CN105809657A - 一种角点检测方法和装置 - Google Patents
一种角点检测方法和装置 Download PDFInfo
- Publication number
- CN105809657A CN105809657A CN201410840922.3A CN201410840922A CN105809657A CN 105809657 A CN105809657 A CN 105809657A CN 201410840922 A CN201410840922 A CN 201410840922A CN 105809657 A CN105809657 A CN 105809657A
- Authority
- CN
- China
- Prior art keywords
- angle point
- function expression
- corner detection
- parameter
- calibrating 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种角点检测方法和装置,该方法包括:获取标定模板的角点的个数;获取对所述标定模板进行拍摄的图像中角点的个数进行计算的函数表达式,所述函数表达式包括角点检测所需要的参数;根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,确定所述函数表达式中角点检测所需要的参数值和角点。本发明使得检测的角点与标定模板的角点最接近,可以避免通过人为主观的指定参数值,能够有效提高角点检测的准确性和检测效率,从而提高相机标定的精度。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种角点检测方法和装置。
背景技术
在机器视觉应用及图像测量过程中,为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系,必须建立相机成像的几何模型,通过相机的标定确定所述相机的模型参数。
在相机标定过程中,常常使用相机对一块具有特定角点图案的标定模板进行拍摄,并从拍摄的图像中提取各个角点的图像坐标,然后将这些角点的图像坐标与标定模板上的对应角点的三维空间坐标进行匹配,从而为后续标定过程提供数据。
在从模板图像中提取各个角点的图像坐标时,往往需要根据具体情况指定角点检测所需要的参数,比如常用的Harris角点检测算法。在实现本发明过程中,发明人发现现有技术中至少存在如下问题:由于受到人的主观因素的影响,在指定角点检测过程中需要的参数(比如阈值、窗口范围等)容易出现误差,从而会影响相机标定的精度,而且检测效率低。
发明内容
本发明的目的在于提供一种角点检测方法,以解决现有技术由于受到人的主观因素的影响,在指定角点检测过程中需要的参数(比如阈值、窗口范围等)容易出现误差,从而会影响相机标定的精度,而且检测效率低的问题。
本发明是这样实现的,一种角点检测方法,所述方法包括:
获取标定模板的角点的个数;
获取对所述标定模板进行拍摄的图像中角点的个数进行计算的函数表达式,所述函数表达式包括角点检测所需要的参数;
根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,确定所述函数表达式中角点检测所需要的参数值和角点。
本发明的另一目的在于提供一种角点检测装置,所述装置包括:
第一获取单元,用于获取标定模板的角点的个数;
第二获取单元,用于获取对所述标定模板进行拍摄的图像中角点的个数进行计算的函数表达式,所述函数表达式包括角点检测所需要的参数;
参数值确定单元,用于根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,确定所述函数表达式中角点检测所需要的参数值和角点。
在本发明中,通过获取标定模板的角点的个数,以及对所述标定模板进行拍摄的图像中角点个数进行计算的函数表达式,通过所述函数表达式与所述的标定模板的角点个数的差的绝对值最小的目标,确定所述函数表达式中的参数值,从而由确定的参数值进行角点检测,使得检测的角点与标定模板的角点最接近,可以避免通过人为主观的指定参数值,能够有效提高角点检测的准确性和检测效率,从而提高相机标定的精度。
附图说明
图1是本发明实施例提供的角点检测方法的实现流程图;
图2是本发明实施例提供的标定模板示意图;
图3为本发明实施例提供的标定模板的拍摄图像的示意图;
图4为本发明实施例提供的获取对所述标定模板进行拍摄的图像中角点的个数进行计算的函数表达式的流程示意图;
图5是本发明实施例提供的角点检测装置的结构示意框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例主要用于相机标定过程中的Harris角点检测,由于在角点检测过程中需要确定角点检测的函数的相关参数,比如包括角点比较用的阈值、窗口尺寸的范围等。而不同的参数所检测的角点也不相同,因此,为了避免人为指定的参数的不合理导致的角点检测效果不佳,需要进行准确的自动化的角点检测。本发明实施例提出的一种角点检测方法,包括:获取标定模板的角点的个数;获取对所述标定模板进行拍摄的图像中角点的个数进行计算的函数表达式,所述函数表达式包括角点检测所需要的参数;根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,确定所述函数表达式中角点检测所需要的参数值和角点。
本发明通过由标定模板的角点个数确定角点计算的函数表达式的参数,从而根据确定的参数准确有效的进行角点的检测,从而能够有效的避免人为指定参数的不合理性,提高标定的精度,而且标定自动化完成,标定效率高。下面结合具体实施例进一步说明。
图1示出了本发明实施例提供的角点检测方法的实现流程,详述如下:
在步骤S101中,获取标定模板的角点的个数。
具体的,所述角点,可以为二维图像亮度变化剧烈的点或者图像边缘曲率极大值的点。这些点在保留图像图形重要特征的同时,可以有效地减少信息的数据量,使其信息的含量很高,有效地提高了计算的速度与图像匹配的可靠性。在三维场景重建、运动估计、目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。
所述标定模板,通常指带有固定间距图案阵列的平板。在机器视觉、图像测量、摄像测量、三维重建等应用中,为校正镜头畸变、确定物理尺寸和像素间的换算关系、以及确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系,需要建立相机成像的几何模型。通过相机拍摄带有固定间距图案阵列平板、经过标定算法的计算,可以得出相机的几何模型,从而得到高精度的测量和重建结果。
如图2所示为一个典型的标定模板的示意图,在图2中所示,黑方格与白方格交错排列,一共包括32个黑方格和31个白方格,根据角点的解释定义,可以知道,在图2所示的标定模板一共包括80个角点。
因此,获取标定模板的角点的个数,可以为接收工作人员输入的角点个数,但是,由于标定模板的角点个数为确定值,因此不会受到人为因素影响。
在步骤S102中,获取对所述标定模板进行拍摄的图像中角点的个数进行计算的函数表达式,所述函数表达式包括角点检测所需要的参数。
具体的,所述对所述标定模板进行拍摄的图像,优选的方式为,所述拍摄的图像不包括其它背景信息,以免影响角点检测和标定结果的精度。当然,在拍摄过程中也可能包括背景信息,如图3所示为根据图2所示的标定模板进行拍摄得到的图像,为提高检测的准确度,所述拍摄的图像的背景图像中应避免出现类似于角点的噪声图像。
具体的,对所述图像中的角点进行计算的函数表达式,可以采用多种角点检测方法对应的函数表达式,比如基于梯度的角点检测方法,基于模板的角点检测方法,或者基于模板梯度的角点检测方法等。
其中,基于梯度的角点检测方法是通过计算边缘曲率来判断角点的存在性,角点计算数值的大小不仅与边缘强度有关,而且与边缘方向的变化率有关。
所述基于模板的角点检测方法,主要考虑像素邻域点的灰度变化,即图像亮度的变化,将与相邻的像素点的亮度对比度足够大的点定义为角点。
所述基于模板梯度的角点检测方法,通过高斯模板和图像的卷积获得Canny边缘映射图,再计算梯度和边缘矢量就得到了矢势。对于矢势计算高斯曲率和平均曲率来判断是否是鞍点,对应即为图像的角点。
作为本发明实施例中一个具体的实施方式,所述进行拍摄的图像中角点的位置计算的函数表达式为基于Harris函数表达式,所述角点检测所需要的参数包括阈值T、窗口尺寸D以及度量函数参数k。
其中,获取对所述标定模板进行拍摄的图像中角点的个数进行计算的函数表达式,所述函数表达式包括角点检测所需要的参数步骤可以如图4所示:
在步骤S401中,根据度量函数参数k确定所述度量函数R(x,y)=det[M(x,y)]-k×trace2[M(x,y)]的值,其中det[M(x,y)]表示矩阵M的行列式,而trace[M(x,y)]表示矩阵M的迹,矩阵 其中h(x,y)是一个高斯平滑滤波函数,X和Y是一阶方向微分 I代表图像灰度;
在步骤S402中,根据所述度量函数的值R(x,y)与阈值T比较,选择R(x,y)大于所述阈值T的角点为候选角点;
在步骤S403中,通过窗口尺寸D对角点进行非极大值抑制,获取符合要求的角点。
其中,所述基于Harris角点检测的函数表达式可以通过度量函数R(x,y)=det[M(x,y)]-k×trace2[M(x,y)]与阈值T的比较,获取满足大于阈值T的图像点,并将这些图像点作为候选角点,并通过非极大值抑制方法去除伪角点,所述度量函数包括度量函数参数k,其中det[M(x,y)]表示矩阵M的行列式,而trace[M(x,y)]表示矩阵M的迹,矩阵 其中h(x,y)是一个高斯平滑滤波函数,X和Y是一阶方向微分 I代表图像灰度。
所述窗口尺寸D用于对角点进行非极大值抑制,从而过滤非真正的角点,保留与标定模板相对应的角点。具体为在候选角点的周围D*D大小的范围内,即在候选角点周围划分一个边长为D的正方形,候选角点位于该正方形的中心,然后在这个正方形内挨个图像点进行搜索,看是否有哪个图像点的(x,y)的R(x,y)大于候选角点(x0,y0)的R(x0,y0),如果有这样的点在正方形,则认为候选角点不是真正的角点。也就是说,真正的角点在邻域内是一定有最大的R(x,y)。
在步骤S103中,根据所述函数表达式检测的角点的个数与所述标定模板的角点个数的差的绝对值最小,确定所述函数表达式中角点检测所需要的参数值和角点。
为提高角点检测的准确性,所述根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,确定所述函数表达式中角点检测所需要的参数值步骤为:
根据所述函数表达式与所述的标定模板的角点个数的差为零时,确定所述函数表达式中角点检测所需要的参数值。
也即,当所述函数表达式与所述标定模板的角点个数的差为零时,所述函数表达式与所述标定模板的角点个数相同,也即查找的角点才可能与标定模板的角点完全一致,使得能够提高角点检测的准确性。
作为本发明实施例可选的实施方式,所述根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,确定所述函数表达式中角点检测所需要的参数值步骤包括:
根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小的目标,采用粒子群优化算法确定所述函数表达式中角点检测所需要的参数值和角点;或者
根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小的目标,采用遗传算法确定所述函数表达式中角点检测所需要的参数值和角点。
具体的,所述粒子群优化算法(英文全称为ParticleSwarmoptimization,英文简称为PSO)),又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。
PSO初始化为一群随机粒子(随机解),然后通过迭代找到最优解,在每一次叠代中,粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解,这个解叫做个体极值pBest,另一个极值是整个种群目前找到的最优解,这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居,那么在所有邻居中的极值就是局部极值。
所述遗传算法的基本运算过程如下:
a)初始化:设置进化代数计数器t=0,设置最大进化代数T,随机生成M个个体作为初始群体P(0)。
b)个体评价:计算群体P(t)中各个个体的适应度。
c)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
d)交叉运算:将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。
e)变异运算:将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。
群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。
f)终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出,终止计算。
与遗传算法比较,粒子群优化算法PSO的信息共享机制是很不同的。在遗传算法中,染色体(chromosomes)互相共享信息,所以整个种群的移动是比较均匀的向最优区域移动。在PSO中,只有gBest给出信息给其他的粒子,这是单向的信息流动。整个搜索更新过程是跟随当前最优解的过程。与遗传算法比较,在大多数的情况下,所有的粒子可能更快的收敛于最优解。
在相机标定过程中,因为标定模板上的角点个数是已知的,所以可以利用这一特点来对标定模板图像中的角点进行自动检测。以附图2中的标定模板为例,该模板上共有N=80个角点,在采用Harris角点检测算法来检测标定模板图像(假定标定模板图像中的背景较为平滑)中的各个角点时,可以设一个目标函数f(k,T,D)=|g(k,T,D)–N|,其中g(k,T,D)表示当参数为k,T,D时Harris角点检测算法检测到的角点数目,目标函数f(k,T,D)为g(k,T,D)与N的差的绝对值,因此f(k,T,D)≥0,很显然我们希望f(k,T,D)=0,这时Harris角点检测算法检测到的角点数目与实际的角点数目相等,因此我们需要的参数就是使得f(k,T,D)最小化(等于0)的参数,而我们的目标则是将f(k,T,D)最小化,因此自动角点检测的问题就可以表示为以下的约束最优化问题:
其中,sizeofimage即图像的尺寸。这样一来就可以利用粒子群优化算法、遗传算法等进化算法来进行求解,一旦找到一组参数k’,T’,D’,且这组参数可以使得f(k’,T’,D’)取得最小值0,则这组参数就是需要的参数,并且同时也得到了标定模板图像(如图3)中的N个角点。
具体的,根据步骤S103得到所述角点检测所需要的参数值时,也就完成了角点检测步骤,即角点的个数为目标函数f(k,T,D)=|g(k,T,D)–N|最小时,函数g(k,T,D)所对应的大小。
本发明实施例通过预先获取标准模板的角点个数,并采用优化算法计算获取角点检测所需要的参数的值,使得所述角点检测所需要的参数的值不需要人为的设定,可以显著提高角点检测的准确性和自动化程度,相应的提高相机标定的精度,并且有效的提高了检测效率。
图5示出了本发明实施例提供的角点检测装置的结构示意图,详述如下:
本发明实施例所述角点检测装置,包括:
第一获取单元501,用于获取标定模板的角点的个数;
第二获取单元502,用于获取对所述标定模板进行拍摄的图像中角点的个数进行计算的函数表达式,所述函数表达式包括角点检测所需要的参数;
参数值确定单元503,用于根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小的目标,确定所述函数表达式中角点检测所需要的参数值和角点。
优选的,所述参数值确定单元具体用于:
根据所述函数表达式与所述的标定模板的角点个数的差为零时,确定所述函数表达式中角点检测所需要的参数值。
具体的,所述进行拍摄的图像中角点的个数进行计算的函数表达式为基于Harris角点检测的函数表达式,所述角点检测所需要的参数包括阈值T、窗口尺寸D以及度量函数参数k。
进一步具体的,所述第二获取单元包括:
度量值确定子单元,用于根据度量函数参数k确定所述度量函数R(x,y)=det[M(x,y)]-k×trace2[M(x,y)]的值,其中det[M(x,y)]表示矩阵M的行列式,而trace[M(x,y)]表示矩阵M的迹,矩阵 其中h(x,y)是一个高斯平滑滤波函数,X和Y是一阶方向微分 I代表图像灰度;
候选角点选择单元,用于根据所述度量函数的值R(x,y)与阈值T比较,选择R(x,y)大于所述阈值T的角点为候选角点;
窗口过滤单元,用于通过窗口尺寸D对角点进行非极大值抑制,获取符合要求的角点。
可选的,所述参数值确定单元包括:
第一确定子单元,用于根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小的目标,采用粒子群优化算法确定所述函数表达式中角点检测所需要的参数值和角点;或者
第二确定子单元,用于根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小的目标,采用遗传算法确定所述函数表达式中角点检测所需要的参数值和角点。
图5所述角点检测装置与图1-图4所述的角点检测方法对应,在此不作重复赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种角点检测方法,其特征在于,所述方法包括:
获取标定模板的角点的个数;
获取对所述标定模板进行拍摄的图像中角点的个数进行计算的函数表达式,所述函数表达式包括角点检测所需要的参数;
根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,确定所述函数表达式中角点检测所需要的参数值和角点。
2.根据权利要求1所述方法,其特征在于,所述根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,确定所述函数表达式中角点检测所需要的参数值步骤包括:
根据所述函数表达式与所述的标定模板的角点个数的差为零时,确定所述函数表达式中角点检测所需要的参数值。
3.根据权利要求1所述方法,其特征在于,所述进行拍摄的图像中角点的个数进行计算的函数表达式为基于Harris角点检测的函数表达式,所述角点检测所需要的参数包括阈值T、窗口尺寸D以及度量函数参数k。
4.根据权利要求3所述方法,其特征在于,所述获取对所述标定模板进行拍摄的图像中角点的个数进行计算的函数表达式,所述函数表达式包括角点检测所需要的参数步骤包括:
根据度量函数参数k确定所述度量函数R(x,y)=det[M(x,y)]-k×trace2[M(x,y)]的值,其中det[M(x,y)]表示矩阵M的行列式,而trace[M(x,y)]表示矩阵M的迹,矩阵 其中h(x,y)是一个高斯平滑滤波函数,X和Y是一阶方向微分 I代表图像灰度;
根据所述度量函数的值R(x,y)与阈值T比较,选择R(x,y)大于所述阈值T的角点为候选角点;
通过窗口尺寸D对角点进行非极大值抑制,获取符合要求的角点。
5.根据权利要求1-4任一项所述方法,其特征在于,所述根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,确定所述函数表达式中角点检测所需要的参数值和角点步骤包括:
根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,采用粒子群优化算法确定所述函数表达式中角点检测所需要的参数值和角点;或者
根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,采用遗传算法确定所述函数表达式中角点检测所需要的参数值和角点。
6.一种角点检测装置,其特征在于,所述装置包括:
第一获取单元,用于获取标定模板的角点的个数;
第二获取单元,用于获取对所述标定模板进行拍摄的图像中角点的个数进行计算的函数表达式,所述函数表达式包括角点检测所需要的参数;
参数值确定单元,用于根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,确定所述函数表达式中角点检测所需要的参数值和角点。
7.根据权利要求6所述装置,其特征在于,所述参数值确定单元具体用于:
根据所述函数表达式与所述的标定模板的角点个数的差为零时,确定所述函数表达式中角点检测所需要的参数值。
8.根据权利要求6所述装置,其特征在于,所述进行拍摄的图像中角点的个数进行计算的函数表达式为基于Harris角点检测的函数表达式,所述角点检测所需要的参数包括阈值T、窗口尺寸D以及度量函数参数k。
9.根据权利要求8所述装置,其特征在于,所述第二获取单元包括:
度量值确定子单元,用于根据度量函数参数k确定所述度量函数R(x,y)=det[M(x,y)]-k×trace2[M(x,y)]的值,其中det[M(x,y)]表示矩阵M的行列式,而trace[M(x,y)]表示矩阵M的迹,矩阵 其中h(x,y)是一个高斯平滑滤波函数,X和Y是一阶方向微分 I代表图像灰度;
候选角点选择单元,用于根据所述度量函数的值R(x,y)与阈值T比较,选择R(x,y)大于所述阈值T的角点为候选角点;
窗口过滤单元,用于通过窗口尺寸D对角点进行非极大值抑制,获取符合要求的角点。
10.根据权利要求6-9任一项所述装置,其特征在于,所述参数值确定单元包括:
第一确定子单元,用于根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,采用粒子群优化算法确定所述函数表达式中角点检测所需要的参数值和角点;或者
第二确定子单元,用于根据所述函数表达式与所述的标定模板的角点个数的差的绝对值最小,采用遗传算法确定所述函数表达式中角点检测所需要的参数值和角点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410840922.3A CN105809657A (zh) | 2014-12-30 | 2014-12-30 | 一种角点检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410840922.3A CN105809657A (zh) | 2014-12-30 | 2014-12-30 | 一种角点检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105809657A true CN105809657A (zh) | 2016-07-27 |
Family
ID=56980283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410840922.3A Pending CN105809657A (zh) | 2014-12-30 | 2014-12-30 | 一种角点检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105809657A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846412A (zh) * | 2017-01-23 | 2017-06-13 | 上海兴芯微电子科技有限公司 | 一种棋盘格角点检测方法及装置 |
CN108537796A (zh) * | 2018-03-19 | 2018-09-14 | 太原理工大学 | 基于模板边缘的自适应Harris角点检测方法 |
CN109448059A (zh) * | 2016-08-31 | 2019-03-08 | 北京航空航天大学 | 一种快速x角点亚像素检测方法 |
CN109815943A (zh) * | 2019-03-18 | 2019-05-28 | 北京石油化工学院 | 一种危化品仓储堆垛图片样本生成方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957990A (zh) * | 2010-08-13 | 2011-01-26 | 武汉大学 | 一种摄像机定标方法、图像处理设备和机动车辆 |
CN102750697A (zh) * | 2012-06-08 | 2012-10-24 | 华为技术有限公司 | 一种参数标定方法及装置 |
CN103279956A (zh) * | 2013-05-30 | 2013-09-04 | 华南理工大学 | 一种检测贴片机元器件定位精度的方法 |
CN103413306A (zh) * | 2013-08-01 | 2013-11-27 | 西北工业大学 | 一种自适应阈值的Harris角点检测方法 |
US20140152825A1 (en) * | 2012-12-04 | 2014-06-05 | Magna Electronics Inc. | Vehicle vision system utilizing corner detection |
-
2014
- 2014-12-30 CN CN201410840922.3A patent/CN105809657A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957990A (zh) * | 2010-08-13 | 2011-01-26 | 武汉大学 | 一种摄像机定标方法、图像处理设备和机动车辆 |
CN102750697A (zh) * | 2012-06-08 | 2012-10-24 | 华为技术有限公司 | 一种参数标定方法及装置 |
US20140152825A1 (en) * | 2012-12-04 | 2014-06-05 | Magna Electronics Inc. | Vehicle vision system utilizing corner detection |
CN103279956A (zh) * | 2013-05-30 | 2013-09-04 | 华南理工大学 | 一种检测贴片机元器件定位精度的方法 |
CN103413306A (zh) * | 2013-08-01 | 2013-11-27 | 西北工业大学 | 一种自适应阈值的Harris角点检测方法 |
Non-Patent Citations (3)
Title |
---|
丁能根: "《汽车主动控制系统中参数估计的方法与应用》", 30 September 2013, 北京航空航天大学出版社 * |
侯建辉等: ""自适应的Harris棋盘格角点检测算法"", 《计算机工程与设计》 * |
凌江: ""基于双旋转模板的黑白棋盘角点检测算法"", 《微型机与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448059A (zh) * | 2016-08-31 | 2019-03-08 | 北京航空航天大学 | 一种快速x角点亚像素检测方法 |
CN109448059B (zh) * | 2016-08-31 | 2021-06-01 | 北京航空航天大学 | 一种快速x角点亚像素检测方法 |
CN106846412A (zh) * | 2017-01-23 | 2017-06-13 | 上海兴芯微电子科技有限公司 | 一种棋盘格角点检测方法及装置 |
CN108537796A (zh) * | 2018-03-19 | 2018-09-14 | 太原理工大学 | 基于模板边缘的自适应Harris角点检测方法 |
CN109815943A (zh) * | 2019-03-18 | 2019-05-28 | 北京石油化工学院 | 一种危化品仓储堆垛图片样本生成方法及系统 |
CN109815943B (zh) * | 2019-03-18 | 2021-02-09 | 北京石油化工学院 | 一种危化品仓储堆垛图片样本生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111899334B (zh) | 一种基于点线特征的视觉同步定位与地图构建方法及装置 | |
CN106204572B (zh) | 基于场景深度映射的道路目标深度估计方法 | |
CN108492281B (zh) | 一种基于生成式对抗网络的桥梁裂缝图像障碍物检测与去除的方法 | |
Tola et al. | Daisy: An efficient dense descriptor applied to wide-baseline stereo | |
CN106651942A (zh) | 基于特征点的三维旋转运动检测与旋转轴定位方法 | |
CN108460760B (zh) | 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法 | |
CN104021547A (zh) | 肺部 ct 的三维配准方法 | |
CN116452644A (zh) | 基于特征描述子的三维点云配准方法、装置及存储介质 | |
CN105809657A (zh) | 一种角点检测方法和装置 | |
CN115457044B (zh) | 基于类激活映射的路面裂缝分割方法 | |
CN106295657A (zh) | 一种视频数据结构化过程中提取人体高度特征的方法 | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
CN115205354A (zh) | 基于ransac和icp点云配准的相控阵激光雷达成像方法 | |
CN116012399A (zh) | 点云平面识别和边缘检测方法 | |
CN110851978B (zh) | 一种基于可见性的摄像机位置优化方法 | |
CN115035164A (zh) | 一种运动目标识别方法及装置 | |
CN112364881A (zh) | 一种进阶采样一致性图像匹配算法 | |
CN114612412A (zh) | 三维点云数据的处理方法及其用途、电子设备、存储介质 | |
CN104268550A (zh) | 特征提取方法及装置 | |
CN114742864A (zh) | 皮带跑偏检测方法及装置 | |
Xiong et al. | Learning cell geometry models for cell image simulation: An unbiased approach | |
CN109410199A (zh) | 一种不锈钢饭盒板料冲压成形应变检测方法 | |
Xin et al. | Accurate and complete line segment extraction for large-scale point clouds | |
CN110717910B (zh) | 基于卷积神经网络的ct图像目标检测方法及ct扫描仪 | |
EP2161689A1 (en) | Registration and visualization of image structures based on confiners |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160727 |
|
RJ01 | Rejection of invention patent application after publication |