CN101162204A - 基于辐射图像变动检测的小型车辆夹带物自动检测方法 - Google Patents
基于辐射图像变动检测的小型车辆夹带物自动检测方法 Download PDFInfo
- Publication number
- CN101162204A CN101162204A CNA2006101136199A CN200610113619A CN101162204A CN 101162204 A CN101162204 A CN 101162204A CN A2006101136199 A CNA2006101136199 A CN A2006101136199A CN 200610113619 A CN200610113619 A CN 200610113619A CN 101162204 A CN101162204 A CN 101162204A
- Authority
- CN
- China
- Prior art keywords
- image
- sigma
- template image
- examine
- template
- 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
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于辐射图像变动检测的小型车辆夹带物自动检测方法。首先对车辆扫描图像与模板图像进行自动配准,再用变动检测的方法查找夹带物。用辐射图像变动检测的方法对小型车辆或其它大型车辆车身内部的夹带物进行检测,车身是指车体除货箱以外的部分。
Description
技术邻域
本发明涉及一种基于射线辐射成像的安全检查技术,特别是涉及一种基于X射线、伽玛射线等辐射成像安全检查中的小型车辆夹带物自动检测技术。
背景技术
利用X射线辐射成像是对各种小型车辆进行安全检查的一种重要手段。X射线辐射成像基本原理是利用了不同物质对X射线的吸收不同,从而引起X射线穿透物体后形成X射线图像的像素灰度值不同。车辆通过X射线辐射成像系统成像后,检查员通过查看图像检查车上是否夹带有违禁物品,从而达到安全检查的目的。辐射图像是采用辐射成像系统获得。
由于小型车辆本身的设备比较多,所成图像很复杂,导致匿藏在其中的较小的夹带物经常难以被分辨出来。对同型号的小型车辆的图像,若用一幅在内部没有放置除车本身设备外的任何东西的情况下所成的模板图像来与其进行对照,检查它们之间的差异,则更容易发现夹带物。基于这样的考虑,申请人开发了一个针对小型车辆安全检查的剪影技术,先用鼠标拖动的方法让模板图像与待检查图像进行对准,然后两幅图像作差,差值大的地方就认为有夹带物,也可以用模板图像与待检查图像交替显示的方法,这样两幅图像来回闪烁,人眼更容易发现两幅图像之间的差异,从而分辨夹带物。
但是,上述技术的缺点在于,剪影需要检查员用鼠标拖动的方法让模板图像与目标图像进行对准。此外,对准后直接作差的结果会有比较多的噪声干扰,难以判断哪块有夹带物。交替显示的方法仍然需要检查员仔细观察,对X射线吸收率较小的夹带物,它引起的图像灰度值差别并不大,用交替显示的方法难以分辨。
发明内容
本发明为小型车辆安全检查系统提供一种自动检测夹带物的新功能,这个功能可以作为检查员的一个辅助手段。本发明也可用于对货车车身夹带物进行自动检测,方法基本相同,只是图像配准和变动检测操作只对扫描图像的车身部分进行。
本发明的目的就是为了解决以上问题:(1)解决手动对准的问题,实现模板图像与目标图像的自动配准;(2)用变动检测的方法代替两幅图像直接相减的方法,使检测结果噪声干扰较少;(3)改善提示效果,直接在待检查图像中用一种鲜艳的颜色上标出夹带物位置,检查员很容易就能看到,比用交替显示方法更轻松。
本发明的基本思路就是:用基于特征点对齐的方法将待检查图像与模板图像进行配准,然后用变动检测的方法计算两幅图像之间的差异,差异大的区域就是夹带物所在的区域。根据检测的结果,在待检查图像上用红色线条标明差异区域的轮廓,以提示检查员此处有夹带物。上述变动检测方法的结果噪声干扰小,夹带物非常明显。使用图像配准技术能自动将待检查图像与模板图像对齐,免除了手动对齐,而且比手动对齐对的更准确。
因此,本发明提供了一种检测车辆中夹带物的方法,包括步骤:成像步骤,用于对所述车辆进行辐射成像,得到该车辆的待检查图像;对准步骤,用于自动地将所述待检查图像和一个相应的模板对象进行对准,其中所述模板图像对应于该车辆的类型;变动检测步骤,用于对所述待检查图像和模板图像进行变动检测,找出所述待检查图像和所述模板图像之间的差异,从而找出车辆中的夹带物。
此外,根据本发明的一个实施例,还包括显示步骤,用于以彩色或闪烁方式显示所述变动检测步骤检测出的差异。
此外,根据本发明的一个实施例,所述对准步骤还包括坐标对准步骤,包括:计算待检查图像与模板图像的多个特征点;对待检查图像与模板图像的所述多个特征点进行匹配;根据匹配后的特征点,计算出两幅图像之间的坐标变换映射函数,并且根据所述坐标变换映射函数使得模板图像与待检查图像按坐标对齐。
此外,根据本发明的一个实施例,对准步骤还包括灰度变换步骤,包括:对模板图像的灰度和检测图像的灰度进行线性拟合。
此外,根据本发明的一个实施例,所述变动检测步骤包括,参数选择步骤,选择参数a和b,使得,b为∑21∑11 -1∑12关于∑22的特征向量,假设它对应的特征值为λ, 其中X,Y为模板图像和检测图像,X,Y的协方差矩阵为: 计算步骤,计算表达式 中大于零的区域,此即所述待检查图像和所述模板图像之间的差异。
此外,根据本发明的一个实施例,其中对所述待检查图像和所述模板图像的特征点匹配的步骤包括:对模板图像中的某一个特征点,以其为中心取一个固定大小的窗口,以及根据所述某一个特征点的位置,确定待检查图像中以相应位置(即与之空间坐标相同的位置)为中心以约20个像素距离为半径的一个圆域范围,为待检查图像中的这个圆域范围内的每一个特征点,取一个相同固定大小的窗口,以及计算模板图像中的窗口与此窗口的互相关,互相关最大的一个特征点作为所述某一个特征点的匹配点,其中互相关定义为: 其中,X,Y为模板图像和检测图像,μx,μy是对应的均值。
附图说明
附图1显示了根据本发明一个实施例的小型车辆安全检查流程图。
附图2显示了根据本发明一个实施例的检查过程。
这里所公开的系统和方法在其各种实施例中克服了上述现有技术的缺点,并且实现了这种系统和方法之前不可能存在的优点。
以下将参考附图更完整地描述本发明,附图中示出了本发明的优选实施例。但是本发明可体现在许多其他的形式中,而不应当被理解为限于这里所述的实施例;相反提供这些实施例是为了公开内容将会详尽和完整,并且将会完整地将本发明的范围传达给本领域的技术人员。从始至终类似的标号都表示类似的元件。
具体实施方式
这里所描述的方法中的每种方法的一个实施例可以采取在处理系统上执行的计算机程序的形式的,所述处理系统例如是作为DSP系统的一部分的一个或多个DSP设备。本领域的技术人员将会清楚如何对DSP编程以实现上述结构中的每一个。或者,每个元素可以以各种编程语言来编码,并且被编码在实现所示结构的集成电路设计中。从而,正如本领域的技术人员将会意识到的,本发明的实施例可以实现为方法、诸如专用装置这样的装置、诸如数据处理系统这样的装置,或者承载介质,例如计算机程序产品。承载介质承载用于控制处理系统实现方法的一个或多个计算机可读代码段。因此,本发明的方面可以采取方法、纯硬件实施例、纯软件实施例或者结合了软件和硬件方面的实施例的形式。此外,本发明可以采取承载包含在介质中的计算机可读程序代码段的承载介质(例如计算机可读存储介质上的计算机程序产品)的形式。可以使用任何合适的计算机可读介质,其中包括诸如磁盘或硬盘这样的磁存储设备,或者诸如CD-ROM这样的光存储介质。
将会理解,在一个实施例中,所讨论的方法步骤是由执行存储在存储装置中的指令(代码段)的处理(即计算机)系统的(一个或多个)适当的处理器来执行的。还将理解,本发明并不局限于任何特定的实现方式或编程技术,并且本发明可以用任何适当的用于实现这里所描述的功能的技术来实现。本发明并不局限于任何特定的编程语言或操作系统。
附图1显示了根据本发明一个实施例的车辆检查的基本流程图。其中包括如下步骤:待检查车辆的检入;对该车辆进行辐射扫描从而获取车辆的待检查图像;然后发送所述待检查图像;检查所述待检查图像的步骤,包括将所述图像与一个模板图像相比较;发送检查的结果。
根据本发明的一个实施例,利用模板图像对比的方法自动检测车辆中夹带物,首先要有一个比较完备的模板图像库,即对每一个型号的车辆,在没有附加任何其他物体的情况下扫描成像,存入数据库中,这就是模板图像库。然后在检查过程中,对某一车辆扫描成像后,根据其车牌号和/或车型信息在模板图像库查询对应的模板图像,进行图像配准和变动检测。
具体而言,模板图像库是这样一个数据库,其中保存着各种型号车辆的空车扫描图像及品牌、型号、车牌号等辅助信息,使用时根据这些辅助信息可以检索到相应型号或牌号的车辆的空车扫描图像。空车扫描图像是指,在车辆没有装载任何本身所属部件之外的物体的情况下扫描所得的图像。对货车而言,只要车身中没有放置本身所属部件之外的物体,也可以将它的扫描图像作为模板图像存放在数据库中,而对货箱部分不必要求是空的,该发明中的算法对货车只自动检测车身中的夹带物。
建立模板图像库时,可以先将数据库模块建立起来,包括数据库结构及相应的添加、查询等算法。而各种车型的空车扫描图像,如果条件具备,可以在使用之前就找这些车型的空车来进行扫描,如果条件不具备,也可以在使用过程中慢慢添加。或者,所述模板图像是由例如汽车生产商提供的。
附图2进一步显示了根据本发明实施例的车辆检查流程图。其中以小型车辆安全检查系统为例,假设已建好模板图像库,则按以下步骤实施:
1.用辐射成像系统获得小型车辆的扫描图像,并且根据其车型信息等标识信息选择对应的模板图像。
2.计算待检查图像与模板图像中的特征点。
该发明采用基于点匹配的方法进行图像配准,即先在图像中找到一些易于确定的特殊点,比如角点、直线交叉点、T型交汇点、高曲率点以及特定区域的中心、重心等等,一般称之为特征点,然后以各种不同的方法建立两幅图像中这些特征点之间的对应关系,即匹配或配对,匹配上的两个点称之为同名点,以这些同名点作为控制点可以确定两幅图像之间的配准变换。
首先说明如何在图像中检测某种特征点,比如角点,直线交叉点等。以角点为例,它的定义和检测方法有很多种,比如可以把图像中水平线曲率的局部极值点当作角点。图像中水平线曲率定义为: 其中u(x,y)为图像,然后用极值点的一阶判别条件查找曲率的极值点,即一阶导为零的点被判别为极值点。再比如Harris角点,设 其中w(x,y)为窗口函数,det表示求矩阵的行列式,trace表示求矩阵的秩,则R大于某个阈值的点称为Harris角点。
应当理解,上述对特征点的定义仅仅是示例性、而非限制性的。对于本领域的普通技术人员而言,确定上述特征点的方式不是唯一的,而是多种多样的,只要能够实现本发明所述的发明目的即可。
3.对两幅图像中的特征点进行配对。
建立两幅图像中特征点之间的对应关系。即对这些特征点进行匹配或配对,找到同名点。对特征点进行匹配的方法有基于空间位置的方法和基于局部灰度信息的方法等等。以基于局部灰度信息的方法为例,可以根据局部结构互相关进行匹配,互相关例如可以定义为: 其中,X,Y为模板图像和检测图像,μx,μy是对应的均值。对模板图像中的某一个特征点,以其为中心,取一个固定大小的窗口,然后根据这个特征点的位置,初步估计待检查图像中与之对应的特征点应落在一个以对应位置(即,与之空间坐标相同)为中心20个像素(左右)距离为半径的圆域范围内,对这个范围内的每一个特征点,取一个同样大小的窗口,计算模板图像中窗口与此窗口的互相关,取使互相关最大的一个特征点作为所述模板图像的所述某一个特征点的匹配点。
同样应当理解,上述对特征点配对的定义以及互相关的定义仅仅是示例性、而非限制性的。对于熟悉本领域的普通技术人员而言,特征点配对的方式不是唯一的,而是多种多样的,只要能够实现本发明所述的发明目的即可。
4.根据特征点配对的结果,计算出两幅图像之间的坐标变换映射函数。
根据本发明的一个实施例,假设两幅图像之间的坐标变换为: 所以需要确定a,b,c,d,e,f六个参数。一般匹配点都会超过六对,从而得到一个超定方程组,采用QR分解的方法得到最小二乘意义上的解。
从而,利用坐标变换映射函数对模板图像进行几何变换,变换后的模板图像与待检查图像是按坐标对齐的。
5.优选的,坐标对齐后还对图像进行灰度调整,假设两幅图像之间灰度变换是线性的,即Y=b1X+b0,其中Y为模板图像的灰度,X为检测图像的灰度,同样也组成一个超定方程组,利用QR分解得到最小二乘意义上的解,用这个解就可以对检测图像的灰度整体进行调整,使其与模板图像基本一致。
6.对配准后的两幅图像进行变动检测。
该发明采用变动检测的方法自动找出两幅图像之间的差异,进而确定夹带物所在的区域。变动检测的方法也有很多种,比如图像减影、变动矢量分析、主成分分析、多变量变动检测(Multivariate AlternativeDetection,简称MAD)等等。以多变量变动检测(MAD检测)为例,如下所述:
根据本发明的一个实施例,MAD变换是为了在Var{aX}=Var{bY}=1的限制条件下找两个变换使得maxVar{aX-bY}。由于
Var{aX-bY}=Var{aX}+Var{bY}-2cov{aX,bY}
=2(1-Corr{aX,bY})
所以只要使得Corr{aX,bY}最小。从而,设X,Y的协方差矩阵为: b为∑21∑11 -1∑12关于∑22的特征向量,设其对应的特征值为λ,则
应当理解,上述关于变动检测的MAD实施例仅仅是示例性、而非限制性的。对于熟悉本领域的普通技术人员而言,变动检测的方式不是唯一的,而是多种多样的,只要能够实现本发明所述的发明目的即可。
7.计算 其结果图像值中大于零的区域就是夹带物区域。
可以将上述大于0的区域提取出来,转化为二值图,根据这个二值图就可以提取夹带物区域的边界。
随后,将待检查图像中与变动检测结果中白色区域对应的区域用红线标出其边界。检查员可以根据标出的红线提示确认是否有夹带物。
上述实施方式仅仅是示例性的,本领域的技术人员完全可以基于本发明的创造性构思,采用本领域其他手段来实施本发明。例如,上述实施方式采用特征点一一配对来进行匹配,但是也可以采用特征区域一一对齐来进行匹配,还可以采用被检查图像与模板之间的任何几何变换(旋转、平移、拉伸、扭曲、非平面投向等)进行匹配,即先对被检查图像与模板图像进行几何变换,对变换结果图像进行匹配,此时的匹配可以用基于普通的特征点(角点,高曲率点等)或特征区域的匹配方法,也可以用基于这些变换所固有的特征点或特征区域的匹配方法,然后通过反变换得到原始两幅图像的匹配,或者暂时不做反变换,而用变换的匹配结果图像进行变动检测,再做反变换得到原始两幅的变动检测结果。
本发明还可以使用被检查图像与模板之间的任何积分变换(例如傅立叶变换、小波变化)进行图像匹配,即在变换域进行匹配,用变换结果图像进行匹配,同样地此时的匹配可以用基于普通的特征点或特征区域的匹配方法,也可以用基于这些变换所固有的特征点或特征区域的匹配方法,然后通过反变换得到原始两幅图像的匹配。
此外,上述实施方式中采用解析算法进行方程计算、求解,但是如本领域技术人员所公知的,可以采用非解析算法,例如神经网络算法进行方程求解,其基本发明构思是不变的,即按照获取模板、图像对准、变动检测的步骤。
本发明创造性地将自动对准技术、变动检测技术应用于车辆夹带物检测,从而克服了现有技术中的不足,实现了很好的技术效果,例如:1)实现了目标图像与模板图像的自动配准,免去了检查员的手动对齐工作。2)在一定程度上可以解决两次成像条件不同造成模板图像和待检查图像的失配问题。3)用变动检测的方法,检测目标图像与模板图像之间的变动,即为夹带物嫌疑,这样检测的结果噪声少,用红色线条标明夹带物,检查结果一目了然。
在前述描述和相关附图中给出的教导的帮助下,本发明所属领域的技术人员将会想到本发明的许多修改和其他实施例。例如,本发明不仅应用于X射线成像,还可以应用于伽玛射线成像、CT图像、X射线散射成像、中子成像、热成像等等。此外,本发明可以采用特征区域一一对齐来进行匹配,也可以使用被检查图像与模板之间的任何几何变换(旋转、平移、拉伸、扭曲、非平面投向等)进行匹配。本发明还可以使用被检查图像与模板之间的任何积分变换(例如傅立叶变换、小波变化)进行匹配。进一步,本发明可以使用非解析算法,例如神经网络算法,进行匹配、对准等计算处理。因此,要理解本发明不限于所公开的特定实施例,修改和其他实施例想要被包括在所附权利要求书的范围内。虽然这里采用了特定术语,但是它们只是在一般的描述性意义上使用的,而不是用于限制目的。
Claims (10)
1.一种检测车辆中夹带物的方法,包括步骤:
成像步骤,用于对所述车辆进行辐射成像,得到该车辆的待检查图像;
对准步骤,用于自动的将所述待检查图像和一个相应的模板对象进行对准,其中所述模板图像对应于该车辆的类型;
变动检测步骤,用于对所述待检查图像和模板图像进行变动检测,找出所述待检查图像和所述模板图像之间的差异,从而找出车辆中的夹带物。
2.根据权利要求1的方法,还包括:
显示步骤,用于以彩色显示所述变动检测步骤检测出的差异。
3.根据权利要求1的方法,还包括:
显示步骤,用于闪烁显示所述变动检测步骤检测出的差异。
4.根据权利要求1的方法,所述对准步骤还包括坐标对准步骤,包括:
分别计算待检查图像与模板图像中的多个特征点的步骤;
对待检查图像与模板图像的所述多个特征点进行匹配的步骤;
根据匹配后的特征点,计算出两幅图像之间的坐标变换映射函数,并且根据所述坐标变换映射函数使得模板图像与待检查图像按坐标对齐的步骤。
5.根据权利要求4的方法,所述对准检测步骤还包括灰度对准步骤,包括:
对模板图像的灰度和检测图像的灰度进行线性拟合。
6.根据权利要求1的方法,所述变动检测步骤包括,
参数选择步骤,选择参数a和b,使得,b为∑21∑11 -1∑12关于∑22的特征向量,设其对应的特征值为λ,则 其中X,Y为模板图像和检测图像,X,Y的协方差矩阵为:
计算步骤,计算表达式 中大于零的区域,此即所述待检查图像和所述模板图像之间的差异。
7.根据权利要求4的方法,其中所述特征点是角点,即满足图像中水平线曲率 大于一预定阈值的局部极值点,其中u(x,y)为图像。
8.根据权利要求4的方法,其中对所述待检查图像和所述模板图像的特征点匹配的步骤包括:
对模板图像中的某一个特征点,以其为中心取一个固定大小的窗口,以及根据所述某一个特征点的位置,确定待检查图像中以空间坐标相同的对应位置为中心以约20个像素距离为半径的一个圆域范围,为待检查图像中的这个圆域范围内的每一个特征点,取一个相同固定大小的窗口,以及计算模板图像中的窗口与此窗口的互相关,互相关最大的一个特征点作为所述某一个特征点的匹配点,其中互相关定义为: 其中,X,Y为模板图像和检测图像,μx,μy是对应的均值。
9.根据权利要求4的方法,其中坐标变换映射函数为:
10.根据权利要求1的方法,所述模板图像是通过对无夹带物的车辆扫描得到的。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200610113619A CN100588959C (zh) | 2006-10-10 | 2006-10-10 | 基于辐射图像变动检测的小型车辆夹带物自动检测方法 |
HK08111399.6A HK1119463A1 (en) | 2006-10-10 | 2008-10-15 | Method for automatically detecting articles entraining within small vehicles on basis of radiation image-changing testing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200610113619A CN100588959C (zh) | 2006-10-10 | 2006-10-10 | 基于辐射图像变动检测的小型车辆夹带物自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101162204A true CN101162204A (zh) | 2008-04-16 |
CN100588959C CN100588959C (zh) | 2010-02-10 |
Family
ID=39297163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200610113619A Active CN100588959C (zh) | 2006-10-10 | 2006-10-10 | 基于辐射图像变动检测的小型车辆夹带物自动检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN100588959C (zh) |
HK (1) | HK1119463A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372712A (zh) * | 2014-09-02 | 2016-03-02 | 清华大学 | 车辆检查方法和系统 |
WO2016107474A1 (zh) * | 2014-12-30 | 2016-07-07 | 清华大学 | 车辆检查方法和系统 |
CN105787424A (zh) * | 2014-12-26 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
CN105807335A (zh) * | 2014-12-30 | 2016-07-27 | 清华大学 | 车辆底盘检查方法和系统 |
CN105809087A (zh) * | 2014-12-30 | 2016-07-27 | 清华大学 | 辐射检查系统及车型模板检索方法 |
CN105809088A (zh) * | 2014-12-30 | 2016-07-27 | 清华大学 | 车辆识别方法和系统 |
CN106528665A (zh) * | 2016-10-21 | 2017-03-22 | 广州视源电子科技股份有限公司 | Aoi设备测试文件查找方法和系统 |
CN106643965A (zh) * | 2016-12-23 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种利用模板匹配精确识别液位的方法 |
CN107918990A (zh) * | 2017-11-29 | 2018-04-17 | 西安超嗨网络科技有限公司 | 一种超市防盗系统及方法 |
CN109490337A (zh) * | 2018-11-30 | 2019-03-19 | 贵州电网有限责任公司 | 数字射线定点、定焦、定参数检测gis设备以实现图像智能诊断的方法及装置 |
CN109901977A (zh) * | 2017-12-08 | 2019-06-18 | 同方威视技术股份有限公司 | 图像检查模拟方法、装置、设备和计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6041132A (en) * | 1997-07-29 | 2000-03-21 | General Electric Company | Computed tomography inspection of composite ply structure |
US6047041A (en) * | 1997-09-08 | 2000-04-04 | Scientific Measurement System | Apparatus and method for comparison |
KR100487148B1 (ko) * | 2001-07-06 | 2005-05-04 | 삼성전자주식회사 | 엑스선 촬영장치의 단층영상 복원방법 |
-
2006
- 2006-10-10 CN CN200610113619A patent/CN100588959C/zh active Active
-
2008
- 2008-10-15 HK HK08111399.6A patent/HK1119463A1/xx not_active IP Right Cessation
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372712A (zh) * | 2014-09-02 | 2016-03-02 | 清华大学 | 车辆检查方法和系统 |
WO2016034022A1 (zh) * | 2014-09-02 | 2016-03-10 | 清华大学 | 车辆检查方法和系统 |
US10162077B2 (en) | 2014-09-02 | 2018-12-25 | Tsinghua University | Methods and systems for inspecting a vehicle |
CN105372712B (zh) * | 2014-09-02 | 2017-12-12 | 清华大学 | 车辆检查方法和系统 |
CN105787424B (zh) * | 2014-12-26 | 2019-06-07 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
CN105787424A (zh) * | 2014-12-26 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
CN105809655A (zh) * | 2014-12-30 | 2016-07-27 | 清华大学 | 车辆检查方法和系统 |
CN105809088B (zh) * | 2014-12-30 | 2019-07-19 | 清华大学 | 车辆识别方法和系统 |
US20170017667A1 (en) * | 2014-12-30 | 2017-01-19 | Tsinghua University | Vehicle inspection methods and systems |
CN105809655B (zh) * | 2014-12-30 | 2021-06-29 | 清华大学 | 车辆检查方法和系统 |
US10607483B2 (en) * | 2014-12-30 | 2020-03-31 | Tsinghua University | Vehicle identification methods and systems |
US20170294118A1 (en) * | 2014-12-30 | 2017-10-12 | Nuctech Company Limited | Vehicle identification methods and systems |
CN105809087A (zh) * | 2014-12-30 | 2016-07-27 | 清华大学 | 辐射检查系统及车型模板检索方法 |
CN105809087B (zh) * | 2014-12-30 | 2020-03-27 | 清华大学 | 辐射检查系统及车型模板检索方法 |
CN105807335A (zh) * | 2014-12-30 | 2016-07-27 | 清华大学 | 车辆底盘检查方法和系统 |
CN105809088A (zh) * | 2014-12-30 | 2016-07-27 | 清华大学 | 车辆识别方法和系统 |
US10289699B2 (en) | 2014-12-30 | 2019-05-14 | Tsinghua University | Vehicle inspection methods and systems |
WO2016107474A1 (zh) * | 2014-12-30 | 2016-07-07 | 清华大学 | 车辆检查方法和系统 |
CN106528665B (zh) * | 2016-10-21 | 2019-09-03 | 广州视源电子科技股份有限公司 | Aoi设备测试文件查找方法和系统 |
CN106528665A (zh) * | 2016-10-21 | 2017-03-22 | 广州视源电子科技股份有限公司 | Aoi设备测试文件查找方法和系统 |
CN106643965A (zh) * | 2016-12-23 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种利用模板匹配精确识别液位的方法 |
CN107918990A (zh) * | 2017-11-29 | 2018-04-17 | 西安超嗨网络科技有限公司 | 一种超市防盗系统及方法 |
CN109901977A (zh) * | 2017-12-08 | 2019-06-18 | 同方威视技术股份有限公司 | 图像检查模拟方法、装置、设备和计算机可读存储介质 |
CN109490337A (zh) * | 2018-11-30 | 2019-03-19 | 贵州电网有限责任公司 | 数字射线定点、定焦、定参数检测gis设备以实现图像智能诊断的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
HK1119463A1 (en) | 2009-03-06 |
CN100588959C (zh) | 2010-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100588959C (zh) | 基于辐射图像变动检测的小型车辆夹带物自动检测方法 | |
US8050473B2 (en) | Segmentation method using an oriented active shape model | |
CN105809088B (zh) | 车辆识别方法和系统 | |
US8331650B2 (en) | Methods, systems and apparatus for defect detection | |
Díez et al. | Revisiting intensity-based image registration applied to mammography | |
Chen et al. | Accurate defect detection via sparsity reconstruction for weld radiographs | |
CN107301661A (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
Canero et al. | Vesselness enhancement diffusion | |
US7949162B2 (en) | System and method for solid component evaluation in mixed ground glass nodules | |
CN105807335B (zh) | 车辆底盘检查方法和系统 | |
Khanal et al. | Automatic cobb angle detection using vertebra detector and vertebra corners regression | |
CN100577103C (zh) | 使用两个图像的图像处理设备和方法 | |
CN108492327B (zh) | Aoi图像匹配方法、系统、可读存储介质及智能设备 | |
US20060078161A1 (en) | Method for determining the change in position of an object in an item of luggage | |
Baboiu et al. | Vascular bifurcation detection in scale-space | |
Zhao et al. | A riemannian framework for longitudinal analysis of resting-state functional connectivity | |
Tian et al. | Signal processing schemes for Eddy Current Testing of steam generator tubes of nuclear power plants | |
Guo et al. | Visual pattern recognition supporting defect reporting and condition assessment of wastewater collection systems | |
Liu et al. | Automatic detection and segmentation of laser stripes for industrial measurement | |
Häger et al. | Variable Fraunhofer MEVIS RegLib comprehensively applied to Learn2Reg challenge | |
Pizarro et al. | Robust automated multiple view inspection | |
Van Leemput et al. | Automated segmentation of MS lesions from multi-channel MR images | |
Zhang et al. | Automatic forgery detection for x-ray non-destructive testing of welding | |
Csapo et al. | Longitudinal image registration with non-uniform appearance change | |
Goshtasby et al. | Image registration methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1119463 Country of ref document: HK |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: GR Ref document number: 1119463 Country of ref document: HK |