CN110472651A - 一种基于边缘点局部特征值的目标匹配与定位方法 - Google Patents
一种基于边缘点局部特征值的目标匹配与定位方法 Download PDFInfo
- Publication number
- CN110472651A CN110472651A CN201910558169.1A CN201910558169A CN110472651A CN 110472651 A CN110472651 A CN 110472651A CN 201910558169 A CN201910558169 A CN 201910558169A CN 110472651 A CN110472651 A CN 110472651A
- Authority
- CN
- China
- Prior art keywords
- point
- template
- target
- actual measurement
- 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.)
- Granted
Links
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
- G06V10/40—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
-
- 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
- G06V10/752—Contour matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于边缘点局部特征值的目标匹配与定位方法,其包括以下步骤:离线学习过程,提取模板图像的特征信息,构建形状描述符并建立R‑table表;在线过程,利用构建的实测形状描述符对R‑table中模板信息进行投票,当投票得分大于阈值时,匹配成功;目标定位,利用Turkey权重和最小二乘平差原理通过迭代求解模板轮廓和实测图像轮廓之间的仿射变换参数,并对模板轮廓进行仿射变换实现目标的精确定位。在目标发生平移、旋转、部分遮挡的情况时可以得到良好的定位结果。
Description
技术领域
本发明涉及使用特征值获得目标匹配与定位方法,尤其涉及一种基于边缘点局部特征值的目标匹配与定位方法。
背景技术
为拓展机器学习在工业领域的应用范围,不仅需要实现目标匹配,还需要在此基础上对目标进行精确定位,用于控制系统对目标更加复杂的操作。
针对平面二维形状的匹配问题,国内外学者进行了大量的研究,其中,轮廓信息作为一种高级别的视觉信息,其相关技术一直是模式识别的热点问题。最经典的算法是Belongie等提出的形状上下文(shape context,SC)算法,该算法采用轮廓序列上的某个点与其它所有点的位置关系构建形状描述符进行匹配,对旋转、部分遮挡情况下的目标定位有较好的鲁棒性,但实时性较差。提出的广义霍夫变换(Generalized Hough Transform,GHT)可以用来检测任意形状的目标,通过计算累计结果的局部最大值得到一个符合特定形状集合作为霍夫变换的结果,但是计算复杂度高,有学者对其进行改进但是这些算法提取的参数受参数空间量化间隔约束,精度不高。白宇等提出的基于多边形拟合的形状匹配与定位算法对轮廓信息进行简化,采用多边形近似表示轮廓信息,同时使用成对几何直方图统计多边形轮廓特征,该算法计算量小,具有良好的尺度不变性和旋转不变性,但是该算法要求模板轮廓和目标多边形的顶点数相同;同时,采用的多边形拟合算法受起始点的影响比较大,会引起拟合多边形发生较大变形,不利于后边的匹配。顾国庆等提出基于角点匹配的几何形状定位算法,该算法用于几何图像定位时候,具有速度高,匹配准确率高,但是在图像部分遮挡以及缺损情况下,目标物的角点个数减少,干扰角点增多,需要成功检测出4~5个正确角点才能进行有效的匹配和定位,对遮挡情况下的定位识别没有较好的鲁棒性。
因此,现有技术有待于更进一步的改进和发展。
发明内容
鉴于上述现有技术的不足,本发明提供的一种基于边缘点局部特征值的目标匹配与定位方法,本方法在目标发生平移、旋转、部分遮挡的情况时可以得到良好的定位结果。
为解决上述技术问题,本发明方案包括:
一种基于边缘点局部特征值的目标匹配与定位方法,其包括以下步骤:
A、离线学习过程,提取模板图像的特征信息,构建形状描述符并建立R-table表;
B、在线过程,利用构建的实测形状描述符对R-table中模板信息进行投票,当投票得分大于阈值时,匹配成功;
C、目标定位,利用Turkey权重和最小二乘平差原理通过迭代求解模板轮廓和实测图像轮廓之间的仿射变换参数,并对模板轮廓进行仿射变换实现目标的精确定位。
所述的边缘点局部特征值的目标匹配与定位方法,其中,所述步骤A具体的包括:利用提取的特征信息构建形状描述符,R-table表的过程。对模板图像进行处理,噪声干扰,最大类间方差法(OTSU)对目标和背景进行分割,针对目标轮廓,Douglas-Peucker算法计算轮廓分割点,基于任意3个分割点构建地址索引向量、建立局部直角坐标系、计算重采样后的轮廓点在局部坐标下的特征值构建描述符信息,描述符信息是对应地址索引下的模板信息,在离线过程中,需要计算所有坐标系下的形状描述符信息建立R-table表。
所述的边缘点局部特征值的目标匹配与定位方法,其中,所述步骤A具体的还包括:
其中,多边形近似算法是图像轮廓的一种近似描述,格拉斯-普克法采用了一种计算点直线的最大距离来寻找轮廓分割点的方法;利用Douglas-Peucker算法对目标轮廓进行拟合,可得N个分割点,可构成个三角形,个坐标系。计算每个三角形的几何元素和轮廓点在局部坐标系下的特征值构建地址索引向量和对应索引地址下的形状描述符信息建立R-table表。
所述的边缘点局部特征值的目标匹配与定位方法,其中,所述步骤B具体的包括:对获取的实测图像,进行预处理、提取图像的边缘轮廓、多边形拟合得到轮廓分割点。首先任意选择3个点,构建实测地址索引向量,通过欧氏距离计算实测地址索引向量在R-table表中是否存在对应的地址,若存在,则利用这3个点建立直角坐标系,构建实测描述符信息,利用投票机制,对该地址下的模板描述符信息进行投票,若投票得分大于阈值,则实现匹配,若不存在,则重新选择3个点重复以上过程,若由实测分割点组成的所有实测索引向量在R-table表中都不存在,说明该实测目标不是待检测的目标。
所述的边缘点局部特征值的目标匹配与定位方法,其中,所述步骤C具体的包括:给定两个来自不同坐标系中数据点集,计算出两个数据点集的间几何变换参数;基于得到的仿射变换模型,对原始的模板轮廓点坐标进行几何变换,求解出模板轮廓点在实测图像中的位置,对目标进行显示。
本发明提供的一种基于边缘点局部特征值的目标匹配与定位方法,本方法提出了基于边缘几何特性的目标匹配与定位算法,该算法在离线过程中对模板图像中的工件轮廓进行多边形拟合、建立局部直角坐标系、量化轮廓点构建模板信息,针对离线过程中时间复杂度高,提出了优化方法,有效地的降低了离线过程的复杂度。在线过程对实测图像进行轮廓提取、多边形拟合、采用投票机制对目标进行匹配,使用得分函数定量的描述待检测目标的匹配程度,反应目标的遮挡情况,同时为了加快利用投票机制匹配的速度,引入二分查找法。基于在线投票获得模板轮廓和实测轮廓的匹配点对,利用最小二乘原理和Turkey权重通过迭代求解出了高精度的几何变换模型,并对模板轮廓进行几何变换以实现目标的精确定位。
附图说明
图1是本发明中基于边缘点局部特征值的目标匹配与定位方法示意图。
具体实施方式
本发明提供了一种基于边缘点局部特征值的目标匹配与定位方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种基于边缘点局部特征值的目标匹配与定位方法,如图1所示的,其包括以下步骤:
步骤101:离线学习过程,提取模板图像的特征信息,构建形状描述符并建立R-table表;
步骤102:在线过程,利用构建的实测形状描述符对R-table中模板信息进行投票,当投票得分大于阈值时,匹配成功;
步骤103:目标定位,利用Turkey权重和最小二乘平差原理通过迭代求解模板轮廓和实测图像轮廓之间的仿射变换参数,并对模板轮廓进行仿射变换实现目标的精确定位。
在本发明的另一较佳实施例中,所述步骤101具体的包括:利用提取的特征信息构建形状描述符,R-table表的过程。对模板图像进行处理,噪声干扰,最大类间方差法(OTSU)对目标和背景进行分割,针对目标轮廓,Douglas-Peucker算法计算轮廓分割点,基于任意3个分割点构建地址索引向量、建立局部直角坐标系、计算重采样后的轮廓点在局部坐标下的特征值构建描述符信息,描述符信息是对应地址索引下的模板信息,在离线过程中,需要计算所有坐标系下的形状描述符信息建立R-table表。
更进一步的,所述步骤101具体的还包括:多边形近似算法是图像轮廓的一种近似描述,Douglas-Peucker算法采用了一种计算点直线的最大距离来寻找轮廓分割点的方法;
在上述的基础上,本发明的另一较佳实施例中,所述步骤101具体的包括:利用Douglas-Peucker算法对目标轮廓进行拟合,可得N个分割点,可构成个三角形,个坐标系。计算每个三角形的几何元素和轮廓点在局部坐标系下的特征值构建地址索引向量和对应索引地址下的形状描述符信息建立R-table表。
更进一步的,所述步骤102具体的包括:对获取的实测图像,进行预处理、提取图像的边缘轮廓、多边形拟合得到轮廓分割点。首先任意选择3个点,构建实测地址索引向量,通过欧氏距离计算实测地址索引向量在R-table表中是否存在对应的地址,若存在,则利用这3个点建立直角坐标系,构建实测描述符信息,利用投票机制,对该地址下的模板描述符信息进行投票,若投票得分大于阈值,则实现匹配,若不存在,则重新选择3个点重复以上过程,若由实测分割点组成的所有实测索引向量在R-table表中都不存在,说明该实测目标不是待检测的目标。
更为具体的而是,所述步骤103具体的包括:给定两个来自不同坐标系中数据点集,计算出两个数据点集的间几何变换参数;基于得到的仿射变换模型,对原始的模板轮廓点坐标进行几何变换,求解出模板轮廓点在实测图像中的位置,对目标进行显示。
为了更进一步描述本发明方案,以下列举更为详尽的实施例进行说明。
第一步,离线学习过程。离线学习过程是利用提取的特征信息构建形状描述符,R-table表的过程。对模板图像进行处理,噪声干扰,最大类间方差法(OTSU)对目标和背景进行分割,针对目标轮廓,Douglas-Peucker算法计算轮廓分割点,基于任意3个分割点构建地址索引向量、建立局部直角坐标系、计算重采样后的轮廓点在局部坐标下的特征值构建描述符信息,描述符信息是对应地址索引下的模板信息,在离线过程中,需要计算所有坐标系下的形状描述符信息建立R-table表。
其中,多边形近似算法是图像轮廓的一种近似描述,格拉斯-普克法采用了一种计算点直线的最大距离来寻找轮廓分割点的方法,对于闭合轮廓,首先选择轮廓中距离最远的两个点为起始点P1(x1,y1)和P2(x2,y2),建立一条直线,使用公式(1)计算轮廓上任意一点P3(x3,y3)到该直线的距离d,找到距离直线距离最大(大于固定阈值)的轮廓点P3,然后对P1P3、P2P3进行上述相同的操作。
通过上述方法可以有效的对目标轮廓进行近似,提取出曲率较大的轮廓点。
构建模板信息是利用Douglas-Peucker算法对目标轮廓进行拟合,可得N个分割点,可构成个三角形,个坐标系计算每个三角形的几何元素和轮廓点在局部坐标系下的特征值构建地址索引向量和对应索引地址下的形状描述符信息建立R-table表。
第二步,在线过程,对获取的实测图像,进行预处理、提取图像的边缘轮廓、多边形拟合得到轮廓分割点。
首先任意选择3个点,构建实测地址索引向量,通过欧氏距离计算实测地址索引向量在R-table表中是否存在对应的地址,若存在,则利用这3个点建立直角坐标系,构建实测描述符信息,利用投票机制,对该地址下的模板描述符信息进行投票,若投票得分大于阈值,则实现匹配,若不存在,则重新选择3个点重复以上过程,若由实测分割点组成的所有实测索引向量在R-table表中都不存在,说明该实测目标不是待检测的目标。
根据实测轮廓分割点构成的实测地址索引向量,求解地址索引向量的相似度,获取最佳相似度。当最佳相似度小于设定的固定阈值T时,说明R-table表中存在该实测地址索引向量对应的地址。
通过计算得到实测地址索引向量在R-table中的地址,对该地址下的形状描述符进行投票,计算模板形状描述符中的每个元素在实测形状描述符中是否存在,若存在,则这两个点是匹配点,统计个数Num加1。为了有效地显示投票结果,体现实测工件的遮挡情况,本发明设计投票得分函数对其进行定量描述,利用该得分函数显示匹配的结果,其函数如公式(2)所示。
其中:Num是匹配的个数,iSumNum是模板轮廓重采样后轮廓点个数。
得分函数值的大小有效地显示了实测目标被遮挡的程度以及模板轮廓和实测轮廓的匹配程度,当得分函数值大于固定阈值时,说明目标存在,匹配成功。
当实测图像中存在待检测的工件时,在线过程可以有效地完成目标匹配,获得模板轮廓和实测轮廓匹配点。但是当重采样后的轮廓点个数为m,实测轮廓点个数为n时,对模板信息中任意一个形状描述符投票时,时间复杂度为o(m″),计算量大,因此,在投票之前,需要对实测形状描述符中的元素进行排序,利用二分查找法进行投票查询以提高投票效率。
第三步,目标定位,为实现待检测工件的精确定位,需要计算模板轮廓和实测轮廓之间的几何变换模型。本文设计基于得到的轮廓匹配点,利用最小二乘原理和Turkey权重,通过迭代计算模型变换参数;利用得到的模型参数对模板原始轮廓点进行几何变换以实现目标的精确定位。
首先针对给定两个来自不同坐标系中数据点集,计算出两个数据点集的间几何变换参数。基于得到的仿射变换模型,对原始的模板轮廓点坐标进行几何变换,求解出模板轮廓点在实测图像中的位置,对目标进行显示。
第四步,检查定位效果。多边形拟合算法可以有效的对轮廓进行拟合,提取出轮廓点曲率较大的轮廓点,对目标轮廓进行准确的近似。由于描述符信息是通过建立局部坐标系,计算轮廓点在局部坐标系下的特征值构建的,因此对角度旋转有较好的鲁棒性;同时,进行地址索引时,只要由实测轮廓分割点构建的实测地址索引向量在R-table中存在对应的索引向量,则可以准确地完成目标匹配,因此,即使目标被遮挡,只要得分函数大于设定的固定阈值,也能准确地实现目标匹配;本方法结果显示当实测图像中的工件发生平移、旋转、不同程度的遮挡时,均可以精确定位,且当实测图像中存在多个目标时候,也能精确定位。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (6)
1.一种基于边缘点局部特征值的目标匹配与定位方法,其包括以下步骤:
A、离线学习过程,提取模板图像的特征信息,构建形状描述符并建立R-table表;
B、在线过程,利用构建的实测形状描述符对R-table中模板信息进行投票,当投票得分大于阈值时,匹配成功;
C、目标定位,利用Turkey权重和最小二乘平差原理通过迭代求解模板轮廓和实测图像轮廓之间的仿射变换参数,并对模板轮廓进行仿射变换实现目标的精确定位。
2.根据权利要求1所述的遥感识别方法,其特征在于,所述步骤A具体的包括:利用提取的特征信息构建形状描述符,R-table表的过程。对模板图像进行处理,噪声干扰,最大类间方差法(OTSU)对目标和背景进行分割,针对目标轮廓,Douglas-Peucker算法计算轮廓分割点,基于任意3个分割点构建地址索引向量、建立局部直角坐标系、计算重采样后的轮廓点在局部坐标下的特征值构建描述符信息,描述符信息是对应地址索引下的模板信息,在离线过程中,需要计算所有坐标系下的形状描述符信息建立R-table表。
3.根据权利要求2所述的目标匹配与定位方法,其特征在于,所述步骤A具体的还包括:其中,多边形拟合算法,多边形近似算法是图像轮廓的一种近似描述,Douglas-Peucker算法采用了一种计算点直线的最大距离来寻找轮廓分割点的方法。
4.根据权利要求2所述的目标匹配与定位方法,其特征在于,所述步骤A具体的包括:构建模板信息,利用Douglas-Peucker算法对目标轮廓进行拟合,可得N个分割点,可构成个三角形,个坐标系。计算每个三角形的几何元素和轮廓点在局部坐标系下的特征值构建地址索引向量和对应索引地址下的形状描述符信息建立R-table表。
5.根据权利要求1所述的目标匹配与定位方法,其特征在于,所述步骤B具体的包括:对获取的实测图像,进行预处理、提取图像的边缘轮廓、多边形拟合得到轮廓分割点。首先任意选择3个点,构建实测地址索引向量,通过欧氏距离计算实测地址索引向量在R-table表中是否存在对应的地址,若存在,则利用这3个点建立直角坐标系,构建实测描述符信息,利用投票机制,对该地址下的模板描述符信息进行投票,若投票得分大于阈值,则实现匹配,若不存在,则重新选择3个点重复以上过程,若由实测分割点组成的所有实测索引向量在R-table表中都不存在,说明该实测目标不是待检测的目标。
6.根据权利要求1所述的目标匹配与定位方法,其特征在于,所述步骤C具体的包括:给定两个来自不同坐标系中数据点集,计算出两个数据点集的间几何变换参数;基于得到的仿射变换模型,对原始的模板轮廓点坐标进行几何变换,求解出模板轮廓点在实测图像中的位置,对目标进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910558169.1A CN110472651B (zh) | 2019-06-17 | 2019-06-17 | 一种基于边缘点局部特征值的目标匹配与定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910558169.1A CN110472651B (zh) | 2019-06-17 | 2019-06-17 | 一种基于边缘点局部特征值的目标匹配与定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472651A true CN110472651A (zh) | 2019-11-19 |
CN110472651B CN110472651B (zh) | 2022-11-29 |
Family
ID=68506991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910558169.1A Active CN110472651B (zh) | 2019-06-17 | 2019-06-17 | 一种基于边缘点局部特征值的目标匹配与定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472651B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784771A (zh) * | 2021-01-27 | 2021-05-11 | 浙江芯昇电子技术有限公司 | 人形检测方法、系统和监控设备 |
CN113538490A (zh) * | 2021-07-20 | 2021-10-22 | 刘斌 | 视频流处理方法及装置 |
CN114851206A (zh) * | 2022-06-06 | 2022-08-05 | 天津中科智能识别有限公司 | 基于视觉引导机械臂抓取炉具的方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1468004A (zh) * | 2002-06-27 | 2004-01-14 | 上海汉唐科技有限公司 | 基于时空梯度范围和分层结构的全局运动估计方法 |
US20040108999A1 (en) * | 2002-12-10 | 2004-06-10 | International Business Machines Corporation | System and method for performing domain decomposition for multiresolution surface analysis |
CN103400109A (zh) * | 2013-07-10 | 2013-11-20 | 西安交通大学 | 一种手绘草图离线识别与整形方法 |
CN103871048A (zh) * | 2013-12-31 | 2014-06-18 | 江南大学 | 一种基于直线基元的几何哈希法实时定位与匹配方法 |
CN104680519A (zh) * | 2015-02-06 | 2015-06-03 | 四川长虹电器股份有限公司 | 基于轮廓和颜色的七巧板识别方法 |
CN104978582A (zh) * | 2015-05-15 | 2015-10-14 | 苏州大学 | 基于轮廓弦角特征的遮挡目标识别方法 |
CN105046684A (zh) * | 2015-06-15 | 2015-11-11 | 华中科技大学 | 一种基于多边形广义霍夫变换的图像匹配方法 |
CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
CN107657659A (zh) * | 2017-08-14 | 2018-02-02 | 南京航空航天大学 | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 |
CN107895166A (zh) * | 2017-04-24 | 2018-04-10 | 长春工业大学 | 基于特征描述子的几何哈希法实现目标鲁棒识别的方法 |
CN108470349A (zh) * | 2018-03-29 | 2018-08-31 | 汕头大学 | 一种运动背景下的微小机械零件尺寸测量筛选方法 |
CN108562274A (zh) * | 2018-04-20 | 2018-09-21 | 南京邮电大学 | 一种基于标志器的非合作目标位姿测量方法 |
CN109544575A (zh) * | 2018-11-15 | 2019-03-29 | 西北工业大学 | 一种基于isar序列多边形匹配的三维轮廓重构方法 |
-
2019
- 2019-06-17 CN CN201910558169.1A patent/CN110472651B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1468004A (zh) * | 2002-06-27 | 2004-01-14 | 上海汉唐科技有限公司 | 基于时空梯度范围和分层结构的全局运动估计方法 |
US20040108999A1 (en) * | 2002-12-10 | 2004-06-10 | International Business Machines Corporation | System and method for performing domain decomposition for multiresolution surface analysis |
CN103400109A (zh) * | 2013-07-10 | 2013-11-20 | 西安交通大学 | 一种手绘草图离线识别与整形方法 |
CN103871048A (zh) * | 2013-12-31 | 2014-06-18 | 江南大学 | 一种基于直线基元的几何哈希法实时定位与匹配方法 |
CN104680519A (zh) * | 2015-02-06 | 2015-06-03 | 四川长虹电器股份有限公司 | 基于轮廓和颜色的七巧板识别方法 |
CN104978582A (zh) * | 2015-05-15 | 2015-10-14 | 苏州大学 | 基于轮廓弦角特征的遮挡目标识别方法 |
CN105046684A (zh) * | 2015-06-15 | 2015-11-11 | 华中科技大学 | 一种基于多边形广义霍夫变换的图像匹配方法 |
CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
CN107895166A (zh) * | 2017-04-24 | 2018-04-10 | 长春工业大学 | 基于特征描述子的几何哈希法实现目标鲁棒识别的方法 |
CN107657659A (zh) * | 2017-08-14 | 2018-02-02 | 南京航空航天大学 | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 |
CN108470349A (zh) * | 2018-03-29 | 2018-08-31 | 汕头大学 | 一种运动背景下的微小机械零件尺寸测量筛选方法 |
CN108562274A (zh) * | 2018-04-20 | 2018-09-21 | 南京邮电大学 | 一种基于标志器的非合作目标位姿测量方法 |
CN109544575A (zh) * | 2018-11-15 | 2019-03-29 | 西北工业大学 | 一种基于isar序列多边形匹配的三维轮廓重构方法 |
Non-Patent Citations (7)
Title |
---|
KUNHUI LIN等: "Noise Filtering, Trajectory Compression and Trajectory Segmentation on GPS Data", 《THE 11TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE & EDUCATION》 * |
任敬义: "自然场景中交通标志的检测与识别", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
余振军等: "局部遮挡条件下的普通工件定位检测", 《计算机工程与设计》 * |
化春键等: "基于形状上下文的工件边缘轮廓点匹配", 《光电子·激光》 * |
吴佩莉: "移动对象轨迹数据管理关键技术研究", 《中国博士学位论文全文数据库》 * |
白宇等: "基于多边形拟合的形状匹配与定位算法研究", 《激光与光电子学进展》 * |
罗磊等: "一种尖轨轮廓无损检测方法研究", 《激光杂志》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784771A (zh) * | 2021-01-27 | 2021-05-11 | 浙江芯昇电子技术有限公司 | 人形检测方法、系统和监控设备 |
CN113538490A (zh) * | 2021-07-20 | 2021-10-22 | 刘斌 | 视频流处理方法及装置 |
CN114851206A (zh) * | 2022-06-06 | 2022-08-05 | 天津中科智能识别有限公司 | 基于视觉引导机械臂抓取炉具的方法 |
CN114851206B (zh) * | 2022-06-06 | 2024-03-29 | 天津中科智能识别有限公司 | 基于视觉引导机械臂抓取炉具的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110472651B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609557B (zh) | 一种指针式仪表读数识别方法 | |
Tazir et al. | CICP: Cluster Iterative Closest Point for sparse–dense point cloud registration | |
Guo et al. | 3D object recognition in cluttered scenes with local surface features: A survey | |
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
Chua et al. | Point signatures: A new representation for 3d object recognition | |
CN103136525B (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN101303768B (zh) | 圆形标志点在摄像机透视投影变换时圆心偏差的修正方法 | |
CN101311963B (zh) | 摄像机定位用圆标志点圆心的图像投影点位置的获取方法 | |
CN110287873B (zh) | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 | |
López et al. | Two-view line matching algorithm based on context and appearance in low-textured images | |
US8280150B2 (en) | Method and apparatus for determining similarity between surfaces | |
Dibeklioglu et al. | 3D facial landmarking under expression, pose, and occlusion variations | |
CN110472651A (zh) | 一种基于边缘点局部特征值的目标匹配与定位方法 | |
CN109903313A (zh) | 一种基于目标三维模型的实时位姿跟踪方法 | |
CN102236794A (zh) | 3d场景中3d对象的识别和姿态确定 | |
US10025977B2 (en) | Method for identifying a sign on a deformed document | |
CN113160285B (zh) | 一种基于局部深度图像关键性的点云匹配方法 | |
CN103295239A (zh) | 一种基于平面基准影像的激光点云数据的自动配准方法 | |
CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
CN109074666B (zh) | 用于估计无纹理对象的姿势的系统和方法 | |
CN103700107B (zh) | 一种基于图像尖锐度分布的特征点匹配方法 | |
CN106682575A (zh) | Elm算法的人眼点云特征定位 | |
CN114648445B (zh) | 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法 | |
CN115457130A (zh) | 一种基于深度关键点回归的电动汽车充电口检测定位方法 | |
CN114358166B (zh) | 一种基于自适应k均值聚类的多目标定位方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Yu Zhenjun Inventor after: Jia Shang Feng Inventor before: Sun Lin Inventor before: Yu Zhenjun Inventor before: Jia Shang Feng |
|
GR01 | Patent grant | ||
GR01 | Patent grant |