CN110427982B - 一种基于图像处理的自动布线机路线校正方法及系统 - Google Patents

一种基于图像处理的自动布线机路线校正方法及系统 Download PDF

Info

Publication number
CN110427982B
CN110427982B CN201910630153.7A CN201910630153A CN110427982B CN 110427982 B CN110427982 B CN 110427982B CN 201910630153 A CN201910630153 A CN 201910630153A CN 110427982 B CN110427982 B CN 110427982B
Authority
CN
China
Prior art keywords
image
real
template
effective area
automatic
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
CN201910630153.7A
Other languages
English (en)
Other versions
CN110427982A (zh
Inventor
任建新
王媛媛
石千里
张宇星
肖亮
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.)
Beijing Aerospace Guanghua Electronic Technology Co Ltd
Original Assignee
Beijing Aerospace Guanghua Electronic 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 Beijing Aerospace Guanghua Electronic Technology Co Ltd filed Critical Beijing Aerospace Guanghua Electronic Technology Co Ltd
Priority to CN201910630153.7A priority Critical patent/CN110427982B/zh
Publication of CN110427982A publication Critical patent/CN110427982A/zh
Application granted granted Critical
Publication of CN110427982B publication Critical patent/CN110427982B/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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/757—Matching configurations of points or features

Abstract

一种基于图像处理的自动布线机路线校正方法及系统，适用于摄像机可移动，视场为以密集有序排列圆孔构成的布线台面的自动布线机路线校正方法。本发明自动布线机路线校正方法，能够高效的识别布线台面上圆孔，计算自动布线机的移动误差，实现了对自动布线机布线的校正功能，同时，完善自动布线机的控制方案、在提高自动布线机布线精度的同时提高航天电缆的生产效率。

Description

一种基于图像处理的自动布线机路线校正方法及系统
技术领域
本发明设计一种基于图像处理的自动布线机路线校正方法，适用于摄像机可移动，视场为以密集有序排列圆孔构成的布线台面的自动布线机路线校正方法。
背景技术
电缆是航天电子产品的重要组成部分，是连接系统内或系统之间各种仪器的桥梁。自动布线机作为电缆网生产的重要设备，旨在提升电缆网产品的生产效率，全面提升航天电缆网的制造水平。
现有的数控机构路线校正方法多是通过保证数控部件与系统本体满足一定的位置条件，而通过位置调整方法来进行校正，该方法校正点位固定，不能随机调整，自动布线机布线路径不唯一，所以校正点位需要随时调整，因此位置校正方法不可行。此外坐标位置校正方法需要数控机床采用点动的方式，每次启动设备必须寻找原点，并且对于布线台面的倾斜以及变形的情况鲁棒性不高。因此该方式也不可行。
发明内容
本发明的技术解决问题是：克服现有技术的不足，提供一种基于图像处理的自动布线机路线校正方法，实现自动布线机的路线校正，可作为轨迹分析以及路径规划。
本发明的技术解决方案为：
一种基于图像处理的自动布线机路线校正方法，步骤如下：
(1)在自动布线机进行布线工作之前，对自动布线机布线台面的一个区域成像，得到模板图像；
(2)处理所述模板图像，得到区域分割后的模板图像；
(3)在自动布线机进行布线工作时，对自动布线机布线台面的一个区域进行实时成像，得到实时图像；
(4)处理所述实时图像，得到区域分割后的实时图像；
(5)针对区域分割后的实时图像，利用Mean Shift算法进行区域分辨，确定有效区域；
(6)在所述有效区域内进行特征提取，得到实时图像有效区域的特征点；
(7)在所述区域分割后的模板图像中确定与实时图像有效区域对应的模板有效区域，并进行特征提取，得到模板有效区域的特征点；
(8)将所述实时图像有效区域的特征点与所述模板有效区域的特征点进行特征匹配，得到匹配点对；
(9)对所述匹配点对进行特征提纯，得到有效匹配点对；
(10)判断所述有效匹配点对的数量是否达到预设阈值M，如果未达到，则返回步骤(1)重新确定模板图像；否则，进入步骤(11)；
(11)根据有效匹配点对获得变换矩阵，得到偏移量，从而实现自动布线机的路线校正。
所述自动布线机的布线台面为布满有序排列圆孔的平面。
步骤(1)中所述模板图像的大小与步骤(3)中所述实时图像的大小相同。
所述步骤(2)处理模板图像以及步骤(4)处理实时图像，均采用自适应二值化算法实现，具体为：
步骤1：假定图像像素点R、G、B三色通道相互独立互不相关并具有相同的方差，建立图像数据集的高斯模型；
对于随机变量X的观测数据集{x1,x2,…,xt}，xt＝(Rt,Gt,Bt)为第t个像素的样本，则单个采样点xt服从：
Figure BDA0002128464930000031
Figure BDA0002128464930000032
Figure BDA0002128464930000033
其中：p(xt)为第t个像素高斯分布的概率，wi,t为第i个高斯分布的权重，k为表达像素特征的高斯分量个数，η(xt,ui,t,τi,t)三维高斯分布函数，ui,t为其均值向量，δi,t为方差，τi,t为协方差矩阵，I为单位矩阵；
步骤2：将k个高斯分量按照wi/δi值降序排列，若前m个权重之和大于设定阈值，则第m个权重对应的像素值作为二值化的阈值，即：
Figure BDA0002128464930000034
其中：T为设定的阈值，wi,t为t时刻第i个高斯分布的权重，B为白色区域；
步骤3：根据所述二值化的阈值分割图像；
步骤4：通过用3x3的结构元素{101；010；101}扫描分割后的图像的每一个像素，用结构元素与其覆盖的二值图像做与操作，如果存在1，结果图像的该像素为1，否则为0；从而消除二值化后图像的孤立噪点，实现准确的图像分割。
利用Mean Shift算法进行区域分辨，确定有效区域，具体为：
(1)计算零阶距、一阶距、搜索窗质心、搜索窗大小；
(2)计算搜索窗中心到质心的距离，设定阈值和循环次数最大值，当搜索窗的中心到质心的距离小于阈值或者循环运算的次数达到设定的最大值，停止计算，得到有效区域。
进行特征提取具体为：根据有效区域的二值图像创建高斯金字塔，计算金字塔层数，求解高斯差分金字塔进行极值点检测，计算极值点的尺度和方向向量，最终生成极值点即特征点的描述子。
特征匹配具体为：对实时图像有效区域的特征点描述子与模板有效区域的特征点描述子进行相似度计算，得到匹配点对。
采用RANSAC算法对匹配点对进行提纯，过程如下：
从一组包含匹配点对以外特征的数据集中，通过迭代方式估计匹配点对的变换矩阵参数，通过提高迭代次数实现对匹配点对的提纯。
预设阈值M为正整数，取值范围为12～24。
一种根据所述的基于图像处理的自动布线机路线校正方法实现的路线校正系统，包括：
模板图像成像及处理模块：在自动布线机进行布线工作之前，对自动布线机布线台面的一个区域成像，得到模板图像；处理所述模板图像，得到区域分割后的模板图像；
实时图像成像及处理模块：在自动布线机进行布线工作时，对自动布线机布线台面的一个区域进行实时成像，得到实时图像；处理所述实时图像，得到区域分割后的实时图像；
区域分辨模块：针对区域分割后的实时图像，利用Mean Shift算法进行区域分辨，确定有效区域；
特征提取模块：在所述有效区域内进行特征提取，得到实时图像有效区域的特征点；在所述区域分割后的模板图像中确定与实时图像有效区域对应的模板有效区域，并进行特征提取，得到模板有效区域的特征点；
特征匹配模块：将所述实时图像有效区域的特征点与所述模板有效区域的特征点进行特征匹配，得到匹配点对；
提纯模块：对所述匹配点对进行特征提纯，得到有效匹配点对；
路线校正模块：判断所述有效匹配点对的数量是否达到预设阈值M，如果未达到，则重新确定模板图像；否则，根据有效匹配点对获得变换矩阵，得到偏移量，从而实现自动布线机的路线校正。
本发明与现有技术相比的优点在于：
(1)本发明自动布线机路线校正方法，能够高效的识别布线台面上圆孔，计算自动布线机的移动误差，实现了对自动布线机布线的校正功能。
(2)本发明自动布线机路线校正方法，完善自动布线机的控制方案、在提高自动布线机布线精度的同时提高航天电缆的生产效率。
(3)本发明采用的自适应二值化方法改进了传统的二值化算法，提高了图像分割的准确性，此外，该方法使图像中数据量大大减少，从而能凸显出目标的轮廓，简化了后续的特征提取。
附图说明
图1为本发明的自动布线机路线校正方法流程图。
具体实施方式
本发明提出了一种基于图像处理的自动布线机路线校正方法，如图1所示，本发明具体实现如下：
(1)在自动布线机进行布线工作之前，对自动布线机布线台面的一个区域成像，得到模板图像；所述自动布线机的布线台面为布满有序排列圆孔的平面。
(2)处理所述模板图像，得到区域分割后的模板图像；
(3)在自动布线机进行布线工作时，对自动布线机布线台面的一个区域进行实时成像，得到实时图像；步骤(1)中所述模板图像的大小与步骤(3)中所述实时图像的大小相同。
(4)处理所述实时图像，得到区域分割后的实时图像；
处理所述模板图像以及处理所述实时图像，均采用自适应二值化算法实现，具体为：
步骤1：假定图像像素点R、G、B三色通道相互独立互不相关并具有相同的方差，建立图像数据集的高斯模型；
对于随机变量X的观测数据集{x1,x2,…,xt}，xt＝(Rt,Gt,Bt)为第t个像素的样本，则单个采样点xt服从：
Figure BDA0002128464930000061
Figure BDA0002128464930000062
Figure BDA0002128464930000063
其中：p(xt)为第t个像素高斯分布的概率，wi,t为第i个高斯分布的权重，k为表达像素特征的高斯分量个数，η(xt,ui,t,τi,t)三维高斯分布函数，ui,t为其均值向量，δi,t为方差，τi,t为协方差矩阵，I为单位矩阵；
步骤2：将k个高斯分量按照wi/δi值降序排列，若前m个权重之和大于设定阈值，则第m个权重对应的像素值作为二值化的阈值，即：
Figure BDA0002128464930000064
其中：T为设定的阈值，wi,t为t时刻第i个高斯分布的权重，B为白色区域；
步骤3：通过用3x3的结构元素{101；010；101}扫描分割后的图像的每一个像素，用结构元素与其覆盖的二值图像做与操作，如果存在1，结果图像的该像素为1，否则为0；从而消除二值化后图像的孤立噪点，实现准确的图像分割。
本发明提出的自适应二值化方法有效的改进了传统的二值化算法，提高了图像分割的准确性，此外，该方法使图像中数据量大大减少，从而能凸显出目标的轮廓，简化了后续的特征提取。
(5)针对区域分割后的实时图像，利用Mean Shift算法进行区域分辨，确定有效区域；
Mean Shift，又称均值漂移，是一种基于密度梯度的非参数估计方法，该算法通过采用梯度优化的方法来实现区域定位，有较好的适应能力，同时该算法的运算速度也相对较快。利用Mean Shift算法进行区域分辨，确定有效区域，具体为：
(5.1)计算零阶距、一阶距、搜索窗质心、搜索窗大小；
计算零阶距：
Figure BDA0002128464930000071
其中，x,y表示像素点的横纵坐标，I(x,y)为该像素点的灰度值，M00为图像的零阶距。
计算一阶距：
Figure BDA0002128464930000072
Figure BDA0002128464930000073
其中，x,y表示像素点的横纵坐标，I(x,y)为该像素点的灰度值，M10为图像的y一阶距，M10为图像的x一阶距。
计算搜索窗质心
xc＝M10/M00
yc＝M01/M00
其中，x,y表示像素点的横纵坐标，xc为质心的横坐标，yc为质心的纵坐标，M00为图像的零阶距，M10为图像的y一阶距，M10为图像的x一阶距。
调整搜索窗大小S：
Figure BDA0002128464930000074
设定阈值和循环次数最大值，例如阈值为1，循环次数为10，当搜索窗的中心到质心的距离小于阈值停止计算。
(5.2)计算搜索窗中心到质心的距离，设定阈值和循环次数最大值，当搜索窗的中心到质心的距离小于阈值或者循环运算的次数达到设定的最大值，停止计算，得到有效区域。
该算法通过采用梯度优化的方法来实现区域定位，有较好的适应能力，同时该算法的运算速度也相对较快。
(6)在所述有效区域内进行特征提取，得到实时图像有效区域的特征点；
(7)在所述区域分割后的模板图像中确定与实时图像有效区域对应的模板有效区域，并进行特征提取，得到模板有效区域的特征点；
进行特征提取具体为：根据有效区域的二值图像创建高斯金字塔，计算金字塔层数，求解高斯差分金字塔进行极值点检测，计算极值点的尺度和方向向量，最终生成极值点即特征点的描述子。
(8)将所述实时图像有效区域的特征点与所述模板有效区域的特征点进行特征匹配，得到匹配点对；
特征匹配具体为：对实时图像有效区域的特征点描述子与模板有效区域的特征点描述子进行相似度计算，得到匹配点对。
(9)采用RANSAC算法对所述匹配点对进行特征提纯，得到有效匹配点对；从一组包含匹配点对以外特征的数据集中，通过迭代方式估计匹配点对的变换矩阵参数，通过提高迭代次数实现对匹配点对的提纯。
具体的，流程如下：
(9.1)首先我们先随机假设一组匹配点对为初始值。然后用此匹配点对拟合一个模型，此模型适应于假设的匹配点对，所有的未知参数都能从假设的匹配点对计算得出。
(9.2)用(9.1)中得到的模型去测试所有的其它匹配点对，如果某匹配点对适用于估计的模型，认为它也是匹配点对，将匹配点对扩充。
(9.3)如果有足够多的匹配点对被归类为假设的匹配点对，那么估计的模型就足够合理。
(9.4)然后，用所有假设的匹配点对去重新估计模型，因为此模型仅仅是在初始的假设的匹配点对估计的，后续有扩充后，需要更新。
(9.5)最后，通过估计匹配点对与模型的错误率来评估模型，并提纯匹配点对。
(10)判断所述有效匹配点对的数量是否达到预设阈值M，如果未达到，则返回步骤(1)重新确定模板图像；否则，进入步骤(11)；预设阈值M为正整数，取值范围为12～24。
(11)根据有效匹配点对获得变换矩阵，得到偏移量，从而实现自动布线机的路线校正。
本发明给出实施例：
应用本发明路线校正方法以及未应用于本发明位置校正方法分别对10000个位置点进行定位，应用本发明路线校正方法定位成功率从73.78％提升到92.00％，并且平均定位误差从3.28mm降低到1.15mm，对于布线机构具有更好的保护作用。
试例结果表明，本发明基于图像处理的自动布线机线路校正方法提高了自动布线机的运动路线准确性。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (10)

1.一种基于图像处理的自动布线机路线校正方法，其特征在于步骤如下：
(1)在自动布线机进行布线工作之前，对自动布线机布线台面的一个区域成像，得到模板图像；
(2)处理所述模板图像，得到区域分割后的模板图像；
(3)在自动布线机进行布线工作时，对自动布线机布线台面的一个区域进行实时成像，得到实时图像；
(4)处理所述实时图像，得到区域分割后的实时图像；
(5)针对区域分割后的实时图像，利用Mean Shift算法进行区域分辨，确定有效区域；
(6)在所述有效区域内进行特征提取，得到实时图像有效区域的特征点；
(7)在所述区域分割后的模板图像中确定与实时图像有效区域对应的模板有效区域，并进行特征提取，得到模板有效区域的特征点；
(8)将所述实时图像有效区域的特征点与所述模板有效区域的特征点进行特征匹配，得到匹配点对；
(9)对所述匹配点对进行特征提纯，得到有效匹配点对；
(10)判断所述有效匹配点对的数量是否达到预设阈值M，如果未达到，则返回步骤(1)重新确定模板图像；否则，进入步骤(11)；
(11)根据有效匹配点对获得变换矩阵，得到偏移量，从而实现自动布线机的路线校正。
2.根据权利要求1所述的一种基于图像处理的自动布线机路线校正方法，其特征在于：所述自动布线机的布线台面为布满有序排列圆孔的平面。
3.根据权利要求1所述的一种基于图像处理的自动布线机路线校正方法，其特征在于：步骤(1)中所述模板图像的大小与步骤(3)中所述实时图像的大小相同。
4.根据权利要求1所述的一种基于图像处理的自动布线机路线校正方法，其特征在于：所述步骤(2)处理模板图像以及步骤(4)处理实时图像，均采用自适应二值化算法实现，具体为：
步骤1：假定图像像素点R、G、B三色通道相互独立互不相关并具有相同的方差，建立图像数据集的高斯模型；
对于随机变量X的观测数据集{x1,x2,…,xt}，xt＝(Rt,Gt,Bt)为第t个像素的样本，则单个采样点xt服从：
Figure FDA0002128464920000021
Figure FDA0002128464920000022
Figure FDA0002128464920000023
其中：p(xt)为第t个像素高斯分布的概率，wi,t为第i个高斯分布的权重，k为表达像素特征的高斯分量个数，η(xt,ui,t,τi,t)三维高斯分布函数，ui,t为其均值向量，δi,t为方差，τi,t为协方差矩阵，I为单位矩阵；
步骤2：将k个高斯分量按照wi/δi值降序排列，若前m个权重之和大于设定阈值，则第m个权重对应的像素值作为二值化的阈值，即：
Figure FDA0002128464920000024
其中：T为设定的阈值，wi,t为t时刻第i个高斯分布的权重，B为白色区域；
步骤3：根据所述二值化的阈值分割图像；
步骤4：通过用3x3的结构元素{101；010；101}扫描分割后的图像的每一个像素，用结构元素与其覆盖的二值图像做与操作，如果存在1，结果图像的该像素为1，否则为0；从而消除二值化后图像的孤立噪点，实现准确的图像分割。
5.根据权利要求1所述的一种基于图像处理的自动布线机路线校正方法，其特征在于：利用Mean Shift算法进行区域分辨，确定有效区域，具体为：
(1)计算零阶距、一阶距、搜索窗质心、搜索窗大小；
(2)计算搜索窗中心到质心的距离，设定阈值和循环次数最大值，当搜索窗的中心到质心的距离小于阈值或者循环运算的次数达到设定的最大值，停止计算，得到有效区域。
6.根据权利要求1所述的一种基于图像处理的自动布线机路线校正方法，其特征在于：进行特征提取具体为：根据有效区域的二值图像创建高斯金字塔，计算金字塔层数，求解高斯差分金字塔进行极值点检测，计算极值点的尺度和方向向量，最终生成极值点即特征点的描述子。
7.根据权利要求1所述的一种基于图像处理的自动布线机路线校正方法，其特征在于：特征匹配具体为：对实时图像有效区域的特征点描述子与模板有效区域的特征点描述子进行相似度计算，得到匹配点对。
8.根据权利要求1所述的一种基于图像处理的自动布线机路线校正方法，其特征在于：采用RANSAC算法对匹配点对进行提纯，过程如下：
从一组包含匹配点对以外特征的数据集中，通过迭代方式估计匹配点对的变换矩阵参数，通过提高迭代次数实现对匹配点对的提纯。
9.根据权利要求1所述的一种基于图像处理的自动布线机路线校正方法，其特征在于：预设阈值M为正整数，取值范围为12～24。
10.一种根据权利要求1～9中任一项所述的基于图像处理的自动布线机路线校正方法实现的路线校正系统，其特征在于包括：
模板图像成像及处理模块：在自动布线机进行布线工作之前，对自动布线机布线台面的一个区域成像，得到模板图像；处理所述模板图像，得到区域分割后的模板图像；
实时图像成像及处理模块：在自动布线机进行布线工作时，对自动布线机布线台面的一个区域进行实时成像，得到实时图像；处理所述实时图像，得到区域分割后的实时图像；
区域分辨模块：针对区域分割后的实时图像，利用Mean Shift算法进行区域分辨，确定有效区域；
特征提取模块：在所述有效区域内进行特征提取，得到实时图像有效区域的特征点；在所述区域分割后的模板图像中确定与实时图像有效区域对应的模板有效区域，并进行特征提取，得到模板有效区域的特征点；
特征匹配模块：将所述实时图像有效区域的特征点与所述模板有效区域的特征点进行特征匹配，得到匹配点对；
提纯模块：对所述匹配点对进行特征提纯，得到有效匹配点对；
路线校正模块：判断所述有效匹配点对的数量是否达到预设阈值M，如果未达到，则重新确定模板图像；否则，根据有效匹配点对获得变换矩阵，得到偏移量，从而实现自动布线机的路线校正。
CN201910630153.7A 2019-07-12 2019-07-12 一种基于图像处理的自动布线机路线校正方法及系统 Active CN110427982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910630153.7A CN110427982B (zh) 2019-07-12 2019-07-12 一种基于图像处理的自动布线机路线校正方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910630153.7A CN110427982B (zh) 2019-07-12 2019-07-12 一种基于图像处理的自动布线机路线校正方法及系统

Publications (2)

Publication Number Publication Date
CN110427982A CN110427982A (zh) 2019-11-08
CN110427982B true CN110427982B (zh) 2021-09-07

Family

ID=68410624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910630153.7A Active CN110427982B (zh) 2019-07-12 2019-07-12 一种基于图像处理的自动布线机路线校正方法及系统

Country Status (1)

Country Link
CN (1) CN110427982B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110943373B (zh) * 2019-11-25 2020-12-04 珠海格力电器股份有限公司 电控箱的走线布置方法、装置及计算机可读存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886322A (zh) * 2012-12-20 2014-06-25 中山大学深圳研究院 一种基于SVM和Mean-Shift的视频目标跟踪方法
CN103150904A (zh) * 2013-02-05 2013-06-12 中山大学 一种基于图像特征的卡口车辆图像识别方法
US10127681B2 (en) * 2016-06-30 2018-11-13 Synaptics Incorporated Systems and methods for point-based image alignment
CN106355602B (zh) * 2016-08-26 2018-10-19 杨百川 一种多目标定位跟踪视频监控方法
CN106530270B (zh) * 2016-09-07 2019-05-14 南京航空航天大学 一种基于透视变换矩阵的电能表挂载位置偏差检测方法
CN109785283B (zh) * 2018-11-27 2021-05-04 佛山市奥策科技有限公司 一种用于织物分割的纹理特征匹配方法及装置

Also Published As

Publication number Publication date
CN110427982A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN111915677B (zh) 一种基于三维点云特征的船舶位姿估计方法
CN110399884B (zh) 一种特征融合自适应锚框模型车辆检测方法
CN111640157B (zh) 一种基于神经网络的棋盘格角点检测方法及其应用
JP2915894B2 (ja) ターゲット追跡方法及び装置
CN108229475B (zh) 车辆跟踪方法、系统、计算机设备及可读存储介质
CN105913028B (zh) 一种基于face++平台的人脸跟踪方法及其装置
CN104615986B (zh) 利用多检测器对场景变化的视频图像进行行人检测的方法
CN110084830B (zh) 一种视频运动目标检测与跟踪方法
JP2011133273A (ja) 推定装置及びその制御方法、プログラム
CN107862319B (zh) 一种基于邻域投票的异源高分光学影像匹配误差剔除方法
JPH06333054A (ja) 映像内の目標パターン探知方式
CN111444778A (zh) 一种车道线检测方法
CN112164117A (zh) 一种基于Kinect相机的V-SLAM位姿估算方法
CN113888461A (zh) 基于深度学习的小五金件缺陷检测方法、系统及设备
CN114743259A (zh) 位姿估计方法、位姿估计系统、终端、存储介质及应用
CN110942473A (zh) 一种基于特征点网格化匹配的运动目标跟踪检测方法
CN108537832B (zh) 基于局部不变灰度特征的图像配准方法、图像处理系统
CN110827262A (zh) 一种基于连续有限帧红外图像的弱小目标检测方法
CN110427982B (zh) 一种基于图像处理的自动布线机路线校正方法及系统
CN112364881A (zh) 一种进阶采样一致性图像匹配算法
CN115239661A (zh) 基于图像处理的机械零件毛刺检测方法及系统
CN110458234B (zh) 一种基于深度学习的以图搜车方法
CN111862178A (zh) 改进的lbp特征提取方法
CN109325963B (zh) 一种基于svm的公交乘客三维轨迹分类方法
JP3251840B2 (ja) 画像認識装置

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