CN106845535B - 基于点云的典型零部件识别方法 - Google Patents
基于点云的典型零部件识别方法 Download PDFInfo
- Publication number
- CN106845535B CN106845535B CN201710009212.XA CN201710009212A CN106845535B CN 106845535 B CN106845535 B CN 106845535B CN 201710009212 A CN201710009212 A CN 201710009212A CN 106845535 B CN106845535 B CN 106845535B
- Authority
- CN
- China
- Prior art keywords
- grid
- point
- subpoint
- cloud
- depth
- 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.)
- Active
Links
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于点云的典型零部件识别方法,是一种快速的零部件识别方法。首先对Kinect传感器获取的目标点云进行优化并利用八邻域深度差算法提取点云边缘;然后用随机抽样一致性算(RANSAC)算法对分割后的点云边缘进行检测,并提取边缘特征以识别零部件。本发明可以快速的对典型零部件进行识别。
Description
技术领域:
本发明涉及一种对典型零部件识别的方法,尤其涉及一种基于点云的典型零部件识别方法。
背景技术:
随着激光测量技术的不断发展,激光测量设备不断推出,使逆求工程技术得到不断发展。在逆求工程设计中,可以将某个产品表面表达为大量的离散点,即点云。通过点云可进行逆求工程设计,如何从点云信息中提取产品的一些几何特征,成为逆求工程的设计核心。
点云边缘是指能够表达产品特征的一些边缘测量点。边缘不仅能表达产品的几何特征,而且在产品识别、重建曲面模型的品质和精度中起着重要的作用。基于点云的边缘提取在曲面重构、空洞修补、曲面特征检测得到广泛应用。
点云包括孔洞与非孔洞两类。目前,提取非孔洞点云边缘轮廓的方法有:利用点云分割方法的凸包算法提取点云边缘;利用KD树建立空间拓扑关系,通过邻近点构成的最小二乘平面投影点的角度差算法提取点云边缘。提取孔洞点云边缘轮廓的方法有:利用网格的拓扑关系提取点云边缘;利用alpha-shape算法提取点云边缘,可想象为一个半径为α的圆在点云里滚动,当α满足一定条件,圆会在点云边缘滚动,其滚动的痕迹就是点云的边缘。
对于典型零部件的点云数据,运用上述方法均难以实现对零部件点云特征边界的快速提取,进而难以实现对典型零部件的快速识别。
发明内容:
发明目的:
本发明提供了一种基于点云的典型零部件识别方法,现有的零部件识别中采用图像的方法进行识别,使用Kinect设备能够提取点云,能够通过对点云的处理达到识别目的。
技术方案:
本发明是通过以下技术方案来实现的:
基于点云的典型零部件识别方法,其特征在于:首先对Kinect传感器获取的目标点云进行优化并利用八邻域深度差算法提取点云边缘;然后用随机抽样一致性RANSAC算法对分割后的点云边缘进行检测,并提取边缘特征以识别零部件。
采用Kinect传感器进行零部件识别,对点云边缘提取方法的具体步骤为:
(1)对获取的点云数据沿深度方向垂直投影:对沿深度方向获取的单面点云数据,沿深度方向进行投影;
(2)对投影点进行栅格数据组织:对于投影点,统计其横纵坐标最小与最大的四个值,根据栅格的划分次数,计算出单个栅格的大小,然后将各投影点分配到各个栅格且进行编号;
(3)计算栅格的深度差:根据编号的任意栅格,统计栅格内投影点数目,若投影点数目为零,则将该栅格的深度值设定零;若栅格内投影点数目大于零,则将投影点所对应的深度值进行加权平均,将加权平均值作为该栅格的深度值;
(4)比较栅格与八邻域栅格的深度差:对每个栅格进行判断,若该栅格的深度值不为零,计算其与八邻域栅格里每个栅格的深度差,若存在深度差大于设定阈值,则该栅格为存在边缘点栅格;
(5)栅格内点云边缘点筛选:对于存在边缘点的栅格,统计出栅格内投影点个数,然后对投影点所对应的深度值进行升序排列;当投影点个数为奇数,栅格边缘点为中间位置所对应的投影点;当投影点个数为偶数,该栅格边缘点为中间两个值所对应的任一投影点,根据投影点提取其所对应的三维点。
在对点云边缘提取前,先进行点云获取与优化,利用非线性滤波优化算法对点云去噪处理。
点云识别的步骤如下:
1)点云边缘分割:点云边缘数据通常被看成一个点集,点集内各种目标特征点混合在一起,点云边缘分割就是将同一目标特征点提取出来;
2)基于RANSAC算法的目标识别:对于有棱角且边是直线的典型零部件,依据随机抽样一致性RANSAC算法,对分割后的典型零部件点云边缘进行检测,并提取边缘特征以识别零部件。
优点及效果:
整个识别过程中的设备,包括Kinect传感器和笔记本电脑,成本低。
整个识别过程都是由设备自动完成,零部件识别快速、精确。
附图说明:
图1为某点深度值的误差示意图。
图2为实验物体图。
图3为3×3栅格划分图。
图4为栅格的深度平均值图。
图5为栅格存在边缘点示意图。
图6为栅格深度筛选示意图。
图7为边缘点分割示意图。
表1为Kinect深度偏移。
表2为0.8m处Kinect数据优化后偏移量。
表3为典型零部件模型三个参数。
具体实施方式:
本发明涉及一种基于点云的典型零部件识别方法,首先对Kinect传感器获取的目标点云进行优化并利用八邻域深度差算法提取点云边缘;然后用随机抽样一致性RANSAC算法对分割后的点云边缘进行检测,并提取边缘特征以识别零部件。该方法利用Kinect获取点云数据,简单,方便快捷。
采用Kinect传感器进行零部件识别,对点云边缘提取方法的具体步骤为:
(1)对获取的点云数据沿深度方向垂直投影:对沿深度方向获取的单面点云数据,沿深度方向进行投影;
(2)对投影点进行栅格数据组织:对于投影点,统计其横纵坐标最小与最大的四个值,根据栅格的划分次数,计算出单个栅格的大小,然后将各投影点分配到各个栅格且进行编号;
(3)计算栅格的深度差:根据编号的任意栅格,统计栅格内投影点数目,若投影点数目为零,则将该栅格的深度值设定零;若栅格内投影点数目大于零,则将投影点所对应的深度值进行加权平均,将加权平均值作为该栅格的深度值;
(4)比较栅格与八邻域栅格的深度差:对每个栅格进行判断,若该栅格的深度值不为零,计算其与八邻域栅格里每个栅格的深度差,若存在深度差大于设定阈值,则该栅格为存在边缘点栅格;
(5)栅格内点云边缘点筛选:对于存在边缘点的栅格,统计出栅格内投影点个数,然后对投影点所对应的深度值进行升序排列;当投影点个数为奇数,栅格边缘点为中间位置所对应的投影点;当投影点个数为偶数,该栅格边缘点为中间两个值所对应的任一投影点,根据投影点提取其所对应的三维点。
在对点云边缘提取前,先进行点云获取与优化,比较了线性和非线性滤波优化算法;最后根据滤波算法的滤波效果,利用非线性滤波优化算法对点云去噪处理。
点云识别的步骤如下:
1)点云边缘分割:点云边缘数据通常被看成一个点集,点集内各种目标特征点混合在一起,点云边缘分割就是将同一目标特征点提取出来;
2)基于RANSAC算法的目标识别:对于有棱角且边是直线的典型零部件,依据随机抽样一致性RANSAC算法,对分割后的典型零部件点云边缘进行检测,并提取边缘特征以识别零部件。
下面结合附图对本发明做进一步的说明:
基于点云的典型零部件识别方法,步骤如下:
(1)点云获取与优化,具体步骤如下:
1)点云精度分析:Kinect采集数据时存在一定的误差,其获取空间某点的深度值,不同时刻该点的深度值存在精度误差,图1给出了某固定点在不同时刻深度值存在误差的示意图。
如图1所示,若某点深度值为h,h1、h2分别在t2和t3时刻获取的该点点深度值。显然,在t2和t3时刻获得的深度值存在着误差。
为研究深度值的随机误差情况,以竖直刚性木板平面作为目标,设计了利用Kinect从0.7m~3m之间间隔0.1m的方式进行扫描,每个距离获取一幅深度图像,统计深度图像里点的深度偏移量,即同一幅深度图像里最大与最小深度值的差,图2给出了实验图,表1给出了深度偏移量。
表1Kinect深度偏移
2)点云优化:由于Kinect深度值随机跳变的特点,利用滤波优化算法对其去噪处理。滤波优化分为线性和非线性滤波优化算法。同样以竖直刚性木板平面为目标,利用Kinect距离0.8m处对目标进行扫描,获取30帧深度图像,每一帧图像上有307200个数据点,利用多线程对数据点进行并行计算,将不同深度图像帧在同一坐标位置的深度数据进行线性滤波和非线性滤波,表2给出了利用不同滤波优化算法后所对应的偏移量。
表2 0.8m处Kinect数据优化后偏移量
线性滤波算法可归结为:
式中:F(x,y)表示不同图像帧在点(x,y)位置的深度值;M为图像帧数;G(x,y)表示优化后点(x,y)位置的深度值。
非线性滤波算法可归纳为:
G(x,y)=Fmid(x,y)
式中:Fmid(x,y)表示不同图像帧在点(x,y)位置的深度值排序后的中间值;G(x,y)为优化后该点的深度值。
如表2所示,在距离0.8m处利用线性滤波优化,偏移量小于6mm,利用非线性滤波优化,偏移量小于4mm,所以本发明利用非线性滤波优化算法对深度图像进行优化。对于优化后的深度图像,利用Kinect的SDK软件开发工具包将其转化为点云数据。
(2)点云边缘提取,对于Kinect所获取的点云数据,用八邻域深度差(8N-DD)算法进行点云边缘提取,具体步骤如下:
1)对点云沿深度方向垂直投影
对沿深度方向获取的单面点云数据,沿深度方向z进行投影(相当于垂直投影到x,y平面上)。
点云数据可表示为:
P={Pi|Pi=(xi,yi,zi),i∈[1,n]}
式中:Pi表示空间(xi,yi,zi)处位置坐标;n表示点云个数。
投影点可表示为:
P'={Pi'|Pi'=(xi,yi),i∈[1,n]}
式中:Pi'表示(xi,yi)处位置坐标。
2)对投影点进行栅格数据组织
对于投影点P',统计其横纵坐标最小与最大的四个值Xmin、Xmax、Ymin、Ymax;根据栅格的划分次数m,计算出单个栅格的大小为axb,其中:
[]表示取整
[]表示取整
将各投影点分配到各个栅格且进行编号:首先根据当前投影点坐标(x,y),计算该点所在栅格的行r和列c;然后将该点添加到第r行和c列的栅格中,且将该栅格编号为G(r,c),如图3所示,其中:
[]表示取整
[]表示取整
如图3所示,栅格是3×3栅格,从栅格左上角对栅格进行编号,第一行第一列栅格为G(0,0),第一行第二列栅格为G(0,1),直到将第三行第三列栅格编号为G(2,2)。
3)计算栅格的深度值
根据编号的任意栅格G(i,j),统计栅格内投影点的数目,若投影点数目为零,则将该栅格的深度值设定为Z=0,如图4所示;若栅格内投影点数目大于零,则将投影点所对应的深度值进行加权平均,将加权平均值Zave作为该栅格的深度值,栅格深度值可表示为:
式中:Dm表示栅格内投影点所对应的深度值;L表示栅格内投影点的个数。
图4给出了3×3栅格的深度值设定,栅格G(0,0),G(1,0)和G(2,2)栅格中无投影点,则栅格的深度值设为零;其它栅格内都存在投影点,则栅格的深度值设定为对应的加权平均值,如:Z1,Z2,Z3,Z4,Z5,Z6。
4)栅格间深度比较
对每个栅格进行判断,若该栅格的深度值不为零,计算其与八邻域栅格里每个栅格的深度差,若存在深度差大于阈值T,则该栅格为存在边缘点栅格,图5给出了判断栅格存在边缘点的示意图。
如图5所示,对于任意栅格G(i,j),以其八邻域栅格中G(i-1,j)栅格为例,其与栅格G(i,j)的深度差为D,D大于阈值T,判断出栅格G(i,j)存在边缘点。
5)栅格内点云边缘点筛选
对于存在边缘点的栅格G(i,j),统计出栅格内投影点个数k,然后对投影点所对应的深度值进行升序排列。当k为奇数,栅格边缘点为位置所对应的投影点;当k为偶数,该栅格边缘点为或位置所对应的投影点,根据投影点提取其所对应的三维点,图6给出了边缘点筛选示意图。
如图6所示,存在边缘点的栅格G(i,j)中有4个投影点,对4个投影点所对应的深度值排序为Z1,Z2,Z3和Z4,所以Z2或Z3所对应的投影点为边缘点,根据边缘点提取其三维点P。
(3)点云识别,为便于识别,首先对所提取的点云边缘点进行分割,然后对分割后的点云边缘点利用RANSAC算法进行检测,并提取出边缘特征以识别目标,具体步骤如下:
1)点云边缘分割:点云边缘数据通常被看成一个点集,点集内各种目标特征点混合在一起,点云边缘分割就是将同一目标特征点提取出来,图7给出了边缘点分割示意图。
如图7所示,点云边缘数据集合为S,任取一点P,寻找该点附近的k个邻近点,在顺时针方向取欧式距离最小的P‘点的作为新的目标点,对P‘点继续寻找邻近点,顺时针经过一圈寻找又回到P点,则将寻找到的所有目标点作为分割出的点集S1,利用同样方法分割出点集S2。
2)基于RANSAC算法的目标识别:随机抽样一致性(RANSAC)算法思想简单,以拟合直线为例,首先随机选择两个点,两点确定一条直线,统计在该条直线一定距离范围内点的数目V。重复随机选择U次,将V最大的直线确认为最佳直线。
对于一些有棱角且边是直线的典型零部件,依据RANSAC可以提取直线的思想,可以用来对典型零部件的点云边缘进行检测,并提取边缘特征以识别零部件。
以六角工件为例,一些特征参数如表3所示,通过RANSAC算法对分割后点云边缘进行边数及夹角检测,以此识别工件类型。
表3典型零部件模型三个参数
如表3所示,六角工件有6条边,夹角为120°。利用RANSAC算法对六角工件的识别方法为:首先随机提取六角工件点云边缘中任意两点(xi,yi)与(xj,yj),根据两点坐标求取两点的直线方程,然后计算边缘点内某点到该直线的欧式距离D,若D小于设定的阈值T,则把该点当作局内点,统计所有局内点个数为N,若N满足阈值条件ε,判断N所对应的直线为点云边缘某条边;重复随机提取点云边缘上的两个点,当统计的点的个数满足设定的阈值ε‘时,跳出循环;根据两个点的斜率和截距去掉相似直线,剩余直线条数为6,计算剩下每两条直线的夹角为120°,依据剩余直线条数6及夹角120°判断出点云边缘所对应的工件为六角形工件。
Claims (3)
1.基于点云的典型零部件识别方法,其特征在于:首先对Kinect传感器获取的目标点云进行优化并利用八邻域深度差算法提取点云边缘;然后用随机抽样一致性RANSAC算法对分割后的点云边缘进行检测,并提取边缘特征以识别零部件;
采用Kinect传感器进行零部件识别,对点云边缘提取方法的具体步骤为:
(1)对获取的点云数据沿深度方向垂直投影:对沿深度方向获取的单面点云数据,沿深度方向进行投影;
(2)对投影点进行栅格数据组织:对于投影点,统计其横纵坐标最小与最大的四个值,根据栅格的划分次数,计算出单个栅格的大小,然后将各投影点分配到各个栅格且进行编号;
(3)计算栅格的深度差:根据编号的任意栅格,统计栅格内投影点数目,若投影点数目为零,则将该栅格的深度值设定零;若栅格内投影点数目大于零,则将投影点所对应的深度值进行加权平均,将加权平均值作为该栅格的深度值;
(4)比较栅格与八邻域栅格的深度差:对每个栅格进行判断,若该栅格的深度值不为零,计算其与八邻域栅格里每个栅格的深度差,若存在深度差大于设定阈值,则该栅格为存在边缘点栅格;
(5)栅格内点云边缘点筛选:对于存在边缘点的栅格,统计出栅格内投影点个数,然后对投影点所对应的深度值进行升序排列;当投影点个数为奇数,栅格边缘点为中间位置所对应的投影点;当投影点个数为偶数,该栅格边缘点为中间两个值所对应的任一投影点,根据投影点提取其所对应的三维点。
2.根据权利要求1所述的基于点云的典型零部件识别方法,其特征在于:在对点云边缘提取前,先进行点云获取与优化,利用非线性滤波优化算法对点云去噪处理。
3.根据权利要求1所述的基于点云的典型零部件识别方法,其特征在于:点云识别的步骤如下:
1)点云边缘分割:点云边缘数据通常被看成一个点集,点集内各种目标特征点混合在一起,点云边缘分割就是将同一目标特征点提取出来;
2)基于RANSAC算法的目标识别:对于有棱角且边是直线的典型零部件,依据随机抽样一致性RANSAC算法,对分割后的典型零部件点云边缘进行检测,并提取边缘特征以识别零部件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710009212.XA CN106845535B (zh) | 2017-01-06 | 2017-01-06 | 基于点云的典型零部件识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710009212.XA CN106845535B (zh) | 2017-01-06 | 2017-01-06 | 基于点云的典型零部件识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845535A CN106845535A (zh) | 2017-06-13 |
CN106845535B true CN106845535B (zh) | 2019-08-02 |
Family
ID=59117123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710009212.XA Active CN106845535B (zh) | 2017-01-06 | 2017-01-06 | 基于点云的典型零部件识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845535B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058591A (zh) * | 2019-04-24 | 2019-07-26 | 合肥柯金自动化科技股份有限公司 | 一种基于激光雷达与深度摄像机混合导航的agv系统 |
CN110068279B (zh) * | 2019-04-25 | 2021-02-02 | 重庆大学产业技术研究院 | 一种基于点云数据的预制构件平面圆孔提取方法 |
CN113361630B (zh) * | 2021-06-25 | 2022-06-14 | 成都飞机工业(集团)有限责任公司 | 一种基于曲面特征对比的零件异同自动识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794687A (zh) * | 2014-01-20 | 2015-07-22 | 鸿富锦精密工业(深圳)有限公司 | 点云精简系统及方法 |
CN104809457A (zh) * | 2015-05-26 | 2015-07-29 | 牟永敏 | 一种基于区域化隐函数特征的三维人脸识别方法及系统 |
CN105139416A (zh) * | 2015-10-10 | 2015-12-09 | 北京微尘嘉业科技有限公司 | 一种基于图像信息和深度信息的物体识别方法 |
CN105719249A (zh) * | 2016-01-15 | 2016-06-29 | 吉林大学 | 一种基于三维格网的机载激光雷达点云去噪方法 |
CN106127153A (zh) * | 2016-06-24 | 2016-11-16 | 南京林业大学 | 车载激光扫描点云数据的交通标牌识别方法 |
-
2017
- 2017-01-06 CN CN201710009212.XA patent/CN106845535B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794687A (zh) * | 2014-01-20 | 2015-07-22 | 鸿富锦精密工业(深圳)有限公司 | 点云精简系统及方法 |
CN104809457A (zh) * | 2015-05-26 | 2015-07-29 | 牟永敏 | 一种基于区域化隐函数特征的三维人脸识别方法及系统 |
CN105139416A (zh) * | 2015-10-10 | 2015-12-09 | 北京微尘嘉业科技有限公司 | 一种基于图像信息和深度信息的物体识别方法 |
CN105719249A (zh) * | 2016-01-15 | 2016-06-29 | 吉林大学 | 一种基于三维格网的机载激光雷达点云去噪方法 |
CN106127153A (zh) * | 2016-06-24 | 2016-11-16 | 南京林业大学 | 车载激光扫描点云数据的交通标牌识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106845535A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN105046245B (zh) | 视频人脸检测评价方法 | |
CN105335973B (zh) | 运用于带钢加工生产线的视觉处理方法 | |
CN106934803A (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN104408707B (zh) | 一种快速数字成像模糊鉴别与复原图像质量评估方法 | |
CN104063702A (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN107093205A (zh) | 一种基于无人机图像的三维空间建筑物窗户检测重建方法 | |
CN101499168B (zh) | 基于脊线跟踪与海森矩阵的结构光光条中心提取方法 | |
CN108346157B (zh) | 一种基于牛顿定理的物体拍摄图像中椭圆检测方法 | |
CN106845535B (zh) | 基于点云的典型零部件识别方法 | |
CN111126174A (zh) | 一种用于机器人抓取零件的视觉检测方法 | |
CN110544233B (zh) | 基于人脸识别应用的深度图像质量评价方法 | |
CN101398886A (zh) | 一种基于双目被动立体视觉的快速三维人脸识别方法 | |
CN105023265A (zh) | 鱼眼镜头下的棋盘格角点自动检测方法 | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN106340010A (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
CN105959683A (zh) | 一种摄像机镜头分辨率检测方法及装置 | |
CN107358628A (zh) | 基于靶标的线阵图像处理方法 | |
TW201433985A (zh) | 自動描繪物件邊緣走向之方法 | |
CN112085675A (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
CN104599288A (zh) | 一种基于肤色模板的特征跟踪方法及装置 | |
CN106709883A (zh) | 基于联合双边滤波和尖锐特征骨架提取的点云去噪方法 | |
CN112669379A (zh) | 一种基于辅助标记点的图像特征快速提取方法 | |
CN108090492B (zh) | 基于尺度线索抑制的轮廓检测方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210715 Address after: No.33, Zhaogong North Street, Tiexi District, Shenyang, Liaoning 110000 Patentee after: Shenyang Minghui Electromechanical Equipment Co.,Ltd. Address before: 110870 No. 111 Shenyang West Road, Shenyang economic and Technological Development Zone, Liaoning Patentee before: SHENYANG University OF TECHNOLOGY |
|
TR01 | Transfer of patent right |