CN106022337B - 一种基于连续边缘特征的平面目标检测方法 - Google Patents
一种基于连续边缘特征的平面目标检测方法 Download PDFInfo
- Publication number
- CN106022337B CN106022337B CN201610344722.8A CN201610344722A CN106022337B CN 106022337 B CN106022337 B CN 106022337B CN 201610344722 A CN201610344722 A CN 201610344722A CN 106022337 B CN106022337 B CN 106022337B
- Authority
- CN
- China
- Prior art keywords
- edge
- target
- point
- pixel
- gradient
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000000284 extract Substances 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013461 design Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 239000000919 ceramic Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明属于机器视觉图像处理技术领域,具体为一种基于连续边缘特征的平面目标检测方法。本发明方法包括:提取连续边缘特征、建立目标轮廓模型、基于Hough变换思想提取候选目标、对候选目标进行筛选并实现精确定位等步骤。尤其适用于在工业场景下,快速建立未知平面目标的模型并实现目标检测。本发明无需对于特定目标调整方法,可适用于各种平面目标(以及表面为平面的目标),一定程度上解决了目前视觉系统泛用能力较弱的问题。同时本发明具有较高的检测精度、高效的处理速率以及一定的抗噪能力。
Description
技术领域
本发明属于机器视觉图像处理技术领域,具体涉及在工业场景下,快速建立未知平面目标的模型并实现目标检测的方法。
背景技术
图像处理技术通常是一个视觉系统的核心部分,本发明所涉及的边缘提取技术以及目标检测技术均为图像处理领域最为重要的研究方法之一。
当人们观察一个物体时,所感知到边缘通常是颜色有明显变化的地方,而在图像中对这种变化进行数学表示的就是边缘检测算子。其中比较常用的算子有Roberts算子、Sobel算子、Prewitt算子、Laplacian算子以及Canny算子等。这些传统的基于边缘检测算子的算法虽然能够提取出边缘的像素,但同时会将很多噪声点误认为是边缘。
Hough变换是由Paul Hough于1962年提出的,实现了一种从图像空间到参数空间的映射关系。其核心思想在于点与线的对偶性,图像空间中共线的点可以与参数空间中交于同一点的线一一对应。Hough变换被广泛用于线段、圆、椭圆等目标的检测中,各种新的改进算法也陆续提出,比如Li等人提出的快速霍夫变换以及Mclaughlin提出的随机化霍夫变换。
该类研究可以在各种基于机器视觉的检测系统中得到运用。从20世纪90年代开始,随着图像处理技术的发展以及人力成本的上升,基于机器视觉的检测系统是成为了视觉技术研究的热点之一。相机、光源等视觉环境的搭建是机器视觉研究的基础,Tarabanis等人对机器视觉系统中相机和光源的位置关系设计方案进行了总结归纳。机器视觉技术中另一个核心部分就是图像处理技术,基于机器视觉的检测系统所需的图像技术主要体现在目标检测等方面。近年来,对于这些领域的算法研究也是络绎不绝,相关研究进展将在后续章节分别介绍。而机器视觉技术最注重的还是应用,近年来,基于机器视觉的检测系统在智能化工业生产制造领域得到了广泛的应用。Malamas等人对用于工业领域的各种视觉系统、应用及工具进行了研究。具体到实际的应用,Moganti等人对PCB电路板的检测技术进行了总结介绍;Saenthon等人设计了采用遗传算法寻找边缘进行电路板焊点质量检测的系统;Lin等人设计了一套通过分析瓷砖表面纹理判断瓷砖是否合格的检测系统;Lslam等人设计了一套通过边缘检测的方式判断胶囊是否合格的检测系统。以上这些基于机器视觉的检测系统只是机器视觉技术应用中的冰山一角,但足以说明机器视觉技术具有较高的研究和应用价值。
发明内容
为了快速适应不同场景下的目标检测需求,本发明提供了一种基于连续边缘特征的平面目标检测方法,能够快速建立未知平面目标的轮廓模型,并且根据该模型对该种类目标进行检测。一定程度上解决了现有检测方法泛用性不够强的问题。
本发明由以下技术方案实现:
一种基于连续边缘特征的平面目标检测方法,具体步骤为:
(1)提取连续边缘特征;
(2)建立目标轮廓模型;
(3)基于Hough变换思想提取候选目标;
(4)对候选目标进行筛选并实现精确定位。
优选地,在步骤1)中,所述的连续边缘特征提取内容进一步包括:
(1.1)梯度计算;
(1.2)边缘候选点提取;
(1.3)连续边缘提取。
步骤(1.1)所述的梯度计算部分中,采用与Canny算法相同的公式对所有像素的梯度值及梯度方向进行计算,并将梯度方向的结果根据范围进行分类。
步骤(1.2)所述的边缘候选点提取部分中,根据边缘像素梯度值较高的特性,寻找局部区域内的梯度极值点作为显著边缘候选点。对于每个像素,考虑其周围h×h的邻域,如果该像素的梯度值为其邻域内最大的,就将其作为一个边缘候选点。这里h的取值可以根据目标的大小分布等因素改变。当h的取值较大时,为了防止遗漏边缘,如果该像素为其h×h的邻域梯度值第二大的点,且梯度值最大的点不在该像素的(h/2)×(h/2)的领域内,则将该像素也提取为边缘候选点。
步骤(1.3)所述的连续边缘提取部分中,在已有候选边缘点的基础上,对候选点进行连接得到连续边缘,设计方法如下:
(a)枚举所有边缘候选点;
(b)如果该候选点被已有边缘包含,转到(a)枚举下一个点;
(c)根据该像素的梯度方向类型,沿着其边缘方向的两端分别寻找梯度最大且梯度方向相近的像素点作为后继;
(d)在后继的基础上不断寻找新的后继,寻找原则同样是根据梯度方向类型;
(e)重复(d)的操作,直到区域内找不到符合条件的后继,或者后继已被已有边缘包含,如后继被已有边缘包含,则将正在提取的边缘与该已有边缘合并为同一条边缘;
(f)转到(a)枚举下一个点;
(h)对于得到的所有边缘进行筛选,删除长度(即包含的像素点个数)小于一定阈值的边缘。
优选地,步骤(2)所述的目标轮廓模型建立部分中,对于配备设计图纸的目标,优先采用对设计图纸进行栅格化处理的方式建立轮廓模型;对于不具备设计图纸的目标,采用步骤1)所提取的连续边缘特征作为轮廓模型。
优选地,步骤(3)所述的基于Hough变换思想的候选目标提取部分中,首先建立目标的参数模型表示(u,v,dir,scale),其中u,v为目标的图像坐标,以像素作为最小分辨率;dir为目标的平面旋转角度,将圆周划分成36个区域,每10°作为区域,而dir用来表示区域的编号(当目标旋转角度属于[0°,10°)时dir为0,当目标旋转角度属于[10°,20°)时dir为1,以此类推);scale表示相对于轮廓模型的缩放因子,以0.1作为最小分辨率。以H(u,v,dir,scale)表示其权值,所有权值的初值均为0。在此参数模型的基础上,设计方法如下:
(a)采用步骤(1)所述方法提取图像边缘信息;
(b)枚举每一个边缘像素点(Xj,Yj),计算其梯度方向αj;
(c)对于每一个边缘像素点,同时枚举轮廓模型点集中的每一个点(xi,yi,θi);
(d)假设像素点(Xj,Yj,αj)与模型中的点(xi,yi,θi)为同一个点,计算在不同缩放因子条件下满足该假设的参数空间:
(e)对满足假设的参数空间(uijk,vijk,dirijk,scaleijk)及其附近参数空间(uijk±1,vij±1,dirij±1,scaleijk)进行加权:
(f)枚举完所有边缘像素后,假设得到的最高权值为Hmax,选取所有权值大于0.8·Hmax的参数对应的目标作为候选目标。
优选地,步骤4)所述的目标筛选及精确定位部分中,对于通过步骤3)得到的每一个候选目标(ui,vi,diri,scalei),将diri所对应角度区域的中间角度记为θi。在x∈[ui-h,ui+h],y∈[vi-h,vi+h],α∈[θi-5°,θi+5°],范围内枚举目标的整数位置参数。假设通过步骤3)得到了n个候选目标位置,那么总共需要枚举11·(2h+1)·(2h+1)·n组位置参数。对于每一组位置参数,根据其图像坐标、旋转角度及缩放因子,结合之前建立的轮廓模型,可以得到在该参数情况下,目标边缘点在图像中的位置,记为{(xi,yi)|(xi,yi)∈contour,i=1,2,…,N}其中(xi,yi)为边缘点在该参数情况下的图像坐标,N为当前参数情况下图像中边缘点的个数,根据角度及缩放因子的变化会有不同。在原图的梯度图像上(并不是经过连续边缘提取的图像),对这些边缘点的梯度进行加权求和:
其中,log函数是为了平衡边缘各个部分的权重,降低加权算法受噪声的影响。根据加权的结果,选取最大权值对应的参数作为目标的最终定位结果。
本发明提出的基于连续边缘特征的平面目标检测方法,能够快速建立未知平面目标的轮廓模型,并且根据该模型对该种类目标进行检测,解决了现有检测方法泛用性不够强的问题。实验验证,本发明对于目标定位的平均像素误差小,一般为1个像素,最大像素误差为2像素,能够达到较高的检测精度;同时能够满足工业场景实时检测的需求,并且对于外界干扰具备一定的抗噪能力。
附图说明
图1为本发明算法框架图。
图2为本发明梯度方向分割示意图。
图3为本发明后继搜索范围示意图。
图4为本发明边缘连接示意图。
图5为本发明目标检测结果效果图。
具体实施方式
下面结合附图,进一步描述本发明,但不以任何方式限制本发明的范围。
一、平面目标检测的操作流程
如图1所示,本发明的框架可以分为模型建立及目标检测两部分,模型建立阶段通过对设计图纸栅格化或者对模板目标进行连续边缘提取得到目标的轮廓模型,目标检测部分利用目标的轮廓模型对候选目标进行提取,并通过目标筛选及精确定位算法得到目标的精确位置。
二、平面目标检测的具体实现流程
本发明所提供的基于连续边缘特征的平面目标检测方法,其实现流程可以总结为如下部分:
1)提取连续边缘特征
为了实现连续边缘特征提取,需要分别实现以下内容:
1.1)梯度计算
采用与Canny算法相同的公式对所有像素的梯度值及梯度方向进行计算,并将梯度方向的结果根据范围进行分类,如图2所示,即根据梯度方向分成[-22.5°,22.5°)与[157.5°,202.5°)、[22.5°,67.5°)与[202.5°,247.5°)、[67.5°,112.5°)与[247.5°,292.5°)、[112.5°,157.5°)与[292.5°,337.5°)这4类,分别记为C1、C2、C3、C4,表示水平、垂直以及两个对角线方向的边缘类型。
1.2)边缘候选点提取
根据边缘像素梯度值较高的特性,寻找局部区域内的梯度极值点作为显著边缘候选点。对于每个像素,考虑其周围h×h的邻域,如果该像素的梯度值为其邻域内最大的,就将其作为一个边缘候选点。这里h的取值可以根据目标的大小分布等因素改变。当h的取值较大时,为了防止遗漏边缘,如果该像素为其h×h的邻域梯度值第二大的点,且梯度值最大的点不在该像素的(h/2)×(h/2)的领域内,则将该像素也提取为边缘候选点。
1.3)连续边缘提取
在已有候选边缘点的基础上,对候选点进行连接得到连续边缘,设计方法如下:
(a)枚举所有边缘候选点;
(b)如果该候选点被已有边缘包含,转到(a)枚举下一个点;
(c)根据该像素的梯度方向类型,沿着其边缘方向的两端分别寻找梯度最大且梯度方向相近的像素点作为后继,以C1类垂直型边缘为例,如图3所示,在蓝色背景的像素及绿色背景的像素中分别寻找梯度最大且满足连续边缘条件的像素作为后继,其他类型边缘同理;
(d)在后继的基础上不断寻找新的后继,寻找原则同样是根据梯度方向类型,以图3(a)所示的C1类垂直型边缘为例,如果寻找序列中当前像素的前驱像素属于蓝色区域,就在绿色区域内寻找梯度值最大且满足连续边缘条件的点作为后继,如果前驱像素属于绿色区域,就在蓝色区域内寻找梯度值最大且满足连续边缘条件的点作为后继,其他类型边缘同理;
(e)重复(d)的操作,直到区域内找不到符合条件的后继,或者后继已被已有边缘包含,如后继被已有边缘包含,则将正在提取的边缘与该已有边缘合并为同一条边缘;
(f)转到(a)枚举下一个点;
(h)对于得到的所有边缘进行筛选,删除长度(即包含的像素点个数)小于一定阈值的边缘。
以图4为例进一步演示连续边缘提取的实施流程,图中的数值表示像素的梯度值,通过边缘候选点提取部分得到了标为红字的5个边缘候选点。首先枚举第1个候选点(梯度值为红色93的像素),在其2个边缘方向的邻近点中寻找后继(由于向上寻找超出图像边界,这里没表现出来),找到第一个后继(梯度值为87的像素),对于该后继,由于其梯度属于C1类型且其前驱来自上方,故在其下方3个相邻像素内继续寻找后继,依次类推得到图中蓝色的连续边缘,红色箭头即为每次寻找后继的寻找方向。接下来枚举第2个候选点(梯度值为红色84的像素),由于其已经属于由第一个候选点寻找得到的边缘,故直接跳过。接下来枚举第3个候选点(梯度值为红色32的像素),由于其梯度方向上找不到满足连续边缘条件的相邻像素,故该像素作为单一像素边缘。接下来枚举第4个候选点(梯度值为红色88的像素),其情况与第2个候选点相同,直接跳过。最后枚举第5个候选点(梯度值为红色90的像素),该像素梯度方向属于C4类型,在其左上和右下2个方向分别寻找相邻的后继,往左上寻找到第3个后继时,遇到了被已有蓝色边缘包含的像素,则终止该方向的寻找,并将该边缘与已有的蓝色边缘合并成同一条边缘。最后通过边缘筛选,将长度只有1的黄色边缘删除,即得到最终的连续边缘结果。
2)建立目标轮廓模型;
对于配备设计图纸的目标,优先采用对设计图纸进行栅格化处理的方式建立轮廓模型;对于不具备设计图纸的目标,采用步骤1)所提取的连续边缘特征作为轮廓模型。
3)基于Hough变换思想提取候选目标
首先建立目标的参数模型表示(u,v,dir,scale),其中u,v为目标的图像坐标,以像素作为最小分辨率;dir为目标的平面旋转角度,将圆周划分成36个区域,每10°作为区域,而dir用来表示区域的编号(当目标旋转角度属于[0°,10°)时dir为0,当目标旋转角度属于[10°,20°)时dir为1,以此类推);scale表示相对于轮廓模型的缩放因子,以0.1作为最小分辨率。以H(u,v,dir,scale)表示其权值,所有权值的初值均为0。在此参数模型的基础上,设计方法如下:
(a)采用步骤1)所述方法提取图像边缘信息;
(b)枚举每一个边缘像素点(Xj,Yj),计算其梯度方向αj;
(c)对于每一个边缘像素点,同时枚举轮廓模型点集中的每一个点(xi,yi,θi);
(d)假设像素点(Xj,Yj,αj)与模型中的点(xi,yi,θi)为同一个点,计算在不同缩放因子条件下满足该假设的参数空间:
(e)对满足假设的参数空间(uijk,vijk,dirijk,scaleijk)及其附近参数空间(uijk±1,vij±1,dirij±1,scaleijk)进行加权:
(f)枚举完所有边缘像素后,假设得到的最高权值为Hmax,选取所有权值大于0.8·Hmax的参数对应的目标作为候选目标。
4)对候选目标进行筛选并实现精确定位。
对于通过步骤3)得到的每一个候选目标(ui,vi,diri,scalei),将diri所对应角度区域的中间角度记为θi。在x∈[ui-h,ui+h],y∈[vi-h,vi+h],α∈[θi-5°,θi+5°],范围内枚举目标的整数位置参数。假设通过步骤3)得到了n个候选目标位置,那么总共需要枚举11·(2h+1)·(2h+1)·n组位置参数。对于每一组位置参数,根据其图像坐标、旋转角度及缩放因子,结合之前建立的轮廓模型,可以得到在该参数情况下,目标边缘点在图像中的位置,记为{(xi,yi)|(xi,yi)∈contour,i=1,2,…,N}其中(xi,yi)为边缘点在该参数情况下的图像坐标,N为当前参数情况下图像中边缘点的个数,根据角度及缩放因子的变化会有不同。在原图的梯度图像上(并不是经过连续边缘提取的图像),对这些边缘点的梯度进行加权求和:
其中log函数是为了平衡边缘各个部分的权重,降低加权算法受噪声的影响。根据加权的结果,选取最大权值对应的参数作为目标的最终定位结果。
三、平面目标检测的实验结果
如图5所示,本发明所提供的基于连续边缘特征的平面目标检测方法能够提取出目标的精确位置以及方向。同时经实验验证,本发明对于目标定位的平均像素误差为0.81像素,最大像素误差为2像素,能够达到较高的检测精度。同时能够满足工业场景实时检测的需求,并且对于外界干扰具备一定的抗噪能力。
Claims (2)
1.一种基于连续边缘特征的平面目标检测方法,其特征在于,具体步骤为:
(1)提取连续边缘特征;
(2)建立目标轮廓模型;
(3)基于Hough变换思想提取候选目标;
(4)对候选目标进行筛选并实现精确定位;
在步骤(1)所述提取连续边缘特征,具体步骤如下:
(1.1)梯度计算;
(1.2)边缘候选点提取;
(1.3)连续边缘提取;
步骤(1.1)所述的梯度计算,采用与Canny算法相同的公式对所有像素的梯度值及梯度方向进行计算,并将梯度方向的结果根据范围进行分类;
步骤(1.2)所述的边缘候选点提取,根据边缘像素梯度值较高的特性,寻找局部区域内的梯度极值点作为显著边缘候选点;对于每个像素,考虑其周围h×h的邻域,如果该像素的梯度值为其邻域内最大的,就将其作为一个边缘候选点,这里h的取值根据目标的大小分布因素改变,当h的取值较大时,如果该像素为其h×h的邻域梯度值第二大的点,且梯度值最大的点不在该像素的(h/2)×(h/2)的邻域内,则将该像素也提取为边缘候选点;
步骤(1.3)所述的连续边缘提取,是在已有候选边缘点的基础上,对候选点进行连接,得到连续边缘,设计方法如下:
(a)枚举所有边缘候选点;
(b)如果该候选点被已有边缘包含,转到(a)枚举下一个点;
(c)根据该像素的梯度方向类型,沿着其边缘方向的两端分别寻找梯度最大且梯度方向相近的像素点作为后继;
(d)在后继的基础上不断寻找新的后继,寻找原则同样是根据梯度方向类型;
(e)重复(d)的操作,直到区域内找不到符合条件的后继,或者后继已被已有边缘包含,则将正在提取的边缘与该已有边缘合并为同一条边缘;
(f)转到(a)枚举下一个点;
(h)对于得到的所有边缘进行筛选,删除长度即包含的像素点个数小于一定阈值的边缘;
步骤(2)所述的目标轮廓模型建立,对于配备设计图纸的目标,采用对设计图纸进行栅格化处理的方式建立轮廓模型;对于不具备设计图纸的目标,采用步骤(1)所提取的连续边缘特征作为轮廓模型;
步骤(3)所述的基于Hough变换思想的候选目标提取,首先建立目标的参数模型表示(u,v,dir,scale),其中,u,v为目标的图像坐标,以像素作为最小分辨率;dir为目标的平面旋转角度,将圆周划分成36个区域,每10°作为区域,而dir用来表示区域的编号,当目标旋转角度属于[0°,10°)时dir为0,当目标旋转角度属于[10°,20°)时dir为1,以此类推);scale表示相对于轮廓模型的缩放因子,以0.1作为最小分辨率;以H(u,v,dir,scale)表示其权值,所有权值的初值均为0;在此参数模型的基础上,设计方法如下:
(a)采用步骤(1)所述方法提取图像边缘信息即连续边缘特征;
(b)枚举每一个边缘像素点(Xj,Yj),计算其梯度方向αj;
(c)对于每一个边缘像素点,同时枚举轮廓模型点集中的每一个点(xi,yi,θi);
(d)假设像素点(Xj,Yj,αj)与模型中的点(xi,yi,θi)为同一个点,计算在不同缩放因子条件下满足该假设的参数空间:
(e)对满足假设的参数空间(uijk,vijk,dirijk,scaleijk)及其附近参数空间(uijk±1,vij±1,dirij±1,scaleijk)进行加权:
(f)枚举完所有边缘像素后,假设得到的最高权值为Hmax,选取所有权值大于0.8·Hmax的参数对应的目标作为候选目标。
2.根据权利要求1所述的方法,其特征在于,步骤(4)所述的对候选目标进行筛选并实现精确定位,对于通过步骤(3)得到的每一个候选目标(ui,vi,diri,scalei),将diri所对应角度区域的中间角度记为γi,在x∈[ui-h,ui+h],y∈[vi-h,vi+h],α∈[γi-5°,γi+5°],范围内枚举目标的整数位置参数;假设通过步骤(3)得到了n个候选目标位置,那么总共需要枚举11·(2h+1)·(2h+1)·n组位置参数;对于每一组位置参数,根据其图像坐标、旋转角度及缩放因子,结合之前建立的轮廓模型,得到在该参数情况下,目标边缘点在图像中的位置,记为{(xi,yi)|(xi,yi)∈contour,i=1,2,…,N}其中(xi,yi)为边缘点在该参数情况下的图像坐标,N为当前参数情况下图像中边缘点的个数,根据角度及缩放因子的变化会有不同;在原图的梯度图像上,对这些边缘点的梯度进行加权求和:
其中,log函数是为了平衡边缘各个部分的权重,降低加权算法受噪声的影响;根据加权的结果,选取最大权值对应的参数作为目标的最终定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610344722.8A CN106022337B (zh) | 2016-05-22 | 2016-05-22 | 一种基于连续边缘特征的平面目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610344722.8A CN106022337B (zh) | 2016-05-22 | 2016-05-22 | 一种基于连续边缘特征的平面目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106022337A CN106022337A (zh) | 2016-10-12 |
CN106022337B true CN106022337B (zh) | 2019-10-15 |
Family
ID=57096546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610344722.8A Expired - Fee Related CN106022337B (zh) | 2016-05-22 | 2016-05-22 | 一种基于连续边缘特征的平面目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022337B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356213B (zh) * | 2017-06-26 | 2020-08-18 | 精锐视觉智能科技(深圳)有限公司 | 滤光片同心度测量方法及终端设备 |
CN107492096A (zh) * | 2017-08-03 | 2017-12-19 | 深圳市布易科技有限公司 | 一种实现数控裁床设备物料定位的方法 |
CN110211211B (zh) * | 2019-04-25 | 2024-01-26 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111784722A (zh) * | 2020-07-15 | 2020-10-16 | 山东派蒙机电技术有限公司 | 一种改进Canny车道线边缘检测算法 |
CN111932517B (zh) * | 2020-08-11 | 2023-08-15 | 上海柏楚电子科技股份有限公司 | 余料板材的轮廓测绘方法、装置、电子设备与存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620732A (zh) * | 2009-07-17 | 2010-01-06 | 南京航空航天大学 | 道路行驶线的视觉检测方法 |
CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
CN102663437A (zh) * | 2012-05-03 | 2012-09-12 | 中国西安卫星测控中心 | 一种基于广义Hough变换的航天器分类识别方法 |
CN103136525A (zh) * | 2013-02-28 | 2013-06-05 | 中国科学院光电技术研究所 | 一种利用广义Hough变换的异型扩展目标高精度定位方法 |
CN104700421A (zh) * | 2015-03-27 | 2015-06-10 | 中国科学院光电技术研究所 | 一种基于canny的自适应阈值的边缘检测算法 |
CN105160652A (zh) * | 2015-07-10 | 2015-12-16 | 天津大学 | 基于计算机视觉的手机外壳检验装置与方法 |
-
2016
- 2016-05-22 CN CN201610344722.8A patent/CN106022337B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620732A (zh) * | 2009-07-17 | 2010-01-06 | 南京航空航天大学 | 道路行驶线的视觉检测方法 |
CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
CN102663437A (zh) * | 2012-05-03 | 2012-09-12 | 中国西安卫星测控中心 | 一种基于广义Hough变换的航天器分类识别方法 |
CN103136525A (zh) * | 2013-02-28 | 2013-06-05 | 中国科学院光电技术研究所 | 一种利用广义Hough变换的异型扩展目标高精度定位方法 |
CN104700421A (zh) * | 2015-03-27 | 2015-06-10 | 中国科学院光电技术研究所 | 一种基于canny的自适应阈值的边缘检测算法 |
CN105160652A (zh) * | 2015-07-10 | 2015-12-16 | 天津大学 | 基于计算机视觉的手机外壳检验装置与方法 |
Non-Patent Citations (2)
Title |
---|
基于预存储权值矩阵的多尺度Hough变换直线提取算法;徐胜华 等;《测绘学报》;20080229;第37卷(第1期);第83-88页 * |
改进Hough变换的农作物病斑目标检测方法;吴露露 等;《农业工程学报》;20140531;第30卷(第10期);第152-159页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106022337A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022337B (zh) | 一种基于连续边缘特征的平面目标检测方法 | |
WO2021138995A1 (zh) | 一种棋盘格角点全自动检测方法 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN111127318B (zh) | 一种机场环境下的全景图像拼接方法 | |
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
JP5699788B2 (ja) | スクリーン領域検知方法及びシステム | |
CN103985108B (zh) | 一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法 | |
CN109859171A (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN105913407B (zh) | 一种基于差值图对多聚焦度图像融合优化的方法 | |
CN105354815B (zh) | 一种基于平板类微小型零件的精确识别定位方法 | |
CN104008542B (zh) | 一种针对特定平面图形的快速角点匹配方法 | |
CN109858325B (zh) | 一种表格检测方法和装置 | |
CA2472524A1 (en) | Registration of separations | |
CN107633491A (zh) | 一种基于目标检测的区域图像增强方法及存储介质 | |
CN113450292B (zh) | 一种pcba零部件高精度视觉定位方法 | |
CN110059760A (zh) | 基于拓扑结构和cnn的几何图形识别方法 | |
CN105335952B (zh) | 匹配代价计算方法和装置、以及视差值计算方法和设备 | |
CN105741281B (zh) | 基于邻域离散度的图像边缘检测方法 | |
CN111932490B (zh) | 一种用于工业机器人的视觉系统抓取信息提取方法 | |
CN111861866A (zh) | 一种变电站设备巡检图像全景重建方法 | |
CN109754362A (zh) | 一种用可旋转的边界框标注海参目标检测结果的方法 | |
CN105678737A (zh) | 一种基于Radon变换的数字图像角点检测方法 | |
CN103761521A (zh) | 一种基于局部二值模式的显微图像清晰度测量方法 | |
CN109711420B (zh) | 基于人类视觉注意机制的多仿射目标的检测与识别方法 | |
CN105427276A (zh) | 一种基于图像局部边缘特征的摄像头检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20191015 |
|
CF01 | Termination of patent right due to non-payment of annual fee |