CN110838138A - 重复纹理检测方法、装置、计算机设备和存储介质 - Google Patents
重复纹理检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110838138A CN110838138A CN201910917614.9A CN201910917614A CN110838138A CN 110838138 A CN110838138 A CN 110838138A CN 201910917614 A CN201910917614 A CN 201910917614A CN 110838138 A CN110838138 A CN 110838138A
- Authority
- CN
- China
- Prior art keywords
- value
- cost
- target position
- texture region
- region point
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000003252 repetitive effect Effects 0.000 title claims description 17
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- G06T7/30—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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06T2207/20228—Disparity calculation for image-based rendering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种重复纹理检测方法、装置、计算机设备和存储介质。包括:对获取到的目标场景的第一视场角图像和第二视场角图像进行立体匹配,得到目标场景的代价立方体;其中,代价立方体包括立体匹配得到的每一像素点的每一视差值对应的代价值;从代价立方体对应的像素点中获取目标位置,以及获取目标位置在代价立方体中的视差值集;获取视差值集中的每一视差值对应的代价值,得到代价值集;根据代价值集,判定目标位置是否为重复纹理区域点。结合视差值集和对应的代价值集对目标位置是否为重复纹理区域进行检测和判定的方式,能够起到数据之间互相支持和校正的作用,提高重复性纹理检测的准确性。
Description
技术领域
本申请涉及计算机视觉处理技术领域,特别涉及一种重复纹理检测方法、装置、计算机设备和存储介质。
背景技术
随着计算机视觉处理技术地不断发展,双目立体视觉作为计算机视觉领域的重要分支,因其具有仿人类双目的特点,逐渐成为立体视觉领域的研究热点。双目立体视觉通过模拟人的视觉系统来处理现实世界,具有实现简单,成本低廉,并且可以在非接触条件下测量距离等优点。
然而,在双目立体匹配过程中,重复性纹理检测准确率较低的现象,致使双目立体匹配的效果不佳,不能很好的体现双目立体视觉的优点。
发明内容
基于此,有必要针对上述技术问题,提供一种重复纹理检测方法、装置、计算机设备和存储介质。
一种重复纹理检测方法,所述方法包括:
对获取到的目标场景的第一视场角图像和第二视场角图像进行立体匹配,得到所述目标场景的代价立方体;其中,所述代价立方体包括立体匹配得到的每一像素点的每一视差值对应的代价值;
从所述代价立方体对应的像素点中获取目标位置,以及获取所述目标位置在所述代价立方体中的视差值集;
获取所述视差值集中的每一视差值对应的代价值,得到代价值集;
根据所述代价值集,判定所述目标位置是否为重复纹理区域点。
在其中一个实施例中,所述根据所述代价值集,判定所述目标位置是否为重复纹理区域点,包括:
根据所述代价值集,判断所述目标位置是否为无纹理区域点;
若所述目标位置不是所述无纹理区域点,则根据所述代价值集判断所述目标位置是否为重复纹理区域点。
在其中一个实施例中,所述根据所述代价值集,判断所述目标位置是否为无纹理区域点,包括:
计算所述代价值集的方差,得到代价方差值;
若所述代价方差值小于或等于第一预设阈值,则所述目标位置是所述无纹理区域点;
若所述代价方差值大于所述第一预设阈值,则所述目标位置不是所述无纹理区域点。
在其中一个实施例中,所述若所述目标位置不是所述无纹理区域点,则根据所述代价值集判断所述目标位置是否为重复纹理区域点,包括:
若所述目标位置不是所述无纹理区域,则获取所述代价值集中的最小代价值和次小代价值;
根据所述最小代价值和所述次小代价值,判断所述目标位置是否为重复纹理区域点。
在其中一个实施例中,所述根据所述最小代价值和所述次小代价值,判断所述目标位置是否为重复纹理区域点,包括:
根据所述最小代价值得到对应的第一视差值,以及根据所述次小代价值得到对应的第二视差值;
根据所述第一视差值和所述第二视差值,判断所述目标位置是否为重复纹理区域点。
在其中一个实施例中,所述根据所述第一视差值和所述第二视差值,判断所述目标位置是否为重复纹理区域点,包括:
计算所述第一视差值和所述第二视差值之间差值的绝对值;
根据所述差值的绝对值,判断所述目标位置是否为重复纹理区域点。
在其中一个实施例中,所述根据所述差值的绝对值,判断所述目标位置是否为重复纹理区域点,包括:
若所述差值的绝对值小于或等于第二预设阈值,则所述目标位置不是重复纹理区域点;
若所述差值的绝对值大于所述第二预设阈值,则所述目标位置是重复纹理区域点。
一种重复纹理检测装置,所述装置包括:
立体匹配模块,用于对获取到的目标场景的第一视场角图像和第二视场角图像进行立体匹配,得到所述目标场景的代价立方体;其中,所述代价立方体包括立体匹配得到的每一像素点的每一视差值对应的代价值;
视差值集获取模块,用于从所述代价立方体对应的像素点中获取目标位置,以及获取所述目标位置在所述代价立方体中的视差值集;
代价值集获取模块,用于获取所述视差值集中的每一视差值对应的代价值,得到代价值集;
纹理区域判定模块,用于根据所述代价值集,判定所述目标位置是否为重复纹理区域点。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
上述重复纹理检测方法、装置、计算机设备和存储介质,通过对获取到的目标场景的第一视场角图像和第二视场角图像进行立体匹配,得到目标场景的代价立方体;其中,代价立方体包括立体匹配得到的每一像素点的每一视差值对应的代价值,接着,从代价立方体对应的像素点中获取目标位置,以及获取目标位置在代价立方体中的视差值集,并获取视差值集中的每一视差值对应的代价值,得到代价值集,根据代价值集,判定目标位置是否为重复纹理区域点。上述结合视差值集和对应的代价值集对目标位置是否为重复纹理区域进行检测和判定的方式,能够起到数据之间互相支持和校正的作用,提高重复性纹理检测的准确性。
附图说明
图1为一个实施例中重复纹理检测方法的流程示意图;
图2为一个实施例中步骤S400的一种可实施方式的流程示意图;
图3为一个实施例中步骤S410的一种可实施方式的流程示意图;
图4为一个实施例中步骤S420的一种可实施方式的流程示意图;
图5为一个实施例中步骤S422的一种可实施方式的流程示意图;
图6为一个实施例中重复纹理检测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解本申请中所使用的术语“第一”、“第二”等可在本文中用于描述各种条件关系,但这些条件关系不受这些术语限制。这些术语仅用于将一个条件关系与另一个条件关系区分开来。
在一个实施例中,如图1所示,提供了一种重复纹理检测方法,包括以下步骤:
步骤S100,对获取到的目标场景的第一视场角图像和第二视场角图像进行立体匹配,得到目标场景的代价立方体;其中,代价立方体包括立体匹配得到的每一像素点的每一视差值对应的代价值。
其中,目标场景是指双目立体匹配过程中两个视场角获取图像的场景。第一视场角图像为双目立体匹配中从一个视场角获取到的目标场景的图像,第二视场角图像为双目立体匹配中从另一个视场角获取到的目标场景的图像。双目立体匹配是指对从不同视场角获取到的同一目标场景的图像进行立体匹配的操作。代价立方体为双目立体匹配中得到的匹配数据的集合,包括每一像素点的每一视差值和每一像素点的每一视差值对应的代价值。
步骤S200,从代价立方体对应的像素点中获取目标位置,以及获取目标位置在代价立方体中的视差值集。
其中,目标位置为从代价立方体对应的像素点中获取到的一个待检测点。视差值是指在双目立体匹配中第一视场角图像和第二视场角图像对应点之间的差别的衡量值,一般一个待检测点对应多个视差值,例如,第一视场角图像包含三个点A、B、C,第二视场角图像包含三个点O、P、Q,A与O对应,B与P对应,C与Q对应,若A点为待检测点,在得到代价立方体的过程中会分别计算A点与O点的视差值,A点与P点的视差值,A点与Q点的视差值,A点分别与O、P、Q点之间的三个视差值可以构成一个集合,这一集合即为视差值集。关于视差值集,在实际图像处理过程中,一张图像一般包含数以千万计的像素点,第一视场角图像中的每一像素点与第二视场角图像的像素点之间的视差值构成一个视差值集,可选地,视差值集还可以是在上述基础上的满足预设视差搜索范围内的差值形成的集合。
步骤S300,获取视差值集中的每一视差值对应的代价值,得到代价值集。
其中,代价值为能够衡量两个位置的像素点之间的相关性的数值,无论两个像素点的位置是否为双目立体匹配中的对应点,都可以通过匹配代价函数计算匹配代价值,代价值越小则说明相关性越大,说明两个像素点是对应点的概率也越大。
代价值的计算方法有很多,在计算机视觉领域,多使用互信息(MutualInformation,MI)法、Census变换(Census Transform,CT)法、Rank变换(Rank Transform,RT)法、BT(Birchfield and Tomasi,BT)法等作为匹配代价值的计算方法。不同的代价值计算算法都有各自的特点,对各类数据的表现也不尽相同,可以根据具体的计算需求选择不同的计算算法,此处不对代价值的具体计算过程进行赘述。
具体地,代价值为基于某一特定的像素点进行的计算,因此,采用选定的代价值计算方法,根据该像素点的视差值对应的代价值,每一视差值均对应一定的代价值,因此,由特定的像素点的视差值与代价值之间的对应关系,可以得到相应的代价值集。
步骤S400,根据代价值集,判定目标位置是否为重复纹理区域点。
具体地,由于代价值能够衡量两个位置的像素点之间的相关性,无论两个像素位置是否为双目立体匹配中的对应点,都可以通过匹配代价函数计算匹配代价值,代价值越小则说明相关性越大,是对应点的概率也越大。因此,可以根据代价值集来判定目标位置是否为重复纹理区域点。
上述重复纹理检测方法,通过对获取到的目标场景的第一视场角图像和第二视场角图像进行立体匹配,得到目标场景的代价立方体;其中,代价立方体包括立体匹配得到的每一像素点的每一视差值对应的代价值,接着,从代价立方体对应的像素点中获取目标位置,以及获取目标位置在代价立方体中的视差值集,并获取视差值集中的每一视差值对应的代价值,得到代价值集,最后,根据代价值集,判定目标位置是否为重复纹理区域点。上述结合视差值集和对应的代价值集对目标位置是否为重复纹理区域进行检测和判定的方式,能够起到数据之间互相支持和校正的作用,提高重复性纹理检测的准确性。
在其中一个实施例中,如图2所示,为步骤S400的一种可实施方式的流程示意图,步骤S400,根据代价值集,判定目标位置是否为重复纹理区域点,包括以下步骤:
步骤S410,根据代价值集,判断目标位置是否为无纹理区域点。
具体地,由于无纹理区域的每个像素点的邻域内的点之间的相似性都很高,其代价值都很小,对应代价立方体中代价值的方差就很小。因此,可以根据代价值集的方差值与一个预设阈值之间的关系,综合目标位置处的所有代价值的方差对目标位置是否为重复纹理区域点进行判断,以得到更为综合的判断结果,使判断结果的准确性更高。
具体地,若代价值的方差小于一个预设阈值,则说明目标位置与待匹配点之间的差异非常小,两点之间的相似性很高,则可以认为目标位置为无纹理区域点。相反地,若代价值的方差大于或等于一个预设阈值,则认为目标位置不是无纹理区域点。
步骤S420,若目标位置不是无纹理区域点,则根据代价值集判断目标位置是否为重复纹理区域点。
具体地,在判定目标位置不是无纹理区域点后,仅能得到目标位置所在区域为无纹理区域的点,并不能确定目标位置是否为重复纹理区域点,因此,需要根据代价值集进行进一步的判断。
上述实施例中,根据代价值集,判断目标位置是否为无纹理区域点,若目标位置不是无纹理区域点,则根据代价值集判断目标位置是否为重复纹理区域点。在对目标位置是否为重复纹理区域点进行判断之前首先排除了纹理区域点对判断的影响,能一定程度提高重复性纹理检测的准确性。
在其中一个实施例中,如图3所示,为步骤S410的一种可实施方式的流程示意图,步骤S410,根据代价值集,判断目标位置是否为无纹理区域点,包括以下步骤:
步骤S411,计算代价值集的方差,得到代价方差值。
具体地,代价值集中包含多个代价值,对代价值集中的多个代价值进行方差运算,可以得到关于代价值集的代价方差值。
步骤S4121,若代价方差值小于或等于第一预设阈值,则目标位置是无纹理区域点。
步骤S4122,若代价方差值大于第一预设阈值,则目标位置不是无纹理区域点。
具体地,由于无纹理区域的每个像素点的邻域内的点之间的相似性都很高,其代价值都很小,对应代价立方体中代价值的方差就很小。因此,当代价方差值小于或等于第一预设阈值,则目标位置是无纹理区域点,而当代价方差值大于第一预设阈值,则目标位置不是无纹理区域点。
上述实施例中,通过计算代价值集的方差,得到代价方差值,并根据代价方差值和第一预设阈值之间的大小关系对目标位置是否为无纹理区域点进行判断,使得在对目标位置是否为重复纹理区域点进行判断之前首先排除了纹理区域点对判断的影响,能一定程度提高重复性纹理检测的准确性。
在其中一个实施例中,如图4所示,为步骤S420的一种可实施方式的流程示意图,步骤S420,若目标位置不是无纹理区域点,则根据代价值集判断目标位置是否为重复纹理区域点,包括以下步骤:
步骤S421,若目标位置不是无纹理区域,则获取代价值集中的最小代价值和次小代价值。
具体地,在判定目标位置不是无纹理区域点后,仅能得到目标位置所在区域为无纹理区域的点,并不能确定目标位置是否为重复纹理区域点,因此,需要根据代价值集进行进一步的判断。此时,对代价值集中的代价值进行排序,获取代价值集中的最小代价值和次小代价值,为后续判断提供基础。
步骤S422,根据最小代价值和次小代价值,判断目标位置是否为重复纹理区域点。
具体地,代价值是根据两个像素点的邻域相似性计算得到,邻域相似性越高,代价值越小,因此根据两个最小的代价值(最小代价值和次小代价值)能够判断目标位置邻域相似性,从而判断目标位置是否为重复纹理区域点。
上述实施例中,若目标位置不是无纹理区域,则获取代价值集中的最小代价值和次小代价值,并根据最小代价值和次小代价值,判断目标位置是否为重复纹理区域点,使得在排除无纹理区域的影响下,对目标位置是否为重复纹理区域点进行判断,能一定程度提高重复性纹理检测的准确性。
在其中一个实施例中,如图5所示,为步骤S422的一种可实施方式的流程示意图,步骤S422,根据第一视差值和第二视差值,判断目标位置是否为重复纹理区域点,包括以下步骤:
步骤S4221,计算第一视差值和第二视差值之间差值的绝对值。
步骤S4222,根据差值的绝对值,判断目标位置是否为重复纹理区域点。
可选地,若差值的绝对值小于或等于第二预设阈值,则目标位置不是重复纹理区域点;若差值的绝对值大于第二预设阈值,则目标位置是重复纹理区域点。
可选地,可以取第二预设阈值为1。具体地,在双目立体匹配过程中,第一视差值与第二视差值的视差差值的绝对值为1的重复纹理对双目立体匹配结果的影响不大,而且第一视差值与第二视差值的视差差值的绝对值为1,说明两个像素点是挨着的,可以视为无纹理区域,第一视差值与第二视差值的视差差值的绝对值大于1,则认为两个像素点是重复纹理区域中的点,因此,可以将第二预设阈值设为1,根据第一视差值与第二视差值的视差差值的绝对值和第二预设阈值对目标位置是否为重复纹理区域进行判断。
上述实施例中,通过计算第一视差值和第二视差值之间差值的绝对值,并根据差值的绝对值,判断目标位置是否为重复纹理区域点。结合视差值对目标位置是否为重复纹理区域进行判断,能够起到数据之间互相支持和校正的作用,提高重复性纹理检测的准确性。
在一个实施例中,如图6所示,提供了一种重复纹理检测装置,包括:立体匹配模块601、视差值集获取模块602、代价值集获取模块603、纹理区域判定模块604,其中:
立体匹配模块601,用于对获取到的目标场景的第一视场角图像和第二视场角图像进行立体匹配,得到目标场景的代价立方体;其中,代价立方体包括立体匹配得到的每一像素点的每一视差值对应的代价值;
视差值集获取模块602,用于从代价立方体对应的像素点中获取目标位置,以及获取目标位置在代价立方体中的视差值集;
代价值集获取模块603,用于获取视差值集中的每一视差值对应的代价值,得到代价值集;
纹理区域判定模块604,用于根据代价值集,判定目标位置是否为重复纹理区域点。
在其中一个实施例中,纹理区域判定模块604还用于根据代价值集,判断目标位置是否为无纹理区域点;若目标位置不是无纹理区域点,则根据代价值集判断目标位置是否为重复纹理区域点。
在其中一个实施例中,纹理区域判定模块604还用于计算代价值集的方差,得到代价方差值;若代价方差值小于或等于第一预设阈值,则目标位置是无纹理区域点;若代价方差值大于第一预设阈值,则目标位置不是无纹理区域点。
在其中一个实施例中,纹理区域判定模块604还用于执行若目标位置不是无纹理区域,则获取代价值集中的最小代价值和次小代价值;根据最小代价值和次小代价值,判断目标位置是否为重复纹理区域点。
在其中一个实施例中,纹理区域判定模块604还用于根据最小代价值得到对应的第一视差值,以及根据次小代价值得到对应的第二视差值;根据第一视差值和第二视差值,判断目标位置是否为重复纹理区域点。
在其中一个实施例中,纹理区域判定模块604还用于计算第一视差值和第二视差值之间差值的绝对值;根据差值的绝对值,判断目标位置是否为重复纹理区域点。
在其中一个实施例中,纹理区域判定模块604还用于执行若差值的绝对值小于或等于第二预设阈值,则目标位置不是重复纹理区域点;若差值的绝对值大于第二预设阈值,则目标位置是重复纹理区域点。
关于重复纹理检测装置的具体限定可以参见上文中对于重复纹理检测方法的限定,在此不再赘述。上述重复纹理检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种重复纹理检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对获取到的目标场景的第一视场角图像和第二视场角图像进行立体匹配,得到目标场景的代价立方体;其中,代价立方体包括立体匹配得到的每一像素点的每一视差值对应的代价值;
从代价立方体对应的像素点中获取目标位置,以及获取目标位置在代价立方体中的视差值集;
获取视差值集中的每一视差值对应的代价值,得到代价值集;
根据代价值集,判定目标位置是否为重复纹理区域点。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:根据代价值集,判断目标位置是否为无纹理区域点;若目标位置不是无纹理区域点,则根据代价值集判断目标位置是否为重复纹理区域点。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:计算代价值集的方差,得到代价方差值;若代价方差值小于或等于第一预设阈值,则目标位置是无纹理区域点;若代价方差值大于第一预设阈值,则目标位置不是无纹理区域点。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:若目标位置不是无纹理区域,则获取代价值集中的最小代价值和次小代价值;根据最小代价值和次小代价值,判断目标位置是否为重复纹理区域点。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:根据最小代价值得到对应的第一视差值,以及根据次小代价值得到对应的第二视差值;根据第一视差值和第二视差值,判断目标位置是否为重复纹理区域点。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:计算第一视差值和第二视差值之间差值的绝对值;根据差值的绝对值,判断目标位置是否为重复纹理区域点。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:若差值的绝对值小于或等于第二预设阈值,则目标位置不是重复纹理区域点;若差值的绝对值大于第二预设阈值,则目标位置是重复纹理区域点。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对获取到的目标场景的第一视场角图像和第二视场角图像进行立体匹配,得到目标场景的代价立方体;其中,代价立方体包括立体匹配得到的每一像素点的每一视差值对应的代价值;
从代价立方体对应的像素点中获取目标位置,以及获取目标位置在代价立方体中的视差值集;
获取视差值集中的每一视差值对应的代价值,得到代价值集;
根据代价值集,判定目标位置是否为重复纹理区域点。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:根据代价值集,判断目标位置是否为无纹理区域点;若目标位置不是无纹理区域点,则根据代价值集判断目标位置是否为重复纹理区域点。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算代价值集的方差,得到代价方差值;若代价方差值小于或等于第一预设阈值,则目标位置是无纹理区域点;若代价方差值大于第一预设阈值,则目标位置不是无纹理区域点。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:若目标位置不是无纹理区域,则获取代价值集中的最小代价值和次小代价值;根据最小代价值和次小代价值,判断目标位置是否为重复纹理区域点。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据最小代价值得到对应的第一视差值,以及根据次小代价值得到对应的第二视差值;根据第一视差值和第二视差值,判断目标位置是否为重复纹理区域点。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算第一视差值和第二视差值之间差值的绝对值;根据差值的绝对值,判断目标位置是否为重复纹理区域点。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:若差值的绝对值小于或等于第二预设阈值,则目标位置不是重复纹理区域点;若差值的绝对值大于第二预设阈值,则目标位置是重复纹理区域点。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种重复纹理检测方法,其特征在于,所述方法包括:
对获取到的目标场景的第一视场角图像和第二视场角图像进行立体匹配,得到所述目标场景的代价立方体;其中,所述代价立方体包括立体匹配得到的每一像素点的每一视差值对应的代价值;
从所述代价立方体对应的像素点中获取目标位置,以及获取所述目标位置在所述代价立方体中的视差值集;
获取所述视差值集中的每一视差值对应的代价值,得到代价值集;
根据所述代价值集,判定所述目标位置是否为重复纹理区域点。
2.根据权利要求1所述的方法,其特征在于,所述根据所述代价值集,判定所述目标位置是否为重复纹理区域点,包括:
根据所述代价值集,判断所述目标位置是否为无纹理区域点;
若所述目标位置不是所述无纹理区域点,则根据所述代价值集判断所述目标位置是否为重复纹理区域点。
3.根据权利要求2所述的方法,其特征在于,所述根据所述代价值集,判断所述目标位置是否为无纹理区域点,包括:
计算所述代价值集的方差,得到代价方差值;
若所述代价方差值小于或等于第一预设阈值,则所述目标位置是所述无纹理区域点;
若所述代价方差值大于所述第一预设阈值,则所述目标位置不是所述无纹理区域点。
4.根据权利要求2所述的方法,其特征在于,所述若所述目标位置不是所述无纹理区域点,则根据所述代价值集判断所述目标位置是否为重复纹理区域点,包括:
若所述目标位置不是所述无纹理区域,则获取所述代价值集中的最小代价值和次小代价值;
根据所述最小代价值和所述次小代价值,判断所述目标位置是否为重复纹理区域点。
5.根据权利要求4所述的方法,其特征在于,所述根据所述最小代价值和所述次小代价值,判断所述目标位置是否为重复纹理区域点,包括:
根据所述最小代价值得到对应的第一视差值,以及根据所述次小代价值得到对应的第二视差值;
根据所述第一视差值和所述第二视差值,判断所述目标位置是否为重复纹理区域点。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一视差值和所述第二视差值,判断所述目标位置是否为重复纹理区域点,包括:
计算所述第一视差值和所述第二视差值之间差值的绝对值;
根据所述差值的绝对值,判断所述目标位置是否为重复纹理区域点。
7.根据权利要求6所述的方法,其特征在于,所述根据所述差值的绝对值,判断所述目标位置是否为重复纹理区域点,包括:
若所述差值的绝对值小于或等于第二预设阈值,则所述目标位置不是重复纹理区域点;
若所述差值的绝对值大于所述第二预设阈值,则所述目标位置是重复纹理区域点。
8.一种重复纹理检测装置,其特征在于,所述装置包括:
立体匹配模块,用于对获取到的目标场景的第一视场角图像和第二视场角图像进行立体匹配,得到所述目标场景的代价立方体;其中,所述代价立方体包括立体匹配得到的每一像素点的每一视差值对应的代价值;
视差值集获取模块,用于从所述代价立方体对应的像素点中获取目标位置,以及获取所述目标位置在所述代价立方体中的视差值集;
代价值集获取模块,用于获取所述视差值集中的每一视差值对应的代价值,得到代价值集;
纹理区域判定模块,用于根据所述代价值集,判定所述目标位置是否为重复纹理区域点。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917614.9A CN110838138A (zh) | 2019-09-26 | 2019-09-26 | 重复纹理检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917614.9A CN110838138A (zh) | 2019-09-26 | 2019-09-26 | 重复纹理检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110838138A true CN110838138A (zh) | 2020-02-25 |
Family
ID=69575284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910917614.9A Pending CN110838138A (zh) | 2019-09-26 | 2019-09-26 | 重复纹理检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110838138A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784756A (zh) * | 2020-06-01 | 2020-10-16 | 安徽奇点智能新能源汽车有限公司 | 视差置信度的估计方法、装置、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101262619A (zh) * | 2008-03-30 | 2008-09-10 | 深圳华为通信技术有限公司 | 视差获取方法和装置 |
CN102902355A (zh) * | 2012-08-31 | 2013-01-30 | 中国科学院自动化研究所 | 移动设备的空间交互方法 |
CN107316326A (zh) * | 2017-06-29 | 2017-11-03 | 海信集团有限公司 | 应用于双目立体视觉的基于边的视差图计算方法和装置 |
CN108254738A (zh) * | 2018-01-31 | 2018-07-06 | 沈阳上博智像科技有限公司 | 避障告警方法、装置及存储介质 |
CN109801325A (zh) * | 2019-01-11 | 2019-05-24 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种双目立体视觉系统获取视差图的方法及装置 |
CN109885053A (zh) * | 2019-02-28 | 2019-06-14 | 深圳市道通智能航空技术有限公司 | 一种障碍物检测方法、装置及无人机 |
-
2019
- 2019-09-26 CN CN201910917614.9A patent/CN110838138A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101262619A (zh) * | 2008-03-30 | 2008-09-10 | 深圳华为通信技术有限公司 | 视差获取方法和装置 |
CN102902355A (zh) * | 2012-08-31 | 2013-01-30 | 中国科学院自动化研究所 | 移动设备的空间交互方法 |
CN107316326A (zh) * | 2017-06-29 | 2017-11-03 | 海信集团有限公司 | 应用于双目立体视觉的基于边的视差图计算方法和装置 |
CN108254738A (zh) * | 2018-01-31 | 2018-07-06 | 沈阳上博智像科技有限公司 | 避障告警方法、装置及存储介质 |
CN109801325A (zh) * | 2019-01-11 | 2019-05-24 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种双目立体视觉系统获取视差图的方法及装置 |
CN109885053A (zh) * | 2019-02-28 | 2019-06-14 | 深圳市道通智能航空技术有限公司 | 一种障碍物检测方法、装置及无人机 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784756A (zh) * | 2020-06-01 | 2020-10-16 | 安徽奇点智能新能源汽车有限公司 | 视差置信度的估计方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639626B (zh) | 三维点云数据处理方法、装置、计算机设备和存储介质 | |
CN111598993B (zh) | 基于多视角成像技术的三维数据重建方法、装置 | |
CN110211076B (zh) | 图像拼接方法、图像拼接设备和可读存储介质 | |
CN108871311B (zh) | 位姿确定方法和装置 | |
CN109740659B (zh) | 一种图像匹配方法及装置、电子设备、存储介质 | |
CN110473233B (zh) | 配准方法、计算机设备和存储介质 | |
CN102713975B (zh) | 图像整理系统、图像整理方法和计算机程序 | |
CN111161202A (zh) | 车辆行为信息获取方法、装置、计算机设备和存储介质 | |
CN112270709B (zh) | 地图构建方法及装置、计算机可读存储介质和电子设备 | |
CN111178126A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN111523387A (zh) | 手部关键点检测的方法、设备和计算机设备 | |
CN110838138A (zh) | 重复纹理检测方法、装置、计算机设备和存储介质 | |
CN113489897A (zh) | 图像处理方法及相关装置 | |
CN114202554A (zh) | 标记生成、模型训练、标记方法、装置、存储介质及设备 | |
CN110176035B (zh) | 标志点的定位方法、装置、计算机设备和存储介质 | |
CN111968160A (zh) | 图像匹配方法和存储介质 | |
CN116977671A (zh) | 基于图像空间定位的目标跟踪方法、装置、设备及存储介质 | |
CN112241984A (zh) | 双目视觉传感器标定方法、装置、计算机设备和存储介质 | |
CN110889432A (zh) | 特征点匹配方法、装置、计算机设备和存储介质 | |
CN110866535B (zh) | 视差图的获取方法、装置、计算机设备和存储介质 | |
CN111311731B (zh) | 基于数字投影的随机灰度图生成方法、装置和计算机设备 | |
CN110728181B (zh) | 行为评价方法、装置、计算机设备和存储介质 | |
CN112508064A (zh) | 指静脉身份识别方法、装置、计算机设备和存储介质 | |
CN110223257B (zh) | 获取视差图的方法、装置、计算机设备和存储介质 | |
CN113178000A (zh) | 三维重建方法、装置、电子设备及计算机存储介质 |
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: 20200225 |
|
RJ01 | Rejection of invention patent application after publication |