CN107907109B - 一种基于改进型图像处理的角度识别方法和小型无人机 - Google Patents

一种基于改进型图像处理的角度识别方法和小型无人机 Download PDF

Info

Publication number
CN107907109B
CN107907109B CN201711070235.8A CN201711070235A CN107907109B CN 107907109 B CN107907109 B CN 107907109B CN 201711070235 A CN201711070235 A CN 201711070235A CN 107907109 B CN107907109 B CN 107907109B
Authority
CN
China
Prior art keywords
image
formula
coordinates
threshold value
processing
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
Application number
CN201711070235.8A
Other languages
English (en)
Other versions
CN107907109A (zh
Inventor
何松
陈兴武
郑积仕
陈云飞
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.)
Fujian University of Technology
Original Assignee
Fujian University of Technology
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 Fujian University of Technology filed Critical Fujian University of Technology
Priority to CN201711070235.8A priority Critical patent/CN107907109B/zh
Publication of CN107907109A publication Critical patent/CN107907109A/zh
Application granted granted Critical
Publication of CN107907109B publication Critical patent/CN107907109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G01C11/06—Interpretation of pictures by comparison of two or more pictures of the same area
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C1/00—Measuring angles
    • 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
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于改进型图像处理的角度识别方法，步骤S1、将摄像机采集到的图像进行预处理；步骤S2、将预处理后的图像进行二值化处理，得到特征二值化信息；步骤S3、通过特征二值化信息得到其图像的轮廓，寻找每帧图像轮廓最优的两个质心，得到两个质心的坐标；步骤S4、通过所述坐标求得其斜率ks，把相邻两帧的斜率差求出即得到装置转过的角度。本发明采用高清相机结合图像处理、融合运算的技术实现角度测量，适用于机器或低空、室内飞行的小型无人机的导航。

Description

一种基于改进型图像处理的角度识别方法和小型无人机
技术领域
本发明涉及一种角度识别方法和小型无人机。
背景技术
图像处理，用计算机对图像进行分析转换，以达到所需结果的技术。
质心，质量中心简称质心，指物质系统上被认为质量集中于此的一个假想点。
现如今机器或小型无人机主要依靠惯性测量、卫星测量、和视觉测量等方式进行角度识别和导航。但以上几种方法具有如下缺陷：
(1)惯性测量：主要是依靠惯性测量组件(IMU)测量载体相对惯性空间的角速率和加速度信息，利用牛顿运动定律自动推算载体的瞬时速度和位置信息。但随着时间积累，容易形成累积误差，导致精度下降；
(2)卫星测量：一般采用GPS测量角度，对卫星信号依赖程度很高，如果在建筑集群或深山中信号容易中断，并且民用精度不高，造成较大困扰；
(3)视觉测量：根据图像处理以及特征匹配等方法测得的角度信息，但计算量大，且部分对传感器要求高，造价高，不适用在低空及室内的小型无人机。
现如今的机器或低空无人机的角度测量，常用的是微机电MEMS陀螺仪，其主要是检测出三轴加速度、角速度和地磁的信息，采用四元数法或导航坐标系与机器本体坐标系的余弦变换法算出角度，但地磁信息较弱，容易受周围物体干扰，导致精度不高，且随着运行时间的增长，会有累积误差，更一步限制了其可靠性。
而采用视觉处理方法，关键在于图像处理，目前对图像二值化处理的方法主要有三大类：
第一类是依据光照分布情况对图像采取分块处理，然后再对各分块用全局阈值二值化方法进行分割；
第二类则是先处理图像背景光照，使背景光照接近均匀后，再用全局阈值方法进行处理；
第三类采用局部阈值化，主要是根据图像中的每一个像素点与它周围邻域像素点的灰度变化来设定阈值后逐点进行二值化，此算法有Niblack算法、Sauvola算法等。
但上述三种常用的方法都有各自的不足：第一类方法主要是在光照分块较明显的环境下使用，而在没有明显灰度值分界的图像中效果不佳；第二类则是计算量大，并且对图像背景存在过估计或估计不足的缺点，其在处理目标和背景接近时的效果不明显；第三类因对图像进行逐点计算，因此计算量大，也存在对弱目标处理效果不理想的问题。
发明内容
本发明要解决的技术问题，在于提供一种基于改进型图像处理的角度识别方法，采用高清相机结合图像处理、融合运算的技术实现角度测量，适用于机器或低空、室内飞行的小型无人机的导航。
本发明方法是这样实现的：一种基于改进型图像处理的角度识别方法，包括：
步骤S1、将摄像机采集到的图像进行预处理；
步骤S2、将预处理后的图像进行二值化处理，得到特征二值化信息；
步骤S3、通过特征二值化信息得到其图像的轮廓，寻找每帧图像轮廓最优的两个质心，得到其坐标；
步骤S4、通过所述坐标求得其斜率ks，把相邻两帧的斜率差求出即得到其转过的角度。
进一步的，所述预处理包括灰度处理和高斯滤波处理；
所述灰度处理的公式是：
f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j) 式(1)，
其中，f(i,j)为得到当前坐标的灰度值，(i,j)为当前位置的坐标，R,G,B分别为图像像素上的三元素；
所述高斯滤波处理的公式是：
Figure GDA0002348767870000031
其中，h(x,y)表示坐标为(x，y)点的权重；x，y则是坐标(x，y)的横纵坐标，e为自然对数的底数，是常数,σ为标准差。
进一步的，所述二值化处理过程是：
1)首先算出一个阈值Ts,Ts满足
Figure GDA0002348767870000032
其中hist[i]为原始图的灰度直方图，S为图像像素总数；
2)计算图像上各点的阈值：
T0(x,y)＝0.5×(maxf(x+k,y+l)+minf(x+k,y+l)) (式3)，
其中，l、k，是以坐标(x,y)为中心的窗口长宽的一半；
3)为避免为阴影及轮廓断裂现象的产生，引入阈值T1，来确定局部窗口内极大值与极小值的变化：
T1(x,y)＝(maxf(x+k,y+l)-minf(x+k,y+l)) (式4)，
4)对各点的阈值采用平均值的滤波方法对曲面进行平滑处理以防止阈值突变，得到阈值T2：
T2(x,y)＝avgT0(x+k,y+l) (式5)，
其中，T0为式3求得的各点的阈值；
5)对其进行逐点二值化
①如果
f(x,y)>(1+a)×Ts,则b(x,y)＝255 (式6)，
f(x,y)<(1-a)×Ts,则b(x,y)＝0 (式7)，
其中a是可调系数，可取0.4～0.6之间，b是求得的坐标灰度值；
②如果T1≥aTs，f(x,y)≥T2＝255，则b(x,y)＜T2＝0，
若T1＜aT,则b(x,y)＝0。
进一步的，本发明方法还包括：步骤S5、再通过判断前后图像帧的动态特性，得出装置的动静状态，经过角度叠加的计算得出装置转过的角度。
本发明还提供一小型无人机，采用高清相机采集图像，通过执行上述本发明的方法，结合图像处理、融合运算的技术实现角度测量和导航。
本发明具有如下优点：本发明主要是采用特征块的提取，结合新型改进的Bernsen二值化图像处理方法得到特征轮廓，并提取最佳两个质心点求出斜率，通过前后或动静两帧的斜率差得到角度的方法；此方法解决了以往图像处理过程中的光照不均，计算量大，成本高等问题，并且还可结合MEMS等陀螺检测实现更高精度，解决外围磁力干扰等问题；摄像头要求不高，普通高清摄像机即可，成本低廉。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明方法执行流程图。
具体实施方式
请参阅图1所示，本发明的基于改进型图像处理的角度识别方法，包括：
步骤S1、将摄像机采集到的图像进行预处理；所述预处理包括灰度处理和高斯滤波处理，对灰度化的图像进行简单的高斯滤波处理，可使其曲线更加平滑；
所述灰度处理的公式是：
f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j) 式(1)，
其中，f(i,j)为得到当前坐标的灰度值，(i,j)为当前位置的坐标，R,G,B分别为图像像素上的三元素；
所述高斯滤波处理的公式是：
Figure GDA0002348767870000041
该公式是简单的高斯函数(正态分布函数)其中，h(x,y)表示坐标为(x，y)点的权重；x，y则是坐标(x，y)的横纵坐标，e为自然对数的底数，是常数,σ为标准差。
步骤S2、将预处理后的图像进行二值化处理，得到特征二值化信息；
所述二值化处理为改进Bernsen二值化图像处理，一般的Bernsen二值化处理图像计算量大，且外部的光照变化会对其有一定的干扰，为使其户外更加适应，本发明改进了其逐点二值化的部分算法，使其计算量有所降低，并适应一定的户外光照变化，提高了角度检测的稳定性。在计算得到特征块的位置后，通过改进Bernsen二值化处理图片，得出较明显的特征二值化信息。
其具体过程是：
1)首先算出一个阈值Ts,Ts满足
Figure GDA0002348767870000051
其中hist[i]为原始图的灰度直方图，S为图像像素总数；
2)计算图像上各点的阈值：
T0(x,y)＝0.5×(maxf(x+k,y+l)+minf(x+k,y+l)) (式3)，
其中，l、k，是以坐标(x,y)为中心的窗口长宽的一半；
3)为避免为阴影及轮廓断裂现象的产生，引入阈值T1，来确定局部窗口内极大值与极小值的变化：
T1(x,y)＝(maxf(x+k,y+l)-minf(x+k,y+l)) (式4)，
4)对各点的阈值采用平均值的滤波方法对曲面进行平滑处理以防止阈值突变，得到阈值T2：
T2(x,y)＝avgT0(x+k,y+l) (式5)，
其中，T0为式3求得的各点的阈值；
5)对其进行逐点二值化
逐点二值化是改进Bernsen与Bernsen主要的区别，目的是为了寻找最优特征轮廓，而一般的Bernsen方法对于细微的裂纹也有要求，计算量增加不少，为此为了实用的需求，本发明改进其计算方法，达到了快速实用的效果：
①如果
f(x,y)>(1+a)×Ts,则b(x,y)＝255 (式6)，
f(x,y)<(1-a)×Ts,则b(x,y)＝0 (式7)，
其中a是可调系数，可取0.4～0.6之间，b是求得的坐标灰度值；
②如果T1≥aTs，f(x,y)≥T2＝255，则b(x,y)＜T2＝0，
若T1＜aT,则b(x,y)＝0。
步骤S3、通过特征二值化信息得到其图像的轮廓，寻找每帧图像轮廓最优的两个质心，得到两个质心坐标，对求得的每帧质心点坐标A0(x0,y0),B0(x1,y1)；
步骤S4、通过所述两个质心的坐标求得其斜率ks，把相邻两帧的斜率差求出即得到其转过的角度。
步骤S5、再通过判断前后图像帧的动态特性，得出装置如机器或小型无人机的动静状态，经过角度叠加的计算得出该装置转过的角度。
本发明还提供一小型无人机，采用高清相机采集图像，通过执行上述本发明的方法，结合图像处理、融合运算的技术实现角度测量和导航，方法请参阅上面详细描述，此处不再赘述。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (6)

1.一种基于改进型图像处理的角度识别方法，其特征在于：包括：
步骤S1、将摄像机采集到的图像进行预处理；
步骤S2、将预处理后的图像进行二值化处理，得到特征二值化信息；
步骤S3、通过特征二值化信息得到其图像的轮廓，寻找每帧图像轮廓最优的两个质心，得到两个质心的坐标；
步骤S4、通过所述坐标求得其斜率ks，把相邻两帧的斜率差求出即得到装置转过的角度；
所述二值化处理是采用改进的Bernsen二值化算法进行，具体过程是：
1)首先算出一个阈值Ts,Ts满足
Figure FDA0002348767860000011
其中hist[i]为原始图的灰度直方图，S为图像像素总数；
2)计算图像上各点的阈值：
T0(x,y)＝0.5×(max f(x+k,y+l)+min f(x+k,y+l)) (式3)，
其中，l、k，是以坐标(x,y)为中心的窗口长宽的一半；
3)为避免为阴影及轮廓断裂现象的产生，引入阈值T1，来确定局部窗口内极大值与极小值的变化：
T1(x,y)＝(max f(x+k,y+l)-min f(x+k,y+l)) (式4)，
4)对各点的阈值采用平均值的滤波方法对曲面进行平滑处理以防止阈值突变，得到阈值T2：
T2(x,y)＝avgT0(x+k,y+l) (式5)，
其中，T0为式3求得的各点的阈值；
5)对其进行逐点二值化
①如果
f(x,y)>(1+a)×Ts,则b(x,y)＝255 (式6)，
f(x,y)<(1-a)×Ts,则b(x,y)＝0 (式7)，
其中a是可调系数，可取0.4～0.6之间，b是求得的坐标灰度值；
②如果T1≥aTs，f(x,y)≥T2＝255，则b(x,y)＜T2＝0，
若T1＜aT,则b(x,y)＝0。
2.根据权利要求1所述的一种基于改进型图像处理的角度识别方法，其特征在于：所述预处理包括灰度处理和高斯滤波处理；
所述灰度处理的公式是：
f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j) 式(1)，
其中，f(i,j)为得到当前坐标的灰度值，(i,j)为当前位置的坐标，R,G,B分别为图像像素上的三元素；
所述高斯滤波处理的公式是：
Figure FDA0002348767860000021
其中，h(x,y)表示坐标为(x，y)点的权重；x，y则是坐标(x，y)的横纵坐标，e为自然对数的底数，是常数,σ为标准差。
3.根据权利要求1所述的一种基于改进型图像处理的角度识别方法，其特征在于：还包括：
步骤S5、再通过判断前后图像帧的动态特性，得出装置的动静状态，经过角度叠加的计算得出装置转过的角度。
4.一种小型无人机，包括摄像机和图像处理器，其特征在于：所述图像处理器执行以下步骤：
步骤S1、将摄像机采集到的图像进行预处理；
步骤S2、将预处理后的图像进行二值化处理，得到特征二值化信息；
步骤S3、通过特征二值化信息得到其图像的轮廓，寻找每帧图像轮廓最优的两个质心，得到其坐标；
步骤S4、通过所述坐标求得其斜率ks，把相邻两帧的斜率差求出即得到其转过的角度；
所述二值化处理是采用改进的Bernsen二值化算法进行，具体过程是：
1)首先算出一个阈值Ts,Ts满足
Figure FDA0002348767860000031
其中hist[i]为原始图的灰度直方图，S为图像像素总数；
2)计算图像上各点的阈值：
T0(x,y)＝0.5×(max f(x+k,y+l)+min f(x+k,y+l)) (式3)，
其中，l、k，是以坐标(x,y)为中心的窗口长宽的一半；
3)为避免为阴影及轮廓断裂现象的产生，引入阈值T1，来确定局部窗口内极大值与极小值的变化：
T1(x,y)＝(max f(x+k,y+l)-min f(x+k,y+l)) (式4)，
4)对各点的阈值采用平均值的滤波方法对曲面进行平滑处理以防止阈值突变，得到阈值T2：
T2(x,y)＝avgT0(x+k,y+l) (式5)，
其中，T0为式3求得的各点的阈值；
5)对其进行逐点二值化
①如果
f(x,y)>(1+a)×Ts,则b(x,y)＝255 (式6)，
f(x,y)<(1-a)×Ts,则b(x,y)＝0 (式7)，
其中a是可调系数，可取0.4～0.6之间，b是求得的坐标灰度值；
②如果T1≥aTs，f(x,y)≥T2＝255，则b(x,y)＜T2＝0，
若T1＜aT,则b(x,y)＝0。
5.根据权利要求4所述的一种小型无人机，其特征在于：所述预处理包括灰度处理和高斯滤波处理；
所述灰度处理的公式是：
f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j) 式(1)，
其中，f(i,j)为得到当前坐标的灰度值，(i,j)为当前位置的坐标，R,G,B分别为图像像素上的三元素；
所述高斯滤波处理的公式是：
Figure FDA0002348767860000041
其中，h(x,y)表示坐标为(x，y)点的权重；x，y则是坐标(x，y)的横纵坐标，e为自然对数的底数，是常数,σ为标准差。
6.根据权利要求4所述的一种小型无人机，其特征在于：还包括：
步骤S5、再通过判断前后图像帧的动态特性，得出小型无人机的动静状态，经过角度叠加的计算得出小型无人机转过的角度。
CN201711070235.8A 2017-11-03 2017-11-03 一种基于改进型图像处理的角度识别方法和小型无人机 Active CN107907109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711070235.8A CN107907109B (zh) 2017-11-03 2017-11-03 一种基于改进型图像处理的角度识别方法和小型无人机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711070235.8A CN107907109B (zh) 2017-11-03 2017-11-03 一种基于改进型图像处理的角度识别方法和小型无人机

Publications (2)

Publication Number Publication Date
CN107907109A CN107907109A (zh) 2018-04-13
CN107907109B true CN107907109B (zh) 2020-06-16

Family

ID=61842549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711070235.8A Active CN107907109B (zh) 2017-11-03 2017-11-03 一种基于改进型图像处理的角度识别方法和小型无人机

Country Status (1)

Country Link
CN (1) CN107907109B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109459127B (zh) * 2018-11-27 2021-03-26 华南农业大学 一种基于matlab图像处理非接触式叶片风振测量方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496020B (zh) * 2011-10-31 2013-07-31 天津大学 基于累积边缘点可视灰度范围直方图的图像二值化方法
JP5891022B2 (ja) * 2011-12-06 2016-03-22 ハンファテクウィン株式会社Ｈａｎｗｈａ Ｔｅｃｈｗｉｎ Ｃｏ．，Ｌｔｄ． 物体検出装置、監視カメラ、及び物体検出方法
CN103149939B (zh) * 2013-02-26 2015-10-21 北京航空航天大学 一种基于视觉的无人机动态目标跟踪与定位方法
CN103247032B (zh) * 2013-04-26 2015-12-02 中国科学院光电技术研究所 一种基于姿态补偿的微弱扩展目标定位方法
CN104766078B (zh) * 2015-04-02 2018-06-22 四川九洲电器集团有限责任公司 目标图像的倾斜角检测方法及倾斜角检测设备
CN107202982B (zh) * 2017-05-22 2018-08-07 徐泽宇 一种基于无人机位姿计算的信标布置及图像处理方法

Also Published As

Publication number Publication date
CN107907109A (zh) 2018-04-13

Similar Documents

Publication Publication Date Title
CN110332887B (zh) 一种基于特征光标点的单目视觉位姿测量系统及方法
Liu et al. Surveillance camera autocalibration based on pedestrian height distributions
US8503730B2 (en) System and method of extracting plane features
Lu et al. Detection and localization of curbs and stairways using stereo vision
US20160154999A1 (en) Objection recognition in a 3d scene
CN106991407B (zh) 一种车道线检测的方法以及装置
US20150138310A1 (en) Automatic scene parsing
US9082008B2 (en) System and methods for feature selection and matching
CN109448045B (zh) 基于slam的平面多边形物体测量方法及机器可读存储介质
WO2015096507A1 (zh) 一种利用山体轮廓区域约束识别定位建筑物的方法
CN110807809A (zh) 基于点线特征和深度滤波器的轻量级单目视觉定位方法
WO2019057197A1 (zh) 运动目标的视觉跟踪方法、装置、电子设备及存储介质
CN109711256B (zh) 一种低空复杂背景无人机目标检测方法
CN107480603A (zh) 基于slam和深度摄像头的同步建图与物体分割方法
CN114719873B (zh) 一种低成本精细地图自动生成方法、装置及可读介质
CN110718068B (zh) 一种道路监控摄像机安装角度估计方法
US20160035107A1 (en) Moving object detection
CN105450950B (zh) 无人机航拍视频去抖方法
CN107907109B (zh) 一种基于改进型图像处理的角度识别方法和小型无人机
CN108961182B (zh) 针对视频图像的竖直方向灭点检测方法及视频扭正方法
CN107977608B (zh) 一种应用于公路视频图像道路区域提取的方法
CN111553342B (zh) 一种视觉定位方法、装置、计算机设备和存储介质
JP5928010B2 (ja) 道路標示検出装置及びプログラム
CN114283199B (zh) 一种面向动态场景的点线融合语义slam方法
KR101241813B1 (ko) Ｇｐｕ를 이용한 파노라마 영상의 객체 검출 장치 및 방법

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