CN110706291A - 一种适用于水池实验中运动物体三维轨迹的视觉测量方法 - Google Patents
一种适用于水池实验中运动物体三维轨迹的视觉测量方法 Download PDFInfo
- Publication number
- CN110706291A CN110706291A CN201910914339.5A CN201910914339A CN110706291A CN 110706291 A CN110706291 A CN 110706291A CN 201910914339 A CN201910914339 A CN 201910914339A CN 110706291 A CN110706291 A CN 110706291A
- Authority
- CN
- China
- Prior art keywords
- underwater
- neural network
- convolutional neural
- camera
- image
- 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.)
- Pending
Links
- 238000002474 experimental method Methods 0.000 title claims abstract description 33
- 230000000007 visual effect Effects 0.000 title claims abstract description 26
- 238000000691 measurement method Methods 0.000 title claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000003384 imaging method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 230000036544 posture Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M10/00—Hydrodynamic testing; Arrangements in or on ship-testing tanks or water tunnels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fluid Mechanics (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明属于海洋工程水池实验领域,目的在于提供一种适用于水池实验中运动物体三维轨迹的视觉测量方法,包括以下步骤:建立水下非线性摄像机模型,对水下摄像机进行标定;采集目标对象的水下图像,组成卷积神经网络的训练图集作为卷积神经网络训练输入;建立卷积神经网络模型进行训练;布置水下摄像机,采集水下彩色图像作为卷积神经网络的输入,卷积神经网络输出被测对象特征点的图像坐标;采用PnP算法获取物体的定位信息;将每帧图像数据组合。本发明解决了现有水池实验中运动物体轨迹测量技术存在的问题,有效避免了传统定位方法中针对目标细节特征的识别,极大地简化了计算过程。
Description
技术领域
本发明属于海洋工程水池实验领域,具体为一种适用于水池实验中运动物体三维轨迹的视觉测量方法。
背景技术
水下目标定位技术是通过视觉传感器获取水下目标图像,通过后处理对目标对象进行定位,在军事技术与水下资源开发利用中有着广泛的应用。
在许多海洋工程水下实验中,必须测量物体的三维运动轨迹。当运动物体不能外接缆线或者对缆线的刚度存在要求时,接触式测量工具将不再适用,水声定位和视觉定位等非接触式测量方法能够满足实验要求。然而,水声定位在近距离测量并不准确,不适用于水池实验。
传统的单目定位方法中,获取目标深度信息的过程复杂,且由于水下复杂环境、恶劣的成像条件以及目标运动的影响,容易造成特征丢失的现象,并且定位过程计算速度慢,不适用于需要实时定位的水下实验测量系统。
发明内容
本发明的目的在于提供一种基于卷积神经网络的适用于水池实验中运动物体三维轨迹的视觉测量方法。
为了实现本发明的目的,采用的技术方案是:
一种适用于水池实验中运动物体三维轨迹的视觉测量方法,包括以下步骤:
步骤一:建立含有畸变项的水下非线性摄像机模型,通过标定板对水下摄像机进行标定;
步骤二:采集目标对象一定数量的不同姿态的水下图像,组成卷积神经网络的训练图集,作为卷积神经网络训练输入;
步骤三:建立卷积神经网络模型,进行卷积神经网络训练;
步骤四:布置水下摄像机,采集水下彩色图像作为卷积神经网络的输入,卷积神经网络输出被测对象特征点的图像坐标;
步骤五:通过2D图像与3D物体之间点的对应关系,采用PnP算法获取物体的定位信息;
步骤六:将每帧图像数据组合。
所述建立水下非线性摄像机模型的详细过程如下所示,
假设空间一点PW(XW,YW,ZW)对应的摄像机坐标系下坐标为(XC,YC,ZC),在图像物理坐标系下投影坐标为(x,y),以图像左上角点为原点建立图像像素坐标系O-uv,则空间点在摄像机坐标系下的坐标与在图像物理坐标系下的投影坐标之间几何变换关系为:
其中:λ为深度系数,f为相机焦距,dx与dy为分别为每个像素沿x轴与y轴的实际尺寸, (u0,v0)为光心在像素坐标系下的坐标,矩阵R和向量T分别为由世界坐标系到摄像机坐标系的旋转矩阵与平移向量;
引入二阶径向畸变对摄像机模型进行修正,畸变后的成像点坐标(xd,yd)与理想成像点坐标(x,y)之间关系为:
其中,k1、k2为摄像机的畸变系数,具体数值由摄像机标定获得。
最终得到完整的水下非线性摄像机模型为:
并基于该模型采用张正友法对水下摄像机进行参数标定。
所述卷积神经网络模型,包含卷积层和池化层,卷积层包含多个卷积滤波器,每个卷积滤波器大小相同,权值不同。
所述卷积神经网络以彩色图像作为输入,以特征点坐标作为输出,并采用ImageNet数据集对所述卷积神经网络的权重进行初始化。
所述水下摄像机的布置按照覆盖物体运动范围的原则进行布置,要求相邻两摄像机视野有部分重合。
所述拍摄的图像分为S×S的规则网格,每一个网格具有与之相关联的多维向量,该多维向量包含预测的特征点的2D图像位置以及计算得到的平均置信度值。
所述特征点为与物体边缘贴合的包围盒的八个角点以及物体模型质心。
所述特征点的图像坐标预测:对于对象质心,在预测过程中会被限制位于网格内部;对于包围盒角点,则不进行限制,即可以位于网格外部;当图像投影分布于多个网格区间内时,选取置信度分数最高的网格单元四周3×3的网格邻域进行检测。
本发明的有益效果为:
本发明提出一种适用于水池实验中运动物体三维轨迹的视觉测量方法,解决了现有水池实验中运动物体轨迹测量技术存在的问题,从测量目标的整体特征出发,采用长方体包围盒对测量目标进行等效替代,有效避免了传统定位方法中针对目标细节特征的识别,极大地简化了计算过程,该方法便于实施,可以应用到实际的水池实验水下视觉测量任务当中去。
附图说明
图1为本发明的流程示意图;
图2为本发明的摄像机成像模型图;
图3为本发明的摄像机布置示意图;
图4为本发明的网格单元划分示意图;
图5为本发明的目标包围盒示意图;
图6为本发明的水下运动物体三维轨迹示意图。
具体实施方式
下面结合附图1-6对本发明做进一步详细描述:
本发明属于海洋工程水池实验领域,具体为一种适用于水池实验中运动物体三维轨迹的视觉测量方法。目的在于提供一种基于卷积神经网络的适用于水池实验中运动物体三维轨迹的视觉测量方法。
为了实现本发明的目的,采用的技术方案是:
一种适用于水池实验中运动物体三维轨迹的视觉测量方法,包括以下步骤:
步骤一:建立含有畸变项的水下非线性摄像机模型,通过标定板对水下摄像机进行标定;
步骤二:采集目标对象一定数量的不同姿态的水下图像,组成卷积神经网络的训练图集,作为卷积神经网络训练输入;
步骤三:建立卷积神经网络模型,进行卷积神经网络训练;
步骤四:布置水下摄像机,采集水下彩色图像作为卷积神经网络的输入,卷积神经网络输出被测对象特征点的图像坐标;
步骤五:通过2D图像与3D物体之间点的对应关系,采用PnP算法获取物体的定位信息;
步骤六:将每帧图像数据组合得到水下运动物体三维轨迹。
所述的水下非线性摄像机模型如下所示
假设空间一点PW(XW,YW,ZW)对应的摄像机坐标系下坐标为(XC,YC,ZC),在图像物理坐标系下投影坐标为(x,y),以图像左上角点为原点建立图像像素坐标系O-uv,则空间点在摄像机坐标系下的坐标与在图像物理坐标系下的投影坐标之间几何变换关系为:
其中:λ为深度系数,f为相机焦距,dx与dy为分别为每个像素沿x轴与y轴的实际尺寸, (u0,v0)为光心在像素坐标系下的坐标,矩阵R和向量T分别为由世界坐标系到摄像机坐标系的旋转矩阵与平移向量;
引入二阶径向畸变对摄像机模型进行修正,畸变后的成像点坐标(xd,yd)与理想成像点坐标(x,y)之间关系为:
其中,k1、k2为摄像机的畸变系数,具体数值由摄像机标定获得。
最终得到完整的水下非线性摄像机模型为:
然后基于该模型采用张正友法对水下摄像机进行参数标定。
所述卷积神经网络模型,包含卷积层和池化层,卷积层包含多个卷积滤波器,每个卷积滤波器大小相同,权值不同;
所述卷积神经网络以彩色图像作为输入,以特征点坐标作为输出,并采用ImageNet数据集对所述卷积神经网络的权重进行初始化。
所述水下摄像机的布置按照覆盖物体运动范围的原则进行布置,要求相邻两摄像机视野有部分重合。
所述拍摄的图像分为S×S的规则网格,每一个网格具有与之相关联的多维向量,该多维向量包含预测的特征点的2D图像位置以及计算得到的平均置信度值。
所述特征点为与物体边缘贴合的包围盒的八个角点以及物体模型质心。
所述特征点的图像坐标预测:对于对象质心,在预测过程中会被限制位于网格内部;对于包围盒角点,则不进行限制,即可以位于网格外部;当图像投影分布于多个网格区间内时,选取置信度分数最高的网格单元四周3×3的网格邻域进行检测。
进一步详细描述如下:
为解决现有技术存在的问题,本发明提出一种适用于水池实验中运动物体三维轨迹的视觉测量方法,从目标对象的整体特征出发,采用长方体包围盒对目标对象进行等效替代,有效的避免了传统视觉定位方法中对目标细节特征的识别,极大地简化了计算过程,该方法便于实施,可以应用到实际的水下检测任务当中去。
所需设备包括计算机、水下摄像头、水下照明设备、图像采集卡。水下摄像头与水下照明设备均置于水下,水下摄像头拍摄图像,通过图像采集卡采集水下摄像机拍摄图像,并在计算机中作为卷积神经网络输入。
下面将以方箱的悬垂下放试验为例进行研究,实验中物体的运动可以分为垂直下落阶段 (初始阶段近似垂直下落)与悬垂下放阶段(悬垂单摆下落运动)。由于单个摄像机视野较小,物体运动轨迹跨度较大,故单个摄像机无法拍摄完整的运动轨迹。为了解决这一问题,本实例使用了三个摄像机,完整的覆盖目标对象的运动轨迹。
本发明的具体实施步骤为:
步骤1:建立含有畸变项的水下非线性摄像机模型,通过标定板对水下摄像机进行标定;
摄像机的非线性模型如下:
基于上述模型采用张正友法对摄像机进行标定,使用棋盘格作为标定板,最终获得摄像机的内参数矩阵M1和畸变参数k1与k2,其中摄像机的内参数矩阵M1如下:
步骤2:采集目标对象一定数量的不同姿态的水下图像,组成卷积神经网络的训练图集,作为卷积神经网络训练输入;
在水下布置摄像机以及定位目标;
拍摄足够数量的定位目标的水下图像组成训练图集,作为卷积神经网络的训练输入;
利用得到的畸变参数对拍摄图像进行畸变校正;
步骤3:建立卷积神经网络模型,进行卷积神经网络训练;
建立卷积神经网络模型,卷积神经网络以彩色图像作为输入,以特征点坐标作为输出;
采用ImageNet数据集对所述卷积神经网络的权重进行初始化;
将预先拍摄的图像输入卷积神经网络进行训练;
采用梯度下降法更新权重,迭代训练并输出最终的特征点坐标。
步骤4:布置摄像机,采集水下彩色图像作为卷积神经网络的输入,卷积神经网络输出被测对象特征点的图像坐标;
如图3所示,在水下按照覆盖完整运动轨迹的原则布置摄像机,要求相邻两摄像机视野有部分重合;
在该步骤中,卷积神经网络对图像处理的流程如下:
如图4所示,将图像分为S×S的规则网格,每一个网格具有与之相关联的多维向量,该多维向量包含预测的特征点的2D图像位置以及计算得到的平均置信度值;
计算每个网格单元置信度评分,裁剪置信度评分低的网格单元。
如图5所示,采用与物体边缘贴合的长方体包围盒对物体进行包裹,包围盒的8个角点以及物体模型质心作为特征点;
卷积神经网络最终层输出特征点图像坐标;
步骤5:通过2D图像与3D物体之间点的对应关系,采用Perspective-n-Point(PnP)算法进行求解,进而获取物体的定位信息。
步骤6:将每帧图像数据组合得到水下运动物体三维轨迹。
根据本发明方法得到的水下运动物体三维轨迹曲线如图6所示。
实验证明,本发明提出的方法可以获得较高精度并且具有良好实时性轨迹检测。
尽管上面已经示出和描述了本发明的实施例,但本发明并不限于上述实施方式,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明范围内可以对上述实施例进行变化、修改、替换和变型。
综上所述,本发明属于海洋工程水池实验领域,目的在于提供一种适用于水池实验中运动物体三维轨迹的视觉测量方法,包括以下步骤:建立水下非线性摄像机模型,对水下摄像机进行标定;采集目标对象的水下图像,组成卷积神经网络的训练图集作为卷积神经网络训练输入;建立卷积神经网络模型进行训练;布置水下摄像机,采集水下彩色图像作为卷积神经网络的输入,卷积神经网络输出被测对象特征点的图像坐标;采用PnP算法获取物体的定位信息;将每帧图像数据组合得到水下运动物体三维轨迹。本发明解决了现有水池实验中运动物体轨迹测量技术存在的问题,有效避免了传统定位方法中针对目标细节特征的识别,极大地简化了计算过程。
Claims (8)
1.一种适用于水池实验中运动物体三维轨迹的视觉测量方法,其特征在于,包括以下步骤:
步骤一:建立含有畸变项的水下非线性摄像机模型,通过标定板对水下摄像机进行标定;
步骤二:采集目标对象一定数量的不同姿态的水下图像,组成卷积神经网络的训练图集,作为卷积神经网络训练输入;
步骤三:建立卷积神经网络模型,进行卷积神经网络训练;
步骤四:布置水下摄像机,采集水下彩色图像作为卷积神经网络的输入,卷积神经网络输出被测对象特征点的图像坐标;
步骤五:通过2D图像与3D物体之间点的对应关系,采用PnP算法获取物体的定位信息;
步骤六:将每帧图像数据组合。
2.根据权利要求1所述的一种适用于水池实验中运动物体三维轨迹的视觉测量方法,其特征在于,所述的水下非线性摄像机模型如下所示,
假设空间一点PW(XW,YW,ZW)对应的摄像机坐标系下坐标为(XC,YC,ZC),在图像物理坐标系下投影坐标为(x,y),以图像左上角点为原点建立图像像素坐标系O-uv,则空间点在摄像机坐标系下的坐标与在图像物理坐标系下的投影坐标之间几何变换关系为
其中:λ为深度系数,f为相机焦距,dx与dy为分别为每个像素沿x轴与y轴的实际尺寸,(u0,v0)为光心在像素坐标系下的坐标,矩阵R和向量T分别为由世界坐标系到摄像机坐标系的旋转矩阵与平移向量;
引入二阶径向畸变对摄像机模型进行修正,畸变后的成像点坐标(xd,yd)与理想成像点坐标(x,y)之间关系为
其中,k1、k2为摄像机的畸变系数,具体数值由摄像机标定获得。
最终得到完整的水下非线性摄像机模型为
然后基于该模型采用张正友法对水下摄像机进行参数标定。
3.根据权利要求1所述的一种适用于水池实验中运动物体三维轨迹的视觉测量方法,其特征在于,所述卷积神经网络模型,包含卷积层和池化层,卷积层包含多个卷积滤波器,每个卷积滤波器大小相同,权值不同。
4.根据权利要求1所述的一种适用于水池实验中运动物体三维轨迹的视觉测量方法,其特征在于,所述卷积神经网络以彩色图像作为输入,以特征点坐标作为输出,并采用ImageNet数据集对所述卷积神经网络的权重进行初始化。
5.根据权利要求1所述的一种适用于水池实验中运动物体三维轨迹的视觉测量方法,其特征在于,所述水下摄像机的布置按照覆盖物体运动范围的原则进行布置,要求相邻两摄像机视野有部分重合。
6.根据权利要求1所述的一种适用于水池实验中运动物体三维轨迹的视觉测量方法,其特征在于,所述拍摄的图像分为S×S的规则网格,每一个网格具有与之相关联的多维向量,该多维向量包含预测的特征点的2D图像位置以及计算得到的平均置信度值。
7.根据权利要求1所述的一种适用于水池实验中运动物体三维轨迹的视觉测量方法,其特征在于,所述特征点为与物体边缘贴合的包围盒的八个角点以及物体模型质心。
8.根据权利要求1所述的一种适用于水池实验中运动物体三维轨迹的视觉测量方法,其特征在于,所述特征点的图像坐标预测:对于对象质心,在预测过程中会被限制位于网格内部;对于包围盒角点,则不进行限制,即可以位于网格外部;当图像投影分布于多个网格区间内时,选取置信度分数最高的网格单元四周3×3的网格邻域进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914339.5A CN110706291A (zh) | 2019-09-26 | 2019-09-26 | 一种适用于水池实验中运动物体三维轨迹的视觉测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914339.5A CN110706291A (zh) | 2019-09-26 | 2019-09-26 | 一种适用于水池实验中运动物体三维轨迹的视觉测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110706291A true CN110706291A (zh) | 2020-01-17 |
Family
ID=69196438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910914339.5A Pending CN110706291A (zh) | 2019-09-26 | 2019-09-26 | 一种适用于水池实验中运动物体三维轨迹的视觉测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110706291A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798466A (zh) * | 2020-07-01 | 2020-10-20 | 中国海洋石油集团有限公司 | 基于视觉定位的钻井支持平台动能实时测量方法和系统 |
CN112435312A (zh) * | 2020-09-04 | 2021-03-02 | 上海哔哩哔哩科技有限公司 | 运动轨迹的生成方法、装置、计算机设备和可读存储介质 |
WO2021185217A1 (zh) * | 2020-03-16 | 2021-09-23 | 左忠斌 | 一种基于多激光测距和测角的标定方法 |
CN113436266A (zh) * | 2020-03-23 | 2021-09-24 | 丰田自动车株式会社 | 图像处理系统、图像处理方法、训练神经网络的方法和执行该方法的记录介质 |
CN113989361A (zh) * | 2021-10-22 | 2022-01-28 | 中国平安财产保险股份有限公司 | 基于人工智能的动物体长测量方法、装置、设备及介质 |
CN114235809A (zh) * | 2021-12-15 | 2022-03-25 | 上海交通大学 | 一种光学非接触式的测量管道内部大颗粒的方法 |
CN114494403A (zh) * | 2022-01-27 | 2022-05-13 | 烟台大学 | 一种基于深度学习的贝类目标尺寸快速测量方法 |
CN115709484A (zh) * | 2023-01-09 | 2023-02-24 | 常州检验检测标准认证研究院 | 一种移动机器人安全仿真检测方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680556A (zh) * | 2015-02-16 | 2015-06-03 | 燕山大学 | 基于视差的鱼类运动三维轨迹跟踪方法 |
CN105225229A (zh) * | 2015-09-07 | 2016-01-06 | 三峡大学 | 基于视频信号的鱼类过坝运动轨迹定位装置与方法 |
CN105678742A (zh) * | 2015-12-29 | 2016-06-15 | 哈尔滨工业大学深圳研究生院 | 一种水下相机标定方法 |
CN108090922A (zh) * | 2016-11-21 | 2018-05-29 | 中国科学院沈阳计算技术研究所有限公司 | 智能目标跟踪轨迹记录方法 |
CN108447074A (zh) * | 2018-02-02 | 2018-08-24 | 中国科学院西安光学精密机械研究所 | 基于双向自适应语义融合的水下目标识别方法 |
CN109063301A (zh) * | 2018-07-24 | 2018-12-21 | 杭州师范大学 | 一种基于热力图的单幅图像室内物体姿态估计方法 |
US20180373942A1 (en) * | 2017-06-22 | 2018-12-27 | Kabushiki Kaisha Toshiba | Object detecting apparatus, object detecting method, and computer program product |
CN109344882A (zh) * | 2018-09-12 | 2019-02-15 | 浙江科技学院 | 基于卷积神经网络的机器人控制目标位姿识别方法 |
CN109448061A (zh) * | 2018-10-09 | 2019-03-08 | 西北工业大学 | 一种无需摄像机标定的水下双目视觉定位方法 |
CN109543585A (zh) * | 2018-11-16 | 2019-03-29 | 西北工业大学 | 基于卷积神经网络的水下光学目标检测与识别方法 |
CN109584274A (zh) * | 2018-11-22 | 2019-04-05 | 广东技术师范学院 | 一种水下动物的数量及其轨迹的检测方法及设备 |
CN109658454A (zh) * | 2018-12-04 | 2019-04-19 | 深圳前海达闼云端智能科技有限公司 | 一种位姿信息确定方法、相关装置及存储介质 |
CN109754362A (zh) * | 2018-12-24 | 2019-05-14 | 哈尔滨工程大学 | 一种用可旋转的边界框标注海参目标检测结果的方法 |
-
2019
- 2019-09-26 CN CN201910914339.5A patent/CN110706291A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680556A (zh) * | 2015-02-16 | 2015-06-03 | 燕山大学 | 基于视差的鱼类运动三维轨迹跟踪方法 |
CN105225229A (zh) * | 2015-09-07 | 2016-01-06 | 三峡大学 | 基于视频信号的鱼类过坝运动轨迹定位装置与方法 |
CN105678742A (zh) * | 2015-12-29 | 2016-06-15 | 哈尔滨工业大学深圳研究生院 | 一种水下相机标定方法 |
CN108090922A (zh) * | 2016-11-21 | 2018-05-29 | 中国科学院沈阳计算技术研究所有限公司 | 智能目标跟踪轨迹记录方法 |
US20180373942A1 (en) * | 2017-06-22 | 2018-12-27 | Kabushiki Kaisha Toshiba | Object detecting apparatus, object detecting method, and computer program product |
CN108447074A (zh) * | 2018-02-02 | 2018-08-24 | 中国科学院西安光学精密机械研究所 | 基于双向自适应语义融合的水下目标识别方法 |
CN109063301A (zh) * | 2018-07-24 | 2018-12-21 | 杭州师范大学 | 一种基于热力图的单幅图像室内物体姿态估计方法 |
CN109344882A (zh) * | 2018-09-12 | 2019-02-15 | 浙江科技学院 | 基于卷积神经网络的机器人控制目标位姿识别方法 |
CN109448061A (zh) * | 2018-10-09 | 2019-03-08 | 西北工业大学 | 一种无需摄像机标定的水下双目视觉定位方法 |
CN109543585A (zh) * | 2018-11-16 | 2019-03-29 | 西北工业大学 | 基于卷积神经网络的水下光学目标检测与识别方法 |
CN109584274A (zh) * | 2018-11-22 | 2019-04-05 | 广东技术师范学院 | 一种水下动物的数量及其轨迹的检测方法及设备 |
CN109658454A (zh) * | 2018-12-04 | 2019-04-19 | 深圳前海达闼云端智能科技有限公司 | 一种位姿信息确定方法、相关装置及存储介质 |
CN109754362A (zh) * | 2018-12-24 | 2019-05-14 | 哈尔滨工程大学 | 一种用可旋转的边界框标注海参目标检测结果的方法 |
Non-Patent Citations (1)
Title |
---|
万媛媛: "《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》", 15 June 2013 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021185217A1 (zh) * | 2020-03-16 | 2021-09-23 | 左忠斌 | 一种基于多激光测距和测角的标定方法 |
CN113436266A (zh) * | 2020-03-23 | 2021-09-24 | 丰田自动车株式会社 | 图像处理系统、图像处理方法、训练神经网络的方法和执行该方法的记录介质 |
CN113436266B (zh) * | 2020-03-23 | 2024-05-14 | 丰田自动车株式会社 | 图像处理系统、图像处理方法、训练神经网络的方法和执行该方法的记录介质 |
CN111798466A (zh) * | 2020-07-01 | 2020-10-20 | 中国海洋石油集团有限公司 | 基于视觉定位的钻井支持平台动能实时测量方法和系统 |
CN112435312A (zh) * | 2020-09-04 | 2021-03-02 | 上海哔哩哔哩科技有限公司 | 运动轨迹的生成方法、装置、计算机设备和可读存储介质 |
CN112435312B (zh) * | 2020-09-04 | 2023-04-11 | 上海哔哩哔哩科技有限公司 | 运动轨迹的生成方法、装置、计算机设备和可读存储介质 |
CN113989361A (zh) * | 2021-10-22 | 2022-01-28 | 中国平安财产保险股份有限公司 | 基于人工智能的动物体长测量方法、装置、设备及介质 |
CN114235809A (zh) * | 2021-12-15 | 2022-03-25 | 上海交通大学 | 一种光学非接触式的测量管道内部大颗粒的方法 |
CN114494403A (zh) * | 2022-01-27 | 2022-05-13 | 烟台大学 | 一种基于深度学习的贝类目标尺寸快速测量方法 |
CN115709484A (zh) * | 2023-01-09 | 2023-02-24 | 常州检验检测标准认证研究院 | 一种移动机器人安全仿真检测方法及系统 |
CN115709484B (zh) * | 2023-01-09 | 2023-05-02 | 常州检验检测标准认证研究院 | 一种移动机器人安全仿真检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110706291A (zh) | 一种适用于水池实验中运动物体三维轨迹的视觉测量方法 | |
CN103033132B (zh) | 基于单目视觉的平面测量方法及装置 | |
CN114399554B (zh) | 一种多相机系统的标定方法及系统 | |
CN112132972A (zh) | 一种激光与图像数据融合的三维重建方法及系统 | |
CN104537707B (zh) | 像方型立体视觉在线移动实时测量系统 | |
CN111563878B (zh) | 一种空间目标定位方法 | |
CN106529538A (zh) | 一种飞行器的定位方法和装置 | |
CN105894499A (zh) | 一种基于双目视觉的空间物体三维信息快速检测方法 | |
CN109712232B (zh) | 一种基于光场的物体表面轮廓三维成像方法 | |
CN103278138A (zh) | 一种复杂结构薄部件三维位置及姿态的测量方法 | |
CN109118544B (zh) | 基于透视变换的合成孔径成像方法 | |
CN110443879B (zh) | 一种基于神经网络的透视误差补偿方法 | |
Ruchay et al. | Fusion of information from multiple Kinect sensors for 3D object reconstruction | |
CN115201883B (zh) | 一种运动目标视频定位测速系统及方法 | |
WO2021004416A1 (zh) | 一种基于视觉信标建立信标地图的方法、装置 | |
CN113012234B (zh) | 基于平面变换的高精度相机标定方法 | |
CN107767454A (zh) | 一种实景三维移动快速建模方法、装置及系统 | |
CN116309880A (zh) | 基于三维重建的物体位姿确定方法、装置、设备及介质 | |
CN104036512A (zh) | 一种基于正交消隐点的新型Tsai’s摄像机标定改进方法 | |
CN109214288B (zh) | 基于多旋翼无人机航拍视频的帧间场景匹配方法及装置 | |
CN111798466A (zh) | 基于视觉定位的钻井支持平台动能实时测量方法和系统 | |
CN108320310B (zh) | 基于图像序列的空间目标三维姿态估计方法 | |
Chan et al. | An improved method for fisheye camera calibration and distortion correction | |
CN111145266B (zh) | 一种鱼眼相机标定方法、装置、鱼眼相机及可读存储介质 | |
CN110223356A (zh) | 一种基于能量生长的单目相机全自动标定方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |
|
RJ01 | Rejection of invention patent application after publication |