CN104952072A - 一种基于遗传算法的矩形检测方法 - Google Patents
一种基于遗传算法的矩形检测方法 Download PDFInfo
- Publication number
- CN104952072A CN104952072A CN201510329970.0A CN201510329970A CN104952072A CN 104952072 A CN104952072 A CN 104952072A CN 201510329970 A CN201510329970 A CN 201510329970A CN 104952072 A CN104952072 A CN 104952072A
- Authority
- CN
- China
- Prior art keywords
- gene
- individuality
- point
- individual
- rectangle
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的涉及一种对图像中矩形进行检测的方法。本发明旨在寻找图像中矩形的最佳四个顶点集合,首先对图像进行边缘检测,获得由图像中所有边缘点组成的集合即边缘空间,然后用四个边缘点表示一个矩形个体,简称为个体,通过计算四个边缘点之间连线的存在性和夹角接近直角的程度来计算个体的适应度,选择适用度高的个体进行交叉和变异操作来产生新一代的个体。通过多次选择、交叉和变异操作最终找到组成矩形四个顶点的最佳集合。该方法基于遗传算法,具有良好的全局搜索能力和准确、抗噪声的优点。
Description
技术领域
本发明属于计算机视觉和图像领域,具体涉及一种基于遗传算法的矩形检测算法。
背景技术
形状识别是计算机视觉模式识别系统的一个基本问题。为了抽取更高层次的信息用于分析,需要在图像中寻找具体的物体对象或感兴趣的区域。由于人们在特定场合下,往往会具备一些对特殊形状的先验知识,所以能否快速有效地检测到这些特殊形状就变得尤为重要。具体来说,需要能够在噪声和失真的情况下检测特定的形状。
矩形是人造环境中最常见的形状之一。它们出现的场景可能有门、窗,甚至是海报以及道路两旁的广告牌。因为矩形在体积离散化和平面模型中的几何和拓扑特性,它们也广泛出现在计算机辅助设计(CAD)软件中。门和窗可以用作智能机器人的定位地标,因为它们可以和一个熟知的位置关联起来。检测和识别它们可以使机器人在估计自己位置时降低不确定性的范围。在机器人导航的另一方面,是通过在机器人视觉中检测人造地标作为唯一标识,而这些地标往往都是矩形。
遗传算法(Genetic algorithms,GA)已经被广泛应用到圆、平面多边形、数字曲线以及非分析对象的检测识别中。而且,在真实图像中,噪声信息和背景杂乱是形状识别的主要挑战,而这恰恰是基于遗传算法检测形状的优势所在。
目前应用比较多的一种方法是先对图像应用边缘检测,然后进行轮廓提取,最后判断轮廓的夹角是否满足90°,这种方法的缺点是受轮廓检测的影响很大。当随着穿过矩形的干扰逐渐变大时,无论是内轮廓还是外轮廓,都无法检测出图像中的矩形。
发明内容
本发明的目的在于提出一种对图像中矩形进行检测的方法以用于计算机视觉模式识别系统中矩形形状的识别,该方法基于遗传算法,具有准确、抗噪声的优点。遗传算法是一类借鉴生物界的进化规律演化而来的随机化 搜索方法。遗传算法具有良好的全局搜索能力,可以快速地将解空间中的全体解搜索出,而不会陷入局部最优解的快速下降陷阱;具有内在并行性,可以方便地进行分布式计算,加快求解速度;具有可扩展性,容易与其他算法结合。
本发明旨在寻找图像中矩形的最佳四个顶点集合。首先对图像进行边缘检测,获得由图像中所有边缘点组成的集合即边缘空间。其中边缘检测是计算机图像处理的基本问题,目的是标识数字图像中亮度变化明显的点,以此作为图像的边缘点。然后用四个边缘点表示一个矩形个体,简称为个体。通过计算四个边缘点之间连线的存在性和夹角接近直角的程度来计算个体的适应度,选择适用度高的个体进行交叉和变异操作来产生新一代的个体。通过多次选择、交叉和变异操作最终找到组成矩形四个顶点的最佳集合。
本发明提出的一种基于遗传算法的矩形检测方法,其特征在于包括如下步骤:
(1)边缘检测步骤:对图像进行边缘检测,获得由图像中所有边缘点组成的边缘空间;
(2)选择库生成步骤,包括下述子步骤:
(2.1)每次以均匀随机不放回方式从边缘空间中抽四个边缘点;
(2.2)个体表示步骤,用四个边缘点表示一个个体,记为{(x1,y1),(x2,y2),(x3,y3),(x4,y4)},其中x1-x4为各边缘点横坐标,y1-y4为各边缘点纵坐标;将个体中每个边缘点视为一个基因,每个个体按从左至右顺序,有一号、二号、三号、四号基因位;将置于i号基因位的基因称为第i个基因,i为从1到4的整数;
将离直角坐标系原点最近的基因置于一号基因位上,其它三个基因按照顺时针或逆时针顺序依次位于二号、三号和四号基因位上;当离原点最近的基因多于一个时,则将位于最上方基因置于一号基因位上;
(2.3)执行子步骤(2.1)、(2.2)共S次,S取值一般为20到900之间,去除其中有三个或三个以上的边缘点在一条直线的个体,生成选择库;
(3)交叉操作步骤,包括如下子步骤:
(3.1)从选择库中,以均匀随机和放回的方式,选择两个个体;
(3.2)随机生成整数i、j,将两个个体的第i个基因的横纵坐标分别转换为二进制编码;将两个个体的第i个基因的横纵坐标第j位及以后的编码段,分别进行交叉替换,将交叉替换后的二进制编码转换回十进制,形成 两个新的基因;j是从1到N的整数,N是基因坐标二进制编码位数;
(3.4)判别所述两个新的基因是否均为边缘空间中的点,是则转子步骤(3.5);否则将不是边缘空间中的点的基因,变更为边缘空间中距离该基因最近、且未参加交叉替换的基因,转子步骤(3.5);
(3.5)对交叉或变更后的两个个体执行子步骤(2.2)操作,然后转子步骤(3.6);
(3.6)在重新排列基因顺序的两个个体中,判别各个个体是否有两个或两个以上的基因重复,是则将该个体删除,转步骤(3.1);否则转步骤(3.7);
(3.7)计算重新排列基因顺序的两个个体适应度,判别是否至少有一个的适应度为1,是则将该个体作为检测出的矩形,结束;否则转步骤(4)。
(4)变异操作步骤,包括如下子步骤:
(4.1)以均匀随机和放回的方式,从选择库中选择一个个体,随机选择该个体上的第i个基因(xi,yi);
(4.2)生成两个随机整数,分别对变异阈值thr取余,产生一个突变向量(δx,δy);其中变异阈值thr是大于0的整数;
(4.3)以(xi+δx,yi+δy)为变异基因p,判断其是否为边缘空间中的点,是则转子步骤(4.4),否则将其变更为边缘空间中距离该点最近、且未参加变异的点;
(4.4)对变异后的个体执行子步骤(2.2)操作,然后转子步骤(4.5);
(4.5)判别重新排列基因顺序的个体是否有两个或两个以上的基因重复,是则将该个体删除,转子步骤(4.1);否则转步骤(5);
(5)计算个体适应度,判别该个体的适应度是否为1,是则将该个体作为检测出的矩形,结束;否则转步骤(6);
(6)判别交叉和变异操作次数的总和是否达到或超过T,是则表明没有检测到矩形,结束;否则转步骤(3);其T是用户自定义的次数值,取值为50到500之间。
所述变异操作步骤(4)中,变异阈值thr是大于0的整数,取较小的变异阈值有利于局部搜索,取较大的变异阈值有利于全局搜索。
所述交叉操作步骤(3)是从群体中选择优胜个体,淘汰劣质个体。选择操作是建立在群体中矩形个体适应度评估基础上的。可以采用适应度比例法、最佳个体保存法、期望值法等算法。选择出的个体置于选择库中。为了使算法能够收敛到全局最优解,在选择前保留当前种群中适应度最高的个体。
进一步的,所述矩形检测方法的子步骤(3.7)和步骤(5)中,可采用如下方法,计算个体适应度f(I):
式中,I表示个体,∠i表示第i个基因对应的顶角,li表示个体的4个边,R(li)表示各边的存在性,
其中dk是线段中实际接近边的点和预测的边缘点之间的距离,为欧氏距离或曼哈顿距离;对每条边等间距划分,M是每条边上的等间距点的数目,根据图片大小取值为20到200;r是各边存在性权重因子,它负责调控边存在性和顶角接近90°的优先级,r取值越大,则边存在性在适应度中占的优先级就越高,一般取值为0.5、1、2、3、4、5。如果边l切实存在时,则R(l)=1;如果∠i是90°,则sin(∠i)=1,所以,理想矩形个体的适应度为1。
由于本方法是基于遗传算法的,所以具有高效、稳定和抗干扰力强的优点。在要求检测精度不是很高的情况下可以用于快速检测。
附图说明
图1为整体流程图;
图2a、2b示出了图片边缘检测前和检测后情况;
图3为个体内基因排列规则;
图4为个体适应度的计算方法;
图5a、5b、5c为交叉操作示意图;
图6为变异操作示意图。
具体实施方式
下面根据附图说明基于遗传算法进行矩形检测的实施过程。
图1为整体流程图。
对图像进行边缘检测,获得图像的边缘点组成的边缘空间,以此作为矩形检测算法的输入。边缘检测算法可以是Roberts、Sobel、Prewitt、Canny或Log,具体采用哪种边缘检测不是算法的关键。图2a、2b为对图片应用Canny边缘检测前后的结果。
对图像进行边缘检测后,获得由边缘点组成的边缘空间。从边缘空间中均匀随机不放回地抽取四个点,按照个体表示中基因排列规则生成一个 个体。设群体大小为S,此次实施过程中S=4,则重复S次该操作,最终生成初始群体。
图3描述了个体内基因的排列规则。离原点最近的有P1和P4两个顶点,于是将位于上方的P1所代表的基因(x1,y1)置于一号基因位;然后按照顺时针的顺序,将P2、P3、P4所代表的基因(x2,y2)、(x3,y3)、(x4,y4)依次置于二号、三号、四号基因位。于是,代表四边形P1P2P3P4的个体I={(x1,y1),(x2,y2),(x3,y3),(x4,y4)}。
按照适应度函数,计算群体中每个个体的适应度。图4描述了个体I={P1,P2,P3,P4}适应度的计算过程。由于真正的矩形是由P1P2′P3P4,所以当前个体I的适应度小于1。示例在计算边的存在性时采用的是欧氏距离,检测M=3个等距点的存在,在求夹角∠P1P2P3的正弦值时,是通过求由向量和向量夹角的余弦值,
然后根据余弦值求正弦值获得的。
对种群中所有个体计算完适用度后,开始进行选择操作。表1为对数目S=4的群体按照适用度比例法进行的选择操作。选择结束后,形成选择库,供后续交叉操作和变异操作使用。
表1
图5a、图5b、图5c、表2展示出了个体I1={(2,1),(6,7),(5,7),(1,4)}和个体I2={(7,9),(8,9),(8,10),(7,11)}交叉操作的过程。I1和I2的二号基因交叉后得到基因(4,5)和(10,11)。由于(4,5)不是边缘点,所以选取除交叉前基因(6,7)离(4,5)最近的(3,6)作为I1二号基因交叉后的结果。于是得到交叉后的个体I 1′={(2,1),(3,6),(5,7),(1,4)}和个体I2′={(7,9),(8,9),(8,10),(7,11)}。
表2
交叉操作后,当前个体适应度均小于1,于是对选择库中的个体进行变异操作。设变异阈值thr=5。图6为个体I={(2,2),(6,2),(4,7),(2,5)}的变异过程。随机选择三号基因位上的基因(4,7)进行变异,生成两个随机数然后对5取余产生变异向量(2,-1),两者相加得到变异后的基因(6,6)。因为变异后的基因不是边缘点,所以选取离(6,6)最近的边缘点(6,5)作为变异后的最终结果,得到变异后的个体I={(2,2),(6,2),(6,5),(2,5)},个体I适应度为1,为全局最优,检测结束。
Claims (2)
1.一种基于遗传算法的矩形检测方法,其特征在于包括如下步骤:
(1)边缘检测步骤:对图像进行边缘检测,获得由图像中所有边缘点组成的边缘空间;
(2)选择库生成步骤,包括下述子步骤:
(2.1)每次以均匀随机不放回方式从边缘空间中抽四个边缘点;
(2.2)个体表示步骤,用四个边缘点表示一个个体,记为{(x1,y1),(x2,y2),(x3,y3),(x4,y4)},其中x1-x4为各边缘点横坐标,y1-y4为各边缘点纵坐标;将个体中每个边缘点视为一个基因,每个个体按从左至右顺序,有一号、二号、三号、四号基因位;将置于i号基因位的基因称为第i个基因,i为从1到4的整数;
将离直角坐标系原点最近的基因置于一号基因位上,其它三个基因按照顺时针或逆时针顺序依次位于二号、三号和四号基因位上;当离原点最近的基因多于一个时,则将位于最上方基因置于一号基因位上;
(2.3)执行子步骤(2.1)、(2.2)共S次,S取值一般为20到900之间,去除其中有三个或三个以上的边缘点在一条直线的个体,生成选择库;
(3)交叉操作步骤,包括如下子步骤:
(3.1)从选择库中,以均匀随机和放回的方式,选择两个个体;
(3.2)随机生成整数i、j,将两个个体的第i个基因的横纵坐标分别转换为二进制编码;将两个个体的第i个基因的横纵坐标第j位及以后的编码段,分别进行交叉替换,将交叉替换后的二进制编码转换回十进制,形成两个新的基因;j是从1到N的整数,N是基因坐标二进制编码位数;
(3.4)判别所述两个新的基因是否均为边缘空间中的点,是则转子步骤(3.5);否则将不是边缘空间中的点的基因,变更为边缘空间中距离该基因最近、且未参加交叉替换的基因,转子步骤(3.5);
(3.5)对交叉或变更后的两个个体执行子步骤(2.2)操作,然后转子步骤(3.6);
(3.6)在重新排列基因顺序的两个个体中,判别各个个体是否有两个或两个以上的基因重复,是则将该个体删除,转步骤(3.1);否则转步骤(3.7);
(3.7)计算重新排列基因顺序的两个个体适应度,判别是否至少有一个的适应度为1,是则将该个体作为检测出的矩形,结束;否则转步骤(4)。
(4)变异操作步骤,包括如下子步骤:
(4.1)以均匀随机和放回的方式,从选择库中选择一个个体,随机选择该个体上的第i个基因(xi,yi);
(4.2)生成两个随机整数,分别对变异阈值thr取余,产生一个突变向量(δx,δy);其中变异阈值thr是大于0的整数;
(4.3)以(xi+δx,yi+δy)为变异基因p,判断其是否为边缘空间中的点,是则转子步骤(4.4),否则将其变更为边缘空间中距离该点最近、且未参加变异的点;
(4.4)对变异后的个体执行子步骤(2.2)操作,然后转子步骤(4.5);
(4.5)判别重新排列基因顺序的个体是否有两个或两个以上的基因重复,是则将该个体删除,转子步骤(4.1);否则转步骤(5);
(5)计算个体适应度,判别该个体的适应度是否为1,是则将该个体作为检测出的矩形,结束;否则转步骤(6);
(6)判别交叉和变异操作次数的总和是否达到或超过T,是则表明没有检测到矩形,结束;否则转步骤(3);其T是用户自定义的次数值,取值为50到500之间。
2.根据权利要求1所述的检测方法,其特征在于,子步骤(3.7)和步骤(5)中,根据下式计算个体适应度f(I):
式中,I表示个体,∠i表示第i个基因对应的顶角,li表示个体的4个边,R(li)表示各边的存在性,
其中dk是线段中实际接近边的点和预测的边缘点之间的距离,为欧氏距离或曼哈顿距离;对每条边等间距划分,M是每条边上的等间距点的数目,根据图片大小取值为20到200;r是各边存在性权重因子,一般取值为0.5、1、2、3、4、5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510329970.0A CN104952072B (zh) | 2015-06-16 | 2015-06-16 | 一种基于遗传算法的矩形检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510329970.0A CN104952072B (zh) | 2015-06-16 | 2015-06-16 | 一种基于遗传算法的矩形检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104952072A true CN104952072A (zh) | 2015-09-30 |
CN104952072B CN104952072B (zh) | 2017-07-18 |
Family
ID=54166700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510329970.0A Expired - Fee Related CN104952072B (zh) | 2015-06-16 | 2015-06-16 | 一种基于遗传算法的矩形检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104952072B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844615A (zh) * | 2016-03-17 | 2016-08-10 | 网易(杭州)网络有限公司 | 识别规则矩形区域的方法及装置 |
CN107507210A (zh) * | 2017-09-27 | 2017-12-22 | 上海斐讯数据通信技术有限公司 | 一种基于遗传算法的图像边缘检测方法及装置 |
CN108665451A (zh) * | 2018-05-04 | 2018-10-16 | 江西理工大学 | 基于三元高斯差分演化算法的圆检测方法 |
CN110490887A (zh) * | 2019-06-26 | 2019-11-22 | 河南埃尔森智能科技有限公司 | 一种基于3d视觉的对矩形包裹边缘快速识别定位方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680970A (zh) * | 2012-05-15 | 2012-09-19 | 北京理工大学 | 一种采用前向散射雷达的要地防护雷达网络探测方法 |
-
2015
- 2015-06-16 CN CN201510329970.0A patent/CN104952072B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680970A (zh) * | 2012-05-15 | 2012-09-19 | 北京理工大学 | 一种采用前向散射雷达的要地防护雷达网络探测方法 |
Non-Patent Citations (4)
Title |
---|
HAIMING LIU等: "Optimization Algorithm for Rectangle Packing Problem Based on Varied-factor Genetic Algorithm and Lowest Front-Line Strategy", 《2014 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC)》 * |
MING LI等: "An improved genetic algorithm for the packing of rectangles", 《PROCEEDINGS OF THE EIGHTH INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
陈勇 等: "采用遗传算法的矩形件优化下料模型", 《现代制造工程》 * |
韩喜君等: "基于改进遗传算法的矩形件优化排样", 《计算机工程与应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844615A (zh) * | 2016-03-17 | 2016-08-10 | 网易(杭州)网络有限公司 | 识别规则矩形区域的方法及装置 |
CN105844615B (zh) * | 2016-03-17 | 2018-10-26 | 网易(杭州)网络有限公司 | 识别规则矩形区域的方法及装置 |
CN107507210A (zh) * | 2017-09-27 | 2017-12-22 | 上海斐讯数据通信技术有限公司 | 一种基于遗传算法的图像边缘检测方法及装置 |
CN108665451A (zh) * | 2018-05-04 | 2018-10-16 | 江西理工大学 | 基于三元高斯差分演化算法的圆检测方法 |
CN108665451B (zh) * | 2018-05-04 | 2022-02-25 | 江西理工大学 | 基于三元高斯差分演化算法的圆检测方法 |
CN110490887A (zh) * | 2019-06-26 | 2019-11-22 | 河南埃尔森智能科技有限公司 | 一种基于3d视觉的对矩形包裹边缘快速识别定位方法 |
CN110490887B (zh) * | 2019-06-26 | 2023-02-28 | 河南埃尔森智能科技有限公司 | 一种基于3d视觉的对矩形包裹边缘快速识别定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104952072B (zh) | 2017-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830145B (zh) | 一种基于深度神经网络的人数统计方法及存储介质 | |
CN105491124B (zh) | 移动车辆分布式聚合方法 | |
CN102831427B (zh) | 一种融合视觉显著性和灰度共生矩的纹理特征提取方法 | |
CN111626184B (zh) | 一种人群密度估计方法及系统 | |
CN106570874B (zh) | 一种结合图像局部约束与对象全局约束的图像标记方法 | |
CN110309842B (zh) | 基于卷积神经网络的物体检测方法及装置 | |
CN104952072A (zh) | 一种基于遗传算法的矩形检测方法 | |
CN105069754B (zh) | 基于在图像上无标记增强现实的系统和方法 | |
CN111881804B (zh) | 基于联合训练的姿态估计模型训练方法、系统、介质及终端 | |
CN102360504A (zh) | 一种基于多自然特征的自适应虚实三维注册方法 | |
KR101618996B1 (ko) | 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치 | |
US8970593B2 (en) | Visualization and representation of data clusters and relations | |
CN104318551A (zh) | 基于凸包特征检索的高斯混合模型点云配准方法 | |
CN108961385A (zh) | 一种slam构图方法及装置 | |
CN112365511A (zh) | 基于重叠区域检索与对齐的点云分割方法 | |
CN113837275A (zh) | 基于扩张坐标注意力的改进YOLOv3目标检测方法 | |
CN110210564B (zh) | 相似户型检测方法及装置 | |
Chai et al. | Robust epipolar geometry estimation using genetic algorithm | |
CN106802958B (zh) | Cad数据到gis数据的转换方法及系统 | |
CN106651821A (zh) | 一种基于二阶矩保持传播算法的拓扑地图融合方法及系统 | |
CN105373538B (zh) | 一种多边形对象的显示层级确定方法及装置 | |
Liu et al. | PLDD: Point-lines distance distribution for detection of arbitrary triangles, regular polygons and circles | |
CN111402429A (zh) | 一种尺度还原、三维重建方法、系统、存储介质及设备 | |
CN103310134A (zh) | 一种基于地理语义支持的矢量数据水印防伪方法 | |
CN113903016B (zh) | 分岔点检测方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170718 Termination date: 20180616 |