| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 221 | 一种适用于深度学习图像识别的摄像机 | CN202020705466.2 | 2020-04-30 | CN211531183U | 2020-09-18 | 伏凌; 魏蛟龙 |
| 本实用新型提供一种适用于深度学习图像识别的摄像机，所述固定架为截面呈L形的板状结构，所述固定架的右侧端面开设有安装螺孔，所述固定架的上侧位置开设有通孔，所述固定架的下侧端面连接固定有护套且护套的内径与通孔的直径相同，所述护套的侧面安装有安装结构，所述护套的内壁与固定柱的外壁相贴合，所述固定柱的上侧位置经由转轴与摄像机主体相固定，通过设置护套来实现对固定柱的卡接，通过固定盘向一侧移动带动滑动块在外筒的内部进行滑动，进而使得复位弹簧被拉伸，卡柱向靠近外筒的一侧移动，该设计便于工作人员将固定柱从护筒的内部抽出；提高了摄像头主体拆卸的便捷性。 | ||||||
| 222 | 一种基于深度学习的图像分类识别处理散热柜 | CN201820473474.1 | 2018-04-04 | CN207969276U | 2018-10-12 | 廖鹏; 苏航; 韩延巾; 李启芳; 刘宸铭 |
| 本实用新型涉及散热技术领域，且公开了一种基于深度学习的图像分类识别处理散热柜，包括保护罩，所述保护罩的内壁底部固定连接有吸热板，所述吸热板的顶部固定连接有支脚，所述支脚的顶部固定连接有横杆，所述横杆的正面固定连接有支杆，所述支杆的顶部活动连接有底座，所述底座的顶部固定连接有冷凝器，所述底座的右侧且位于冷凝器的后方固定连接有连接板。该基于深度学习的图像分类识别处理散热柜，通过冷凝器对冷却水管内部所流通的水进行高效的降温处理，水的温度更低，对主体装置的降温效率高、效果好，避免了主体装置内部元件受到高温损害，冷却水管的水可回流至冷凝器，提升了对低温水的利用效率。 | ||||||
| 223 | 一种直接利用深度数据渲染三维图像的装置 | CN201520128564.3 | 2015-03-06 | CN204463232U | 2015-07-08 | 惠鹏宇 |
| 本实用新型涉及一种直接利用深度数据渲染三维图像的装置，该装置包括壳体、第一阶梯、第二阶梯、若干个同心正方体、若干个同心圆柱体、水平仪，其中：第一阶梯和第二阶梯相对地设置在壳体的同一侧；若干个同心正方体设置在第一阶梯的内侧；若干个同心圆柱体与同心正方体相对地设置在第二阶梯的内侧；水平仪设置在若干个同心正方体与若干个同心圆柱体之间。本实用新型能够对照相机进行有效校正，利用同心圆原理以及图像灰度与距离的对应关系，使照相机与拍摄物体平行并能进行图像比例测算，可以使照相机的镜头平行于拍摄平面，使照相机的拍摄效果更佳，从而很好地满足实际应用的需要，填补了这一领域的技术空白。 | ||||||
| 224 | 一种单一传感器的三维深度图像数据扫描装置 | CN201520164109.9 | 2015-03-23 | CN204461397U | 2015-07-08 | 王书平; 张克华; 石栋; 刘润之; 肖志兰 |
| 本实用新型公开了一种单一传感器的三维深度图像数据扫描装置，包括扫描装置基台、传感器支架、伺服电机、Kinect传感器、推力轴承和托台，所述传感器支架固定在扫描装置基台上，伺服电机固定在扫描装置基台下面，圆柱头部与托台固定，托台上用于安装扫描的物体，推力轴承安装于扫描装置基台的凹槽内，通过伺服电机的旋转，使得托台通过推力轴承在扫描装置基台上旋转，从而使得Kinect传感器扫描到托台上物体不同方位的形状。本装置设计合理，结构简单，操作方便，工件受力均匀，不但解决了传统设备笨重，制造成本昂贵的问题，而且解决了单一传感器360°扫描完整物体轮廓，便于安装，易于调整，可有效提高扫描精度与速度。 | ||||||
| 225 | 深度传感器和包括深度传感器的图像检测系统 | CN202210618738.9 | 2022-06-01 | CN115567790A | 2023-01-03 | 林政昱 |
| 提供了深度传感器和包括深度传感器的图像检测系统。深度传感器包括基于感测光生成图像信号的像素。所述像素包括：第一光电晶体管，基于在积分时段期间切换的第一光电栅极信号对第一电荷进行积分；第二光电晶体管，基于在积分时段期间切换的第二光电栅极信号对第二电荷进行积分；第一传输晶体管，基于第一传输栅极信号将第一电荷传输到第一浮置扩散节点；第二传输晶体管，基于第一传输栅极信号将第二电荷传输到第二浮置扩散节点；以及开关，与第一光电晶体管、第二光电晶体管、第一传输晶体管和第二传输晶体管连接。 | ||||||
| 226 | 多视点图像的深度估计方法和深度估计设备 | CN201710413057.8 | 2017-06-05 | CN108986155B | 2021-12-07 | 田虎; 李斐 |
| 本发明公开了一种多视点图像的深度估计方法和深度估计设备。该方法包括：向同一场景的多个图像的每个像素分配表征深度和表征切平面法向的参数；每个图像作为当前图像执行：a)选择代价函数值满足条件的像素作为种子像素；b)更新种子像素周围的满足条件的周围像素的参数；c)在周围像素的参数的预定范围内，随机搜索，得到局部最优值；d)将代价函数值满足条件的周围像素增加为种子像素；e)重复b)、c)、d)步骤，直至没有满足条件的周围像素；f)为当前图像中的每个像素随机生成参数，在满足条件的情况下，将该像素的当前参数用随机生成的参数代替；g)重复步骤a)‑f)，直至满足条件；h)将当前图像中每个像素的深度参数决定的深度值确定为深度值。 | ||||||
| 227 | 一种基于深度学习的深度图像语义分割方法 | CN202011215611.X | 2020-11-04 | CN112329780A | 2021-02-05 | 盛伟国; 陈浩天 |
| 本发明公开了一种基于深度学习的深度图像语义分割方法。本发明步骤如下：1：处理数据集并将处理后的数据集输入到ResNet网络模型中。2：将步骤1中处理好的数据集输入到ResNet网络下采样阶段，在下采样编码阶段使用分别训练逐渐融合的方式将RGB图像和深度图像的信息进行融合，得到下采样编码阶段提取到的特征。3：将步骤2中由ResNet网络下采样编码阶段提取到的特征输入到在上采样编码阶段，在上采样编码阶段过程加入强化监督模块，优化语义分割结果，进行更深层的特征提取。4：利用步骤3所训练获得的网络模型进行深度图像语义分割。本发明使特征在深层的网络中不被损耗，在上采样过程加入强化监督模块，优化语义分割结果。 | ||||||
| 228 | 一种基于深度学习的深度图像去噪及增强方法 | CN201610169589.7 | 2016-03-23 | CN105825484B | 2018-06-22 | 张鑫; 廖轩; 吴锐远 |
| 本发明公开了一种基于深度学习的深度图像去噪及增强方法，包括：构建深度图像去噪及增强卷积神经网络，该网络由三层卷积单元组成，分别完成输入图像的特征提取，非线性映射以及图像重建的功能。联合地使用深度和视觉图像作为卷积神经网络的输入，其中，对于视觉图先灰度化为灰度图像，将经过图像预处理来增强边缘信息和取出冗余的信息。对于深度图像，按照一定间隔切分为图像块，采取旋转和像素翻转数据扩充的方法增加有效地数据，并丢弃其中的干扰块和冗余块。基于权重图的损耗训练深度图像增强卷积神经网络，自适应地提升网络的学习效率。本方法可以实时地对带噪深度图像进行黑点填充和去噪，并取得很好的视觉效果和深度值恢复效果。 | ||||||
| 229 | 基于组合的深度提示从单视场图像生成深度图 | CN201380055544.1 | 2013-10-28 | CN104756491B | 2017-07-25 | 吴琛; D·穆克赫吉; M·王 |
| 基于用于图像的颜色深度图、空间深度图和运动深度图的加权组合针对单视场图像生成了组合的深度图，每个深度图描述图像中的像素相对于图像平面的深度。颜色深度图根据像素的颜色来确定像素的深度，空间深度图根据图像中像素的位置来确定像素的深度，以及运动深度图根据图像中像素的运动来确定像素的深度。深度图中的每个深度图与用于生成加权组合的权重相关联。权重自适应地说明不同单视场图像之间的变化。 | ||||||
| 230 | 图像深度估计方法、深度图生成方法及装置 | CN201510859849.9 | 2015-11-30 | CN106815865A | 2017-06-09 | 李昂; 陈敏杰; 郭春磊; 林福辉 |
| 一种图像深度估计方法、深度图生成方法及装置。所述图像深度估计方法包括：获取N张在同一视角、相同焦距但不同像距拍摄的图像{I1,I2,…,IN}；分别根据所述图像{I1,I2,…,IN}生成对应的局部方差图；从各所述局部方差图中搜索每个像素点对应的方差最大的图像，并将搜索到的方差最大的图像对应的物距作为所述像素点的深度估计值。应用所述图像深度估计方法可以降低图像深度估计过程的复杂度及硬件成本。 | ||||||
| 231 | 深度像素和包括该深度像素的三维图像传感器 | CN201410053535.5 | 2014-02-17 | CN104051483A | 2014-09-17 | 吴敏锡; 孔海庆; 金泰瓒; 安正言卓; 林茂燮 |
| 提供了一种深度像素和包括该深度像素的三维图像传感器。所述深度像素包括光检测区、第一光栅极、第二光栅极、第一浮动扩散区和第二浮动扩散区。光检测区基于由对象反射的光来收集光电荷。收集到的光电荷基于在光检测区中的内电场在第一方向和与第一方向不同的第二方向上漂移。第一光栅极响应于第一光控制信号而被激活。如果第一光栅极被激活，则第一浮动扩散区积累在第一方向上漂移的第一光电荷。第二光栅极响应于第一光控制信号而被激活。如果第二光栅极被激活，则第二浮动扩散区积累在第二方向上漂移的第二光电荷。 | ||||||
| 232 | 多视角视频图像深度搜索方法及深度估计方法 | CN200810300330.7 | 2008-02-03 | CN100592338C | 2010-02-24 | 张小云; 乔治L.杨 |
| 本发明涉及多视角视频图像处理技术，本发明提出一种搜索步长的自适应确定方法与一种基于自适应搜索步长的深度估计方法。多视角视频图像深度搜索方法，在深度搜索范围内每一步的搜索步长根据当前深度值动态调整，使得每一步的搜索步长对应于相同的像素搜索精度；多视角视频图像的深度估计方法，在利用基于深度的视图合成和基于块配的深度搜索中，在深度搜索范围内，每一步的搜索步长根据当前深度值动态调整；本发明技术方案适用于多视角视频的深度搜索与深度估计，本发明的深度搜索性能上高于固定搜索步长，深度估计中合成的图像块与参考图像块的绝对差小，错误估计少，且计算量或深度搜索次数少。 | ||||||
| 233 | 一种基于深度学习的深度图像语义分割方法 | CN202011215611.X | 2020-11-04 | CN112329780B | 2023-10-27 | 盛伟国; 陈浩天 |
| 本发明公开了一种基于深度学习的深度图像语义分割方法。本发明步骤如下：1：处理数据集并将处理后的数据集输入到ResNet网络模型中。2：将步骤1中处理好的数据集输入到ResNet网络下采样阶段，在下采样编码阶段使用分别训练逐渐融合的方式将RGB图像和深度图像的信息进行融合，得到下采样编码阶段提取到的特征。3：将步骤2中由ResNet网络下采样编码阶段提取到的特征输入到在上采样编码阶段，在上采样编码阶段过程加入强化监督模块，优化语义分割结果，进行更深层的特征提取。4：利用步骤3所训练获得的网络模型进行深度图像语义分割。本发明使特征在深层的网络中不被损耗，在上采样过程加入强化监督模块，优化语义分割结果。 | ||||||
| 234 | 一种基于深度学习的单目图像深度估计方法 | CN202210755139.1 | 2022-06-30 | CN115147473A | 2022-10-04 | 曾一林; 张欣; 王琪琪; 王铎; 刘德太 |
| 本申请公开了一种基于深度学习的单目图像深度估计方法，所述单目图像深度估计方法包括如下步骤：利用一个cnn网络，该网络的输入是单个的图像像素值，输出就是对应像素点的深度；利用另一个开源预训练的CNN网络，输入每个图像，提取隐层特征Fi；利用光流法，计算任意两帧(比如第i帧和第i+1帧)之间的相对位姿Ti,i+1，具体释义过程如下，D表示初始深度图的，F表示特征图，T表示相对位姿；初始的深度存在不准确现象，对于每一帧，我们取前后各5帧作为窗口，计算该帧的深度估计不确定度；在上一步骤中，对于每一帧，我们已经获取了不确定性no‑conf标，并且得到了调整之后的深度图。 | ||||||
| 235 | 一种提高深度图像帧率的方法和深度相机组 | CN201910160619.1 | 2019-03-04 | CN109889690B | 2022-08-16 | 孔庆磊 |
| 本发明公开了一种提高深度图像帧率的方法和深度相机组，该方法包括控制光源的发光时间段并根据所述发光时间段生成同步信号，将所述同步信号发送给深度相机组中的各深度相机，所述深度相机组包括至少两个深度相机；所述深度相机，根据所述同步信号进行曝光，在曝光时间段内采集深度图像；根据所述同步信号对传输的所述深度图像进行合并，得到合并后的深度图像。本发明实施例提高了深度图像帧率，降低了图像延迟并满足了实际应用需求，优化了用户体验。 | ||||||
| 236 | 多视点图像的深度估计方法和深度估计设备 | CN201710111586.2 | 2017-02-28 | CN108510536B | 2021-09-21 | 田虎; 李斐 |
| 本发明公开了一种多视点图像的深度估计方法和深度估计设备。该方法包括：将同一场景的多个图像中的每个图像作为当前图像执行如下处理：获得当前图像中每个像素的初始深度值；将当前图像划分为多个超像素；基于所述初始深度值，根据预定约束条件，得到多个超像素的平面参数；以及基于超像素的平面参数，生成超像素中每个像素的深度值；其中，所述预定约束条件包括：共连接约束，所述共连接约束与彼此不遮挡的相邻超像素上的临近点的深度值差异有关。 | ||||||
| 237 | 一种基于深度学习的光场图像深度估计方法 | CN202010733319.0 | 2020-07-27 | CN112150526A | 2020-12-29 | 郑臻荣; 王旭成; 陶骁; 陶陈凝; 吴仍茂; 孙鹏 |
| 本发明公开了一种基于深度学习的光场图像深度估计方法，包括如下步骤：根据光场相机的参数信息，解码重构光场源文件，提取子孔径图像阵列；将子孔径图像输入训练好的神经网络，计算得到估计的深度图；对估计的深度图进行滤波优化，得到最终估计的深度图。本发明在神经网络的基础上结合了极平面图像分析和图像分割的方法，同时利用了深度特征和图像的边缘信息，改善了对实际光场图像进行深度估计过程中存在的误匹配问题，能够对合成和实际光场图像进行快速准确的深度估计。 | ||||||
| 238 | 基于深度自适应滤波的彩色深度图像修复方法 | CN201910332347.9 | 2019-04-24 | CN110097590A | 2019-08-06 | 何建军; 裴雨听; 齐文琴; 郝思宇; 汪泽睿; 文青勇; 刘健; 廖敏; 王丽萍; 王艺蓉; 何广平 |
| 本发明公开了一种基于深度自适应滤波的彩色深度图像修复方法，用深度摄像头获取深度图像和于深度图像对应的彩色图像，提取它们的边缘、获得它们的距离图像，并根据深度图像的距离图像获得去除不相关边缘后的彩色边缘图像G1，再以深度图像边缘和G1的边缘为边界，分别以距离图像D1、距离图像D2的像素值递减方向为生长方向，得到掩模M1和掩模M2，对M1和M2进行逻辑与操作得到M3，这样得到的M3可以解决生长区域溢出的情况，避免噪声混入。根据M3能找到无效像素区域，计算该区域内各像素点的最优深度值，利用最优深度值对该区域内像素点进行填充，再根据深度图像噪声的特殊性，运用深度自适应滤波器对噪声进行去除，完成深度图像的修复。 | ||||||
| 239 | 多视点图像的深度估计方法和深度估计设备 | CN201710111586.2 | 2017-02-28 | CN108510536A | 2018-09-07 | 田虎; 李斐 |
| 本发明公开了一种多视点图像的深度估计方法和深度估计设备。该方法包括：将同一场景的多个图像中的每个图像作为当前图像执行如下处理：获得当前图像中每个像素的初始深度值；将当前图像划分为多个超像素；基于所述初始深度值，根据预定约束条件，得到多个超像素的平面参数；以及基于超像素的平面参数，生成超像素中每个像素的深度值；其中，所述预定约束条件包括：共连接约束，所述共连接约束与彼此不遮挡的相邻超像素上的临近点的深度值差异有关。 | ||||||
| 240 | 基于组合的深度提示从单视场图像生成深度图 | CN201380055544.1 | 2013-10-28 | CN104756491A | 2015-07-01 | 吴琛; D·穆克赫吉; M·王 |
| 基于用于图像的颜色深度图、空间深度图和运动深度图的加权组合针对单视场图像生成了组合的深度图，每个深度图描述图像中的像素相对于图像平面的深度。颜色深度图根据像素的颜色来确定像素的深度，空间深度图根据图像中像素的位置来确定像素的深度，以及运动深度图根据图像中像素的运动来确定像素的深度。深度图中的每个深度图与用于生成加权组合的权重相关联。权重自适应地说明不同单视场图像之间的变化。 | ||||||
QQ群二维码
意见反馈
意见反馈