CN108615041A - 一种角点检测方法 - Google Patents
一种角点检测方法 Download PDFInfo
- Publication number
- CN108615041A CN108615041A CN201810436704.1A CN201810436704A CN108615041A CN 108615041 A CN108615041 A CN 108615041A CN 201810436704 A CN201810436704 A CN 201810436704A CN 108615041 A CN108615041 A CN 108615041A
- Authority
- CN
- China
- Prior art keywords
- pixel
- point
- angular
- condition
- algorithm
- 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
- 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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种角点检测方法,该方法包括以下步骤:步骤一:在第一级筛选中设立条件C1,使用梯度算子获得边缘像素;步骤二:在第二级筛选中设立条件C2,在边缘像素中获得候选角点像素;步骤三:在第三级筛选中设立条件C3,通过梯度方向变化准则获取提炼后的候选角点像素;步骤四:在第四级筛选中设立条件C4,使用灰度分布准则获取真实角点。本算法能准确快速地检测图像中的角点,并可适用于不同灰度变化的图像,同时通过重复性测试发现其可重复性好于SIFT等经典特征点检测算法,故此算法可以作为特征点检测使用。
Description
技术领域
本发明涉及一种图像检测领域,尤其涉及一种角点检测方法。
背景技术
在计算机视觉应用中,特征点检测是必不可少的,局部特征(线、角点、气泡区域)提取是当前实时在线特征提取的发展趋势。角点是曲线上的局部曲率最大点,要准确检测出图像中的所有角点是非常困难的一件事情,但是已有很多的学者进行了相关研究并提出了经典角点检测算法,其中HARRIS角点检测算法由于其高精常与稳定性,是使用最广泛的角点检测算法,而FAST算法是运行效率最高的角点检测算法。
当前角点检测算法的主要限制有:复杂纹理区域检测性能很低,当图像中存在复杂纹理区域时,如树叶、花圃、杂草等,可检测出大量的特征点,但大部分触点稳定性差,当光线、方向发生改变时很难重复跟踪。现有的经典角点检测算法都各有优缺点,HARRIS算法可以检测出的角点数最多,且准确性高,但花费的检测时间最长;GFTT的性能与HARRIS相似;FAST算法的速度最快,但其准确性最低;BRISK算法对FAST算法的准确性有一定的改进,但检测出的角点数量减少了,有很多角点不能被检测出来。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种角点检测方法。
为实现上述目的及其他相关目的,本发明提供一种角点检测方法,该方法包括以下步骤:
步骤一:在第一级筛选中设立条件C1,使用梯度算子获得边缘像素;
步骤二:在第二级筛选中设立条件C2,在边缘像素中获得候选角点像素;
步骤三:在第三级筛选中设立条件C3,通过梯度方向变化准则获取提炼后的候选角点像素;
步骤四:在第四级筛选中设立条件C4,使用灰度分布准则获取真实角点。
优选地,在步骤一中,所述边缘像素的获得方法为:
采使用Sobel梯度算子通过计算x方向与y方向的梯度值和 若当前像素点(x,y)满足条件则认为该像素点为边缘像素;为门限值,其中,k1为常量,为局部平均灰度。
优选地,在步骤二中,所述的候选角点满足以下条件:
其中 为门限值,k2为常量,(xa,ya)分别为(xb,yb)梯度方向的垂直方向δ1、δ2上两点。
优选地,在所述步骤二中,对边缘像素中满足条件的边缘像素点求的极大值,得到候选角点像素。
优选地,在步骤三中,所述提炼后的候选角点像素的获取方法为:
对每一个候选角点建立一个以梯度方向为π/2、候选角点为原点的极坐标系,
在θ=0和π的方向获取两个点P4与P4';
通过双线性插值获得P4与P4'的梯度值同时计算P4与P4'的梯度方向,分别为δ0与δπ,如果δ0、δπ与δ的夹角满足条件C3:∠(δ0,δ)>D3∩∠(δπ,δ)>D3,则中心像素(x0,y0)为提炼后的候选角点像素。
优选地,在所述步骤四中,真实角点满足的条件为:以角点为中心的圆弧像素与角点像素对比的灰度分布为两个连续的“1”和“0”子集;子集“1”被定义为中心像素点与被选择的点的距离大于阈值的所有点的集合,子集“0”被定义为中心像素点与被选择的点的距离小于阈值的所有点的集合。
如上所述,本发明所述的一种角点检测方法,具有以下有益效果:
本发明采用第一级筛选可以获取图像中可能的边缘像素;第二级筛选可以获得其中候选角点像素的位置;第三级筛选可以移除非角点边缘像素点;第四级筛选能移除非角点的随机噪声点。本算法能准确快速地检测图像中的角点,并可适用于不同灰度变化的图像,同时通过重复性测试发现其可重复性好于SIFT等经典特征点检测算法,故此算法可以作为特征点检测使用。采用级联筛选快速去除非角点像素,提高角点检测速度。在算法中减少对细微纹理变化的依赖,从而提高算法的稳定性。本发明使用梯度方向的变化而非梯度值的变化来从边缘像素中检测角点像素,可以有效减少光线变化对检测结果的影响;通过局部垂直梯度方向变化量非极大值抑制的方法在局部区域中得到准确的角点位置,同时要求垂直梯度方向两边的变化量相近,从而提高其角点在复杂纹理区域的稳定性。
附图说明
为了进一步阐述本发明所描述的内容,下面结合附图对本发明的具体实施方式作进一步详细的说明。应当理解,这些附图仅作为典型示例,而不应看作是对本发明的范围的限定。
图1是本发明实施例的算法结构图;
图2为本发明所述方法的各级分类结果;其中(a)为原始影像,(b)为第一级获得的可能边缘像素,(c)为第二级获得角点像素的可能位置,(d)为第三级提炼得的候选角点,(e)为第四级获得的真实角点;
图3是本发明实施例的候选角点建立的极坐标及各判断点的分布图;
图4是本发明实施例的原始合成角点图像测试结果图;其中(a)为原始图像,(b)为BRISK算法的测试图像,(c)为FAST算法的测试图像,(d)为HARRIS算法的测试图像,(e)为GFFT算法的测试图像(f)为FRCDA(本发明)算法的测试图像;
图5是本发明实施例的椒盐噪声图像测试结果图;(a)为椒盐噪声图像,(b)为BRISK算法测试图像,(c)为Fast算法测试图像,(d)为HARRIS算法测试图像,(e)为GFFT算法测试图像,(f)为FRCDA(本发明)算法测试图像;
图6是本发明实施例的高斯噪声图像测试结果图;(a)为高斯噪声图像,(b)为BRISK算法测试图像,(c)为Fast算法测试图像,(d)为HARRIS算法测试图像,(e)为GFFT算法测试图像,(f)为FRCDA(本发明)算法测试图像;
图7是本发明实施例的重复性测试结果图;(a)Box为图像集,(b)为Maze图像集,(c)为Bas-relief图像集。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,本实施例提供一种角点检测方法,包括以下步骤:
在第一级分类器中设立条件C1算法使用梯度算子去获得可能的边缘像素,很多的背景像素被条件C1快速地去除。通常在第一级分类器中有超过85%的非角点像素被去除。
在第二级分类器中设立条件C2,算法根据各点最小变化方向平移时的局部非极大值抑制的方法,在可能的边缘像素中获得候选角点像素的位置,很多的非角点边缘像素通过条件C2被快速去除。通常通过第二级分类器后有超过90%的像素被去除,同时候选角点像素的位置被确定下来。
在第三级分类器中设立条件C3,算法通过梯度方向变化准则获取提炼后的候选角点像素,移除非角点边缘像素点。梯度方向变化准则是要求角点梯度垂直方向的邻域像素与角点像素有不同的梯度方向。
在第四级分类器中设立条件C4,移除非角点的随机噪声——使用灰度分布准则去获取真实角点。真实角点要求满足以角点为中心的圆弧像素与角点像素对比的灰度分布为两个连续的“1”、“0”子集。
具体地,在第一级分类器中,本实施例使用Sobel梯度算子通过计算x方向与y方向的梯度值获得可能的边缘像素。
在计算梯度幅值时,为了减少计算量,本实施例采用绝对值计算代替平方、开方计算。
如果像素点(x,y)满足条件则认为它是可能的边缘像素,否则直接排除。D1是门限。
在第二级分类器中,本实施例通过3*3均值算子获得然后根据前面的值,针对边缘像素点,选梯度方向的垂直方向δ1、δ2上与当前像素相距的距离为2的两点(xa,ya),(xb,yb)
其中(x,y)为当前像素点的位置。
候选角点要求与相近相等,即要求满足条件(5)式:
从而提高检测点对纹理变化的稳定性,其中D2为门限值。
然后在5*5的矩形区域中,对边缘像素中满足条件(5)的边缘像素点统计(6)式的极大值,得到候选角点像素。
在第三级分类器中,对每一个候选角点建立一个以梯度方向为候选角点为原点的极坐标系,如图3所示。
在θ=0和π的方向获取两个点P4与P4′,距离条件为:
|x0-x′|+|y0-y′|=2 (7)
在图3中,p0,p′0,p1,p′1,p2,p′2,p3,p′3,p4,p′4,p5,p′5,p6,p′6,p7,p′7用于判断角点形状。
计算通过双线性插值获得P4与P′4的梯度值同时计算P4与P′4的梯度方向,分别为δ0与δπ。如果δ0、δπ与δ的的夹角满足条件C3:∠(δ0,δ)>D3∩∠(δπ,δ)>D3,则中心像素(x0,y0)为提炼后的候选角点像素,否则排除该像素。
第四级分类器,在提炼后的候选角点像素中检测出真正的角点像素。在极坐标中围绕着候选角点像素(x0,y0),选择出16个点(可以根据需要选择其他个数的点,但至少要8个点),分别为:θ=0,π/8,π/4,3π/8,π/2,5π/8,3π/4,7π/8,π,9π/8,5π/4,11π/8,3π/2,13π/8,7π/4,15π/8,到中心像素的距离为|x0-x′|+|y0-y′|=2,选择的点如图3所示。
16个点分别与门限值进行比较,真正的角点要求满足条件C4:16个点依次被分成两个连续“1”和“0”的子集,P0一边为“1”的子集,P′0一边为“0”的子集。子集“1”被定义为中心像素点与被选择的点的距离大于阈值的所有点的集合,子集“0”被定义为中心像素点与被选择的点的距离小于阈值的所有点的集合。
首先,计算θ=π/2与θ=3π/2方向的两个点P0与P′0,通过双线性插值获取两个点的灰度值I(P0)与I(P′0)。真正角点要求满足条件:
然后从P0:θ=π/2到P′0:θ=3π/2在左右两边两个两个地检剩余的点,检测顺序为:
[P1,P1']→[P2,P′2]→[P3,P′3]→[P4,P′4]→[P5,P′5]→[P6,P′6]→[P7,P′7] (9)
如果检测到Pi或Pi'满足条件I(Pi)<D4或I(Pi')<D4,则要求剩余的点([Pj,P′j]:j>i)满足条件I(Pj)<D4及I(Pj′)<D4。
本实施例中还提供了一些对比测试实验用于对比测试本实施例算法与经典算法的速度、准确性、鲁棒性、可重复性。准确性与速度测试采用Scott Krig的合成角点测试图像,鲁棒性测试采用加噪后的合成角点图像。可重复性测试采用E.Rosten的不同视角、倍率、光线的重复性测试图像集:Box数据集、Maze数据集与Bas-relief数据集图像。
准确性与速度测试
合成角点图像由单元图像构成,原始单元图像及测试结果如图4所示。合成角点单元图像包含54个不同的角点模板,总体图像包含8*12个单元图像、5184个角点模板,分辨率为1024*1024。每一角模板的分辨率为14*14,有0x40与0xC0两种灰度值。为了消除电脑随机状态对计算时间的影响,本实施例采用连续测试10次,然后取平均的方法。经典算法及本实施例算法的测试数据如表1所示。
表1 原始图像的测试数据
算法 | 总角点数 | 时间(ms) | ms/点 | 不正确点数 | 正确率 |
BRISK | 672 | 3403 | 5.06 | 192 | 71.43% |
FAST | 2016 | 737 | 0.37 | 1056 | 47.62% |
HARRIS | 29760 | 303624 | 10.2 | 4032 | 86.45% |
GFTT | 32597 | 309335 | 9.49 | 6144 | 81.15% |
FRCDA | 36384 | 12347 | 0.34 | 1024 | 97.19% |
结果显示新算法的速度与FAST算法相似,在12347ms中完成了对1024*1024分辨率图像的检测,并检测得36384个角点。新算法的准确率是最好的,准确率达到97.19%。
鲁棒性测试
首先对原始合成角点图像加入椒盐噪声,噪声密度D=0.05,椒盐噪声图像与测试结果如图5所示。连续测试10次然后取平均得出测试时间。测试结果数据如表2所示。结果显示加入噪声后所有算法的性能都有所下降,但本实施例的算法的速度最快,在8954ms内完成了对分辨率为1024*1024图像的测试并得到29012个角点。本实施例的算法的准确率最高,准确率达到95.04%。
表2 椒盐噪声图像测试数据结果
算法 | 总角点数 | 时间(ms) | ms/点 | 不正确点数 | 正确率 |
BRISK | 13178 | 4501 | 0.34 | 12122 | 8% |
FAST | 34809 | 2271 | 0.07 | 31449 | 9.7% |
HARRIS | 38979 | 312010 | 8.0 | 11040 | 71.7% |
GFFT | 43775 | 317689 | 7.26 | 24095 | 44.96% |
FRCDA | 29012 | 8954 | 0.31 | 1440 | 95.04% |
然后对合成角点图像加入高斯噪声测试其鲁棒性,高斯噪声的均值M=0,方差V=0.01。高斯噪声图像与测试结果如图6所示。连续测试10次然后取平均得出测试时间。测试结果数据如表3所示。结果显示加入高斯噪声后所有算法的效果都不好,本实施例的算法的速度仍然是最快的,在5017ms内完成了5017个角点的检测。本实施例的算法的准确率也最高,达到88.9%。
表3 高斯噪声图像测试数据结果
算法 | 总角点数 | 时间(ms) | ms/点 | 不正确点数 | 正确率 |
BRISK | 14742 | 4529 | 0.31 | 3936 | 73.3% |
FAST | 94016 | 5224 | 0.06 | 80384 | 14.5% |
HARRIS | 27425 | 305178 | 11.13 | 6336 | 76.9% |
GFFT | 51173 | 311732 | 6.09 | 30053 | 41.27% |
FRCDA | 11269 | 5017 | 0.45 | 1251 | 88.9% |
可重复性测试
本实施例通过Edward Rosten提供的重复性测试数据库来进行可重复性测试。数据库包括Box、Maze、Bas-relief三组数据集。Box数据集,通过拍摄粘在立文体内部的图像构成,具有很强的视角、尺度、径向形变特点;Maze数据集为拍摄一组复杂三维几何物体影片,具有复杂的纹理及几何特征,并存在空间投影扭曲;Bas-relief数据集拍摄为一平面,但它上有很多的浮雕对象,从不同的角度观看存在特征变化。对算法的测试时如果一图像中的检测点与另一图像中对应的该点相距的棋方格距离小于3则认为是重复的两点。从重复性测试的结果中可以看到,相比新算法的可重复性较好,特别是针对Maze图像集,由于图像中角点较清晰且数量较多,新算法的可重复性远好于SIFT等其余算法。
从实验结果中可以看到,在经典算法中HARRIS算法是最准确并且稳定的角点检测算法,但由于HARRIS的复杂性,它是最费时的角点检测算法,而且在灰度较低的阴影区域检测会失效;FAST方法检测的速度最快,但很多角点不能被准确检测出来,而且很容易被噪声影响;新算法检测速度与FAST相近,而检测的角点的准确性及稳定性与HARRIS算法更好。
本实施例的算法有4个主要的判断条件:C1,C2,C3和C4。条件C1用于获取可能的边缘像素,但这个条件在选取时设定为一个较弱的条件,让所有的边缘像素都能满足。在本实施例中门限值D1的选取与图像局部平均灰度相关,k1是一个依据经验选取的常量,一般选取在1.0至1.5之间;条件C2用于去获取候选角点,本实施例中没有直接通过灰度相关门限值得到候选角点位置,而是通过获取条件C1基础上的(8)式局部极大值来获得可能的角点,从而避免了光线变化对检测结果的影响,本实施例中局部区域的大小选取5*5,其太大会使有些角点丢失,太小则会增加检测时间,同时要求检测窗在垂直于δ1与δ2方向平移的变化量近似相等,从而提高算法在复杂纹理变化区域的稳定性,且D2的选取与图像局部平均灰度相关k2是一个依据经验选取的常量,一般选取在0.05至0.2之间;条件C3用于进一步移除非角点边缘像素,本实施例中通过邻域中梯度方向的变化来区别边缘像素,从而也有效地避免了光线对检测结果的影响,在实际中由于角点的角度范围要求在0°~160°,因此门限值D3选取为20;条件C4用于移除其中的噪声点像素,通过局部邻域中的灰度分布来判断是否为噪声点像素,门限值D4被设定为与局部灰度值相关,为梯度方向与反梯度方向上邻域像素的灰度平均值。
从测试中可以看到,本实施例的算法能准确快速地检测图像中的角点,并可适用于不同灰度变化的图像,同时通过重复性测试发现其可重复性好于SIFT等经典特征点检测算法,故此算法可以作为特征点检测使用。
本发明提出了一种新的角点检测算法,它具有快速、准确、稳定的特点,而且对光线变化不敏感。它通过级联结构在前级尽可能早地快速去除非角点像素,从而提高其速度。首先使用梯度算子快速地获取可能的边缘像素;然后通过非最大值抑制获得候选的角点像素位置;再次通过梯度方向的变化移除非角点的边缘像素,从而有效减少了灰度值对结果的影响;最后要求当前像素为中心的邻域圆上的像素对比当前像素为两个连续的“1”与“0”的子集,从而移除非角点的噪声点像素。本实施例中设计了大量的实验检验了算法的速度、准确性、可靠性、可重复性,新算法不仅速度快,而且有高的准确性、稳定性及可重复性。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (6)
1.一种角点检测方法,其特征在于,该方法包括以下步骤:
步骤一:在第一级筛选中设立条件C1,使用梯度算子获得边缘像素;
步骤二:在第二级筛选中设立条件C2,在边缘像素中获得候选角点像素;
步骤三:在第三级筛选中设立条件C3,通过梯度方向变化准则获取提炼后的候选角点像素;
步骤四:在第四级筛选中设立条件C4,使用灰度分布准则获取真实角点。
2.根据权利要求1所述的一种角点检测方法,其特征在于,在步骤一中,所述边缘像素的获得方法为:
采使用Sobel梯度算子通过计算x方向与y方向的梯度值▽x和▽y,▽(x,y)=|▽x|+|▽y|,若当前像素点(x,y)满足条件C1:▽(x,y)>D1,则认为该像素点为边缘像素;为门限值,其中,k1为常量,为局部平均灰度。
3.根据权利要求2所述的一种角点检测方法,其特征在于,在步骤二中,所述的候选角点满足以下条件:
其中为门限值,k2为常量,(xa,ya)分别为(xb,yb)梯度方向的垂直方向δ1、δ2上两点。
4.根据权利要求3所述的一种角点检测方法,其特征在于,在所述步骤二中,对边缘像素中满足条件的边缘像素点求的极大值,得到候选角点像素。
5.根据权利要求4所述的一种角点检测方法,其特征在于,在步骤三中,所述提炼后的候选角点像素的获取方法为:
对每一个候选角点建立一个以梯度方向为π/2、候选角点为原点的极坐标系,
在θ=0和π的方向获取两个点P4与P′4;
通过双线性插值获得P4与P′4的梯度值▽x,▽y;同时计算P4与P′4的梯度方向,分别为δ0与δπ,如果δ0、δπ与δ的的夹角满足条件C3:∠(δ0,δ)>D3∩∠(δπ,δ)>D3,则中心像素(x0,y0)为提炼后的候选角点像素。
6.根据权利要求5所述的一种角点检测方法,其特征在于,在所述步骤四中,真实角点满足的条件为:以角点为中心的圆弧像素与角点像素对比的灰度分布为两个连续的“1”和“0”子集;子集“1”被定义为中心像素点与被选择的点的距离大于阈值的所有点的集合,子集“0”被定义为中心像素点与被选择的点的距离小于阈值的所有点的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810436704.1A CN108615041B (zh) | 2018-05-09 | 2018-05-09 | 一种角点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810436704.1A CN108615041B (zh) | 2018-05-09 | 2018-05-09 | 一种角点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108615041A true CN108615041A (zh) | 2018-10-02 |
CN108615041B CN108615041B (zh) | 2021-11-12 |
Family
ID=63662572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810436704.1A Active CN108615041B (zh) | 2018-05-09 | 2018-05-09 | 一种角点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108615041B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728285A (zh) * | 2019-08-23 | 2020-01-24 | 北京正安维视科技股份有限公司 | 一种基于动态变频的快速角点检测方法 |
CN117115242A (zh) * | 2023-10-17 | 2023-11-24 | 湖南视比特机器人有限公司 | 标志点的识别方法、计算机存储介质和终端设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015082287A (ja) * | 2013-10-24 | 2015-04-27 | 日本電気株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
CN106204570A (zh) * | 2016-07-05 | 2016-12-07 | 安徽工业大学 | 一种基于非因果分数阶梯度算子的角点检测方法 |
CN106682678A (zh) * | 2016-06-24 | 2017-05-17 | 西安电子科技大学 | 一种基于支撑域的图像角点检测和分类方法 |
-
2018
- 2018-05-09 CN CN201810436704.1A patent/CN108615041B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015082287A (ja) * | 2013-10-24 | 2015-04-27 | 日本電気株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
CN106682678A (zh) * | 2016-06-24 | 2017-05-17 | 西安电子科技大学 | 一种基于支撑域的图像角点检测和分类方法 |
CN106204570A (zh) * | 2016-07-05 | 2016-12-07 | 安徽工业大学 | 一种基于非因果分数阶梯度算子的角点检测方法 |
Non-Patent Citations (3)
Title |
---|
GLAUCO V.PEDROSA ET AL: "Anisotropic diffusion for effective shape corner point detection", 《PATTERN RECOGNITION LETTERS》 * |
刘涛: "图像角点检测方法的研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
毛雁明等: "角点检测方法研究", 《现代计算机》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728285A (zh) * | 2019-08-23 | 2020-01-24 | 北京正安维视科技股份有限公司 | 一种基于动态变频的快速角点检测方法 |
CN117115242A (zh) * | 2023-10-17 | 2023-11-24 | 湖南视比特机器人有限公司 | 标志点的识别方法、计算机存储介质和终端设备 |
CN117115242B (zh) * | 2023-10-17 | 2024-01-23 | 湖南视比特机器人有限公司 | 标志点的识别方法、计算机存储介质和终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108615041B (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330917B (zh) | 移动目标的跟踪拍摄方法和跟踪设备 | |
CN113688807B (zh) | 一种自适应缺陷检测方法、装置、识别系统及存储介质 | |
US10424078B2 (en) | Height measuring system and method | |
CN104732207B (zh) | 高精度与高抗干扰性定位PCB板Mark点的方法及装置 | |
CN104268857B (zh) | 一种基于机器视觉的快速亚像素边缘检测与定位方法 | |
CN106446894B (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
CN105096299B (zh) | 多边形检测方法和多边形检测装置 | |
CA3022839A1 (en) | Flight parameter measuring apparatus and flight parameter measuring method | |
CN106934803A (zh) | 电子器件表面缺陷的检测方法及装置 | |
US20210090230A1 (en) | System and method for efficiently scoring probes in an image with a vision system | |
CN108305261A (zh) | 图片分割方法、装置、存储介质和计算机设备 | |
CN110148147B (zh) | 图像检测方法、装置、存储介质和电子装置 | |
CN108447094B (zh) | 一种单目彩色相机的姿态估算方法及系统 | |
CN108830899B (zh) | 一种基于几何特征的快速自适应角点结合的圆心检测方法 | |
CN109816051B (zh) | 一种危化品货物特征点匹配方法及系统 | |
CN114627080B (zh) | 基于计算机视觉的车辆冲压配件缺陷检测方法 | |
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 | |
CN108615041A (zh) | 一种角点检测方法 | |
CN104134213B (zh) | 一种数字图像中的目标定位方法以及装置 | |
CN106845535B (zh) | 基于点云的典型零部件识别方法 | |
CN105828061B (zh) | 一种基于视觉掩蔽效应的虚拟视点质量评价方法 | |
AU2018232961B2 (en) | Methods and systems for detection and characterization of channel systems | |
CN103606146B (zh) | 一种基于圆盘靶标的角点检测方法 | |
CN108428250A (zh) | 一种应用于视觉定位和标定的x角点检测方法 | |
CN114332079A (zh) | 基于图像处理的塑料餐盒裂缝检测方法、装置及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |