CN107392849A - 基于图像细分的靶标识别与定位方法 - Google Patents
基于图像细分的靶标识别与定位方法 Download PDFInfo
- Publication number
- CN107392849A CN107392849A CN201710499854.2A CN201710499854A CN107392849A CN 107392849 A CN107392849 A CN 107392849A CN 201710499854 A CN201710499854 A CN 201710499854A CN 107392849 A CN107392849 A CN 107392849A
- Authority
- CN
- China
- Prior art keywords
- msub
- target
- image
- mrow
- mfrac
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4023—Decimation- or insertion-based scaling, e.g. pixel or line decimation
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
基于图像细分的靶标识别与定位方法,包括:按照预设像素抽取倍率对获取到的原始靶标图像进行抽取,得到低分辨率靶标图像;对所述低分辨率靶标图像进行预处理,并对预处理后的低分辨率靶标图像进行靶标粗定位,得到靶标粗定位结果,根据所述靶标粗定位结果对所述原始靶标图像进行图像截取,得到靶标局域图像;按照预设像素插值倍率对所述靶标局域图像进行插值,得到高分辨率靶标图像,根据所述高分辨率靶标图像确定原始靶标图像的靶标中心点坐标。相较于现有方法,该方法能够以更加高的速度以及频率来对靶标图像进行扫描。本方法能够减少对无效图像数据的处理,从而提高了数据处理效率以及整个靶标定位方法的实现速度。
Description
技术领域
本发明涉及靶标定位技术领域,具体地说,涉及基于图像细分的靶标识别与定位方法。
背景技术
随着工业技术的进步,大型零件设备在越来越多的领域得以应用,而对大型零件设备的变形和大空间内物体的运动状态的实时监测技术也得到了快速发展。视觉测量技术现在已成为大型构件和设备信息的最主要的监测手段。
目前,对于大型构件和设备的状态检测主要包括接触式测量和非接触式测量两种方式。接触式测量技术主要包括:人工采用卡具测量和三坐标测量机。人工采用卡具测量具有操作简单、成本低的优点,是目前生产中较多采用的一种测量方法,然而其存在着测量效率低、精度差以及无法实现动态测量的缺陷。三坐标测量机是完成三坐标测量的通用设备,其具有良好的测量精度,但测量范围有限,同样也无法实现动态测量。
非接触式检测技术主要包括激光跟踪仪、3D激光测距仪、全站仪、经纬仪以及视觉检测技术等。其中,激光跟踪仪、3D激光测距仪、全站仪和经纬仪仅适用于一般现场条件,其存在测量效率低、一次只能实现单点测量,无法实现大型构件或设备的表面信息测量的缺陷。
发明内容
发明目的:为解决上述问题,本发明提供了基于图像细分的靶标识别与定位方法。
发明方案:基于图像细分的靶标识别与定位方法,所述方法包括:
步骤一、按照预设像素抽取倍率对获取到的原始靶标图像进行抽取,得到低分辨率靶标图像;
步骤二、对所述低分辨率靶标图像进行预处理,并对预处理后的低分辨率靶标图像进行靶标粗定位,得到靶标粗定位结果,根据所述靶标粗定位结果对所述原始靶标图像进行图像截取,得到靶标局域图像;
步骤三、按照预设像素插值倍率对所述靶标局域图像进行插值,得到高分辨率靶标图像,根据所述高分辨率靶标图像确定原始靶标图像的靶标中心点坐标;
其特征在于,步骤三中根据所述高分辨率靶标图像确定靶标中心点坐标的步骤包括:
对所述高分辨率靶标图像进行亚像素边缘检测,得到亚像素边缘检测结果;
根据所述亚像素边缘检测结果进行边缘点集椭圆拟合,得到所述高分辨率靶标图像中各个拟合椭圆的椭圆参数;
根据所述亚像素边缘检测结果中边缘点集的实际边缘点像素数,按照预设方向从边缘点集中等间隔的选取多组边缘点像素;
根据所述多组边缘点像素分别进行椭圆拟合,得到多个初步拟合椭圆;
计算各个边缘点到初步拟合椭圆的边缘的欧式距离,并选取非线性最小二乘意义下欧式距离最小的初步拟合椭圆,并将该初步拟合椭圆的椭圆参数作为拟合椭圆的椭圆参数;
根据所述初步拟合椭圆的椭圆参数确定所述靶标中心点坐标。
在所述步骤二中,对所述低分辨率靶标图像进行预处理的步骤包括:
对所述低分辨率靶标图像进行二值化处理,得到二值化靶标图像;
对所述二值化靶标图像进行滤波和靶标筛选,得到靶标中心的粗略位置;
根据所述靶标中心的粗略位置和靶标尺寸,确定靶标位置区域,从而得到低分辨率靶标图像中靶标粗定位结果。
基于以下所列筛选模型中的任一项或几项来对所述二值化靶标图像进行靶标筛选:
图形特征模型、灰度模型、中心椭圆拟合模型、面积模型以及形状因子筛选模型。
根据靶标中心点的分辨率参数来确定步骤三中所述预设像素插值倍率。
基于三次样条卷积法来按照预设像素插值倍率对步骤三中所述靶标局域图像进行插值。
根据所述高分辨率靶标图像中各个初步拟合椭圆的椭圆参数计算步骤三中所述靶标中心点坐标的步骤包括:
计算所述高分辨率靶标图像中各个初步拟合椭圆的中心点坐标之间的距离,并判断该距离是否大于预设距离阈值,
其中,如果不大于,则根据所述各个初步拟合椭圆的中心坐标的均值确定所述靶标中心点坐标;
如果大于,则基于预设靶标变形模型,根据所述靶标局域图像中各个初步拟合椭圆的中心点坐标,计算所述靶标中心点坐标。
基于预设靶标变形模型计算所述靶标中心点坐标的步骤包括:
构建所述高分辨率靶标图像中初步拟合椭圆的中心点连线,根据所述中心点连线与各个初步拟合椭圆的交点确定参考像素点;
根据所述参考像素点的坐标计算所述靶标中心点坐标。
根据如下表达式计算所述靶标中心点坐标:
其中,(uA,vA)、(uB,vB)、(uC,vC)和(uD,vD)分别表示高分辨率靶标图像中初步拟合椭圆的中心点连线与两个初步拟合椭圆的交点A、B、C和D的坐标,(uO,vO)表示靶标中心点坐标,Rb和Ra分别表示两个初步拟合椭圆中大圆和小圆的半径。
本发明的有益效果:本方法首先对拼接得到的靶标图像(即原始靶标图像)进行了像素抽取得到了低分辨率靶标图像,随后根据该低分辨率靶标图像得到了靶标位置区域,最后根据上述靶标位置区域来从拼接得到的靶标图像截取出了包含靶标的图像区域,这样显然能够减少对无效图像数据(即不属于靶标的图像数据)的处理,从而提高了数据处理效率以及整个靶标定位方法的实现速度。
附图说明
图1是本发明靶标定位方法的实现流程示意图;
图2是本发明利用线阵图像传感器采集靶标图像的原理示意图;
图3是本发明线阵图像传感器所获取到的线阵图像数据的示意图;
图4是本发明对线阵图像进行拼接的具体实现流程示意图;
图5是本发明确定列间隔数的流程示意图;
图6是本发明对靶标图像进行靶标粗定位的流程示意图;
图7是本发明对靶标局域图像进行靶标中心定位的实现流程示意图;
图8是本发明三次样卷积法的示意图;
图9是本发明椭圆主要参数示意图;
图10是本发明实际边缘点取样方向示意图;
图11是本发明空间同心圆的投影示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,
图1示出了本实施例所提供的靶标定位方法的实现流程示意图。
如图1所示,该方法在步骤S101中获取线阵图像传感器传输来的线阵图像数据。本实施例采用了线阵图像传感器来获取靶标的图像,图2示出了利用线阵图像传感器采集靶标图像的原理示意图。如图2所示,当棱镜处于位置P(即图中实线棱镜所示)时,靶标中A位置所发出的光线将通过棱镜的反射而入射到线阵图像传感器C中,从而使得线阵图像传感器C采集到靶标中A位置处的图像。而当棱镜转动到位置M(即图中虚线棱镜所示)时,靶标中A位置处所发出的光线将无法入射到线阵图像传感器C中,此时靶标中B位置处所发出的光线将通过棱镜的反射而入射到线阵图像传感器C中,从而使得线阵图像传感器C采集到靶标B位置处的图像。基于该原理,通过棱镜的转动,线阵图像传感器也就能够获取到指定区域的图像,而靶标正是位于上述指定区域中的,因此该线阵图像传感器所获取到的图像中也就包含靶标图像。
如图3所示,本实施例中,线阵图像传感器所获取到的图像是连续均匀的线阵图像数据,在一个采集周期内,其总共能够获取到共计M帧的线阵图像数据。而线阵图像传感器每一列所包含的像素数为N个,那么在一个采集周期内,线阵图像传感器将能够获取到分辨率为N×M的图像数据。
而为了实现线阵图像数据到面阵图像数据的转换,也就需要采用图像拼接技术。如图1所示,在获取到线阵图像数据后,本实施例所提供的方法会在步骤S102中对上述线阵图像数据进行拼接,从而得到靶标图像(即原始靶标图像)。
图4示出了本实施例中对线阵图像进行拼接的具体实现流程示意图。
如图4所示,本实施例所提供的方法在进行图像拼接过程中,首先会在步骤S401中获取当前图像帧的线阵图像数据,并将当前图像帧的线阵图像数据存储到帧缓冲区中。
在步骤S402中,该方法会判断当前图像帧是否为同步帧。如果当前图像帧不为同步帧,那么则表示当前采集周期尚未结束,即线阵图像传感器并未完成共计M帧的线阵图像数据的采集,因此此时该方法将会在步骤S403中将下一图像帧作为当前图像帧,并返回步骤S401。而如果当前图像帧为同步帧,那么则表示当前采集周围已经结束,此时帧缓冲区中已经存储了当前采集周期中的所有图像帧的线阵图像数据,因此该方法也就会在步骤S404中读取帧缓冲区内所存储的所有图像帧,并判断所读取到的图像帧的数量是否小于第一预设帧数阈值。
本实施例中,上述第一预设帧数阈值优选地设置为M。如果所读取到的图像帧的数量等于第一预设帧数阈值,那么也就表明在读取过程中不存在丢帧现象,因此此时该方法也就可以在步骤S408中根据预设列间隔数来从图像帧中提取出用于进行图像拼接的有效图像帧。
而如果所读取到的图像帧的数量小于第一预设帧数阈值,那么该方法会在步骤S405中进一步判断所读取到的图像帧的数量是否小于第二预设帧数阈值。其中,如果所读取到的图像帧的数量小于第一预设帧数阈值但大于或等于第二预设帧数阈值,那么也就表明在读取过程中存在丢帧现象,此时该方法就会在步骤S407中对所读取到的帧缓冲区内所存储的所有图像帧进行帧插值处理,从而使得帧插值处理后的图像帧的总数等于第一预设帧数阈值。
而如果所读取到的图像帧的数量小于第二预设帧数阈值,那么则表明在读取过程中存在严重过的丢帧现象,此时该方法也就会在步骤S406中将当前拼接周期标记为错误周期,并清除帧缓冲区,然后在返回步骤S401以重新获取相关线阵图像数据。
需要指出的是,上述第二预设帧数阈值可以根据实际需要设置为小于第一预设帧数阈值的不同合理值,本发明不限于此。
在步骤S408中,该方法会根据预设列间隔数来从所得到的图像帧中提取出用于图像拼接的有效图像帧。
对于线阵图像传感器来说,其感光区域只有一列像素,因此也就必须在相对连续运动的情况下才能够形成二维的图像,但并不是任意的运动速度都可以采集到正确不失真的图像。线阵图像传感器具有固定的列扫描周期,当它仅按本身的扫描周期采集图像而与被摄物体运动速度不同步时,便会出现图像模糊的情形,其釆集的图像通常是失真的,可能丢失重要的数据或者增加重复无用的数据,呈现出被测物体的压缩或拉伸图像,从而给检测与测量带来较大的误差,因此取得正确而且等比例的图像是线扫描成像处理系统的关键。
线扫描成像系统必须含有运动控制才能正常取像,运动控制最重要的环节是确定线扫描相机的列频率和运动速度之间的关系,只有扫描频率和运动速度处于正确的匹配关系才可以得到正确不失真的图像。而要保证采集到的图像不被拉伸或者压缩,必须遵从一点:物体的横向和纵向的分辨率相等,即一个行同步周期中物体移动的距离与像素采样的实际尺寸相同。
正如图3所示,本实施例中,该方法所获取到的图像的分辨率为N×M,其中,M≥N。因此,为了使得物体的航向和纵向的分辨率相等,也就需要按照特定的列间隔数来从M列图像帧中提取出N列的有效图像帧,并根据该N列有效图像帧来拼接得到N×N的靶标图像。
假设线阵图像传感器每列的像素数为NC,被摄物体的高度为W0,被摄物体等效运动速度为V0,线阵图像传感器的实际扫描速率(即实际列频)为VC,扫描被摄物体一幅图像的过程中被摄物体的相对运动时长为T0,扫描被摄物体一帧图像(即一列图像)的时长为TC,显然T0=TC。这样,存在:
其中,PH表示纵向精度,即每个像素代表的实际宽度;PL表示横向精度,即每个像素扫描的实际长度。
根据“横向和纵向的分辨率相等”的原则,使得图像保持不失真的最佳移动速度与相机的扫描速率需满足以下关系:
其中,f表示线阵图像传感器的最佳列频,即使得图像保持不失真时线阵图像传感器的列频。
当镜头和线阵图像传感器选定的时候,图像的纵向精度是固定的值,该值等于像素尺寸除以光学放大率。在线阵图像传感器列频不变的情况下,图像的横向精度是随着物体的相对运动速度而变化的。其中,当物体相对速度过快时,实际图像将被压缩,会造成某些数据段丢失;当物体相对速度过慢时,实际图像将被拉伸,会带来重复无用数据。
由于物体的运动速度并不会影响图像的纵向精度,因此为了获取运动物体清晰的图像,避免图像模糊,线扫描图像必须锁定横向精度,即横向精度始终等于纵向精度,从而在物体运动速度变化时,线扫描组件仍能够获取到正确且等比例的影响。
基于上述线阵图像传感器的扫描特点,本实施例所提供的方法采用了如图5所示的方法来计算上述预设列间隔数。如图5所示,该方法会在步骤S501中根据线阵图像传感器的每列的像素数NC、被摄物体等效运动速度V0和被摄物体的高度W0来计算线阵图像传感器的最佳列频f。
具体地,本实施例中,该方法根据如下表达式来计算线阵图像传感器的最佳列频f:
在步骤S502中,该方法会根据线阵图像传感器的最佳列频f和实际列频VC来计算上述预设列间隔数n。具体地,本实施例中,该方法根据如下表达式计算上预设列间隔数n:
再次如图4所示,在提取出用于图像拼接的有效图像帧后,该方法会在步骤S409中对上述有效图像帧的线阵图像数据进行预处理,并在步骤S410中对预处理后的有效图像帧进行拼接。在拼接完成后,该方法会在步骤S411中清除该帧缓冲区,以备下一图像采集周期的使用。
对于本发明所提供的靶标的定位方法来说,图像畸变直接影响靶标的位置精度。因此,本实施例中,该方法在步骤S410中通过对上述有效图像帧的线阵图像数据进行畸变校正来消除图像畸变。其中,通过分析发现,图像畸变主要来自于光学镜头所产产生的畸变,因此为了提高测量精度,本方法有限的利用数字图像校正技术来对F-θ畸变进行校正。
本实施例中,该方法还可以在得到畸变系数后判断所标定的畸变系数是否满足畸变校正精度的要求。具体地,根据实际情况,其可以采用公称值法,即将设置的标定靶标当作测量靶标,当采用畸变校正和不采用畸变校正时,分别计算靶标之间的距离,与靶标之间的公称值(已知的标准值)相比较,判断误差是否控制在指定范围(例如0.001%)内。该方法还可以在畸变校正前和畸变校正后分别测量靶标的半径和椭圆度,以此判断畸变的校正效果。
需要指出的是,在本发明的其他实施例中,该方法还可以采用其他合理方式来对步骤S408中所获取到的有效图像帧的线阵图像数据进行预处理,本发明不限于此。
再次如图4所示,在完成上述预处理过程后,该方法会在步骤S410中对预处理后的有效图像帧进行拼接。具体地,该方法根据各个有效图像帧的时间顺序进行拼接,从而得到不失真的靶标图像。
在得到靶标图像后,该方法会在步骤S411中清楚上述帧缓冲区,从而为下一采集周期做准备。
一个拼接周期内所进行的操作主要包括针对线阵图像数据的预处理操作以及针对有效图像帧的拼接操作。在串行处理条件下,一个拼接周期的耗时T可以采用如下表达式计算:
T=(Tp+Tg)*Q (6)
其中,Tp表示对一个图像帧的线阵图像数据进行预处理所耗费的时长,Tg表示对一个图像帧进行拼接的平均耗时,Q表示需要处理的图像帧的数量。
在实际处理过程中,拼接操作主要是包括内存和显存的拷贝,其耗时通常为微秒级甚至是纳秒级,其对总耗时的影响较小,因此本实施例所提供的方法通过降低对所有图像帧的线阵图像数据进行预处理所耗费的总时长来减小拼接周期的耗时T。
具体地,本实施例中,本方法采用GPU来实现上述预处理操作以及拼接操作。具体地,该方法将需要处理的图像帧分配制多个流处理器来处理。假设需要处理的图像帧的数量为10000个,GPU可以分配500个流处理器,那么每个流处理器也就可以负责对20帧的线阵图像数据进行预处理操作。理论上这些流处理器可以并行工作且不存在线程切换造成的额外损耗。因此通过这种方式,GPU完成一个拼接周期所有处理操作所耗费的时长可以变为T′:
T′=Tp′*20+Tg*10000 (7)
其中,Tp′表示GPU的单个流处理器完成1帧线阵图像数据的预处理操作的耗时时长,其存在如下关系:
Tp′=Tp*k (8)
其中,k表示GPU流处理器与CPU性能的比例因子。
需要指出的是,在本发明的其他实施例中,根据实际需要,该方法在对线阵图像数据进行拼接的过程中,还可以首先将满足第一预设帧数阈值的所有图像帧的线阵图像数据进行预处理,随后再对预处理后的满足第一预设帧数阈值的所有图像帧进行拼接,最后再对拼接得到的图像进行有效帧的提取,从而保证得到的靶标图像为不失真的图像。
在得到靶标图像后,如图1所示,该方法会在步骤S103中按照预设倍率对上述原始靶标图像进行像素抽取,从而得到低分辨率靶标图像,随后对该低分辨率靶标图像进预处理,并对预处理后的低分辨率靶标图像进行靶标粗定位,从而得到靶标粗定位结果(即靶标位置区域)。在步骤S104中,该方法会根据步骤S103中所得到的靶标位置区域来对步骤S102中所得到的原始靶标图像进行截取,从而得到靶标局域图像。
具体地,本实施例所提供的方法采用如图6所示的方式来对原始靶标图像进行像素抽取、预处理以及靶标粗定位。
如图6所示,本实施例中,在得到靶标图像后,该方法会在步骤S601中按照预设像素抽取倍率对靶标图像进行像素抽取,从而得到低分辨率靶标图像。具体地,本实施例中,该方法优选地按照16倍率来对靶标图像进行像素抽取,即对于16×16的像素区域来说,该方法在步骤S601中在该像素区域中提取出一个有效像素点。
需要指出的是,在本发明的不同实施例中,该方法在步骤S601中可以采用不同的合理方式来进行像素抽取,本发明不限于此。例如,在本发明的一个实施例中,该方法既可以通过提取出像素区域中的某一像素点(例如中心点)的方式来进行像素抽取,也可以通过计算像素区域中所有像素点的平均值的方式来进行像素抽取。
通过对靶标图像进行像素抽取,该方法可以大大减少后续图像处理步骤中所需要处理的数据量,从而有助于提高数据处理效率以及处理速度。具体地,例如,本实施例所得到的靶标图像的像素数为8192×8192,那么通过像素抽取所得到的低分辨率靶标图像的像素数将减少为约26.2万。
在得到低分辨率靶标图像后,该方法会在步骤S602中对上述低分辨率靶标图像进行二值化处理,从而得到二值化靶标图像。具体地,本实施例中,该方法优选地采用改进大津法来对低分辨率靶标图像进行二值化处理,这能够在一定程度上抑制光照变化对图像处理所带来的影响。
当然,在本发明的其他实施例中,该方法也可以采用其他合理算法来对上述低分辨率靶标图像进行二值化处理,本发明不限于此。
如图6所示,在得到二值化靶标图像后,该方法会在步骤S603中对上述二值化靶标图像进行滤波处理以及靶标筛选处理。具体地,对于二值化靶标图像而言,靶标作为大目标得到了突出和保留,但是由于图像拍摄过程中的光照和背景的影响,二值化靶标图像中仍可能存在很多杂散的点噪声,因此本实施例所提供的方法通过对二值化靶标图像进行滤波处理(例如利用小于靶标图像大小的较大结构元素对二值化靶标图像进行腐蚀膨胀处理)来滤除上述点噪声。
在步骤S603中,该方法还会对滤波处理后的二值化靶标图像进行靶标筛选处理。在靶标图像拍摄过程中,由于工业环境通常较为复杂,因此所得到的靶标图像很可能并非只有靶标的形状。例如,如果工业环境中含有灰度接近编码标志点的其他图像或者由于背景的结构化特征的影响,靶标图像中难免会有较大的伪目标,该伪目标的尺寸很可能与靶标相仿或者大于靶标尺寸,因此在对靶标图像进行二值化处理后,上述非目标的杂质图形的轮廓或区块也会包含在二值化靶标图像中。在去除杂散噪声后,二值化靶标图像中还可能保留有一些较大的区域或团块,而这些伪目标会对后续靶标中心的粗定位造成影响,因此本实施例所提供的方法便在步骤S603中通过靶标筛选来去除上述伪目标。
具体地,本实施例中,该方法优选地采用非线性滤波和/或形态分析等方式来进行靶标筛选。其中,靶标筛选过程所采用的筛选模型主要包括:图形特征模型、灰度模型、中心椭圆拟合模型、面积模型以及形状因子筛选模型。
对于图形特征模型来说,该方法可以根据根据靶标的大小和拍摄距离的估算,通过设定一定的阈值参数,将非圆形的区域或区块滤除。如果采用到形态分析,可能会导致系统的实时性不够。因此该方法可以先假设二值图像中所遇到的干扰区块的尺寸均小于靶标,这样可以采用数学形态学中的腐蚀和膨胀运算取出小的区块的杂散噪声和干扰。
对于靶标图像来说,其前景与背景对比度区别较大,这时靶标目标和其他干扰背景的明显的区别特征,因此该方法也就可以根据这一灰度特征进一步去除干扰目标。
只根据圆度的判断准则不一定能将全部的非目标区域去除掉,还需要根据椭圆的拟合误差作进一步的处理。将当前区域的所有边缘像素点进行椭圆拟合,如果拟合的残差过大,则也需要剔除掉。
在面积模型中,由于在单位环带的面积一定小于中心圆点的面积,因此利用伪圆点与真正圆形点的面积上的差距,该方法也就可以对面积进行比较来舍弃掉“伪圆点”。
对于形状因子筛选模型来说,根据圆的特性制定一个特征因子,用C表示,其比例式为:
其中,P表示周长,A表示面积。C是一个仅与形状有关的特征,而且随着圆形的旋转、缩放和平移,C的值是不发生变化的。在面积一定的情况下,当图形边界凹凸变化剧烈时,图形周长相应的也增大,C值也就增大。
对于圆形来说,在所有相同面积的几何图形中,其周长最小。理想状态下,圆形形状因子C=1。因此该方法也就可以利用形状因子来区别圆形与其他图形,特别是与编码带环段的区别。
然而,由于中心圆所成的像是椭圆,单纯用C=1对图形进行处理,会删除掉许多符合后期处理的中心圆的像,显然这种情况在图像处理过程中是不允许的。因此,需要对形状因子C设定一定的取值范围,比如1≤C≤ε,所有形状因子能取在该区间的图形,均暂时认为是中心圆。
上述基于形状因子的识别过程较为简单,计算形状因子所需的量如周长、面积根据像素个数即可获取,通过这一个准则就能将编码标志点的编码带进行剔除,区间选择恰当的话,处理后的图像中只保留了中心圆点和圆形标志点的圆点,处理时间短。
其次,对于距离镜头较远的标志点来说,这些标志点能够得到有效的保留,确保了所有标志点的获取。
经过上述多个模型的判别,该方法能够有效剔除二值化靶标图像中的非靶标信息,从而有效保证图像中包含了准确的靶标信息,为后续的靶标粗定位奠定基础。
需要指出的是,在本发明的其他实施例中,如果对二值化靶标图像中已经不存在很杂散的噪声,该方法也就可以不对二值化靶标图像进行滤波处理。
如图6所示,在得到完成对二值化靶标图像的滤波处理以及靶标筛选处理后,该方法会在步骤S604中根据步骤S603处理得到的二值化靶标图像确定靶标中心的粗略位置。
在得到靶标中心点的粗略位置后,该方法也就可以在步骤S605中根据该靶标中心点的粗略位置以及已知的实际靶标尺寸,得到靶标位置区域。
需要指出的是,在本发明的其他实施例中,该方法也可以采用其他合理方式来对靶标图像进行靶标粗定位,本发明不限于此。
再次如图1所示,在得到靶标局域图像后,本实施例所提供的方法在步骤S105中根据步骤S104中所得到的靶局域图像进行靶标中心定位,从而得到靶标图像的靶标中心点坐标。
图7示出了本实施例中对靶标局域图像进行靶标中心定位的实现流程示意图。
为了保证系统的测量精度,本实施例所提供的方法采用图像细分的方式来对上述靶标局域图像进行处理。具体地,如图7所示,本方法在步骤S701中按照预设插值倍率来对靶标局域图像进行插值,从而得到高分辨率靶标图像。
本实施例中,该方法优选地通过靶标中心点的分辨率参数来确定上述预设像素插值倍率。例如,对于8192分辨率的线阵图像传感器来说,如果设定其视场为90度,那么每个像素所对应的角度为39″。而为了保证水平方向和垂直方向3″的测量精度,也就需要将插值倍率设置为16。
本实施例中,该方法优选地采用三次样条卷积法来对靶标局域图像进行插值。图8示意性地示出了三次样卷积法的示意图,其中,倒三角形部分为待求像素,其邻近的16个像素点分别用黑点表示。这样待求像素的灰度值可以根据如下表达式计算得到:
f(i+μ,j+ν)=ABC μ,ν=0,1,2,3 (10)
其中,B为16个邻域像素的灰度值矩阵。
A=[s(1+μ) s(μ) s(1-μ) s(2-μ)] (11)
C=[s(1+ν) s(ν) s(1-ν) s(2-ν)]T (12)
通过采用三次样条卷积法对靶标局域图像进行插值,本方法有效提高了靶标的细分精度。
在得到高分辨率靶标图像后,该方法会在步骤S702中对上述高分辨率靶标图像进行亚像素边缘检测,从而得到亚像素边缘检测结果。具体地,本实施例所提供的方法优选地采用基于不变距的亚像素边缘检测方式。当然,在本发明的其他实施例中,该方法还可以采用其他合理的方式来对高分辨率靶标图像进行亚像素边缘检测,本发明不限于此。
在得到亚像素边缘检测结果后,该方法在步骤S703中根据上述亚像素边缘检测结果进行靶标椭圆拟合,从而得到靶标局域图像中各个椭圆环的椭圆参数。本实施例中,该方法优选地从亚像素边缘检测结果中选取至少5个像素点来基于最小二乘法进行靶标椭圆拟合。
椭圆拟合算法表达式如下所示:
A′x2+B′xy+C′y2+D′x+E′y+F′=0 (14)
其中,A′、B′、C′、D′、E′以及F′均表示表达系数。其中,上述表达系数可以通过椭圆拟合得到。
当用于拟合的像素点的数量足够(例如大于或等于5个)时便可以得椭圆参数。本实施例中,根据如下表达式来计算出如图9所示的各个椭圆参数:
其中,(x0,y0)表示拟合椭圆的瞳孔中心坐标,a和b分别表示拟合椭圆的长轴和短轴,α表示旋转角,p表示长短轴比。
本实施例中,为了使得拟合椭圆边缘与实际椭圆边缘更加吻合,本方法从如图10所示的实际椭圆边缘的左边最上端边缘点至右边最上端边缘点根据实际边缘点数(即边缘像素数)等间隔取样多组,其中,每组具有相同的像素点(例如每组5个像素点)。利用各组像素点分别进行椭圆拟合,从而得到了多组拟合椭圆的边缘。该方法通过计算来从上述多组拟合椭圆的边缘中找出到实际椭圆的边缘的欧式距离在非线性最小二乘意义下最小的一组,并将该组拟合椭圆的边缘作为最优的边缘。
对于亚像素边缘检测结果中的某一像素点(xi,yi)来说,其实际边缘到椭圆中心的欧式距离表示为:
对上述像素点所对应的拟合椭圆的边缘中像素点(x,y)到椭圆中心的欧式距离表示为:
拟合椭圆的边缘到实际椭圆的边缘的欧式距离表示为:
取所有实际椭圆的边缘到拟合椭圆的边缘距离平方和最小为最小二乘意义下的最优拟合,其函数为:
式中:
其中,N表示实际边缘点的数量,θ表示拟合椭圆的边缘参数。当M取最小值时,即得到与边缘点在非线性最小二乘意义下拟合的最优的椭圆,进而得到该最优椭圆的椭圆参数。
本发明所使用的靶标为同心多环形的靶标,根据成像原理,圆形目标成像为椭圆形,因此该方法在步骤S703中可以得到靶标局域图像中各个椭圆环的椭圆参数。最后,在步骤S704中,该方法也就可以根据上述多个椭圆环的椭圆参数来确定靶标的中心点坐标。
正如前述内容所说的,根据成像原理,圆形目标成像为椭圆形,那么圆形的靶标就会因为椭圆成像而减小成像尺寸。同时,椭圆像的中心并不是圆形目标的中心,因此本实施例所提供的方法也就利用靶标局域图像中多个椭圆环的椭圆参数来确定靶标的中心点坐标。
如图11所示,空间中的同心圆(即点a与点d所处的圆环与点b和点c所处的圆环为同心圆),在经过透视投影变换后,在图像中所成的椭圆的圆心位于同一条直线上,且该直线通过空间中同心圆的圆心点经过透视投影变换在图像中的投影点(即点Op)。
因此在空间中设置由两个圆环形成的同心圆,经过透视投影变换后,提取图像中同心圆的亚像素边缘,采用椭圆拟合求取两个椭圆的圆心。如果两个椭圆的圆心之间的图像距离(即两个椭圆的中心点坐标之间的距离)小于预设距离与之值(如0.01个像素点),那么可以认为两个椭圆的圆心是重合的,因此本方法也就可以选取两个椭圆的中心点坐标的均值作为靶标的中心点真实投影点的坐标;
而如果两个椭圆的圆心之间的距离大于预设距离阈值,那么本方法则会基于预设靶标变形模型,来根据靶标局域图像中各个椭圆环的椭圆参数来确定靶标中心点坐标。
具体地,本方法将两个椭圆环的中心点连成一条直线,该直线与这两个椭圆环的边缘交于A、B、C、D四个点,此时可以得到A、B、C、D四个点的坐标(uA,vA)、(uB,vB)、(uC,vC)和(uD,vD)。
假定同心圆的圆心点在图像中的真实投影点为O(uO,vO),利用摄影变换中存在的交比不变性质,建立图像上上述五个点所组成的直线与空间物体平面上圆的直径之间的对应关系:
其中,Rb和Ra分别表示两个椭圆环中大圆和小圆的半径。
通过求解上述三个表达式,也就可以得到同心圆的圆心点在图像中的真实投影点的位置(uo,vo)。
从上述描述中可以看出,本发明所提供的靶标定位方法利用线阵图像传感器来获取靶标的图像,相较于现有方法,该方法能够以更加高的速度以及频率来对靶标图像进行扫描。
由于线阵图像传感器所获取到的为线阵图像数据,因此为了获取到不失真的面阵图像,本方法根据线阵图像传感器以及光学系统的相关参数来计算得到了使得面真图像失真的图像帧提取参数(即列间隔数),这样也就为后续对靶标中心点进行准确定位奠定了基础。
同时,为了减少图像处理过程中所需要处理的数据量,本方法首先对拼接得到的靶标图像(即原始靶标图像)进行了像素抽取得到了低分辨率靶标图像,随后根据该低分辨率靶标图像得到了靶标位置区域,最后根据上述靶标位置区域来从拼接得到的靶标图像截取出了包含靶标的图像区域,这样显然能够减少对无效图像数据(即不属于靶标的图像数据)的处理,从而提高了数据处理效率以及整个靶标定位方法的实现速度。
此外,针对圆形目标成像为椭圆形但多个同心圆环所成像出的多个椭圆环的中心点并不一定处于同一位置的问题,本方法利用各个椭圆换的椭圆参数来计算同心圆环的中心点坐标,从而使得最终得到的靶标中心点坐标更为准确、可靠。
借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
同时,在以上说明中,出于解释的目的而阐述了许多具体细节,以提供对本发明实施例的彻底理解。然而,对本领域的技术人员来说显而易见的是,本发明可以不用这里的具体细节或者所描述的特定方式来实施。
另外,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
Claims (8)
1.基于图像细分的靶标识别与定位方法,所述方法包括:
步骤一、按照预设像素抽取倍率对获取到的原始靶标图像进行抽取,得到低分辨率靶标图像;
步骤二、对所述低分辨率靶标图像进行预处理,并对预处理后的低分辨率靶标图像进行靶标粗定位,得到靶标粗定位结果,根据所述靶标粗定位结果对所述原始靶标图像进行图像截取,得到靶标局域图像;
步骤三、按照预设像素插值倍率对所述靶标局域图像进行插值,得到高分辨率靶标图像,根据所述高分辨率靶标图像确定原始靶标图像的靶标中心点坐标;
其特征在于,步骤三中根据所述高分辨率靶标图像确定靶标中心点坐标的步骤包括:
对所述高分辨率靶标图像进行亚像素边缘检测,得到亚像素边缘检测结果;
根据所述亚像素边缘检测结果进行边缘点集椭圆拟合,得到所述高分辨率靶标图像中各个拟合椭圆的椭圆参数;
根据所述亚像素边缘检测结果中边缘点集的实际边缘点像素数,按照预设方向从边缘点集中等间隔的选取多组边缘点像素;
根据所述多组边缘点像素分别进行椭圆拟合,得到多个初步拟合椭圆;
计算各个边缘点到初步拟合椭圆的边缘的欧式距离,并选取非线性最小二乘意义下欧式距离最小的初步拟合椭圆,并将该初步拟合椭圆的椭圆参数作为拟合椭圆的椭圆参数;
根据所述初步拟合椭圆的椭圆参数确定所述靶标中心点坐标。
2.如权利要求1所述的基于图像细分的靶标识别与定位方法,其特征在于,在所述步骤二中,对所述低分辨率靶标图像进行预处理的步骤包括:
对所述低分辨率靶标图像进行二值化处理,得到二值化靶标图像;
对所述二值化靶标图像进行滤波和靶标筛选,得到靶标中心的粗略位置;
根据所述靶标中心的粗略位置和靶标尺寸,确定靶标位置区域,从而得到低分辨率靶标图像中靶标粗定位结果。
3.如权利要求2所述的基于图像细分的靶标识别与定位方法,其特征在于,基于以下所列筛选模型中的任一项或几项来对所述二值化靶标图像进行靶标筛选:
图形特征模型、灰度模型、中心椭圆拟合模型、面积模型以及形状因子筛选模型。
4.如权利要求1~3中任一项所述的基于图像细分的靶标识别与定位方法,其特征在于,根据靶标中心点的分辨率参数来确定步骤三中所述预设像素插值倍率。
5.如权利要求4所述的基于图像细分的靶标识别与定位方法,其特征在于,基于三次样条卷积法来按照预设像素插值倍率对步骤三中所述靶标局域图像进行插值。
6.如权利要求5所述的基于图像细分的靶标识别与定位方法,其特征在于,根据所述高分辨率靶标图像中各个初步拟合椭圆的椭圆参数计算步骤三中所述靶标中心点坐标的步骤包括:
计算所述高分辨率靶标图像中各个初步拟合椭圆的中心点坐标之间的距离,并判断该距离是否大于预设距离阈值,
其中,如果不大于,则根据所述各个初步拟合椭圆的中心坐标的均值确定所述靶标中心点坐标;
如果大于,则基于预设靶标变形模型,根据所述靶标局域图像中各个初步拟合椭圆的中心点坐标,计算所述靶标中心点坐标。
7.如权利要求6所述的基于图像细分的靶标识别与定位方法,其特征在于,基于预设靶标变形模型计算所述靶标中心点坐标的步骤包括:
构建所述高分辨率靶标图像中椭圆环的中心点连线,根据所述中心点连线与各个椭圆环的交点确定参考像素点;
根据所述参考像素点的坐标计算所述靶标中心点坐标。
8.如权利要求7所述的基于图像细分的靶标识别与定位方法,其特征在于,根据如下表达式计算所述靶标中心点坐标:
<mrow>
<mfrac>
<mrow>
<msub>
<mi>u</mi>
<mi>O</mi>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>A</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>u</mi>
<mi>O</mi>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>B</mi>
</msub>
</mrow>
</mfrac>
<mo>:</mo>
<mfrac>
<mrow>
<msub>
<mi>u</mi>
<mi>C</mi>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>A</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>u</mi>
<mi>C</mi>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>B</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<msub>
<mi>R</mi>
<mi>b</mi>
</msub>
<msub>
<mi>R</mi>
<mi>a</mi>
</msub>
</mfrac>
<mo>:</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mi>b</mi>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mi>a</mi>
</msub>
</mrow>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mi>a</mi>
</msub>
</mrow>
</mfrac>
</mrow>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>v</mi>
<mi>O</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>A</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>v</mi>
<mi>O</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>B</mi>
</msub>
</mrow>
</mfrac>
<mo>:</mo>
<mfrac>
<mrow>
<msub>
<mi>v</mi>
<mi>C</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>A</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>v</mi>
<mi>C</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>B</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<msub>
<mi>R</mi>
<mi>b</mi>
</msub>
<msub>
<mi>R</mi>
<mi>a</mi>
</msub>
</mfrac>
<mo>:</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mi>b</mi>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mi>a</mi>
</msub>
</mrow>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mi>a</mi>
</msub>
</mrow>
</mfrac>
</mrow>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>v</mi>
<mi>C</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>B</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>v</mi>
<mi>C</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>O</mi>
</msub>
</mrow>
</mfrac>
<mo>:</mo>
<mfrac>
<mrow>
<msub>
<mi>v</mi>
<mi>D</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>B</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>v</mi>
<mi>D</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>O</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mi>a</mi>
</msub>
</mrow>
<msub>
<mi>R</mi>
<mi>a</mi>
</msub>
</mfrac>
<mo>:</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mi>b</mi>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mi>a</mi>
</msub>
</mrow>
<msub>
<mi>R</mi>
<mi>b</mi>
</msub>
</mfrac>
</mrow>
其中,(uA,vA)、(uB,vB)、(uC,vC)和(uD,vD)分别表示高分辨率靶标图像中初步拟合椭圆的中心点连线与两个初步拟合椭圆的交点A、B、C和D的坐标,(uO,vO)表示靶标中心点坐标,Rb和Ra分别表示两个初步拟合椭圆中大圆和小圆的半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710499854.2A CN107392849B (zh) | 2017-06-27 | 2017-06-27 | 基于图像细分的靶标识别与定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710499854.2A CN107392849B (zh) | 2017-06-27 | 2017-06-27 | 基于图像细分的靶标识别与定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392849A true CN107392849A (zh) | 2017-11-24 |
CN107392849B CN107392849B (zh) | 2021-02-05 |
Family
ID=60332826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710499854.2A Active CN107392849B (zh) | 2017-06-27 | 2017-06-27 | 基于图像细分的靶标识别与定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392849B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767436A (zh) * | 2019-01-07 | 2019-05-17 | 深圳市创业印章实业有限公司 | 一种印章真伪鉴别的方法及装置 |
CN110007068A (zh) * | 2019-03-25 | 2019-07-12 | 桂林优利特医疗电子有限公司 | 一种尿液漏滴检测方法 |
CN111002376A (zh) * | 2019-11-27 | 2020-04-14 | 惠州市金百泽电路科技有限公司 | Pcb板内层靶标孔智能防呆的方法 |
CN112104418A (zh) * | 2020-07-27 | 2020-12-18 | 浙江大学 | 一种基于形态识别的无线光通信的atp方法和系统 |
CN113310420A (zh) * | 2021-04-22 | 2021-08-27 | 中国工程物理研究院上海激光等离子体研究所 | 一种通过图像测量两个目标之间距离的方法 |
CN113696939A (zh) * | 2021-08-25 | 2021-11-26 | 北京博研盛科科技有限公司 | 一种基于标识物的轨道车定位方法、系统及设备 |
CN114509027A (zh) * | 2020-11-16 | 2022-05-17 | 泰科电子(上海)有限公司 | 连接器的同心度检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258328A (zh) * | 2013-04-27 | 2013-08-21 | 浙江大学 | 一种宽视场镜头的畸变中心定位方法 |
US20150161823A1 (en) * | 2013-12-09 | 2015-06-11 | Google Inc. | Methods and Systems for Viewing Dynamic High-Resolution 3D Imagery over a Network |
CN104732553A (zh) * | 2015-04-10 | 2015-06-24 | 大连理工大学 | 一种基于多台激光辅助靶标的特征点提取方法 |
CN106600647A (zh) * | 2016-06-30 | 2017-04-26 | 华南理工大学 | 一种双目视觉多线投影结构光标定方法 |
-
2017
- 2017-06-27 CN CN201710499854.2A patent/CN107392849B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258328A (zh) * | 2013-04-27 | 2013-08-21 | 浙江大学 | 一种宽视场镜头的畸变中心定位方法 |
US20150161823A1 (en) * | 2013-12-09 | 2015-06-11 | Google Inc. | Methods and Systems for Viewing Dynamic High-Resolution 3D Imagery over a Network |
CN104732553A (zh) * | 2015-04-10 | 2015-06-24 | 大连理工大学 | 一种基于多台激光辅助靶标的特征点提取方法 |
CN106600647A (zh) * | 2016-06-30 | 2017-04-26 | 华南理工大学 | 一种双目视觉多线投影结构光标定方法 |
Non-Patent Citations (2)
Title |
---|
FEI WANG 等: "Residual Attention Network for Image Classification", 《IEEE COMPUTER SOCIETY》 * |
白瑞林 等: "一种实用的X型靶标亚像素角点提取方法", 《光学技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767436A (zh) * | 2019-01-07 | 2019-05-17 | 深圳市创业印章实业有限公司 | 一种印章真伪鉴别的方法及装置 |
CN109767436B (zh) * | 2019-01-07 | 2021-03-02 | 深圳市安印科技有限公司 | 一种印章真伪鉴别的方法及装置 |
CN110007068A (zh) * | 2019-03-25 | 2019-07-12 | 桂林优利特医疗电子有限公司 | 一种尿液漏滴检测方法 |
CN111002376A (zh) * | 2019-11-27 | 2020-04-14 | 惠州市金百泽电路科技有限公司 | Pcb板内层靶标孔智能防呆的方法 |
CN112104418A (zh) * | 2020-07-27 | 2020-12-18 | 浙江大学 | 一种基于形态识别的无线光通信的atp方法和系统 |
CN114509027A (zh) * | 2020-11-16 | 2022-05-17 | 泰科电子(上海)有限公司 | 连接器的同心度检测方法 |
CN113310420A (zh) * | 2021-04-22 | 2021-08-27 | 中国工程物理研究院上海激光等离子体研究所 | 一种通过图像测量两个目标之间距离的方法 |
CN113696939A (zh) * | 2021-08-25 | 2021-11-26 | 北京博研盛科科技有限公司 | 一种基于标识物的轨道车定位方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107392849B (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392849A (zh) | 基于图像细分的靶标识别与定位方法 | |
CN107358628A (zh) | 基于靶标的线阵图像处理方法 | |
US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
CN105894499B (zh) | 一种基于双目视觉的空间物体三维信息快速检测方法 | |
CN104331896B (zh) | 一种基于深度信息的系统标定方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN102704215B (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
CN108681992A (zh) | 用于探测器阵列法测量激光光斑的图像插值算法 | |
CN106204544A (zh) | 一种自动提取图像中标志点位置及轮廓的方法和系统 | |
CN102495026B (zh) | 一种用于线激光扫描视觉测量系统的光带中心线提取方法 | |
CN109840889A (zh) | 基于仿生算法的高精度视觉测量方法、装置和系统 | |
CN111462066B (zh) | 一种基于机器视觉的螺纹参数检测方法 | |
CN106643549A (zh) | 一种基于机器视觉的瓷砖尺寸检测方法 | |
CN108921819B (zh) | 一种基于机器视觉的验布装置及方法 | |
CN102441581A (zh) | 基于机器视觉的型钢断面尺寸在线检测的装置及方法 | |
CN111402330B (zh) | 一种基于平面靶标的激光线关键点提取方法 | |
CN111105452B (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
CN110261069B (zh) | 一种用于光学镜头的检测方法 | |
CN110487183A (zh) | 一种多目标光纤位置精确检测系统及使用方法 | |
CN108765476A (zh) | 一种偏振图像配准方法 | |
CN113139900B (zh) | 一种棒材完整表面图像获取方法 | |
CN113012098B (zh) | 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法 | |
CN110503623A (zh) | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 | |
CN115345881A (zh) | 一种基于计算机视觉的路面病害检测方法 | |
CN104458764A (zh) | 基于大景深条带图像投影的弯曲粗糙表面缺陷鉴别方法 |
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 |