CN109583461A - 一种基于边缘特征的模板匹配方法 - Google Patents

一种基于边缘特征的模板匹配方法 Download PDF

Info

Publication number
CN109583461A
CN109583461A CN201710895783.8A CN201710895783A CN109583461A CN 109583461 A CN109583461 A CN 109583461A CN 201710895783 A CN201710895783 A CN 201710895783A CN 109583461 A CN109583461 A CN 109583461A
Authority
CN
China
Prior art keywords
image
template
bianry image
edge feature
filter
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
Application number
CN201710895783.8A
Other languages
English (en)
Inventor
林浒
王诗宇
孙兰
孙一兰
郑飂默
李伦兴
韩旭
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.)
Shenyang Gaojing Numerical Control Intelligent Technology Co Ltd
Original Assignee
Shenyang Gaojing Numerical Control Intelligent Technology 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 Shenyang Gaojing Numerical Control Intelligent Technology Co Ltd filed Critical Shenyang Gaojing Numerical Control Intelligent Technology Co Ltd
Priority to CN201710895783.8A priority Critical patent/CN109583461A/zh
Publication of CN109583461A publication Critical patent/CN109583461A/zh
Pending legal-status Critical Current

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
    • G06V10/70—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
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明针对2D视觉任务中识别过程易受环境因素干扰的情况，发明一种基于边缘特征的模板匹配方法，包括：将多个尺度的高斯滤波器相乘得到新的滤波器；利用该滤波器对采集到的图片进行卷积，得到边缘特征图像；对边缘特征图像进行二值化，得到二值图像；对特征图像求取最小外接矩形，获取目标的偏转角度；依据获得的偏转角度和二值图像建立模板集；将集到的图像经过上述处理得到最终的二值图像后同模板集进行匹配，识别出特定的工件。本发明方法为基于边缘特征的模板匹配方法，克服了传统模板过程中光照变化、噪声以及目标物体的旋转对匹配过程造成的影响。实验结果表明，采用该方法的2D视觉任务能够准确的辨别目标，具有较高的识别成功率。

Description

一种基于边缘特征的模板匹配方法
技术领域
本发明涉及工业机器人视觉识别领域，具体涉及一种基于边缘特征的模板匹配方法。
背景技术
分拣作业在电子电器、汽车、食品和制药等领域中应用广泛，是大多数工业流水生产线的一个重要环节。传统的机器人分拣过程一般采用示教或离线编程的方法来控制机器人的运动，这很难适应当下工业生产中复杂多变的工作环境。近年来得益于国家大力发展机器人产业，机器视觉技术得以意蓬勃发展，结合视觉技术，机器人具有了更高的智能化程度和更强的环境适应能力。
在一副图像中定位一个已知目标的最简单的方法就是搜索它的像素级的完美拷贝，这就需要严格的控制目标物体的姿态和光照条件，同时，要求目标物体没有尺度和旋转上的变换，这在现实世界中是很难实现的。Lowe在2004年提出的SIFT-尺度不变特征转换是解决这类问题的经典方法，Bay在后来又提出了它的加速版本SURF算子，它们需要建立图像的尺度空间，在三维重建、视觉跟踪等领域中有广泛的应用。一般基于视觉系统的工业流水线分拣系统大都是2D平面应用，相机的工作距离大多固定在一定的高度，采集到的图像信息在匹配过程中只受到旋转及光照的影响，图像并没有尺度上的缩放，因此本专利运用模板匹配的思想，针对匹配过程中不可避免的旋转及光照变化的现象，提出解决办法，使目标物体能够在图像中可以“像素级完美”的出现。
发明内容
针对传统的基于灰度相关的模板匹配算子易受到光照变化及目标旋转等情况的影响，因为照明情况的改变和目标位置的改变都会造成相应匹配位置灰度值的改变，本发明首先提取边缘特征，再进行二值化处理，排除不相关像素的干扰，减少计算机需要匹配的数据量，再通过建立角度补偿后的旋转集合，克服目标旋转对匹配过程造成的位置变化带来的影响。最后将其运用到基于机器视觉的机器人分拣系统中，可以准确的匹配目标。
本发明为实现上述目的所采用的技术方案是：一种基于边缘特征的模板匹配方法，包括以下步骤：
1)将尺度大小不同的高斯滤波器相乘；利用相乘后的滤波器对图像进行卷积，得到图像的边缘特征图像；对边缘特征图像进行二值化，得到二值图像；
2)通过步骤1)分别得到模板和采集图像的二值图像；
3)对采集图像的二值图像求取最小外接矩形，获取目标相对于模板的偏转角度；利用偏转角度和模板的二值图像建立模板集；
4)将采集图像的二值图像同模板集进行匹配，识别出工件。
所述将尺度大小不同的高斯滤波器相乘，具体为：将小尺度滤波参数的高斯函数同大尺度滤波参数的高斯函数相乘，得到基于尺度相乘的新的高斯滤波器。
所述利用相乘后的滤波器对图像进行卷积，得到图像的边缘特征图像具体为：边缘位置对于滤波器的响应为局部区域的最大值，根据这些最大值点的一阶导数为零，获取到图像边缘。
所述对边缘特征图像进行二值化，得到图像的二值图像具体为：选取中间阈值thresh，将边缘响应点置255，其余像素置0：
其中，dst表示二值图像，src表示边缘特征图像。
对采集图像的二值图像求取最小外接矩形，获取目标相对于模板的偏转角度具体为：选取二值图像在视觉坐标系下具有最小x值的坐标(x1，y1)和具有最大y值的坐标(x2，y2)，得到目标相对于模板的偏转角度：
所述利用偏转角度和模板的二值图像建立模板集包括以下步骤：
将模板的二值图像分别旋转θ角度：
其中，(x，y)为模板的二值图像，(u，v)为旋转后的二值图像；
将每个角度与相应模板的二值图像对应为一组；
再将所有组根据索引编号i构成模板集。
所述将采集图像的二值图像同模板集进行匹配，识别出工件具体为：将采集图像的二值图像与模板集内的二值图像进行匹配，匹配成功后为后续的分拣操作提供目标的旋转角度、坐标及类别信息。
本发明具有以下优点及有益效果：
1.针对性强，克服了光照变化、噪声对匹配过程造成的影响，改进后的方法排出了不相关像素灰度值变化对匹配过程产生的干扰，具有较高的匹配成功率。
2.模板集的建立不仅在匹配过程中克服了目标旋转对匹配过程中的位置变化，同时也为后续分拣系统的角度补偿作业提供了有用的信息。
3.本发明方法为基于边缘特征的模板匹配方法，克服了传统模板过程中光照变化、噪声以及目标物体的旋转对匹配过程造成的影响。实验结果表明，采用该方法的2D视觉任务能够准确的辨别目标，具有较高的识别成功率。
附图说明
图1为本发明整体流程图；
图2a为合成的带高斯噪声的目标图像；图2b为采用了小尺度的滤波参数的边缘特征图像；图2c为采用了大尺度的滤波参数的边缘特征图像；图2d为采用了尺度相乘方法得到的边缘特征图像；
图3a和图3b为目标在不同光照条件及偏转角度下的成像效果；
图4a和图4b为对应的灰度分布情况；
图5为二值化示意图；
图6为偏转角度求取示意图；
图7为模板集建立过程示意图；
图8为最终的匹配示意图；
图9为计算机仿真的匹配效果图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
一种基于边缘特征的模板匹配方法，包括以下步骤：
S1：将尺度大小不同的高斯滤波器相乘；
S2：利用相乘后的滤波器对图像进行卷积，得到边缘响应；
S3：对边缘特征图像进行二值化，得到二值图像，排除灰度变化干扰；
S4：对目标特征图像求取最小外接矩形，获取偏转角度；
S5：利用获得的偏转角度和二值图像建立模板集；
S6：将集到的图像经过上述处理得到最终的二值图像后同模板集进行匹配，识别出特定的工件。
所述将尺度大小不同的高斯滤波器相乘，具体为：将小尺度滤波参数的高斯函数同大尺度滤波参数的高斯函数相乘，得到基于尺度相乘的新的高斯滤波器。
Gn(x,y)＝Gs(x,y)·Gl(x,y) (4)
其中，Gs表示小尺度滤波参数的高斯滤波器，Gl表示大尺度滤波参数的滤波器，Gn为尺度相乘后新的滤波器。x、y表示像素坐标。本实施例中大、小尺度分别为σs＝3，σl＝7。
所述利用相乘后的滤波器对图像进行卷积，得到边缘响应，边缘位置对于滤波器的响应为局部区域的最大值，这些点的一阶导数为零，根据这一性获取到图像边缘。具体为：滤波器对边缘在其中心处的响应Rf表示为卷积形式：
f(x)表示图像。
假设滤波器的边界为[-T,+T]，n0代表噪声的强度，因此滤波器对于噪声的响应可以表示为式(6):
因此滤波器对于带噪边缘的总响应为式(7)：
R＝Rf+Rn (7)
边缘的灰度值一般为图像中的局部最大值，因此边缘点的一阶微分为0，对于含噪边缘，如果在x＝x0这一点有局部最大值，我们就可以得到：
R'f(x0)+R'n(x0)＝0 (8)
将公式(8)进行泰勒展开：
R'f(x0)＝R'f(0)+R”f(0)x0+O(x0 2) (9)
O(x2)表示x0的高阶次项。
公式(9)中第一项为0，第三项中的偏移量x0很小，所以其高阶项也可以忽略不计，这样我们可以得到公式(10)：
R”f(0)x0+R'n(x0)＝0 (10)
这样我们就得到了边缘位置的表达式：
所述对边缘特征图像进行二值化，得到二值图像，排除灰度变化干扰，具体为：选取中间阈值，将边缘响应点置255，其余像素置0：
所述对目标特征图像求取最小外接矩形，获取偏转角度，具体为：选取目标特征图像在视觉坐标系下具有最小x值的坐标(x1，y1)和具有最大y值的坐标(x2，y2)，如图6得到可能的旋转角度：
因为我们根据目标的最小外接矩形来确定目标的旋转角度，且目标一般情况下为非中心对称形状，所以会出现如公式(13)中所表述的情况。所述对利用获得的偏转角度和二值图像建立模板集，具体为：得到偏转角度后，因为可能存在的4种旋转情况，将初始的二值模板分别旋转如上角度：
其中，(x，y)为初始模板，(u，v)为旋转后的模板，再根据索引编号i在内存中建立模板集。
所述对将集到的图像经过上述处理得到最终的二值图像后同模板集进行匹配，识别出特定的工件，具体为：经过上述过程，传统的模板匹配过程被转化为二值匹配，排出了不相关像素中灰度值变化产生的影响，仅仅对图像特征进行匹配，同时，角度补偿过程(公式13-14)也克服了旋转对位置信息的造成的改变。
本发明的总体流程如图1所示，基于边缘特征的模板匹配方法主要包括以下步骤：
1：将尺度大小不同的高斯滤波器相乘；
2：利用相乘后的滤波器对图像进行卷积，得到边缘响应；
3：对边缘特征图像进行二值化，得到二值图像，排除灰度变化干扰；
4：对目标特征图像求取最小外接矩形，获取偏转角度；
5：利用获得的偏转角度和二值图像建立模板集；
6：将集到的图像经过上述处理得到最终的二值图像后同模板集进行匹配，识别出特定的工件。
如图2a所示，为合成的带有高斯噪声的目标图像，为得到精确的边缘特征信息，首先要对目标图像进行平滑，减小噪声，在选择平滑滤波器时，Marr和Hildreth提出了两个标准，滤波器应该是平滑的且在频域上应该是有限带宽的，这是为了减少额外的频率对图像函数造成的影响，另一个为滤波器的响应应该来自于图像中邻近的点。根据测不准原理，频域带限的函数在时域上是无限的，这就无法满足上述提到的第二个标准。高斯函数的傅里叶变换仍然是高斯函数，且标准差σ是高斯滤波器的唯一参数，它与滤波器操作邻域的大小成正比，离中心超过3σ的像素影响可以忽略不计，这就同时满足了滤波器选择上的两个标准。因此本发明采用高斯滤波器对图像进行平滑。图2b和2c为采用单一滤波尺度进行边缘特征提取的Canny边缘检测算子提取到的边缘特征图像，其中图2b采用了小尺度的滤波参数，图2c采用了大尺度的滤波参数，图2b虽然具有较完整的边缘结构，但噪声抑制的效果并不是很好，图2c中虽然噪声得到了很好的抑制，但也丢失了部分重要的边缘信息。为了综合大小尺度滤波性能上的优点，图2d为采用尺度相乘方法得到的边缘特征图像，在抑制了噪声的同时也保护了边缘信息的完整。
模板匹配的思路很简单，拿已知的模板，与原图像中同样大小的一块区域内的灰度值进行比对。给定一个维度为r×c的已知模板M和一幅图像I，若将图像固定在偏移(x0,y0)处，模板能够完全匹配则满足如式(15)：
式(15)中包含了位置和灰度值信息，其中E即为匹配错误的度量，E的最小值则给出了模板匹配在一定程度上的指示。式(15)中的求和项对于亮度和旋转变化都很敏感，光照变化主要对式(15)中的灰度值变量产生影响，目标的旋转则影响匹配过程中的位置信息。图3a和图3b为相同的目标在不同光照条件下以及不同旋转角度下的成像情况，其中图3a的光照情况相对于图3b要更加充足。图4a和图4b分别对应于图3a和图3b的灰度分布情况，黑色背景区域的灰度值变化很难在图3a和图3b中体现出来，通过分析图中相对应的灰度分布情况，可以看出光照以及目标的位置变化对灰度分布产生的影响。
针对上述情况，本发明方法对目标特征图像和模板均进行二值化操作。无论实际图像中的灰度值分布如何变化最终均转化为只有两种灰度值分布的二值图像，如图5所示。对于目标的旋转问题，本发明方法通过求取目标的最小外接矩形，选取最小外接矩形在视觉坐标系下具有最小x值的坐标(x1,y1)和具有最大y值的坐标(x2,y2)，如图6所示，再根据式(16)进而获得目标可能的偏转角度。
获取到目标旋转角度后，按式(17)的方法将二值化后的模板进行角度补偿：
再按图7所示的方式建立模板集。将工业相机采集到的目标图像经过上述处理得到最终的二值图像，再同模板集进行匹配，如图8所示。最终，模板匹配过程被转化为二值匹配，排出了不相关像素对匹配过程造成的干扰，同时特征提取也减少了计算机在匹配过程需要比对的数据规模。图9为在计算机中的匹配仿真结果，将该发明实际应用到机器人分拣系统中，系统有较高的识别成功率。

Claims (7)

1.一种基于边缘特征的模板匹配方法，其特征在于，包括以下步骤：
1)将尺度大小不同的高斯滤波器相乘；利用相乘后的滤波器对图像进行卷积，得到图像的边缘特征图像；对边缘特征图像进行二值化，得到二值图像；
2)通过步骤1)分别得到模板和采集图像的二值图像；
3)对采集图像的二值图像求取最小外接矩形，获取目标相对于模板的偏转角度；利用偏转角度和模板的二值图像建立模板集；
4)将采集图像的二值图像同模板集进行匹配，识别出工件。
2.根据权利要求1所述的一种基于边缘特征的模板匹配方法，其特征在于，所述将尺度大小不同的高斯滤波器相乘，具体为：将小尺度滤波参数的高斯函数同大尺度滤波参数的高斯函数相乘，得到基于尺度相乘的新的高斯滤波器。
3.根据权利要求1所述的一种基于边缘特征的模板匹配方法，其特征在于，所述利用相乘后的滤波器对图像进行卷积，得到图像的边缘特征图像具体为：边缘位置对于滤波器的响应为局部区域的最大值，根据这些最大值点的一阶导数为零，获取到图像边缘。
4.根据权利要求1所述的一种基于边缘特征的模板匹配方法，其特征在于，所述对边缘特征图像进行二值化，得到图像的二值图像具体为：选取中间阈值thresh，将边缘响应点置255，其余像素置0：
其中，dst表示二值图像，src表示边缘特征图像。
5.根据权利要求1所述的一种基于边缘特征的模板匹配方法，其特征在于，对采集图像的二值图像求取最小外接矩形，获取目标相对于模板的偏转角度具体为：选取二值图像在视觉坐标系下具有最小x值的坐标(x1，y1)和具有最大y值的坐标(x2，y2)，得到目标相对于模板的偏转角度：
6.根据权利要求1所述的一种基于边缘特征的模板匹配方法，其特征在于，所述利用偏转角度和模板的二值图像建立模板集包括以下步骤：
将模板的二值图像分别旋转θ角度：
其中，(x，y)为模板的二值图像，(u，v)为旋转后的二值图像；
将每个角度与相应模板的二值图像对应为一组；
再将所有组根据索引编号i构成模板集。
7.根据权利要求1所述的一种基于边缘特征的模板匹配方法，其特征在于，所述将采集图像的二值图像同模板集进行匹配，识别出工件具体为：将采集图像的二值图像与模板集内的二值图像进行匹配，匹配成功后为后续的分拣操作提供目标的旋转角度、坐标及类别信息。
CN201710895783.8A 2017-09-28 2017-09-28 一种基于边缘特征的模板匹配方法 Pending CN109583461A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710895783.8A CN109583461A (zh) 2017-09-28 2017-09-28 一种基于边缘特征的模板匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710895783.8A CN109583461A (zh) 2017-09-28 2017-09-28 一种基于边缘特征的模板匹配方法

Publications (1)

Publication Number Publication Date
CN109583461A true CN109583461A (zh) 2019-04-05

Family

ID=65912719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710895783.8A Pending CN109583461A (zh) 2017-09-28 2017-09-28 一种基于边缘特征的模板匹配方法

Country Status (1)

Country Link
CN (1) CN109583461A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110159868A (zh) * 2019-05-27 2019-08-23 北京奥蓝仕技术有限公司 智能套筒的数据处理方法、装置及智能套筒
CN111738320A (zh) * 2020-03-04 2020-10-02 沈阳工业大学 基于模板匹配的遮挡工件识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177429A (zh) * 2013-04-16 2013-06-26 南京理工大学 基于fpga的红外图像细节增强系统及其方法
CN106127258A (zh) * 2016-07-01 2016-11-16 华中科技大学 一种目标匹配方法
CN106709909A (zh) * 2016-12-13 2017-05-24 重庆理工大学 一种基于深度学习的柔性机器人视觉识别与定位系统
CN106934813A (zh) * 2015-12-31 2017-07-07 沈阳高精数控智能技术股份有限公司 一种基于视觉定位的工业机器人工件抓取实现方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177429A (zh) * 2013-04-16 2013-06-26 南京理工大学 基于fpga的红外图像细节增强系统及其方法
CN106934813A (zh) * 2015-12-31 2017-07-07 沈阳高精数控智能技术股份有限公司 一种基于视觉定位的工业机器人工件抓取实现方法
CN106127258A (zh) * 2016-07-01 2016-11-16 华中科技大学 一种目标匹配方法
CN106709909A (zh) * 2016-12-13 2017-05-24 重庆理工大学 一种基于深度学习的柔性机器人视觉识别与定位系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MIA: "《3. The Gaussian kernel》", 《HTTP://PAGES.STAT.WISC.EDU/~MCHUNG/TEACHING/MIA/READING/DIFFUSION.GAUSSIAN.KERNEL.PDF.PDF》 *
司小婷 等: "《基于视觉的零件识别和定位》", 《组合机床与自动化加工技术》 *
尤卫卫: "《机器人分拣作业中工件识别实用技术的研究与实现》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
朱良 等: "《基于机器视觉的工业机器人工件定位》", 《小型微型计算机系统》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110159868A (zh) * 2019-05-27 2019-08-23 北京奥蓝仕技术有限公司 智能套筒的数据处理方法、装置及智能套筒
CN111738320A (zh) * 2020-03-04 2020-10-02 沈阳工业大学 基于模板匹配的遮挡工件识别方法
CN111738320B (zh) * 2020-03-04 2022-12-06 沈阳工业大学 基于模板匹配的遮挡工件识别方法

Similar Documents

Publication Publication Date Title
Kang et al. Extended random walker for shadow detection in very high resolution remote sensing images
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
CN109919960B (zh) 一种基于多尺度Gabor滤波器的图像连续边缘检测方法
CN103886589B (zh) 面向目标的自动化高精度边缘提取方法
CN109949340A (zh) 基于OpenCV的目标尺度自适应跟踪方法
CN107292869B (zh) 基于各向异性高斯核和梯度搜索的图像斑点检测方法
CN108960404B (zh) 一种基于图像的人群计数方法及设备
CN106023134B (zh) 一种钢材晶粒的自动晶界提取方法
CN106650721A (zh) 一种基于卷积神经网络的工业字符识别方法
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
CN104809731B (zh) 一种基于梯度二值化的旋转尺度不变场景匹配方法
CN109118528A (zh) 基于区域分块的奇异值分解图像匹配算法
CN105335725A (zh) 一种基于特征融合的步态识别身份认证方法
CN101551853A (zh) 复杂静态彩色背景下的人耳检测方法
CN113592911B (zh) 表观增强深度目标跟踪方法
CN107240112B (zh) 一种复杂场景下个体x角点提取方法
CN108710909B (zh) 一种可变形旋转不变装箱物体清点方法
US6507675B1 (en) Structure-guided automatic learning for image feature enhancement
CN106327534A (zh) 一种基于定位块的轮胎内壁纹理识别方法
CN110378924A (zh) 基于局部熵的水平集图像分割方法
CN106529547A (zh) 一种基于完备局部特征的纹理识别方法
CN108257153A (zh) 一种基于方向梯度统计特征的目标跟踪方法
CN112101283A (zh) 一种交通标志智能识别方法及系统
CN109583461A (zh) 一种基于边缘特征的模板匹配方法
CN106296632A (zh) 一种基于幅度谱分析的显著目标检测方法

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
CB02 Change of applicant information

Address after: Nanping Road in Dongling District of Shenyang city of Liaoning Province, No. 110168 16-2

Applicant after: Shenyang Zhongke CNC Technology Co.,Ltd.

Address before: Nanping Road in Dongling District of Shenyang city of Liaoning Province, No. 110168 16-2

Applicant before: SHENYANG GOLDING NC & INTELLIGENCE TECH. Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20190405

RJ01 Rejection of invention patent application after publication