CN108921818A - 一种焊缝跟踪激光中心线提取方法 - Google Patents
一种焊缝跟踪激光中心线提取方法 Download PDFInfo
- Publication number
- CN108921818A CN108921818A CN201810535139.4A CN201810535139A CN108921818A CN 108921818 A CN108921818 A CN 108921818A CN 201810535139 A CN201810535139 A CN 201810535139A CN 108921818 A CN108921818 A CN 108921818A
- Authority
- CN
- China
- Prior art keywords
- center line
- node
- laser
- energy
- homogeneous
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/30152—Solder
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种焊缝跟踪激光中心线提取方法,包括步骤:(1)获取初始激光中心线位置,采样选取若干节点拟合非均匀有理B样条曲线并定义为主动轮廓模型的内部能量;(2)采用高斯拉普拉斯LOG算子计算步骤(1)中每个节点附近的响应值并定义主动轮廓模型的外部能量;(3)采用贪心算法计算比较外部能量的响应值得到当前迭代的变换位置;(4)利用灰度重心法获取步骤(3)中新节点的亚像素精度位置;(5)对步骤(4)中获取的亚像素精度位置的新节点拟合成新的非均匀有理B样条曲线作为当前帧图像的激光中心线位置。本发明采用局部迭代方式,能有效减小干扰,适用性更强,且局部迭代方式处理时间短,提高了焊缝跟踪的准确性和实时性。
Description
技术领域
本发明属于机器视觉技术领域,更具体地,涉及一种焊缝跟踪的结构光视觉传感器的激光中心线提取方法。
背景技术
随着智能制造的发展和人工成本的上升,自动化焊接的需求也逐渐增大。由于焊接工件的制造误差及定位误差无法消除,采用结构光视觉传感器作为焊接辅助设备成为了很多企业的选择。结构光视觉传感器是一种非接触式的检测设备,具有稳定性好,速度快,精度较高的特点,应用越来越广泛,在焊缝跟踪领域的应用也越来越成熟。焊缝跟踪过程中,产生的弧光、烟雾以及飞溅会影响采集图像的质量,很大程度上会干扰激光中心线的识别准确度。根据线结构光传感器的特点,发射的激光在工件表面形成激光条纹,相机采集激光条纹图像,通过三角测量模型,可以得到激光条纹上的点在相机坐标系下的位置。因此,准确获取激光中心线的位置是保证测量精度的重要因素,激光中心线的提取也是传感器开发过程中的关键技术之一。
目前,激光中心线提取方法中,主要采用边缘检测和拟合的方式,这种方法适合没有噪声干扰的情况下对激光中心线进行提取。采用阈值分割的方式提取激光条纹,这种方法当出现较大弧光干涉时,提取的激光条纹区域将包括弧光区域,导致激光中心线提取失败。这些方法都无法适应大噪声干扰的情况。
采用上述方式对环境噪声敏感,不适用于实际的焊缝跟踪中出现的弧光、飞溅及烟雾干扰的情况,并且上述方式对图像进行全局的处理,运算量大,不满足焊缝跟踪实时性的要求。
发明内容
本发明提出一种焊缝跟踪激光中心线提取方法,其目的在于,焊缝跟踪过程中出现弧光、飞溅及烟雾干扰的情况下,准确快速的提取出激光中心线位置,提高机构光视觉传感器的稳定性和准确性,扩大结构光视觉传感器的应用范围。
本发明采用的技术方案为:
一种焊缝跟踪激光中心线提取方法,包括以下步骤:
(1)定义主动轮廓模型的内部能量:获取初始激光中心线位置,采样选取若干节点拟合非均匀有理B样条曲线,将所述非均匀有理B样条曲线定义为主动轮廓模型的内部能量;
(2)定义主动轮廓模型的外部能量:采用高斯拉普拉斯LOG算子计算步骤(1)中每个节点附近的响应值,根据所述的响应值定义主动轮廓模型的外部能量;
(3)采用贪心算法在节点的8领域内计算比较外部能量的响应值,将能量最小位置作为当前迭代的变换位置;
(4)利用灰度重心法获取步骤(3)中新节点的亚像素精度位置;
(5)对步骤(4)中获取的亚像素精度位置的新节点拟合成新的非均匀有理B样条曲线作为当前帧图像的激光中心线位置。
进一步地,所述步骤(1)中,对初始激光中心线进行采样,获取m个节点,选择一条n次非均匀有理B样条曲线C:
其中,Pi是第i个控制点,ki是第i个节点,m是节点的数目,u是参数,wi是对应的权重;根据激光条纹的特性,选择n=3可以满足获取的各种线性激光线的要求;采用主动轮廓模型,其内部能量用于保证曲线的平滑性,采用3次非均匀有理B样条曲线进行激光中心线的拟合,保证拟合曲线的平滑性,将3次非均匀有理B样条曲线作为主动轮廓模型的内部能量。
进一步地,所述步骤(2)中,采用高斯拉普拉斯算子计算响应E:
其中,Lw是激光线在列方向上的宽度,单位为像素;点(c,r)是图像坐标系上的一点,I是图像灰度函数;wj是第r+j行像素点计算LOG模版时的权重;
定义一种主动轮廓模型的外部能量Eo:
其中,N为构建3次非均匀有理B样条曲线的离散节点的数目,Emax和Emin分别代表每列响应的最大值和最小值。
进一步地,所述步骤(3)中,每次迭代采用贪心算法计算比较每个节点的8邻域内的能量响应值,将能量最小位置作为当前迭代的变换位置;每次迭代节点最多移动一个像素,对于已经计算过能量响应的位置在下一次迭代时不再重复计算,用于节省每次迭代时间,如果节点不再移动,则迭代结束。
进一步地,所述步骤(4)具体采用列像素灰度重心法对节点位置进行亚像素定位:
(c,r)是节点的坐标位置,Lw是激光线在列方向上的宽度,是列坐标修正值,是最终的节点重心位置。
进一步地,所述步骤(5)具体对节点采用非均匀有理B样条拟合,拟合后的曲线作为当前迭代的激光中心线位置,同时该曲线也作为下一次迭代的初始激光中心线。
本发明采用了主动轮廓模型和非均匀有理B样条曲线拟合方法,结合高斯拉普拉斯算子和灰度重心法,并采用贪心算法,大大提高了抗干扰能力,特别在具有焊接弧光、飞溅及烟雾干扰的情况下,能够快速而准确的找到激光中心线的位置,适应性较强,速度快,实时性高。
附图说明
图1焊缝跟踪激光中心线提取流程图
图2贪心算法三次迭代变换示意图
图3一帧图像的轮廓线迭代变换示意图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图对本发明进行进一步详细说明。
本发明采用基于主动轮廓模型和非均匀有理B样条曲线对激光中心线进行提取。主动轮廓模型是一种图像分割方法,该方法主要原理是通过构造能量泛函,在能量函数最小值的驱动下,轮廓曲线逐渐向待检测物体的边缘逼近,最终分割出目标物体。主动轮廓模型利用曲线演化定位目标边缘,因此也称Snake模型。主动轮廓模型最大的优点是在高噪声情况下,也能得到连续光滑的分割边界。主动轮廓模型的能量函数定义为内部能量与外部能量之和,即:
Esnake=Eint+Eext
Eint表示轮廓线内部能量,是轮廓线在演化过程中保持连续性和光滑性;Eext表示图像相关的外部能量,在外部能量的作用下,轮廓曲线向目标边缘逼近。
本发明结合非均匀有理B样条曲线,将非均匀有理B样条曲线作为轮廓线的内部能量,由于非均匀有理B样条本身具有连续性和光滑性的特点,能够简化主动轮廓模型内部能量的计算。图像中激光中心位置作为轮廓线需要逼近的目标,激光中心线的位置非图像中的边缘位置,故本发明定义了激光中心线的外部能量响应函数,使轮廓线在能量响应的作用下逼近激光中心线位置。
图1是焊缝跟踪激光中心线的提取流程图,包括了非均匀有理B样条曲线拟合,计算节点的8领域的高斯拉普拉斯能量响应,采用贪心算法获取外部能量最小位置,灰度重心法提取亚像素位置等,下面将详细进行说明。
一种焊缝跟踪激光中心线提取方法,包括以下步骤:
(1)定义主动轮廓模型的内部能量:获取初始激光中心线位置,采样选取若干节点拟合非均匀有理B样条曲线,将所述非均匀有理B样条曲线定义为主动轮廓模型的内部能量;
(2)定义主动轮廓模型的外部能量:采用高斯拉普拉斯LOG算子计算步骤(1)中每个节点附近的响应值,根据所述的响应值定义主动轮廓模型的外部能量;
(3)采用贪心算法在节点的8领域内计算比较外部能量的响应值,将能量最小位置作为当前迭代的变换位置;
(4)利用灰度重心法获取步骤(3)中新节点的亚像素精度位置;
(5)对步骤(4)中获取的亚像素精度位置的新节点拟合成新的非均匀有理B样条曲线作为当前帧图像的激光中心线位置。
具体而言,所述步骤(1)中,非均匀有理B样条(NURBS)曲线的节点可以非均匀分布,使得其在构造曲线的时候有更灵活的空间,适应焊接过程中各种噪声的干扰。对初始激光中心线进行采样,获取m个节点,选择一条n次非均匀有理B样条曲线可以表达为曲线C:
其中,Pi是第i个控制点,ki是第i个节点,m是节点的数目,u是参数,wi是对应的权重。根据激光条纹的特性,本实施例采用3次非均匀有理B样条曲线作为轮廓线,计算量较小且能够满足激光线变化要求,采用主动轮廓模型,其内部能量用于保证曲线的平滑性,采用3次非均匀有理B样条曲线进行激光中心线的拟合,保证拟合曲线的平滑性,将3次非均匀有理B样条曲线作为主动轮廓模型的内部能量。
主动轮廓模型中,外部能量的构造结合了激光条纹的特点,因此,所述步骤(2)中,采用一维的高斯拉普拉斯算子对图像中每一列像素进行能量响应计算,能量响应函数定义为:
其中,Lw是激光线在列方向上的宽度,单位为像素;点(c,r)是图像坐标系上的一点,I是图像灰度函数;wj是第r+j行像素点计算LOG模版时的权重。当LOG模板移动到激光中心线的位置时,能量响应函数将获得最大值Emax,根据主动轮廓模型外部能量驱动轮廓线的要求,轮廓线需要向能量值较小的位置移动,于是定义主动轮廓模型的外部能量为:
Emax和Emin为每列像素上的响应最大值和最小值,En为节点位置的高斯拉普拉斯LOG响应值,N为构建3次非均匀有理B样条曲线的离散节点的数目。外部能量越小,当前节点位置越接近激光中心线位置。
由于相邻图像帧之间,激光线的位置不会发生突变,于是为了搜索快速,所述步骤(3)中,每次迭代时都只计算当前节点8领域内各点的外部能量响应,然后比较各点的能量值,将当前节点位置移动到能量最小的位置。采用贪心算法进行每次的迭代计算和移动,如图2所示为相邻三次迭代节点变化过程示意。黑色箭头的起始点表示当前节点位置,箭头位置表示当前迭代的变换位置,阴影区域为当前迭代需要计算的外部能量响应位置,白色的位置不需要计算。首次迭代时,8邻域内的像素都需要计算外部能量响应,下一次迭代时,已经计算过外部能量响应的位置不再计算,避免重复计算,节省了迭代时间。当节点位置不再变化时,该节点则停止迭代。
图3表示一帧图像的轮廓线迭代变换的过程,所有轮廓线上的节点都朝着激光中心线的位置进行逼近,设置每帧图像轮廓线迭代次数,当所有节点达到稳定或者迭代次数达到设定值即停止迭代,输出新的节点位置。
具体而言,所述步骤(4)中,新的节点位置采用灰度重心法进行亚像素级精度定位,灰度重心法计算公式如下:
(c,r)是节点的坐标位置,Lw是激光线在列方向上的宽度,是列坐标修正值,是最终的节点重心位置。
具体而言,所述步骤(5)中,获取到所有节点的亚像素位置后,采用非均匀有理B样条曲线进行拟合,保证节点的平滑性和连续性,获得当前帧图像的激光中心线位置,同时该非均匀有理B样条曲线也作为下一帧图像的初始轮廓线。如此可以得到每一帧图像激光中心线位置。
本实施方式对本发明的目的、技术方案和优点进行了进一步地详细说明,所应说明的是,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围内。
Claims (6)
1.一种焊缝跟踪激光中心线提取方法,其特征在于,包括以下步骤:
(1)定义主动轮廓模型的内部能量:获取初始激光中心线位置,采样选取若干节点拟合非均匀有理B样条曲线,将所述非均匀有理B样条曲线定义为主动轮廓模型的内部能量;
(2)定义主动轮廓模型的外部能量:采用高斯拉普拉斯LOG算子计算步骤(1)中每个节点附近的响应值,根据所述的响应值定义主动轮廓模型的外部能量;
(3)采用贪心算法在节点的8领域内计算比较外部能量的响应值,将能量最小位置作为当前迭代的变换位置;
(4)利用灰度重心法获取步骤(3)中新节点的亚像素精度位置;
(5)对步骤(4)中获取的亚像素精度位置的新节点拟合成新的非均匀有理B样条曲线作为当前帧图像的激光中心线位置。
2.如权利要求1所述的一种焊缝跟踪激光中心线提取方法,其特征在于,所述步骤(1)中,对初始激光中心线进行采样,获取m个节点,选择一条n次非均匀有理B样条曲线C:
其中,Pi是第i个控制点,ki是第i个节点,m是节点的数目,u是参数,wi是对应的权重;根据激光条纹的特性,选择n=3可以满足获取的各种线性激光线的要求;采用主动轮廓模型,其内部能量用于保证曲线的平滑性,采用3次非均匀有理B样条曲线进行激光中心线的拟合,保证拟合曲线的平滑性,将3次非均匀有理B样条曲线作为主动轮廓模型的内部能量。
3.如权利要求1所述的一种焊缝跟踪激光中心线提取方法,其特征在于,所述步骤(2)中,采用高斯拉普拉斯算子计算响应E:
其中,Lw是激光线在列方向上的宽度,单位为像素;点(c,r)是图像坐标系上的一点,I是图像灰度函数;wj是第r+j行像素点计算LOG模版时的权重;
定义一种主动轮廓模型的外部能量Eo:
其中,N为构建3次非均匀有理B样条曲线的离散节点的数目,Emax和Emin分别代表每列响应的最大值和最小值。
4.如权利要求1所述的一种焊缝跟踪激光中心线提取方法,其特征在于,所述步骤(3)中,每次迭代采用贪心算法计算比较每个节点的8邻域内的能量响应值,将能量最小位置作为当前迭代的变换位置;每次迭代节点最多移动一个像素,对于已经计算过能量响应的位置在下一次迭代时不再重复计算,用于节省每次迭代时间,如果节点不再移动,则迭代结束。
5.如权利要求1所述的一种焊缝跟踪激光中心线提取方法,其特征在于,所述步骤(4)具体采用列像素灰度重心法对节点位置进行亚像素定位:
(c,r)是节点的坐标位置,Lw是激光线在列方向上的宽度,是列坐标修正值,是最终的节点重心位置。
6.如权利要求1所述的一种焊缝跟踪激光中心线提取方法,其特征在于,所述步骤(5)中具体对节点采用非均匀有理B样条拟合,拟合后的曲线作为当前迭代的激光中心线位置,同时该曲线也作为下一次迭代的初始激光中心线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810535139.4A CN108921818A (zh) | 2018-05-30 | 2018-05-30 | 一种焊缝跟踪激光中心线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810535139.4A CN108921818A (zh) | 2018-05-30 | 2018-05-30 | 一种焊缝跟踪激光中心线提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921818A true CN108921818A (zh) | 2018-11-30 |
Family
ID=64411158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810535139.4A Pending CN108921818A (zh) | 2018-05-30 | 2018-05-30 | 一种焊缝跟踪激光中心线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921818A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785339A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种同时分割和配准精密复杂曲面干涉条纹图像的方法 |
CN110517313A (zh) * | 2019-08-12 | 2019-11-29 | 上海大学 | 一种基于区域迭代的焊缝中心坐标检测方法 |
CN112508984A (zh) * | 2020-12-18 | 2021-03-16 | 华南理工大学 | 一种基于配准的图像激光中心线提取方法 |
CN113050428A (zh) * | 2021-03-26 | 2021-06-29 | 清华大学 | 基于时变内模的位置主元轮廓跟踪算法 |
CN114155372A (zh) * | 2021-12-03 | 2022-03-08 | 长春工业大学 | 一种基于深度学习的结构光焊缝曲线识别与拟合方法 |
CN114359378A (zh) * | 2021-12-31 | 2022-04-15 | 四川省自贡运输机械集团股份有限公司 | 一种带式输送机巡检机器人定位方法 |
CN114882032A (zh) * | 2022-07-11 | 2022-08-09 | 苏州镭明激光科技有限公司 | 半导体的刻槽检测与智能感知加工方法和系统 |
CN116862919A (zh) * | 2023-09-05 | 2023-10-10 | 武汉工程大学 | 基于高斯超拉普拉斯分布的线结构光中心提取方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657587A (zh) * | 2015-01-08 | 2015-05-27 | 华中科技大学 | 一种激光条纹中心线的提取方法 |
-
2018
- 2018-05-30 CN CN201810535139.4A patent/CN108921818A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657587A (zh) * | 2015-01-08 | 2015-05-27 | 华中科技大学 | 一种激光条纹中心线的提取方法 |
Non-Patent Citations (1)
Title |
---|
刘景辉: "《激光线图像识别算法研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785339A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种同时分割和配准精密复杂曲面干涉条纹图像的方法 |
CN110517313B (zh) * | 2019-08-12 | 2023-05-16 | 上海大学 | 一种基于区域迭代的焊缝中心坐标检测方法 |
CN110517313A (zh) * | 2019-08-12 | 2019-11-29 | 上海大学 | 一种基于区域迭代的焊缝中心坐标检测方法 |
CN112508984A (zh) * | 2020-12-18 | 2021-03-16 | 华南理工大学 | 一种基于配准的图像激光中心线提取方法 |
CN112508984B (zh) * | 2020-12-18 | 2023-08-18 | 华南理工大学 | 一种基于配准的图像激光中心线提取方法 |
CN113050428A (zh) * | 2021-03-26 | 2021-06-29 | 清华大学 | 基于时变内模的位置主元轮廓跟踪算法 |
CN113050428B (zh) * | 2021-03-26 | 2021-12-07 | 清华大学 | 基于时变内模的位置主元轮廓跟踪算法 |
CN114155372A (zh) * | 2021-12-03 | 2022-03-08 | 长春工业大学 | 一种基于深度学习的结构光焊缝曲线识别与拟合方法 |
CN114359378A (zh) * | 2021-12-31 | 2022-04-15 | 四川省自贡运输机械集团股份有限公司 | 一种带式输送机巡检机器人定位方法 |
CN114882032A (zh) * | 2022-07-11 | 2022-08-09 | 苏州镭明激光科技有限公司 | 半导体的刻槽检测与智能感知加工方法和系统 |
CN114882032B (zh) * | 2022-07-11 | 2022-10-18 | 苏州镭明激光科技有限公司 | 半导体的刻槽检测与智能感知加工方法和系统 |
CN116862919A (zh) * | 2023-09-05 | 2023-10-10 | 武汉工程大学 | 基于高斯超拉普拉斯分布的线结构光中心提取方法及装置 |
CN116862919B (zh) * | 2023-09-05 | 2023-12-05 | 武汉工程大学 | 基于高斯超拉普拉斯分布的线结构光中心提取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921818A (zh) | 一种焊缝跟踪激光中心线提取方法 | |
CN109900706B (zh) | 一种基于深度学习的焊缝及焊缝缺陷检测方法 | |
CN109434251B (zh) | 一种基于粒子滤波的焊缝图像跟踪方法 | |
CN110288651A (zh) | 大尺寸工件的公差视觉检测方法、装置和计算设备 | |
CN110264457A (zh) | 基于旋转区域候选网络的焊缝自主识别方法 | |
CN109255329A (zh) | 确定头部姿态的方法、装置、存储介质和终端设备 | |
CN115592324A (zh) | 基于人工智能的自动焊接机器人控制系统 | |
CN111784655A (zh) | 一种水下机器人回收定位方法 | |
CN110070562A (zh) | 一种上下文相关的深度目标跟踪方法 | |
CN111523547A (zh) | 一种3d语义分割的方法及终端 | |
CN112184765A (zh) | 一种基于视觉的水下航行器自主跟踪方法 | |
CN110851978B (zh) | 一种基于可见性的摄像机位置优化方法 | |
CN116229385A (zh) | 一种基于卷积神经网络结合贪心算法的车辆3d多目标跟踪方法 | |
Burguera et al. | A probabilistic framework for sonar scan matching localization | |
CN112750155B (zh) | 基于卷积神经网络的全景深度估计方法 | |
CN109671059A (zh) | 一种基于OpenCV的电池盒图像处理方法及系统 | |
CN113628170A (zh) | 一种基于深度学习的激光线提取方法及系统 | |
CN111664801A (zh) | 一种基于高斯曲率的光学靶标点投影规划方法 | |
CN115908202A (zh) | 基于展开式建模和多模态融合的ToF深度图像去噪方法 | |
CN109448060A (zh) | 一种基于蝙蝠算法的相机标定参数优化方法 | |
Liu et al. | A novel scratch detection and measurement method for automotive stamping parts | |
CN113160299B (zh) | 基于卡尔曼滤波的车辆视频测速方法和计算机可读存储介质 | |
CN114612518A (zh) | 基于历史轨迹信息和细粒度匹配的孪生网络目标跟踪方法 | |
Zou et al. | A light-weight object detection method based on knowledge distillation and model pruning for seam tracking system | |
WO2021243281A9 (en) | System and method for visual odometry from log-logistic dense optical flow residuals |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |