[发明专利]一种基于3D视觉的AI智能物体识别方法

说明书

一种基于3D视觉的AI智能物体识别方法，包括：建立虚拟三维坐标系，以三维坐标系原点为中心、对称放置3个鱼眼相机，每个鱼眼相机前设置一个棋盘格标定板；从每个棋盘格标定板上选取若干角点作为特征点，获取特征点的三维坐标，并通过角点检测算法获得二维坐标，然后采用PNP算法，计算每个鱼眼相机从三维到二维空间的转换关系：旋转矩阵和平移矩阵；通过鱼眼相机的内参、旋转矩阵和平移矩阵，获得每个相机图像和三维空间的对应关系，然后将3个鱼眼相机采集图像拼接成3D视觉图像；构建并训练一个3D视觉图像识别网络，输入3D视觉图像，并将识别出的物体显示在图像上。本发明属于信息技术领域，能获得360度视场范围的场景图像，并准确识别场景中物体。

技术领域

本发明涉及一种基于3D视觉的AI智能物体识别方法，属于信息技术领域。

背景技术

物体识别是通过计算机视觉技术或者基于AI深度学习的一种判断图像中是否有特定物体的方法，包括行人、车辆、交通标志、动物等，并同时计算出物体所在的方位或者距离等信息。该技术可以与物体再识别、物体跟踪等技术相结合并应用于人工智能系统、车辆驾驶辅助系统、智能机器人、人类行为分析、智能交通和智能监控等场景。物体识别系统的研究起始于二十世纪九十年代中期。从最开始到2002年，研究者们借鉴、引入了一些图像处理、模式识别领域的成熟方法，侧重研究了物体的可用特征、简单分类算法。自2005年以来，物体识别技术的训练库趋于大规模化、检测精度趋于实用化、检测速度趋于实时化。随着高校、研究所以及汽车厂商的研究持续深入，物体识别技术得到了飞速的发展。目前物体识别方法的发展趋势为基于学习的物体检测方法，其中包括：基于AdaBoost Cascade的物体检测方法、基于SVM的物体检测方法、基于FieldModel的物体检测方法。这些方法从样本集中学习物体的不同变化，从而有很好的推广性和适用性。基于学习的物体检测可分为两类:基于物体的检测和基于物体部位的检测。例如，Viola等介绍了一种集成了图像灰度信息和运动信息的物体检测系统；NavneetDalal等提出了一个在单帧图像中用面向梯度的直方图描述物体的检测方法；Ying Wu等提出了一种新的统计模型来检测和跟踪可变形物体来识别场景中的物体；Girshic提出R-CNN检测方法，利用卷积神经网络提取图像特征，对候选框中的图像提取CNN特征之后送入SVM分类器训练，该方法在PASCAL数据集上的分类成绩超过当时任何其它方法，并且将卷积神经网络与图像局部区域提取技术相结合，借助卷积神经网络特征的学习能力，大幅度提升了目标检测的性能。

目前所有的物体识别方法都是对单副图像进行检测和识别的，在实际应用的时候单副图像的视场范围受限于相机的视场角，因此每次可以检测的范围非常有限。在很多场景中都需要全方位的进行检测，而单个摄像头视场角度有限无法覆盖所有视场范围，因此传统方法是在视场中放置多个摄像头进行同时识别，但这种方法不仅增加了系统开销，也不方便观察检测结果。

因此，如何有效获得360度视场范围的场景图像，并准确识别场景中的各种物体，已成为现有技术中亟待解决的技术问题之一。

发明内容

有鉴于此，本发明的目的是提供一种基于3D视觉的AI智能物体识别方法，能有效获得360度视场范围的场景图像，并准确识别场景中的各种物体。

为了达到上述目的，本发明提供了一种基于3D视觉的AI智能物体识别方法，包括有：

步骤一、建立虚拟三维坐标系，并以虚拟三维坐标系的原点为中心、对称的放置3个鱼眼相机，然后在每个鱼眼相机前设置一个棋盘格标定板；