CN102494675A - 一种运动目标特征高速视觉捕捉方法 - Google Patents
一种运动目标特征高速视觉捕捉方法 Download PDFInfo
- Publication number
- CN102494675A CN102494675A CN2011103914330A CN201110391433A CN102494675A CN 102494675 A CN102494675 A CN 102494675A CN 2011103914330 A CN2011103914330 A CN 2011103914330A CN 201110391433 A CN201110391433 A CN 201110391433A CN 102494675 A CN102494675 A CN 102494675A
- Authority
- CN
- China
- Prior art keywords
- moving target
- pixel
- formula
- target
- gray level
- 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)
Abstract
Description
技术领域
本发明涉及一种运动目标特征高速视觉捕捉方法,属于图像处理领域及机器视觉图像测量领域。
背景技术
随着各国军事技术的飞速发展,出现了大量高速运动目标,如军用飞机、导弹等,飞行速度达到3马赫以上,对国家安全存在巨大的威胁。高速运动目标同样存在于航空航天、交通安全、军事侦察、靶场测试、空中目标拦截、力学研究等领域。现阶段,需要一种能对高速运动目标的位置、位姿、运动状态进行捕捉、跟踪、测量的手段。
基于机器视觉测试方法具有非接触、精度高、速度快、稳定性好等特点,是一种对运动目标进行测量的有效方法。随着CCD和CMOS传感器分辨率和速度上的提高,利用视觉手段对高速运动目标进行捕捉、跟踪和测量,成为一种有效的方法。然而,传感器性能的提高并未对基于视觉的高精度运动目标的实时测量带来巨大的推动,其原因在于,视觉传感器本身在采集速度上满足了要求,但还没有后续的实时处理的软件算法和硬件平台与之相适应。现有的算法基于计算机。而计算机的接口远不能满足高速视觉传感器对传输速度的要求。尤其是,在基于多目视觉的高精度运动目标测量中,多台相机同时传输的庞大数据量使计算机无论在传输速度还是实时处理能力上都显得无能为力。因此,需要一种能够应用于高速运动目标特征定位的实现方法,在对目标进行特征定位的同时,满足数据传输和实时处理的要求。
目前,国内外相关研究机构采用智能相机的结构实现基于硬件平台的特征提取,但在执行速度和定位精度上并不理想,无法满足对高速运动目标的实时测量,其关键在于尚没有高速而高效的特征捕捉软件算法。国内对智能相机相关高速实现方式的研究尚处于起步阶段,尚缺乏针对高速运动目标实时测量方法的相关研究。
发明内容
本发明目的是为了解决高速视觉测量中的实时处理速度不高和数据量大、传输速度无法满足实时传输的问题,提供了一种运动目标特征高速视觉捕捉方法。
本发明所述一种运动目标特征高速视觉捕捉方法,该方法包括以下步骤:
步骤一、采用高速图像传感器采集运动目标的灰度图像,并对该灰度图像进行中值滤波获取去噪灰度图像;
对灰度图像进行中值滤波获取去噪灰度图像的过程为:
采用3×3模板对灰度图像中的各个像素进行窗口采样,
对于每个非边缘像素,利用所述3×3模板选取像素本身及其周围8个像素,构成9个像素的采样结果,对于每个边缘像素利用所述3×3模板选取像素本身及其周围像素,其周围像素的个数少于8个;
对非边缘像素,对采样结果中的9个像素数据进行降序排序,用排序后的中值取代该像素原始值,对灰度图像中的噪声信号进行滤除;
对于边缘像素,以该像素为中心的3×3模板内实际包含的像素数据为基准进行降序排序,若像素个数为偶数,则滤波后的像素值为降序排序后中心附近的两个像素的平均值,对灰度图像中的噪声信号进行滤除。
步骤二、对步骤一获取的去噪灰度图像进行基于背景图像差法的目标检测,以获取运动目标的最小外接矩形及该动目标的几何中心
运动目标几何中心的获取过程为:
步骤21、进行背景模型初始化:取连续10帧去噪声灰度图像In(x.y)=I1(x.y),I2(x.y),...I10(x.y),n=1,2,...10,将该连续10帧去噪声灰度图像的相同位置的像素值构成nh个10元素集合,nh为每帧去噪声灰度图像中的像素点数,
每个10元素集合中像素值进行降序排序,对排序结果去掉2个最大值和2个最小值,然后对剩下的6个像素值取平均值作为背景模型中相应位置点的像素值,进而获取背景模型b(x,y);
步骤22、确定自适应阈值TH:
TH=2max|b(x,y)-In(x,y)|;
步骤23、判断条件|It(x,y)-b(x,y)|>TH是否成立,It(x,y)为第t帧去噪声灰度图像,
判断结果为是,则判定当前像素为运动目标所在像素,然后执行步骤24;判断结果为否,则判定当前像素为运动目标所在像素为非运动目标像素,丢弃该帧去噪声灰度图像;
步骤三、对运动目标的目标区域进行扩张处理,获取扩张后目标区域;
以运动目标的最小外接矩形为基准,向四周分别加扩30像素~70像素,获取扩张后目标区域扩张像素的像素值为同位置下去噪灰度图像像素的像素值。
公式一:
公式一中:xi为构成运动目标范围的nh个点,即i=1,2,...nk;
h表示核函数的带宽,其值为1;
δ为delta函数;
b(xi)为xi所对应的像素所在的灰度划分,将nh个点进行灰度直方图的统计,共分为m个灰度划分,m=256;
C为归一化系数,并按公式二获取:
公式二:
公式三:
公式四:
步骤42、按公式五计算灰度权重wi:
公式五:
公式六:
g()=-k′(),
公式七:
公式八:
步骤45、判断条件 是否成立,
判断结果为是,则令
并返回执行步骤44进行迭代;判断结果为否,则执行步骤46,
步骤46、当同时满足条件
并且迭代次数小于N,返回执行步骤42,
ε=0.70~0.85,
N=7~9。
步骤五、对当前帧的运动目标进行基于方向导数的角点检测,以获取运动目标在当前帧的角点坐标,完成对运动目标特征的视觉捕捉,以供计算机后续处理。
获取运动目标在当前帧的角点坐标的过程为:
步骤51、对运动目标在当前帧的最小外接矩形k()内的每个像素点P,计算Px(x,y)、Py(x,y)、Pxx(x,y)和Pyy(x,y)值:
Px(x,y)=P(x+1,y)-P(x,y);
Py(x,y)=P(x,y+1)-P(x,y);
Pxx(x,y)=P(x+1,y)-2P(x,y)+P(x-1,y);
Pyy(x,y)=P(x,y+1)-2P(x,y)+P(x,y-1);
式中(x,y)为像素位置坐标;
步骤52、根据步骤一的Px(x,y)、Py(x,y)、Pxx(x,y)和Pyy(x,y)值获取高斯局部平滑变量K(x,y):
其中σ=1.0:
步骤53、获取运动目标在当前帧的角度Δ(x,y):
步骤54、判断当前帧的角度Δ是否满足条件Δ(x,y)>T,
判断结果为否,该点不是运动目标的角点;判断结果为是,则该点为运动目标的角点,所有Δ(x,y)>T的局部最大值即为运动目标在当前帧的目标区域的角点,
其中:T=120~200。
本发明的优点:
将通常在计算机中运行的具有高密度运算的特征提取及其相关算法,在基于智能相机的硬件平台中完成运算,只将运算密度较低的后续算法所需数据发送到计算机中处理。在处理过程中,利用多种算法在硬件中以流水线的方式执行,达到逐步减少数据量的目的,使整个测量系统的处理速度提升5倍以上。
执行算法包括:中值滤波、基于背景图像差法的目标检测、目标区域扩张、基于核的区域跟踪、基于方向导数的角点检测方法等。
通过上述方法,使基于智能相机的硬件平台在单位时间内的处理能力大幅提升,使之能与更高速的图像传感器的采集速度相匹配,使整个测量系统的灰度图像采集速度和处理能力达到500fps(图像传感器分辨率为1280×1024)。
附图说明
图1是图像处理的功能框图;
图2是采用本发明方法对图像处理的流程图;
图3是实施方式三的流程图;
图4是实施方式五的流程图;
图5是实施方式六的流程图。
具体实施方式
具体实施方式一:下面结合图1和图2说明本实施方式,本实施方式所述一种运动目标特征高速视觉捕捉方法,它包括中值滤波、基于背景图像差法的目标检测、目标区域扩张、基于核的区域跟踪、基于方向导数的角点检测方法等,
一种运动目标特征高速视觉捕捉方法,其特征在于,该方法包括以下步骤:
步骤一、采用高速相机采集运动目标的灰度图像,并对该灰度图像进行中值滤波获取去噪灰度图像;
步骤二、对步骤一获取的去噪灰度图像进行基于背景图像差法的目标检测,以获取运动目标的最小外接矩形及该运动目标的几何中心
步骤三、对运动目标的目标区域进行扩张处理,获取扩张后目标区域;
步骤五、对当前帧的运动目标进行基于方向导数的角点检测,以获取运动目标在当前帧的角点坐标,完成对运动目标特征的视觉捕捉,以供计算机后续处理。
利用高速相机进行数据采集,将获得的灰度图像存入数据缓存中。对缓存中的图像执行进行处理。
计算机通过网络接口接收到角点坐标,对定位信息进行进一步计算,得到所需数据。
具体实施方式二:本实施方式对实施方式一作进一步说明,步骤一中对灰度图像进行中值滤波获取去噪灰度图像的过程为:
采用3×3模板对灰度图像中的各个像素进行窗口采样,
对于每个非边缘像素,利用所述3×3模板选取像素本身及其周围8个像素,构成9个像素的采样结果,对于每个边缘像素利用所述3×3模板选取像素本身及其周围像素,其周围像素的个数少于8个;
对非边缘像素,对采样结果中的9个像素数据进行降序排序,用排序后的中值取代该像素原始值,对灰度图像中的噪声信号进行滤除;
对于边缘像素,以该像素为中心的3×3模板内实际包含的像素数据为基准进行降序排序,若像素个数为偶数,则滤波后的像素值为降序排序后中心附近的两个像素的平均值,对灰度图像中的噪声信号进行滤除。
在获取图像的过程中,通常由于视觉传感器存在“坏点”,使得图像中存在脉冲噪声。图像采集和传输的过程中,存在高斯噪声。通过中值滤波,达到滤除脉冲噪声和部分高斯噪声的目的。
步骤21、进行背景模型初始化:取连续10帧去噪声灰度图像In(x.y)=I1(x.y),I2(x.y),...I10(x.y)
,n=1,2,...10,
将该连续10帧去噪声灰度图像的相同位置的像素值构成nh个10元素集合,nh为每帧去噪声灰度图像中的像素点数,
每个10元素集合中像素值进行降序排序,对排序结果去掉2个最大值和2个最小值,然后对剩下的6个像素值取平均值作为背景模型中相应位置点的像素值,进而获取背景模型b(x,y);
步骤22、确定自适应阈值TH:
TH=2max|b(x,y)-In(x,y)|;
步骤23、判断条件
|It(x,y)-b(x,y)|>TH
是否成立,It(x,y)为第t帧去噪声灰度图像,
判断结果为是,则判定当前像素为运动目标所在像素,然后执行步骤24;判断结果为否,则判定当前像素为运动目标所在像素为非运动目标像素,丢弃该帧去噪声灰度图像;
通过基于图像差法的目标检测,得到运动目标的所在区域和几何中心,提供区域跟踪所需的初始参数。再通过目标区域扩张、基于核的区域跟踪等步骤,将基于方向导数的角点检测方法所需处理的图像限定在运动目标的周围区域,达到减少数据量、提高处理速度的目的。
由于中值滤波、基于背景图像差法的目标检测、目标区域扩张、基于核的区域跟踪等算法是在智能相机中,具有并行结构的FPGA内执行,并在执行过程中,将各个算法以流水线的方式编程实现,故一幅图像在同一流水线周期内,可完成上述算法,达到在不增加额外执行时间的基础上,减少角点检测中运算的数据量,同时可省略前景、背景角点的判别过程。
具体实施方式四:本实施方式对实施方式一作进一步说明,步骤三中对运动目标的目标区域进行扩张处理,获取扩张后目标区域的过程为:
以运动目标的最小外接矩形为基准,向四周加扩30像素~70像素,获取扩张后目标区域扩张像素的像素值为同位置下去噪灰度图像像素的像素值。
通过像素扩张,达到扩大区域跟踪的目标搜索范围的目的。
公式一:
公式一中:xi为构成运动目标范围的nh个点,即i=1,2,...nk;
h表示核函数的带宽,其值为1;
δ为delta函数;
b(xi)为xi所对应的像素所在的灰度划分,将nh个点进行灰度直方图的统计,共分为m个灰度划分,m=256;
C为归一化系数,并按公式二获取:
公式二:
公式三:
公式四:
步骤42、按公式五计算灰度权重wi:
公式五:
公式六:
g()=-k′(),
公式七:
公式八:
步骤45、判断条件 是否成立,
判断结果为是,则
令
并返回执行步骤44进行迭代;判断结果为否,则执行步骤46,
步骤46、当同时满足条件
并且迭代次数小于N,返回执行步骤42,
ε=0.70~0.85,
N=7~9。
通过区域跟踪,在不同帧的图像序列中连续的获得同一运动目标的活动区域,这种方式比单一的基于图像差法的目标检测,具有更好的鲁棒性和同一目标的连续性。
具体实施方式六:下面结合图5说明本实施方式,本实施方式对实施方式一作进一步说明,步骤五中获取运动目标在当前帧的角点坐标的过程为:
步骤51、对运动目标在当前帧的最小外接矩形k()内的每个像素点P,计算Px(x,y)、Py(x,y)、Pxx(x,y)和Pyy(x,y)值:
Px(x,y)=P(x+1,y)-P(x,y);
Py(x,y)=P(x,y+1)-P(x,y);
Pxx(x,y)=P(x+1,y)-2P(x,y)+P(x-1,y);
Pyy(x,y)=P(x,y+1)-2P(x,y)+P(x,y-1);
式中(x,y)为像素位置坐标;
步骤52、根据步骤一的Px(x,y)、Py(x,y)、Pxx(x,y)和Pyy(x,y)值获取高斯局部平滑变量K(x,y):
其中σ=1.0:
步骤53、获取运动目标在当前帧的角度Δ(x,y):
步骤54、判断当前帧的角度Δ是否满足条件Δ(x,y)>T,
判断结果为否,该点不是运动目标的角点;判断结果为是,则该点为运动目标的角点,所有Δ(x,y)>T的局部最大值即为运动目标在当前帧的目标区域的角点,
其中:T=120~200。
通过基于方向导数的角点检测方法,获得运动目标区域的角点特征。将这些相对于原始图像只具有极少数据量的角点特征信息,发送到计算机。计算机接收到多套相同智能相机硬件平台从不同视场角度获得的角点特征信息后,进行筛选和匹配,最终计算运动目标的位置、位姿和运动状态。
Claims (6)
2.根据权利要求1所述一种运动目标特征高速视觉捕捉方法,其特征在于,步骤一中对灰度图像进行中值滤波获取去噪灰度图像的过程为:
采用3×3模板对灰度图像中的各个像素进行窗口采样,
对于每个非边缘像素,利用所述3×3模板选取像素本身及其周围8个像素,构成9个像素的采样结果,对于每个边缘像素利用所述3×3模板选取像素本身及其周围像素,其周围像素的个数少于8个;
对非边缘像素,对采样结果中的9个像素数据进行降序排序,用排序后的中值取代该像素原始值,对灰度图像中的噪声信号进行滤除;
对于边缘像素,以该像素为中心的3×3模板内实际包含的像素数据为基准进行降序排序,若像素个数为偶数,则滤波后的像素值为降序排序后中心附近的两个像素的平均值,对灰度图像中的噪声信号进行滤除。
3.根据权利要求1所述一种运动目标特征高速视觉捕捉方法,其特征在于,步骤二运动目标几何中心的获取过程为:
步骤21、进行背景模型初始化:取连续10帧去噪声灰度图像In(x.y)=I1(x.y),I2(x.y),...I10(x.y),n=1,2,...10,将该连续10帧去噪声灰度图像的相同位置的像素值构成nh个10元素集合,nh为每帧去噪声灰度图像中的像素点数,
每个10元素集合中像素值进行降序排序,对排序结果去掉2个最大值和2个最小值,然后对剩下的6个像素值取平均值作为背景模型中相应位置点的像素值,进而获取背景模型b(x,y);
步骤22、确定自适应阈值TH:
TH=2max|b(x,y)-In(x,y)|;
步骤23、判断条件|It(x,y)-b(x,y)|>TH是否成立,It(x,y)为第t帧去噪声灰度图像,
判断结果为是,则判定当前像素为运动目标所在像素,然后执行步骤24;判断结果为否,则判定当前像素为运动目标所在像素为非运动目标像素,丢弃该帧去噪声灰度图像;
4.根据权利要求1所述一种运动目标特征高速视觉捕捉方法,其特征在于,步骤三中对运动目标的目标区域进行扩张处理,获取扩张后目标区域的过程为:
以运动目标的最小外接矩形为基准,向四周分别加扩30像素~70像素,获取扩张后目标区域扩张像素的像素值为同位置下去噪灰度图像像素的像素值。
公式一:
公式一中:xi为构成运动目标范围的nh个点,即i=1,2,...nk;
h表示核函数的带宽,其值为1;
δ为delta函数;
b(xi)为xi所对应的像素所在的灰度划分,将nh个点进行灰度直方图的统计,共分为m个灰度划分,m=256;
C为归一化系数,并按公式二获取:
公式二:
公式三:
公式四:
步骤42、按公式五计算灰度权重wi:
公式五:
公式六:
g()=-k′(),
公式七:
公式八:
步骤45、判断条件 是否成立,
ε=0.70~0.85,N=7~9。
6.根据权利要求1所述一种运动目标特征高速视觉捕捉方法,其特征在于,步骤五中获取运动目标在当前帧的角点坐标的过程为:
步骤51、对运动目标在当前帧的最小外接矩形k()内的每个像素点P,计算Px(x,y)、Py(x,y)、Pxx(x,y)和Pyy(x,y)值:
Px(x,y)=P(x+1,y)-P(x,y);
Py(x,y)=P(x,y+1)-P(x,y);
Pxx(x,y)=P(x+1,y)-2P(x,y)+P(x-1,y);
Pyy(x,y)=P(x,y+1)-2P(x,y)+P(x,y-1);
式中(x,y)为像素位置坐标;
步骤52、根据步骤一的Px(x,y)、Py(x,y)、Pxx(x,y)和Pyy(x,y)值获取高斯局部平滑变量K(x,y):
其中σ=1.0:
步骤53、获取运动目标在当前帧的角度Δ(x,y):
步骤54、判断当前帧的角度Δ是否满足条件Δ(x,y)>T,
判断结果为否,该点不是运动目标的角点;判断结果为是,则该点为运动目标的角点,所有Δ(x,y)>T的局部最大值即为运动目标在当前帧的目标区域的角点,
其中:T=120~200。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110391433 CN102494675B (zh) | 2011-11-30 | 2011-11-30 | 一种运动目标特征高速视觉捕捉方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110391433 CN102494675B (zh) | 2011-11-30 | 2011-11-30 | 一种运动目标特征高速视觉捕捉方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102494675A true CN102494675A (zh) | 2012-06-13 |
CN102494675B CN102494675B (zh) | 2013-12-25 |
Family
ID=46186519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110391433 Active CN102494675B (zh) | 2011-11-30 | 2011-11-30 | 一种运动目标特征高速视觉捕捉方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102494675B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102801927A (zh) * | 2012-07-04 | 2012-11-28 | 天津大学 | 一种高速图像采集方法 |
CN103617624A (zh) * | 2013-12-13 | 2014-03-05 | 哈尔滨工业大学 | 用于高速视觉测量的基于合作目标的实时全局搜索方法 |
CN103673991A (zh) * | 2013-10-25 | 2014-03-26 | 广州超音速自动化科技有限公司 | 基于机器视觉的电子连接器制造过程监测方法 |
CN104198752A (zh) * | 2014-08-18 | 2014-12-10 | 浙江大学 | 基于机器视觉的高温钢坯运动状态的多率检测方法 |
CN105654454A (zh) * | 2014-11-10 | 2016-06-08 | 中国船舶重工集团公司第七二三研究所 | 一种快速稳定的对比度跟踪方法 |
CN106295526A (zh) * | 2016-07-28 | 2017-01-04 | 浙江宇视科技有限公司 | 车辆图像匹配的方法及装置 |
US9605950B2 (en) | 2013-05-22 | 2017-03-28 | Cognex Corporation | System and method for efficient surface measurement using a laser displacement sensor |
CN108230366A (zh) * | 2017-12-28 | 2018-06-29 | 厦门市美亚柏科信息股份有限公司 | 一种目标物的追踪方法 |
CN108805878A (zh) * | 2018-05-22 | 2018-11-13 | 深圳腾视科技有限公司 | 一种基于计算机视觉的前景物体检测解决方法 |
CN109000583A (zh) * | 2013-05-22 | 2018-12-14 | 康耐视公司 | 使用激光位移传感器进行有效表面测量的系统和方法 |
CN109754437A (zh) * | 2019-01-14 | 2019-05-14 | 北京理工大学 | 一种调整图形采样频率的方法 |
CN110160528A (zh) * | 2019-05-30 | 2019-08-23 | 华中科技大学 | 一种基于角度特征识别的移动装置位姿定位方法 |
CN110412563A (zh) * | 2019-07-29 | 2019-11-05 | 哈尔滨工业大学 | 一种基于多传感器融合的辅助列车车皮挂接的便携式测距仪及其工作方法 |
CN110532989A (zh) * | 2019-09-04 | 2019-12-03 | 哈尔滨工业大学 | 一种海上目标自动探测方法 |
CN112150371A (zh) * | 2019-06-28 | 2020-12-29 | 浙江宇视科技有限公司 | 图像降噪方法、装置、设备及存储介质 |
CN112435260A (zh) * | 2021-01-28 | 2021-03-02 | 中国地铁工程咨询有限责任公司 | 高架桥梁的视觉影响度确定方法、装置、设备及存储介质 |
CN116228849A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市思傲拓科技有限公司 | 构建机器外部图像的导航用建图方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0662600A4 (en) * | 1993-06-10 | 1997-02-12 | Oh Yoh Keisoku Kenkyusho Kk | DEVICE FOR MEASURING THE POSITION OF A MOVABLE OBJECT. |
CN101355692A (zh) * | 2008-07-30 | 2009-01-28 | 浙江大学 | 一种实时跟踪运动目标区域的智能监控装置 |
CN101571955A (zh) * | 2009-06-02 | 2009-11-04 | 山东大学 | 一种精确实时微变化运动目标检测方法 |
JP4537645B2 (ja) * | 2002-06-07 | 2010-09-01 | パナソニック株式会社 | 物体追跡装置および物体追跡装置制御方法 |
-
2011
- 2011-11-30 CN CN 201110391433 patent/CN102494675B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0662600A4 (en) * | 1993-06-10 | 1997-02-12 | Oh Yoh Keisoku Kenkyusho Kk | DEVICE FOR MEASURING THE POSITION OF A MOVABLE OBJECT. |
JP4537645B2 (ja) * | 2002-06-07 | 2010-09-01 | パナソニック株式会社 | 物体追跡装置および物体追跡装置制御方法 |
CN101355692A (zh) * | 2008-07-30 | 2009-01-28 | 浙江大学 | 一种实时跟踪运动目标区域的智能监控装置 |
CN101571955A (zh) * | 2009-06-02 | 2009-11-04 | 山东大学 | 一种精确实时微变化运动目标检测方法 |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102801927B (zh) * | 2012-07-04 | 2014-08-27 | 天津大学 | 一种高速图像采集方法 |
CN102801927A (zh) * | 2012-07-04 | 2012-11-28 | 天津大学 | 一种高速图像采集方法 |
US10041786B2 (en) | 2013-05-22 | 2018-08-07 | Cognex Corporation | System and method for efficient surface measurement using a laser displacement sensor |
US10775160B2 (en) | 2013-05-22 | 2020-09-15 | Cognex Corporation | System and method for efficient surface measurement using a laser displacement sensor |
US9605950B2 (en) | 2013-05-22 | 2017-03-28 | Cognex Corporation | System and method for efficient surface measurement using a laser displacement sensor |
CN109000583A (zh) * | 2013-05-22 | 2018-12-14 | 康耐视公司 | 使用激光位移传感器进行有效表面测量的系统和方法 |
CN103673991A (zh) * | 2013-10-25 | 2014-03-26 | 广州超音速自动化科技有限公司 | 基于机器视觉的电子连接器制造过程监测方法 |
CN103673991B (zh) * | 2013-10-25 | 2015-12-30 | 广州超音速自动化科技股份有限公司 | 基于机器视觉的电子连接器制造过程监测方法 |
CN103617624A (zh) * | 2013-12-13 | 2014-03-05 | 哈尔滨工业大学 | 用于高速视觉测量的基于合作目标的实时全局搜索方法 |
CN103617624B (zh) * | 2013-12-13 | 2016-05-25 | 哈尔滨工业大学 | 用于高速视觉测量的基于合作目标的实时全局搜索方法 |
CN104198752A (zh) * | 2014-08-18 | 2014-12-10 | 浙江大学 | 基于机器视觉的高温钢坯运动状态的多率检测方法 |
CN104198752B (zh) * | 2014-08-18 | 2017-09-08 | 浙江大学 | 基于机器视觉的高温钢坯运动状态的多率检测方法 |
CN105654454A (zh) * | 2014-11-10 | 2016-06-08 | 中国船舶重工集团公司第七二三研究所 | 一种快速稳定的对比度跟踪方法 |
CN105654454B (zh) * | 2014-11-10 | 2018-08-10 | 中国船舶重工集团公司第七二三研究所 | 一种快速稳定的对比度跟踪方法 |
CN106295526A (zh) * | 2016-07-28 | 2017-01-04 | 浙江宇视科技有限公司 | 车辆图像匹配的方法及装置 |
CN106295526B (zh) * | 2016-07-28 | 2019-10-18 | 浙江宇视科技有限公司 | 车辆图像匹配的方法及装置 |
CN108230366A (zh) * | 2017-12-28 | 2018-06-29 | 厦门市美亚柏科信息股份有限公司 | 一种目标物的追踪方法 |
CN108805878A (zh) * | 2018-05-22 | 2018-11-13 | 深圳腾视科技有限公司 | 一种基于计算机视觉的前景物体检测解决方法 |
CN109754437A (zh) * | 2019-01-14 | 2019-05-14 | 北京理工大学 | 一种调整图形采样频率的方法 |
CN110160528A (zh) * | 2019-05-30 | 2019-08-23 | 华中科技大学 | 一种基于角度特征识别的移动装置位姿定位方法 |
CN112150371A (zh) * | 2019-06-28 | 2020-12-29 | 浙江宇视科技有限公司 | 图像降噪方法、装置、设备及存储介质 |
CN112150371B (zh) * | 2019-06-28 | 2024-02-06 | 浙江宇视科技有限公司 | 图像降噪方法、装置、设备及存储介质 |
CN110412563A (zh) * | 2019-07-29 | 2019-11-05 | 哈尔滨工业大学 | 一种基于多传感器融合的辅助列车车皮挂接的便携式测距仪及其工作方法 |
CN110532989A (zh) * | 2019-09-04 | 2019-12-03 | 哈尔滨工业大学 | 一种海上目标自动探测方法 |
CN110532989B (zh) * | 2019-09-04 | 2022-10-14 | 哈尔滨工业大学 | 一种海上目标自动探测方法 |
CN112435260A (zh) * | 2021-01-28 | 2021-03-02 | 中国地铁工程咨询有限责任公司 | 高架桥梁的视觉影响度确定方法、装置、设备及存储介质 |
CN112435260B (zh) * | 2021-01-28 | 2021-04-20 | 中国地铁工程咨询有限责任公司 | 高架桥梁的视觉影响度确定方法、装置、设备及存储介质 |
CN116228849A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市思傲拓科技有限公司 | 构建机器外部图像的导航用建图方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102494675B (zh) | 2013-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102494675A (zh) | 一种运动目标特征高速视觉捕捉方法 | |
WO2017049994A1 (zh) | 一种高光谱图像角点检测方法与系统 | |
CN107767400B (zh) | 基于层次化显著性分析的遥感图像序列动目标检测方法 | |
CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
CN109902715B (zh) | 一种基于上下文聚合网络的红外弱小目标检测方法 | |
CN110826428A (zh) | 一种高速的sar图像中船只检测方法 | |
CN107680116A (zh) | 一种监测视频图像中运动目标的方法 | |
Dhaya | CCTV surveillance for unprecedented violence and traffic monitoring | |
CN107909018B (zh) | 一种稳健的多模态遥感影像匹配方法和系统 | |
CN110827262B (zh) | 一种基于连续有限帧红外图像的弱小目标检测方法 | |
Niu et al. | A moving objects detection algorithm based on improved background subtraction | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
Hu et al. | An infrared target intrusion detection method based on feature fusion and enhancement | |
CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
Liu et al. | Image edge recognition of virtual reality scene based on multi-operator dynamic weight detection | |
CN112164093A (zh) | 一种基于边缘特征和相关滤波的人物自动跟踪方法 | |
Haider et al. | A hybrid method for edge continuity based on Pixel Neighbors Pattern Analysis (PNPA) for remote sensing satellite images | |
Gooda et al. | Automatic detection of road cracks using EfficientNet with residual U-net-based segmentation and YOLOv5-based detection | |
Thombre et al. | Human detection and tracking using image segmentation and Kalman filter | |
CN116978009A (zh) | 基于4d毫米波雷达的动态物体滤除方法 | |
CN110276371B (zh) | 一种基于深度学习的集装箱角件识别方法 | |
CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
CN110826575A (zh) | 一种基于机器学习的水下目标识别方法 | |
Wang et al. | A moving target detection and localization strategy based on optical flow and pin-hole imaging methods using monocular vision | |
CN115731443A (zh) | 一种输变电设备热缺陷识别方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |