包括至少一个单间；
还包括：
根据预设规则和每个所述家具在所述平面结构图中的位置，确定所述房屋户型图中每个单间的功能。
6.根据权利要求1-5任一所述的方法，其特征在于，在基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云之前，还包括：
基于所述全景深度图恢复所述全景图对应的全景点云；
对所述全景点云进行法向量估计，确定所述全景点云中每个点的法向量；
利用区域生长算法根据所述每个点的法向量对所述全景点云进行平面分割，得到多个三维空间中的平面点云。
7.根据权利要求6所述的方法，其特征在于，所述设定场景为房屋，所述平面结构图为房屋户型图；
所述基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云，包括：
基于每个所述物品在所述全景图中的位置，在所述全景深度图对应的点云中为每个所述物品确定对应的至少一个平面点云，得到多个所述平面点云；
基于所述多个平面点云为每个所述物品确定对应的物品平面点云。
8.一种物品位置识别装置，其特征在于，包括：
物品检测模块，用于对设定场景内在当前位置采集的全景图进行物品检测，确定所述设定场景中的至少一个物品在所述全景图中的位置；
深度恢复模块，用于基于每个所述物品在所述全景图中的位置和所述全景图对应的全景深度图，确定所述至少一个物品在三维空间中对应的至少一片所述点云；
位置确定模块，用于将每个所述物品对应的点云映射到所述设定场景对应的平面结构图中，确定每个所述物品在所述平面结构图中的位置。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述的物品位置识别方法。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-7任一所述的物品位置识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010920699.9A CN112037279B (zh) | 2020-09-04 | 2020-09-04 | 物品位置识别方法和装置、存储介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010920699.9A CN112037279B (zh) | 2020-09-04 | 2020-09-04 | 物品位置识别方法和装置、存储介质、电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112037279A true CN112037279A (zh) | 2020-12-04 |
| CN112037279B CN112037279B (zh) | 2021-11-16 |
Family
ID=73591463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010920699.9A Active CN112037279B (zh) | 2020-09-04 | 2020-09-04 | 物品位置识别方法和装置、存储介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112037279B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200916A (zh) * | 2020-12-08 | 2021-01-08 | 深圳市房多多网络科技有限公司 | 房屋户型图的生成方法、装置、计算设备和存储介质 |
| CN112950759A (zh) * | 2021-01-28 | 2021-06-11 | 北京房江湖科技有限公司 | 基于房屋全景图的三维房屋模型构建方法及装置 |
| CN113269877A (zh) * | 2021-05-25 | 2021-08-17 | 三星电子（中国）研发中心 | 获取房间布局平面图的方法和电子设备 |
| CN117953224A (zh) * | 2024-03-27 | 2024-04-30 | 暗物智能科技(广州)有限公司 | 一种开放词汇3d全景分割方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140098199A1 (en) * | 2010-03-10 | 2014-04-10 | Shapequest, Inc. | Systems and methods for 2D image and spatial data capture for 3D stereo imaging |
| CN106971403A (zh) * | 2017-04-27 | 2017-07-21 | 武汉数文科技有限公司 | 点云图像处理方法及装置 |
| CN109035422B (zh) * | 2018-06-06 | 2019-06-07 | 贝壳找房(北京)科技有限公司 | 一种提取室内三维模型中平面区域的方法及系统 |
| CN110148173A (zh) * | 2019-05-21 | 2019-08-20 | 北京百度网讯科技有限公司 | 目标定位的方法和装置、电子设备、计算机可读介质 |
| CN110148206A (zh) * | 2018-08-30 | 2019-08-20 | 杭州维聚科技有限公司 | 多空间的融合方法 |
| CN111091594A (zh) * | 2019-10-17 | 2020-05-01 | 贝壳技术有限公司 | 多点云平面融合方法及装置 |
| CN111145352A (zh) * | 2019-12-20 | 2020-05-12 | 北京乐新创展科技有限公司 | 一种房屋实景图展示方法、装置、终端设备及存储介质 |
| CN111325779A (zh) * | 2020-02-07 | 2020-06-23 | 贝壳技术有限公司 | 点云配准方法和装置、电子设备和存储介质 |
| CN111369664A (zh) * | 2020-02-10 | 2020-07-03 | 北京城市网邻信息技术有限公司 | 显示户型场景的方法、装置、设备、存储介质 |
| CN111369424A (zh) * | 2020-02-10 | 2020-07-03 | 北京城市网邻信息技术有限公司 | 生成目标房屋的三维空间的方法、装置、设备、存储介质 |
-
2020
- 2020-09-04 CN CN202010920699.9A patent/CN112037279B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140098199A1 (en) * | 2010-03-10 | 2014-04-10 | Shapequest, Inc. | Systems and methods for 2D image and spatial data capture for 3D stereo imaging |
| CN106971403A (zh) * | 2017-04-27 | 2017-07-21 | 武汉数文科技有限公司 | 点云图像处理方法及装置 |
| CN109035422B (zh) * | 2018-06-06 | 2019-06-07 | 贝壳找房(北京)科技有限公司 | 一种提取室内三维模型中平面区域的方法及系统 |
| CN110148206A (zh) * | 2018-08-30 | 2019-08-20 | 杭州维聚科技有限公司 | 多空间的融合方法 |
| CN110148173A (zh) * | 2019-05-21 | 2019-08-20 | 北京百度网讯科技有限公司 | 目标定位的方法和装置、电子设备、计算机可读介质 |
| CN111091594A (zh) * | 2019-10-17 | 2020-05-01 | 贝壳技术有限公司 | 多点云平面融合方法及装置 |
| CN111145352A (zh) * | 2019-12-20 | 2020-05-12 | 北京乐新创展科技有限公司 | 一种房屋实景图展示方法、装置、终端设备及存储介质 |
| CN111325779A (zh) * | 2020-02-07 | 2020-06-23 | 贝壳技术有限公司 | 点云配准方法和装置、电子设备和存储介质 |
| CN111369664A (zh) * | 2020-02-10 | 2020-07-03 | 北京城市网邻信息技术有限公司 | 显示户型场景的方法、装置、设备、存储介质 |
| CN111369424A (zh) * | 2020-02-10 | 2020-07-03 | 北京城市网邻信息技术有限公司 | 生成目标房屋的三维空间的方法、装置、设备、存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| CHARLES R. QI 等: "ImVoteNet: Boosting 3D Object Detection in Point Clouds with Image Votes", 《CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
| YECHENG LYU 等: "Learning to Segment 3D Point Clouds in 2D Image Space", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
| 刘力荣 等: "基于影像与激光数据的小交标检测与地理定位", 《中国激光》 * |
| 范小辉 等: "基于深度图的三维激光雷达点云目标分割方法", 《中国激光》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200916A (zh) * | 2020-12-08 | 2021-01-08 | 深圳市房多多网络科技有限公司 | 房屋户型图的生成方法、装置、计算设备和存储介质 |
| CN112200916B (zh) * | 2020-12-08 | 2021-03-19 | 深圳市房多多网络科技有限公司 | 房屋户型图的生成方法、装置、计算设备和存储介质 |
| CN112950759A (zh) * | 2021-01-28 | 2021-06-11 | 北京房江湖科技有限公司 | 基于房屋全景图的三维房屋模型构建方法及装置 |
| CN113269877A (zh) * | 2021-05-25 | 2021-08-17 | 三星电子（中国）研发中心 | 获取房间布局平面图的方法和电子设备 |
| CN113269877B (zh) * | 2021-05-25 | 2023-02-21 | 三星电子（中国）研发中心 | 获取房间布局平面图的方法和电子设备 |
| CN117953224A (zh) * | 2024-03-27 | 2024-04-30 | 暗物智能科技(广州)有限公司 | 一种开放词汇3d全景分割方法及系统 |
| CN117953224B (zh) * | 2024-03-27 | 2024-07-05 | 暗物智能科技(广州)有限公司 | 一种开放词汇3d全景分割方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112037279B (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112037279B (zh) | 物品位置识别方法和装置、存储介质、电子设备 | |
| CN108229355B (zh) | 行为识别方法和装置、电子设备、计算机存储介质 | |
| CN108229322B (zh) | 基于视频的人脸识别方法、装置、电子设备及存储介质 | |
| WO2022095543A1 (zh) | 图像帧拼接方法和装置、可读存储介质及电子设备 | |
| CN105069424B (zh) | 面部快速识别系统和方法 | |
| JP6590609B2 (ja) | 画像解析装置及び画像解析方法 | |
| CN111612842B (zh) | 生成位姿估计模型的方法和装置 | |
| CN111428805B (zh) | 显著性物体的检测方法、模型、存储介质及电子设备 | |
| CN112509047A (zh) | 基于图像的位姿确定方法、装置、存储介质及电子设备 | |
| CN107122743B (zh) | 安防监控方法、装置和电子设备 | |
| US9865061B2 (en) | Constructing a 3D structure | |
| CN112489114A (zh) | 图像转换方法、装置、计算机可读存储介质及电子设备 | |
| WO2022199360A1 (zh) | 运动物体的定位方法、装置、电子设备及存储介质 | |
| CN114757301A (zh) | 车载视觉感知方法和装置、可读存储介质、电子设备 | |
| WO2022237026A1 (zh) | 平面信息检测方法及系统 | |
| WO2020137193A1 (ja) | 人検出装置および人検出方法 | |
| WO2020202865A1 (ja) | 人検出装置および人検出方法 | |
| Jung et al. | Object Detection and Tracking‐Based Camera Calibration for Normalized Human Height Estimation | |
| CN113793370B (zh) | 三维点云配准方法、装置、电子设备及可读介质 | |
| US10600202B2 (en) | Information processing device and method, and program | |
| CN112507848B (zh) | 一种移动端实时人脸姿态估计方法 | |
| WO2023231435A1 (zh) | 视觉感知方法、装置、存储介质和电子设备 | |
| CN112270246A (zh) | 视频行为识别方法及装置、存储介质、电子设备 | |
| WO2022262273A1 (zh) | 光心对齐检测方法和装置、存储介质、电子设备 | |
| JP6163732B2 (ja) | 画像処理装置、プログラム、及び方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210412 Address after: 100085 Floor 101 102-1, No. 35 Building, No. 2 Hospital, Xierqi West Road, Haidian District, Beijing Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd. Address before: Unit 05, room 112, 1st floor, office building, Nangang Industrial Zone, economic and Technological Development Zone, Binhai New Area, Tianjin 300457 Applicant before: BEIKE TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |