CN108898148B - 一种数字图像角点检测方法、系统及计算机可读存储介质 - Google Patents
一种数字图像角点检测方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108898148B CN108898148B CN201810680992.5A CN201810680992A CN108898148B CN 108898148 B CN108898148 B CN 108898148B CN 201810680992 A CN201810680992 A CN 201810680992A CN 108898148 B CN108898148 B CN 108898148B
- Authority
- CN
- China
- Prior art keywords
- candidate
- point
- corner
- points
- image
- 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
- 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
- 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
- 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
Abstract
一种数字图像的角点检测方法、系统及计算机可读存储介质,所述方法包括步骤:输入图像为二值化的二维图像;提取所述二值化的二维图像的图像外轮廓;对所述图像外轮廓进行K次遍历以检测候选角点,K>1;记录每次遍历检测得到的候选角点;对所有的候选角点进行分组;每组中选择一个所述候选角点作为该组的角点,得到图像最终的角点。本发明通过对外轮廓的像素点进行多次遍历以检测获得候选角点、并对所述候选角点进行分组并筛选得到最终的角点位置。该方法能够准确找到图像轮廓中所有的真实角点,具有定位精度高、鲁棒性强等特点,可以有效地实现二维图像的角点检测与定位,克服了角点定位精度较低的缺点。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于距离的数字图像角点检测方法、系统及计算机可读存储介质。
背景技术
角点是指图像中边界曲线上具有曲率极大值的点,或者说,在该点附近的灰度值会发生剧烈的变化。角点检测是计算机视觉系统中用来获得图像特征的一种方法,广泛应用于运动检测、图像匹配、视频跟踪、三维建模和目标识别等领域中,也称为特征点检测。现有的角点检测方法主要分为两类:一是根据图像边缘轮廓特征,用图像边缘轮廓上的点计算边缘曲率或者夹角来判定角点;二是利用图像的灰度信息进行角点检测。由于计算轮廓点的曲率时,需要计算一阶和二阶导数,如果计算曲率所涉及的邻域太小,将导致角点检测算法对局部变化非常敏感,由此检测出的角点位置精度较低;而利用灰度信息的方法角点定位不太准确。
发明内容
为解决上述问题,本发明提供了一种数字图像角点检测方法、系统及计算机可读存储介质,可以有效地实现二维图像的角点检测与定位。
本发明的第一方面提供了一种数字图像的角点检测方法,包括如下步骤:
输入图像为二值化的二维图像;
提取所述二值化的二维图像的图像外轮廓;
对所述图像外轮廓进行K次遍历以检测候选角点,K>1;记录每次遍历检测得到的候选角点;
对所有的候选角点进行分组;
每组中选择一个所述候选角点作为该组的角点,得到图像最终的角点。
在一些实施例中,所述遍历包括:
将外轮廓的所有像素点分成若干段,每段像素点的个数为L,L为正整数,确定每段的开始位置和结束位置;
将每段的开始和结束位置相连构成弦,并计算该段中每个像素点到该弦的距离,保留最大距离的像素点;若最大距离大于预设的距离阈值,则该最大距离的像素点为候选角点。
在一些实施例中,对所述图像外轮廓进行K次遍历以检测候选角点的步骤包括每次遍历调整所述图像外轮廓的像素点的起始位置,所述起始位置为:
令外轮廓的像素点总和为N;k为实际遍历的次数,1≤k≤K;且令K<L;
当k=1时,遍历的像素点的排序为(1,2,3,…,N-2,N-1,N),即起始位置的像素点为序号1的像素点;每段的开始位置为1,L+1,2L+1…,每段的结束位置为L,2L,3L…;
当1<k≤K时,令H=round((k-1)*L/K),round表示取整数,遍历的像素点的排序为(H,H+1,H+2,…,N-1,N,1,2,…,H-1),即起始位置的像素点为序号H的像素点;每段的开始位置为H,(L+H),(2L+H)…,每段的结束位置为(L+H-1),(2L+H-1),(3L+H-1)…。
在一些实施例中,当N/L有余数m时,则每次遍历的最后一段中的像素点个数为m。
在一些实施例中,在对所有的候选角点进行分组前,还包括将重复的候选角点去除的步骤。
在一些实施例中,所述对所有的候选角点进行分组的步骤包括:
当候选角点的位置序号之间的差值小于一预定阈值时,则将其划分为同一组。
在一些实施例中,每个候选角点对应一个分组。
在一些实施例中,所述每组中选择一个所述候选角点作为该组的角点,得到图像最终的角点的步骤包括:
当该组只有一个候选角点时,那么直接输出该候选角点的位置作为该组的角点位置;
当该组的候选角点个数大于等于2时,每个候选角点Pi以自身位置为中心,向前后各扩展f个像素位置,连接其两端端点构成弦,所述两端端点的位置分别为P(i-f)、P(i+f)的位置,并求每个候选角点Pi自身所在位置到该弦的距离,保留距离最大的位置即作为该组的角点位置。
本发明的第二方面提供了一种数字图像的角点检测系统,该系统包括:
存储器以及一个或多个处理器;
其中,所述存储器与所述一个或多个处理器通信连接,所述存储器中存储有可被所述一个或多个处理器执行的指令,所述指令被所述一个或多个处理器执行,以使所述一个或多个处理器用于执行如前所述的方法。
本发明的第三方面提供了一种计算机可读存储介质,其上存储有计算机可执行指令,当所述计算机可执行指令被计算装置执行时,可操作来执行如前所述的方法。
综上所述,本发明提供了一种数字图像的角点检测方法、系统及计算机可读存储介质,所述方法对二值化图像进行外轮廓提取处理,并对外轮廓的像素点进行多次遍历以检测获得候选角点,对所述候选角点进行分组并筛选得到最终的角点位置。通过上述方法,能够准确找到图像轮廓中所有的真实角点,该方法具有定位精度高、鲁棒性强等特点,可以有效地实现二维图像的角点检测与定位,克服了角点定位精度较低的缺点。
附图说明
图1为本发明的总体流程图;
图2为本发明具体实施例的方法流程图;
图3为本发明具体实施例的输入图像;
图4为本发明具体实施例的输入图像外轮廓;
图5为本发明具体实施例的外轮廓上的所有像素点分段;
图6为图5的区域放大图;
图7为本发明具体实施例的第一次遍历轮廓检测角点示意图;
图8为本发明具体实施例的第二次遍历轮廓检测角点示意图;
图9为本发明具体实施例的第三次遍历轮廓检测角点示意图;
图10为本发明具体实施例的每组选择最终角点示意图;
图11为本发明具体实施例的第一次遍历矩形轮廓检测角点位置;
图12为本发明具体实施例的第二次遍历矩形轮廓检测角点位置;
图13为本发明具体实施例的第三次遍历矩形轮廓检测角点位置;
图14为本发明具体实施例的矩形轮廓最终的角点位置;
图15为本发明具体实施例的矩形角点检测示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
如图1所示,本发明提供了一种数字图像的角点检测方法100,包括如下步骤:
步骤110、输入图像为二值化的二维图像。二值化的图像可以使整个图像呈现出明显的黑白效果,以凸显出图像的外轮廓。
步骤120、提取所述二值化的二维图像的图像外轮廓。目前提取图像外轮廓的方法有两类,一类是利用传统的边缘检测算子检测目标轮廓,边缘检测通常将图像与微分算子卷积,比如借助于Sobel算子、Prewitt算子、Canny算子等。另一类是从人类视觉系统中提取可以使用的数学模型完成目标轮廓检测。本发明对外轮廓的提取方法不做限定。
步骤130、对所述图像外轮廓进行K次遍历以检测候选角点,K>1且为整数;记录每次遍历检测得到的候选角点。所述遍历包括:将外轮廓的所有像素点分成若干段,每段像素点的个数为L,L为正整数,确定每段的开始位置和结束位置;将每段的开始和结束位置相连构成弦,并计算该段中每个像素点到该弦的距离,保留最大距离的像素点;若最大距离大于预设的距离阈值,则该最大距离的像素点为候选角点。
其中,对所述图像外轮廓进行K次遍历以检测候选角点的步骤包括每次遍历调整所述图像外轮廓的像素点的起始位置,所述起始位置为:
令外轮廓的像素点总和为N;k为实际遍历的次数,1≤k≤K;且令K<L;
当k=1时,遍历的像素点的排序为(1,2,3,…,N-2,N-1,N),即起始位置的像素点为序号1的像素点;每段的开始位置为1,L+1,2L+1…,每段的结束位置为L,2L,3L…。当1<k≤K时,令H=round((k-1)*L/K),round表示取整数,遍历的像素点的排序为(H,H+1,H+2,…,N-1,N,1,2,…,H-1),即起始位置的像素点为序号H的像素点;每段的开始位置为H,(L+H),(2L+H)…,每段的结束位置为(L+H-1),(2L+H-1),(3L+H-1)…。每个像素点的序号在不同遍历情况下是不变的,遍历的排序是可以变化的。比如像素点1的序号是1,在第一次遍历时,其排序是第一个;在第二次排序时,像素点1的序号还是1,但遍历的排序第一的像素点已经变成序号为H=round(L/K)的像素点。
进一步地,当N/L有余数m时,则每次遍历的最后一段中的像素点个数为m。
步骤140、对所有的候选角点进行分组。当候选角点的位置序号之间的差值小于一预定阈值时,则将其划分为同一组。每个候选角点仅对应于一个分组。在一些实施例中,在对所有的候选角点进行分组前,还包括将重复的候选角点去除的步骤。
步骤150、每组中选择一个所述候选角点作为该组的角点,得到图像最终的角点。包括:当该组只有一个候选角点时,那么直接输出该候选角点的位置作为该组的角点位置;当该组的候选角点个数大于等于2时,每个候选角点Pi以自身位置为中心,向前后各扩展f个像素位置,连接其两端端点构成弦。其中,i为候选角点像素点的序号,所述两端端点的位置分别为P(i-f)、P(i+f)的位置,并求每个候选角点Pi自身所在位置到该弦的距离,保留距离最大的位置即作为该组的角点位置。
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下将结合附图及具体的实施例,对本发明做进一步详细说明。在具体实施例中,遍历次数K取值为3。
一种基于距离的数字图像角点检测方法200,其方法流程如图2所示,包括以下步骤:
步骤210、图像输入:输入图像为二值化的二维图像,如图3所示。
步骤220、提取输入图像外轮廓,如图4所示。由sobel算子提取输入图像的工件外轮廓:sobel算子包含两个3x3的卷积核Gx与Gy,其中Gx=[-1,0,1;-2,0,2;-1,0,1]、Gy=[1,2,1;0,0,0;-1,-2,-1],图像中的每一个像素点都与这两个卷积核进行卷积运算,取其最大值输出即得到输入图像的工件外轮廓。
步骤230、第一次遍历图像轮廓检测候选角点,其具体步骤如下:
步骤231、外轮廓上的所有像素点分成若干段,每段像素点个数为L,并确定每段的开始结束位置。如图5、6所示,灰色点1表示每个分段的开始位置,灰色点2表示每个分段的结束位置。图7中,设P1,P2,P3,…,Pn为轮廓上的n个像素点,将其分成若干段,每段长度为L,如Pi+1到Pi+L以及Pi+L+1到Pi+2L。
步骤232、将每段的开始和结束位置相连构成弦,并计算该段中每个像素点到该弦的距离,保留最大距离点;若最大距离大于所设距离阈值,那么该点即为候选角点位置。如图7所示,将Pi+1与Pi+L相连构成弦C1,同时计算Pi+1、Pi+L之间的所有像素点到弦C1的距离,并保留最大距离点Qi;若最大距离大于所设距离阈值,那么Qi点即作为候选角点位置。矩形轮廓候选角点3的第一次检测结果,如图11所示。
步骤240、第二次遍历轮廓检测图像候选角点,其具体步骤如下:
步骤241、调整外轮廓的起始位置,使得起始位置向后移动round(L/3)个像素点,其中round表示取整。将外轮廓上的所有像素点分成若干段,每段像素点个数为L,并确定每段的开始结束位置。图8中,设P1,P2,P3,…,Pn为轮廓上的n个像素点,将其分成若干段,每段长度为L,如Pi+L/3到Pi+4L/3。由于起始位置向后移动round(L/3)个像素点,因此图8中的起始位置由Pi+1变为Pi+L/3。
步骤242、将每段的开始和结束位置相连构成弦,并计算该段中每个像素点到该弦的距离,保留最大距离点;若最大距离大于所设距离阈值,那么该点即为候选角点位置。如图8所示,将Pi+L/3与Pi+4L/3相连构成弦C3,同时计算Pi+L/3、Pi+4L/3之间的所有像素点到弦C3的距离,并保留最大距离点Qi1;若最大距离大于所设距离阈值,那么Qi1点即作为候选角点位置。矩形轮廓候选角点的第二次检测结果,如图12所示。
步骤250、第三次遍历轮廓检测图像候选角点,其具体步骤如下:
步骤251、再次调整外轮廓的起始位置,使得起始位置向后移动round(2L/3)个像素点。将外轮廓上的所有像素点分成若干段,每段像素点个数为L,并确定每段的开始结束位置。图9中,设P1,P2,P3,…,Pn为轮廓上的n个像素点,将其分成若干段,每段长度为L,如Pi+2L/3到Pi+5L/3。由于起始位置向后移动round(2L/3)个像素点,因此图9中的起始位置由Pi+L/3变为Pi+2L/3。如图所示弦C5的起始位置变为Pi+2L/3。
步骤252、将每段的开始和结束位置相连构成弦,并计算该段中每个像素点到该弦的距离,保留最大距离点,若最大距离大于所设距离阈值,那么该点即为候选角点位置。如图9所示,将Pi+2L/3与Pi+5L/3相连构成弦C5,同时计算Pi+2L/3、Pi+5L/3之间的所有像素点到弦C5的距离,并保留最大距离点Qi2,若最大距离大于所设距离阈值,那么Qi2点即作为候选角点位置。矩形轮廓候选角点的第三次检测结果,如图13所示。
步骤260、对所有的候选角点进行分组。当候选角点的位置序号之间相差小于某一阈值时,则将其划归为同一组。经过前面三次遍历图像轮廓检测角点后,假设在Pi+1到Pi+5L/3区间中,得到了三个候选角点Qi、Qi1以及Qi2,如果它们的位置序号之间相差小于某一阈值时,则将这三个候选角点划归为同一组。
步骤270、每组中选择一个角点作为该组最终的角点,最后得到图像所有的真实角点。当该组只有一个候选角点时,那么直接输出该点位置作为该组的最终角点位置;当该组的候选角点个数大于等于2时,每个候选角点以自身位置为中心,向前后各扩展五个像素位置,连接其两端端点构成弦,并求自身所在位置到该弦的距离,保留距离最大的位置即作为该组的最终角点位置。
如图10所示,Qi向前后各扩展五个像素位置到达Qi-5、Qi+5位置,连接Qi-5与Qi+5,并计算得到Qi到弦Qi-5Qi+5的距离Di;Qi1向前后各扩展五个像素位置到达Qi1-5、Qi1+5位置,连接Qi1-5与Qi1+5,并计算得到Qi1到弦Qi1-5Qi1+5的距离Di1;Qi2向前后各扩展五个像素位置到达Qi2-5、Qi2+5位置,连接Qi2-5与Qi2+5,并计算得到Qi2到弦Qi2-5Qi2+5的距离Di2,由此得到距离集合[Di,Di1,Di2],保留距离最大max(Di,Di1,Di2)的角点即作为该组的最终角点。矩形轮廓最终的角点位置,如图14所示。
所述步骤231中外轮廓上的所有像素点分成若干段,每段像素点个数为L。设外轮廓的像素点总和为N,当N/L有余数m时,那么最后一段就从m个像素点中选取离弦最远的点。
所述步骤241、251中调整外轮廓的起始位置。设外轮廓的像素点总和为N,第一次遍历图像轮廓检测角点时,像素点的排序为(1,2,3,…,N-2,N-1,N);第二次遍历图像轮廓检测角点时,令I=round(L/3),则像素点的排序变为(I,I+1,I+2,…,N-1,N,1,…,I-1);第三次遍历图像轮廓检测角点时,令J=round(2L/3),则像素点的排序变为(J,J+1,J+2,…,N-1,N,1,…,J-1)。
所述步骤230、240、250通过三次遍历轮廓检测图像角点,是为了更准确找到图像轮廓中所有的真实角点。如果只通过一次遍历轮廓来检测图像角点,某些真实角点就可能被掩盖。如图15(a)所示,当轮廓上的像素点分段为P1—P4、P5—P8时,P1—P4段的点到弦长最大距离为0,同样P5—P8段的点到弦长最大距离也为0,这样将导致真实角点P4被掩盖。调整轮廓的起始位置后再分段,如图15(b)(c)所示,在P2—P5、P3—P6段中,P4到弦P2P5、P3P6的距离为该段的最大距离,P4也就被检测出来作为候选角点。
所述步骤260中对所有的候选角点进行分组前,需先将重复的候选角点去除。
本发明的第二方面提供了一种数字图像的角点检测系统,该系统包括:
存储器以及一个或多个处理器;
其中,所述存储器与所述一个或多个处理器通信连接,所述存储器中存储有可被所述一个或多个处理器执行的指令,所述指令被所述一个或多个处理器执行,以使所述一个或多个处理器用于执行如前所述的方法。
本发明的第三方面提供了一种计算机可读存储介质,其上存储有计算机可执行指令,当所述计算机可执行指令被计算装置执行时,可操作来执行如前所述的方法。
综上所述,本发明提供了一种数字图像的角点检测方法、系统及计算机可读存储介质,所述方法包括步骤:输入图像为二值化的二维图像;提取所述二值化的二维图像的图像外轮廓;对所述图像外轮廓进行K次遍历以检测候选角点,K>1;记录每次遍历检测得到的候选角点;对所有的候选角点进行分组;每组中选择一个所述候选角点作为该组的角点,得到图像最终的角点。本发明通过对外轮廓的像素点进行多次遍历以检测获得候选角点、并对所述候选角点进行分组并筛选得到最终的角点位置。该方法能够准确找到图像轮廓中所有的真实角点,具有定位精度高、鲁棒性强等特点,可以有效地实现二维图像的角点检测与定位,克服了角点定位精度较低的缺点。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (8)
1.一种数字图像的角点检测方法,其特征在于,包括如下步骤:
输入图像为二值化的二维图像;
提取所述二值化的二维图像的图像外轮廓;
对所述图像外轮廓进行K次遍历以检测候选角点,K>1;记录每次遍历检测得到的候选角点;
对所有的候选角点进行分组;
每组中选择一个所述候选角点作为该组的角点,得到图像最终的角点;
所述遍历包括:
将外轮廓的所有像素点分成若干段,每段像素点的个数为L,L为正整数,确定每段的开始位置和结束位置;
将每段的开始和结束位置相连构成弦,并计算该段中每个像素点到该弦的距离,保留最大距离的像素点;若最大距离大于预设的距离阈值,则该最大距离的像素点为候选角点;
对所述图像外轮廓进行K次遍历以检测候选角点的步骤包括每次遍历调整所述图像外轮廓的像素点的起始位置,所述起始位置为:
令外轮廓的像素点总和为N;k为实际遍历的次数,1≤k≤K;且令K<L;
当k=1时,遍历的像素点的排序为(1,2,3,…,N-2,N-1,N),即起始位置的像素点为序号1的像素点;每段的开始位置为1,L+1,2L+1…,每段的结束位置为L,2L,3L…;
当1<k≤K时,令H=round((k-1)*L/K),round表示取整数,遍历的像素点的排序为(H,H+1,H+2,…,N-1,N,1,2,…,H-1),即起始位置的像素点为序号H的像素点;每段的开始位置为H,(L+H),(2L+H)…,每段的结束位置为(L+H-1),(2L+H-1),(3L+H-1)…。
2.根据权利要求1所述的数字图像的角点检测方法,其特征在于,当N/L有余数m时,则每次遍历的最后一段中的像素点个数为m。
3.根据权利要求1或2所述的数字图像的角点检测方法,其特征在于,在对所有的候选角点进行分组前,还包括将重复的候选角点去除的步骤。
4.根据权利要求1或2所述的数字图像的角点检测方法,其特征在于,所述对所有的候选角点进行分组的步骤包括:
当候选角点的位置序号之间的差值小于一预定阈值时,则将其划分为同一组。
5.根据权利要求4所述的数字图像的角点检测方法,其特征在于,每个候选角点对应一个分组。
6.根据权利要求1所述的数字图像的角点检测方法,其特征在于,所述每组中选择一个所述候选角点作为该组的角点,得到图像最终的角点的步骤包括:
当该组只有一个候选角点时,那么直接输出该候选角点的位置作为该组的角点位置;
当该组的候选角点个数大于等于2时,每个候选角点Pi以自身位置为中心,向前后各扩展f个像素位置,连接其两端端点构成弦,所述两端端点的位置分别为P(i-f)、P(i+f)的位置,并求每个候选角点Pi自身所在位置到该弦的距离,保留距离最大的位置即作为该组的角点位置。
7.一种数字图像的角点检测系统,其特征在于,该系统包括:
存储器以及一个或多个处理器;
其中,所述存储器与所述一个或多个处理器通信连接,所述存储器中存储有可被所述一个或多个处理器执行的指令,所述指令被所述一个或多个处理器执行,以使所述一个或多个处理器用于执行权利要求1-6任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机可执行指令,当所述计算机可执行指令被计算装置执行时,可操作来执行权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810680992.5A CN108898148B (zh) | 2018-06-27 | 2018-06-27 | 一种数字图像角点检测方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810680992.5A CN108898148B (zh) | 2018-06-27 | 2018-06-27 | 一种数字图像角点检测方法、系统及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108898148A CN108898148A (zh) | 2018-11-27 |
CN108898148B true CN108898148B (zh) | 2020-07-07 |
Family
ID=64346516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810680992.5A Active CN108898148B (zh) | 2018-06-27 | 2018-06-27 | 一种数字图像角点检测方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898148B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11113819B2 (en) * | 2019-01-15 | 2021-09-07 | Nvidia Corporation | Graphical fiducial marker identification suitable for augmented reality, virtual reality, and robotics |
CN111681286B (zh) * | 2020-06-09 | 2023-11-28 | 商汤集团有限公司 | 一种标定方法、装置、系统、电子设备及存储介质 |
CN111681285B (zh) * | 2020-06-09 | 2024-04-16 | 商汤集团有限公司 | 一种标定方法、装置、电子设备及存储介质 |
CN111681284A (zh) * | 2020-06-09 | 2020-09-18 | 商汤集团有限公司 | 一种角点检测方法、装置、电子设备及存储介质 |
CN112348864B (zh) * | 2020-11-11 | 2022-10-11 | 湖南大学 | 一种融合线激光轮廓特征的三维点云自动配准方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887586A (zh) * | 2010-07-30 | 2010-11-17 | 上海交通大学 | 基于图像轮廓尖锐度的自适应角点检测方法 |
CN104182754A (zh) * | 2014-08-19 | 2014-12-03 | 山东临沂烟草有限公司 | 一种基于高分辨率遥感影像的农村居民点信息提取方法 |
CN106845494A (zh) * | 2016-12-22 | 2017-06-13 | 歌尔科技有限公司 | 一种检测图像中轮廓角点的方法及装置 |
CN107016394A (zh) * | 2017-02-27 | 2017-08-04 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种交叉纤维特征点匹配方法 |
CN107507208A (zh) * | 2017-07-12 | 2017-12-22 | 天津大学 | 一种基于轮廓上曲率估计的图像特征点提取方法 |
-
2018
- 2018-06-27 CN CN201810680992.5A patent/CN108898148B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887586A (zh) * | 2010-07-30 | 2010-11-17 | 上海交通大学 | 基于图像轮廓尖锐度的自适应角点检测方法 |
CN104182754A (zh) * | 2014-08-19 | 2014-12-03 | 山东临沂烟草有限公司 | 一种基于高分辨率遥感影像的农村居民点信息提取方法 |
CN106845494A (zh) * | 2016-12-22 | 2017-06-13 | 歌尔科技有限公司 | 一种检测图像中轮廓角点的方法及装置 |
CN107016394A (zh) * | 2017-02-27 | 2017-08-04 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种交叉纤维特征点匹配方法 |
CN107507208A (zh) * | 2017-07-12 | 2017-12-22 | 天津大学 | 一种基于轮廓上曲率估计的图像特征点提取方法 |
Non-Patent Citations (2)
Title |
---|
A Fast Corner Detector Based on the Chord-to-Point Distance Accumulation Technique;Mohammad Awrangjeb等;《2009 Digital Image Computing: Techniques and Applications》;20091231;第519-525页 * |
基于点到弦距离累加的快速角点检测;金亦挺 等;《计算机科学》;20140430;第41卷(第4期);第306-308、313页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108898148A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898148B (zh) | 一种数字图像角点检测方法、系统及计算机可读存储介质 | |
US8406510B2 (en) | Methods for evaluating distances in a scene and apparatus and machine readable medium using the same | |
CN110110646B (zh) | 一种基于深度学习的手势图像关键帧提取方法 | |
CN107993258B (zh) | 一种图像配准方法及装置 | |
CN109559324B (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN110610505A (zh) | 一种融合深度和色彩信息的图像分割方法 | |
Fan et al. | Shelf detection via vanishing point and radial projection | |
CN106340010B (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
CN102169581A (zh) | 一种基于特征向量的快速高精度鲁棒性匹配方法 | |
US8264526B2 (en) | Method for front matching stereo vision | |
CN106295710B (zh) | 基于非几何约束的图像局部特征匹配方法、装置及终端 | |
CN104978738A (zh) | 检测数字图像中的兴趣点的方法 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
JP2001319239A (ja) | 物体輪郭抽出装置及び方法 | |
CN108764343B (zh) | 一种跟踪算法中的跟踪目标框的定位方法 | |
JP7020322B2 (ja) | 建築限界判定装置 | |
Srikakulapu et al. | Depth estimation from single image using defocus and texture cues | |
Arora et al. | An algorithm to straighten the bent human chromosomes | |
RU2580466C1 (ru) | Устройство восстановления карты глубины сцены | |
CN108090401B (zh) | 线检测方法和线检测设备 | |
JP6354186B2 (ja) | 情報処理装置、ぼけ具合計算方法、及びプログラム | |
JP6055307B2 (ja) | 対応点探索装置およびカメラ姿勢推定装置ならびにこれらのプログラム | |
KR101828873B1 (ko) | 코드 타겟 인식 방법 및 장치 | |
Deng et al. | Reconstruction-free fast depth segmentation via temporal orthogonal frequency fringe patterns |
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 |