CN104504678B - 一种室内识别物体棱角并衡量其对移动实体危险程度的方法 - Google Patents
一种室内识别物体棱角并衡量其对移动实体危险程度的方法 Download PDFInfo
- Publication number
- CN104504678B CN104504678B CN201410663093.6A CN201410663093A CN104504678B CN 104504678 B CN104504678 B CN 104504678B CN 201410663093 A CN201410663093 A CN 201410663093A CN 104504678 B CN104504678 B CN 104504678B
- Authority
- CN
- China
- Prior art keywords
- corner angle
- depth
- pixel
- angle
- danger
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种室内识别物体棱角并衡量其对移动实体危险程度的方法,主要包括以下步骤:使用Kinect摄像头同步获取物体的彩色图像和深度图像;对所述深度图像进行预处理;对预处理后的深度图像进行边缘检测生成深度边缘图;从所述深度边缘图中识别棱角;计算所述棱角的尖锐度;计算所述移动实体相对于所述棱角的移动速度;计算所述棱角对所述移动实体的危险系数。本发明根据深度图像识别出室内物体的棱角,然后综合考虑棱角与移动实体之间的距离、棱角本身的尖锐程度以及移动实体相对于棱角的移动速度三个方面来衡量棱角对移动实体的危险程度。本发明适用于小孩头部可穿戴设备或机器人立体视觉系统。
Description
技术领域
本发明涉及立体视觉技术,尤其涉及一种室内识别物体棱角并衡量其对移动实体危险程度的方法。
背景技术
立体视觉是指通过机器视觉同时获得可见对象的色彩和距离的过程。经过几十年来的发展,立体视觉在机器人视觉、航空测绘、军事运用、医学成像和工业检测等领域中的运用越来越广。
立体视觉采集系统通常采用RGB-D摄像头。例如,微软的Kinect摄像头可以同时捕获RGB彩色图像以及每个像素点对应的深度距离数据。与标准RGB摄像头相比,RGB-D摄像头能够提供额外的深度信息以及更高的数据精度和鲁棒性。
室内物体棱角通常是指物体表面的尖锐突出部分,这对玩耍中的小孩或机器人自主活动具有相当高的危险性,可以在小孩头部佩戴可穿戴设备或在机器人立体视觉系统中加入棱角识别功能,通过其对棱角的识别和衡量这些棱角的危险程度,及时发出警告。
发明内容
本发明填补了现有技术中仅仅有对物体的识别还没有对物体棱角的识别的空白,并进一步提出了识别出物体棱角后衡量其对移动实体危险程度的方法。
本发明提出了一种室内识别物体棱角并衡量其对移动实体危险程度的方法,包括以下步骤:
步骤一:使用Kinect摄像头同步获取物体的彩色图像和深度图像;
步骤二:对深度图像进行预处理;
步骤三:对预处理后的深度图像进行边缘检测生成深度边缘图;
步骤四:从深度边缘图中识别棱角;
步骤五:计算棱角的尖锐度;
步骤六:计算移动实体相对于棱角的移动速度;
步骤七:计算棱角对移动实体的危险系数。
本发明步骤一中所述的彩色图像和深度图像的分辨率均为640*480,采样频率均为30HZ。
本发明步骤二中所述的对深度图像进行预处理,进一步包括以下步骤:
步骤A1:使用中值滤波分别处理彩色图像和深度图像;
步骤A2:使用边缘检测算法分别检测彩色图像边缘和深度图像边缘;
步骤A3:根据彩色图像边缘生成彩色DT图,根据深度图像边缘生成深度DT图;
步骤A4:使用k阶极小值方法分别处理彩色DT图和深度DT图;
步骤A5:根据处理后的彩色DT图和深度DT图生成CDT图;
步骤A6:根据CDT图求得混合像素点,并把混合像素点和深度图像中的丢失像素点合并构成混合像素区;
步骤A7:使用一个边缘收敛停止函数找到混合像素区的临界值;
步骤A8:对混合像素区进行有效像素填充获得填充后的深度图像;
步骤A9:使用去噪函数对填充后的深度图像去噪。
本发明步骤三中采用的检测算法是Canny算子检测算法。
本发明步骤四中所述的从深度边缘图中识别棱角,进一步包括以下步骤:
步骤B1:初始化棱角集合为空;
步骤B2:对深度边缘图中像素点按照深度值进行小根堆排序;
步骤B3:取出堆顶像素点并检测其深度是否在最小危险范围内,如果在最小危险范围内,则继续执行步骤B4,否则识别棱角过程结束;
步骤B4:验证该像素点是否与已经检测出的棱角距离太近,如果小于棱角间最小距离,则该像素点不是棱角,否则继续执行步骤B5;
步骤B5:验证该像素点深度值是否比其周围一定半径内的像素点都小,如果比其周围一定半径内的像素点都小,则继续执行步骤B6,否则该像素点不是棱角;
步骤B6:该像素点是棱角,将其添加到已经检测出的棱角集合中;
步骤B7:判断已经检测出的棱角数量是否达到最大数量,如果达到最大数量,则识别棱角过程结束,否则继续执行步骤B8;
步骤B8:对小根堆进行一次堆调整,继续执行步骤B3。
本发明步骤五中所述的计算棱角的尖锐度,进一步包括以下步骤:
步骤C1:如果棱角集合为空,棱角尖锐度算法结束,否则继续执行步骤C2;
步骤C2:计算该棱角和其周围一定半径内的每一个像素点之间的深度距离差和像素距离差;
步骤C3:根据上述的深度距离差和像素距离差计算该棱角在每个方向上的尖锐角度;
步骤C4:对该棱角在每个方向上的尖锐角度求平均值得出该棱角的尖锐度。
本发明步骤六中所述的计算移动实体相对于棱角的移动速度,进一步包括以下步骤:
步骤D1:在相邻的两张图中,计算前一张图中的所有棱角和后一张图中的所有棱角两两之间的余弦夹角,夹角向量为前后两个棱角的每种颜色分布频率;
步骤D2:在相邻的两张图中,计算前一张图中的所有棱角和后一张图中的所有棱角两两之间的仿射不变矩;
步骤D3:根据上述余弦夹角与仿射不变矩差值的比值确定相邻两张图中存在的相同棱角;
步骤D4:使用上述的相同棱角之间的深度差除以拍摄两幅图的时间间隔得出移动实体相对于该棱角的移动速度。
本发明步骤七中所述的计算棱角对移动实体的危险系数,进一步包括以下步骤:
步骤E1:计算该棱角深度值与该棱角尖锐度的乘积;
步骤E2:使用移动实体相对于该棱角的移动速度除以上述乘积得出该棱角对移动实体的危险系数。
本发明提出了在识别物体棱角过程中灵敏度的概念。在不同的室内环境或不同的目标群中,用户可以调整识别物体棱角的灵敏度,例如在厨房等相对危险的环境中可以设置较高的灵敏度或对较大的小孩可以设置较低的灵敏度,使之更加便利和智能化。
附图说明
图1为本发明实施例的室内识别物体棱角并衡量其对移动实体危险程度的方法的流程图。
图2为本发明实施例的某一室内环境前一个时刻的彩色图像和深度图像;其中,图2(a)为彩色图像,图2(b)为深度图像。
图3为上述室内环境前一个时刻修复后的深度图像和深度边缘图;其中,图3(a)为深度图像,图3(b)为深度边缘图。
图4为上述室内环境前一个时刻识别出的棱角分布图;其中,图4(a)为彩色图像,图4(b)为深度图像。
图5为上述室内环境后一个时刻的彩色图像和深度图像;其中,图5(a)为彩色图像,图5(b)为深度图像。
图6为上述室内环境后一个时刻修复后的深度图像和深度边缘图;其中,图6(a)为深度图像,图6(b)为深度边缘图。
图7为上述室内环境后一个时刻识别出的棱角分布图;其中,图7(a)为彩色图像,图7(b)为深度图像。
图8为本发明实施例的从深度边缘图中识别棱角的流程图。
图9为本发明实施例的计算棱角的尖锐度的流程图。
具体实施方式
结合以下具体实施例和附图,对本发明作进一步的详细说明。实施本发明的过程、条件以及实验方法等,除了以下专门提及的内容外,均为本领域的基本知识,本发明没有特别限制内容。
本发明通过以下步骤解决,如图1所示。
步骤一:使用Kinect摄像头同步获取物体的彩色图像和深度图像,其中彩色图像数据流格式为RgbResolution640x480Fps30,深度图像数据流格式为Resolution640x480Fps30,彩色图像和深度图像样例见图2和图5。
步骤二:对深度图像进行预处理,进一步包括以下步骤:
步骤A1:使用中值滤波分别处理彩色图像和深度图像。首先是对彩色图像进行灰度化,然后用滤波器大小为[5,5]的中值滤波函数对其进行中值滤波;处理深度图像则是直接用滤波器大小为[5,5]的中值滤波函数对其进行中值滤波。
步骤A2:使用边缘检测算法分别检测彩色图像边缘和深度图像边缘。检测彩色图像边缘和深度图像边缘的边缘检测算法均采用Canny算子检测算法。
步骤A3:根据彩色图像边缘生成彩色DT(Distance Transform,距离变换)图,根据深度图像边缘生成深度DT图。DT图定义如下:无论是彩色DT图还是深度DT图,在图像边缘上的像素点,其DT值为0,否则为∞。
步骤A4:使用k阶极小值方法分别处理彩色DT图和深度DT图。具体处理过程如下:
其中表示DT图中坐标为(i,j)的像素点的k阶DT值,a,b为距离变换的强度系数。
步骤A5:根据处理后的彩色DT图和深度DT图生成CDT(Common DistanceTransform,公共距离变换)。CDT图定义如下:
其中cdti,j表示CDT图中坐标为(i,j)的像素点的CDT值,表示深度DT图中坐标为(i,j)的像素点的DT值,表示彩色DT图中坐标为(i,j)的像素点的DT值,T1,T2分别为彩色DT图和深度DT图的条件阈值。
步骤A6:根据CDT图求得混合像素点,并把混合像素点和深度图像中的丢失像素点合并构成混合像素区。混合像素点是指CDT图中既不是0也不是∞的像素点,深度图像中的丢失像素点是指深度图像中为0或-1的像素点,把混合像素点和丢失像素点合并构成混合像素区。
步骤A7:使用一个边缘收敛停止函数找到混合像素区的临界值。边缘收敛函数定义如下:
其中KS,KH分别表示标准差为S,H的高斯分布函数,x表示当前像素点的坐标,cx表示x位置的彩色像素值,cdtx表示x位置的CDT值,W为扫描窗口尺寸。
步骤A8:对混合像素区进行有效像素填充。具体对混合像素区进行像素填充是以行为单位,在临界值左侧的混合像素区像素值采用从临界值向左第一个有效像素的值进行填充,在临界值右侧的混合像素区像素值采用从临界值向右第一个有效像素的值进行填充,仍有未填充的混合像素区像素值采用两侧的平均值进行填充。
步骤A9:使用去噪函数对填充后的深度图像去噪。去噪函数定义如下:
其中KS,KC,KP分别表示标准差为S,C,P的高斯分布函数,x表示当前像素点的坐标,cx表示x位置的彩色像素值,dx表示x位置的深度像素值,W为扫描窗口尺寸。
经过步骤二修复后的深度图像样例见图3(a)和图6(a)。
步骤三:对预处理后的深度图像进行边缘检测生成深度边缘图。检测深度图像进行边缘的算法仍为Canny算子检测算法,检测后的深度边缘图样例见图3(b)和图6(b)。
步骤四:从深度边缘图中识别棱角。本实施例的最小危险范围为2米,棱角间最小距离为160毫米,棱角周围半径为30毫米,棱角最大数量为20个,识别算法如下:
下面参考图8所示的从深度边缘图中识别棱角的流程图来具体说明识别棱角的步骤。
步骤B1:初始化棱角集合为空;
步骤B2:对深度边缘图中像素点按照深度值进行小根堆排序;
步骤B3:取出堆顶像素点并检测其深度是否在最小危险范围内,如果在最小危险范围内,则继续执行步骤B4,否则识别棱角过程结束;
步骤B4:验证该像素点是否与已经检测出的棱角距离太近,如果小于棱角间最小距离,则该像素点不是棱角,跳至执行步骤B8,否则继续执行步骤B5;
步骤B5:验证该像素点深度值是否比其周围一定半径内的像素点都小,如果比其周围一定半径内的像素点都小,则继续执行步骤B6,否则该像素点不是棱角,跳至执行步骤B8;
步骤B6:该像素点是棱角,将其添加到已经检测出的棱角集合中;
步骤B7:判断已经检测出的棱角数量是否达到最大数量,如果达到最大数量,则识别棱角过程结束,否则继续执行步骤B8;
步骤B8:对小根堆进行一次堆调整,继续执行步骤B3。
经过步骤四识别出的棱角分布样例见图4和图7,其中有圆形标记的棱角是识别出的棱角,有方块标记的棱角是未识别出的棱角。
步骤五:计算棱角的尖锐度。本实施例的棱角周围半径为30毫米,计算算法如下:
下面参考图9所示的计算棱角的尖锐度的流程图来具体说明计算尖锐度的步骤。
步骤C1:如果棱角集合为空,棱角尖锐度算法结束,否则继续执行步骤C2;
步骤C2:计算棱角集合中的第一个棱角和其周围一定半径内除该棱角外的每一个像素点之间的深度距离差和像素距离差,并对两者之商进行求和;
步骤C3:计算上述求和结果的平均值即为该棱角的尖锐度;
步骤C4:从棱角集合中移除该棱角,继续执行步骤C1。
步骤六:计算移动实体相对于棱角的移动速度,进一步包括以下步骤:
步骤D1:在相邻的两张图中,计算前一张图中的所有棱角和后一张图中的所有棱角两两之间的余弦夹角,夹角向量为前后两个棱角的每种颜色分布频率。本实施例依次统计A、B两个棱角周围半径范围内的每种颜色分布情况,形成如下两个向量:A棱角:(CA0,CA1,CA2,...,CA255),B棱角:(CB0,CB1,CB2,...,CB255),其中CAi表示A棱角像素值为i的像素个数,CBi表示B棱角像素值为i的像素个数,那么余弦夹角计算如下:
步骤D2:在相邻的两张图中,计算前一张图中的所有棱角和后一张图中的所有棱角两两之间的仿射不变矩。仿射不变矩是以几何矩和中心矩为基础的。
对于M×N的数字图像f(x,y),其(p+q)阶几何矩mpq和中心矩μpq分别为:
其中,为图像重心,m00为图像质量,m10为图像在x轴上的投影质量,m01为图像在y轴上的投影质量。
仿射不变矩的一般形式是中心矩μpq的多项式除以其中r是某一合适的指数。本实施例使用了一个3阶仿射不变矩,如下:
仿射不变矩是上述3阶仿射不变矩的平均值,即I=(I1+I2+I3)/3。
步骤D3:根据上述余弦夹角与仿射不变矩的比值确定相邻两张图中存在的相同棱角。换句话说,前一张图中的A棱角和后一张图中的B棱角之间的相似度计算如下:
其中IA表示A棱角的仿射不变矩,IB表示B棱角的仿射不变矩。
步骤D4:使用上述的相同棱角之间的深度差除以拍摄两幅图的时间间隔得出移动实体相对于该棱角的移动速度。经过上述步骤,假设前一张图中的A棱角和后一张图中的B棱角是相同的棱角,那么移动实体相对于该棱角的移动速度计算如下:
其中dA表示A棱角的深度值,dB表示B棱角的深度值,Δt表示相邻两张图的时间间隔,本实施例为0.2秒。
步骤七:计算棱角对移动实体的危险系数。进一步包括下述步骤
步骤E1:计算该棱角深度值与该棱角尖锐度的乘积;
步骤E2:使用移动实体相对于该棱角的移动速度除以上述乘积得出该棱角对移动实体的危险系数。
A棱角的危险系数计算如下:
其中vA表示移动实体相对于A棱角的移动速度,dA表示A棱角的深度值,SA表示A棱角的尖锐度。
本实施例实验结果如图7所示。共有13个棱角,识别出11个棱角,识别率为84.6%,每个棱角的深度、尖锐度、移动实体相对于该棱角的移动速度以及危险系数如下表所示:
通过本发明,可以在室内环境中识别出物体棱角并能够衡量出其对移动实体危险程度。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围内,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求书为保护范围。
Claims (8)
1.一种室内识别物体棱角并衡量其对移动实体危险程度的方法,其特征在于,包括以下步骤:
步骤一:使用Kinect摄像头同步获取物体的彩色图像和深度图像;
步骤二:对所述深度图像进行预处理;
步骤三:对预处理后的深度图像进行边缘检测生成深度边缘图;
步骤四:从所述深度边缘图中识别棱角;
步骤五:计算所述棱角的尖锐度;
步骤六:计算所述移动实体相对于所述棱角的移动速度;
步骤七:计算所述棱角对所述移动实体的危险系数。
2.如权利要求1所述的室内识别物体棱角并衡量其对移动实体危险程度的方法,其特征在于,步骤一中所述彩色图像和深度图像的分辨率均为640*480,采样频率均为30HZ。
3.如权利要求1所述的室内识别物体棱角并衡量其对移动实体危险程度的方法,其特征在于,步骤二中的预处理进一步包括:
步骤A1:使用中值滤波分别处理所述彩色图像和深度图像;
步骤A2:使用边缘检测算法分别检测彩色图像边缘和深度图像边缘;
步骤A3:根据彩色图像边缘生成彩色DT图,根据深度图像边缘生成深度DT图;
步骤A4:使用k阶极小值方法分别处理所述彩色DT图和深度DT图;
步骤A5:根据处理后的彩色DT图和深度DT图生成CDT图;
步骤A6:根据所述CDT图求得混合像素点,并将所述混合像素点和深度图像中的丢失像素点合并构成混合像素区;
步骤A7:使用一个边缘收敛停止函数找到所述混合像素区的临界值;
步骤A8:对所述混合像素区进行有效像素填充获得填充后的深度图像;
步骤A9:使用去噪函数对所述填充后的深度图像去噪。
4.如权利要求1所述的室内识别物体棱角并衡量其对移动实体危险程度的方法,其特征在于,步骤三中采用的检测算法是Canny算子检测算法。
5.如权利要求1所述的室内识别物体棱角并衡量其对移动实体危险程度的方法,其特征在于,步骤四中进一步包括:
步骤B1:初始化棱角集合为空;
步骤B2:对深度边缘图中像素点按照深度值进行小根堆排序;
步骤B3:取出堆顶像素点并检测其深度是否在最小危险范围内,如果在最小危险范围内,则继续执行步骤B4,否则识别棱角过程结束;
步骤B4:计算该像素点与已经检测出的棱角之间的距离,如果上述距离小于棱角间最小距离,则该像素点不是棱角,否则继续执行步骤B5;
步骤B5:验证该像素点深度值是否比其周围一定半径内的像素点都小,如果比其周围一定半径内的像素点都小,则继续执行步骤B6,否则该像素点不是棱角;
步骤B6:该像素点是棱角,将其添加到已经检测出的棱角集合中;
步骤B7:判断已经检测出的棱角数量是否达到最大数量,如果达到最大数量,则识别棱角过程结束,否则继续执行步骤B8;
步骤B8:对小根堆进行一次堆调整,继续执行步骤B3。
6.如权利要求1所述的室内识别物体棱角并衡量其对移动实体危险程度的方法,其特征在于,步骤五中进一步包括:
步骤C1:如果棱角集合为空,棱角尖锐度算法结束,否则继续执行步骤C2;
步骤C2:计算所述棱角和其周围一定半径内的每一个像素点之间的深度距离差和像素距离差;
步骤C3:根据上述的深度距离差和像素距离差计算该棱角在每个方向上的尖锐角度;
步骤C4:对该棱角在每个方向上的尖锐角度求平均值得出该棱角的尖锐度。
7.如权利要求1所述的室内识别物体棱角并衡量其对移动实体危险程度的方法,其特征在于,步骤六中进一步包括:
步骤D1:在相邻的两张图中,计算前一张图中的所有棱角和后一张图中的所有棱角两两之间的余弦夹角,夹角向量为前后两个棱角的颜色分布频率;
步骤D2:在相邻的两张图中,计算前一张图中的所有棱角和后一张图中的所有棱角两两之间的仿射不变矩;
步骤D3:根据上述余弦夹角与仿射不变矩的比值确定相邻两张图中存在的同一个棱角;
步骤D4:使用上述的同一个棱角之间的深度差除以拍摄两幅图的时间间隔得出移动实体相对于该棱角的移动速度。
8.如权利要求1所述的室内识别物体棱角并衡量其对移动实体危险程度的方法,其特征在于,步骤七中进一步包括:
步骤E1:计算所述棱角的深度值与所述棱角的尖锐度的乘积;
步骤E2:使用移动实体相对于所述棱角的移动速度除以上述乘积得出该棱角对移动实体的危险系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410663093.6A CN104504678B (zh) | 2014-11-19 | 2014-11-19 | 一种室内识别物体棱角并衡量其对移动实体危险程度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410663093.6A CN104504678B (zh) | 2014-11-19 | 2014-11-19 | 一种室内识别物体棱角并衡量其对移动实体危险程度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504678A CN104504678A (zh) | 2015-04-08 |
CN104504678B true CN104504678B (zh) | 2017-04-19 |
Family
ID=52946072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410663093.6A Expired - Fee Related CN104504678B (zh) | 2014-11-19 | 2014-11-19 | 一种室内识别物体棱角并衡量其对移动实体危险程度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504678B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015175964A1 (en) * | 2014-05-15 | 2015-11-19 | Burch Reuben | Wearable devices for courier processing and methods of use thereof |
CN110097736B (zh) * | 2019-04-23 | 2021-11-30 | 维沃移动通信有限公司 | 报警方法及报警装置 |
CN112051284A (zh) * | 2020-01-08 | 2020-12-08 | 张玉奇 | 基于景深分析的信号增强系统以及相应终端 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036483A (zh) * | 2013-03-06 | 2014-09-10 | 北京三星通信技术研究有限公司 | 图像处理系统和图像处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7522163B2 (en) * | 2004-08-28 | 2009-04-21 | David Holmes | Method and apparatus for determining offsets of a part from a digital image |
-
2014
- 2014-11-19 CN CN201410663093.6A patent/CN104504678B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036483A (zh) * | 2013-03-06 | 2014-09-10 | 北京三星通信技术研究有限公司 | 图像处理系统和图像处理方法 |
Non-Patent Citations (2)
Title |
---|
A Learned Feature Descriptor for Object Recognition in RGB-D Data;Manuel Blum 等;《IEEE International Conference on Robotics and Automation》;20120518;第1-6页 * |
基于广义对称特性和Snake 模型的障碍物外边界提取技术;刘述民 等;《信息与控制》;20140615;第43卷(第3期);第318-323页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104504678A (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355570B (zh) | 一种结合深度特征的双目立体视觉匹配方法 | |
EP3614340B1 (en) | Methods and devices for acquiring 3d face, and computer readable storage media | |
CN106485275B (zh) | 一种实现盖板玻璃与液晶屏定位贴合的方法 | |
CN108369741B (zh) | 用于配准数据的方法和系统 | |
CN108171673B (zh) | 图像处理方法、装置、车载抬头显示系统及车辆 | |
CN107169475B (zh) | 一种基于kinect相机的人脸三维点云优化处理方法 | |
CN111339951A (zh) | 体温测量方法、装置及系统 | |
GB2464453A (en) | Determining Surface Normals from Three Images | |
Yang et al. | Practical and precise projector-camera calibration | |
CN103020988B (zh) | 一种激光散斑图像的运动向量生成方法 | |
CN104933704B (zh) | 一种三维立体扫描方法及系统 | |
CN107798702A (zh) | 一种用于增强现实的实时图像叠加方法以及装置 | |
CN110956661A (zh) | 基于双向单应矩阵的可见光与红外相机动态位姿计算方法 | |
CN104504678B (zh) | 一种室内识别物体棱角并衡量其对移动实体危险程度的方法 | |
CN109769109A (zh) | 基于虚拟视点合成绘制三维物体的方法和系统 | |
CN110189347B (zh) | 一种测量物体体积的方法及终端 | |
CN112657176A (zh) | 一种结合人像行为信息的双目投影人机交互方法 | |
CN110021035B (zh) | Kinect深度相机的标记物及基于该标记物的虚拟标记物跟踪方法 | |
JP7432793B1 (ja) | 三次元点群に基づくマッピング方法、装置、チップ及びモジュール機器 | |
CN114511608A (zh) | 一种深度图像的获取方法、装置、终端、成像系统和介质 | |
CN114494582A (zh) | 一种基于视觉感知的三维模型动态更新方法 | |
Han et al. | Target positioning method in binocular vision manipulator control based on improved canny operator | |
CN110909571A (zh) | 一种高精度面部识别空间定位方法 | |
KR20200049958A (ko) | 3차원 깊이 측정 장치 및 방법 | |
CN105488535A (zh) | 一种三维点云匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170419 Termination date: 20191119 |
|
CF01 | Termination of patent right due to non-payment of annual fee |