CN107133627A - 红外光斑中心点提取方法及装置 - Google Patents
红外光斑中心点提取方法及装置 Download PDFInfo
- Publication number
- CN107133627A CN107133627A CN201710214281.4A CN201710214281A CN107133627A CN 107133627 A CN107133627 A CN 107133627A CN 201710214281 A CN201710214281 A CN 201710214281A CN 107133627 A CN107133627 A CN 107133627A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- infrared light
- light spot
- munder
- 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
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 230000002708 enhancing effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 239000007787 solid Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000003381 stabilizer Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
- G06V10/457—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 by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,尤其涉及一种红外光斑中心点提取方法及装置。该方法包括:采集图像,所述图像包含至少一个红外光斑;对所述图像进行去噪处理;对已去噪的图像进行二值化;基于二值化后的图像,提取所述图像中红外光斑所对应的连通域;基于所述图像中红外光斑所对应的连通域,计算所述红外光斑对应的中心。该实施方式能够获得较高精度的红外光斑中心点,使得红外光斑中心点稳定在亚像素级别。
Description
【技术领域】
本发明涉及图像处理技术领域,尤其涉及一种红外光斑中心点提取方法及装置。
【背景技术】
在虚拟现实(VR)固定标记点的位置追踪系统中,一般采用红外主动光源追踪的方式,因为红外主动光源可以避免其他波长的光的干扰,提高跟踪系统的准确性和稳定性。基于红外主动光源追踪的方式包括:利用红外传感器摄像头实时曝光采样,将采集的数据传输至上位机,上位机根据收到的数据,对每个光斑进行解析,计算得出光斑中心,然后根据光斑中心计算目标物体的位置和姿态。
在上述过程中,快速而精确地确定光斑中心,能够保证跟踪系统的精度和跟踪动态目标的能力。提高测量精度最直接的方法就是使用分辨率更高的摄像系统,但却需要花费高昂的代价。因此,目前常通过软件处理来提高光斑中心定位精度,该方法可以分为基于灰度和基于边缘两大类。其中,基于边缘的方法适用于半径较大的光斑,基于灰度的方法适用于半径较小的光斑。目前常用的基于灰度的方法包括:质心法、高斯拟合法以及椭圆拟合法等。
发明人在实现本发明的过程中,发现相关技术存在以下问题:质心法和椭圆拟合法只有在低噪声条件下,才能获得较高精度的光斑中心,高斯拟合法计算复杂度高,且速度慢,无法满足实时性较高的系统。
【发明内容】
本发明要解决的技术问题是提供一种红外光斑中心点提取方法及装置,解决计算复杂度高、抗噪声能力不强、精度差的问题。
本发明实施例的一个方面,提供一种红外光斑中心点提取方法,该方法包括:
采集图像,所述图像包含至少一个红外光斑;
对所述图像进行去噪处理;
对已去噪的图像进行二值化;
基于二值化后的图像,提取所述图像中红外光斑所对应的连通域;
基于所述图像中红外光斑所对应的连通域,计算所述红外光斑对应的中心。
在一些实施例中,所述对已去噪的图像进行二值化之前,所述方法还包括:
对所述图像进行对比度增强处理;
所述基于二值化后的图像,提取所述图像中红外光斑所对应的连通域之后,所述方法还包括:
将所述连通域范围内增强处理后的图像进行上采样处理。
在一些实施例中,所述对所述图像进行去噪处理包括:对所述图像进行高斯滤波,其中,高斯滤波核的大小为3×3。
在一些实施例中,所述基于所述图像中红外光斑所对应的连通域,计算所述红外光斑对应的中心包括:
提取所述红外光斑所对应的连通域内的光斑的灰度值,以作为所述光斑的有效灰度值;
基于所述有效灰度值,采用以所述有效灰度值的平方为权值的加权型心法计算所述红外光斑的中心。
在一些实施例中,所述采用以所述有效灰度值的平方为权值的加权型心法计算所述红外光斑的中心的计算公式为:
其中,I(i,j)是坐标为(i,j)的像素点的灰度值,S是所述连通域内像素点的集合,(x,y)是所述红外光斑的中心所对应的坐标。
本发明实施例的另一方面,提供一种红外光斑中心点提取装置,该装置包括:
图像采集模块,用于采集图像,所述图像包含至少一个红外光斑;
图像去噪模块,用于对所述图像进行去噪处理;
二值化模块,用于对已去噪的图像进行二值化;
提取模块,用于基于二值化后的图像,提取所述图像中红外光斑所对应的连通域;
计算模块,用于基于所述图像中红外光斑所对应的连通域,计算所述红外光斑对应的中心。
在一些实施例中,所述装置还包括:
图像增强模块,用于对所述图像进行对比度增强处理;
图像插值模块,用于将所述连通域范围内增强处理后的图像进行上采样处理。
在一些实施例中,所述图像去噪模块具体用于:对所述图像进行高斯滤波,其中,高斯滤波核的大小为3×3。
在一些实施例中,所述计算模块包括:
提取单元,用于提取所述红外光斑所对应的连通域内的光斑的灰度值,以作为所述光斑的有效灰度值;
计算单元,用于基于所述有效灰度值,采用以所述有效灰度值的平方为权值的加权型心法计算所述红外光斑的中心。
在一些实施例中,所述采用以所述有效灰度值的平方为权值的加权型心法计算所述红外光斑的中心的计算公式为:
其中,I(i,j)是坐标为(i,j)的像素点的灰度值,S是所述连通域内像素点的集合,(x,y)是所述红外光斑的中心所对应的坐标。
在本发明实施例中,首先对采集到的包含红外光斑的图像进行图像去噪和二值化处理,然后提取处理后的图像中红外光斑所对应的连通域,基于提取的连通域计算该连通域对应的红外光斑的中心。该实施方式能够获得较高精度的红外光斑中心点,使得红外光斑中心点稳定在亚像素级别。
【附图说明】
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本发明实施例提供的红外光斑中心点提取方法的应用环境示意图;
图2是本发明实施例提供的一种红外光斑中心点提取方法的流程示意图;
图3是本发明实施例提供的一种红外光斑中心点提取方法中计算红外光斑对应的中心的方法的流程示意图;
图4是本发明另一实施例提供的一种红外光斑中心点提取方法的流程示意图;
图5是本发明实施例提供的一种红外光斑中心点提取装置的结构示意图;
图6是本发明另一实施例提供的一种红外光斑中心点提取装置的结构示意图;
图7是本发明实施例提供的执行红外光斑中心点提取方法的电子设备的硬件结构示意图。
【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用以解释本发明,并不用于限定本发明。
请参照图1,图1是本发明实施例提供的红外光斑中心点提取方法的应用环境示意图。如图1所示,在本应用环境中,包括虚拟现实(VR)立体空间10、若干红外灯20、VR设备30以及处理器40。该VR设备30上设置有图像采集装置31。
该若干红外灯20固定在刚体的标记点的位置,每一个标记点都有一个红外灯,该若干红外灯20能够向VR立体空间10发出红外光。
该VR设备30可以是任何类型,与用户进行交互或者为用户提供虚拟现实服务的外围设备,例如VR头盔、VR游戏手柄等。该图像采集装置31可以是任何合适的,具有至少一个感光元件(如CCD、CMOS)的电子设备,例如摄像机、照相机、录像机等,该图像采集装置31用于对红外灯20发出的红外光进行实时曝光采样。
该处理器40具体可以是任何合适类型的电子运算设备,例如多核心中央处理器、计算机、服务器或者游戏主机等。所述处理器40可以接收一系列的图像信息,比如图像采集装置31采集的包含红外光斑的图像,根据采集的图像实现对VR设备在立体空间内的位置追踪。所述处理器40基于VR设备30的位置追踪信息,为用户提供各种不同类型的沉浸式体验,例如通过检测VR游戏手柄的位置变化,在虚拟现实中显示的画面中作出相应的响应,令人物抬手或者改变游戏中某些物品的位置。在一些实施例中,该处理器40还可以设置在所述VR设备30内部或者独立设置,VR设备30可以通过无线/有线通信方式与处理器40之间建立通信连接。
例如,如图1所示,VR设备30可以为佩戴在用户头部上的VR头盔,所述图像采集装置31可以为设置在VR头盔上的摄像机。其设置在头盔的前方,可以采集到用户头部正面的图像。可选地,摄像机也可以设置在VR头盔的其它位置,用以采集多个不同视角的图像。所述摄像机还可以设置为两个或者更多,采集更多方向(或视角)上的图像,以提供更精确以及稳定性更好的位置计算结果。
若干红外灯20分别设置在立体空间10的各个位置,以一定的频率或者模式进行闪烁。因此,在图像采集装置31获得的图像中,会包含多个由红外灯20的亮度决定的,具有特定面积大小的光斑。处理器40可以通过识别和读取这样的图像信息中的光斑,然后对每个光斑进行解析,得出光斑中心,根据光斑中心计算出刚体的3自由度的位置和3自由度姿态,从而实现对VR设备在立体空间内的位置追踪。
需要说明的是,图1中仅示出了1个VR设备30和1个处理器40,本领域技术人员可以理解的是,该红外光斑中心点提取方法的应用环境还可以包括任意数量的VR设备30和处理器40。
结合上述应用环境,如图2所示,进一步阐述本发明实施例提供的红外光斑中心点提取方法的具体过程:
步骤101、采集图像,所述图像包含至少一个红外光斑;
步骤102、对所述图像进行去噪处理;
步骤104、对已去噪的图像进行二值化;
步骤105、基于二值化后的图像,提取所述图像中红外光斑所对应的连通域;
步骤107、基于所述图像中红外光斑所对应的连通域,计算所述红外光斑对应的中心。
在本发明实施例中,可以通过红外摄像头捕获红外灯发出的光,每个红外灯发出的红外光在图像汇聚成一个小尺寸的光斑,红外摄像头捕获该包含光斑的图像。
对捕获的图像进行去噪,其目的是从噪声图像中恢复不含噪声的原始图像同时尽可能多的保持图像中的细节信息。现有的图像去噪方法分为局部方法和非局部方法两种。局部方法是用某种核与图像做卷积运算,它利用的是像素之间的空间位置关系。非局部方法是像素之间在空间位置上不存在实质性关系,只与用来度量像素之间相似性的图像片有关。
在本实施例中,可以采用高斯滤波对图像进行去噪,其中高斯滤波核的大小可以为3×3,或者其他值。高斯滤波是一种线性平滑滤波,适用于消除高斯噪声。利用高斯滤波来消除图像噪声的具体过程是,用一个模板扫描图像中的每一个像素,然后用模板确定的领域内像素的加权平均灰度值去替代模板中心像素点的值。高斯滤波去噪是一种局部方法。
在一些实施例中也可以采用非局部的方法来对采集的图像进行去噪。例如,可以基于图像梯度域奇异值分解来使用一种非局部均值图像去噪方法,采用梯度域奇异分解方法提取图像的局部结构特征,根据提取的特征来生成相似像素点集合,然后基于该相似集合选取与当前像素具有相似特征值的像素。其中,由于相似集的大小影响去噪性能,因此要采用大小适中的相似集,比如,取相似集合中元素个数为当前搜索范围内相似个数的40%-60%。
需要说明的是,进行图像去噪的方法并不仅限于上述方法,还可以采用其他方法来对采集的图像进行去噪处理。通过图像去噪处理后,能够有效地扩充光斑的有效像素。
去噪后的图像再进行二值化处理,图像二值化即是将图像上的像素点的灰度值设置为0或255,使整个图像呈现出明显的黑白效果。
其中,可以通过设置阈值对图像进行二值化,例如,以一定的准则在原始灰度图像中找出一个灰度值作为阈值T,将图像分割成两部分,灰度值大于T的部分为白色,灰度值小于T的部分为黑色,从而生成二值化后的图像。其中,该阈值的选取是阈值分割技术的关键,例如,通过传统的最大类间方差法(OSTU)获取图像二值化初始阈值。可选地,基于该红外光图像光照分布不均匀的特点,可以首先对该图像应用单列二值化处理方案,即对每一列进行OSTU法处理,得到初步阈值,再根据光照情况在初步阈值上进行调整得出此列最终的二值化阈值,进而可以通过求平均值或其他方法来对整幅图像进行二值化。
需要说明的是,本发明实施例二值化的方法并不仅限于上述方法,还可以通过其他方法对图像进行二值化。
进一步地,基于二值化后的图像,提取所述图像中红外光斑所对应的连通域。在这里,一幅图像二值化处理后往往包含多个区域,需要通过标记将它们分别提取出来,标记分割后图像中各区域的简单而有效的方法是检测各像素与其相邻像素的连通性。其中,常见的邻接关系包括4邻接和8邻接。对二值图像的连通域进行提取的方法在相关技术中均有介绍,在此不再赘述。
选取二值图像的连通域之后,基于所述图像中红外光斑所对应的连通域,计算所述红外光斑对应的中心,如图3所示,该过程具体包括:
步骤1071、提取所述红外光斑所对应的连通域内的光斑的灰度值,以作为所述光斑的有效灰度值;
步骤1072、基于所述有效灰度值,采用以所述有效灰度值的平方为权值的加权型心法计算所述红外光斑的中心。
其中,可以基于红外光斑图像建立一个二维坐标系,然后采用下述公式计算红外光斑的中心。
其中,I(i,j)是坐标为(i,j)的像素点的灰度值,S是所述连通域内像素点的集合,(x,y)是所述红外光斑的中心所对应的坐标。在这里,以灰度值的平方为权值,能够进一步提高红外光斑中心点的精度,获取更准确的红外光斑中心点。
本发明实施例提供了一种红外光斑中心点的提取方法,该方法首先对采集到的包含红外光斑的图像进行图像去噪和二值化处理,然后提取处理后的图像中红外光斑所对应的连通域,基于提取的连通域计算该连通域对应的红外光斑的中心。该方法能够获得较高精度的红外光斑中心点,使得红外光斑中心点稳定在亚像素级别。
请参照图4,本发明另一实施例提供了一种红外光斑中心点提取方法。图4与图2的区别在于,在对已去噪的图像进行二值化之前,该方法还包括:
步骤103、对所述图像进行对比度增强处理。
在提取所述图像中红外光斑所对应的连通域之后,该方法还包括:
步骤106、将所述连通域范围内增强处理后的图像进行上采样处理。
其中,对图像进行对比度增强处理包括通过线性函数或非线性函数对图像的灰度值进行变换。例如,sigma函数、指数函数等。对图像进行对比度增强处理还包括直方图均衡化方法、直方图规定化方法以及同态滤波器的方法等等。
其中,直方图均衡化方法实质是一种特定区域的展宽,但是会导致整个图像向亮的区域变换。因此,在一些实施例中,针对直方图均衡化方法的缺点,将图像的频率信息引入原有的直方图,形成加权直方图,然后对加权直方图进行平台均衡化,最后再利用频率因子对平台均衡后的图像像素进行调整,以达到对图像的增强。
在本实施例中,通过对去噪后的图像进行增强处理,可以使光斑更清晰,细化边缘,降低图像的边缘像素点对红外光斑中心的影响,使得红外光斑中心稳定在亚像素级别上。
在对增强的图像进行二值化,并提取二值化后的图像中的连通域之后,该方法还将该连通域内的图像进行上采样处理。进行上采样处理的主要目的在于得到分辨率更高的图像,并且扩充连通域内的有效像素的边界,在后续基于该连通域计算光斑中心时,可以尽量减少连通域边缘的像素点对红外光斑中心的扰动。
其中,可以对连通域内进行增强处理后的图像再进行n倍的上采样,n的大小根据具体的应用场景而定。进行上采样的方法包括双线性插值方法、最邻近插值方法、立方卷积插值方法等。使用该三种方法来对图像进行缩放处理的过程在相关技术中均有介绍,在此不再赘述。
需要说明的是,对连通域内图像进行上采样处理后,上述步骤107中,计算红外光斑的中心时,是基于进行上采样处理后所述连通域内的图像进行的。
请参照图5,图5是本发明实施例提供的一种红外光斑中心点提取装置的结构示意图。如图5所示,该装置50包括:图像采集模块51、图像去噪模块52、二值化模块53、提取模块54以及计算模块55。
其中,图像采集模块51,用于采集图像,所述图像包含至少一个红外光斑;图像去噪模块52,用于对所述图像进行去噪处理;二值化模块53,用于对已去噪的图像进行二值化;提取模块54,用于基于二值化后的图像,提取所述图像中红外光斑所对应的连通域;计算模块55,用于基于所述图像中红外光斑所对应的连通域,计算所述红外光斑对应的中心。
其中,计算模块55包括提取单元和计算单元。提取单元,用于提取所述红外光斑所对应的连通域内的光斑的灰度值,以作为所述光斑的有效灰度值;计算单元,用于基于所述有效灰度值,采用以所述有效灰度值的平方为权值的加权型心法计算所述红外光斑的中心。所述采用以所述有效灰度值的平方为权值的加权型心法计算所述红外光斑的中心的计算公式为:
其中,I(i,j)是坐标为(i,j)的像素点的灰度值,S是所述连通域内像素点的集合,(x,y)是所述红外光斑的中心所对应的坐标。
值得说明的是,上述装置内的模块、单元之间的信息交互、执行过程等内容,由于与本申请的方法实施例基于同一构思,具体内容可参见本申请方法实施例中的叙述,此处不再赘述。
本发明实施例提供了一种红外光斑中心点的提取装置,该装置首先对采集到的包含红外光斑的图像进行图像去噪和二值化处理,然后提取处理后的图像中红外光斑所对应的连通域,基于提取的连通域计算该连通域对应的红外光斑的中心。该装置能够获得较高精度的红外光斑中心点,使得红外光斑中心点稳定在亚像素级别。
请参照图6,图6是本发明另一实施例提供的一种红外光斑中心点提取装置的结构示意图。图6与图5的主要区别在于,该装置还包括:图像增强模块56和图像插值模块57。
其中,该图像增强模块56用于对所述图像进行对比度增强处理;该图像插值模块57,用于将所述连通域范围内增强处理后的图像进行上采样处理。
值得说明的是,上述装置内的模块、单元之间的信息交互、执行过程等内容,由于与本申请的方法实施例基于同一构思,具体内容可参见本申请方法实施例中的叙述,此处不再赘述。
在本实施例中,通过对去噪后的图像进行增强处理,可以使光斑更清晰,细化边缘,降低图像的边缘像素点对红外光斑中心的影响,使得红外光斑中心稳定在亚像素级别上。另外,将连通域范围内的增强后的二值化图像进行上采样处理,可以得到分辨率更高的图像,并且能扩充连通域内有效像素的边界,在后续基于连通域计算光斑中心时,可以尽量减少连通域边缘的像素点对红外光斑中心的扰动。
请参考图7,图7是本发明实施例提供的执行红外光斑中心点提取方法的电子设备60的硬件结构示意图,如图7所示,该电子设备60包括:
一个或多个处理器61以及存储器62,图7中以一个处理器61为例。
处理器61和存储器62可以通过总线或者其他方式连接,图7中以通过总线连接为例。
存储器62作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的红外光斑中心点提取方法对应的程序指令/模块(例如,附图5所示的图像采集模块51、图像去噪模块52、二值化模块53、提取模块54以及计算模块55)。处理器61通过运行存储在存储器62中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例红外光斑中心点提取方法。
存储器62可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据红外光斑中心点提取装置的使用所创建的数据等。此外,存储器62可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器62可选包括相对于处理器61远程设置的存储器,这些远程存储器可以通过网络连接至红外光斑中心点提取装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器62中,当被所述一个或者多个处理器61执行时,执行上述任意方法实施例中红外光斑中心点提取方法,例如,执行以上描述的图2中的方法步骤101、102,步骤104、105以及步骤107,图3中的方法步骤1071至步骤1072,图4中的方法步骤101至步骤107,实现图5中的模块51-55,图6中的模块51-57的功能。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
本发明实施例的电子设备以多种形式存在,包括但不限于:
(1)娱乐设备:这类设备可以采集图像,显示和播放图像内容。该类设备包括:VR设备。
(2)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(3)其他具有数据交互功能的电子装置。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种红外光斑中心点提取方法,其特征在于,所述方法包括:
采集图像,所述图像包含至少一个红外光斑;
对所述图像进行去噪处理;
对已去噪的图像进行二值化;
基于二值化后的图像,提取所述图像中红外光斑所对应的连通域;
基于所述图像中红外光斑所对应的连通域,计算所述红外光斑对应的中心。
2.根据权利要求1所述的方法,其特征在于,
所述对已去噪的图像进行二值化之前,所述方法还包括:
对所述图像进行对比度增强处理;
所述基于二值化后的图像,提取所述图像中红外光斑所对应的连通域之后,所述方法还包括:
将所述连通域范围内增强处理后的图像进行上采样处理。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述图像进行去噪处理包括:对所述图像进行高斯滤波,其中,高斯滤波核的大小为3×3。
4.根据权利要求3所述的方法,其特征在于,所述基于所述图像中红外光斑所对应的连通域,计算所述红外光斑对应的中心包括:
提取所述红外光斑所对应的连通域内的光斑的灰度值,以作为所述光斑的有效灰度值;
基于所述有效灰度值,采用以所述有效灰度值的平方为权值的加权型心法计算所述红外光斑的中心。
5.根据权利要求4所述的方法,其特征在于,所述采用以所述有效灰度值的平方为权值的加权型心法计算所述红外光斑的中心的计算公式为:
<mrow>
<mi>x</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<mi>i</mi>
<mi>I</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<mi>I</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
<mi>y</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<mi>j</mi>
<mi>I</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<mi>I</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
其中,I(i,j)是坐标为(i,j)的像素点的灰度值,S是所述连通域内像素点的集合,(x,y)是所述红外光斑的中心所对应的坐标。
6.一种红外光斑中心点提取装置,其特征在于,所述装置包括:
图像采集模块,用于采集图像,所述图像包含至少一个红外光斑;
图像去噪模块,用于对所述图像进行去噪处理;
二值化模块,用于对已去噪的图像进行二值化;
提取模块,用于基于二值化后的图像,提取所述图像中红外光斑所对应的连通域;
计算模块,用于基于所述图像中红外光斑所对应的连通域,计算所述红外光斑对应的中心。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
图像增强模块,用于对所述图像进行对比度增强处理;
图像插值模块,用于将所述连通域范围内增强处理后的图像进行上采样处理。
8.根据权利要求6或7所述的装置,其特征在于,所述图像去噪模块具体用于:对所述图像进行高斯滤波,其中,高斯滤波核的大小为3×3。
9.根据权利要求8所述的装置,其特征在于,所述计算模块包括:
提取单元,用于提取所述红外光斑所对应的连通域内的光斑的灰度值,以作为所述光斑的有效灰度值;
计算单元,用于基于所述有效灰度值,采用以所述有效灰度值的平方为权值的加权型心法计算所述红外光斑的中心。
10.根据权利要求9所述的装置,其特征在于,所述采用以所述有效灰度值的平方为权值的加权型心法计算所述红外光斑的中心的计算公式为:
<mrow>
<mi>x</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<mi>i</mi>
<mi>I</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<mi>I</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
<mi>y</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<mi>j</mi>
<mi>I</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<mi>I</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
其中,I(i,j)是坐标为(i,j)的像素点的灰度值,S是所述连通域内像素点的集合,(x,y)是所述红外光斑的中心所对应的坐标。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710214281.4A CN107133627A (zh) | 2017-04-01 | 2017-04-01 | 红外光斑中心点提取方法及装置 |
PCT/CN2017/118355 WO2018176938A1 (zh) | 2017-04-01 | 2017-12-25 | 红外光斑中心点提取方法、装置和电子设备 |
US16/106,371 US10719954B2 (en) | 2017-04-01 | 2018-08-21 | Method and electronic device for extracting a center position of an infrared spot |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710214281.4A CN107133627A (zh) | 2017-04-01 | 2017-04-01 | 红外光斑中心点提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107133627A true CN107133627A (zh) | 2017-09-05 |
Family
ID=59716275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710214281.4A Pending CN107133627A (zh) | 2017-04-01 | 2017-04-01 | 红外光斑中心点提取方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10719954B2 (zh) |
CN (1) | CN107133627A (zh) |
WO (1) | WO2018176938A1 (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018176938A1 (zh) * | 2017-04-01 | 2018-10-04 | 深圳市欢创科技有限公司 | 红外光斑中心点提取方法、装置和电子设备 |
CN110163851A (zh) * | 2019-05-06 | 2019-08-23 | 歌尔股份有限公司 | 图像上亮斑的识别方法、装置及计算机存储介质 |
CN110533643A (zh) * | 2019-08-21 | 2019-12-03 | 阿里巴巴集团控股有限公司 | 证件鉴定方法及装置 |
CN110599413A (zh) * | 2019-08-15 | 2019-12-20 | 江苏大学 | 基于深度学习卷积神经网络的激光光斑图像去噪的方法 |
CN110766624A (zh) * | 2019-10-14 | 2020-02-07 | 中国科学院光电技术研究所 | 一种基于迭代修复的点目标和暗斑图像背景均衡方法 |
CN111462225A (zh) * | 2020-03-31 | 2020-07-28 | 电子科技大学 | 一种红外光斑图像的质心识别定位方法 |
CN111640122A (zh) * | 2020-05-14 | 2020-09-08 | 长春希达电子技术有限公司 | 基于连通域的led异形显示屏光斑定位分割方法 |
CN112581374A (zh) * | 2019-09-29 | 2021-03-30 | 深圳市光鉴科技有限公司 | 散斑亚像素中心提取方法、系统、设备及介质 |
CN112950650A (zh) * | 2021-01-27 | 2021-06-11 | 广东工业大学 | 一种适用于高精度形貌测量的深度学习畸变光斑中心提取方法 |
CN113050107A (zh) * | 2021-03-11 | 2021-06-29 | 广州市合熠智能科技股份有限公司 | 一种高精度激光位移传感器智能测距系统 |
CN114565517A (zh) * | 2021-12-29 | 2022-05-31 | 骨圣元化机器人(深圳)有限公司 | 红外相机的图像去噪方法、装置及计算机设备 |
CN115205317A (zh) * | 2022-09-15 | 2022-10-18 | 山东高速集团有限公司创新研究院 | 一种桥梁监测光电标靶图像光斑中心点提取方法 |
CN117576488A (zh) * | 2024-01-17 | 2024-02-20 | 海豚乐智科技(成都)有限责任公司 | 一种基于目标图像重建的红外弱小目标检测方法 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110006095B (zh) * | 2018-06-07 | 2021-04-13 | 安徽新大陆特种涂料有限责任公司 | 多功能对流型电暖器 |
CN110020999B (zh) * | 2019-04-15 | 2023-03-14 | 中科和光(天津)应用激光技术研究所有限公司 | 一种基于同态滤波的非制冷红外热像自适应映射方法 |
KR102374211B1 (ko) * | 2019-10-28 | 2022-03-15 | 주식회사 에스오에스랩 | 객체 인식 방법 및 이를 수행하는 객체 인식 장치 |
CN111811784A (zh) * | 2020-07-02 | 2020-10-23 | 中航华东光电(上海)有限公司 | 激光光斑中心坐标确定方法、装置及设备 |
CN111932479A (zh) * | 2020-08-10 | 2020-11-13 | 中国科学院上海微系统与信息技术研究所 | 数据增强方法、系统以及终端 |
CN113192121B (zh) * | 2021-04-16 | 2024-02-02 | 西安理工大学 | 一种大气湍流下的光斑中心滑动加权质心定位方法 |
CN115205246B (zh) * | 2022-07-14 | 2024-04-09 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀电晕放电紫外图像特征提取方法和装置 |
CN117058390B (zh) * | 2023-08-28 | 2024-05-14 | 北京航空航天大学 | 一种高鲁棒性的圆形指针式表盘图像状态分割方法 |
CN117437438A (zh) * | 2023-11-01 | 2024-01-23 | 哈尔滨工业大学 | 一种远距离信标光斑跟踪识别方法、系统、设备及介质 |
CN117314924B (zh) * | 2023-11-30 | 2024-02-09 | 湖南西欧新材料有限公司 | 基于图像特征的电镀产品表面瑕疵检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987346A (zh) * | 2006-11-01 | 2007-06-27 | 北京航空航天大学 | 快速高精度光斑图像质心定位方法及装置 |
CN101344967A (zh) * | 2008-09-02 | 2009-01-14 | 西北工业大学 | 天文图像中弱小动目标的检测方法 |
CN101907954A (zh) * | 2010-07-02 | 2010-12-08 | 中国科学院深圳先进技术研究院 | 交互式投影系统及交互投影方法 |
CN105469084A (zh) * | 2015-11-20 | 2016-04-06 | 中国科学院苏州生物医学工程技术研究所 | 一种靶标中心点快速提取方法及系统 |
CN106097317A (zh) * | 2016-06-02 | 2016-11-09 | 南京康尼机电股份有限公司 | 一种基于离散余弦相位信息的多光斑检测和定位方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8068673B2 (en) | 2006-12-01 | 2011-11-29 | Beihang University | Rapid and high precision centroiding method and system for spots image |
US9274203B1 (en) * | 2013-12-12 | 2016-03-01 | The Boeing Company | Centroid locating sensors having plural spatial filtering logic circuits connected to plural digitization comparators and methods for locating an illuminated spot on a detector |
US9857918B2 (en) * | 2015-03-31 | 2018-01-02 | Fujitsu Limited | Content display control method and system |
CN107133627A (zh) * | 2017-04-01 | 2017-09-05 | 深圳市欢创科技有限公司 | 红外光斑中心点提取方法及装置 |
-
2017
- 2017-04-01 CN CN201710214281.4A patent/CN107133627A/zh active Pending
- 2017-12-25 WO PCT/CN2017/118355 patent/WO2018176938A1/zh active Application Filing
-
2018
- 2018-08-21 US US16/106,371 patent/US10719954B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987346A (zh) * | 2006-11-01 | 2007-06-27 | 北京航空航天大学 | 快速高精度光斑图像质心定位方法及装置 |
CN101344967A (zh) * | 2008-09-02 | 2009-01-14 | 西北工业大学 | 天文图像中弱小动目标的检测方法 |
CN101907954A (zh) * | 2010-07-02 | 2010-12-08 | 中国科学院深圳先进技术研究院 | 交互式投影系统及交互投影方法 |
CN105469084A (zh) * | 2015-11-20 | 2016-04-06 | 中国科学院苏州生物医学工程技术研究所 | 一种靶标中心点快速提取方法及系统 |
CN106097317A (zh) * | 2016-06-02 | 2016-11-09 | 南京康尼机电股份有限公司 | 一种基于离散余弦相位信息的多光斑检测和定位方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10719954B2 (en) | 2017-04-01 | 2020-07-21 | Shenzhen Camsense Technologies Co., Ltd | Method and electronic device for extracting a center position of an infrared spot |
WO2018176938A1 (zh) * | 2017-04-01 | 2018-10-04 | 深圳市欢创科技有限公司 | 红外光斑中心点提取方法、装置和电子设备 |
CN110163851A (zh) * | 2019-05-06 | 2019-08-23 | 歌尔股份有限公司 | 图像上亮斑的识别方法、装置及计算机存储介质 |
CN110599413A (zh) * | 2019-08-15 | 2019-12-20 | 江苏大学 | 基于深度学习卷积神经网络的激光光斑图像去噪的方法 |
CN110533643A (zh) * | 2019-08-21 | 2019-12-03 | 阿里巴巴集团控股有限公司 | 证件鉴定方法及装置 |
CN110533643B (zh) * | 2019-08-21 | 2023-06-30 | 创新先进技术有限公司 | 证件鉴定方法及装置 |
CN112581374A (zh) * | 2019-09-29 | 2021-03-30 | 深圳市光鉴科技有限公司 | 散斑亚像素中心提取方法、系统、设备及介质 |
CN110766624B (zh) * | 2019-10-14 | 2022-08-23 | 中国科学院光电技术研究所 | 一种基于迭代修复的点目标和暗斑图像背景均衡方法 |
CN110766624A (zh) * | 2019-10-14 | 2020-02-07 | 中国科学院光电技术研究所 | 一种基于迭代修复的点目标和暗斑图像背景均衡方法 |
CN111462225A (zh) * | 2020-03-31 | 2020-07-28 | 电子科技大学 | 一种红外光斑图像的质心识别定位方法 |
CN111640122A (zh) * | 2020-05-14 | 2020-09-08 | 长春希达电子技术有限公司 | 基于连通域的led异形显示屏光斑定位分割方法 |
CN111640122B (zh) * | 2020-05-14 | 2023-07-18 | 长春希达电子技术有限公司 | 基于连通域的led异形显示屏光斑定位分割方法 |
CN112950650B (zh) * | 2021-01-27 | 2023-01-20 | 广东工业大学 | 适用于高精度形貌测量的深度学习畸变光斑中心提取方法 |
CN112950650A (zh) * | 2021-01-27 | 2021-06-11 | 广东工业大学 | 一种适用于高精度形貌测量的深度学习畸变光斑中心提取方法 |
CN113050107B (zh) * | 2021-03-11 | 2021-11-02 | 广州市合熠智能科技股份有限公司 | 一种高精度激光位移传感器智能测距系统 |
CN113050107A (zh) * | 2021-03-11 | 2021-06-29 | 广州市合熠智能科技股份有限公司 | 一种高精度激光位移传感器智能测距系统 |
CN114565517A (zh) * | 2021-12-29 | 2022-05-31 | 骨圣元化机器人(深圳)有限公司 | 红外相机的图像去噪方法、装置及计算机设备 |
CN114565517B (zh) * | 2021-12-29 | 2023-09-29 | 骨圣元化机器人(深圳)有限公司 | 红外相机的图像去噪方法、装置及计算机设备 |
CN115205317A (zh) * | 2022-09-15 | 2022-10-18 | 山东高速集团有限公司创新研究院 | 一种桥梁监测光电标靶图像光斑中心点提取方法 |
CN117576488A (zh) * | 2024-01-17 | 2024-02-20 | 海豚乐智科技(成都)有限责任公司 | 一种基于目标图像重建的红外弱小目标检测方法 |
CN117576488B (zh) * | 2024-01-17 | 2024-04-05 | 海豚乐智科技(成都)有限责任公司 | 一种基于目标图像重建的红外弱小目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20180357787A1 (en) | 2018-12-13 |
WO2018176938A1 (zh) | 2018-10-04 |
US10719954B2 (en) | 2020-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133627A (zh) | 红外光斑中心点提取方法及装置 | |
Zhu et al. | A fast single image haze removal algorithm using color attenuation prior | |
CN109684925B (zh) | 一种基于深度图像的人脸活体检测方法及设备 | |
CN106716443A (zh) | 传感器元件阵列中的特征计算 | |
Neal et al. | Measuring shape | |
JP2019514123A (ja) | 地理的領域におけるコンテナ内に格納された量の遠隔決定 | |
CN107247930A (zh) | 基于cnn和选择性注意机制的sar图像目标检测方法 | |
CN109214366A (zh) | 局部目标重识别方法、装置及系统 | |
Kocak et al. | Top down saliency estimation via superpixel-based discriminative dictionaries. | |
CN104463240B (zh) | 一种仪表定位方法及装置 | |
CN110232318A (zh) | 穴位识别方法、装置、电子设备及存储介质 | |
CN109063776A (zh) | 图像再识别网络训练方法、装置和图像再识别方法及装置 | |
Li et al. | Multi-scale sparse network with cross-attention mechanism for image-based butterflies fine-grained classification | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
CN109816041A (zh) | 商品检测摄像头、商品检测方法和装置 | |
CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
CN110348434A (zh) | 相机来源鉴别方法、系统、存储介质和计算设备 | |
CN103593648A (zh) | 一个面向开放环境的人脸识别方法 | |
Asadi-Aghbolaghi et al. | Action recognition from RGB-D data: Comparison and fusion of spatio-temporal handcrafted features and deep strategies | |
CN108875500B (zh) | 行人再识别方法、装置、系统及存储介质 | |
CN110930384A (zh) | 基于密度信息的人群计数方法、装置、设备以及介质 | |
CN108876776B (zh) | 一种分类模型生成方法、眼底图像分类方法及装置 | |
CN109241981A (zh) | 一种基于稀疏编码的特征检测方法 | |
CN108875501B (zh) | 人体属性识别方法、装置、系统及存储介质 | |
CN112070181B (zh) | 一种基于图像流的协同检测方法及装置、存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170905 |
|
RJ01 | Rejection of invention patent application after publication |