CN110473236B - 一种道面图像检测用相机的偏置位置的测量方法 - Google Patents
一种道面图像检测用相机的偏置位置的测量方法 Download PDFInfo
- Publication number
- CN110473236B CN110473236B CN201910555231.1A CN201910555231A CN110473236B CN 110473236 B CN110473236 B CN 110473236B CN 201910555231 A CN201910555231 A CN 201910555231A CN 110473236 B CN110473236 B CN 110473236B
- Authority
- CN
- China
- Prior art keywords
- image
- delta
- offset
- adjacent
- camera
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种道面图像检测用相机的偏置位置的测量方法,包括以下步骤:对图像进行光照补偿和畸变校正处理;求得同一道相邻的图像之间的重叠率,根据重叠率提取并匹配相邻的图像的重合部分的匹配特征点对;计算所有匹配的特征点对的位置偏移的平均值,并调整同一道的图像;求得同一道任一相邻的图像的像素尺寸与实际尺寸的比例尺PPM的平均值avg_PPM;重新组合获得大图;计算相邻列相邻图像之间的位置偏移的平均值;计算相邻列相邻图像之间偏移像素距离;分别将相邻列相邻图像的实际的位置标签偏移和计算到的偏移量换算至道面检测机器人行进方向;测量道面检测机器人的位置中心与相机中心位置的间距;获得相邻列的相机偏置距离的修正值的平均值。
Description
技术领域
本发明涉及道面检测技术领域,尤其是一种道面图像检测用相机的偏置位置的测量方法。
背景技术
本文所述的相机特指搭载在道面检测机器人,用于对道面进行图像拍摄;其中,道面包括机动车道、非机动车道、飞机起降航道等等;在采集图像数据过程中,相机给每一幅图标定一个位置标签,后续的使用中,根据位置标签,结合图像特征点匹配结果,将所有图片拼接成一张大图。目前,现有技术是使用物理方式测量机器人的位置标定器的位置和采集的图像数据的图形中心的位置,其存在较大误差。另外,市面上并未涉及到关于道面检测用相机的偏置位置的测量方法。
发明内容
针对上述问题,本发明的目的在于提供一种道面图像检测用相机的偏置位置的测量方法,本发明采用的技术方案如下:
一种道面图像检测用相机的偏置位置的测量方法,包括以下步骤:
步骤S1,对道面检测机器人采集的图像进行光照补偿和畸变校正处理;所述道面检测机器人采用栅状折返方式采集道面的图像;任一图像具有一初始位置标签,并采用组合方式获得原始大图。
步骤S2,求得同一道相邻的图像之间的重叠率,根据重叠率提取并匹配相邻的图像的重合部分的匹配特征点对。
步骤S3,根据匹配的重叠区域的特征点,以同一道的第lmg_i幅图的位置为基准,计算第lmg_i+1幅图的所有匹配的特征点对的位置偏移的平均值(delta_x,delta_y);所述i为大于等于1的自然数。
步骤S4,以同一道的第lmg_i幅图的位置为基准,将lmg_i+1幅图移动(-delta_x,-delta_y);重复步骤S3至S4,直至完成任一道的图像均移动,获得任一图像移动后的位置标签。
步骤S5,计算同一道任一相邻的图像的像素尺寸与实际尺寸的比例尺PPM,其表达式为:
PPM=L_PIXLE/L_REAL
其中,L_PIXLE表示移动后相邻的图像的重合部分的图像中心的像素坐标间距,L_REAL表示相邻图像对应的实际中心间距。
步骤S6,求取比例尺PPM的平均值avg_PPM。
步骤S7,根据平均值avg_PPM和任一图像的初始位置标签,组合获得任一图像的初始位置标签不变的大图;
步骤S8,求得相邻列的图像的重叠区域,并进行重叠区域的特征点匹配;根据匹配的特征点计算相邻列相邻图像之间的位置偏移的平均值(delta_x1,delta_y1)。
步骤S9,计算相邻列相邻图像之间偏移像素距离L_PIXEL,其距离坐标为:
L_PIXEL=(delta_x1,delta_y1);
将偏移像素距离L_PIXEL转换成以米为单位的偏移量L_ldea1,其表示为:
L_ldeal=(delta_x1_ideal,delta_y1_ideal),
L_ldeal=L_PIXEL/avg_PPM。
步骤S10,分别将所述相邻列相邻图像的实际的位置标签偏移L_TAG(deltaX,deltaY)和计算到的偏移量L_ldeal换算至道面检测机器人行进方向,分别标记为L_TAG1和L_ldeal1;所述L_TAG1的坐标为(delta_x1_real,delta_y1_real),且所述L_ldeal1的坐标为(delta_x1_ideal1,delta_y1_ideal1),并进入步骤S12。
步骤S11,测量道面检测机器人的位置中心与相机中心位置的间距为L_DIFF。
步骤S12,根据换算至道面检测机器人行进方向的L_TAG1和L_ldeal1修正道面检测机器人的位置中心与相机中心位置的间距L_DIFF,以获得相机偏置距离的修正值Delta_Diff。
步骤S13,求得任一相邻列的相机偏置距离的修正值Delta_Diff的平均值,并作为道面检测机器人的当前修正值。
进一步地,所述步骤S1中,道面检测机器人采用栅状折返方式采集道面的图像,任一任务包含有两道任务,并将任一道图片折返起始的图像旋转180°;将道面检测机器人行进方向标记为第一方向,且将垂直于第一方向标记为第二方向。
优选地,所述步骤S2中,图像特征点提取采用ORB、SIFT或SURF任意之一算法;且图像特征匹配采用KNNMatch、RANSAC或匹配分数任意之一算法,以剔除错误的特征点匹配。
优选地,所述步骤S8中,图像特征点提取采用ORB、SIFT或SURF任意之一算法;且图像特征匹配采用KNNMatch、RANSAC或匹配分数任意之一算法,以剔除错误的特征点匹配。
优选地,所述步骤S11中,当道面检测机器人的位置中心与相机中心位置的间距L_DIFF与真实值的误差范围值在1mm内时,所述位置标签距离为L_TAG等于图像的实际的偏移量L_ldeal。
更进一步地,所述步骤S12中,获得相邻列的相机偏置距离的修正值Delta_Diff,具体步骤如下:
步骤S121,获取先后拍摄的任两张图像,并分别标记为图像A和图像B;所述图像A和图像B分别位于不同道中;所述图像A对应的道面检测机器人的初始位置标签为(xA,yA);所述图像B对应的道面检测机器人的初始位置标签为(xB,yB)。
步骤S122,将图像A和图像B的初始位置标签分别转换到以第一方向、第二方向为坐标基的坐标系,分别获得图像A和图像B的坐标为(xA_new_real,yA_new_real),(xB_new,yB_new_real)。
步骤S123,将L_ldeal1转换到以第一方向、第二方向为坐标基的坐标系中,其坐标为(delta_x1_ideal,delta_y1_ideal)。
步骤S124,所述相机沿道面检测机器人的行进方向的距离为:
delta_y1_real=(yB_new_real–Delta_Diff)-(yA_new_real+Delta_Diff)。
步骤S125,获得相邻列的相机偏置距离的修正值Delta_Diff,其表达式为:
Delta_Diff=((yB_new_real-yA_new_real)-delta_y1_ideal)/2。
与现有技术相比,本发明具有以下有益效果:
(1)本发明巧妙地采用光照补偿和畸变校正对道面检测机器人采集的图像进行处理,以提高图像采集的清晰度。
(2)本发明的道面检测机器人采用栅状折返方式采集道面的图像,并且将折返起始图像旋转180°,由于道面检测机器人检测的总面积较宽,单一方向路径检测是无法获取全部图像;传统的图像拼接方法无法适用于折返采集的大面积图像拼接。
(3)本发明采用检测并提取相邻的图像的重叠部分的特征点,以获取相对偏移量,如此设计的好处在于:既能减少特征点检测提取的工作量,又能获取图像间的调整量。
(4)本发明通过该ORB、SIFT或SURF算法提取重叠部分的特征点,并利用KNNMatch、RANSAC或匹配分数算法,剔除错误的特征点匹配,保证相机的偏置位置的测量更准确。
(5)本发明通过根据相邻列相邻图像的偏移量L_TAG1和L_ldeal1修正道面检测机器人的位置中心与相机中心位置的间距L_DIFF,以获得相机偏置距离的修正值Delta_Diff。如此设计的好处在于,相机和道面检测机器人中心的偏置距离精度可以到毫米级,保证道面检测更为准确。
综上所述,本发明具有逻辑简单、计算工作量少、准确度高等优点,在道面检测技术领域具有很高的实用价值和推广价值。
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使用的附图作简单介绍,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保护范围的限定,对于本领域技术人员来说,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为本发明的测量流程图。
图2本发明的同一道图像移动后示意图。
图3为本发明的相邻列相邻图像的示意图。
图4为本发明的相邻列相邻图像的特征点匹配图。
图5为本发明的相机偏置距离修正示意图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚,下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例
如图1至图5所示,本实施例提供了一种道面图像检测用相机的偏置位置的测量方法,其包括以下步骤:
第一步,对道面检测机器人采集的图像进行光照补偿和畸变校正处理;所述道面检测机器人采用栅状折返方式采集道面的图像;任一图像具有一初始位置标签,采用组合方式获得原始大图。任一任务包含有两道任务,并将任一道图片折返起始的图像旋转180°;将道面检测检测机器人行进方向标记为第一方向,且将垂直于第一方向标记为第二方向。
第二步,求得同一道相邻的图像之间的重叠率,根据重叠率提取并匹配相邻的图像的重合部分的匹配特征点对。其中,图像特征点提取采用ORB、SIFT或SURF任意之一算法;且图像特征匹配采用KNNMatch、RANSAC或匹配分数任意之一算法,以剔除错误的特征点匹配。由于ORB、SIFT、SURFKNNMatch、RANSAC或匹配分数等算法均为现有技术,在此就不予过多赘述。
第三步,根据匹配的重叠区域的特征点,以同一道的第lmg_i幅图的位置为基准,计算第lmg_i+1幅图的所有匹配的特征点对的位置偏移的平均值(delta_x,delta_y);所述i为大于等于1的自然数。
第四步,以同一道的第lmg_i幅图的位置为基准,将lmg_i+1幅图移动(-delta_x,-delta_y);重复第三步至第四步,直至完成任一道的图像均移动,获得任一图像移动后的位置标签。
第五步,计算同一道任一相邻的图像的像素尺寸与实际尺寸的比例尺PPM,其表达式为:
PPM=L_PIXLE/L_REAL
其中,L_PIXLE表示移动后相邻的图像的重合部分的图像中心的像素坐标间距,L_REAL表示相邻图像对应的实际中心间距。
第六步,求取比例尺PPM的平均值avg_PPM;为减小误差,计算所有道内相邻图像的匹配关系,每匹配上的道内的图像对,都可以计算出计算出PPM,然后便可求得其平均值avg_PPM。跟据计算的PPM以及各图像数据的位置标签,可以决定每张小图在最终的大图上位置,所以,保持原始图像不缩放,将本次测试图像(两道),生成一个大图,如图2所示。
第七步,根据平均值avg_PPM和任一图像的初始位置标签,组合获得任一图像的初始位置标签不变的大图。此时保证,每个图像的位置是没有移动的,保证后续算出来的修正值是在最开始的位置标签的基础上的。
第八步,求得相邻列的图像的重叠区域,并进行重叠区域的特征点匹配;根据匹配的特征点计算相邻列相邻图像之间的位置偏移的平均值(delta_x1,delta_y1)。与第二步相同,图像特征点提取采用ORB、SIFT或SURF任意之一算法;且图像特征匹配采用KNNMatch、RANSAC或匹配分数任意之一算法,以剔除错误的特征点匹配。
第九步,计算相邻列相邻图像之间偏移像素距离L_PIXEL,其距离坐标为:
L_PIXEL=(delta_x1,delta_y1);
将偏移像素距离L_PIXEL转换成以米为单位的偏移量表示为:
L_ldeal=(delta_x1_ideal,delta_y1_ideal),
L_ldeal=L_PIXEL/avg_PPM;
第十步,分别将所述相邻列相邻图像的实际的位置标签偏移L_TAG(deltaX,deltaY)和计算到的偏移量L_ldeal换算至道面检测机器人行进方向,分别标记为L_TAG1和L_ldeal1;所述L_TAG1的坐标为(delta_x1_real,delta_y1_real),且所述L_ldeal1的坐标为(delta_x1_ideal1,delta_y1_ideal1),并进入第十二步;
第十一步,测量道面检测机器人的位置中心与相机中心位置的间距为L_DIFF。在此,当道面检测机器人的位置中心与相机中心位置的间距L_DIFF与真实值的误差范围值在1mm内时,所述位置标签距离为L_TAG等于图像的实际的偏移量L_ldeal。
第十二步,根据换算至道面检测机器人行进方向的L_TAG1和L_ldeal1修正道面检测机器人的位置中心与相机中心位置的间距L_DIFF,以获得相邻列的相机偏置距离的修正值Delta_Diff。具体如下:
(1)获取先后拍摄的任两张图像,并分别标记为A和B;所述图像A和图像B分别位于不同道中;所述图像A对应的道面检测机器人的初始位置标签为(xA,yA);所述图像B对应的道面检测机器人的初始位置标签为(xB,yB)。
(2)将图像A和图像B的初始位置标签分别转换到以第一方向、第二方向为坐标基的坐标系,分别获得图像A和图像B的坐标为(xA_new_real,yA_new_real),(xB_new,yB_new_real)。
(3)将L_ldeal1转换到以第一方向、第二方向为坐标基的坐标系中,其坐标为(delta_x1_ideal,delta_y1_ideal)。
(4)所述相机沿道面检测机器人的行进方向的距离为:
delta_y1_real=(yB_new_real–Delta_Diff)-(yA_new_real+Delta_Diff)。
(5)获得相邻列的相机偏置距离的修正值Delta_Diff,其表达式为:
Delta_Diff=((yB_new_real-yA_new_real)-delta_y1_ideal)/2。
第十三步,求得任一相邻列的相机偏置距离的修正值Delta_Diff的平均值,并作为道面检测机器人的当前修正值。
本发明通过特征点匹配的方式获取相邻列相邻图像的的坐标,并根据相邻列相邻图像的偏移量修正道面检测机器人的位置中心与相机中心位置的间距,以获得准确的道面图像检测用相机的偏置位置。与现有技术相比,具有突出的实质性特点和显著的进步,在道面检测技术领域具有很高的实用价值和推广价值。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而作出的变化,均应属于本发明的保护范围之内。
Claims (6)
1.一种道面图像检测用相机的偏置位置的测量方法,其特征在于,包括以下步骤:
步骤S1,对道面检测机器人采集的图像进行光照补偿和畸变校正处理;所述道面检测机器人采用栅状折返方式采集道面的图像;任一图像具有一初始位置标签,并采用组合方式获得原始大图;
步骤S2,求得同一道相邻的图像之间的重叠率,根据重叠率提取并匹配相邻的图像的重合部分的匹配特征点对;
步骤S3,根据匹配的重叠区域的特征点,以同一道的第lmg_i幅图的位置为基准,计算第lmg_i+1幅图的所有匹配的特征点对的位置偏移的平均值(delta_x,delta_y);所述i为大于等于1的自然数;
步骤S4,以同一道的第lmg_i幅图的位置为基准,将lmg_i+1幅图移动(-delta_x,-delta_y);重复步骤S3至S4,直至完成任一道的图像均移动,获得任一图像移动后的位置标签;
步骤S5,计算同一道任一相邻的图像的像素尺寸与实际尺寸的比例尺PPM,其表达式为:
PPM=L_PIXLE/L_REAL
其中,L_PIXLE表示移动后相邻的图像的重合部分的图像中心的像素坐标间距,L_REAL表示相邻图像对应的实际中心间距;
步骤S6,求取比例尺PPM的平均值avg_PPM;
步骤S7,根据平均值avg_PPM和任一图像的初始位置标签,组合获得任一图像的初始位置标签不变的大图;
步骤S8,求得相邻列的图像的重叠区域,并进行重叠区域的特征点匹配;根据匹配的特征点计算相邻列相邻图像之间的位置偏移的平均值(delta_x1,delta_y1);
步骤S9,计算相邻列相邻图像之间偏移像素距离L_PIXEL,其距离坐标为:
L_PIXEL=(delta_x1,delta_y1);
将偏移像素距离L_PIXEL转换成以米为单位的偏移量L_ldeal,其表示为:
L_ldeal=(delta_x1_ideal,delta_y1_ideal),
L_ldeal=L_PIXEL/avg_PPM;
步骤S10,分别将所述相邻列相邻图像的实际的位置标签偏移L_TAG(deltaX,deltaY)和计算到的偏移量L_ldeal换算至道面检测机器人行进方向,分别标记为L_TAG1和L_ldeal1;所述L_TAG1的坐标为(delta_x1_real,delta_y1_real),且所述L_ldeal1的坐标为(delta_x1_ideal1,delta_y1_ideal1),并进入步骤S12;
步骤S11,测量道面检测机器人的位置中心与相机中心位置的间距为L_DIFF;
步骤S12,根据换算至道面检测机器人行进方向的L_TAG1和L_ldeal1修正道面检测机器人的位置中心与相机中心位置的间距L_DIFF,以获得相邻列的相机偏置距离的修正值Delta_Diff;
步骤S13,求得任一相邻列的相机偏置距离的修正值Delta_Diff的平均值,并作为道面检测机器人的当前修正值。
2.根据权利要求1所述的一种道面图像检测用相机的偏置位置的测量方法,其特征在于,所述步骤S1中,道面检测机器人采用栅状折返方式采集道面的图像,任一任务包含有两道任务,并将任一道图片折返起始的图像旋转180°;将道面检测机器人行进方向标记为第一方向,且将垂直于第一方向标记为第二方向。
3.根据权利要求1所述的一种道面图像检测用相机的偏置位置的测量方法,其特征在于,所述步骤S2中,图像特征点提取采用ORB、SIFT或SURF任意之一算法;且图像特征匹配采用KNNMatch、RANSAC或匹配分数任意之一算法,以剔除错误的特征点匹配。
4.根据权利要求1所述的一种道面图像检测用相机的偏置位置的测量方法,其特征在于,所述步骤S8中,图像特征点提取采用ORB、SIFT或SURF任意之一算法;且图像特征匹配采用KNNMatch、RANSAC或匹配分数任意之一算法,以剔除错误的特征点匹配。
5.根据权利要求1所述的一种道面图像检测用相机的偏置位置的测量方法,其特征在于,所述步骤S11中,当道面检测机器人的位置中心与相机中心位置的间距L_DIFF与真实值的误差范围值在1mm内时,所述位置标签距离为L_TAG等于图像的实际的偏移量L_ldeal。
6.根据权利要求2所述的一种道面图像检测用相机的偏置位置的测量方法,其特征在于,所述步骤S12中,获得相邻列的相机偏置距离的修正值Delta_Diff,具体步骤如下:
步骤S121,获取先后拍摄的任两张图像,并分别标记为图像A和图像B;所述图像A和图像B分别位于不同道中;所述图像A对应的道面检测机器人的初始位置标签为(xA,yA);所述图像B对应的道面检测机器人的初始位置标签为(xB,yB);
步骤S122,将图像A和图像B的初始位置标签分别转换到以第一方向、第二方向为坐标基的坐标系,分别获得图像A和图像B的坐标为(xA_new_real,yA_new_real),(xB_new,yB_new_real);
步骤S123,将L_ldeal1转换到以第一方向、第二方向为坐标基的坐标系中,其坐标为(delta_x1_ideal,delta_y1_ideal);
步骤S124,所述相机沿道面检测机器人的行进方向的距离为:
delta_y1_real=(yB_new_real–Delta_Diff)-(yA_new_real+Delta_Diff);
步骤S125,获得相邻列的相机偏置距离的修正值Delta_Diff,其表达式为:
Delta_Diff=((yB_new_real-yA_new_real)-delta_y1_ideal)/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910555231.1A CN110473236B (zh) | 2019-06-25 | 2019-06-25 | 一种道面图像检测用相机的偏置位置的测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910555231.1A CN110473236B (zh) | 2019-06-25 | 2019-06-25 | 一种道面图像检测用相机的偏置位置的测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110473236A CN110473236A (zh) | 2019-11-19 |
CN110473236B true CN110473236B (zh) | 2022-03-15 |
Family
ID=68506990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910555231.1A Active CN110473236B (zh) | 2019-06-25 | 2019-06-25 | 一种道面图像检测用相机的偏置位置的测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110473236B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140132707A1 (en) * | 2011-09-05 | 2014-05-15 | Mitsubishi Electric Corporation | Image processing apparatus and image processing method |
CN104463786A (zh) * | 2014-12-03 | 2015-03-25 | 中国科学院自动化研究所 | 一种移动机器人图像拼接方法及装置 |
CN105869120A (zh) * | 2016-06-16 | 2016-08-17 | 哈尔滨工程大学 | 一种图像拼接的实时性优化方法 |
CN106600592A (zh) * | 2016-12-14 | 2017-04-26 | 中南大学 | 一种基于连续帧图像拼接的轨道长弦测量方法 |
CN107808362A (zh) * | 2017-11-15 | 2018-03-16 | 北京工业大学 | 一种基于无人机pos信息与图像surf特征结合的图像拼接方法 |
CN107886531A (zh) * | 2017-12-15 | 2018-04-06 | 武汉智能鸟无人机有限公司 | 一种基于激光测距以及物方匹配的虚拟控制点获取方法 |
CN108109112A (zh) * | 2018-01-16 | 2018-06-01 | 上海同岩土木工程科技股份有限公司 | 一种基于Sift特征的隧道展布图拼接参数处理方法 |
CN109005349A (zh) * | 2018-08-23 | 2018-12-14 | 上海圭目机器人有限公司 | 基于智能平台面阵相机采集的机场道面表面图像改进拼接方法 |
CN109064409A (zh) * | 2018-10-19 | 2018-12-21 | 广西师范大学 | 一种移动机器人的视觉图像拼接系统及方法 |
-
2019
- 2019-06-25 CN CN201910555231.1A patent/CN110473236B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140132707A1 (en) * | 2011-09-05 | 2014-05-15 | Mitsubishi Electric Corporation | Image processing apparatus and image processing method |
CN104463786A (zh) * | 2014-12-03 | 2015-03-25 | 中国科学院自动化研究所 | 一种移动机器人图像拼接方法及装置 |
CN105869120A (zh) * | 2016-06-16 | 2016-08-17 | 哈尔滨工程大学 | 一种图像拼接的实时性优化方法 |
CN106600592A (zh) * | 2016-12-14 | 2017-04-26 | 中南大学 | 一种基于连续帧图像拼接的轨道长弦测量方法 |
CN107808362A (zh) * | 2017-11-15 | 2018-03-16 | 北京工业大学 | 一种基于无人机pos信息与图像surf特征结合的图像拼接方法 |
CN107886531A (zh) * | 2017-12-15 | 2018-04-06 | 武汉智能鸟无人机有限公司 | 一种基于激光测距以及物方匹配的虚拟控制点获取方法 |
CN108109112A (zh) * | 2018-01-16 | 2018-06-01 | 上海同岩土木工程科技股份有限公司 | 一种基于Sift特征的隧道展布图拼接参数处理方法 |
CN109005349A (zh) * | 2018-08-23 | 2018-12-14 | 上海圭目机器人有限公司 | 基于智能平台面阵相机采集的机场道面表面图像改进拼接方法 |
CN109064409A (zh) * | 2018-10-19 | 2018-12-21 | 广西师范大学 | 一种移动机器人的视觉图像拼接系统及方法 |
Non-Patent Citations (3)
Title |
---|
《Image splicing detection based on inter-scale 2D joint characteristic function moments in wavelet domain》;Tae Hee Park,et al;《EURASIP Journal on Image and Video Processing》;20161231;全文 * |
《基于特征点检测的重叠图像拼接算法》;李原福等;《吉林大学学报(信息科学版)》;20101130;全文 * |
《边缘重叠图像拼接中的特征块选取》;王玉珍;《西北师范大学学报(自然科学版)》;20021231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110473236A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301654B (zh) | 一种多传感器的高精度即时定位与建图方法 | |
CN104897175B (zh) | 多相机光学推扫卫星在轨几何定标方法及系统 | |
US11908163B2 (en) | Multi-sensor calibration system | |
US20040066454A1 (en) | Device and method of measuring data for calibration, program for measuring data for calibration, program recording medium readable with computer, and image data processing device | |
CN107991676B (zh) | 星载单航过InSAR系统对流层误差校正方法 | |
CN106709944B (zh) | 卫星遥感图像配准方法 | |
CN109491384B (zh) | 一种道路划线数据的获取方法及装置 | |
CN105118086A (zh) | 3d-aoi设备中的3d点云数据配准方法及系统 | |
EP3550259B1 (en) | Marker and posture estimation method using marker | |
EP3929872A1 (en) | Multi-sensor calibration system | |
CN110488838A (zh) | 一种室内自主导航机器人精确重复定位方法 | |
CN108562900B (zh) | 一种基于高程校正的sar图像几何配准方法 | |
CN115201883A (zh) | 一种运动目标视频定位测速系统及方法 | |
CN102999895B (zh) | 利用两个同心圆线性求解摄像机内参数 | |
CN116597013A (zh) | 一种基于不同经纬度区域的卫星图像几何定标方法 | |
CN102147249B (zh) | 基于直线特征的星载光学线阵影像精确纠正处理方法 | |
CN113340304B (zh) | 坡度提取方法及装置 | |
CN110473236B (zh) | 一种道面图像检测用相机的偏置位置的测量方法 | |
CN102620745B (zh) | 一种机载imu视准轴误差检校方法 | |
WO2020113978A1 (zh) | 位于平面上的孔的中心位置的计算方法 | |
CN117092621A (zh) | 基于光线追踪校正的高光谱图像-点云立体配准方法 | |
Zhang | Photogrammetric processing of low altitude image sequences by unmanned airship | |
CN110686593B (zh) | 一种测量拼接焦平面中图像传感器相对位置关系的方法 | |
CN108871377B (zh) | 基于类椭圆模型的恒星成像误差修正方法 | |
CN111044076A (zh) | 基于参考底图的高分一号b卫星几何检校方法 |
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 |