点云深度感知编码引擎的制作方法

本发明涉及一种点云深度感知编码引擎。

背景技术：

3d摄像机，利用的是3d镜头制造的摄像机，通常具有两个摄像镜头以上，间距与人眼间距相近，能够拍摄出类似人眼所见的针对同一场景的不同图像。全息3d具有圆盘5镜头以上。

第一台3d摄像机迄今3d革命全部围绕好莱坞重磅大片和重大体育赛事展开。随着3d摄像机的问世，这项技术距离家庭用户又近了一步。在这款摄像机推出以后，我们今后就可以用3d镜头捕捉人生每一个难忘瞬间，比如孩子迈出的第一步，大学毕业庆典等。

3d摄像机通常有两个以上镜头。3d摄像机本身的功能就像人脑一样，可以将两个镜头图像融合在一起，变成一个3d图像。这些图像可以在3d电视上播放，观众佩戴所谓的主动式快门眼镜即可观看，也可通过裸眼3d显示设备直接观看。3d快门式眼镜能够以每秒60次的速度令左右眼镜的镜片快速交错开关。这意味着每只眼睛看到的是同一场景的稍显不同的画面，所以大脑会由此以为其是在欣赏以3d呈现的单张照片。

现有的3d摄像机获取的影像不规范、无法控制的缺陷。

技术实现要素：

本发明要解决的技术问题是为了克服现有技术中3d摄像机获取的影像不容易处理、控制的缺陷，提供一种能够获取更加规范的数字点云，使获取的3d影像更加容易管理、控制的点云深度感知编码引擎。

本发明是通过下述技术方案来解决上述技术问题：

一种点云深度感知编码引擎，其特点在于，所述点云深度感知编码引擎包括一语义模块以及一变形模块，

对于一包括数字点云的3d影像，所述语义模块用于通过人工智能深度学习算法利用预存影像上数字点的语义信息来感知所述3d影像上数字点的语义信息；

所述变形模块用于通过人工智能深度学习算法利用所述预存影像上张量模型生成数字点上设有张量模型的3d影像；

其中，数字点云上设有语义信息及张量模型的3d影像为感知编码。

较佳地，所述语义模块包括一匹配子模块以及一处理子模块，所述点云深度感知编码引擎还包括一获取模块，

所述获取模块用于获取一3d影像；

所述匹配子模块用于将所述3d影像与一预存影像库匹配，预存影像库中每一预存影像上的影像点标记有语义信息；

所述处理子模块用于通过人工智能深度学习算法利用所述预存影像上影像点的语义信息来感知所述3d影像上影像点的语义信息。

较佳地，所述语义模块包括一生成子模块，

所述生成子模块用于获取目标影像生成所述预存影像库，所述目标影像为通过工业用3d摄像机获取精确影像，并在所述精确影像上的目标影像点上标记语义信息。

较佳地，所述点云深度感知编码引擎还包括一获取模块，所述变形模块还包括一匹配子模块、一处理子模块以及一控制子模块，

所述获取模块用于获取一3d影像；

所述匹配子模块用于将所述3d影像与一预存影像库匹配，预存影像库中每一预存影像上设有用于调节预存影像的数字点形状的张量模型；

所述处理子模块用于通过人工智能深度学习算法利用所述预存影像上张量模型生成数字点上设有张量模型的3d影像；

所述控制子模块用于控制所述3d影像上数字点通过张量模型进行变形。

较佳地，所述张量模型为预存影像上设置的表示数字点之间关系的函数式，所述处理子模块用于通过人工智能深度学习算法利用所述预存影像上函数式来设置所述3d影像上数字点之间的函数式。

较佳地，预存影像库中每一预存影像划分为若干区域，每一区域内设有表示同一区域内数字点之间关系的函数式，所述变形模块还包括一划分子模块，

所述划分子模块用于通过人工智能深度学习算法利用所述预存影像上的区域位置在所述3d影像上划分区域；

对于所述3d影像上的一目标区域，所述处理子模块用于通过人工智能深度学习算法利用所述预存影像上函数式来设置所述3d影像上所述目标区域内的数字点之间的函数式。

较佳地，对于预存影像库中一目标预存影像，划分子模块用于所述获取目标预存影像中相邻数字点之间的函数式，所述函数式为多项式函数；

划分子模块还用于通过人工智能深度学习获取若干穿过相邻数字点之间的分割线，并计算分割线穿过的全部相邻数字点之间的多项式函数的最高次项的次数总和，以次数总和低于预设值的分割线划分目标预存影像的区域。

较佳地，所述变形模块还包括一调节子模块，

所述匹配子模块用于将所述3d影像与所述预存影像库中的一目标影像匹配；

所述调节子模块用于通过人工智能深度学习算法按所述3d影像的空间形状调节目标影像的空间形状；

所述处理子模块用于将调节空间形状后的目标影像作为所述数字点上设有张量模型的3d影像。

较佳地，所述调节子模块用于将3d影像与目标影像重叠放置以获取目标影像上数字点到3d影像的距离；

所述调节子模块还用于获取所述距离最大的数字点为控制点，并将所述控制点向3d影像所在方向移动目标长度；

所述调节子模块还用于利用所述目标影像的张量模型将控制点周围的周围控制点向3d影像所在方向移动计算长度，每一周围控制点的计算长度大小与周围控制点到控制点的距离成反比，所述计算长度小于所述目标长度。

较佳地，所述控制子模块用于获取一用于调节所述3d影像上目标数字点的调节指令；

所述控制子模块还用于按照调节指令将所述目标数字点向目标方向移动指令长度；

所述控制子模块还用于利用所述3d影像的张量模型将目标数字点周围的周围数字点向目标方向移动计算长度，每一周围数字点的计算长度大小与周围数字点到目标数字点的距离成反比，所述计算长度小于所述目标长度。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：

本发明的点云深度感知编码引擎能够获取更加规范、可以调节形状的数字点云，使获取的3d影像更加容易管理、控制，而且能够降低运算所耗资源。

附图说明

图1为本发明实施例1的点云深度感知编码引擎的结构示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

本实施例提供一种点云深度感知编码引擎，所述点云深度感知编码引擎包括一语义模块11以及一变形模块12。

对于一包括数字点云的3d影像，所述语义模块用于通过人工智能深度学习算法利用预存影像上数字点的语义信息来感知所述3d影像上数字点的语义信息；

所述变形模块用于通过人工智能深度学习算法利用所述预存影像上张量模型生成数字点上设有张量模型的3d影像；

其中，数字点云上设有语义信息及张量模型的3d影像为感知编码。

具体地，所述语义模块包括一匹配子模块111、一生成子模块112以及一处理子模块113，所述点云深度感知编码引擎还包括一获取模块。

所述获取模块用于获取一3d影像；

所述匹配子模块用于将所述3d影像与一预存影像库匹配，预存影像库中每一预存影像上的影像点标记有语义信息；

所述处理子模块用于通过人工智能深度学习算法利用所述预存影像上影像点的语义信息来感知所述3d影像上影像点的语义信息。

其中，所述语义模块包括一生成子模块，所述点云深度感知编码引擎通过生成子模块获取预存影像库。

所述生成子模块用于获取目标影像生成所述预存影像库，所述目标影像为通过工业用3d摄像机获取精确影像，并在所述精确影像上的目标影像点上标记语义信息。

预存影像库中的数字点(影像点)，标记语义信息可以通过手工标记也可以通过人工智能识别影像点的身份，然后添加语义信息。所述语义信息能够记载影像点的身份，从而将初始3d影像进行数字化处理，让机器获取影像中各个影像点的含义。

本申请通过对标准影像(预存影像库)中的影像进行学习，获取预存影像库中影像的规律，从而能够给3d影像进行标记，使计算机自动识别各个数字点的语义(符号所蕴含的意义就是语义)。

进一步地，所述变形模块还包括一匹配子模块121、一处理子模块122以及一控制子模块123。

所述获取模块用于获取一3d影像；

所述变形模块的匹配子模块用于将所述3d影像与一预存影像库匹配，预存影像库中每一预存影像上设有用于调节预存影像的数字点形状的张量模型；

所述处理子模块用于通过人工智能深度学习算法利用所述预存影像上张量模型生成数字点上设有张量模型的3d影像；

所述控制子模块用于控制所述3d影像上数字点通过张量模型进行变形。

所述张量模型为预存影像上设置的表示数字点之间关系的函数式，所述处理子模块用于通过人工智能深度学习算法利用所述预存影像上函数式来设置所述3d影像上数字点之间的函数式。

机器学习通过算法，让机器可以从外界输入的大量的数据中学习到规律，从而进行识别判断。本申请通过对标准影像(预存影像库)中的影像进行学习，获取预存影像库中影像的规律，从而能够获取人脸模型的起伏规律，如鼻子的曲线和鼻尖存在的模型关系，通过数字点之间的关系能够建立张量模型，张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数。

进一步地，预存影像库中每一预存影像划分为若干区域，每一区域内设有表示同一区域内数字点之间关系的函数式，所述变形模块还包括一划分子模块，

所述划分子模块用于通过人工智能深度学习算法利用所述预存影像上的区域位置在所述3d影像上划分区域；

对于所述3d影像上的一目标区域，所述处理子模块用于通过人工智能深度学习算法利用所述预存影像上函数式来设置所述3d影像上所述目标区域内的数字点之间的函数式。

由于每个影像点之间的联系非常复杂，如果从整体来计算一个影像点移动会牵连哪些影像点，计算量非常的庞大，因此将联动关系较为明显的影像点划分为同一区域，从而切断和区域外影像点的联系，能够降低计算量。

本实施例的变形模块还用于划分区域。

对于预存影像库中一目标预存影像，划分子模块用于所述获取目标预存影像中相邻数字点之间的函数式，所述函数式为多项式函数；

划分子模块还用于通过人工智能深度学习获取若干穿过相邻数字点之间的分割线，并计算分割线穿过的全部相邻数字点之间的多项式函数的最高次项的次数总和，以次数总和低于预设值的分割线划分目标预存影像的区域。

所述控制子模块在接收到调节指令后对感知编码的形状做出调节控制，具体为：

所述控制子模块用于获取一用于调节所述3d影像上目标数字点的调节指令；

所述控制子模块还用于按照调节指令将所述目标数字点向目标方向移动指令长度；

所述控制子模块还用于利用所述3d影像的张量模型将目标数字点周围的周围数字点向目标方向移动计算长度，每一周围数字点的计算长度大小与周围数字点到目标数字点的距离成反比，所述计算长度小于所述目标长度。

实施例2

本实施例与实施例1基本相同，不同之处减灾与。

所述变形模块还包括一调节子模块。

所述变形模块的匹配子模块用于将所述3d影像与所述预存影像库中的一目标影像匹配；

所述调节子模块用于通过人工智能深度学习算法按所述3d影像的空间形状调节目标影像的空间形状；

所述处理子模块用于将调节空间形状后的目标影像作为所述数字点上设有张量模型的3d影像。

调节子模块调节3d影像的具体方式为：

所述调节子模块用于将3d影像与目标影像重叠放置以获取目标影像上数字点到3d影像的距离；

所述调节子模块还用于获取所述距离最大的数字点为控制点，并将所述控制点向3d影像所在方向移动目标长度；

所述调节子模块还用于利用所述目标影像的张量模型将控制点周围的周围控制点向3d影像所在方向移动计算长度，每一周围控制点的计算长度大小与周围控制点到控制点的距离成反比，所述计算长度小于所述目标长度。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。