CN109584207A - 一种测量高密度柔性印制基板线宽或线距最小距离的方法 - Google Patents
一种测量高密度柔性印制基板线宽或线距最小距离的方法 Download PDFInfo
- Publication number
- CN109584207A CN109584207A CN201811221865.5A CN201811221865A CN109584207A CN 109584207 A CN109584207 A CN 109584207A CN 201811221865 A CN201811221865 A CN 201811221865A CN 109584207 A CN109584207 A CN 109584207A
- Authority
- CN
- China
- Prior art keywords
- curve
- function
- image
- parameter
- level set
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005259 measurement Methods 0.000 title claims description 11
- 239000002245 particle Substances 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims description 7
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 239000000758 substrate Substances 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000000877 morphologic effect Effects 0.000 abstract 1
- 238000003709 image segmentation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种测量高密度柔性印制基板线宽或线距最小距离的方法,第一步对采集到的高密度柔性印制基板图像进行中值滤波、形态学填充处理;第二步对处理后的图像基于曲线演化理论和水平集方法进行分割,提取边界坐标;第三步对导线坐标进行B样条曲线拟合;第四步基于粒子群算法求取参数曲线间最小距离。本发明采用曲线演化理论与水平集方法进行分割,能够自然的处理曲线拓扑结构变化并且具有稳定的和精准的数值计算,利用图像的局部信息构造能量泛函,能够有效处理图像灰度不均匀现象。
Description
技术领域
本发明涉及高密度柔性印制基板制造及无损测量领域,具体涉及一种测量高密度柔性印制基板线宽或线距最小距离的方法。
背景技术
高密度柔性印制基板(FICS)具有弯曲性好、厚度薄、重量轻、体积小等优点,被广泛应用在电子、军工等行业中。随着科技发展,FICS线路密集程度越来越高,在生产过程中对线宽线距的测量也变得尤为困难。目前国内的FICS生产厂家普遍的检测方法是通过人工目测方法保证产品的合格率,但是对于成品小于10um的成品板件,人工目测需要使用显微镜细致的检查重要位置,操作起来难度大、任务重、易出错。由此可知,一种高精度自动测量线宽线距的方法在缺陷检测中的重要性。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种测量高密度柔性印制基板线宽或线距最小距离的方法。
本发明采用如下技术方案:
一种测量高密度柔性印制基板线宽或线距最小距离的方法,包括如下步骤:
S1对采集到的高密度柔性印制基板图像依次进行中值滤波及形态学填充处理;
S2对处理后的图像采用曲线演化理论和水平集方法进行分割,提取导线边界坐标;
S3对导线边界进行B样条曲线拟合;
S4采用粒子群算法求取参数曲线间最小距离,即线宽或线距的最小距离。
所述S2对处理后的图像采用曲线演化理论和水平集方法进行分割,提取导线边界坐标,具体为:
首先将曲线或者曲面表示为高一维的曲面,然后利用泛函能量函数表示低维曲线或曲面的演化,在笛卡尔网格中对演化中的曲线或曲面进行数值求解。
所述泛函能量函数是采用预处理后图像的局部信息进行构造。
本发明采用差分方法进行数据求解,即在空间域中的偏导数采用中心差分近似,在时间域中采用前向差分近似求解。
本发明S2对处理后的图像采用曲线演化理论和水平集方法进行分割,提取导线边界坐标;具体步骤如下:
S2.1设定初始化参数:空间步长h,时间步长Δt,Heaviside函数参数ε,高斯核函数方差σ,平滑项参数v,惩罚项参数u,η值;
S2.2将水平集函数φ初始化为二值函数;
S2.3计算ci,b;
其中b为偏置场,K为高斯核函数,I图像的灰度值,M1(φ)=H(φ),M2)φ(=1-H(φ),H(φ)为Heaviside函数,近似为光滑函数, ε为常量,且Heaviside函数H(φ)的导数为Dirac函数,
S2.4进行水平集演化
其中
S2.5建立终止准则,具体内容如下:在水平集演化过程中,需要终止准则判断水平集函数是否收敛,满足条件迭代终止,否则返回S2.3。
所述S2.5中的终止准则如下式:
其中n为迭代次数,当曲线长度变化小于预定设置的η值,迭代过程终止。
所述S3中对导线边界进行B样条曲线拟合,具体为:采用准均匀B样条节点向量进行拟合,一条k次B样条曲线定义为其中di为控制点,将分割后的边界点作为控制点,节点向量U=[u0,u2,…un+k+1,],Ni,k(u)为k次规范的B样条基函数。
所述粒子群算法采用加权重的PSO算法。
本发明加权重的PSO算法,具体是在在两条B样条曲线上,随机取N个点为N个粒子,每个粒子的几何位置表示为xi=P(ui),i=1,2…N,粒子的速度vi可直接用Δui表示,将xi与之间的最短距离称为第i对的个体最优位置,个体最优位置参数为ub,i、将称为群体最优位置,群体最优位置参数ug、应用牛顿迭代法不断迭代改变群体最优位置参数ug、提高精度,通过迭代,将群体最优位置作为两样条曲线间的最短距离的近似值。
本发明的有益效果:
(1)应用曲线演化理论与水平集方法进行图像分割,该方法演化曲线可以很自然地改变拓扑结构,实现对曲线的分裂和合并的描述,可以有效地分割具有复杂形状的目标;
(2)应用曲线演化理论与水平集方法进行图像分割,具有稳定的和精准的数值计算;
(3)应用曲线演化理论与水平集方法进行图像分割,该方法利用图像的局部信息构造能量泛函,能够有效处理图像灰度不均匀现象。
(4)应用准均匀B样条拟合曲线,能够灵活拟合复杂曲线且便于控制。
(5)应用人工智能粒子群算法以及牛顿迭代法求线宽线距最小距离,提高测量精度。
附图说明
图1是本发明的工作流程图;
图2是本发明的分割图像流程图;
图3是本发明的基于粒子群算法求最小距离的流程图;
图4是本发明的基于水平集方法分割后边界图像;
图5是本发明的高密度柔性印制电路图像;
图6是本发明中电路图像经过中值滤波及填充处理后的图像;
图7是本发明的基于水平集方法分割后水平集函数图像。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1-图4所示,一种测量高密度柔性印制基板线宽或线距最小距离的方法,包括如下步骤:
S1对采集到的高密度柔性印制基板图像如图5所示,依次进行中值滤波及形态学填充处理;处理后的图像如图6所示,该步骤起到柔性基板图像增强、去除噪音、保护边缘的作用,降低柔性基板受到氧化所带来的不利影响。
S2对处理后的图像采用曲线演化理论和水平集方法进行分割,提取导线边界坐标,如图7所示,本步骤利用变分法将能量泛函最小化,驱动演化水平集函数,当满足迭代条件时,此时的零水平集函数为分割后图像的边界。
本步骤是将曲线或者曲面表示为高一维的曲面,利用高维的能量泛函表示低维曲线的演化,在笛卡尔网格中对演化中的曲线或曲面进行数值求解,为保证数值求解的稳定性,采用差分进行数值近似求解,
即为在空间域中的偏导数采用中心差分近似,在时间域中采用采用前向差分近似求解。设任意给定像素点x∈Ω,以x为圆心,ρ为半径,形成的圆形邻域记为具体步骤如下:
(2.1)设定初始化参数:空间步长h,时间步长Δt,Heaviside函数参数ε,高斯核函数方差σ,平滑项参数v,惩罚项参数u,η值。
(2.2)水平集函数φ初始化为二值函数。
(2.3)通过下式计算ci、计算b:
其中b为偏置场,K为高斯核函数,I图像的灰度值,M1(φ)=H(φ),M2(φ)=1-H(φ),H(φ)为Heaviside函数,近似为光滑函数, ε为常量,且Heaviside函数H(φ)的导数为Dirac函数,
(2.4)通过下式进行水平集演化:
其中
(2.5)建立终止准则,具体内容如下:在水平集演化过程中,需要终止准则判断水平集函数是否收敛,建立如下式终止准则:
其中n为迭代次数,当曲线长度变化小于预定设置的η值,迭代过程终止,否则返回(2.3)步骤。
本步骤有效处理演化曲线拓扑结构变化,利用图像的局部信息构造能量泛函,能够有效处理图像灰度不均匀现象。
S3对导线边界坐标进行B样条曲线拟合,将分割后图像的边界点坐标提取出来,进行准均匀B样条拟合曲线。
具体为:采用准均匀B样条节点向量进行拟合,一条k次B样条曲线定义为其中di为控制点,本发明将分割后的边界点作为控制点,节点向量U=[u0,u2,…un+k+1,],Ni,k(u)为k次规范的B样条基函数。
S4采用粒子群算法求取参数曲线间最小距离,即线宽或线距的最小距离。
该方法首先在每条样条曲线上随机取N个粒子,找到个体最优位置和参数、群体最优位置和参数,其次更新位置、速度,判断更新前后群体最优位置之差是否在设定误差范围内,若否继续更新参数,若是则应用牛顿迭代算法更新群体最优位置参数,直到满足在设定误差范围内,停止迭代,输出最小距离。
具体步骤为:
(4.1)设定初始值:粒子数N,误差限定值λ、λ1、λ2,最大迭代次数T,个体最优权重系数c1,群体最优权重系数c2,约束因子r,速度取值范围Δui∈[-Δumax,Δumax]、
(4.2)在每条B样条曲线上随机取N个点,作为N个粒子,由deboor算法得到每个粒子的几何位置xi、
(4.3)计算i=1,2…N,得到个体最优位置参数为ub,i、和群体最优位置参数ug、
(4.4)更新速度参数Δui、更新位置参数
(4.5)由deboor算法得到每个粒子的几何位置计算
(4.6)判断是否满足若是则直接进行(4.8)步骤;否则进行步骤(4.7),直到满足上式不等式后进入(4.8)步骤。
(4.7)判断是否满足若是则更新个体最优位置参数ub,i、为当前的参数ub,i *、否则保持不变;判断是否满足若是则更新群体最优位置参数ug、为当前的参数ug *、否则保持不变。
(4.8)应用牛顿迭代算法求得群体最优位置参数ug、
(4.9)计算并输出结果。
所述步骤(4.4)具体为:更新速度参数Δui如下所示,更新位置参数如下所示,公式类似,不再赘述,
Δui←wΔui+c1ε(ub,i-ui)+c2η(ug-ui)
其中ε、η为[0 1]之间的随机数。
所述步骤(4.8)为应用牛顿迭代算法求得群体最优位置参数ug、具体为:将ug、分别进行迭代知道误差小于误差限定值λ1、λ2,迭代公式如下:
其中令x=P(u)=(x(u),y(u))、其他符号表示如下:
本发明采用准均匀B样条拟合曲线,能够灵活拟合复杂曲线且便于控制。本发明应用人工智能粒子群算法以及牛顿迭代法求线宽线距最小距离,提高测量精度。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种测量高密度柔性印制基板线宽或线距最小距离的方法,其特征在于,包括如下步骤:
S1对采集到的高密度柔性印制基板图像依次进行中值滤波及形态学填充处理;
S2对处理后的图像采用曲线演化理论和水平集方法进行分割,提取导线边界坐标;
S3对导线边界进行B样条曲线拟合;
S4采用粒子群算法求取参数曲线间最小距离,即线宽或线距的最小距离。
2.根据权利要求1所述的方法,其特征在于,所述S2对处理后的图像采用曲线演化理论和水平集方法进行分割,提取导线边界坐标,具体为:
首先将曲线或者曲面表示为高一维的曲面,然后利用泛函能量函数表示低维曲线或曲面的演化,在笛卡尔网格中对演化中的曲线或曲面进行数值求解。
3.根据权利要求2所述的方法,其特征在于,所述泛函能量函数是采用预处理后图像的局部信息进行构造。
4.根据权利要求2所述的方法,其特征在于,采用差分方法进行数据求解,即在空间域中的偏导数采用中心差分近似,在时间域中采用前向差分近似求解。
5.根据权利要求1所述的方法,其特征在于,S2对处理后的图像采用曲线演化理论和水平集方法进行分割,提取导线边界坐标;具体步骤如下:
S2.1设定初始化参数:空间步长h,时间步长Δt,Heaviside函数参数ε,高斯核函数方差σ,平滑项参数v,惩罚项参数u,η值;
S2.2将水平集函数φ初始化为二值函数;
S2.3计算ci,b;
其中b为偏置场,K为高斯核函数,I图像的灰度值,M1(φ)=H(φ),M2(φ)=1-H(φ),H(φ)为Heaviside函数,近似为光滑函数, ε为常量,且Heaviside函数H(φ)的导数为Dirac函数,
S2.4进行水平集演化
其中
S2.5建立终止准则,具体内容如下:在水平集演化过程中,需要终止准则判断水平集函数是否收敛,满足条件迭代终止,否则返回S2.3。
6.根据权利要求5所述的方法,其特征在于,所述S2.5中的终止准则如下式:
|∫Ωδ(Φn+1)|▽Φn+1|dx-∫Ωδ(Φn)|▽Φn|dx|<η
其中n为迭代次数,当曲线长度变化小于预定设置的η值,迭代过程终止。
7.根据权利要求1所述的方法,其特征在于,所述S3中对导线边界进行B样条曲线拟合,具体为:采用准均匀B样条节点向量进行拟合,一条k次B样条曲线定义为其中di为控制点,将分割后的边界点作为控制点,节点向量U=[u0,u2,…un+k+1,],Ni,k(u)为k次规范的B样条基函数。
8.根据权利要求1所述的方法,其特征在于,所述粒子群算法采用加权重的PSO算法。
9.根据权利要求8所述的方法,其特征在于,加权重的PSO算法,具体是在在两条B样条曲线上,随机取N个点为N个粒子,每个粒子的几何位置表示为xi=P(ui),i=1,2…N,粒子的速度vi可直接用Δui表示,将xi与之间的最短距离称为第i对的个体最优位置,个体最优位置参数为ub,i、将 称为群体最优位置,群体最优位置参数ug、应用牛顿迭代法不断迭代改变群体最优位置参数ug、提高精度,通过迭代,将群体最优位置作为两样条曲线间的最短距离的近似值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811221865.5A CN109584207B (zh) | 2018-10-19 | 2018-10-19 | 一种测量高密度柔性印制基板线宽或线距最小距离的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811221865.5A CN109584207B (zh) | 2018-10-19 | 2018-10-19 | 一种测量高密度柔性印制基板线宽或线距最小距离的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109584207A true CN109584207A (zh) | 2019-04-05 |
CN109584207B CN109584207B (zh) | 2023-01-06 |
Family
ID=65920741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811221865.5A Expired - Fee Related CN109584207B (zh) | 2018-10-19 | 2018-10-19 | 一种测量高密度柔性印制基板线宽或线距最小距离的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584207B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262250A (zh) * | 2019-07-08 | 2019-09-20 | 济南大学 | 一种基于粒子群算法的b样条曲线拟合方法及系统 |
CN112414316A (zh) * | 2020-10-28 | 2021-02-26 | 西北工业大学 | 一种应变片敏感栅尺寸参数测量方法 |
CN112991283A (zh) * | 2021-03-04 | 2021-06-18 | 华南理工大学 | 基于超像素的柔性ic基板线宽检测方法、介质和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831608A (zh) * | 2012-08-06 | 2012-12-19 | 哈尔滨工业大学 | 基于非稳态测量算法的改进规则距离水平集的图像分割方法 |
US20150036889A1 (en) * | 2013-08-02 | 2015-02-05 | CRIXlabs, Inc. | Method and System for Predicting Spatial and Temporal Distributions of Therapeutic Substance Carriers |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
CN106485203A (zh) * | 2016-09-19 | 2017-03-08 | 天津大学 | 颈动脉超声图像内中膜厚度测量方法及系统 |
US20170336713A1 (en) * | 2014-12-09 | 2017-11-23 | Asml Netherlands B.V. | Method and apparatus for image analysis |
-
2018
- 2018-10-19 CN CN201811221865.5A patent/CN109584207B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831608A (zh) * | 2012-08-06 | 2012-12-19 | 哈尔滨工业大学 | 基于非稳态测量算法的改进规则距离水平集的图像分割方法 |
US20150036889A1 (en) * | 2013-08-02 | 2015-02-05 | CRIXlabs, Inc. | Method and System for Predicting Spatial and Temporal Distributions of Therapeutic Substance Carriers |
US20170336713A1 (en) * | 2014-12-09 | 2017-11-23 | Asml Netherlands B.V. | Method and apparatus for image analysis |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
CN106485203A (zh) * | 2016-09-19 | 2017-03-08 | 天津大学 | 颈动脉超声图像内中膜厚度测量方法及系统 |
Non-Patent Citations (1)
Title |
---|
袁小翠: "产品表面缺陷视觉检测数据处理关键技术研究", 《中国博士学位论文全文数据库(电子期刊)·信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262250A (zh) * | 2019-07-08 | 2019-09-20 | 济南大学 | 一种基于粒子群算法的b样条曲线拟合方法及系统 |
CN110262250B (zh) * | 2019-07-08 | 2020-04-21 | 济南大学 | 一种基于粒子群算法的b样条曲线拟合方法及系统 |
CN112414316A (zh) * | 2020-10-28 | 2021-02-26 | 西北工业大学 | 一种应变片敏感栅尺寸参数测量方法 |
CN112991283A (zh) * | 2021-03-04 | 2021-06-18 | 华南理工大学 | 基于超像素的柔性ic基板线宽检测方法、介质和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109584207B (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784661B (zh) | 基于区域生长法的变电站设备红外图像分类识别方法 | |
CN102800107B (zh) | 一种基于改进最小交叉熵的运动目标检测方法 | |
CN109584207A (zh) | 一种测量高密度柔性印制基板线宽或线距最小距离的方法 | |
CN105654483B (zh) | 三维点云全自动配准方法 | |
CN103353987A (zh) | 一种基于模糊理论的超像素分割方法 | |
CN103729846B (zh) | 基于不规则三角网的LiDAR点云数据边缘检测方法 | |
CN108320293A (zh) | 一种结合改进粒子群算法的快速点云边界提取技术 | |
CN110866934B (zh) | 基于规范性编码的复杂点云分割方法及系统 | |
CN104732545B (zh) | 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法 | |
CN109034131B (zh) | 一种半自动人脸关键点标注方法及存储介质 | |
CN103870845A (zh) | 点云聚类去噪过程中新的k值优化方法 | |
CN108460783B (zh) | 一种脑部核磁共振图像组织分割方法 | |
CN112287872B (zh) | 基于多任务神经网络的虹膜图像分割、定位和归一化方法 | |
CN116538996B (zh) | 基于激光雷达的地形测绘系统及方法 | |
CN104156943B (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
CN111415379A (zh) | 一种基于布谷鸟优化的三维点云数据配准方法 | |
CN106127682A (zh) | 一种顾及海岸线地理特征约束的可控分形插值方法及系统 | |
CN103606164A (zh) | 基于高维三重马尔可夫场的sar图像分割方法 | |
CN105005995A (zh) | 一种计算三维点云模型骨骼的方法 | |
CN111401226A (zh) | 一种辐射源快速识别方法 | |
CN111882598A (zh) | 一种基于逐点生长的点云法矢一致性校准方法 | |
CN108717176A (zh) | 基于人工蜂群算法的多站时差定位方法 | |
CN109859243A (zh) | 一种基于尺度自适应块粒子的运动目标跟踪方法 | |
CN113379788A (zh) | 一种基于三元组网络的目标跟踪稳定性方法 | |
CN109887012B (zh) | 一种结合自适应搜索点集的点云配准方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230106 |