CN111275067B - 一种基于高度相关的垃圾分类方法 - Google Patents

一种基于高度相关的垃圾分类方法 Download PDF

Info

Publication number
CN111275067B
CN111275067B CN201910886623.6A CN201910886623A CN111275067B CN 111275067 B CN111275067 B CN 111275067B CN 201910886623 A CN201910886623 A CN 201910886623A CN 111275067 B CN111275067 B CN 111275067B
Authority
CN
China
Prior art keywords
point cloud
garbage
matrix
point
inventory
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
CN201910886623.6A
Other languages
English (en)
Other versions
CN111275067A (zh
Inventor
刘明哲
唐志荣
张弘
陈薪羽
王坤
杨晨
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201910886623.6A priority Critical patent/CN111275067B/zh
Publication of CN111275067A publication Critical patent/CN111275067A/zh
Application granted granted Critical
Publication of CN111275067B publication Critical patent/CN111275067B/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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-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
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Abstract

本发明公开了本发明公开一种基于高度相关的垃圾分类方法，包括：拍取垃圾的照片，读取该照片的R，G，B三个n*m矩阵，再将这三个矩阵分别写成列向量R(n*m)×1，G(n*m)×1，B(n*m)×1，转换成一个三维矩阵
Figure DDA0002207496990000011
然后利用高度相关法对待扔垃圾点云集X和库存中垃圾点云集Y进行配准，即求两个点云集之间的旋转平移矩阵，并使用粒子群优化算法对参数进行求解，使其旋转矩阵满足代价函数。最后采用ICP算法进行进一步深度配准，实现识别，看属于库存中的哪一类。通过上述方法，在扔垃圾之前只需拍下垃圾的照片进行与库存垃圾图片的点云配准即可实现垃圾的分类，可帮助人们认识哪些垃圾属于哪一类，减少了人工识别垃圾的时间，提高垃圾投扔处理等后续操作的时间，具有很高的实用价值和推广价值。

Description

一种基于高度相关的垃圾分类方法
技术领域
本发明属于垃圾分类技术领域，具体地说，是涉及一种基于高度相关的垃圾分类方法。
背景技术
垃圾分类回收利用是对垃圾进行前处置的重要环节。通过分类投放、分类收集，把有用物资，从垃圾中分离出来重新回收、利用，变废为宝。既提高垃圾资源利用水平，又可减少垃圾处置量，是实现垃圾减量化和资源化的重要途径和手段。目前国外已经有很多国家例日本、韩国、德国等的国民垃圾分类意识已经成熟，智能垃圾分类技术也在逐渐兴起。我国目前也已经普及了垃圾分类，并逐渐在各个城市展开，而对于垃圾分类的智能处理技术也需要提升。因此提出一种基于点云配准的垃圾分类方法。
发明内容
本发明的目的在于提供一种基于高度相关的垃圾分类方法，主要用于对垃圾的快速、准确分类，提高垃圾的回收利用效率。
为实现上述目的，本发明采用的技术方案如下：
一种基于高度相关的垃圾分类方法，包括如下步骤：
(S1)获取待扔垃圾的点云集：对待扔垃圾进行拍照，读取照片，获取待扔垃圾的颜色点集R、G、B数据，R、G、B数据均为n*m的二维矩阵；
(S2)将n*m的二维矩阵的R、G、B数据转化成三维矩阵数据，得到测量点云和库存点云矩阵，通过测量点云和库存点云矩阵获取目标点云和待配准点云的均值点；
(S3)利用相关系数最小法求符合点云配准的旋转矩阵R和平移矩阵Tk，并得到代价函数和；
(S4)采用基于粒子群优化算法对代价函数和最小时的参数求解，使旋转矩阵R满足代价函数；
(S5)实现配准，完成识别，根据不同颜色点云的均值进行特征分类，具有相同颜色点集的两个垃圾物品则被认为是同一类，完成垃圾分类。
进一步地，在步骤(S2)中，R、G、B三维矩阵的转化包括步骤：
(S21)将R、G、B矩阵排成一列即：R(n*m)*1，G(n*m)*1，B(n*m)*1；
(S22)将步骤(S21)中的若干列矩阵排成三维矩阵；
得到测量点云：
Figure BDA0002207496970000021
得到图像的库存点云：
Figure BDA0002207496970000022
再利用
Figure BDA0002207496970000023
得到：
Figure BDA0002207496970000024
即对点云进行中心化，使两个点云的中心均在原点处；其中，
Figure BDA0002207496970000025
为目标点云X的均值点，
Figure BDA0002207496970000026
为待配准点云Y的均值点。
进一步地，在步骤(S3)中，测量点云集X和库存点云集Y存在以下关系：
Y＝XR+Tk (5)；
对库存点云
Figure BDA0002207496970000027
和测量点云
Figure BDA0002207496970000028
进行旋转，使其满足各自的列向量之间的高度相关即：
Figure BDA0002207496970000029
式中WY，WX是正定矩阵，满足
Figure BDA00022074969700000210
另外：
Figure BDA00022074969700000211
由刚性几何变换关系可知点云
Figure BDA00022074969700000212
和点云
Figure BDA00022074969700000213
有以下关系：
Figure BDA0002207496970000031
即
Figure BDA0002207496970000032
将式(3)代入式(8)得：
Figure BDA0002207496970000033
即得到：
Figure BDA0002207496970000034
由
Figure BDA0002207496970000035
可知，当库存点云
Figure BDA0002207496970000036
和测量点云
Figure BDA0002207496970000037
的数据不存在遮挡、缺失不完整时，各对应列向量间的每个点的平均能量存在以下关系：
Figure BDA0002207496970000038
其中，
Figure BDA0002207496970000039
当库存点云
Figure BDA00022074969700000310
和测量点云
Figure BDA00022074969700000311
数据存在遮挡、缺失不完整或放缩时，各对应列向量间的每个点的平均能量存在一个比值Kj，其中：
Figure BDA00022074969700000312
对K值取其均值
Figure BDA00022074969700000313
对目标点云的尺寸放大1/K倍，有：
YK＝Y/K (13)；
相应的平移矩阵向量的求解如下：
Figure BDA00022074969700000314
R的求解不发生变化；
得到库存点云
Figure BDA00022074969700000315
各列向量之间的相关系数平方和的关系如下：
Figure BDA00022074969700000316
要使得各列向量之间的高度相关，即要以下代价函数和最小：
Figure BDA0002207496970000041
同理，对测量点云
Figure BDA0002207496970000042
各列向量之间的相关系数平方和的关系如下：
Figure BDA0002207496970000043
要使得各列向量之间的高度相关，即要以下代价函数和最小：
Figure BDA0002207496970000044
进一步地，在步骤(S4)中，参数求解的具体过程如下：
在一个D维的目标搜索空间中，有α个粒子组成的一个群落，其中第i个粒子表示为一个D维的向量，其t时刻的速度更新如下：
Figure BDA0002207496970000045
其中，
Figure BDA0002207496970000046
表示第i个粒子在t时刻的速度变化；c1，c2表示学习因子，表示该区域内均匀分布的伪随机数，取值范围为[0，1]；
Figure BDA0002207496970000047
表示第i个粒子在t时刻的经历过的历史最好位置；
Figure BDA0002207496970000048
表示群体内所有粒子在t时刻所经历过的最好位置；
Figure BDA0002207496970000049
表示第i个粒子在t时刻的位置；
在速度更新之后，便是更新当前时刻的位置；当前时刻位置更新如下：
Figure BDA00022074969700000410
更新过后的
Figure BDA00022074969700000411
会不满足正交的约束条件，所以对其采用奇异值分解，即：
Figure BDA00022074969700000412
其中，u和v都是酉矩阵，满足：
I＝uuH＝vvH (22)；
s是一个对角矩阵，除了对角线的元素其他都是0，主对角线上的每个元素都称为奇异值；重新得到正交矩阵：
Figure BDA0002207496970000051
通过式(20)～式(23)求解出WP0和WQ0，使其别满足以下目标函数值最小：
Figure BDA0002207496970000052
当计算出使满足两组点云能够确定关系的旋转矩阵和平移矩阵后，通过ICP 算法不断产生迭代，直到满足条件后停止迭代。
与现有技术相比，本发明具有以下有益效果：
本发明通过拍照获取待扔垃圾的颜色点集R、G、B数据，并将该照片的颜色点集R、G、B数据排列成三个n*m矩阵，再将这三个矩阵分别写成列向量转换成一个三维矩阵，然后利用高度相关法对待扔垃圾点云集和库存中垃圾点云集进行配准，即求两个点云集之间的旋转平移矩阵，并使用粒子群优化算法对参数进行求解，使其旋转矩阵满足代价函数。最后采用ICP算法进行进一步深度配准，实现识别，看属于库存中的哪一类。便能够在扔垃圾之前只需拍下垃圾的照片进行与库存垃圾图片的点云配准即可实现垃圾的分类。这样可有效帮助人们认识哪些垃圾属于哪一类，减少了人工识别垃圾的时间，提高垃圾投扔处理等后续操作的时间，提高资源回收利用效率。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
下面结合附图说明和实施例对本发明作进一步说明，本发明的方式包括但不仅限于以下实施例。
实施例
如图1所示，本发明公开的一种基于高度相关的垃圾分类方法，包括如下步骤：
(S1)获取待扔垃圾的点云集：对待扔垃圾进行拍照，读取照片，获取待扔垃圾的颜色点集R、G、B数据，R、G、B数据均为n*m的二维矩阵；
(S2)将n*m的二维矩阵的R、G、B数据转化成三维矩阵数据，将R、G、B矩阵排成一列即：R(n*m)*1，G(n*m)*1，B(n*m)*1将若干列矩阵排成三维矩阵；
得到测量点云：
Figure BDA0002207496970000061
得到图像的库存点云：
Figure BDA0002207496970000062
再利用
Figure BDA0002207496970000063
得到：
Figure BDA0002207496970000064
即对点云进行中心化，使两个点云的中心均在原点处；其中，
Figure BDA0002207496970000065
为目标点云X的均值点，
Figure BDA0002207496970000066
为待配准点云Y的均值点。
(S3)利用相关系数最小法求符合点云配准的旋转矩阵R和平移矩阵Tk，并得到代价函数和；测量点云集X和库存点云集Y存在以下关系：
Y＝XR+Tk (5)；
对库存点云
Figure BDA0002207496970000067
和测量点云
Figure BDA0002207496970000068
进行旋转，使其满足各自的列向量之间的高度相关即：
Figure BDA0002207496970000069
式中WY，WX是正定矩阵，满足
Figure BDA00022074969700000610
另外：
Figure BDA00022074969700000611
由刚性几何变换关系可知点云
Figure BDA0002207496970000071
和点云
Figure BDA0002207496970000072
有以下关系：
Figure BDA0002207496970000073
即
Figure BDA0002207496970000074
将式(3)代入式(8)得：
Figure BDA0002207496970000075
即得到：
Figure BDA0002207496970000076
由
Figure BDA0002207496970000077
可知，当库存点云
Figure BDA0002207496970000078
和测量点云
Figure BDA0002207496970000079
的数据不存在遮挡、缺失不完整时，各对应列向量间的每个点的平均能量存在以下关系：
Figure BDA00022074969700000710
其中，
Figure BDA00022074969700000711
当库存点云
Figure BDA00022074969700000712
和测量点云
Figure BDA00022074969700000713
数据存在遮挡、缺失不完整或放缩时，各对应列向量间的每个点的平均能量存在一个比值Kj，其中：
Figure BDA00022074969700000714
对K值取其均值
Figure BDA00022074969700000715
对目标点云的尺寸放大1/K倍，有：
YK＝Y/K (13)；
相应的平移矩阵向量的求解如下：
Figure BDA00022074969700000716
R的求解不发生变化；
得到库存点云
Figure BDA00022074969700000717
各列向量之间的相关系数平方和的关系如下：
Figure BDA0002207496970000081
要使得各列向量之间的高度相关，即要以下代价函数和最小：
Figure BDA0002207496970000082
同理，对测量点云
Figure BDA0002207496970000083
各列向量之间的相关系数平方和的关系如下：
Figure BDA0002207496970000084
要使得各列向量之间的高度相关，即要以下代价函数和最小：
Figure BDA0002207496970000085
(S4)采用基于粒子群优化算法对代价函数和最小时的参数求解，使旋转矩阵R满足代价函数。粒子群优化算法(Particle Swarm Optimization，PSO)最早由Eberhart和Kennedy在1995年提出，是一种在解决多种优化问题中得到广泛应用和发展的群智能算法。PSO算法没有交叉和变异运算，依靠粒子速度完成搜索，并且在迭代进化中只有最优的粒子把信息传递给其它粒子，搜索速度快。因此，这里采用基于粒子群优化算法(PSO)进行求解。PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解称为个体极值。另一个极值是整个种群目前找到的最优解，这个极值是全局极值。
参数求解的具体过程如下：
在一个D维的目标搜索空间中，有α个粒子组成的一个群落，其中第i个粒子表示为一个D维的向量，其t时刻的速度更新如下：
Figure BDA0002207496970000086
其中，
Figure BDA0002207496970000087
表示第i个粒子在t时刻的速度变化；c1，c2表示学习因子，表示该区域内均匀分布的伪随机数，取值范围为[0，1]；
Figure BDA0002207496970000091
表示第i个粒子在t时刻的经历过的历史最好位置；
Figure BDA0002207496970000092
表示群体内所有粒子在t时刻所经历过的最好位置；
Figure BDA0002207496970000093
表示第i个粒子在t时刻的位置；
在速度更新之后，便是更新当前时刻的位置；当前时刻位置更新如下：
Figure BDA0002207496970000094
更新过后的
Figure BDA0002207496970000095
会不满足正交的约束条件，所以对其采用奇异值分解，即：
Figure BDA0002207496970000096
其中，u和v都是酉矩阵，满足：
I＝uuH＝vvH (22)；
s是一个对角矩阵，除了对角线的元素其他都是0，主对角线上的每个元素都称为奇异值；重新得到正交矩阵：
Figure BDA0002207496970000097
通过式(20)～式(23)求解出WP0和WQ0，使其别满足以下目标函数值最小：
Figure BDA0002207496970000098
当计算出使满足两组点云能够确定关系的旋转矩阵和平移矩阵后，通过ICP 算法不断产生迭代，直到满足条件后停止迭代。
(S5)实现配准，完成识别，根据不同颜色点云的均值进行特征分类，具有相同颜色点集的两个垃圾物品则被认为是同一类，完成垃圾分类。
通过上述设计，利用本发明的方法能够在扔垃圾之前只需拍下垃圾的照片进行与库存垃圾图片的点云配准即可实现垃圾的分类。这样可有效帮助人们认识哪些垃圾属于哪一类，减少了人工识别垃圾的时间，提高垃圾投扔处理等后续操作的时间，提高资源回收利用效率。因此，具有很高的使用价值和推广机制。
上述实施例仅为本发明的优选实施方式之一，不应当用于限制本发明的保护范围，但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色，其所解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内。

Claims (1)

1.一种基于高度相关的垃圾分类方法，其特征在于，包括如下步骤：
(S1)获取待扔垃圾的点云集：对待扔垃圾进行拍照，读取照片，获取待扔垃圾的颜色点集R、G、B数据，R、G、B数据均为n*m的二维矩阵；
(S2)将n*m的二维矩阵的R、G、B数据转化成三维矩阵数据，得到测量点云和库存点云矩阵，通过测量点云和库存点云矩阵获取目标点云和待配准点云的均值点；其中，R、G、B三维矩阵的转化包括步骤：
(S21)将R、G、B矩阵排成一列即：R(n*m)*1，G(n*m)*1，B(n*m)*1；
(S22)将步骤(S21)中的若干列矩阵排成三维矩阵；
得到测量点云：
Figure FDA0003685967840000011
得到图像的库存点云：
Figure FDA0003685967840000012
再利用
Figure FDA0003685967840000013
得到：
Figure FDA0003685967840000014
即对点云进行中心化，使两个点云的中心均在原点处；其中，
Figure FDA0003685967840000015
为目标点云X的均值点，
Figure FDA0003685967840000016
为待配准点云Y的均值点；
(S3)利用相关系数最小法求符合点云配准的旋转矩阵R和平移矩阵Tk，并得到代价函数和；其中，测量点云集X和库存点云集Y存在以下关系：
Y＝XR+Tk (5)；
对库存点云
Figure FDA0003685967840000017
和测量点云
Figure FDA0003685967840000018
进行旋转，使其满足各自的列向量之间的高度相关即：
Figure FDA0003685967840000019
式中WY，WX是正定矩阵，满足
Figure FDA0003685967840000021
另外：
Figure FDA0003685967840000022
由刚性几何变换关系可知点云
Figure FDA0003685967840000023
和点云
Figure FDA0003685967840000024
有以下关系：
Figure FDA0003685967840000025
将式(3)代入式(8)得：
Figure FDA0003685967840000026
即得到：
R＝WXWY -1 (10)；
由
Figure FDA0003685967840000027
可知，当库存点云
Figure FDA0003685967840000028
和测量点云
Figure FDA0003685967840000029
的数据不存在遮挡、缺失不完整时，各对应列向量间的每个点的平均能量存在以下关系：
Figure FDA00036859678400000210
其中，
Figure FDA00036859678400000211
当库存点云
Figure FDA00036859678400000212
和测量点云
Figure FDA00036859678400000213
数据存在遮挡、缺失不完整或放缩时，各对应列向量间的每个点的平均能量存在一个比值Ki，其中：
Figure FDA00036859678400000214
对K值取其均值
Figure FDA00036859678400000215
对目标点云的尺寸放大1/K倍，有：
YK＝Y/K (13)；
相应的平移矩阵向量的求解如下：
Figure FDA00036859678400000216
R的求解不发生变化；
得到库存点云
Figure FDA00036859678400000217
各列向量之间的相关系数平方和的关系如下：
Figure FDA0003685967840000031
要使得各列向量之间的高度相关，即要以下代价函数和最小：
Figure FDA0003685967840000032
同理，对测量点云
Figure FDA0003685967840000033
各列向量之间的相关系数平方和的关系如下：
Figure FDA0003685967840000034
要使得各列向量之间的高度相关，即要以下代价函数和最小：
Figure FDA0003685967840000035
(S4)采用基于粒子群优化算法对代价函数和最小时的参数求解，使旋转矩阵R满足代价函数；具体过程如下：
在一个D维的目标搜索空间中，有α个粒子组成的一个群落，其中第i个粒子表示为一个D维的向量，其t时刻的速度更新如下：
Figure FDA0003685967840000036
其中，
Figure FDA0003685967840000037
表示第i个粒子在t时刻的速度变化；c1，c2表示学习因子，r1，r2表示α个粒子组成的群落中均匀分布的伪随机数，取值范围为[0，1]；
Figure FDA0003685967840000038
表示第i个粒子在t时刻的经历过的历史最好位置；
Figure FDA0003685967840000039
表示群体内所有粒子在t时刻所经历过的最好位置；
Figure FDA00036859678400000310
表示第i个粒子在t时刻的位置；
在速度更新之后，便是更新当前时刻的位置；当前时刻位置更新如下：
Figure FDA00036859678400000311
更新过后的
Figure FDA00036859678400000312
会不满足正交的约束条件，所以对其采用奇异值分解，即：
Figure FDA00036859678400000313
其中，u和v都是酉矩阵，满足：
I＝uuH＝vvH (22)；
s是一个对角矩阵，除了对角线的元素其他都是0，主对角线上的每个元素都称为奇异值；重新得到正交矩阵：
Figure FDA0003685967840000041
通过式(20)～式(23)求解出WP0和WQ0，使其别满足以下目标函数值最小：
Figure FDA0003685967840000042
计算出使满足两组点云能够确定关系的旋转矩阵和平移矩阵后，通过ICP算法不断产生迭代，直到满足条件后停止迭代；
(S5)实现配准，完成识别，根据不同颜色点云的均值进行特征分类，具有相同颜色点集的两个垃圾物品则被认为是同一类，完成垃圾分类。
CN201910886623.6A 2019-09-19 2019-09-19 一种基于高度相关的垃圾分类方法 Active CN111275067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910886623.6A CN111275067B (zh) 2019-09-19 2019-09-19 一种基于高度相关的垃圾分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910886623.6A CN111275067B (zh) 2019-09-19 2019-09-19 一种基于高度相关的垃圾分类方法

Publications (2)

Publication Number Publication Date
CN111275067A CN111275067A (zh) 2020-06-12
CN111275067B true CN111275067B (zh) 2022-08-02

Family

ID=71001971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910886623.6A Active CN111275067B (zh) 2019-09-19 2019-09-19 一种基于高度相关的垃圾分类方法

Country Status (1)

Country Link
CN (1) CN111275067B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757333A (zh) * 2023-08-12 2023-09-15 中国人民解放军96901部队 一种基于居民满意度的分类垃圾箱优化配置方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507207A (zh) * 2017-07-07 2017-12-22 中国农业大学 一种基于果树冠层光照分布计算的修剪评价方法
CN107886529A (zh) * 2017-12-06 2018-04-06 重庆理工大学 一种用于三维重建的点云配准方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012126070A1 (en) * 2011-03-24 2012-09-27 Katholieke Universiteit Leuven Automatic volumetric analysis and 3d registration of cross sectional oct images of a stent in a body vessel
CN104573722A (zh) * 2015-01-07 2015-04-29 深圳市唯特视科技有限公司 基于三维点云的三维人脸种族分类装置和方法
US20180254101A1 (en) * 2017-03-01 2018-09-06 Ayasdi, Inc. Healthcare provider claims denials prevention systems and methods
CN109368079A (zh) * 2018-12-10 2019-02-22 浙江梧斯源通信科技股份有限公司 一种垃圾自动分类系统及方法
CN109977855A (zh) * 2019-03-25 2019-07-05 成都理工大学 一种基于student-t分布的脸部配准方法
CN110058237B (zh) * 2019-05-22 2020-10-09 中南大学 面向高分辨率SAR影像的InSAR点云融合及三维形变监测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507207A (zh) * 2017-07-07 2017-12-22 中国农业大学 一种基于果树冠层光照分布计算的修剪评价方法
CN107886529A (zh) * 2017-12-06 2018-04-06 重庆理工大学 一种用于三维重建的点云配准方法

Also Published As

Publication number Publication date
CN111275067A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN109903299B (zh) 一种条件式生成对抗网络的异源遥感图像配准方法及装置
CN106294705B (zh) 一种批量遥感影像预处理方法
CN105405138B (zh) 基于显著性检测的水面目标跟踪方法
CN107063228A (zh) 基于双目视觉的目标姿态解算方法
CN104778701A (zh) 一种基于rgb-d传感器的局部图像描述方法
CN104123554B (zh) 基于mmtd的sift图像特征提取方法
CN107491731A (zh) 一种面向精确打击的地面运动目标检测与识别方法
CN101847258A (zh) 一种光学遥感图像配准方法
CN106529368B (zh) 二维码识别区域定位的方法
CN111382658B (zh) 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法
CN104809731A (zh) 一种基于梯度二值化的旋转尺度不变场景匹配方法
CN111046789A (zh) 一种行人重识别方法
CN113256653B (zh) 一种面向高层地物的异源高分遥感影像配准方法
CN112036455A (zh) 一种图像识别方法、智能终端和存储介质
CN113408584A (zh) Rgb-d多模态特征融合3d目标检测方法
CN111275067B (zh) 一种基于高度相关的垃圾分类方法
CN114022459A (zh) 基于多时相卫星影像的超像素变化检测方法及系统
Choi et al. Learning descriptor, confidence, and depth estimation in multi-view stereo
CN105069459B (zh) 一种针对高分辨率sar图像地物类型提取方法
CN101320520A (zh) 一种车辆检测方法及其设备
CN112668662B (zh) 基于改进YOLOv3网络的野外山林环境目标检测方法
CN116703895B (zh) 基于生成对抗网络的小样本3d视觉检测方法及其系统
CN112633070A (zh) 高分辨率遥感影像建筑物提取方法及系统
CN115187969B (zh) 一种基于视觉识别的铅酸电池回收系统和方法

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