.png){kind=icon}
返回
Object-Based Camera Pose Estimation from a Single Object Detection and Gravity Vector
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-14492-8_16.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于椭球-椭圆对应关系的姿态估计最新结果，这些对应关系可从对象检测器中直接获取，允许从对象级对应关系直接计算相机姿态。然而，标准边界框（无论是水平边界框还是最小包围框）具有对称性，这引入了固有的对应关系歧义，导致产生多个甚至无限个解。此外，当前最先进的方法需要至少两个此类对应关系才能为相机旋转提供足够的约束条件。我们的贡献使基于对象的姿态估计在实际中更高效：首先，提出了一种新的对象检测方法，称为方向性对象边界框（DOBB），它能够检测对象自身的方向及其最小包围框（OBB），且两者相互独立，这不仅打破了OBB的对称性，还为我们提出的姿态估计方法提供了必要的附加几何信息。其次，提出了一种新的基于对象的鲁棒相机姿态估计流程，其中当已知垂直方向和对象相对于该轴的方向时，可通过单个对象获得最小解用于离群值过滤；随后，针对多个内点对象采用闭式最小二乘解计算相机姿态。比较测试证实，在标准KITTI360和7-Scenes数据集上，所提出的基于DOBB的姿态估计方法达到了最先进性能。
Keyword:
Object direction
camera pose
object detection
期刊
A
IF:
0
论文数:
30
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏A General Gaussian Heatmap Label Assignment for Arbitrary-Oriented Object Detection面向任意对象检测的通用高斯热图标签分配
OAAI
OAAI分享收藏KITTI-360: A Novel Dataset and Benchmarks for Urban Scene Understanding in 2D and 3DKITTI-360: 用于2D和3D城市场景理解的新型数据集和基准OAAI
OAAI分享收藏Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression距离-IoU损失: 边界盒回归的更快更好的学习
OAAI
OAAI分享收藏分享收藏
查看更多内容