CN108846443B - 一种基于海量图像的视觉对位算法筛选及参数优化方法 - Google Patents
一种基于海量图像的视觉对位算法筛选及参数优化方法 Download PDFInfo
- Publication number
- CN108846443B CN108846443B CN201810649954.3A CN201810649954A CN108846443B CN 108846443 B CN108846443 B CN 108846443B CN 201810649954 A CN201810649954 A CN 201810649954A CN 108846443 B CN108846443 B CN 108846443B
- Authority
- CN
- China
- Prior art keywords
- feature
- deviation value
- algorithm
- translation distance
- rotation angle
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/755—Deformable models or variational models, e.g. snakes or active contours
- G06V10/7553—Deformable models or variational models, e.g. snakes or active contours based on shape, e.g. active shape models [ASM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Character Input (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于海量图像的视觉对位算法筛选及参数优化方法,所述方法包括:从模拟图像库中获取一个图像对;选取一种特征识别算法对两幅图像中的特征形状作匹配;设置特征识别算法的算法处理参数;确定特征形状的平移距离和转动角度计算值分别与所述模拟图像库存储的特征形状的平移距离和转动角度之间的偏差值;比较偏差值是否处于设定的阈值范围内。本发明的有益效果体现在,采用模拟图像库中存储的大量图像对的对位数据作为特征识别算法筛选时的参考标准,实现特征识别算法的筛选;还可对多种特征识别算法进一步筛选优化,从中筛选出对图像中的特征形状匹配精度更高的特征识别算法应用于视觉对位系统,以实现更高精度的对位。
Description
技术领域
本发明涉及视觉对位的技术领域,特别涉及一种基于海量图像的视觉对位算法筛选及参数优化方法。
背景技术
对位是现代工业生产中,器件精密装配这个环节的一个专业名称,其典型应用如,以手机生产为典型代表的各种柔性或刚性器件的安装。其具体实现过程是,将位置1的物体A与位置2的物体B安装在一起,在此安装过程中,需要对物体A或物体B的水平或旋转方向有调整。实现对位功能好坏的一个关键环节在于,是否可以获得上述物体A和物体B的精确位置。为了实现位置的精确调整,工作中将会通过视觉对位系统对物体进行拍摄,并指导实现整个对位过程。在实现视觉对位过程时,最关键的因素在于,是否可以对视觉系统拍摄图像中的特征形状进行精确的定位和匹配。在研制视觉对位软件的时候,若全部依靠与硬件机台联调,成本高且效率低,所以往往通过模拟图像对算法及参数进行筛选和优化,再将优化后的算法及参数应用于视觉对位系统中。因此,如何提供一种可对多种特征识别算法进行筛选,从中筛选出对图像中的特征形状匹配精度更高的特征识别算法,实现更高精度的对位,是需要解决的技术问题。
发明内容
针对现有技术中存在的问题,本发明提供一种基于海量图像的视觉对位算法筛选及参数优化方法,对多种特征识别算法进行筛选,从中筛选出对图像中的特征形状匹配精度更高的特征识别算法,以实现更高精度的对位。
本发明的技术方案是,提供一种基于海量图像的视觉对位算法筛选及参数优化方法,所述方法包括:
S1.从模拟图像库中获取一个图像对,所述模拟图像库用于存储大量的图像对以及与每对图像相对应的对位数据,所述对位数据包括每对图像相匹配的特征形状、特征形状的平移距离以及特征形状的转动角度;
S2.选取一种特征识别算法;
S3.设置所述特征识别算法的算法处理参数;
S4.采用选取的所述特征识别算法对所述图像对中两幅图像的特征形状作匹配,得到两幅图像中所述特征形状相对的平移距离和转动角度的计算值,并确定所述特征形状的平移距离和转动角度计算值分别与所述模拟图像库存储的特征形状的平移距离和转动角度之间的偏差值;
S5.所述算法处理参数调整判断:比较所述偏差值与设定的阈值范围,若所述偏差值处于阈值范围内,则保存所述特征识别算法、算法处理参数、特征形状、特征形状的平移距离偏差值和转动角度偏差值;若所述偏差值处于阈值范围外,则回到步骤S3重新设置所述特征识别算法的算法处理参数。
优选方案,所述步骤S5中判断所述偏差值处于阈值范围内后,还包括回到步骤S2更换另一种特征识别算法。
优选方案,所述特征形状的平移距离包括水平方向的平移距离和竖直方向的平移距离。
优选方案,所述对位数据还包括每对图像相匹配的特征形状的位置畸变系数;所述步骤S5中判断所述偏差值处于阈值范围内后,还包括:根据所保存的特征识别算法针对特征形状的算法处理参数以及所述特征形状平移距离偏差值,结合所述特征形状的位置畸变系数,通过拟合方法可以得到所述特征形状的平移距离偏差值关于算法处理参数和位置畸变系数之间的拟合优化曲线。
优选方案,所述对位数据还包括每对图像相匹配的特征形状的位置畸变系数;所述步骤S5中判断所述偏差值处于阈值范围内后,还包括:根据所保存的特征识别算法针对特征形状的算法处理参数以及所述特征形状转动角度偏差值,结合所述特征形状的位置畸变系数,通过拟合方法可以得到所述特征形状的转动角度偏差值关于算法处理参数和位置畸变系数之间的拟合优化曲线。
优选方案,所述步骤S5中判断所述偏差值处于阈值范围内,保存所述特征识别算法、算法处理参数、特征形状、特征形状的平移距离偏差值和转动角度偏差值后,还包括选择特征形状的平移距离偏差值和转动角度偏差值总和最小的特征识别算法并保存。
优选方案,所述步骤S5中判断所述偏差值处于阈值范围内,保存所述特征识别算法、算法处理参数、特征形状、特征形状的平移距离偏差值和转动角度偏差值后,还包括选择特征形状的平移距离偏差值和转动角度偏差值分别与平移距离偏差值平均值和转动角度偏差值平均值的差值总和最小的特征识别算法并保存。
本发明的有益效果体现在,提供一种基于海量图像的视觉对位算法筛选及参数优化方法,采用模拟图像库中存储的大量图像对的对位数据作为特征识别算法筛选时的参考标准,即选取一图像对,通过对比基于某一特征识别算法匹配处理后的特征形状的平移距离和转动角度计算值与模拟图像库中存储的该对图像的特征形状的平移距离和转动角度并计算偏差值,判断所述偏差值是否能满足视觉对位系统根据实际使用需求设计的阈值范围,筛选出可应用于视觉对位系统中使用的算法;还可对多种特征识别算法进一步筛选优化,从中筛选出对图像中的特征形状匹配精度更高的特征识别算法应用于视觉对位系统,以实现更高精度的对位。
附图说明:
图1为本发明实施例所述一种基于海量图像的视觉对位算法筛选的流程示意图;
图2为本发明实施例所述一种基于海量图像的视觉对位算法筛选的另一流程示意图;
图3为本发明实施例所述一种基于海量图像的视觉对位算法筛选及参数优化方法的流程示意图;
图4为本发明实施例所述特征形状的其中一种形状示意图;
图5为本发明实施例所述特征形状的另一形状示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-5所示,本发明提供的具体实施例如下:
本实施例的一种基于海量图像的视觉对位算法筛选及参数优化方法,所述方法包括:
S1.从模拟图像库中获取一个图像对,所述模拟图像库用于存储大量的图像对以及与每对图像相对应的对位数据,所述对位数据包括每对图像相匹配的特征形状、特征形状的平移距离以及特征形状的转动角度;
S2.选取一种特征识别算法;
S3.设置所述特征识别算法的算法处理参数;
S4.采用选取的所述特征识别算法对所述图像对中两幅图像的特征形状作匹配,得到两幅图像中所述特征形状相对的平移距离和转动角度的计算值,并确定所述特征形状的平移距离和转动角度计算值分别与所述模拟图像库存储的特征形状的平移距离和转动角度之间的偏差值;
S5.所述算法处理参数调整判断:比较所述偏差值与设定的阈值范围,若所述偏差值处于阈值范围内,则保存所述特征识别算法、算法处理参数、特征形状、特征形状的平移距离偏差值和转动角度偏差值;若所述偏差值处于阈值范围外,则回到步骤S3重新设置所述特征识别算法的算法处理参数。
由于在研制视觉对位软件的时候,若全部依靠与硬件机台联调,成本高且效率低,因此往往通过模拟图像对算法及参数进行筛选和优化,再将优化后的算法及参数应用于视觉对位系统中。本实施例中所述模拟图像库中存储有大量的图像对以及与每对图像相对应的对位数据,上述大量的图像对中包括了特征形状可能出现的各种特殊位置的图像对,即扩大了模拟图像对的容量,利于实现对视觉系统拍摄图像中的特征形状精确的定位和匹配。图像对的具体生成包括:如以同一基点为坐标系,首先确定对位特征形状,再确定背景图像(从实际生产过程中视觉系统拍摄照片中提取的去掉特征形状的背景图像),确定其中模拟图像一中特征形状的位置(x1,y1,T1),其中x,y,T分别代表特征形状在水平方向、竖直方向的位置以及空间角度,具体表现为待对位的物体在对位平台的空间位置;确定模拟图像二中的特征形状的位置(x1+dx,y1+dy,T1+dT),以及模拟图像二中特征形状相对于模拟图像一的水平方向平移距离dx、竖直方向平移距离dy和转动角度dT;同时根据图像和所用棋盘格计算畸变系数(图像在实际物理空间的实际物理点与图像像素点之间的比例系数);针对两幅模拟图像,若特征形状位置有畸变,则需要调用该位置的畸变系数子矩阵对特征形状做畸变处理,并设定特征形状的转动角度,利用特征形状处理算法对特征形状进行处理(将特征形状放在背景图像中时,需要对轮廓处理,如轮廓宽度和边缘的确定,边缘与周围背景的变化关系等)后生成图像对中的模拟图像一和模拟图像二。采用上述方案将不同的特征形状在背景图像中所有位置生成相应的图像对,即得到大量的图像对以及与每对图像相对应的对位数据,大量的图像对中包括了不同特征形状可能出现的各种特殊位置的图像对,即扩大了模拟图像对的容量,为筛选特征识别算法提供足够的图像对(筛选出能够达到应用于视觉对位系统中对特征形状的匹配精度要求的特征识别算法),利于实现对视觉系统拍摄图像中的特征形状精确的定位和匹配,避免全部依靠与硬件机台联调带来的成本高且效率低的现象。而每对图像相匹配的特征形状、特征形状的平移距离以及特征形状的转动角度作为已知的对位数据与该图像对一同被存储,用于特征识别算法的筛选参考标准使用。
本实施例中,视觉对位工作中算法的筛选具体为:从模拟图像库中获取一个图像对,选取一种特征识别算法,设置所述特征识别算法的算法处理参数;采用选取的所述特征识别算法对所述图像对中两幅图像的特征形状作匹配,得到两幅图像中所述特征形状相对的平移距离(水平方向平移距离dx′和竖直方向平移距离dy′)和转动角度dT′的计算值,并确定所述特征形状的平移距离和转动角度计算值分别与所述模拟图像库存储的特征形状的平移距离(dx和dy)和转动角度dT之间的偏差值,其中偏差值可包括:水平方向平移距离偏差值mx=|dx′-dx|;竖直方向平移距离偏差值my=|dy′-dy|;转动角度偏差值mT=|dT′-dT|。最终判断所述偏差值是否处于设定的阈值范围内,其中所述设定的阈值范围为实际应用中视觉对位系统根据实际使用时需求(如对位精度要求)设计的阈值范围,即若偏差值处于阈值范围内,表明所述特征识别算法可应用于视觉对位系统中使用,若偏差值处于阈值范围外,则表明该算法应用时对特征形状的匹配精度还达不到要求,需要重新设置所述特征识别算法的算法处理参数直至偏差值处于阈值范围内,达到应用于视觉对位系统时对特征形状的匹配精度要求。
优选实施例方案,所述步骤S5中判断所述偏差值处于阈值范围内后,还包括回到步骤S2更换另一种特征识别算法。本实施例中,为了实现对多种特征识别算法进行筛选,从中筛选出可满足应用于视觉对位系统时对特征形状的匹配精度要求的多种算法,当步骤S5中判断所述偏差值处于阈值范围内后,还包括回到步骤S2更换另一种特征识别算法,从而筛选出可应用于视觉对位系统中使用的其他特征识别算法。
优选实施例方案,所述特征形状的平移距离包括水平方向的平移距离和竖直方向的平移距离。
优选实施例方案,所述对位数据还包括每对图像相匹配的特征形状的位置畸变系数;所述步骤S5中判断所述偏差值处于阈值范围内后,还包括:根据所保存的特征识别算法针对特征形状的算法处理参数以及所述特征形状平移距离偏差值,结合所述特征形状的位置畸变系数,通过拟合方法可以得到所述特征形状的平移距离偏差值关于算法处理参数和位置畸变系数之间的拟合优化曲线。本实施例中,进一步对筛选出的多种特征识别算法进行优化,针对确定的特征识别算法和确定的特征形状所获得的算法处理参数P1和位置畸变系数P2与该特征形状的平移距离偏差值(水平方向平移距离偏差值mx和竖直方向平移距离偏差值my)之间的定量的对应关系,在此数据基础上,通过拟合方法,可以得到特征形状的平移距离偏差值关于算法处理参数和位置畸变系数之间的拟合优化曲线,如mx=f(P1,P2),my=f(P1,P2),在实现算法筛选的同时,可得到算法处理参数分布规律。
优选实施例方案,所述对位数据还包括每对图像相匹配的特征形状的位置畸变系数;所述步骤S5中判断所述偏差值处于阈值范围内后,还包括:根据所保存的特征识别算法针对特征形状的算法处理参数以及所述特征形状转动角度偏差值,结合所述特征形状的位置畸变系数,通过拟合方法可以得到所述特征形状的转动角度偏差值关于算法处理参数和位置畸变系数之间的拟合优化曲线。本实施例中,进一步对筛选出的多种特征识别算法进行优化,针对确定的特征识别算法和确定的特征形状所获得的算法处理参数P1和位置畸变系数P2与该特征形状的转动角度偏差值mT之间的定量的对应关系,在此数据基础上,通过拟合方法,可以得到特征形状的转动角度偏差值关于算法处理参数和位置畸变系数之间的拟合优化曲线,如mT=f(P1,P2),在实现算法筛选的同时,可得到算法处理参数分布规律。
优选实施例方案,所述步骤S5中判断所述偏差值处于阈值范围内,保存所述特征识别算法、算法处理参数、特征形状、特征形状的平移距离偏差值和转动角度偏差值后,还包括选择特征形状的平移距离偏差值和转动角度偏差值总和最小的特征识别算法并保存。本实施例中,为了实现对多种特征识别算法进行筛选及优化参数(即特征识别算法的算法处理参数),从中筛选出对图像中的特征形状匹配精度更高的特征识别算法,以实现更高精度的对位,当步骤S5中判断所述偏差值处于阈值范围内,保存所述特征识别算法、算法处理参数、特征形状、特征形状的平移距离偏差值和转动角度偏差值后,可对筛选出的特征识别算法作进一步优化处理,具体为:针对所筛选出的特征识别算法以及确定的特征形状,分别计算所述特征形状的平移距离偏差值和转动角度偏差值总和K,即K=mx+my+mT,并选择特征形状的平移距离偏差值和转动角度偏差值总和最小时对应的特征识别算法,保存该特征识别算法以及此时对应的算法处理参数,可将进一步优化处理后得到的该特征识别算法应用于视觉对位系统,以实现更高精度的对位。
优选实施例方案,所述步骤S5中判断所述偏差值处于阈值范围内,保存所述特征识别算法、算法处理参数、特征形状、特征形状的平移距离偏差值和转动角度偏差值后,还包括选择特征形状的平移距离偏差值和转动角度偏差值分别与平移距离偏差值平均值和转动角度偏差值平均值的差值总和最小的特征识别算法并保存。本实施例中,为了实现对多种特征识别算法进行筛选及优化参数(即特征识别算法的算法处理参数),从中筛选出对图像中的特征形状匹配精度更高的特征识别算法,以实现更高精度的对位,当步骤S5中判断所述偏差值处于阈值范围内,保存所述特征识别算法、算法处理参数、特征形状、特征形状的平移距离偏差值和转动角度偏差值后,可对筛选出的特征识别算法作进一步优化处理,具体为:基于所筛选出的特征识别算法以及确定的特征形状,分别计算所述特征形状的平移距离偏差值和转动角度偏差值的平均值(包括和),并针对所筛选出的多种特征识别算法分别计算特征形状的平移距离偏差值和转动角度偏差值分别与所述平移距离偏差值平均值和转动角度偏差值平均值的差值总和K′,即选择差值总和最小时所对应的特征识别算法,保存该特征识别算法以及此时对应的算法处理参数,可将进一步优化处理后得到的该特征识别算法应用于视觉对位系统,以实现更高精度的对位。采用上述方案,可避免出现在特征形状的平移距离偏差值和转动角度偏差值总和最小情况下,有可能mx、my和mT三个值中的某两个值很小而出现另一值较高的情况,结合实际的应用情况可能表现为,当特征形状的转动角度偏差值和水平方向平移距离偏差值很小的情况下,而竖直方向平移距离偏差值较大,将会影响待对位物体的精确对位。
优选实施例方案,所述特征形状包括多边形、角或线条中的一种或多种。具体的,所述特征形状可以为圆形、方形、十字形等形状,可以为线段、折线等,也可以为直角、弧形角等,在确定对位时的特征形状时可根据实际对位情况进行选择。
在本发明的实施例的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“中心”、“顶”、“底”、“顶部”、“底部”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了使于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。其中,“里侧”是指内部或围起来的区域或空间。“外围”是指某特定部件或特定区域的周围的区域。
在本发明的实施例的描述中,术语“第一”、“第二”、“第三”、“第四”仅用以描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的实施例的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“组装”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的实施例的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的实施例的描述中,需要理解的是,“-”和“~”表示的是两个数值之同的范围,并且该范围包括端点。例如:“A-B”表示大于或等于A,且小于或等于B的范围。“A~B″表示大于或等于A,且小于或等于B的范围。
在本发明的实施例的描述中,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于海量图像的视觉对位算法筛选及参数优化方法,其特征在于,所述方法包括:
S1.从模拟图像库中获取一个图像对,所述模拟图像库用于存储大量的图像对以及与每对图像相对应的对位数据,所述对位数据包括每对图像相匹配的特征形状、特征形状的平移距离以及特征形状的转动角度;
S2.选取一种特征识别算法;
S3.设置所述特征识别算法的算法处理参数;
S4.采用选取的所述特征识别算法对所述图像对中两幅图像的特征形状作匹配,得到两幅图像中所述特征形状相对的平移距离和转动角度的计算值,并确定所述特征形状的平移距离和转动角度计算值分别与所述模拟图像库存储的特征形状的平移距离和转动角度之间的偏差值;
S5.所述算法处理参数调整判断:比较所述偏差值与设定的阈值范围,若所述偏差值处于阈值范围内,则保存所述特征识别算法、算法处理参数、特征形状、特征形状的平移距离偏差值和转动角度偏差值;若所述偏差值处于阈值范围外,则回到步骤S3重新设置所述特征识别算法的算法处理参数;
所述对位数据还包括每对图像相匹配的特征形状的位置畸变系数;所述步骤S5中判断所述偏差值处于阈值范围内后,还包括:根据所保存的特征识别算法针对特征形状的算法处理参数以及所述特征形状平移距离偏差值,结合所述特征形状的位置畸变系数,通过拟合方法得到所述特征形状的平移距离偏差值以及转动角度偏差值关于算法处理参数和位置畸变系数之间的拟合优化曲线。
2.如权利要求1所述的一种基于海量图像的视觉对位算法筛选及参数优化方法,其特征在于,所述步骤S5中判断所述偏差值处于阈值范围内后,还包括回到步骤S2更换另一种特征识别算法。
3.如权利要求2所述的一种基于海量图像的视觉对位算法筛选及参数优化方法,其特征在于,所述特征形状的平移距离包括水平方向的平移距离和竖直方向的平移距离。
4.如权利要求1所述的一种基于海量图像的视觉对位算法筛选及参数优化方法,其特征在于,所述步骤S5中判断所述偏差值处于阈值范围内,保存所述特征识别算法、算法处理参数、特征形状、特征形状的平移距离偏差值和转动角度偏差值后,还包括选择特征形状的平移距离偏差值和转动角度偏差值总和最小的特征识别算法并保存。
5.如权利要求1所述的一种基于海量图像的视觉对位算法筛选及参数优化方法,其特征在于,所述步骤S5中判断所述偏差值处于阈值范围内,保存所述特征识别算法、算法处理参数、特征形状、特征形状的平移距离偏差值和转动角度偏差值后,还包括选择特征形状的平移距离偏差值和转动角度偏差值分别与平移距离偏差值平均值和转动角度偏差值平均值的差值总和最小的特征识别算法并保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810649954.3A CN108846443B (zh) | 2018-06-22 | 2018-06-22 | 一种基于海量图像的视觉对位算法筛选及参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810649954.3A CN108846443B (zh) | 2018-06-22 | 2018-06-22 | 一种基于海量图像的视觉对位算法筛选及参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108846443A CN108846443A (zh) | 2018-11-20 |
CN108846443B true CN108846443B (zh) | 2020-04-03 |
Family
ID=64203486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810649954.3A Active CN108846443B (zh) | 2018-06-22 | 2018-06-22 | 一种基于海量图像的视觉对位算法筛选及参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846443B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146865B (zh) * | 2018-08-22 | 2020-05-05 | 成都新西旺自动化科技有限公司 | 一种视觉对位检测图源生成系统 |
CN112508997B (zh) * | 2020-11-06 | 2022-05-24 | 霸州嘉明扬科技有限公司 | 航拍图像的视觉对位算法筛选及参数优化系统和方法 |
CN112509048A (zh) * | 2020-12-15 | 2021-03-16 | 西安杰西航空科技有限公司 | 航拍图像的视觉对位算法筛选及数据处理系统和方法 |
CN114066828B (zh) * | 2021-11-03 | 2022-09-02 | 深圳市创科自动化控制技术有限公司 | 一种基于多功能底层算法的图像处理方法及系统 |
CN115409845B (zh) * | 2022-11-03 | 2023-02-03 | 成都新西旺自动化科技有限公司 | 一种异形高精度均衡对位方法及系统 |
CN116689328B (zh) * | 2023-08-09 | 2023-10-31 | 成都新西旺自动化科技有限公司 | 一种手机后盖产品卡控分料装置及其卡控分料方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408718A (zh) * | 2014-11-24 | 2015-03-11 | 中国科学院自动化研究所 | 一种基于双目视觉测量的步态数据处理方法 |
CN105607651A (zh) * | 2015-11-05 | 2016-05-25 | 深圳市华汉伟业科技有限公司 | 一种快速的视觉引导对位系统及方法 |
CN105740899A (zh) * | 2016-01-29 | 2016-07-06 | 长安大学 | 一种机器视觉图像特征点检测与匹配复合的优化方法 |
CN107077117A (zh) * | 2014-10-29 | 2017-08-18 | 西门子公司 | 基于上下文知识的自动压缩算法选择和参数调节 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663767B (zh) * | 2012-05-08 | 2014-08-06 | 北京信息科技大学 | 视觉测量系统的相机参数标定优化方法 |
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 |
-
2018
- 2018-06-22 CN CN201810649954.3A patent/CN108846443B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107077117A (zh) * | 2014-10-29 | 2017-08-18 | 西门子公司 | 基于上下文知识的自动压缩算法选择和参数调节 |
CN104408718A (zh) * | 2014-11-24 | 2015-03-11 | 中国科学院自动化研究所 | 一种基于双目视觉测量的步态数据处理方法 |
CN105607651A (zh) * | 2015-11-05 | 2016-05-25 | 深圳市华汉伟业科技有限公司 | 一种快速的视觉引导对位系统及方法 |
CN105740899A (zh) * | 2016-01-29 | 2016-07-06 | 长安大学 | 一种机器视觉图像特征点检测与匹配复合的优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108846443A (zh) | 2018-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846443B (zh) | 一种基于海量图像的视觉对位算法筛选及参数优化方法 | |
CN112200771B (zh) | 一种高度测量方法、装置、设备和介质 | |
CN106982312A (zh) | 多光圈相机系统及其操作方法 | |
CN102984531A (zh) | 图像处理设备、图像处理方法以及程序 | |
US20110235898A1 (en) | Matching process in three-dimensional registration and computer-readable storage medium storing a program thereof | |
KR20200049207A (ko) | 왜곡계수 추정을 통한 영상 보정 시스템 및 방법 | |
KR20110068375A (ko) | 어안 렌즈를 구비하는 카메라 모듈에 의해 획득된 영상의 왜곡 보정을 위한 파라미터 조정 방법 | |
CN113920205B (zh) | 一种非同轴相机的标定方法 | |
CN108629810A (zh) | 双目相机的标定方法、装置及终端 | |
EP1484576A2 (en) | Apparatus and method for calibrating zoom lens | |
CN106416242A (zh) | 两个投影装置的增强型校准方法 | |
JP2024507089A (ja) | 画像のコレスポンデンス分析装置およびその分析方法 | |
CN112132907A (zh) | 一种相机标定方法、装置、电子设备及存储介质 | |
Tjahjadi et al. | Precise wide baseline stereo image matching for compact digital cameras | |
CN113465573A (zh) | 单目测距方法、装置及智能装置 | |
CN113793266A (zh) | 一种多目机器视觉图像拼接方法、系统及存储介质 | |
CN109215133B (zh) | 一种用于视觉对位算法筛选的模拟图像库构建方法 | |
CN111145266B (zh) | 一种鱼眼相机标定方法、装置、鱼眼相机及可读存储介质 | |
CN109146865B (zh) | 一种视觉对位检测图源生成系统 | |
CN117152272A (zh) | 基于全息沙盘的视角追踪方法、装置、设备及存储介质 | |
CN109313811A (zh) | 基于视觉系统振动移位的自动校正方法、装置及系统 | |
KR101239671B1 (ko) | 렌즈에 의한 왜곡 영상 보정방법 및 그 장치 | |
US11516448B2 (en) | Method and apparatus for compensating projection images | |
KR20190110311A (ko) | 어라운드뷰 카메라의 캘리브레이션 장치 및 그 방법 | |
CN110874820A (zh) | 一种物料仿真形变数据获取方法及装置 |
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 |