CN110222703A - 图像轮廓识别方法、装置、设备和介质 - Google Patents
图像轮廓识别方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN110222703A CN110222703A CN201910506941.5A CN201910506941A CN110222703A CN 110222703 A CN110222703 A CN 110222703A CN 201910506941 A CN201910506941 A CN 201910506941A CN 110222703 A CN110222703 A CN 110222703A
- Authority
- CN
- China
- Prior art keywords
- image
- matched
- contour
- point
- profile
- 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
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
- G06V10/443—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 matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像轮廓识别方法、装置、设备和介质,涉及图像处理技术领域。所述方法包括:分别确定待匹配图像和轮廓模板图像的轮廓特征信息,其中所述轮廓特征信息包括如下至少一项:轮廓点数量、灰度特征信息以及轮廓点梯度信息;其中,所述轮廓模板图像是根据具有目标属性的目标轮廓点生成的;根据所述待匹配图像和所述轮廓模板图像的轮廓特征信息,从所述待匹配图像中识别出所述目标轮廓点。本发明实施例通过确定待匹配图像和轮廓模板图像的轮廓特征信息,并根据轮廓特征信息,从待匹配图像中识别出目标轮廓点,实现了高效且快速的识别目标轮廓点的效果。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种图像轮廓识别方法、装置、设备和介质。
背景技术
随着现代工业的发展,机器视觉在工业生产中的应用越来越广泛,机器视觉算法在嵌入式系统上的实现也成为了热门的研究方向,在机器视觉应用中,基于模板匹配的轮廓匹配算法是应用广泛的一门技术,目前有众多的基于模板匹配的轮廓匹配算法被提出,例如基于广义霍夫变换的模板匹配、基于灰度值的模板匹配算法和基于形状特征的模板匹配算法。
但是传统的基于模板匹配的轮廓匹配算法的匹配性能以及匹配效果存在一定的缺陷。
发明内容
本发明实施例提供一种图像轮廓识别方法、装置、设备和介质,以解决传统轮廓匹配算法性能普遍较低,且运算量过于复杂,匹配时间较长的问题。
第一方面,本发明实施例提供了一种图像轮廓识别方法,所述方法包括:
分别确定待匹配图像和轮廓模板图像的轮廓特征信息,其中所述轮廓特征信息包括如下至少一项:轮廓点数量、灰度特征信息以及轮廓点梯度信息;其中,所述轮廓模板图像是根据具有目标属性的目标轮廓点生成的;
根据所述待匹配图像和所述轮廓模板图像的轮廓特征信息,从所述待匹配图像中识别出所述目标轮廓点。
第二方面,本发明实施例提供了一种图像轮廓识别装置,所述装置包括:
轮廓特征信息确定模块,用于分别确定待匹配图像和轮廓模板图像的轮廓特征信息,其中所述轮廓特征信息包括如下至少一项:轮廓点数量、灰度特征信息以及轮廓点梯度信息;其中,所述轮廓模板图像是根据具有目标属性的目标轮廓点生成的;
目标轮廓点识别模块,用于根据所述待匹配图像和所述轮廓模板图像的轮廓特征信息,从所述待匹配图像中识别出所述目标轮廓点。
第三方面,本发明实施例提供了一种设备,所述设备还包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的图像轮廓识别方法。
第四方面,本发明实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的图像轮廓识别方法。
本发明实施例通过将轮廓点数量、灰度特征信息以及轮廓点梯度信息中的至少一项作为待匹配图像和轮廓模板图像的轮廓特征信息,并根据轮廓特征信息从待匹配图像中识别出目标轮廓点,实现了高效且快速的识别目标轮廓点的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例一提供的一种图像轮廓识别方法的流程图;
图2为本发明实施例二提供的一种图像轮廓识别方法的流程图;
图3为本发明实施例三提供的一种图像轮廓识别装置的结构示意图;
图4为本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明实施例,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明实施例相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种图像轮廓识别方法的流程图。本实施例适用于对目标设备表面进行瑕疵检测的情况,该方法可以由本发明实施例提供的图像轮廓识别装置来执行。如图1所示,该方法可以包括:
步骤101、分别确定待匹配图像和轮廓模板图像的轮廓特征信息,其中所述轮廓特征信息包括如下至少一项:轮廓点数量、灰度特征信息以及轮廓点梯度信息;其中,所述轮廓模板图像是根据具有目标属性的目标轮廓点生成的。
其中,待匹配图像可以是一张完整的图像,也可以是利用滑动窗口技术截取完整图像中的滑窗图像。
可选的,在分别确定待匹配图像和轮廓模板图像的轮廓特征信息之前,包括对待匹配图像和轮廓模板图像进行预处理操作,其中,预处理操作包括图像去噪、图像锐化以及灰度拉伸等等。
可选的,轮廓模板图像是通过截取初始轮廓模板图像中感兴趣区域得到的。
可选的,分别确定待匹配图像和轮廓模板图像的轮廓点数量通过包括边缘检测算法或者积分图算法来获取,其中,积分图算法是一种利用积分图像快速计算目标图像中某些参数的算法,边缘检测算法包括但不限于canny算法。
可选的,分别确定待匹配图像和轮廓模板图像的灰度特征信息,包括:
A、根据固定比例值,对所述待匹配图像和所述轮廓模板图像进行划分,分别得到待匹配子图像与轮廓模板子图像。
B、获取所述待匹配子图像、轮廓模板子图像、待匹配图像以及轮廓模板图像的灰度平均值。
C、将所述待匹配子图像与待匹配图像的灰度平均值,以及所述轮廓模板子图像与轮廓模板图像的灰度平均值进行比较,分别确定所述待匹配图像和轮廓模板图像的灰度特征信息。
可选的,分别确定待匹配图像和轮廓模板图像的轮廓点梯度信息,包括通过Sobel梯度检测算法,确定待匹配图像和轮廓模板图像的轮廓点在X和Y方向上的梯度信息。
通过确定待匹配图像和轮廓模板图像的轮廓特征信息,为后续根据所述轮廓特征信息进行目标轮廓点识别,奠定了数据基础。
步骤102、根据所述待匹配图像和所述轮廓模板图像的轮廓特征信息,从所述待匹配图像中识别出所述目标轮廓点。
A、当待匹配图像的轮廓点个数大于轮廓模板图像的轮廓点个数,这种情况属于轮廓点信息增加的情况,此时目标轮廓点识别不准确;而当待匹配图像的轮廓点个数过少,则直接确定待匹配图像的轮廓点不是目标轮廓点。
因此可选的,根据所述待匹配图像和所述轮廓模板图像的轮廓特征信息,从所述待匹配图像中识别出所述目标轮廓点,包括:
若待匹配图像的第一轮廓点数量小于或等于轮廓模板图像的第二轮廓点数量,且所述第一轮廓点数量大于轮廓点数量阈值,则根据待匹配图像和轮廓模板图像的灰度特征信息和/或轮廓点梯度信息,从所述待匹配图像中识别出所述目标轮廓点;其中,所述轮廓点数量阈值为所述第二轮廓点数量与固定系数之间乘积。
B、灰度特征信息体现了不同图像区域灰度值的分布情况,所以灰度特征信息相近的图像,代表其灰度值分布情况也相近。
因此可选的,根据所述待匹配图像和所述轮廓模板图像的灰度特征信息,从所述待匹配图像中识别出所述目标轮廓点,包括:
确定与对应所述轮廓模板子图像具有不相同灰度特征信息的待匹配子图像的第一数量;若所述第一数量小于或等于子图像数量阈值,则对所述轮廓模板图像进行至少一次旋转,得到至少一个轮廓辅助图像,以及所述至少一个轮廓辅助图像的旋转角度;若与任一轮对应轮廓辅助子图像具有不相同灰度特征信息的待匹配子图像的第二数量小于或等于子图像数量阈值,则根据所述待匹配图像和该轮廓辅助图像的轮廓点梯度信息,从所述待匹配图像中识别出所述目标轮廓点。
C、轮廓点梯度信息体现了轮廓点附近灰度值变化的情况,所以轮廓点梯度信息越相近,代表轮廓点附近灰度值变化越相近。
因此可选的,根据所述待匹配图像和所述轮廓模板图像的轮廓点梯度信息,从所述待匹配图像中识别出所述目标轮廓点,包括:
根据所述轮廓模板图像的轮廓点坐标,确定所述轮廓模板图像的重心坐标;根据所述待匹配图像的轮廓点坐标、所述待匹配图像的参考点坐标以及所述轮廓模板图像的重心坐标,确定所述待匹配图像的轮廓点与所述轮廓模板图像的轮廓点的映射关系;根据所述映射关系、待匹配图像的轮廓点梯度信息以及轮廓模板图像的轮廓点梯度信息,确定所述待匹配图像的轮廓点是否为目标轮廓点。
通过根据轮廓点数量、灰度特征信息以及轮廓点梯度信息的至少一项,从所述待匹配图像中识别出所述目标轮廓点,实现了高效且快速的识别目标轮廓点的效果。
本发明实施例提供的技术方案,通过将轮廓点数量、灰度特征信息以及轮廓点梯度信息中的至少一项作为待匹配图像和轮廓模板图像的轮廓特征信息,并根据轮廓特征信息从待匹配图像中识别出目标轮廓点,实现了高效且快速的识别目标轮廓点的效果。
实施例二
图2为本发明实施例二提供的一种图像轮廓识别方法的流程图。本实施例为上述实施例提供了一种具体实现方式。基于图像金字塔技术,将待匹配图像和轮廓模板图像进行图像金字塔分层,在本实施例中仅以两层图像金字塔为例,而并不对图像金字塔层数进行限定。本实施例中的第一待匹配图像和第一轮廓模板图像位于顶层图像金字塔,第二待匹配图像和第二轮廓模板图像位于第二层图像金字塔。如图2所示,该方法可以包括:
步骤201、分别确定第一待匹配图像和第一轮廓模板图像的轮廓点数量、灰度特征信息以及轮廓点梯度信息。
可选的,分别确定第一待匹配图像和第一轮廓模板图像的灰度特征信息,包括:
A、根据固定比例值,对所述第一待匹配图像和所述第一轮廓模板图像进行划分,分别得到待匹配子图像与轮廓模板子图像。
其中,固定比例值表示图像划分的比例值,示例性的,以4×4的固定比例值,对待第一匹配图像和第一轮廓模板图像进行划分,分别得到16个待匹配子图像和16个轮廓模板子图像;以8×8的固定比例值,对第一待匹配图像和第一轮廓模板图像进行划分,分别得到64个待匹配子图像和64个轮廓模板子图像。
B、获取所述待匹配子图像、轮廓模板子图像、第一待匹配图像以及第一轮廓模板图像的灰度平均值。
可选的,通过包括积分图算法获取待匹配子图像、轮廓模板子图像、第一待匹配图像以及第一轮廓模板图像的灰度平均值。
C、将所述待匹配子图像与第一待匹配图像的灰度平均值,以及所述轮廓模板子图像与第一轮廓模板图像的灰度平均值进行比较,分别确定所述第一待匹配图像和第一轮廓模板图像的灰度特征信息。
可选的,若轮廓模板子图像的灰度平均值大于第一轮廓模板图像的灰度平均值,则所述轮廓模板子图像的灰度特征信息为1;若轮廓模板子图像的灰度平均值小于或等于第一轮廓模板图像的灰度平均值,则所述轮廓模板子图像的灰度特征信息为0。
可选的,若待匹配子图像的灰度平均值大于第一待匹配图像的灰度平均值,则所述待匹配子图像的灰度特征信息为1;若待匹配子图像的灰度平均值小于或等于第一待匹配图像的灰度平均值,则所述轮廓模板子图像的灰度特征信息为0。
可选的,所有轮廓模板子图像的灰度特征信息集合,构成第一轮廓模板图像的灰度特征信息;所有待匹配子图像的灰度特征信息集合,构成第一待匹配图像的灰度特征信息。
示例性的,假如第一轮廓模板图像的灰度平均值为112,而轮廓模板子图像A的灰度平均值为124,轮廓模板子图像B的灰度平均值为167,轮廓模板子图像C的灰度平均值为54,轮廓模板子图像D的灰度平均值为176,则轮廓模板子图像A的灰度特征信息为1,轮廓模板子图像B的灰度特征信息为1,轮廓模板子图像C的灰度特征信息为0,轮廓模板子图像D的灰度特征信息为1。
示例性的,假如第一待匹配图像的灰度平均值为100,而待匹配子图像A的灰度平均值为101,待匹配子图像B的灰度平均值为99,待匹配子图像C的灰度平均值为102,待匹配子图像D的灰度平均值为98,则待匹配子图像A的灰度特征信息为1,待匹配子图像B的灰度特征信息为0,待匹配子图像C的灰度特征信息为1,待匹配子图像D的灰度特征信息为0。
步骤202、确定第一待匹配图像的第一轮廓点数量是否小于或等于第一轮廓模板图像的第二轮廓点数量,且所述第一轮廓点数量大于轮廓点数量阈值,若是则执行步骤203,若不是则确定所述第一待匹配图像的轮廓点不是目标轮廓点。
示例性的,假设第一待匹配图像的第一轮廓点数量为N,第一轮廓模板图像的第二轮廓点数量为K,固定系数为S,S的取值范围为(0,1),若K×S≤N≤K,则执行步骤203;若N>K或者N<K×S,则确定所述第一待匹配图像的轮廓点不是目标轮廓点。
步骤203、确定所述第一待匹配图像和所述第一轮廓模板图像的灰度特征信息是否满足预设关系,若是则执行步骤204,若不是则确定所述第一待匹配图像的轮廓点不是目标轮廓点。
可选的,步骤203包括:
A、确定与对应所述轮廓模板子图像具有不相同灰度特征信息的待匹配子图像的第一数量。
具体的,由于轮廓模板子图像和待匹配子图像是根据固定比例值划分得到的,因此两者的相对位置可以一一对应。
示例性的,假如固定比例值为2×2,定义位置坐标(A,B)代表第A行第B个。第一轮廓模板图像中位置坐标为(1,1)的轮廓模板子图像的灰度特征信息为1,位置坐标为(1,2)的轮廓模板子图像的灰度特征信息为1,位置坐标为(2,1)的轮廓模板子图像的灰度特征信息为0,位置坐标为(2,2)的轮廓模板子图像的灰度特征信息为0;而第一待匹配图像中位置坐标为(1,1)的待匹配子图像的灰度特征信息为1,位置坐标为(1,2)的待匹配子图像的灰度特征信息为1,位置坐标为(2,1)的待匹配子图像的灰度特征信息为1,位置坐标为(2,2)的待匹配子图像的灰度特征信息为0。
轮廓模板子图像的灰度特征信息分别为1、1、0、0,待匹配子图像的灰度特征信息分别为1、1、1、0,则所述具有不相同灰度特征信息的待匹配子图像的第一数量为1。
B、若所述第一数量小于或等于子图像数量阈值,则对所述第一轮廓模板图像进行至少一次旋转,得到至少一个第一轮廓辅助图像,以及所述至少一个第一轮廓辅助图像的旋转角度。
第一待匹配图像仅仅与第一轮廓模板图像进行灰度特征信息比对,这样识别目标轮廓点并不准确,因为所述第一待匹配图像可能相对第一轮廓模板图像具有一定的旋转角度,因此需要将第一待匹配图像与第一轮廓模板图像经过旋转得到的轮廓辅助图像进行灰度特征信息比对。
具体的,对所述第一轮廓模板图像的旋转次数以及单次旋转角度可自行设定,优选的,单次旋转角度设为8°,旋转次数设为45次,即对第一轮廓模板图像进行360°旋转遍历。
同样的,当第一数量大于子图像数量阈值,此时也并不代表第一待匹配图像的轮廓点不是目标轮廓点,因为所述第一待匹配图像可能相对第一轮廓模板图像具有一定的旋转角度。
因此可选的,若所述第一数量大于子图像数量阈值,则对所述第一轮廓模板图像进行至少一次旋转,得到至少一个第一轮廓辅助图像,以及所述至少一个第一轮廓辅助图像的旋转角度。
C、若与任一轮对应轮廓辅助子图像具有不相同灰度特征信息的待匹配子图像的第二数量小于或等于子图像数量阈值,则执行步骤204,否则确定所述第一待匹配图像的轮廓点不是目标轮廓点。
具体的,根据固定比例值,对所述任一轮轮廓辅助图像进行划分,得到任一轮轮廓辅助图像的轮廓辅助子图像,并获取轮廓辅助图像的灰度特征信息。若与任一轮对应轮廓辅助子图像具有不相同灰度特征信息的待匹配子图像的第二数量小于或等于子图像数量阈值,则执行步骤204,否则确定所述第一待匹配图像的轮廓点不是目标轮廓点。
可选的,若与任一轮对应轮廓辅助子图像具有不相同灰度特征信息的待匹配子图像的第二数量小于或等于子图像数量阈值,则根据该轮廓辅助子图像的旋转角度,确定所述目标轮廓点在所述待匹配图像中的姿态信息。
示例性的,若轮廓辅助子图像旋转角度为20°时,第二数量小于或等于子图像数量阈值,则20°即为目标轮廓点在所述待匹配图像中的姿态信息;若轮廓辅助子图像旋转角度为0°时(即轮廓辅助图像),第二数量小于或等于子图像数量阈值,则0°即为目标轮廓点在所述待匹配图像中的姿态信息;若与所有轮对应轮廓辅助子图像具有不相同灰度特征信息的待匹配子图像的第二数量都大于子图像数量阈值,则确定所述第一待匹配图像的轮廓点不是目标轮廓点。
步骤204、确定所述第一待匹配图像和所述第一轮廓模板图像的轮廓点梯度信息是否满足预设关系,若是则从所述第一待匹配图像中识别出目标轮廓点,并执行步骤205,若不是则确定所述第一待匹配图像的轮廓点不是目标轮廓点。
可选的,步骤204包括:
A、根据所述第一轮廓模板图像的轮廓点坐标,确定所述第一轮廓模板图像的重心坐标。
具体的,遍历所述第一轮廓模板图像的轮廓点,得到各个轮廓点坐标,保存各个轮廓点坐标并计算第一轮廓模板图像的重心坐标。
B、根据所述第一待匹配图像的轮廓点坐标、所述第一待匹配图像的参考点坐标以及所述第一轮廓模板图像的重心坐标,确定所述第一待匹配图像的轮廓点与所述第一轮廓模板图像的轮廓点的映射关系。
其中,所述第一待匹配图像的参考点可选的包括所述第一待匹配图像的锚点。确定所述第一待匹配图像的轮廓点与所述第一轮廓模板图像的轮廓点的映射关系,其本质是第一待匹配图像的坐标系与第一轮廓模板图像的坐标系之间的坐标系变换过程。
示例性的,第一待匹配图像的轮廓点A1的坐标为(202,202),第一待匹配图像的参考点坐标为(200,200),第一轮廓模板图像的重心坐标为(2,2),则第一待匹配图像的轮廓点A1映射到第一轮廓模板图像的轮廓点B1的坐标为(4,4)。
通过确定第一待匹配图像的轮廓点与第一轮廓模板图像的轮廓点的映射关系,为后续求对应轮廓点之间的相似度奠定了基础。
C、根据所述映射关系、第一待匹配图像的轮廓点梯度信息以及第一轮廓模板图像的轮廓点梯度信息,确定所述第一待匹配图像的轮廓点是否为目标轮廓点。
可选的,步骤C包括:
C1、根据所述映射关系、第一待匹配图像的轮廓点梯度信息以及第一轮廓模板图像的轮廓点梯度信息,确定所述第一待匹配图像的轮廓点与所述第一轮廓模板图像的轮廓点之间的相似度
具体的,确定第一待匹配图像的轮廓点与第一轮廓模板图像的轮廓点之间的相似度是通过如下公式来计算的:
其中,K为第一轮廓模板图像的轮廓点个数,ei为第一待匹配图像某个轮廓点p(x,y)的梯度信息,di为第一轮廓模板图像上与第一待匹配图像轮廓点p(x,y)映射的轮廓点p'(x,y)的梯度信息,i取值范围是(1,n),n表示第一轮廓模板图像的轮廓点个数。
C2、若所述相似度大于或等于预设相似度阈值,则确定所述第一待匹配图像的轮廓点为目标轮廓点。
具体的,若所述相似度大于或等于预设相似度阈值,则表示所述第一待匹配图像的轮廓点与所述第一轮廓模板图像的轮廓点梯度信息相近。
步骤205、根据第一待匹配图像与第二待匹配图像之间的映射关系,以及所述第一待匹配图像中的目标轮廓点,从所述第二待匹配图像中选择候选区域。
具体的,位于图像金字塔第二层的图像相比位于图像金字塔顶层的图像,其分辨率更高,而分辨率更高意味着其具有的像素点个数越多,因此为了更精确的识别目标轮廓点,则根据第一待匹配图像分辨率与第二待匹配图像分辨率的映射关系,以第一待匹配图像中的目标轮廓点为中心进行坐标邻域扩展,得到第二待匹配图像中的候选区域。
示例性的,第一待匹配图像分辨率为80×80,第二待匹配图像分辨率为240×240,则以第一待匹配图像中的目标轮廓点为中心,以3×3的规格,在第二待匹配图像中相应位置进行坐标邻域扩展,得到第二待匹配图像中的候选区域。
步骤206、根据所述候选区域与第二轮廓模板图像的轮廓点梯度信息,从所述候选区域中识别目标轮廓点。
可选的,步骤206包括:
A、根据所述第二轮廓模板图像的轮廓点坐标,确定所述第二轮廓模板图像的重心坐标。
B、根据所述候选区域的轮廓点坐标、所述第二待匹配图像的参考点坐标以及所述第二轮廓模板图像的重心坐标,确定所述候选区域的轮廓点与所述第二轮廓模板图像的轮廓点的映射关系。
C、根据所述映射关系、候选区域的轮廓点梯度信息以及第二轮廓模板图像的轮廓点梯度信息,识别所述候选区域中的目标轮廓点。
具体的,根据所述映射关系、候选区域的轮廓点梯度信息以及第二轮廓模板图像的轮廓点梯度信息,确定所述候选区域的轮廓点与所述第二轮廓模板图像的轮廓点之间的相似度,并将候选区域中相似度最大的轮廓点识别为目标轮廓点。
所述第二待匹配图像中所有候选区域中的目标轮廓点构成第二待匹配图像的目标轮廓点。
可选的,从所述候选区域中选择目标轮廓点之后,包括:
旋转所述第二轮廓模板图像,得到至少一个第二轮廓辅助图像以及对应的旋转角度;根据所述目标轮廓点与至少一个第二轮廓辅助图像的轮廓点梯度信息,确定所述目标轮廓点与至少一个第二轮廓辅助图像之间的相似度;根据所述相似度最大的第二轮廓辅助图像对应的旋转角度,确定所述目标轮廓点在所述第二待匹配图像中的姿态信息。
具体的,为了更精确的得到目标轮廓点在第二待匹配图像中的姿态信息,则对第二轮廓模板图像进行旋转,第二轮廓模板图像的当前姿态信息与轮廓辅助图像的姿态信息相同。旋转方向为正时针或逆时针方向,单次旋转角度优选为2°,旋转次数优选为5次。
示例性的,将第二轮廓模板图像顺时针以2°步长旋转3次,得到A、B、C,3个第二轮廓辅助图像,重置角度后再将第二轮廓模板图像逆时针以2°步长旋转3次,又得到D、E、F,3个第二轮廓辅助图像,根据目标轮廓点的梯度信息与A、B、C、D、E、F六个第二轮廓辅助图像梯度信息,分别确定目标轮廓点与A、B、C、D、E、F的相似度,计算得到目标轮廓点与A的相似度最大为90%,则确定目标轮廓点在第二待匹配图像中的姿态信息为A对应的旋转角度正时针2°。
本发明实施例提供的技术方案,通过将轮廓点数量、灰度特征信息以及轮廓点梯度信息作为第一待匹配图像和第一轮廓模板图像的轮廓特征信息,并根据轮廓特征信息从第一待匹配图像中识别出目标轮廓点,实现了高效且快速的识别目标轮廓点的效果;通过第一待匹配图像与第二待匹配图像的映射关系,从第二待匹配图像中选择候选区域,并从候选区域中识别目标轮廓点,实现了更精准的识别目标轮廓点的效果。
实施例三
图3为本发明实施例三提供的一种图像轮廓识别装置的结构示意图,该装置可执行本发明任意实施例所提供的图像轮廓识别方法,具备执行方法相应的功能模块和有益效果。如图3所示,该装置可以包括:
轮廓特征信息确定模块31,用于分别确定待匹配图像和轮廓模板图像的轮廓特征信息,其中所述轮廓特征信息包括如下至少一项:轮廓点数量、灰度特征信息以及轮廓点梯度信息;其中,所述轮廓模板图像是根据具有目标属性的目标轮廓点生成的;
目标轮廓点识别模块32,用于根据所述待匹配图像和所述轮廓模板图像的轮廓特征信息,从所述待匹配图像中识别出所述目标轮廓点。
在上述实施例的基础上,所述轮廓特征信息确定模块31,具体用于:
根据固定比例值,对所述待匹配图像和所述轮廓模板图像进行划分,分别得到待匹配子图像与轮廓模板子图像;
获取所述待匹配子图像、轮廓模板子图像、待匹配图像以及轮廓模板图像的灰度平均值;
将所述待匹配子图像与待匹配图像的灰度平均值,以及所述轮廓模板子图像与轮廓模板图像的灰度平均值进行比较,分别确定所述待匹配图像和轮廓模板图像的灰度特征信息。
在上述实施例的基础上,目标轮廓点识别模块32,具体用于:
若待匹配图像的第一轮廓点数量小于或等于轮廓模板图像的第二轮廓点数量,且所述第一轮廓点数量大于轮廓点数量阈值,则根据待匹配图像和轮廓模板图像的灰度特征信息和/或轮廓点梯度信息,从所述待匹配图像中识别出所述目标轮廓点;
其中,所述轮廓点数量阈值为所述第二轮廓点数量与固定系数之间乘积。
在上述实施例的基础上,目标轮廓点识别模块32,具体还用于:
确定与对应所述轮廓模板子图像具有不相同灰度特征信息的待匹配子图像的第一数量;
若所述第一数量小于或等于子图像数量阈值,则对所述轮廓模板图像进行至少一次旋转,得到至少一个轮廓辅助图像,以及所述至少一个轮廓辅助图像的旋转角度;
若与任一轮对应轮廓辅助子图像具有相同灰度特征信息的待匹配子图像的第二数量小于或等于子图像数量阈值,则根据所述待匹配图像和该轮廓辅助图像的轮廓点梯度信息,从所述待匹配图像中识别出所述目标轮廓点。
在上述实施例的基础上,目标轮廓点识别模块32还包括姿态信息确定单元,具体用于:
若与任一轮对应轮廓辅助子图像具有不相同灰度特征信息的待匹配子图像的第二数量小于或等于子图像数量阈值,则根据该轮廓辅助子图像的旋转角度,确定所述目标轮廓点在所述待匹配图像中的姿态信息。
在上述实施例的基础上,目标轮廓点识别模块32,具体还用于:
根据所述轮廓模板图像的轮廓点坐标,确定所述轮廓模板图像的重心坐标;
根据所述待匹配图像的轮廓点坐标、所述待匹配图像的参考点坐标以及所述轮廓模板图像的重心坐标,确定所述待匹配图像的轮廓点与所述轮廓模板图像的轮廓点的映射关系;
根据所述映射关系、待匹配图像的轮廓点梯度信息以及轮廓模板图像的轮廓点梯度信息,确定所述待匹配图像的轮廓点是否为目标轮廓点。
在上述实施例的基础上,目标轮廓点识别模块32,具体还用于:
根据所述映射关系、待匹配图像的轮廓点梯度信息以及轮廓模板图像的轮廓点梯度信息,确定所述待匹配图像的轮廓点与所述轮廓模板图像的轮廓点之间的相似度;
若所述相似度大于或等于预设相似度阈值,则确定所述待匹配图像的轮廓点为目标轮廓点。
在上述实施例的基础上,所述装置还包括候选区域目标轮廓点识别模块,具体用于:
根据第一待匹配图像与第二待匹配图像之间的映射关系,以及所述第一待匹配图像中的目标轮廓点,从所述第二待匹配图像中选择候选区域;
根据所述候选区域与第二轮廓模板图像的轮廓点梯度信息,从所述候选区域中识别所述目标轮廓点。
在上述实施例的基础上,所述候选区域目标轮廓点识别模块还包括姿态信息确定单元,具体用于:
旋转所述第二轮廓模板图像,得到至少一个第二轮廓辅助图像以及对应的旋转角度;
根据所述目标轮廓点与至少一个第二轮廓辅助图像的轮廓点梯度信息,确定所述目标轮廓点与至少一个第二轮廓辅助图像之间的相似度;
根据所述相似度最大的第二轮廓辅助图像对应的旋转角度,确定所述目标轮廓点在所述第二待匹配图像中的姿态信息。
本发明实施例所提供的一种图像轮廓识别装置,可执行本发明任意实施例所提供的一种图像轮廓识别方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的一种图像轮廓识别方法。
实施例四
图4为本发明实施例四提供的一种设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性设备400的框图。图4显示的设备400仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,设备400以通用计算设备的形式表现。设备400的组件可以包括但不限于:一个或者多个处理器或者处理单元401,系统存储器402,连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备400典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备400访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)404和/或高速缓存存储器405。设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统406可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408,可以存储在例如存储器402中,这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
设备400也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信,还可与一个或者多个使得用户能与该设备400交互的设备通信,和/或与使得该设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且,设备400还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器412通过总线403与设备400的其它模块通信。应当明白,尽管图中未示出,可以结合设备400使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元401通过运行存储在系统存储器402中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的图像轮廓识别方法,包括:
分别确定待匹配图像和轮廓模板图像的轮廓特征信息,其中所述轮廓特征信息包括如下至少一项:轮廓点数量、灰度特征信息以及轮廓点梯度信息;其中,所述轮廓模板图像是根据具有目标属性的目标轮廓点生成的;
根据所述待匹配图像和所述轮廓模板图像的轮廓特征信息,从所述待匹配图像中识别出所述目标轮廓点。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种图像轮廓识别方法,该方法包括:
分别确定待匹配图像和轮廓模板图像的轮廓特征信息,其中所述轮廓特征信息包括如下至少一项:轮廓点数量、灰度特征信息以及轮廓点梯度信息;其中,所述轮廓模板图像是根据具有目标属性的目标轮廓点生成的;
根据所述待匹配图像和所述轮廓模板图像的轮廓特征信息,从所述待匹配图像中识别出所述目标轮廓点。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的一种图像轮廓识别方法中的相关操作。本发明实施例的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种图像轮廓识别方法,其特征在于,所述方法包括:
分别确定待匹配图像和轮廓模板图像的轮廓特征信息,其中所述轮廓特征信息包括如下至少一项:轮廓点数量、灰度特征信息以及轮廓点梯度信息;其中,所述轮廓模板图像是根据具有目标属性的目标轮廓点生成的;
根据所述待匹配图像和所述轮廓模板图像的轮廓特征信息,从所述待匹配图像中识别出所述目标轮廓点。
2.根据权利要求1所述的方法,其特征在于,分别确定待匹配图像和轮廓模板图像的灰度特征信息,包括:
根据固定比例值,对所述待匹配图像和所述轮廓模板图像进行划分,分别得到待匹配子图像与轮廓模板子图像;
获取所述待匹配子图像、轮廓模板子图像、待匹配图像以及轮廓模板图像的灰度平均值;
将所述待匹配子图像与待匹配图像的灰度平均值,以及所述轮廓模板子图像与轮廓模板图像的灰度平均值进行比较,分别确定所述待匹配图像和轮廓模板图像的灰度特征信息。
3.根据权利要求1所述的方法,其特征在于,根据所述待匹配图像和所述轮廓模板图像的轮廓特征信息,从所述待匹配图像中识别出所述目标轮廓点,包括:
若待匹配图像的第一轮廓点数量小于或等于轮廓模板图像的第二轮廓点数量,且所述第一轮廓点数量大于轮廓点数量阈值,则根据待匹配图像和轮廓模板图像的灰度特征信息和/或轮廓点梯度信息,从所述待匹配图像中识别出所述目标轮廓点;
其中,所述轮廓点数量阈值为所述第二轮廓点数量与固定系数之间乘积。
4.根据权利要求3所述的方法,其特征在于,根据所述待匹配图像和所述轮廓模板图像的灰度特征信息,从所述待匹配图像中识别出所述目标轮廓点,包括:
确定与对应所述轮廓模板子图像具有不相同灰度特征信息的待匹配子图像的第一数量;
若所述第一数量小于或等于子图像数量阈值,则对所述轮廓模板图像进行至少一次旋转,得到至少一个轮廓辅助图像,以及所述至少一个轮廓辅助图像的旋转角度;
若与任一轮对应轮廓辅助子图像具有相同灰度特征信息的待匹配子图像的第二数量小于或等于子图像数量阈值,则根据所述待匹配图像和该轮廓辅助图像的轮廓点梯度信息,从所述待匹配图像中识别出所述目标轮廓点。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若与任一轮对应轮廓辅助子图像具有不相同灰度特征信息的待匹配子图像的第二数量小于或等于子图像数量阈值,则根据该轮廓辅助子图像的旋转角度,确定所述目标轮廓点在所述待匹配图像中的姿态信息。
6.根据权利要求1所述的方法,其特征在于,根据所述待匹配图像和所述轮廓模板图像的轮廓点梯度信息,从所述待匹配图像中识别出所述目标轮廓点,包括:
根据所述轮廓模板图像的轮廓点坐标,确定所述轮廓模板图像的重心坐标;
根据所述待匹配图像的轮廓点坐标、所述待匹配图像的参考点坐标以及所述轮廓模板图像的重心坐标,确定所述待匹配图像的轮廓点与所述轮廓模板图像的轮廓点的映射关系;
根据所述映射关系、待匹配图像的轮廓点梯度信息以及轮廓模板图像的轮廓点梯度信息,确定所述待匹配图像的轮廓点是否为目标轮廓点。
7.根据权利要求6所述的方法,其特征在于,根据所述映射关系、待匹配图像的轮廓点梯度信息以及轮廓模板图像的轮廓点梯度信息,确定所述待匹配图像的轮廓点是否为目标轮廓点,包括:
根据所述映射关系、待匹配图像的轮廓点梯度信息以及轮廓模板图像的轮廓点梯度信息,确定所述待匹配图像的轮廓点与所述轮廓模板图像的轮廓点之间的相似度;
若所述相似度大于或等于预设相似度阈值,则确定所述待匹配图像的轮廓点为目标轮廓点。
8.根据权利要求1所述的方法,其特征在于,从所述待匹配图像中识别出所述目标轮廓点之后,还包括:
根据第一待匹配图像与第二待匹配图像之间的映射关系,以及所述第一待匹配图像中的目标轮廓点,从所述第二待匹配图像中选择候选区域;
根据所述候选区域与第二轮廓模板图像的轮廓点梯度信息,从所述候选区域中识别所述目标轮廓点。
9.根据权利要求8所述的方法,其特征在于,根据所述候选区域与第二轮廓模板图像的轮廓点梯度信息,从所述候选区域中选择所述目标轮廓点之后,包括:
旋转所述第二轮廓模板图像,得到至少一个第二轮廓辅助图像以及对应的旋转角度;
根据所述目标轮廓点与至少一个第二轮廓辅助图像的轮廓点梯度信息,确定所述目标轮廓点与至少一个第二轮廓辅助图像之间的相似度;
根据所述相似度最大的第二轮廓辅助图像对应的旋转角度,确定所述目标轮廓点在所述第二待匹配图像中的姿态信息。
10.一种图像轮廓识别装置,其特征在于,所述装置包括:
轮廓特征信息确定模块,用于分别确定待匹配图像和轮廓模板图像的轮廓特征信息,其中所述轮廓特征信息包括如下至少一项:轮廓点数量、灰度特征信息以及轮廓点梯度信息;其中,所述轮廓模板图像是根据具有目标属性的目标轮廓点生成的;
目标轮廓点识别模块,用于根据所述待匹配图像和所述轮廓模板图像的轮廓特征信息,从所述待匹配图像中识别出所述目标轮廓点。
11.一种设备,其特征在于,所述设备还包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的图像轮廓识别方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-9中任一所述的图像轮廓识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506941.5A CN110222703B (zh) | 2019-06-12 | 2019-06-12 | 图像轮廓识别方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506941.5A CN110222703B (zh) | 2019-06-12 | 2019-06-12 | 图像轮廓识别方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222703A true CN110222703A (zh) | 2019-09-10 |
CN110222703B CN110222703B (zh) | 2023-07-11 |
Family
ID=67816620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910506941.5A Active CN110222703B (zh) | 2019-06-12 | 2019-06-12 | 图像轮廓识别方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222703B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144426A (zh) * | 2019-12-28 | 2020-05-12 | 广东拓斯达科技股份有限公司 | 一种分拣方法、装置、设备和存储介质 |
CN111242240A (zh) * | 2020-02-13 | 2020-06-05 | 深圳市联合视觉创新科技有限公司 | 物料检测方法、装置及终端设备 |
CN112085033A (zh) * | 2020-08-19 | 2020-12-15 | 浙江华睿科技有限公司 | 一种模板匹配方法、装置、电子设备及存储介质 |
CN112132783A (zh) * | 2020-08-21 | 2020-12-25 | 成都飞机工业(集团)有限责任公司 | 一种基于数字图像处理技术的零件识别方法 |
CN115482181A (zh) * | 2021-05-31 | 2022-12-16 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
CN116071429A (zh) * | 2023-03-29 | 2023-05-05 | 天津市再登软件有限公司 | 一种被子图案轮廓识别方法、装置、电子设备及存储介质 |
CN113537237B (zh) * | 2021-06-25 | 2024-01-16 | 西安交通大学 | 一种多特征零件质量信息智能感知方法、系统及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770582A (zh) * | 2008-12-26 | 2010-07-07 | 鸿富锦精密工业(深圳)有限公司 | 图像匹配系统及方法 |
CN107103323A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
CN107203742A (zh) * | 2017-05-03 | 2017-09-26 | 苏州大学 | 一种基于显著特征点提取的手势识别方法及装置 |
CN107543507A (zh) * | 2017-09-15 | 2018-01-05 | 歌尔科技有限公司 | 屏幕轮廓的确定方法及装置 |
CN108182689A (zh) * | 2016-12-08 | 2018-06-19 | 中国科学院沈阳自动化研究所 | 应用于机器人搬运打磨领域的板状工件三维识别定位方法 |
CN108805220A (zh) * | 2018-07-25 | 2018-11-13 | 广东奥普特科技股份有限公司 | 一种基于梯度积分的快速模板匹配算法 |
-
2019
- 2019-06-12 CN CN201910506941.5A patent/CN110222703B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770582A (zh) * | 2008-12-26 | 2010-07-07 | 鸿富锦精密工业(深圳)有限公司 | 图像匹配系统及方法 |
CN108182689A (zh) * | 2016-12-08 | 2018-06-19 | 中国科学院沈阳自动化研究所 | 应用于机器人搬运打磨领域的板状工件三维识别定位方法 |
CN107103323A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
CN107203742A (zh) * | 2017-05-03 | 2017-09-26 | 苏州大学 | 一种基于显著特征点提取的手势识别方法及装置 |
CN107543507A (zh) * | 2017-09-15 | 2018-01-05 | 歌尔科技有限公司 | 屏幕轮廓的确定方法及装置 |
CN108805220A (zh) * | 2018-07-25 | 2018-11-13 | 广东奥普特科技股份有限公司 | 一种基于梯度积分的快速模板匹配算法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144426A (zh) * | 2019-12-28 | 2020-05-12 | 广东拓斯达科技股份有限公司 | 一种分拣方法、装置、设备和存储介质 |
CN111242240A (zh) * | 2020-02-13 | 2020-06-05 | 深圳市联合视觉创新科技有限公司 | 物料检测方法、装置及终端设备 |
CN111242240B (zh) * | 2020-02-13 | 2023-04-07 | 深圳市联合视觉创新科技有限公司 | 物料检测方法、装置及终端设备 |
CN112085033A (zh) * | 2020-08-19 | 2020-12-15 | 浙江华睿科技有限公司 | 一种模板匹配方法、装置、电子设备及存储介质 |
CN112085033B (zh) * | 2020-08-19 | 2024-04-09 | 浙江华睿科技股份有限公司 | 一种模板匹配方法、装置、电子设备及存储介质 |
CN112132783A (zh) * | 2020-08-21 | 2020-12-25 | 成都飞机工业(集团)有限责任公司 | 一种基于数字图像处理技术的零件识别方法 |
CN115482181A (zh) * | 2021-05-31 | 2022-12-16 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
CN115482181B (zh) * | 2021-05-31 | 2024-05-24 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
CN113537237B (zh) * | 2021-06-25 | 2024-01-16 | 西安交通大学 | 一种多特征零件质量信息智能感知方法、系统及装置 |
CN116071429A (zh) * | 2023-03-29 | 2023-05-05 | 天津市再登软件有限公司 | 一种被子图案轮廓识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110222703B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222703A (zh) | 图像轮廓识别方法、装置、设备和介质 | |
WO2021103648A1 (zh) | 手部关键点检测方法、手势识别方法及相关装置 | |
CN110874594B (zh) | 基于语义分割网络的人体外表损伤检测方法及相关设备 | |
US11132543B2 (en) | Unconstrained appearance-based gaze estimation | |
CN108229296B (zh) | 人脸皮肤属性识别方法和装置、电子设备、存储介质 | |
US20170206405A1 (en) | Online detection and classification of dynamic gestures with recurrent convolutional neural networks | |
Liu et al. | Real-time robust vision-based hand gesture recognition using stereo images | |
CN109118542A (zh) | 激光雷达与相机之间的标定方法、装置、设备及存储介质 | |
CN109359514B (zh) | 一种面向deskVR的手势跟踪识别联合策略方法 | |
EP3514724A1 (en) | Depth map-based heuristic finger detection method | |
JPH10214346A (ja) | ハンドジェスチャ認識システムおよび方法 | |
CN113034652A (zh) | 虚拟形象驱动方法、装置、设备及存储介质 | |
WO2019100886A1 (zh) | 用于确定目标对象的外接框的方法、装置、介质和设备 | |
CN108564082A (zh) | 图像处理方法、装置、服务器和介质 | |
CN107886516A (zh) | 一种计算人像中发丝走向的方法及计算设备 | |
CN109272442A (zh) | 全景球面图像的处理方法、装置、设备和存储介质 | |
WO2021175020A1 (zh) | 一种人脸图像关键点方法、装置、计算机设备及存储介质 | |
CN110415237A (zh) | 皮肤瑕疵检测方法、检测装置、终端设备及可读存储介质 | |
JP2023044716A (ja) | ニューラル・ネットワークを使用した心拍数及び呼吸数の共同推定 | |
CN110837326B (zh) | 一种基于物体属性递进式表达的三维目标选择方法 | |
WO2021011581A1 (en) | Image-based predictive model for lung cancer | |
CN115018992A (zh) | 发型模型的生成方法、装置、电子设备及存储介质 | |
CN110069125A (zh) | 虚拟对象的控制方法和装置 | |
Gheitasi et al. | Estimation of hand skeletal postures by using deep convolutional neural networks | |
US20210158565A1 (en) | Pose selection and animation of characters using video data and training techniques |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: No.3 workshop, No.3, Luyang Caimao Road, Zhoushi Town, Kunshan City, Suzhou City, Jiangsu Province Patentee after: Jiangsu Tongyou Robot Technology Co.,Ltd. Address before: No.3 workshop, No.3, Luyang Caimao Road, Zhoushi Town, Kunshan City, Suzhou City, Jiangsu Province Patentee before: JIANGSU KOYO VISION TECHNOLOGY Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |