CN106952291B - 基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法 - Google Patents
基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法 Download PDFInfo
- Publication number
- CN106952291B CN106952291B CN201710151289.0A CN201710151289A CN106952291B CN 106952291 B CN106952291 B CN 106952291B CN 201710151289 A CN201710151289 A CN 201710151289A CN 106952291 B CN106952291 B CN 106952291B
- Authority
- CN
- China
- Prior art keywords
- flow
- scene
- dimensional
- image
- anisotropic
- 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
- 238000000691 measurement method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000009499 grossing Methods 0.000 claims abstract description 13
- 238000009792 diffusion process Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000002945 steepest descent method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101100391182 Dictyostelium discoideum forI gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供的是一种基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法。利用多目立体相机获取图像序列;构建场景流能量泛函;构建基于HSV空间的色彩梯度恒常假设,多视角约束的数据项;设计基于3维扩散张量各向异性流驱动的场景流平滑项;极小化能量函数,得到对应的欧拉‑拉格朗日方程;将得到的场景流分量组合成一组幅度图,利用基于变分全局熵自适应水平集图像分割方法,对图像进行分割处理,得到运动目标轮廓;根据前后帧计算得到的闭合曲线及场景流,判断前后帧中分割得到的目标是否为同一个,并进行目标数量统计;根据移动目标的形心和计算出的场景流,计算对应的实际速度。本发明的方法主要用于智能交通管理。
Description
技术领域
本发明涉及的是一种基于场景流的车流量统计与测速方法。
背景技术
随着我国经济发展人们的生活水平不断提高,我国的家用汽车每年以2000万的数量增长,随着路上车辆不断增多,城市道路及高速公路的扩建,交通状况变得越来越复杂,车辆在给我们的出行带来便利的同时也带来了一定的交通问题。智能交通管理是目前世界上正在研究和广泛关注的课题,相对人力监管的有限性,智能交通系统的应用对交通运输业带来了很大的效益,对道路车辆管理起到了越来越大的作用。而视频车辆检测技术具有安装方便,成本低的特点。
目前存在的车辆检测技术应用最多的是基于单目摄像机的,而使用的检测车辆的方法为帧间差分法,背景建模法,光流法等。帧间差分法对环境噪声较为敏感,对阈值选择有很强的依赖性,还可能产生目标空洞,背景差需要实时更新背景图像,易受光照变化的影响,光流法不需要事先知道场景的任何信息,被证明是较好的检测方法,但是它是一种2维空间的速度场。根据机器视觉原理,由双目或多目摄像机的空间关系,可以得到物体的空间位置和3维结构信息。而场景流充分利用了多目相机获取的图像序列之间的立体对应关系,能通过计算得到运动目标的速度信息和结构信息。
发明内容
本发明的目的在于提供一种使用多目相机的基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法。
本发明的目的是这样实现的:
步骤一:利用多目立体相机获取图像序列,利用相机参数将像素坐标转换成实际的物理坐标;
步骤二:根据多目摄像机获取的立体图像序列之间的对应关系,将HSV空间中色彩梯度约束方法与基于3维扩散张量各向异性流驱动平滑相结合,构建场景流能量泛函,E(u,v,w)=∫Ω(EHSV+αEsmooth)dx,其中u,v,w分别为场景流在水平、竖直和深度方向的速度分量,EHSV为数据项,Esmooth为平滑项,参数α为平衡因子;
步骤三:构建基于HSV空间的色彩梯度恒常假设,多视角约束的数据项;
步骤四:将场景流用(u,v,w)的形式表示,设计基于3维扩散张量各向异性流驱动的场景流平滑项;
步骤五:极小化能量函数,得到对应的欧拉-拉格朗日方程,利用金子塔分层细化的方案迭代计算场景流,采样因子选择0.9,在每一层中,使用超松弛迭代方案迭代计算;
步骤七:根据前后帧计算得到的闭合曲线及场景流,判断前后帧中分割得到的目标是否为同一个,并进行目标数量统计;
本发明还可以包括:
1、步骤三具体包括:
步骤3.1数据项满足HSV空间中彩色梯度恒常假设,将t时刻和t+1时刻的RGB图像转换为HSV格式的彩色图像;
将t时刻多视角图像序列的彩色梯度用Iθ0、Iθ1…IθN表示,t+1时刻图像序列的梯度用I'θ0、I'θ1…I'θN表示,基于HSV空间色彩梯度恒常假设的数据项由如下的形式。
Edata=∫Ω(Ef+Es1+Es2)dx
其中:Ef为t时刻和t+1时刻的能量约束,Es1和Es2分别为t时刻和t+1时刻不同视角之间的能量约束;
步骤3.2利用多目相机拍摄到的图像序列,在数据项中采用多视角约束,令
Δi=I'θi(pi,t)-Iθ0(p0,t) (5)
Δi和指的是在t和t+1时刻相机在不同角度拍摄同一位置的点,图像的彩色梯度保持一致,Δt i指的是在同一角度下,物体经过t到t+1时刻的微小位移彩色梯度保持一致,根据等式Edata=∫Ω(Ef+Es1+Es2)dx,数据项该写作:
2、步骤四具体包括:
将像素表示的2维图像坐标u-v扩展为3维坐标系u-v-z,设计3维结构张量J
ψ为鲁棒惩罚函数,经最速下降法得到扩散项:
3、步骤六具体包括:
步骤6.1将得到的场景流分量u、v、w组合成一组3维向量W=(u,v,w),将场景流3维向量W看做目标图像,建立基于变分全局熵自适应水平集能量泛函模型:
其中,H为流场W的2维熵:
步骤6.2计算场景流图像W的熵值,根据等式
步骤6.3对能量泛函模型极小化,得到基于变分全局熵自适应水平集能量泛函对应的欧拉-拉格朗日方程:
本发明使用多目相机,设计基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法,解决了现有车辆测速和计数技术中的不足。本发明的方法主要用于智能交通管理。
附图说明
图1为本发明的流程图。
图2为多目摄像机采集到图像序列的立体对应关系。
具体实施方式
下面结合附图举例对本发明作进一步描述。
结合图1,基于多目立体视觉的道路车流量统计与测速方法,包括以下步骤:
S1.利用多目立体相机获取图像序列,利用相机参数将像素坐标转换成实际的物理坐标。
其中[Mi]1,2是变换矩阵M的前两行,M是[Mi]3的第3行,pi(x,y,z)为图中像的像素点,P(X,Y,Z)是实际得物理坐标。
根据多目摄像机获取的立体图像序列之间的对应关系,将HSV空间中色彩梯度约束方法与自适应全变分平滑相结合,构建场景流能量泛函:
E(u,v,w)=∫Ω(EHSV+αEsmooth)dx (2)
等式(1)中EHSV为数据项,Esmooth为平滑项,参数α为平衡因子。
S2.构建基于HSV空间的色彩梯度恒常假设的数据项。具体步骤如下:
S3.1将多目立体相机系统进行标定,得到参数矩阵。用多目立体相机获取立体图像序列,将t时刻和t+1时刻的RGB图像变换为与人类感知接近的HSV色度图。在RGB彩色空间中,取最大的像素记为Cmax,取最小的像素记为Cmin。
Cmax=max(R,G,B) (3)
Cmin=min(R,G,B) (4)
HSV空间中H、S、V有以下形式:
V=Cmax (7)
将梯度扩展成向量的形式:令h、s、v分别为HSV空间沿着H、S、V轴的单位向量,并将它们投影到x,y轴组成新的向量a、b。
HSV空间中,单位像素的角度θ(x,y)和此角度下的梯度值Fθ(x,y)在x-y坐标系下定义为:
此处由于tan(θ+π)=tanθ,规定θ(x,y)只在[0,π)内计算。等式(11)中gxx、gxy、gyy为向量a、b的点积。
彩色梯度相对于灰色梯度包含更多的颜色信息,根据附图1所示的立体图像序列之间的对应关系,将t时刻多视角图像序列的梯度用Iθ0、Iθ1…IθN表示,t+1时刻图像序列的梯度用I'θ0、I'θ1…I'θN表示,基于HSV空间色彩梯度恒常假设的数据项有如下的形式。
Edata=∫Ω(Ef+Es1+Es2)dx (15)
S3.2利用多目相机拍摄到的图像序列,在数据项中利用多视角约束。令
Δi=I'θi(Pi,t)-Iθ0(P0,t) (16)
Δt i=Iθi(P'i,t+1)-Iθi(Pi,t) (18)
S3.将场景流用(u,v,w)的形式表示,设计3维扩散张量场景流平滑项。在3维坐标系u-v-z中,设计3维结构张量J
因此结构张量J为一个3X3的矩阵,含有3个相互正交的矢量v1、v2、v3,它们对应的特征值为μ1、μ2、μ3,这3个特征值能反应场景流在v1、v2、v3方向上的变化。
通过以上定义,设计基于3维结构张量各向异性,场景流驱动的平滑项。
经最速下降法得到扩散项:
S4.极小化变分能量函数,利用多分辨率由粗及精的方案求解得到场景流。根据以上步骤分析,最终的能量泛函有以下的形式:
对等式(28)进行变分极小化,即求能量泛函(28)对u、v、w的导数,并令结果等于0。能量泛函(27)对u求偏导得到如下的欧拉-拉格朗日等式。
能量泛函(28)对v和w求偏导也有相同的形式。引入将金字塔分层细化的方案解决场景流中的大位移问题,采样因子选择0.9。在图像金字塔的每一层采用超松弛迭代方案迭代计算。
其中,H为流场W的2维熵:
pi为流场中W第i个点出现的概率值。H不仅表征了流场的统计信息,还能反应某流场位置与邻域中流场分布的整体特性。当目标运动流场分布有序时,H值较小,当运动流场分布杂乱时,H值较大。表示流场的梯度和,β为归一化系数。G(ψ)为惩罚项,具有以下的形式:
等式(31)用来惩罚函数水平集函数ψ(x),避免不断的重复计算ψ(x)。
Ecv为Chan-Vese模型,有如下的形式:
Ecv(C,c1,c2)=μ·Length(C) (33)
+λ1∫in|W-c1|2H(ψ(x,y))dx
+λ2∫out|W-c2|2(1-H(ψ(x,y))dx
其中Length(C)是闭合轮廓线的长度,定义如下:
δ(s)为Dirace函数:
H(s)函数为Heaviside函数:
μ、λ1、λ2是大于0的常数,表示各能量项的权重系数。等式(30)中最后一项要求曲线的长度最短,用来保证曲线的光滑性,前两项则是为了使输入在曲线C内、外部各点的灰度值与其所对应区域的平均灰度值的差值最小。
EGAC为测地线主动轮廓模型Geodesic Actice Contour(GAC),有如下的形式:
g为边缘检测函数,可以是任意单调递减的非负函数,s是曲线的欧几里得弧长参数。
S6.2计算场景流图像W的熵值,根据等式(28)构建基于变分全局熵自适应水平集图像分割能量泛函E。根据数值大小,自适应的调整CV模型和GAC模型对整个能量泛函的贡献度,其中数值较大时,GAC模型起主要的作用,当较小时,CV模型起主要的作用。
S6.3对能量泛函模型极小化,得到基于变分全局熵自适应水平集能量泛函对应的欧拉-拉格朗日等式:
采用任意的迭代方案进行迭代计算,直到两次迭代轮廓线基本不变,得到分割后的目标和背景,每一个闭合曲线为一个移动目标。
S6.根据前后帧计算得到的闭合曲线及场景流,判断前后帧中分割得到的目标是否为同一个,并进行目标数量统计。
对于摄像机t时刻的左测图像Il,求上一步骤得到的闭合曲线形心,记为根据求得的场景流,对进行位移变换得到对于摄像机t+1时刻的左测图像求上一步骤得到的闭合曲线形心,记为设定阈值κ,求和的距离,若此距离小于阈值κ,则认为是移动后的目标形心,若此距离大于阈值,则认为t时刻目标停止运动,从t+1时刻开始,有新目标开始运动。对于t+N和t+N-1时刻的图像,也按照此方法判断。
在摄像机左图像中设定一条场景分割线,若有目标形心穿过,则令计数变量加1。
Claims (4)
1.一种基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法,其特征是:
步骤一:利用多目立体相机获取图像序列,利用相机参数将像素坐标转换成实际的物理坐标;
步骤二:根据多目摄像机获取的立体图像序列之间的对应关系,将HSV空间中色彩梯度约束方法与基于3维扩散张量各向异性流驱动平滑相结合,构建场景流能量泛函,E(u,v,w)=∫Ω(EHSV+αEsmooth)dx,其中u,v,w分别为场景流在水平、竖直和深度方向的速度分量,EHSV为数据项,Esmooth为平滑项,参数α为平衡因子;
步骤三:构建基于HSV空间的色彩梯度恒常假设,多视角约束的数据项;
步骤四:将场景流用(u,v,w)的形式表示,设计基于3维扩散张量各向异性流驱动的场景流平滑项;
步骤五:极小化能量函数,得到对应的欧拉-拉格朗日方程,利用金子塔分层细化的方案迭代计算场景流,采样因子选择0.9,在每一层中,使用超松弛迭代方案迭代计算;
步骤七:根据前后帧计算得到的闭合曲线及场景流,判断前后帧中分割得到的目标是否为同一个,并进行目标数量统计;
2.根据权利要求1所述的基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法,其特征是步骤三具体包括:
步骤3.1数据项满足HSV空间中彩色梯度恒常假设,将t时刻和t+1时刻的RGB图像转换为HSV格式的彩色图像;
将t时刻多视角图像序列的彩色梯度用Iθ0、Iθ1…IθN表示,t+1时刻图像序列的梯度用I'θ0、I'θ1…I'θN表示,基于HSV空间色彩梯度恒常假设的数据项由如下的形式;
Edata=∫Ω(Ef+Es1+Es2)dx
其中:Ef为t时刻和t+1时刻的能量约束,Es1和Es2分别为t时刻和t+1时刻不同视角之间的能量约束;
步骤3.2利用多目相机拍摄到的图像序列,在数据项中采用多视角约束,令
Δi=I'θi(pi,t)-Iθ0(p0,t) (5)
Δt i=Iθi(p′i,t+1)-Iθi(pi,t) (7)
Δi和指的是在t和t+1时刻相机在不同角度拍摄同一位置的点,图像的彩色梯度保持一致,Δt i指的是在同一角度下,物体经过t到t+1时刻的微小位移彩色梯度保持一致,p′i、p′0分别表示t+1时刻相机在不同角度拍摄同一位置的像素点,根据等式Edata=∫Ω(Ef+Es1+Es2)dx,数据项写作:
4.根据权利要求3所述的基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法,其特征是步骤六具体包括:
步骤6.1将得到的场景流分量u、v、w组合成一组3维向量W=(u,v,w),将场景流3维向量W看做目标图像,建立基于变分全局熵自适应水平集能量泛函模型:
其中,β为归一化系数,H为流场W的2维熵:
步骤6.2计算场景流图像W的熵值,根据等式构建基于变分全局熵自适应水平集图像分割能量泛函E,根据数值大小,自适应调整CV模型和GAC模型对整个能量泛函的贡献度,其中数值大时,GAC模型起主要的作用,当小时,CV模型起主要的作用,Ecv表示Chan-Vese模型, EGAC表示测地线主动轮廓模型、G(ψ)为惩罚项;
步骤6.3对能量泛函模型极小化,得到基于变分全局熵自适应水平集能量泛函对应的欧拉-拉格朗日方程:
其中,μ为大于0的常数、表示能量项的权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710151289.0A CN106952291B (zh) | 2017-03-14 | 2017-03-14 | 基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710151289.0A CN106952291B (zh) | 2017-03-14 | 2017-03-14 | 基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106952291A CN106952291A (zh) | 2017-07-14 |
CN106952291B true CN106952291B (zh) | 2020-07-14 |
Family
ID=59467445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710151289.0A Active CN106952291B (zh) | 2017-03-14 | 2017-03-14 | 基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106952291B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107564288B (zh) * | 2017-10-10 | 2019-12-17 | 福州大学 | 一种基于张量填充的城市交通流预测方法 |
CN110033085B (zh) * | 2019-04-15 | 2021-08-31 | 广州异构智能科技有限公司 | 张量处理器 |
CN110059805B (zh) * | 2019-04-15 | 2021-08-31 | 广州异构智能科技有限公司 | 用于二值阵列张量处理器的方法 |
CN110046705B (zh) * | 2019-04-15 | 2022-03-22 | 广州异构智能科技有限公司 | 用于卷积神经网络的装置 |
CN113435259B (zh) * | 2021-06-07 | 2022-06-03 | 吉林大学 | 基于张量分解的卫星磁场数据融合地震异常提取方法 |
CN113506440B (zh) * | 2021-09-08 | 2021-11-30 | 四川国蓝中天环境科技集团有限公司 | 一种拉格朗日坐标系下多源数据融合的交通状态估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104658272A (zh) * | 2015-03-18 | 2015-05-27 | 哈尔滨工程大学 | 一种基于双目立体视觉的道路车流量统计与测速方法 |
CN106485675A (zh) * | 2016-09-27 | 2017-03-08 | 哈尔滨工程大学 | 一种基于3d局部刚性和深度图引导各向异性平滑的场景流估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8913055B2 (en) * | 2011-05-31 | 2014-12-16 | Honda Motor Co., Ltd. | Online environment mapping |
-
2017
- 2017-03-14 CN CN201710151289.0A patent/CN106952291B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104658272A (zh) * | 2015-03-18 | 2015-05-27 | 哈尔滨工程大学 | 一种基于双目立体视觉的道路车流量统计与测速方法 |
CN106485675A (zh) * | 2016-09-27 | 2017-03-08 | 哈尔滨工程大学 | 一种基于3d局部刚性和深度图引导各向异性平滑的场景流估计方法 |
Non-Patent Citations (1)
Title |
---|
Motion detection based on RGB-D data and scene flow clustering;Xuezhi Xiang et al.;《2016 12th World Congress on Intelligent Control and Automation》;20160929;第814-817页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106952291A (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106952291B (zh) | 基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法 | |
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN106803267B (zh) | 基于Kinect的室内场景三维重建方法 | |
CN109003325B (zh) | 一种三维重建的方法、介质、装置和计算设备 | |
CN110853075B (zh) | 一种基于稠密点云与合成视图的视觉跟踪定位方法 | |
CN106910242B (zh) | 基于深度相机进行室内完整场景三维重建的方法及系统 | |
Vaudrey et al. | Differences between stereo and motion behaviour on synthetic and real-world stereo sequences | |
JP5133418B2 (ja) | 現実環境内にバーチャルオブジェクトを描写する方法および装置 | |
CN114144809A (zh) | 通过摄像机进行交通工具环境建模 | |
CN112991413A (zh) | 自监督深度估测方法和系统 | |
US10891795B2 (en) | Localization method and apparatus based on 3D color map | |
CN110189339A (zh) | 深度图辅助的主动轮廓抠图方法及系统 | |
US8634637B2 (en) | Method and apparatus for reducing the memory requirement for determining disparity values for at least two stereoscopically recorded images | |
CN105225230A (zh) | 一种识别前景目标对象的方法及装置 | |
CN111209770A (zh) | 一种车道线识别方法及装置 | |
CN110245199B (zh) | 一种大倾角视频与2d地图的融合方法 | |
CN102903111B (zh) | 基于图像分割的大面积低纹理区立体匹配算法 | |
CN117058646B (zh) | 基于多模态融合鸟瞰图的复杂道路目标检测方法 | |
CN114996814A (zh) | 一种基于深度学习与三维重建的家具设计系统 | |
CN111950599B (zh) | 一种动态环境下融合边缘信息的稠密视觉里程计方法 | |
CN107274477B (zh) | 一种基于三维空间表层的背景建模方法 | |
CN110473228B (zh) | Rgbd视频中基于局部刚性假设的场景流估计方法 | |
CN117372460A (zh) | 一种基于自适应阈值边缘配准视觉里程计的月球车自主定位方法 | |
CN113487741B (zh) | 稠密三维地图更新方法及装置 | |
CN115272460A (zh) | 一种基于rgbd相机的自适应里程计与优化关键帧选择方法 |
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 |