CN109344868B - 一种区分互为轴对称的不同类物件的通用方法 - Google Patents

一种区分互为轴对称的不同类物件的通用方法 Download PDF

Info

Publication number
CN109344868B
CN109344868B CN201810985170.8A CN201810985170A CN109344868B CN 109344868 B CN109344868 B CN 109344868B CN 201810985170 A CN201810985170 A CN 201810985170A CN 109344868 B CN109344868 B CN 109344868B
Authority
CN
China
Prior art keywords
center
symmetry
gravity
circumscribed circle
foreground
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
CN201810985170.8A
Other languages
English (en)
Other versions
CN109344868A (zh
Inventor
朱杰英
卢盛林
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.)
Guangdong OPT Machine Vision Co Ltd
Original Assignee
Guangdong OPT Machine Vision Co Ltd
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 Guangdong OPT Machine Vision Co Ltd filed Critical Guangdong OPT Machine Vision Co Ltd
Priority to CN201810985170.8A priority Critical patent/CN109344868B/zh
Publication of CN109344868A publication Critical patent/CN109344868A/zh
Application granted granted Critical
Publication of CN109344868B publication Critical patent/CN109344868B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于机器视觉和模式识别领域，具体涉及一种区分互为轴对称(也称镜像对称)的不同类别的物件的通用方法，包括如下步骤：输入参数K值；输入目标形状的二值图；在图像中计算外接圆中心到重心的距离D和外接圆半径R；判断D/R是否小于给定阈值；如果小于则设置对称性特征T(K)＝0；否则以中心和重心的连线为Y轴，Y轴上离中心距离为KR的位置为原点建立新坐标系，计算目标形状在新坐标系下的一、三象限的面积和SP，在二、四象限的面积和SN，然后设置对称性特征T(K)＝(SP‑SN)/(SP+SN)。参数K可手动设置或根据样本自动生成。该方法能稳定区分大多数互为轴对称的不同类别的物件。

Description

一种区分互为轴对称的不同类物件的通用方法
技术领域
本发明属于机器视觉和模式识别领域，具体涉及一种区分互为轴对称的不同类物件的通用方法。
背景技术
工业中常需要利用机器视觉一些零件或线路板上的元件进行识别分类，在现有技术中，当待识别的物件方向可任意时，最简单的方式是通过用一些旋转不变的特征来输入到分类器里去识别。在这个过程中，常常会有一些互为轴对称(也称镜像对称)的两种物件是作为不同的类来对待，这些物件自身不是镜像对称的，否则它的镜像也是它本类的形状。一般情况下，很难找到一种区分互为镜像对称的不同类物件的通用特征。针对个别类的专用特征相对而言比较容易定义，但不通用，比如到重心的最短边和最长边之间的旋转夹角，如果最短边和最长边都存在且唯一，并且其夹角不是180度时，是可以区分的；如果最短边或最长边在多个方向都存在，或者提取到的形状外圈有噪声，最长边的位置可能就改变了而引起夹角值的大变化，从而导致无法区分或误分。如果待分类的物件中有很多对互为轴对称的但不属于同一类时，每一对都找一个专用特征就很麻烦，所以能有一种通用特征来区分轴对称性就会很方便和实用。
发明内容
本发明的目的在于：针对现有技术的不足，而提供一种区分互为轴对称的不同类的物件的通用方法，该方法能稳定区分大多数互为轴对称的不同类物件。
为实现上述目的，本发明采用如下技术方案：
一种区分互为轴对称的不同类物件的通用方法，包括如下步骤：
S1、给定若干个对称性参数K，值都位于区间(-1，1)内；
S2、输入目标形状的二值图；
S3、计算外接圆的半径R和外接圆中心到重心的距离D；
S4、判断D/R是否小于给定阈值det；
S5、对于肯定的判断，则设置所有对称性特征T(K)＝0；
S6、对于否定的判断，则以中心到重心的连线为Y轴，Y轴上离中心的距离为KR的点做为原点建立坐标系，计算目标形状在新坐标系下一、三象限的面积和SP，在二、四象限的面积和SN，然后设置对称性特征T(K)＝(SP-SN)/(SP+SN)；
S7、一个参数K对应一个对称性特征T(K)，如果使用不止一个对称性特征时，重复步骤S6直到遍历完所有的参数K；
S8、将所有使用的对称性特征T(K)当作一种普通特征和其它特征一起输入分类器进行训练和分类即可；
S9、对所有的目标重复步骤S2到S8；
在工作时，步骤S5和S6-S7同时执行。
进一步地，步骤S1中的若干个参数K可以通过三种方式得到，一是可以通过缺省设置一个为0；二是通过手动设定一个或几个；三是通过自动筛选得到，包括如下步骤：
T1、设定最终选用的T(K)的个数上限，最多M个，其中M≥1；
T2、给定步长，等距分割区间(-1，1)得到一组候选参数，或者通过手动设置多个候选参数；
T3、对所有要区分轴对称的类的样本，计算在每个参数K下的对称性特征值T(K)；
T4、对于某个K，如果一个类的所有样本都满足T(K)≥0.1或者都满足T(K)≤-0.1，则认为该T(K)对该类的对称性特征是可区分的；对所有候选的T(K)，每次选取一个，能够和已选的T(K)一起区分最多类别的对称性的；
T5、逐个增加选取的T(K)，直到所有D/R≥det的目标类都可区分对称性，或者达到数目上限M，或者所有候选T(K)都已选上，就停止增加。
进一步地，要得到目标的二值图，步骤S2还包括如下具体步骤：
S2-1、获取目标物体的灰度图像；
S2-2、对图像进行二值化处理，得到前景和背景，前景为待区分的物体；
S2-3、去除S2-2得到的前景中的小面积区，排除噪声干扰；
S2-4、输入目标物体形状的二值图。
作为一种改进，步骤S2中的二值图可以选择用形态学方法排除毛刺的干扰，使中心和重心的提取更稳定。
进一步地，步骤S3中可以提取物体的边缘轮廓点序列，并根据非线性最大值最小化原理，利用轮廓点求取物体的最小外接圆中心中心(cx，cy)和外接圆半径R；重心(bx，by)是所有前景点的位置平均，也即bx＝N-1∑ixi，by＝N-1∑iyi，其中N是前景总像素数，x为前景点所在的列数，y为前景点所在的行数，i是前景点的序号；外接圆中心到重心的距离
Figure BDA0001779538480000031
进一步地，步骤S3所述的外接圆中心可以用外接正矩形中心或外接多边形中心替代，外接圆半径R可以用目标区域的其它外围尺寸替代。
进一步地，步骤S4中阈值det的推荐范围是[0.1，0.2]。
进一步地，步骤S6中的Y轴的正向只能为二者之一：要么以从中心指向重心的方向为Y轴正向；要么从重心指向中心的方向为Y轴正向。
进一步地，如果对所有使用的K，计算的对称性特征T(K)均为0或接近0时，表明物体本身是轴对称的或者其对称极性无法区分；如果是对称极性无法区分时，可将互为轴对称的两个类作为一个类识别出来，再针对这两个类的物件上特殊点线的相对位置关系增加一个特征来区分，即用专用特征来区分。
本发明的有益效果在于：可以很容易地得到一个或几个能区分很多对互为轴对称的不同类物件的通用特征，不需要对每一对互为轴对称的类都去找一个专用特征，并且可以很稳定地正确区分。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为互为轴对称的不同类的两个物件的一个例子，显示了它们的二值图和新坐标系，其中中心用×表示，重心用O表示并作为新坐标系的原点；
图2为统计图1中面积SP和SN时，某一行的三段区间的正负示意图，+表示属于一三象限的，－表示属于二四象限的；
图3为本发明的对称性特征的计算流程图；
图4为自动筛选合适的对称性参数K的流程图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分方式，而是以功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接受的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、水平”等指示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的图像内容具有特定的方位，因此不能理解为对本发明的限制。
以下结合附图和例子对本发明的实施方式做更详细的说明，但不作为对本发明的限定。
首先根据前面发明内容里所说的获取目标的图像，用二值化或区域分割得到目标区域的二值图，可以选择对二值图进行形态学运算腐蚀一薄层，一般形态学腐蚀采用的结构元素为3×3或5×5。然后将二值图的外围轮廓点输入到OpenCV的minEnclosingCircle函数计算外接圆中心(cx，cy)和半径R，再根据前面发明内容的重心的计算方式得到重心的位置(bx，by)以及重心离中心的距离D，如果D/R<det，则直接设置T＝0；否则就建立新坐标系计算其对称性。对称性特征的计算流程参看图3。
图1显示了互为轴对称的不同类的两个物件的二值图的一个例子；这里以重心为原点，中心到重心的指向为Y轴正向建立新坐标系；这里可以很容易得到K＝D/R，实际计算得到的K值为0.21；从图1可以看出，左图的前景区在第1，2，3，4象限的面积刚好跟右图的在第2，1，4，3象限的面积分别相等；根据对称性特征计算式T(D/R)＝(SP-SN)/(SP+SN)，为1，3象限面积之和SP减去2，4象限面积之和SN再除以总面积；可以看出图1中左右两图的对称性T(D/R)互为相反数，实际计算得到的左图的T(D/R)＝0.42，右图的T(D/R)＝-0.42。
对称性特征T(K)涉及到一个参数K，不同的K值对应不同的T(K)；给定K，对某个类来说，如果所有样本的T(K)都同号且|T(K)|≥0.1，那么就认为该T(K)对该类是对称极性可区分的。K的值可以手动设置，也可以自动计算，可以设置一个，也可以若干个，一般情况下1到3个就足够用了。
手动设置时，如果只设置一个，常用是设K＝0或K＝D/R，也即以外接圆中心或重心为原点，一般情况下T(0)或T(D/R)对多数自身非对称的类别都是可区分对称极性的；如果设置几个，常见的分点位置为-0.5、-0.25、0、0.25、0.5等。
自动筛选时，参看图4的计算流程：先设置最多可使用的T(K)个数；再设置一些候选K值，可以等间距分割(-1，1)的区间，间隔一般情况0.1或者0.05就足够用了；对每一个要区分对称极性的类的样本，计算这一组候选T(K)；然后对K进行筛选，每次选一个K，对所有还不能区分对称极性的的类，T(K)能区分的类别数目最多的一个留下来，重复这一过程直到满足停止条件。
选定K后，就可以连接中心和重心，以离中心距离为KR的点为原点建立新坐标系了。实际计算对称性特征T(K)时不必将二值图旋转，可以在原坐标系计算，注意二维矩阵的原点(0，0)在左上，而原坐标系的原点在左下，所以原坐标系Y轴增加的方向和图像矩阵的行数增加的方向是相反的，实际计算中只关心相对位置，所以对行数的相对位置差前面加负号就可以了。
这里以中心到重心的指向为Y轴正向为例，令p＝bx-cx，q＝cy-by，那么可以用矢量V＝(p，q)来表示y轴的正向矢量，用U＝(q，-p)来表示x轴的正向矢量。新坐标系原点(ox，oy)到任意一点p(i，j)的方向矢量为P＝(j-ox，oy-i)，其中ox＝cx+KRp/D，oy＝cy-KRq/D。
用P分别与U和V的矢量点积的正负来判断p点所在的象限：若P·U>0且P·V>0为第一象限，若P·U<0且P·V>0为第二象限，若P·U<0且P·V<0为第三象限，若P·U>0且P·V<0为第四象限。简单一点，就是P·U和P·V同号时为一三象限的，用“正”或+号标记；异号时为二四象限的，用“负”或－号标记。实际计算时可以不以点来统计，而是以每行的线段来统计，这样可减少计算量。令目标区在一三象限的面积和SP和在二四象限的面积和SN的初值均为0，根据P·V＝p(j-ox)+q(oy-i)和P·U＝q(j-ox)-p(oy-i)，分为四种情况对目标区域的每一行统计并更新SP和SN:
(A)如果p＝0，则oy-i和j-ox同号时为正，异号时为负；对每一行i，记本行小于ox的像素数N1，大于ox的像素数为N2；如果i<oy，则SP增加N2，SN增加N1；如果i>oy，则SP增加N1，SN增加N2；
(B)如果q＝0，则oy-i和j-ox异号时为正，同号时为负；对每一行i，记本行小于ox的目标像素数N1，大于ox的目标像素数为N2；如果i<oy，则SP增加N1，SN增加N2；如果i>oy，则SP增加N2，SN增加N1；
(C)q和p均不为0且同号，计算x1＝-q(oy-i)/p+ox，x2＝p(oy-i)/q+ox；当j位于x1和x2之内时为负，之外时为正；对每一行i，记本行位于x1和x2之间的目标像素数N1，之外的目标像素数为N2，则SP增加N2，SN增加N1；
(D)q和p均不为0且异号，计算x1＝-q(oy-i)/p+ox，x2＝p(oy-i)/q+ox；当j位于x1和x2之内时为正，之外时为负；对每一行i，记本行位于x1和x2之间的目标像素数N1，之外的目标像素数为N2，则SP增加N1，SN增加N2。
对每一幅二值图来说，由于p、q的值是固定的，上面(A)、(B)、(C)、(D)这4种情况对同一张图只能是其中一种情况；附图中图2显示了其中的两种情况，图2的左图对应(C)中的情况，右图对应(D)中的情况。情况(A)为中心和重心的连线刚好与原坐标系的Y轴平行；情况(B)为中心和重心的连线刚好与原坐标系的X轴平行。
得到T(K)的值后，就可以把每一个选用的T(K)当作一个普通的特征跟其它特征一起输入到分类器进行训练或分类了。一般情况下，尤其是在自动筛选参数K的情况下，只要一个类的样本满足D/R≥det，基本上都是可以区分对称极性的。如果所选的T(K)对个别的类对不能区分对称极性，先把两个类作为一个类识别出来，再用专用特征区别就可以了。
上述说明示出并描述了本发明的若干实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种区分互为轴对称的不同类物件的通用方法，其特征在于，包括如下步骤：
S1、给定若干个对称性参数K，值都位于区间(-1，1)内；
S2、输入目标物体的二值图；
S3、计算外接圆的半径R和外接圆中心到重心的距离D；
S4、判断D/R是否小于给定阈值det；
S5、对于肯定的判断，则设置所有的对称性特征T(K)＝0；
S6、对于否定的判断，则以中心到重心的连线为Y轴，Y轴上离中心的距离为KR的点作为原点建立坐标系，计算目标形状在新坐标系下一、三象限的面积和SP，在二、四象限的面积和SN，然后设置对称性特征T(K)＝(SP-SN)/(SP+SN)；
S7、一个参数K对应一个对称性特征T(K)，如果使用不止一个对称性特征时，重复步骤S6直到遍历完所有的参数K；
S8、将所有使用的对称性特征T(K)当作一种普通特征和其它特征一起输入分类器进行训练和分类即可；
S9、对所有的目标重复步骤S2到S8；
在工作时，步骤S5和S6-S7同时执行。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1中的若干个参数K可以通过缺省设置一个为0，或者通过手动设定一个或几个。
3.根据权利要求1所述的方法，其特征在于，所述步骤S1中的若干个参数K也可以通过自动筛选获得，包括如下步骤：
T1、设定最终选用的T(K)的个数上限，最多M个，其中M≥1；
T2、给定步长，等距分割区间(-1，1)得到一组候选参数，或者通过手动设置多个候选参数；
T3、对所有要区分轴对称的类的样本，计算在每个参数K下的对称性特征值T(K)；
T4、对于某个K，如果一个类的所有样本都满足T(K)≥0.1或者都满足T(K)≤-0.1，则认为该T(K)对该类的对称性特征是可区分的；对所有候选的T(K)，每次选取一个，能够和已选的T(K)一起区分最多类别的对称性的；
T5、逐个增加选取的T(K)，直到所有D/R≥det的目标类都可区分对称性，或者达到数目上限M，或者所有候选T(K)都已选上，就停止增加。
4.根据权利要求1所述的方法，其特征在于，所述步骤S2包括如下具体步骤：
S2-1、获取目标物体的灰度图像；
S2-2、对图像进行二值化处理，得到前景和背景，前景为待区分的物体；
S2-3、去除S2-2得到的前景中的小面积区，排除噪声干扰；
S2-4、输入目标物体形状的二值图。
5.根据权利要求1所述的方法，其特征在于：所述步骤S2中的二值图可以选择用形态学方法排除毛刺的干扰，使中心和重心的提取更稳定。
6.根据权利要求1所述的方法，其特征在于：所述步骤S3中可以提取物体的边缘轮廓点序列，并根据非线性最大值最小化原理，利用轮廓点求取物体的最小外接圆中心(cx，cy)和外接圆半径R；重心(bx，by)是所有前景点的位置平均，也即bx＝N-1∑ixi，by＝N-1∑iyi，其中N是前景总像素数，x为前景点所在的列数，y为前景点所在的行数，i是前景点的序号；外接圆中心到重心的距离
Figure FDA0001779538470000021
7.根据权利要求1所述的方法，其特征在于：所述步骤S3所述的外接圆中心可以用外接正矩形中心或外接多边形中心替代，外接圆半径R可以用目标区域的其它外围尺寸替换。
8.根据权利要求1所述的方法，其特征在于：所述步骤S4中阈值det的推荐范围是[0.1，0.2]。
9.根据权利要求1所述的方法，其特征在于：所述步骤S6中的Y轴的正向只能为二者之一：要么以从中心指向重心的方向为Y轴正向；要么从重心指向中心的方向为Y轴正向。
10.根据权利要求1所述的方法，其特征在于：如果对所有使用的K，计算的对称性特征T(K)均为0或接近0时，表明物体本身是轴对称的或者其对称极性无法区分；如果是对称极性无法区分时，可将互为轴对称的两个类作为一个类识别出来，再针对这两个类的物件上特殊点线的相对位置关系增加一个特征来区分，即用专用特征来区分。
CN201810985170.8A 2018-08-28 2018-08-28 一种区分互为轴对称的不同类物件的通用方法 Active CN109344868B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810985170.8A CN109344868B (zh) 2018-08-28 2018-08-28 一种区分互为轴对称的不同类物件的通用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810985170.8A CN109344868B (zh) 2018-08-28 2018-08-28 一种区分互为轴对称的不同类物件的通用方法

Publications (2)

Publication Number Publication Date
CN109344868A CN109344868A (zh) 2019-02-15
CN109344868B true CN109344868B (zh) 2021-11-16

Family

ID=65297112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810985170.8A Active CN109344868B (zh) 2018-08-28 2018-08-28 一种区分互为轴对称的不同类物件的通用方法

Country Status (1)

Country Link
CN (1) CN109344868B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1731417A (zh) * 2005-08-19 2006-02-08 清华大学 复杂背景图像中的鲁棒人脸检测方法
CN102306173A (zh) * 2011-08-25 2012-01-04 重庆理工大学 图像相似性比较方法
CN102521563A (zh) * 2011-11-19 2012-06-27 江苏大学 基于椭圆拟合的猪行走姿态识别方法
CN103810481A (zh) * 2014-03-12 2014-05-21 中国矿业大学(北京) 一种平面图形对象特征信息提取及识别方法
CN104318235A (zh) * 2014-10-24 2015-01-28 南京大学 一种基于灰度分布建模的光斑中心提取方法及装置
EP2977934A1 (en) * 2014-07-21 2016-01-27 4JET Technologies GmbH Digital coding of rubber articles
CN105405128A (zh) * 2015-10-30 2016-03-16 北京信息科技大学 一种实现电极丝与喷油孔对中的嵌套圆拟合方法
CN105976390A (zh) * 2016-05-25 2016-09-28 南京信息职业技术学院 一种结合支持向量机阈值统计与斑点检测的钢管计数方法
US9494940B1 (en) * 2015-11-04 2016-11-15 Zoox, Inc. Quadrant configuration of robotic vehicles
CN107870172A (zh) * 2017-07-06 2018-04-03 黎明职业大学 一种基于图像处理的布匹疵点检测方法
CN108010036A (zh) * 2017-11-21 2018-05-08 江南大学 一种基于rgb-d相机的物体对称轴检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8045770B2 (en) * 2003-03-24 2011-10-25 Cornell Research Foundation, Inc. System and method for three-dimensional image rendering and analysis

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1731417A (zh) * 2005-08-19 2006-02-08 清华大学 复杂背景图像中的鲁棒人脸检测方法
CN102306173A (zh) * 2011-08-25 2012-01-04 重庆理工大学 图像相似性比较方法
CN102521563A (zh) * 2011-11-19 2012-06-27 江苏大学 基于椭圆拟合的猪行走姿态识别方法
CN103810481A (zh) * 2014-03-12 2014-05-21 中国矿业大学(北京) 一种平面图形对象特征信息提取及识别方法
EP2977934A1 (en) * 2014-07-21 2016-01-27 4JET Technologies GmbH Digital coding of rubber articles
CN104318235A (zh) * 2014-10-24 2015-01-28 南京大学 一种基于灰度分布建模的光斑中心提取方法及装置
CN105405128A (zh) * 2015-10-30 2016-03-16 北京信息科技大学 一种实现电极丝与喷油孔对中的嵌套圆拟合方法
US9494940B1 (en) * 2015-11-04 2016-11-15 Zoox, Inc. Quadrant configuration of robotic vehicles
CN105976390A (zh) * 2016-05-25 2016-09-28 南京信息职业技术学院 一种结合支持向量机阈值统计与斑点检测的钢管计数方法
CN107870172A (zh) * 2017-07-06 2018-04-03 黎明职业大学 一种基于图像处理的布匹疵点检测方法
CN108010036A (zh) * 2017-11-21 2018-05-08 江南大学 一种基于rgb-d相机的物体对称轴检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Matching Widely Separated Views Based on Affine Invariant Regions;T. Tuytelaars 等;《International Journal of Computer Vision》;20040831;第59卷;61-85 *
The Usefulness of a New Gait Symmetry Parameter Derived from Lissajous Figures of Tri-axial Acceleration Signals of the Trunk;R. Yamaguchi 等;《Journal of Physical Therapy Science》;20120808;第24卷;405-408 *
基于二维精密工作台的平面度测量仪设计;邹春龙;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20150315(第03期);B022-514 *
自动跟踪型汽车前照灯检测仪的研究;康鸿雁;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20160915(第09期);I140-101 *

Also Published As

Publication number Publication date
CN109344868A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN108898610B (zh) 一种基于mask-RCNN的物体轮廓提取方法
CN107563446B (zh) 一种微操作系统目标检测方法
CN109409366B (zh) 基于角点检测的畸变图像校正方法及装置
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN111046872B (zh) 一种光学字符识别方法
CN108346148B (zh) 一种高密度柔性ic基板氧化区域检测系统及方法
CN104282027B (zh) 一种基于Hough变换的圆检测方法
CN109190625A (zh) 一种大角度透视变形的集装箱箱号识别方法
CN106875430B (zh) 动态背景下基于固定形态的单一运动目标追踪方法和装置
CN114863492B (zh) 一种低质量指纹图像的修复方法及修复装置
CN114187267B (zh) 基于机器视觉的冲压件缺陷检测方法
CN110288619B (zh) 基于视觉的太阳花模组表面螺钉孔位置检测方法
JP4062987B2 (ja) 画像の領域分割方法、画像の領域分割装置、画像の領域分割プログラム
CN110163894B (zh) 基于特征匹配的亚像素级目标跟踪方法
CN113781413B (zh) 一种基于Hough梯度法的电解电容定位方法
CN108335268A (zh) 一种基于盲解卷积的彩色图像去模糊的方法
CN109344868B (zh) 一种区分互为轴对称的不同类物件的通用方法
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质
CN109886276B (zh) 一种表盘滚动数字字符的半字判断方法
CN109492685B (zh) 一种用于对称特征的目标物体视觉检测方法
Liu et al. Detecting and tracking motion of myxococcus xanthus bacteria in swarms
CN110060270B (zh) 一种适用于低成像质量多边形管状物体的边缘检测方法
CN111222514A (zh) 一种基于视觉定位的局部地图优化方法
CN114694147B (zh) 分割椭圆形图案中环绕文字的方法和装置

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