CN110337668B - 图像增稳方法和装置 - Google Patents
图像增稳方法和装置 Download PDFInfo
- Publication number
- CN110337668B CN110337668B CN201880012006.7A CN201880012006A CN110337668B CN 110337668 B CN110337668 B CN 110337668B CN 201880012006 A CN201880012006 A CN 201880012006A CN 110337668 B CN110337668 B CN 110337668B
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- information
- target
- feature information
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000003416 augmentation Effects 0.000 title abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 55
- 230000009466 transformation Effects 0.000 claims description 49
- 230000006641 stabilisation Effects 0.000 claims description 30
- 238000011105 stabilization Methods 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 20
- 238000009499 grossing Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 13
- 230000003287 optical effect Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 4
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 15
- 230000015654 memory Effects 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
- H04N23/681—Motion detection
- H04N23/6811—Motion detection based on the image signal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/21—Circuitry for suppressing or minimising disturbance, e.g. moiré or halo
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Studio Devices (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像增稳方法和装置，应用于可移动设备，所述方法包括：获取可移动设备的云台相机针对同一目标在不同时刻采集的图像；从获取的每一图像中提取图像特征信息；针对每一图像特征信息，从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像，第一目标图像的采集时刻在第二目标图像的采集时刻之前；针对确定出的每一第二目标图像，依据该图像特征信息在第一目标图像中的位置信息、以及该图像特征信息在第二目标图像中的位置信息矫正该第二目标图像中的像素点的位置。基于视觉算法获取各图像特征信息的运动轨迹，再根据各图像特征信息的运动轨迹矫正对应图像像素点的位置，完成图像的增稳处理。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种图像增稳方法和装置。
背景技术
现有航拍飞行器一般配有云台(相机的机械增稳模块)，云台对于短时间内(几秒内或者几十毫秒内)的抖动，能够获得比较好的增稳效果，但对于长时间拍摄，例如延时摄影(隔一段时间拍摄一张图像，最后合成视频，比如常见的花朵开放过程)，这样一段时间内，云台难免会发生一些偏移，造成拍摄的图片并不能非常好的对齐，合成延时视频后出现一些振动。对于长时间拍摄，云台并不能很好的实现增稳的效果。对于此，常规做法是将云台相机拍摄的图像导入PC，使用PC处理视频增稳的方式，但这种方式的实现较为麻烦。
发明内容
本发明提供一种图像增稳方法和装置。
具体地，本发明是通过如下技术方案实现的：
根据本发明的第一方面，提供一种图像增稳方法，应用于可移动设备，所述方法包括：
获取所述可移动设备的云台相机针对同一目标在不同时刻采集的图像；
从获取的每一图像中提取图像特征信息；
针对每一图像特征信息，从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像，其中所述第一目标图像的采集时刻在所述第二目标图像的采集时刻之前；
针对确定出的每一第二目标图像，依据该图像特征信息在第一目标图像中的位置信息、以及该图像特征信息在第二目标图像中的位置信息矫正该第二目标图像中的像素点的位置。
根据本发明的第二方面，提供一种图像增稳装置，应用于可移动设备，所述装置包括：
存储装置和处理器；
所述存储装置，用于存储程序指令；
所述处理器，调用所述程序指令，当所述程序指令被执行时，用于：
获取所述可移动设备的云台相机针对同一目标在不同时刻采集的图像；
从获取的每一图像中提取图像特征信息；
针对每一图像特征信息，从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像，其中所述第一目标图像的采集时刻在所述第二目标图像的采集时刻之前；
针对确定出的每一第二目标图像，依据该图像特征信息在第一目标图像中的位置信息、以及该图像特征信息在第二目标图像中的位置信息矫正该第二目标图像中的像素点的位置。
由以上本发明实施例提供的技术方案可见，本发明基于视觉算法获取各图像特征信息的运动轨迹，再根据各图像特征信息的运动轨迹矫正对应图像的像素点的位置，从而完成图像的增稳处理。并且，本发明的图像增稳过程是在线完成的，无需后期通过其他设备处理，图像增稳实现更加方便快捷。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中的一种图像增稳方法的流程示意图；
图2是本发明一实施例中的一种图像增稳方法的应用场景图；
图3是本发明另一实施例中的一种图像增稳方法的流程示意图；
图4是本发明又一实施例中的一种图像增稳方法的流程示意图；
图5是本发明还一实施例中的一种图像增稳方法的流程示意图；
图6是本发明还一实施例中的一种图像增稳方法的流程示意图；
图7是本发明一实施例中的一种图像增稳装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图，对本发明的图像增稳方法和装置进行详细说明。在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
图1为本发明实施例提供的一种图像增稳方法的流程示意图。本实施例的图像增稳方法的执行主体为可移动设备，可选地，所述图像增稳方法的执行主体为所述可移动设备的处理器。
本实施例中，所述图像增稳方法可应用于处于悬停状态的可移动设备，可以应用于处于飞行状态的可移动设备。当所述图像增稳方法应用于处于飞行状态的可移动设备上时，优选地，所述可移动设备的运行速度小于等于预设速度阈值。本发明实施例对该预设速度阈值不作具体限定，可根据需要设定所述预设速度阈值。
进一步地，所述可移动设备可以为无人机，也可以为其他搭载有云台相机的设备，例如无人车、无人船、VR/AR眼镜等。例如，在一实施例中，参见图2，所述可移动设备为无人机。所述无人机包括飞行控制器100、云台200和云台相机300，其中，云台相机300通过云台200搭载在无人机的机身上。本实施例的图像增稳方法的执行主体可以为设于所述无人机上的图像处理单元，所述图像处理单元与所述飞行控制器100和/或所述云台200的控制器和/或所述云台相机300的控制器电连接。
所述云台200可以为一轴或两轴云台，也可以为三轴云台或四轴云台。本实施例的云台相机300不限于传统意义上的相机，具体而言，所述云台相机300可以为影像捕获设备或者摄像设备(如相机、摄录机、红外线摄像设备、紫外线摄像设备或者类似的设备)，音频捕获装置(例如，抛物面反射传声器)，红外线摄像设备等，所述云台相机300可以提供静态感应数据(如图片)或者动态感应数据(如视频)。
所述云台200与所述飞行控制器100通信连接，例如，基于CAN总线(ControllerArea Network，控制器局域网络)或者其他方式通信连接。可通过飞行控制器100控制云台200的转动，从而控制挂载在云台200上的云台相机300的转动。此外，在某些实施例中，所述云台相机300与所述飞行控制器100通信连接，例如，所述云台相机300与所述飞行控制器100直接通信连接，或者，所述云台相机300通过所述云台200与所述飞行控制器100通信连接。可通过飞行控制器100控制云台相机300的工作、从所述云台相机300获取拍摄画面等。
本实施例中，无人机可以包括动力机构400。其中，动力机构400可以包括一个或者多个旋转体、螺旋桨、桨叶、电机、电子调速器等。例如，所述动力机构400的旋转体可以是自紧固(self-tightening)旋转体、旋转体组件、或者其它的旋转体动力单元。无人机可以有一个或多个动力机构400。所有的动力机构400可以是相同的类型。可选的，一个或者多个动力机构400可以是不同的类型。动力机构400可以通过合适的手段安装在无人机上，如通过支撑元件(如驱动轴)。动力机构400可以安装在无人机任何合适的位置，如顶端、下端、前端、后端、侧面或者其中的任意结合。通过控制一个或多个动力机构400，以控制无人机的飞行。
在某些实施例中，所述无人机可与终端500通信连接(例如，飞行控制器100与终端500通信连接)，终端500可以向无人机、云台200及云台相机300中的一个或者多个提供控制数据，并且从无人机、云台及负载云台相机300中的一个或者多个中接收信息(如无人机、云台200或者云台相机300的位置及/或运动信息，云台相机300捕获的影像数据)。在本实施例中，图像处理单元在执行本实施例的图像增稳方法之后，可将所获得的增稳图像发送至所述终端500。
以下实施例将对图像增稳方法进行详细描述。如图1所示，所述图像增稳方法可以包括以下步骤：
步骤S101：获取所述可移动设备的云台相机300针对同一目标在不同时刻采集的图像。
在一实施例中，所述可移动设备处于悬停状态。在确定拍摄间隔后，可移动设备会控制其上的云台相机300按照所述拍摄间隔采集目标图像。在另一实施例中，所述可以设备处于飞行状态。在确定飞行路径、运行速度和拍摄间隔后，可移动设备会根据所确定的飞行路径和运行速度飞行，比如，绕行一栋建筑，接着，可移动设备控制其上的云台相机300按照所述拍摄间隔采集目标图像。本实施例中，飞行路径和运行速度可由用户预先设定，也可以为默认的飞行路径和运行速度。
上述实施例中，拍摄间隔可根据需要设定，例如，拍摄间隔为2s，云台相机300每隔2s拍摄拍摄一张所述目标的图像。
本实施例中，可移动设备会记录每一张图像的拍摄时刻t1、t2、t3…，其中，t1、t2、t3…是按照每一张图像的拍摄时刻的先后顺序排列的。
需要说明的是，本实施例中，所述可移动设备执行步骤S101可以与云台相机300针对同一目标在不同时刻采集图像的同时进行，也可以在云台相机300针对同一目标在不同时刻采集图像执行完毕后进行。
步骤S102：从获取的每一图像中提取图像特征信息。
为减少计算量，本实施例的可移动设备会从获取的每一图像中提取图像特征信息。具体地，基于稀疏算法从获取的每一图像中提取图像特征信息。
在一实施例中，所述图像特征信息为角点(Corner detection)信息，所述稀疏算法为角点检测算法。本实施例中，角点检测算法可以为FAST(features from acceleratedsegment test)、SUSAN(Small univalue segment assimilating nucleus)、Harris(Harris Corner detection algorithms)或者其他角度检测算法。以角点检测算法为Harris为例来说明角点信息的提取过程。
定义矩阵A为构造张量，A的计算公式如下：
其中，w(u,v)为窗函数，u为窗函数的宽度，v为窗函数的高度，Ix和Iy分别为图像上某一点(x，y)在X轴和Y轴的梯度信息。
定义角点响应函数Mc为：
Mc＝λ1λ2-k(λ1+λ2)2＝det(A)-ktrace2(A) (2)
公式(2)中，det(A)为矩阵A的行列式，trace(A)为矩阵A的迹，k为调节灵敏度的参数(tunable sensitivity parameter)。设定阈值Mth，当Mc>Mth时，认为此点为角点。其中，Mth可根据实际需求设定。
在其他实施例中，所述图像特征信息也可以为其他可以表征图像特征的信息，比如，边缘信息。
步骤S103：针对每一图像特征信息，从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像，其中，所述第一目标图像和所述第二目标图像均包含该图像特征信息，并且，所述第一目标图像的采集时刻在所述第二目标图像的采集时刻之前。
本实施例中，采集时刻即云台相机300的拍摄时刻。
执行完该步骤后，即可以获得一系列图像特征信息的运动轨迹，例如，对于图像特征信息A，从第一张图像(即云台相机300在t1时刻所拍摄的图像)至第m(m为正整数)张图像的位置信息；对于图像特征信息B，从第5张图像至第n(n为正整数)张图像(即最后一张图像)的位置信息等等。
在一些例子中，所述第一目标图像为该图像特征信息首次出现的图像，所述第二目标图像为除所述首次出现的图像之外的其他包含该图像特征信息的图像，从而以首次出现的图像作为参照，对除所述首次出现的图像之外的其他包含该图像特征信息的图像进行增稳处理。而在另一些例子中，所述第一目标图像也可以为首次出现该图像特征信息的图像和最后一次出现该图像特征信息的图像之间的任意一张图像，所述第二目标图像为采集时刻位于所述第一目标图像之后的包含该图像特征信息的图像。而在其他一些例子中，所述第一目标图像为根据预设规则在所获取的所有图像中首次选定的包含该图像特征信息的图像，所述第二目标图像为所获取的所有图像中除所述首次选定的包含该图像特征信息的图像之外的其他包含该图像特征信息的、并且采集时刻位于所述第一目标图像之后的图像。
参见图3，步骤S103具体包括：针对每一图像特征信息，基于特征点跟踪算法从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像。通过特征点跟踪算法跟踪不同时刻的图像之间的图像特征信息，以便计算各图像特征信息的图像特征光流(移动情况)。本实施例的图像特征信息为角点信息，所述特征点跟踪算法为角点跟踪算法。具体地，所述角点跟踪算法为KLT(Kanade–Lucas–Tomasi feature tracker)，但不限于此。
进一步地，为加快各图像特征信息的匹配速度，即加快各图像特征信息的图像特征光流计算，参见图4，所述针对每一图像特征信息，基于特征点跟踪算法从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像包括以下步骤：
步骤S401：针对所述可移动设备在每一时刻的运动信息，预估每一图像特征信息在所有图像中的图像特征光流；
步骤S402：根据每一图像特征信息在所有图像中的图像特征光流和特征点跟踪算法，确定与每一图像特征信息相关联的第一目标图像和第二目标图像。
本实施例的可移动设备会记录每一张图像的拍摄时刻t1、t2、t3…，还会记录各个t1、t2、t3所对应的可移动设备的运动信息。在本实施例中，所述运动信息由所述可移动设备上的惯性导航系统检测获得。例如，当所述可移动设备为飞行器时，所述可移动设备的运动信息可以为飞行器的位姿信息。所述位姿信息可由所述飞行器上的IMU惯性测量单元、VO视觉里程计和GPS全球定位系统三者共同计算获得。
本实施例中，所述运动信息为所述云台相机300在两个相邻时刻所采集的两张图像之间的坐标变换关系矩阵。
在一具体实施例中，根据可移动设备在每一时刻的运动信息预估每一图像特征信息在所有图像中的图像特征光流的过程如下：
图像特征信息的投影变换公式为：
公式(3)中，(x，y，z)像素在世界坐标系(包括X轴、Y轴和Z轴)中的三维点坐标，(u，v)为(x，y，z)在深度方向(即Z轴方向)的投影坐标；K为云台相机300内部参数矩阵，一般在相机出厂时标定完毕，其中
αx＝fmx，αy＝fmy，f为云台相机300的焦距，mx、my分别为X轴和Y轴方向上单位距离的像素数，γ为X轴和Y轴之间的畸变参数(例如，当云台相机300为CCD相机时，像素非正方形)，μ0、v0为光心位置；R为云台相机300在两个相邻时刻所采集的两张图像之间的坐标变换关系矩阵；d为当前图像特征信息的深度信息，t为量个相邻时刻所采集的两张图像之间的位移。
本实施例中，两张图像之间位移相比景物的距离可以忽略不计(例如，对于航拍场景，目标和云台相机300一般都比较远，所以两张图像之间位移相比景物的距离可以忽略不计)，即只考虑R而不考虑t，那么公式(3)简写成：
本实施例中，d对最后结果无影响，所以公式(4)简写成：
本实施例中，K为云台相机300内部参数矩阵，由云台相机300出厂时标定，R由可移动设备的惯性导航系统检测获得，这样就能根据此图像特征信息在当前图像中的位置p估计下一张图像中的大致位置p’，其中当前图像和下一张图像为云台相机300在相邻两个时刻采集的图像，再使用特征点跟踪算法在下一张图像中进行精确查找，即可加快匹配速度。
另外，在步骤S103之后，所述图像增稳方法还可以包括：针对确定出的每一第二目标图像，根据特征点跟踪算法，确定该图像特征信息在当前第二目标图像中的位置与该图像特征信息在与当前第二目标图像相邻的上一时刻的第二目标图像中的位置或所述第一目标图像之间的偏移量(displacement between two images)；根据所述偏移量，确定当前第二目标图像相关联的图像特征信息在当前第二目标图像中的位置信息是否准确，即可确定每一图像特征信息的运动轨迹是否准确。具体地，所述根据所述偏移量，确定所述当前目标图像相关联的图像特征信息在当前第二目标图像中的位置信息是否准确包括：针对确定出的每一第二目标图像，根据征点跟踪算法，确定该图像特征信息从上一时刻的第二目标图像或所述第一目标图像中的位置移动至当前第二目标图像中的位置之间的第一偏移量；针对确定出的每一第二目标图像，根据征点跟踪算法，确定该图像特征信息从当前第二目标图像中的位置移动至上一时刻的第二目标图像或所述第一目标图像中的位置的第二偏移量；根据所述第一偏移量和所述第二偏移量，确定该图像特征信息在当前目标图像中的位置信息是否准确。
在一具体实施例中，设定h作为前后两张图像(两张第二目标图像或者第一目标图像和第二图像)的偏移量，两张图像分别为F(x)和G(x)＝F(x+h)，其中，F(x)为当前张图像，G(x)为下一张图像，F(x)和G(x)的采集时刻相邻并且F(x)的采集时刻在G(x)的采集时刻之前。针对F(x)所包含的每个图像特征信息，通过下述公式(6)迭代可以得到每一图像特征信息在前后两张图像的偏移量h：
公式(6)中，h0为每一图像特征信息首次出现的图像(即第一目标图像)的偏移量，hk+1为第k张第二目标图像所包含的图像特征信息在第k张第二目标图像和第k-1张第二目标图像的偏移量，w(x)为窗函数，x为图像特征信息。
本实施例中，先令后一张图像为F(x)，前一张图像为G(x)，算出某一个图像特征信息在后一张图像中的位置相对于前一张图像中的位置的第一偏移量h，再反过来，计算该图像特征信息在前一张图像的位置相对于后一张图像中的位置的第二偏移h’，理论上h＝-h’，满足此条件，则说明该图像特征信息在当前目标图像中的位置信息正确。实际上，本实施例中，|h-h’|在允许的误差范围内时，均认为该图像特征信息在当前目标图像中的位置信息准确；若|h-h’|在允许的误差范围外时，则认为该图像特征信息在当前目标图像中的位置信息不准确，需要重新追踪以确定该图像特征信息在当前图像中的准确位置信息。
步骤S104：针对确定出的每一第二目标图像，依据该图像特征信息在第一目标图像中的位置信息、以及该图像特征信息在第二目标图像中的位置信息矫正该第二目标图像中的像素点的位置。
本实施例以所述第一目标图像为该图像特征信息首次出现的图像，所述第二目标图像为除所述首次出现的图像之外的其他包含该图像特征信息的图像为例进一步说明。
参见图5，步骤S104具体可包括如下步骤：
步骤S501：根据该图像特征信息在所述第一目标图像中的位置信息以及该图像特征信息在每一第二目标图像中的位信息，确定该图像特征信息在每一第二目标图像中的位置、相对该图像特征信息在所述第一目标图像中的位置的变换矩阵；
步骤S502：对所述变换矩阵进行平滑处理；
步骤S503：根据平滑处理后的变换矩阵矫正该第二目标图像中的像素点的位置。
本实施例根据该图像特征信息在所述第一目标图像中的位置信息以及该图像特征信息在每一第二目标图像中的位信息，采用Homography算法确定该图像特征信息在每一所述第二目标图像中的位置、相对该图像特征信息在所述第一目标图像中的位置的变换矩阵。具体地，每一张第二目标图像相对第一目标图像，均存在一个Homography矩阵记为Hn(即变换矩阵)，每一图像特征信息都有一个理论位置pi＝[ui,vi](即使用Hn，将此图像特征信息从首次出现该图像特征信息的图像投影到第某一张图片n上得到的像素坐标)。
进一步，本实施例可采用均值滤波、高斯滤波、卡尔曼滤波或者其他现有滤波方式对所述变换矩阵进行平滑处理，实现每一第二目标图像的变换矩阵的平滑。以均值滤波进一步说明对每一第二目标图像的变换矩阵进行平滑处理的过程。
具体地，参见图6，采用均值滤波对所述变换矩阵进行平滑处理包括如下步骤：
步骤S601：基于所述可移动设备的运行速度，确定滑动窗口(Sliding Window)的大小；
步骤S602：根据所述滑动窗口的大小，获取该目标图像之前特定张数、和该目标图像之后特定张数目标图像的变换矩阵；
步骤S603：对该目标图像的变换矩阵、以及该目标图像之前特定张数、和该目标图像之后特定张数目标图像的变换矩阵进行均值滤波。
本实施例中，所述滑动窗口的大小与所述可移动设备的运行速度成反比，即可移动设备的运行速度越快，云台的抖动越大，故滑动窗口的大小越小，使得平滑效果越好；可移动设备的运行速度较慢时，云台的抖动较小，故滑动窗口的大小越大，以减少计算量。
在一具体实施例中，对Hn进行时域上的平滑以获得平滑后的矩阵
过程如下：
首先，滑动窗口的大小S可以采用下式(7)计算，但不限于此：
公式(7)中，v为可移动设备的运行速度，可通过所述可移动设备的IMU模块获取；K1为经验值。并且，本实施例中，为了防止S过大，给出了最大限制Smax。其中，Smax可根据实际需求设定。
针对某一张第二目标图像的Hn，根据S，向前向后各取S/2张图像的Hn-1Hn+1Hn- 2Hn+2…Hn-S/2Hn+S/2，并做按照公式(8)进行平滑处理：
公式(8)中，N为所获取的图像的总张数(即针对某一张第二目标图像的Hn，根据S，向前向后各取S/2张图像的张数+1)，i为所获取的图像中的某一张第二目标图像。
使用平滑后的
计算得到每一第二目标图像的平滑运动轨迹trackn,l的公式如下：
公式(9)中，pi为各图像特征信息的理论位置。
本实施例的运动轨迹trackn,i(步骤S103获得的图像特征信息i的运动轨迹)以及平滑后的运动轨迹的trackn,l均是针对步骤S102中提取的图像特征信息的，需要扩展到每一第二目标图像，即对每一第二目标图像中的其他特征信息(除步骤S102提取的图像特征信息之外的像素点)也要进行平滑矫正，采用下述数学公式(10)描述此过程：
公式(10)中，Wn为每一第二目标图像的窗函数，trackn为每一第二目标图像的像素点的运动轨迹，trackn为每一第二目标图像的像素点的平滑运动轨迹。至此，对每一第二目标图像的所有像素点均进行了平滑处理，从而获得流畅的视频流。
进一步地，在本实施例中，对所述变换矩阵进行平滑处理之前，所述图像增稳方法还可以包括：根据该图像特征信息在每一第二目标图像中的位置信息，对每一第二目标图像的变换矩阵进行非线性最优化处理。即使用Hn与pi，针对每一第二目标图像，使用Hn投影的理论点pi，与实际使用特征点跟踪算法提取的图像特征信息的位置信息之间误差最小化，采用下述数学公式(11)描述此过程：
公式(11)中，Tn,i为步骤S103获得的图像特征信息i的运动轨迹。
本发明实施例基于视觉算法获取各图像特征信息的运动轨迹，再根据各图像特征信息的运动轨迹矫正对应图像的像素点的位置，从而完成图像的增稳处理。并且，本发明的图像增稳过程是在线完成的，无需后期通过其他设备处理，图像增稳实现更加方便快捷。
图7是本发明实施例的一种图像增稳装置的结构框图。参见图7，该图像增稳装置包括：处理器以及存储装置。
所述存储装置可以包括易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储装置也可以包括非易失性存储器(non-volatilememory)，例如快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)；存储装置还可以包括上述种类的存储器的组合。
所述处理器可以是中央处理器(central processing unit，CPU)。所述处理器还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specificintegrated circuit，ASIC)，可编程逻辑器件(programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(genericarray logic，GAL)或其任意组合。
可选地，所述存储器还用于存储程序指令。所述处理器可以调用所述程序指令，实现如本发明图1、图3至图6实施例中所示的相应方法。
所述处理器，调用所述存储装置中存储的程序指令，当所述程序指令被执行时，用于：
获取所述可移动设备的云台相机300针对同一目标在不同时刻采集的图像；
从获取的每一图像中提取图像特征信息；
针对每一图像特征信息，从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像；
针对确定出的每一第二目标图像，依据该图像特征信息在第一目标图像中的位置信息、以及该图像特征信息在第二目标图像中的位置信息矫正该第二目标图像中的像素点的位置。
在一实施例中，所述处理器，用于基于稀疏算法从获取的每一图像中提取图像特征信息。
在一实施例中，所述图像特征信息为角点信息，所述稀疏算法为角点检测算法。
在一实施例中，所述角点检测算法为FAST、SUSAN或Harris。
在一实施例中，所述处理器，用于针对每一图像特征信息，基于特征点跟踪算法从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像。
在一实施例中，所述处理器，用于针对所述可移动设备在每一时刻的运动信息，预估每一图像特征信息在所有图像中的图像特征光流；根据每一图像特征信息在所有图像中的图像特征光流和特征点跟踪算法，确定与每一图像特征信息相关联的第一目标图像和第二目标图像。
在一实施例中，所述运动信息由所述可移动设备上的惯性导航系统检测获得。
在一实施例中，所述运动信息为所述云台相机300在两个相邻时刻所采集的两张图像之间的坐标变换关系矩阵。
在一实施例中，所述图像特征信息为角点信息，所述特征点跟踪算法为角点跟踪算法。
在一实施例中，所述角点跟踪算法为KLT。
在一实施例中，所述处理器在针对每一图像特征信息，从采集的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像之后，还用于针对确定出的每一第二目标图像，根据特征点跟踪算法，确定该图像特征信息在当前第二目标图像中的位置与该图像特征信息在与当前第二目标图像相邻的上一时刻的第二目标图像中的位置或所述第一目标图像之间的偏移量；根据所述偏移量，确定当前第二目标图像相关联的图像特征信息在当前第二目标图像中的位置信息是否准确。
在一实施例中，所述处理器，用于针对确定出的每一第二目标图像，根据征点跟踪算法，确定该图像特征信息从上一时刻的第二目标图像或所述第一目标图像中的位置移动至当前第二目标图像中的位置之间的第一偏移量；针对确定出的每一第二目标图像，根据征点跟踪算法，确定该图像特征信息从当前第二目标图像中的位置移动至上一时刻的第二目标图像或所述第一目标图像中的位置的第二偏移量；根据所述第一偏移量和所述第二偏移量，确定该图像特征信息在当前目标图像中的位置信息是否准确。
在一实施例中，所述第一目标图像为该图像特征信息首次出现的图像，所述第二目标图像为除所述首次出现的图像之外的其他包含该图像特征信息的图像。
在一实施例中，所述处理器，用于根据该图像特征信息在所述第一目标图像中的位置信息以及该图像特征信息在所述第二目标图像中的位信息，确定该图像特征信息在每一所述第二目标图像中的位置、相对该图像特征信息在所述第一目标图像中的位置之间的变换矩阵；对所述变换矩阵进行平滑处理；根据平滑处理后的变换矩阵矫正该第二目标图像中的像素点的位置。
在一实施例中，所述处理器，用于根据该图像特征信息在所述第一目标图像中的位置信息以及该图像特征信息在所述第二目标图像中的位信息，采用Homography算法确定该图像特征信息在每一所述第二目标图像中的位置、相对该图像特征信息在所述第一目标图像中的位置之间的变换矩阵。
在一实施例中，所述处理器，用于采用均值滤波、高斯滤波或卡尔曼滤波对所述变换矩阵进行平滑处理。
在一实施例中，所述处理器，用于基于所述可移动设备的运行速度，确定滑动窗口的大小；根据所述滑动窗口的大小，获取该目标图像之前特定张数、和该目标图像之后特定张数目标图像的变换矩阵；对该目标图像的变换矩阵、以及该目标图像之前特定张数、和该目标图像之后特定张数目标图像的变换矩阵进行均值滤波。
在一实施例中，所述滑动窗口的大小与所述可移动设备的运行速度成反比。
在一实施例中，所述处理器在对所述变换矩阵进行平滑处理之前，还用于：根据该图像特征信息在每一第二目标图像中的位置信息，对每一第二目标图像的变换矩阵进行非线性最优化处理。
在一实施例中，所述图像增稳装置设于处于悬停状态或者运行速度小于等于预设速度阈值的可移动设备上。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明部分实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (38)
1.一种图像增稳方法，其特征在于，应用于可移动设备，所述方法包括：
获取所述可移动设备的云台相机针对同一目标在不同时刻采集的图像；
从获取的每一图像中提取图像特征信息；
针对每一图像特征信息，从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像，其中所述第一目标图像的采集时刻在所述第二目标图像的采集时刻之前，所述第一目标图像是所述图像特征信息首次出现的图像，所述第二目标图像为除所述首次出现的图像之外的其他包含该图像特征信息的图像；
针对确定出的每一第二目标图像，依据该图像特征信息在第一目标图像中的位置信息、以及该图像特征信息在第二目标图像中的位置信息矫正该第二目标图像中的像素点的位置。
2.根据权利要求1所述的方法，其特征在于，所述从获取的每一图像中提取图像特征信息，包括：
基于稀疏算法从获取的每一图像中提取图像特征信息。
3.根据权利要求2所述的方法，其特征在于，所述图像特征信息为角点信息，所述稀疏算法为角点检测算法。
4.根据权利要求3所述的方法，其特征在于，所述角点检测算法为FAST、SUSAN或Harris。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述针对每一图像特征信息，从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像，包括：
针对每一图像特征信息，基于特征点跟踪算法从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像。
6.根据权利要求5所述的方法，其特征在于，所述针对每一图像特征信息，基于特征点跟踪算法从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像，包括：
针对所述可移动设备在每一时刻的运动信息，预估每一图像特征信息在所有图像中的图像特征光流；
根据每一图像特征信息在所有图像中的图像特征光流和特征点跟踪算法，确定与每一图像特征信息相关联的第一目标图像和第二目标图像。
7.根据权利要求6所述的方法，其特征在于，所述运动信息由所述可移动设备上的惯性导航系统检测获得。
8.根据权利要求6所述的方法，其特征在于，所述运动信息为所述云台相机在两个相邻时刻所采集的两张图像之间的坐标变换关系矩阵。
9.根据权利要求5所述的方法，其特征在于，所述图像特征信息为角点信息，所述特征点跟踪算法为角点跟踪算法。
10.根据权利要求9所述的方法，其特征在于，所述角点跟踪算法为KLT。
11.根据权利要求1至4任一项所述的方法，其特征在于，所述针对每一图像特征信息，从采集的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像之后，还包括：
针对确定出的每一第二目标图像，根据特征点跟踪算法，确定该图像特征信息在当前第二目标图像中的位置与该图像特征信息在与当前第二目标图像相邻的上一时刻的第二目标图像中的位置或所述第一目标图像之间的偏移量；
根据所述偏移量，确定当前第二目标图像相关联的图像特征信息在当前第二目标图像中的位置信息是否准确。
12.根据权利要求11所述的方法，其特征在于，所述根据所述偏移量，确定所述当前目标图像相关联的图像特征信息在当前第二目标图像中的位置信息是否准确，包括：
针对确定出的每一第二目标图像，根据征点跟踪算法，确定该图像特征信息从上一时刻的第二目标图像或所述第一目标图像中的位置移动至当前第二目标图像中的位置之间的第一偏移量；
针对确定出的每一第二目标图像，根据征点跟踪算法，确定该图像特征信息从当前第二目标图像中的位置移动至上一时刻的第二目标图像或所述第一目标图像中的位置的第二偏移量；
根据所述第一偏移量和所述第二偏移量，确定该图像特征信息在当前目标图像中的位置信息是否准确。
13.根据权利要求1所述的方法，其特征在于，所述针对确定出的每一第二目标图像，依据该图像特征信息在第一目标图像中的位置信息、以及该图像特征信息在第二目标图像中的位置信息矫正该第二目标图像中的像素点的位置，包括：
根据该图像特征信息在所述第一目标图像中的位置信息以及该图像特征信息在每一第二目标图像中的位置信息，确定该图像特征信息在每一第二目标图像中的位置、相对该图像特征信息在所述第一目标图像中的位置的变换矩阵；
对所述变换矩阵进行平滑处理；
根据平滑处理后的变换矩阵矫正该第二目标图像中的像素点的位置。
14.根据权利要求13所述的方法，其特征在于，所述根据该图像特征信息在所述第一目标图像中的位置信息以及该图像特征信息在每一第二目标图像中的位置信息，确定该图像特征信息在每一所述第二目标图像中的位置、相对该图像特征信息在所述第一目标图像中的位置的变换矩阵，包括：
根据该图像特征信息在所述第一目标图像中的位置信息以及该图像特征信息在每一第二目标图像中的位置信息，采用Homography算法确定该图像特征信息在每一所述第二目标图像中的位置、相对该图像特征信息在所述第一目标图像中的位置的变换矩阵。
15.根据权利要求13所述的方法，其特征在于，所述对所述变换矩阵进行平滑处理包括：
采用均值滤波、高斯滤波或卡尔曼滤波对所述变换矩阵进行平滑处理。
16.根据权利要求15所述的方法，其特征在于，所述采用均值滤波对所述变换矩阵进行平滑处理包括：
基于所述可移动设备的运行速度，确定滑动窗口的大小；
根据所述滑动窗口的大小，获取该目标图像之前特定张数、和该目标图像之后特定张数目标图像的变换矩阵；
对该目标图像的变换矩阵、以及该目标图像之前特定张数、和该目标图像之后特定张数目标图像的变换矩阵进行均值滤波。
17.根据权利要求16所述的方法，其特征在于，所述滑动窗口的大小与所述可移动设备的运行速度成反比。
18.根据权利要求13所述的方法，其特征在于，所述对所述变换矩阵进行平滑处理之前，还包括：
根据该图像特征信息在每一第二目标图像中的位置信息，对每一第二目标图像的变换矩阵进行非线性最优化处理。
19.根据权利要求1所述的方法，其特征在于，所述方法应用于处于悬停状态或者运行速度小于等于预设速度阈值的可移动设备。
20.一种图像增稳装置，其特征在于，应用于可移动设备，所述装置包括：
存储装置和处理器；
所述存储装置，用于存储程序；
所述处理器，调用所述程序，当所述程序被执行时，用于：
获取所述可移动设备的云台相机针对同一目标在不同时刻采集的图像；
从获取的每一图像中提取图像特征信息；
针对每一图像特征信息，从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像，所述第一目标图像是所述图像特征信息首次出现的图像，所述第二目标图像为除所述首次出现的图像之外的其他包含该图像特征信息的图像；
针对确定出的每一第二目标图像，依据该图像特征信息在第一目标图像中的位置信息、以及该图像特征信息在第二目标图像中的位置信息矫正该第二目标图像中的像素点的位置。
21.根据权利要求20所述的装置，其特征在于，所述处理器，用于：
基于稀疏算法从获取的每一图像中提取图像特征信息。
22.根据权利要求21所述的装置，其特征在于，所述图像特征信息为角点信息，所述稀疏算法为角点检测算法。
23.根据权利要求22所述的装置，其特征在于，所述角点检测算法为FAST、SUSAN或Harris。
24.根据权利要求20至23任一项所述的装置，其特征在于，所述处理器，用于：
针对每一图像特征信息，基于特征点跟踪算法从获取的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像。
25.根据权利要求24所述的装置，其特征在于，所述处理器，用于：
针对所述可移动设备在每一时刻的运动信息，预估每一图像特征信息在所有图像中的图像特征光流；
根据每一图像特征信息在所有图像中的图像特征光流和特征点跟踪算法，确定与每一图像特征信息相关联的第一目标图像和第二目标图像。
26.根据权利要求25所述的装置，其特征在于，所述运动信息由所述可移动设备上的惯性导航系统检测获得。
27.根据权利要求25所述的装置，其特征在于，所述运动信息为所述云台相机在两个相邻时刻所采集的两张图像之间的坐标变换关系矩阵。
28.根据权利要求24所述的装置，其特征在于，所述图像特征信息为角点信息，所述特征点跟踪算法为角点跟踪算法。
29.根据权利要求28所述的装置，其特征在于，所述角点跟踪算法为KLT。
30.根据权利要求20至23任一项所述的装置，其特征在于，所述处理器在针对每一图像特征信息，从采集的所有图像中确定该图像特征信息相关联的第一目标图像和第二目标图像之后，还用于：
针对确定出的每一第二目标图像，根据特征点跟踪算法，确定该图像特征信息在当前第二目标图像中的位置与该图像特征信息在与当前第二目标图像相邻的上一时刻的第二目标图像中的位置或所述第一目标图像之间的偏移量；
根据所述偏移量，确定当前第二目标图像相关联的图像特征信息在当前第二目标图像中的位置信息是否准确。
31.根据权利要求30所述的装置，其特征在于，所述处理器，用于：
针对确定出的每一第二目标图像，根据征点跟踪算法，确定该图像特征信息从上一时刻的第二目标图像或所述第一目标图像中的位置移动至当前第二目标图像中的位置之间的第一偏移量；
针对确定出的每一第二目标图像，根据征点跟踪算法，确定该图像特征信息从当前第二目标图像中的位置移动至上一时刻的第二目标图像或所述第一目标图像中的位置的第二偏移量；
根据所述第一偏移量和所述第二偏移量，确定该图像特征信息在当前目标图像中的位置信息是否准确。
32.根据权利要求20所述的装置，其特征在于，所述处理器，用于：
根据该图像特征信息在所述第一目标图像中的位置信息以及该图像特征信息在所述第二目标图像中的位置信息，确定该图像特征信息在每一所述第二目标图像中的位置、相对该图像特征信息在所述第一目标图像中的位置之间的变换矩阵；
对所述变换矩阵进行平滑处理；
根据平滑处理后的变换矩阵矫正该第二目标图像中的像素点的位置。
33.根据权利要求32所述的装置，其特征在于，所述处理器，用于：
根据该图像特征信息在所述第一目标图像中的位置信息以及该图像特征信息在所述第二目标图像中的位置信息，采用Homography算法确定该图像特征信息在每一所述第二目标图像中的位置、相对该图像特征信息在所述第一目标图像中的位置之间的变换矩阵。
34.根据权利要求32所述的装置，其特征在于，所述处理器，用于：
采用均值滤波、高斯滤波或卡尔曼滤波对所述变换矩阵进行平滑处理。
35.根据权利要求34所述的装置，其特征在于，所述处理器，用于：
基于所述可移动设备的运行速度，确定滑动窗口的大小；
根据所述滑动窗口的大小，获取该目标图像之前特定张数、和该目标图像之后特定张数目标图像的变换矩阵；
对该目标图像的变换矩阵、以及该目标图像之前特定张数、和该目标图像之后特定张数目标图像的变换矩阵进行均值滤波。
36.根据权利要求35所述的装置，其特征在于，所述滑动窗口的大小与所述可移动设备的运行速度成反比。
37.根据权利要求32所述的装置，其特征在于，所述处理器在对所述变换矩阵进行平滑处理之前，还用于：
根据该图像特征信息在每一第二目标图像中的位置信息，对每一第二目标图像的变换矩阵进行非线性最优化处理。
38.根据权利要求20所述的装置，其特征在于，所述装置设于处于悬停状态或者运行速度小于等于预设速度阈值的可移动设备上。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2018/084812 WO2019205087A1 (zh) | 2018-04-27 | 2018-04-27 | 图像增稳方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110337668A CN110337668A (zh) | 2019-10-15 |
| CN110337668B true CN110337668B (zh) | 2021-08-31 |
Family
ID=68139445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880012006.7A Expired - Fee Related CN110337668B (zh) | 2018-04-27 | 2018-04-27 | 图像增稳方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110337668B (zh) |
| WO (1) | WO2019205087A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021119982A1 (zh) * | 2019-12-17 | 2021-06-24 | 深圳市大疆创新科技有限公司 | 图像传输系统及方法、控制装置、可移动平台 |
| CN111246100B (zh) * | 2020-01-20 | 2022-03-18 | Oppo广东移动通信有限公司 | 防抖参数的标定方法、装置和电子设备 |
| CN117642571A (zh) * | 2021-10-20 | 2024-03-01 | 深圳市大疆创新科技有限公司 | 云台控制方法、竖向增稳设备的控制方法、装置及云台 |
| CN115047890B (zh) * | 2022-08-17 | 2022-11-01 | 北京大学 | 无人船控制方法、设备及计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101383899A (zh) * | 2008-09-28 | 2009-03-11 | 北京航空航天大学 | 一种空基平台悬停视频稳像方法 |
| CN102708571A (zh) * | 2011-06-24 | 2012-10-03 | 杭州海康威视软件有限公司 | 视频中剧烈运动的检测方法及其装置 |
| CN103914065A (zh) * | 2014-03-24 | 2014-07-09 | 深圳市大疆创新科技有限公司 | 飞行器状态实时修正的方法和装置 |
| CN106529538A (zh) * | 2016-11-24 | 2017-03-22 | 腾讯科技（深圳）有限公司 | 一种飞行器的定位方法和装置 |
| CN106550174A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 一种基于单应性矩阵的实时视频稳像方法 |
| CN106713702A (zh) * | 2017-01-19 | 2017-05-24 | 博康智能信息技术有限公司 | 一种视频图像抖动和摄像装置抖动判断方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7747075B2 (en) * | 2005-06-20 | 2010-06-29 | International Business Machines Corporation | Salient motion detection system, method and program product therefor |
-
2018
- 2018-04-27 CN CN201880012006.7A patent/CN110337668B/zh not_active Expired - Fee Related
- 2018-04-27 WO PCT/CN2018/084812 patent/WO2019205087A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101383899A (zh) * | 2008-09-28 | 2009-03-11 | 北京航空航天大学 | 一种空基平台悬停视频稳像方法 |
| CN102708571A (zh) * | 2011-06-24 | 2012-10-03 | 杭州海康威视软件有限公司 | 视频中剧烈运动的检测方法及其装置 |
| CN103914065A (zh) * | 2014-03-24 | 2014-07-09 | 深圳市大疆创新科技有限公司 | 飞行器状态实时修正的方法和装置 |
| CN106550174A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 一种基于单应性矩阵的实时视频稳像方法 |
| CN106529538A (zh) * | 2016-11-24 | 2017-03-22 | 腾讯科技（深圳）有限公司 | 一种飞行器的定位方法和装置 |
| CN106713702A (zh) * | 2017-01-19 | 2017-05-24 | 博康智能信息技术有限公司 | 一种视频图像抖动和摄像装置抖动判断方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019205087A1 (zh) | 2019-10-31 |
| CN110337668A (zh) | 2019-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10871258B2 (en) | Method and system for controlling gimbal | |
| US20210141378A1 (en) | Imaging method and device, and unmanned aerial vehicle | |
| US10928838B2 (en) | Method and device of determining position of target, tracking device and tracking system | |
| US11107275B2 (en) | System and methods for improved aerial mapping with aerial vehicles | |
| CN110337668B (zh) | 图像增稳方法和装置 | |
| US10754354B2 (en) | Hover control | |
| WO2019119328A1 (zh) | 一种基于视觉的定位方法及飞行器 | |
| US10273000B2 (en) | Control of image triggering for aerial image capturing in nadir alignment for an unmanned aircraft | |
| US11892812B1 (en) | Gimbal adjustment method, gimbal adjustment device, mobile platform and storage medium | |
| CN112154649A (zh) | 航测方法、拍摄控制方法、飞行器、终端、系统及存储介质 | |
| US9154717B2 (en) | Aerial camera system and method for correcting distortions in an aerial photograph | |
| CN108780577A (zh) | 图像处理方法和设备 | |
| WO2021081707A1 (zh) | 数据处理方法、装置、可移动平台及计算机可读存储介质 | |
| WO2020052207A1 (zh) | 测量天线工程参数的方法和装置 | |
| CN113436267B (zh) | 视觉惯导标定方法、装置、计算机设备和存储介质 | |
| WO2019205103A1 (zh) | 云台姿态修正方法、云台姿态修正装置、云台、云台系统和无人机 | |
| EP3718302B1 (en) | Method and system for handling 360 degree image content | |
| CN110320934A (zh) | 云台控制方法、装置、云台及移动设备 | |
| JP6861592B2 (ja) | データ間引き装置、測量装置、測量システム及びデータ間引き方法 | |
| EP4013030A1 (en) | Image processing method and apparatus, and electronic device and computer-readable storage medium | |
| CN112154477A (zh) | 图像处理方法、装置和可移动平台 | |
| CN115900639B (zh) | 应用于无人机上云台相机的航向角矫正方法和服务器 | |
| WO2020087382A1 (zh) | 一种定位方法、设备、飞行器及计算机可读存储介质 | |
| CN115720294A (zh) | 视频防抖方法及装置、存储介质、视频采集设备 |
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: 20210831 |