CN106548173A - 一种基于分级匹配策略的改进无人机三维信息获取方法 - Google Patents

一种基于分级匹配策略的改进无人机三维信息获取方法 Download PDF

Info

Publication number
CN106548173A
CN106548173A CN201611067927.2A CN201611067927A CN106548173A CN 106548173 A CN106548173 A CN 106548173A CN 201611067927 A CN201611067927 A CN 201611067927A CN 106548173 A CN106548173 A CN 106548173A
Authority
CN
China
Prior art keywords
image
point
matching
dimensional information
improvement
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
Application number
CN201611067927.2A
Other languages
English (en)
Other versions
CN106548173B (zh
Inventor
董保磊
王万国
刘俍
苏建军
慕世友
任志刚
杨波
李超英
傅孟潮
李宗谕
魏传虎
李建祥
赵金龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Intelligent Technology Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Shandong Luneng Intelligence Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd, Shandong Luneng Intelligence Technology Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201611067927.2A priority Critical patent/CN106548173B/zh
Publication of CN106548173A publication Critical patent/CN106548173A/zh
Application granted granted Critical
Publication of CN106548173B publication Critical patent/CN106548173B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/255Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20Instruments for performing navigational calculations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752Contour matching
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/64Three-dimensional objects
    • G06V20/653Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于分级匹配策略的改进无人机三维信息获取方法,结合双目相机标定对视频图像进行校正;在极线约束下,利用基于邻域灰度的模板匹配算法,在右目图像中进行匹配,确定目标区域;获取左右目标区域后,提取轮廓图及关键特征点,基于灰度相关的密集型精匹配对候选匹配点进行进一步的精确匹配;根据精确匹配后的目标关键特征点的视差值和双目相机几何模型计算求取目标三维信息。本发明能够实现无人机的检测、跟踪、精确匹配和三维定位。

Description

一种基于分级匹配策略的改进无人机三维信息获取方法
技术领域
本发明涉及一种基于分级匹配策略的改进无人机三维信息获取方法。
背景技术
在军用和商用方面,旋翼无人机的自主飞行一直是研究热点,应用领域也越来越多。旋翼无人机的准确定位是实现避障、路径规划以及抓取等各种复杂任务的前提。目前广泛应用的无人机三维空间定位技术有两种方式:一类是无人机通过携带的装备,如GPS、惯性导航,同步定位与制图(SLAM),获得精确的位置信息;另一类是借助外设备提供精确的位置信息,如全球卫星定位系统、运动捕捉系统。运动捕捉系统拥有高分辨率的摄像头,可以亚毫米级地追踪一个或多个无人机的位姿。机载设备定位方式是集成在飞行控制系统中,不能独立于无人机,灵活性较差。
美国宾夕法尼亚大学GRASP实验室利用英国Vicon公司开发的由8个相机组成的运动捕捉系统,完成了室内环境下四旋翼无人机的精确、高难度飞行动作捕捉。英国谢菲尔德大学信息技术与系统工程系开发的MATRIX系统,利用2个相机对安装在四旋翼无人机的标记点进行定位,从而获得无人机的姿态和位置。类似的运动捕捉系统还有美国MotionAnalysis公司的Rapter系列系统。运动捕捉系统主要原理是:通过多个相机,对安装在目标上的标记点进行识别、定位,从而得到目标的姿态和精确位置。运动捕捉系统定位精度较高,但其造价较为昂贵,便携性较差,更重要的是,系统需要在目标上安装标记点,更换定位目标时,需要安装相应的标记点,较为繁琐。
发明内容
本发明为了解决上述问题,提出了一种基于分级匹配策略的改进无人机三维信息获取方法,本方法能有效获取目标的特征,并进行目标匹配,计算其三维坐标。
为了实现上述目的,本发明采用如下技术方案:
一种基于分级匹配策略的改进无人机三维信息获取方法,具体包括以下步骤:
(1)结合双目相机标定对视频图像进行校正;
(2)在极线约束下,利用基于邻域灰度的模板匹配算法,在右目图像中进行匹配,确定目标区域;
(3)获取左右目标区域后,提取轮廓图及关键特征点,基于灰度相关的密集型精匹配对候选匹配点进行进一步的精确匹配;
(4)根据精确匹配后的目标关键特征点的视差值和双目相机几何模型计算求取目标三维信息。
所述步骤(1)中,对于双目相机利用张正友标定法进行标定,获取双目相机成像几何模型中的摄像机的内参数矩阵,确定物点和像点的数学关系。
所述步骤(1)中,根据双目相机标定后获得的X、Y方向的映射矩阵,使左右图像中的共轭极线位于同一水平线,将二维空间的匹配问题简化到一维空间的求解。
所述步骤(1)中,具体的图像校正过程包括:
(1-1)将源图像像素坐标通过内参数矩阵转为为相机坐标系坐标;
(1-2)利用旋转矩阵,通过矩阵映射方法进行平行极线校正,通过畸变参数校正图像的相机坐标;
(1-3)校正后通过内参矩阵将相机坐标系转化为图像像素坐标。
所述步骤(2)中,在参考图像待匹配点周围一定领域内选取各个像素点灰度值作为参考值,在目标图像中选取相对应的窗口,在图像上移动,依次对比两窗口中像素灰度矩阵的相似性,相似性最高且达到阈值要求时,则为匹配区域。
所述步骤(2)中,利用像素点所在位置,构建匹配区域,定义左图像中目标点的邻域为模板图像T(m*n),定义右图像构建与模板图像大小相同的区域为待匹配区域I(m*n),设T在水平方向的位移为Δx,计算模板图像与待匹配区域的相似性函数,并在右图像中移动更新待匹配区域,寻找与之相似度最大的区域。
所述步骤(3)中,具体包括:
(3-1)使用Canny边缘检测算子获得二值边缘图像;
(3-2)对边缘图像进行降采样、闭运算,获取目标轮廓;
(3-3)利用多边形逼近算法提取目标轮廓中的多边形轮廓;
(3-4)利用角点曲率提取轮廓关键特征点;
(3-5)在特征点邻域构建匹配区域,利用灰度相似性函数进行特征点匹配。
所述步骤(3-4)中,具体包括:
a)在每条固定尺度的轮廓,计算曲率,把曲率绝对值的局部极大值作为候选角点;
b)按照支持区域内的平均曲率自适应地确定一个阈值,将候选点的曲率与该阈值比较曲率大于阈值则为角点,选取曲率小于阈值的点,以去除圆角;
c)重新计算支持区域,计算剩余候选角点的角度,去除伪角点;
d)考虑非闭合轮廓的端点,如果该端点附近没有其他的角点,则将其标记为角点。
所述步骤(3)中,规定以图像轮廓中以一个关键特征点中心、大小为n*m的子图像窗口为邻域窗,对应左图像的领域窗为做左邻域窗,右图像的邻域窗为右领域窗,在建立左右图像中轮廓关键特征点对应匹配关系时,将左图像中给定的特征点邻域窗与右图像邻域窗进行相似度比较,如果第一幅图像给定点与第二幅图像中某一点的相似度满足阈值要求,且为第二幅图像中所有特征点右邻域窗相似度为最优,则视为这两点为对应点,如果该点的邻域窗与第二幅图像中同一水平线上所有点的邻域窗相似度都不满足阈值要求,则认为该点在第二幅图像中没有对应点。
本发明的有益效果为:
(1)本发明可以实现无人机的检测、跟踪、精确匹配和三维定位;
(2)本发明根据应用场景特点,利用目标轮廓,获取目标特征匹配点,提高运行速度,同时忽略目标边缘细节噪声的干扰,提高匹配成功率。
附图说明
图1为本发明的无人机三维信息获取系统;
图2为本发明的基于邻域灰度相似度的对称性匹配流程图;
图3为本发明的分级匹配策略的改进无人机三维信息获取技术流程图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
本发明提出一种有效方法:利用双目视觉技术,结合无人机悬停状态的背景状况,提出一种基于分级匹配策略的改进无人机三维信息获取技术,实现无人机的检测、跟踪、精确匹配和三维定位,系统组成如图1。
为获取三维空间中无人机的实时位置信息,本发明利用双目立体视觉视差原理并结合提出的基于邻域灰度改进的由粗到精分级匹配算法,设计了一套可测量无人机实时三维位置的系统。首先结合双目摄像机标定对视频图像校正;然后利用提出的邻域灰度改进分级匹配策略,获取匹配特征点;最后根据重建原理计算求得视野中无人机三维坐标数据。实验证明系统能有效获取目标的特征,并进行目标匹配,计算其三维坐标。
为实现上述的目的,本发明的具体方案如下:
步骤一:双目摄像机标定:实验中采用15副标定板图片,其中标定板为方格个数19×17,每个方格宽度20mm,进行双目摄像机标定。获取双目摄像机成像几何模型中的摄像机的内参数矩阵,确定物点和像点的数学关系;
步骤二:图像校正:通过双目摄像机标定中获取X、Y方向的映射矩阵,使左右图像中的共轭极线位于同一水平线,从而使二维空间的匹配问题简化到一维空间的求解,提高匹配效率和鲁棒性;
步骤三:模板粗算法:双目视觉中目标立体匹配,在极线约束下,利用基于邻域灰度的模板匹配算法,在右目图像中进行匹配,确定目标区域;
步骤四:特征精匹配:在获取左右目标区域后,进行目标关键点精匹配。利用canny边缘算法提取轮廓图和多边形轮廓逼近算法提取轮廓关键特征点。最后利用基于灰度相关的密集型精匹配对候选匹配点进行进一步的精确匹配,剔除误匹配点,达到关键点精匹配;
步骤五:三维信息获取:获取目标关键特征点后,根据其视差值和双目相机几何模型计算求取目标三维信息。
所述步骤二中图像校正的具体步骤为:
A.将源图像像素坐标通过内参数矩阵转为为相机坐标系坐标
B.通过旋转矩阵R1和R2进行平行极线校正
C.通过畸变参数校正图像的相机坐标
D.校正后通过内参矩阵将相机坐标系转化为图像像素坐标
步骤三的具体过程为:
区域匹配算法是在参考图像待匹配点周围一定领域内选取各个像素点灰度值作为参考值,在目标图像中选取相对应的窗口,在图像上移动,依次对比两窗口中像素灰度矩阵的相似性,相似性最高且达到阈值要求时,则为匹配区域。为了评价找到灰度邻域的匹配程度,需要设定一个相似性测度函数,使寻找的对应点在相似测度函数取得极值。
区域匹配算法利用像素点所在位置,构建匹配区域,定义左图像中目标点的邻域为模板图像T(m*n),定义右图像构建与模板图像大小相同的区域为待匹配区域I(m*n),设T在水平方向的位移为Δx,算法中需要计算模板图像与待匹配区域的相似性函数,并在右图像中移动更新待匹配区域,寻找与之相似度最大的区域。实验中可以设定阈值,将满足相关值大于阈值的区域选择出来。对窗口函数T和I进行相似性测度函数为:
为了克服噪声,将互相关函数定义为如下:
上式中I(i,j)待匹配图像,T(i,j)表示模板图像区域,表示待匹配图像的均值,表示模板图像均值。利用模板匹配的原理,在双目立体匹配中,可利用区域灰度的相似性来搜索两幅图像的对应点,子窗体的大小很难选择,如果选择过大,在前景背景交接区域会出现误匹配,如果选择过小,区域内的灰度分部特性没有得到充分利用,匹配的歧义性比较大,准确度比较低。
实验中无人机飞行背景简单,目标单一,可以在目标区域选取后,通过增加窗口移动步幅加快匹配效率,达到粗匹配的目的。
步骤四的具体过程为:
A.使用Canny边缘检测算子获得二值边缘图像;
B.边缘图像降采样、闭运算获取目标轮廓;
C.多边形逼近算法,提取多边形轮廓;
D.利用角点曲率提取轮廓关键特征点
a)在每条固定尺度的轮廓,计算曲率,把曲率绝对值的局部极大值作为候选角点;
b)按照支持区域内的平均曲率自适应地确定一个阈值,将候选点的曲率与该阈值比较以去除圆角;
c)重新计算支持区域,估计剩余候选角点的角度,去除伪角点;
d)考虑非闭合轮廓的端点,如果该端点附近没有其他的角点,就将其标记为角点。
E.在特征点邻域构建匹配区域,利用灰度相似性函数进行特征点匹配。
规定以图像轮廓中以一个关键特征点中心、大小为n*m的子图像窗口为邻域窗,对应左图像的领域窗为做左邻域窗,右图像的邻域窗为右领域窗。在建立左右图像中轮廓关键特征点对应匹配关系时,将左图像中给定的特征点pli邻域窗与右图像邻域窗进行相似度比较。如果第一幅图像给定点与第二幅图像中某一点的相似度满足阈值要求,且为第二幅图像中所有特征点右邻域窗相似度为最优,则视为这两点为对应点。如果该点的邻域窗与第二幅图像中同一水平线上所有点的邻域窗相似度都不满足阈值要求,则认为该点在第二幅图像中没有对应点。右图像中特征点候选匹配的建立方法与上述类似,只不过左右颠倒。在建立候选匹配后,进行对称性测试,只有当两个匹配集中的对应点完全一致是,才视为有效匹配,如图2所示。
设S(x,y)为(x,y)对应的两个邻域窗的相似度,I(x,y)目标图像(x,y)的灰度值,目标图像邻域窗的灰度平均值;T(x,y)源图像(x,y)的灰度值,源图像邻域窗的灰度平均值。本发明设定左图像为源图像,右图像为目标图像,利用基于灰度相关系数的方法在与平均灰度差值基础上进行计算,表达式为:
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种基于分级匹配策略的改进无人机三维信息获取方法,其特征是:具体包括以下步骤:
(1)结合双目相机标定对视频图像进行校正;
(2)在极线约束下,利用基于邻域灰度的模板匹配算法,在右目图像中进行匹配,确定目标区域;
(3)获取左右目标区域后,提取轮廓图及关键特征点,基于灰度相关的密集型精匹配对候选匹配点进行进一步的精确匹配;
(4)根据精确匹配后的目标关键特征点的视差值和双目相机几何模型计算求取目标三维信息。
2.如权利要求1所述的一种基于分级匹配策略的改进无人机三维信息获取方法,其特征是:所述步骤(1)中,对于双目相机利用张正友标定法进行标定,获取双目相机成像几何模型中的摄像机的内参数矩阵,确定物点和像点的数学关系。
3.如权利要求1所述的一种基于分级匹配策略的改进无人机三维信息获取方法,其特征是:所述步骤(1)中,根据双目相机标定后获得的X、Y方向的映射矩阵,使左右图像中的共轭极线位于同一水平线,将二维空间的匹配问题简化到一维空间的求解。
4.如权利要求1所述的一种基于分级匹配策略的改进无人机三维信息获取方法,其特征是:所述步骤(1)中,具体的图像校正过程包括:
(1-1)将源图像像素坐标通过内参数矩阵转为为相机坐标系坐标;
(1-2)利用旋转矩阵进行平行极线校正,通过畸变参数校正图像的相机坐标;
(1-3)校正后通过内参矩阵将相机坐标系转化为图像像素坐标。
5.如权利要求1所述的一种基于分级匹配策略的改进无人机三维信息获取方法,其特征是:所述步骤(2)中,在参考图像待匹配点周围一定领域内选取各个像素点灰度值作为参考值,在目标图像中选取相对应的窗口,在图像上移动,依次对比两窗口中像素灰度矩阵的相似性,相似性最高且达到阈值要求时,则为匹配区域。
6.如权利要求1所述的一种基于分级匹配策略的改进无人机三维信息获取方法,其特征是:所述步骤(2)中,利用像素点所在位置,构建匹配区域,定义左图像中目标点的邻域为模板图像T(m*n),定义右图像构建与模板图像大小相同的区域为待匹配区域I(m*n),设T在水平方向的位移为Δx,计算模板图像与待匹配区域的相似性函数,并在右图像中移动更新待匹配区域,寻找与之相似度最大的区域。
7.如权利要求1所述的一种基于分级匹配策略的改进无人机三维信息获取方法,其特征是:所述步骤(3)中,具体包括:
(3-1)使用Canny边缘检测算子获得二值边缘图像;
(3-2)对边缘图像进行降采样、闭运算,获取目标轮廓;
(3-3)利用多边形逼近算法提取目标轮廓中的多边形轮廓;
(3-4)利用角点曲率提取轮廓关键特征点;
(3-5)在特征点邻域构建匹配区域,利用灰度相似性函数进行特征点匹配。
8.如权利要求7所述的一种基于分级匹配策略的改进无人机三维信息获取方法,其特征是:所述步骤(3-4)中,具体包括:
a)在每条固定尺度的轮廓,计算曲率,把曲率绝对值的局部极大值作为候选角点;
b)按照支持区域内的平均曲率自适应地确定一个阈值,将候选点的曲率与该阈值比较曲率大于阈值则为角点,选取曲率小于阈值的点,以去除圆角;
c)重新计算支持区域,计算剩余候选角点的角度,去除伪角点;
d)考虑非闭合轮廓的端点,如果该端点附近没有其他的角点,则将其标记为角点。
9.如权利要求1所述的一种基于分级匹配策略的改进无人机三维信息获取方法,其特征是:所述步骤(3)中,规定以图像轮廓中以一个关键特征点中心、大小为n*m的子图像窗口为邻域窗,对应左图像的领域窗为做左邻域窗,右图像的邻域窗为右领域窗,在建立左右图像中轮廓关键特征点对应匹配关系时,将左图像中给定的特征点邻域窗与右图像邻域窗进行相似度比较,如果第一幅图像给定点与第二幅图像中某一点的相似度满足阈值要求,且为第二幅图像中所有特征点右邻域窗相似度为最优,则视为这两点为对应点,如果该点的邻域窗与第二幅图像中同一水平线上所有点的邻域窗相似度都不满足阈值要求,则认为该点在第二幅图像中没有对应点。
CN201611067927.2A 2016-11-24 2016-11-24 一种基于分级匹配策略的改进无人机三维信息获取方法 Active CN106548173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611067927.2A CN106548173B (zh) 2016-11-24 2016-11-24 一种基于分级匹配策略的改进无人机三维信息获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611067927.2A CN106548173B (zh) 2016-11-24 2016-11-24 一种基于分级匹配策略的改进无人机三维信息获取方法

Publications (2)

Publication Number Publication Date
CN106548173A true CN106548173A (zh) 2017-03-29
CN106548173B CN106548173B (zh) 2019-04-09

Family

ID=58395917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611067927.2A Active CN106548173B (zh) 2016-11-24 2016-11-24 一种基于分级匹配策略的改进无人机三维信息获取方法

Country Status (1)

Country Link
CN (1) CN106548173B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657644A (zh) * 2017-09-28 2018-02-02 浙江大华技术股份有限公司 一种移动环境下稀疏场景流检测方法和装置
CN108127238A (zh) * 2017-12-29 2018-06-08 南京理工大学 非平整面自主识别机器人增材成形的方法
CN108520559A (zh) * 2018-04-04 2018-09-11 西安因诺航空科技有限公司 一种基于双目视觉的无人机定位导航的方法
CN108648234A (zh) * 2018-04-19 2018-10-12 北京控制工程研究所 一种用于目标抓捕的机械臂相对导航方法
CN108896577A (zh) * 2018-05-30 2018-11-27 昆山睿力得软件技术有限公司 一种刹车片轮廓缺陷的自动检测方法
CN109459023A (zh) * 2018-09-18 2019-03-12 武汉三体机器人有限公司 一种基于无人机视觉slam的辅助地面机器人导航方法及装置
CN110058604A (zh) * 2019-05-24 2019-07-26 中国科学院地理科学与资源研究所 一种基于计算机视觉的无人机精准降落系统
CN110706280A (zh) * 2018-09-28 2020-01-17 成都家有为力机器人技术有限公司 基于2d-slam的轻量级语义驱动的稀疏重建方法
CN111238488A (zh) * 2020-03-18 2020-06-05 湖南云顶智能科技有限公司 一种基于异源图像匹配的飞行器精确定位方法
CN111524174A (zh) * 2020-04-16 2020-08-11 上海航天控制技术研究所 一种动平台动目标双目视觉三维构建方法
CN113160332A (zh) * 2021-04-28 2021-07-23 哈尔滨理工大学 一种基于双目视觉的多目标识别与定位方法
CN113985384A (zh) * 2021-12-28 2022-01-28 中南大学 一种基于模板匹配的空间目标平动补偿方法及装置
CN114697623A (zh) * 2020-12-29 2022-07-01 成都极米科技股份有限公司 投影面选取和投影图像校正方法、装置、投影仪及介质
CN114858095A (zh) * 2022-04-27 2022-08-05 北京科技大学 一种基于双像解析的岩体结构面产状测量方法
CN115471728A (zh) * 2022-10-12 2022-12-13 湖北工业大学 基于多阶几何约束整体匹配的果实快速三维定位方法
CN116205920A (zh) * 2023-05-05 2023-06-02 天津医科大学总医院 基于肺扫描数据的重点区域检测模型生成方法及系统
CN116612192A (zh) * 2023-07-19 2023-08-18 山东艺术学院 一种基于数字视频的病虫害区目标定位方法
CN116724885A (zh) * 2023-07-28 2023-09-12 中国农业大学 一种脉冲气流式分层对靶番茄智能授粉装置及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101419055A (zh) * 2008-10-30 2009-04-29 北京航空航天大学 基于视觉的空间目标位姿测量装置和方法
CN104902258A (zh) * 2015-06-09 2015-09-09 公安部第三研究所 一种基于立体视觉的多场景人流量统计方法、系统以及双目相机

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101419055A (zh) * 2008-10-30 2009-04-29 北京航空航天大学 基于视觉的空间目标位姿测量装置和方法
CN104902258A (zh) * 2015-06-09 2015-09-09 公安部第三研究所 一种基于立体视觉的多场景人流量统计方法、系统以及双目相机

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张镇等: ""基于几何结构的零件切片轮廓特征点提取方法"", 《工具技术》 *
王欣等: ""基于运动恢复的双目视觉三维重建系统设计"", 《光学 精密工程》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657644B (zh) * 2017-09-28 2019-11-15 浙江大华技术股份有限公司 一种移动环境下稀疏场景流检测方法和装置
CN107657644A (zh) * 2017-09-28 2018-02-02 浙江大华技术股份有限公司 一种移动环境下稀疏场景流检测方法和装置
CN108127238A (zh) * 2017-12-29 2018-06-08 南京理工大学 非平整面自主识别机器人增材成形的方法
CN108520559A (zh) * 2018-04-04 2018-09-11 西安因诺航空科技有限公司 一种基于双目视觉的无人机定位导航的方法
CN108520559B (zh) * 2018-04-04 2022-04-05 西安因诺航空科技有限公司 一种基于双目视觉的无人机定位导航的方法
CN108648234A (zh) * 2018-04-19 2018-10-12 北京控制工程研究所 一种用于目标抓捕的机械臂相对导航方法
CN108896577A (zh) * 2018-05-30 2018-11-27 昆山睿力得软件技术有限公司 一种刹车片轮廓缺陷的自动检测方法
CN109459023B (zh) * 2018-09-18 2021-07-16 武汉三体机器人有限公司 一种基于无人机视觉slam的辅助地面机器人导航方法及装置
CN109459023A (zh) * 2018-09-18 2019-03-12 武汉三体机器人有限公司 一种基于无人机视觉slam的辅助地面机器人导航方法及装置
CN110706280A (zh) * 2018-09-28 2020-01-17 成都家有为力机器人技术有限公司 基于2d-slam的轻量级语义驱动的稀疏重建方法
CN110058604A (zh) * 2019-05-24 2019-07-26 中国科学院地理科学与资源研究所 一种基于计算机视觉的无人机精准降落系统
CN111238488A (zh) * 2020-03-18 2020-06-05 湖南云顶智能科技有限公司 一种基于异源图像匹配的飞行器精确定位方法
CN111524174A (zh) * 2020-04-16 2020-08-11 上海航天控制技术研究所 一种动平台动目标双目视觉三维构建方法
CN111524174B (zh) * 2020-04-16 2023-08-29 上海航天控制技术研究所 一种动平台动目标双目视觉三维构建方法
CN114697623A (zh) * 2020-12-29 2022-07-01 成都极米科技股份有限公司 投影面选取和投影图像校正方法、装置、投影仪及介质
CN114697623B (zh) * 2020-12-29 2023-08-15 极米科技股份有限公司 投影面选取和投影图像校正方法、装置、投影仪及介质
CN113160332A (zh) * 2021-04-28 2021-07-23 哈尔滨理工大学 一种基于双目视觉的多目标识别与定位方法
CN113985384B (zh) * 2021-12-28 2022-05-24 中南大学 一种基于模板匹配的空间目标平动补偿方法及装置
CN113985384A (zh) * 2021-12-28 2022-01-28 中南大学 一种基于模板匹配的空间目标平动补偿方法及装置
CN114858095A (zh) * 2022-04-27 2022-08-05 北京科技大学 一种基于双像解析的岩体结构面产状测量方法
CN115471728A (zh) * 2022-10-12 2022-12-13 湖北工业大学 基于多阶几何约束整体匹配的果实快速三维定位方法
CN116205920A (zh) * 2023-05-05 2023-06-02 天津医科大学总医院 基于肺扫描数据的重点区域检测模型生成方法及系统
CN116205920B (zh) * 2023-05-05 2023-07-18 天津医科大学总医院 基于肺扫描数据的重点区域检测模型生成方法及系统
CN116612192A (zh) * 2023-07-19 2023-08-18 山东艺术学院 一种基于数字视频的病虫害区目标定位方法
CN116724885A (zh) * 2023-07-28 2023-09-12 中国农业大学 一种脉冲气流式分层对靶番茄智能授粉装置及方法
CN116724885B (zh) * 2023-07-28 2024-08-30 中国农业大学 一种脉冲气流式分层对靶番茄智能授粉装置及方法

Also Published As

Publication number Publication date
CN106548173B (zh) 2019-04-09

Similar Documents

Publication Publication Date Title
CN106548173B (zh) 一种基于分级匹配策略的改进无人机三维信息获取方法
CN110097553B (zh) 基于即时定位建图与三维语义分割的语义建图系统
CN111968177B (zh) 一种基于固定摄像头视觉的移动机器人定位方法
CN102313536B (zh) 基于机载双目视觉的障碍物感知方法
Berrio et al. Camera-LIDAR integration: Probabilistic sensor fusion for semantic mapping
CN104484648A (zh) 基于轮廓识别的机器人可变视角障碍物检测方法
CN114419147A (zh) 一种救援机器人智能化远程人机交互控制方法及系统
CN105096386A (zh) 大范围复杂城市环境几何地图自动生成方法
CN112484746B (zh) 一种基于地平面的单目视觉辅助激光雷达里程计方法
CN103413352A (zh) 基于rgbd多传感器融合的场景三维重建方法
CN104536009A (zh) 一种激光红外复合的地面建筑物识别及导航方法
CN112947526B (zh) 一种无人机自主降落方法和系统
CN111161334B (zh) 一种基于深度学习的语义地图构建方法
CN116879870B (zh) 一种适用于低线束3d激光雷达的动态障碍物去除方法
CN111998862A (zh) 一种基于bnn的稠密双目slam方法
CN109764864B (zh) 一种基于颜色识别的室内无人机位姿获取方法及系统
JP6410231B2 (ja) 位置合わせ装置、位置合わせ方法及び位置合わせ用コンピュータプログラム
CN118135526A (zh) 基于双目相机的四旋翼无人机视觉目标识别与定位方法
Wang et al. Temporal and spatial online integrated calibration for camera and LiDAR
Chougula et al. Road segmentation for autonomous vehicle: A review
CN112945233A (zh) 一种全局无漂移的自主机器人同时定位与地图构建方法
CN115797397A (zh) 一种机器人全天候自主跟随目标人员的方法及系统
Zhao et al. Multi-Modal Features and Accurate Place Recognition with Robust Optimization for Lidar-Visual-Inertial SLAM
CN111239761B (zh) 一种用于室内实时建立二维地图的方法
TWI736960B (zh) 同步定位與建圖優化方法

Legal Events

Date Code Title Description
PB01 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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000

Co-patentee after: National Network Intelligent Technology Co., Ltd.

Patentee after: Electric Power Research Institute of State Grid Shandong Electric Power Company

Co-patentee after: State Grid Corporation of China

Address before: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000

Co-patentee before: Shandong Luneng Intelligent Technology Co., Ltd.

Patentee before: Electric Power Research Institute of State Grid Shandong Electric Power Company

Co-patentee before: State Grid Corporation of China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201028

Address after: 250101 Electric Power Intelligent Robot Production Project 101 in Jinan City, Shandong Province, South of Feiyue Avenue and East of No. 26 Road (ICT Industrial Park)

Patentee after: National Network Intelligent Technology Co.,Ltd.

Address before: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000

Patentee before: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co.

Patentee before: National Network Intelligent Technology Co.,Ltd.

Patentee before: STATE GRID CORPORATION OF CHINA