CN111415305A - 恢复三维场景的方法、计算机可读存储介质及无人机 - Google Patents
恢复三维场景的方法、计算机可读存储介质及无人机 Download PDFInfo
- Publication number
- CN111415305A CN111415305A CN202010162911.XA CN202010162911A CN111415305A CN 111415305 A CN111415305 A CN 111415305A CN 202010162911 A CN202010162911 A CN 202010162911A CN 111415305 A CN111415305 A CN 111415305A
- Authority
- CN
- China
- Prior art keywords
- matching cost
- cost calculation
- census
- picture
- calculation value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 68
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000003252 repetitive 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
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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 using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明适用于图像处理领域,提供了一种恢复三维场景的方法、计算机可读存储介质及无人机。所述方法包括:获取双目摄像头分别拍摄的左图片和右图片;对左图片和右图片进行双目校正;根据经过双目校正后的左图片和右图片进行匹配代价计算和视差估计,提取左图片和右图片的视差,得到深度图;其中,匹配代价计算具体为:根据图像灰度的变化趋势确定图像中的不同区域的权重,根据图像中的不同区域的权重、经AD变换后计算得到的匹配代价计算值和经Census变换后计算得到的匹配代价计算值计算最终匹配代价计算值;根据深度图进行三维重建,恢复三维场景。本发明对于灰度强度变化较大或者具有重复纹理的区域,提升了匹配代价计算值的准确率。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种恢复三维场景的方法、计算机可读存储介质及无人机。
背景技术
近年来,无人机市场发展迅猛,凭借着操作方便,作业效率高,相对成本低的优势,被广泛应用于气象监测、遥感、农业、电力巡检等领域;增强无人机的智能化,降低无人机驾驶员的使用数量,提高无人机在复杂环境下的适应能力,深化无人机在民用领域的应用,已经成为无人机市场的发展趋势。而双目立体视觉具有分辨精度高、设备成本低、原理上不存在外界干扰、相对环境适应能力强的特点,已经广泛应用于以上领域。实现双目立体视觉的关键通常为:匹配代价计算、代价聚合、视差估计和视差优化。匹配代价计算是视差估计的第一步。现有技术通常在匹配代价计算当中引入Census变换,虽然Census变换可以具有一定的抗噪声能力,可以降低光照造成的影响,提高复杂环境下匹配代价计算的鲁棒性。然而Census变换对于灰度强度变化较大或者具有重复纹理的区域,匹配代价计算的准确率低。
如表1和表2所示,是两个窗口的灰度值,尽管两个窗口的灰度值完全不同,但表1和表2经Census变换后结果均为00001111。由于Census变换只是确定不同位置灰度值的大小关系,Census变换结果实际中大量的灰度组合可以得到同样的模式。
发明内容
本发明的目的在于提供一种恢复三维场景的方法、计算机可读存储介质及无人机,旨在解决在匹配代价计算当中引入Census变换,对于灰度强度变化较大或者具有重复纹理的区域,匹配代价的准确率低的问题。
第一方面,本发明提供了一种恢复三维场景的方法,所述方法包括:
获取双目摄像头分别拍摄的左图片和右图片;
对左图片和右图片进行双目校正;
根据经过双目校正后的左图片和右图片进行匹配代价计算和视差估计,提取左图片和右图片的视差,得到深度图;其中,匹配代价计算具体为:根据图像灰度的变化趋势确定图像中的不同区域的权重,根据图像中的不同区域的权重、经AD变换后计算得到的匹配代价计算值和经Census变换后计算得到的匹配代价计算值计算最终匹配代价计算值;
根据深度图进行三维重建,恢复三维场景。
进一步地,Census变换具体为:
分别将窗口内与窗口中心像素位置呈中心对称的每两个像素进行强度大小比较,得到窗口内的所有像素的二进制码,将得到的所有像素的二进制码互相拼接,得到拼接后的一串二进制码作为匹配代价。
第二方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如所述的恢复三维场景的方法的步骤。
第三方面,本发明提供了一种无人机,包括:
一个或多个处理器;
存储器;
双目摄像头;以及
一个或多个计算机程序,其中所述存储器和双目摄像头分别通过总线与所述处理器连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述处理器执行所述计算机程序时实现如所述的恢复三维场景的方法的步骤。
在本发明中,由于根据经过双目校正后的左图片和右图片进行匹配代价计算和视差估计,提取左图片和右图片的视差,得到深度图时,根据图像灰度的变化趋势确定图像中的不同区域的权重,根据图像中的不同区域的权重、经AD变换后计算得到的匹配代价计算值和经Census变换后计算得到的匹配代价计算值计算最终匹配代价计算值。因此对于灰度强度变化较大或者具有重复纹理的区域,提升了匹配代价计算值的准确率。
又由于Census变换具体为:分别将窗口内与窗口中心像素位置呈中心对称的每两个像素进行强度大小比较,得到窗口内的所有像素的二进制码,将得到的所有像素的二进制码互相拼接,得到拼接后的一串二进制码作为匹配代价。因此对于位置关系要求更加苛刻,大大降低了出现相同模式的可能性,对于图像灰度变化较大的区域,如图像边缘更加清晰,匹配效果更为显著,且存储空间减少了一半。
附图说明
图1是本发明实施例一提供的恢复三维场景的方法的流程图。
图2是现有技术的Census变换的编码方式的示意图。
图3是本发明实施例一提供的恢复三维场景的方法中,改进后Census变换的编码方式的示意图。
图4是本发明实施例三提供的无人机的具体结构框图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
请参阅图1,本发明实施例一提供的恢复三维场景的方法包括以下步骤:
S101、获取双目摄像头分别拍摄的左图片和右图片。
S102、对左图片和右图片进行双目校正。
在本发明实施例一中,S102具体包括以下步骤:
对左图片和右图片进行畸变矫正和双目校正。
畸变矫正旨在获取双目摄像头的内外参数,消除双目摄像头的自身畸变;双目校正能将歪斜的左图片和右图片调至共面行对准,降低图像匹配的运算复杂度。
S103、根据经过双目校正后的左图片和右图片进行匹配代价计算和视差估计,提取左图片和右图片的视差,得到深度图;其中,匹配代价计算具体为:根据图像灰度的变化趋势确定图像中的不同区域的权重,根据图像中的不同区域的权重、经AD变换后计算得到的匹配代价计算值和经Census变换后计算得到的匹配代价计算值计算最终匹配代价计算值。
在本发明实施例一中,S103具体包括以下步骤:
根据经过双目校正后的左图片和右图片进行匹配代价计算、代价聚合、视差估计和视差优化,提取左图片和右图片的视差,得到深度图。
具体可以为:
根据经过双目校正后的左图片和右图片进行匹配代价计算得到匹配代价计算值;匹配代价计算值是一种像素特征间的相似性度量,作为左图片和右图片的像素匹配时的依据,其度量的精度对整个算法产生至关重要的影响;
对计算得到的匹配代价计算值进行代价聚合中,通过全局能量函数,将左图片和右图片分散的匹配代价计算值互相关联,将求解函数转化为一个全局最优化问题,进一步精化匹配代价计算值;
根据精化后的匹配代价计算值求解左图片和右图片的视差;
通过左右一致性检测、滤波等方法提升视差的精度,输出深度图。
在本发明实施例一中,所述根据图像灰度的变化趋势确定图像中的不同区域的权重,根据图像中的不同区域的权重、经AD变换后计算得到的匹配代价计算值和经Census变换后计算得到的匹配代价计算值计算最终匹配代价计算值具体可以包括:
根据公式一计算基准图片像素点p与待匹配图片在视差范围内的对应视差d的像素的匹配代价计算值C(x,y,d),
C(x,y,d)=(1-α)ρ(CCensus(x,y,d),λCensus)+αρ(CAD(x,y,d),λAD) (公式一),
其中,(x,y)为基准图片像素点p的坐标,d为视差,α是图像中的不同区域的权重,CCensus(x,y,d)是经Census变换后计算得到的匹配代价计算值,CAD(x,y,d)是经AD变换后计算得到的匹配代价计算值,λCensus为Census变换的映射系数,λAD为AD变换的映射系数,ρ为一种变换,通过公式二将经Census变换后计算得到的匹配代价计算值和经AD变换后计算得到的匹配代计算值价映射到[0,1],
其中,C表示匹配代价计算值,λ为映射系数,根据实际情况进行调整。
由于梯度能够表示图像灰度的变化趋势,在灰度较为平滑的区域,梯度值相对较低,而在图像变化较大的区域,梯度值相对较高。因此,在本发明实施例一中,利用梯度计算图像中的不同区域的权重α,通过公式三计算图像中的不同区域的权重α,
其中,γ为梯度系数,根据实际情况进行调整,grad为图像的梯度。
由于Census变换仅仅表示了中心像素与周围像素的大小关系与位置关系,并没有涉及具体像素值,因此对图像噪声,特别是光照影响有很好的抵御效果。虽然Census变换具有鲁棒性较强,易于实现的优点,与局部匹配算法类似,变换窗口越大,包含的像素信息越多,匹配代价计算也越准确;但是,由于需要二进制编码,也使得大窗口下对完成一幅图片匹配代价计算的内存需求急剧增加。图2所示,说明了现有技术的Census变换的编码方式。将窗口内的像素从左上角到右下角依次与中心像素进行比较,得到关于中心像素的二进制码后,沿箭头的方向进行编码,这将消耗2N位的内存,N表示窗口内除了中心像素以外的像素个数。例如,通常使用的窗口大小为7*9,则匹配代价计算将需要4字节的内存,对于分辨率为640*480、最大视差范围为64的图片,存储所需内存将达到75M,这在存储空间有限的嵌入式设备内是不被允许的。
因此,在本发明实施例一中,为Census变换重新设计窗口内的比较方案,所述Census变换具体为:
分别将窗口内与窗口中心像素位置呈中心对称的每两个像素进行强度大小比较,得到窗口内的所有像素的二进制码,将得到的所有像素的二进制码互相拼接,得到拼接后的一串二进制码作为匹配代价。
所述将得到的所有像素的二进制码互相拼接具体可以为:在窗口内根据预设的顺序将得到的所有像素的二进制码组成一串二进制码作为匹配代价。
如图3所示,为本申请改进后的Census变换的编码方式示意图。例如,第一区域1和第二区域2分别沿着箭头的路径进行比较,例如n1与n24进行比较,n2与n23进行比较,直到箭头的路径末尾最靠近中心区域的像素为止,最后将得到的所有像素的二进制码按箭头的路径顺序组成一串二进制码。同一个窗口下的代价与现有技术的Census变换相比,二进制码减少一半。又比如,常用的9*7窗口只需31个二进制码进行表示,而现有技术的Census变换需要63个位。由于完全表达了中心像素周围的像素强度关系,因此匹配代价计算的效果并未减弱。本申请改进后的Census变换的编码方式由于将窗口内与窗口中心像素位置呈中心对称的每两个像素进行强度大小比较,取代将中心像素与周围像素一一进行比较的方式,因此对于位置关系要求更加苛刻,大大降低了出现相同模式的可能性,对于图像灰度变化较大的区域,如图像边缘更加清晰,匹配效果更为显著。
所述分别将窗口内与窗口中心像素位置呈中心对称的每两个像素进行强度大小比较,得到窗口内的所有像素的二进制码具体为:
通过公式四计算得到经Census变换得到的二进制码Census(x,y),
其中,(x,y)为中心像素在整张图片中的坐标,为二进制码拼接算子,i和j为窗口内像素索引,中心像素索引为(0,0),L表示窗口区域,ξ为大小比较算子,如果大小比较算子中的第一个参数大于第一个参数,则取1,反之取0,这样将得到一个二进制码,如公式五所示,
所述经Census变换后计算得到的匹配代价计算值具体是通过以下方式计算的:
通过公式六利用汉明距描述像素间的相似度,计算得到的匹配代价计算值,
CCensus(x,y,d)=Hamming(Censusm(x,y),Censusb(x-d,y)) (公式六)
其中,(x,y)为基准图片像素点p的坐标,d为视差,Censusm为待匹配图片的匹配代价,Censusb为基准图片搜索范围内视差为d的匹配代价。
S104、根据深度图进行三维重建,恢复三维场景。
实施例二:
本发明实施例二提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如本发明实施例一提供的恢复三维场景的方法的步骤。
实施例三:
图4示出了本发明实施例三提供的无人机的具体结构框图,一种无人机100包括:一个或多个处理器101、存储器102、双目摄像头103以及一个或多个计算机程序,其中所述存储器102和双目摄像头103分别通过总线与所述处理器101连接,所述一个或多个计算机程序被存储在所述存储器102中,并且被配置成由所述一个或多个处理器101执行,所述处理器101执行所述计算机程序时实现如本发明实施例一提供的恢复三维场景的方法的步骤。
在本发明中,由于根据经过双目校正后的左图片和右图片进行匹配代价计算和视差估计,提取左图片和右图片的视差,得到深度图时,根据图像灰度的变化趋势确定图像中的不同区域的权重,根据图像中的不同区域的权重、经AD变换后计算得到的匹配代价和经Census变换后计算得到的匹配代价计算最终匹配代价。因此对于灰度强度变化较大或者具有重复纹理的区域,提升了匹配代价的准确率。
又由于Census变换具体为:分别将窗口内与窗口中心像素位置呈中心对称的每两个像素进行强度大小比较,得到窗口内的所有像素的二进制码,将得到的所有像素的二进制码互相拼接。因此对于位置关系要求更加苛刻,大大降低了出现相同模式的可能性,对于图像灰度变化较大的区域,如图像边缘更加清晰,匹配效果更为显著,且存储空间减少了一半。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,RandomAccess Memory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种恢复三维场景的方法,其特征在于,所述方法包括:
获取双目摄像头分别拍摄的左图片和右图片;
对左图片和右图片进行双目校正;
根据经过双目校正后的左图片和右图片进行匹配代价计算和视差估计,提取左图片和右图片的视差,得到深度图;其中,匹配代价计算具体为:根据图像灰度的变化趋势确定图像中的不同区域的权重,根据图像中的不同区域的权重、经AD变换后计算得到的匹配代价计算值和经Census变换后计算得到的匹配代价计算值计算最终匹配代价计算值;
根据深度图进行三维重建,恢复三维场景。
2.如权利要求1所述的方法,其特征在于,所述对左图片和右图片进行双目校正具体包括:
对左图片和右图片进行畸变矫正和双目校正。
3.如权利要求1所述的方法,其特征在于,所述根据经过双目校正后的左图片和右图片进行匹配代价计算和视差估计,提取左图片和右图片的视差,得到深度图具体包括:
根据经过双目校正后的左图片和右图片进行匹配代价计算、代价聚合、视差估计和视差优化,提取左图片和右图片的视差,得到深度图。
4.如权利要求1所述的方法,其特征在于,所述根据图像灰度的变化趋势确定图像中的不同区域的权重,根据图像中的不同区域的权重、经AD变换后计算得到的匹配代价计算值和经Census变换后计算得到的匹配代价计算值计算最终匹配代价计算值具体包括:
根据公式一计算基准图片像素点p与待匹配图片在视差范围内的对应视差d的像素的匹配代价计算值C(x,y,d),
C(x,y,d)=(1-α)ρ(CCensus(x,y,d),λCensus)+αρ(CAD(x,y,d),λAD)(公式一),
其中,(x,y)为基准图片像素点p的坐标,d为视差,α是图像中的不同区域的权重,CCensus(x,y,d)是经Census变换后计算得到的匹配代价计算值,CAD(x,y,d)是经AD变换后计算得到的匹配代价计算值,λCensus为Census变换的映射系数,λAD为AD变换的映射系数,ρ为一种变换,通过公式二将经Census变换后计算得到的匹配代价计算值和经AD变换后计算得到的匹配代价计算值映射到[0,1],
其中,C表示匹配代价计算值,λ为映射系数,根据实际情况进行调整。
6.如权利要求1所述的方法,其特征在于,Census变换具体为:
分别将窗口内与窗口中心像素位置呈中心对称的每两个像素进行强度大小比较,得到窗口内的所有像素的二进制码,将得到的所有像素的二进制码互相拼接,得到拼接后的一串二进制码作为匹配代价。
8.如权利要求7所述的方法,其特征在于,所述将得到的所有像素的二进制码互相拼接,得到拼接后的一串二进制码作为匹配代价具体为:在窗口内根据预设的顺序将得到的所有像素的二进制码组成一串二进制码作为匹配代价;
所述经Census变换后计算得到的匹配代价计算值具体是通过以下方式计算的:
通过公式六利用汉明距描述像素间的相似度,计算得到的匹配代价计算值,
CCensus(x,y,d)=Hamming(Censusm(x,y),Censusb(x-d,y)) (公式六)
其中,(x,y)为基准图片像素点p的坐标,d为视差,Censusm为待匹配图片的匹配代价,Censusb为基准图片搜索范围内视差为d的匹配代价。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的恢复三维场景的方法的步骤。
10.一种无人机,包括:
一个或多个处理器;
存储器;
双目摄像头;以及
一个或多个计算机程序,其中所述存储器和双目摄像头分别通过总线与所述处理器连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的恢复三维场景的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010162911.XA CN111415305A (zh) | 2020-03-10 | 2020-03-10 | 恢复三维场景的方法、计算机可读存储介质及无人机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010162911.XA CN111415305A (zh) | 2020-03-10 | 2020-03-10 | 恢复三维场景的方法、计算机可读存储介质及无人机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111415305A true CN111415305A (zh) | 2020-07-14 |
Family
ID=71492798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010162911.XA Pending CN111415305A (zh) | 2020-03-10 | 2020-03-10 | 恢复三维场景的方法、计算机可读存储介质及无人机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111415305A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233163A (zh) * | 2020-12-14 | 2021-01-15 | 中山大学 | 一种激光雷达立体相机融合的深度估计方法、装置及其介质 |
CN113610964A (zh) * | 2021-05-18 | 2021-11-05 | 电子科技大学 | 一种基于双目视觉的三维重建方法 |
CN114757985A (zh) * | 2022-04-15 | 2022-07-15 | 湖南工程学院 | 基于zynq改进算法的双目深度感知装置及图像处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999913A (zh) * | 2012-11-29 | 2013-03-27 | 清华大学深圳研究生院 | 一种基于可信点传播的局部立体匹配方法 |
CN109887008A (zh) * | 2018-08-31 | 2019-06-14 | 河海大学常州校区 | 基于前后向平滑和o(1)复杂度视差立体匹配方法、装置和设备 |
CN110473219A (zh) * | 2019-07-31 | 2019-11-19 | 天津大学 | 基于邻域相关信息的立体匹配方法 |
CN110473217A (zh) * | 2019-07-25 | 2019-11-19 | 沈阳工业大学 | 一种基于Census变换的双目立体匹配方法 |
-
2020
- 2020-03-10 CN CN202010162911.XA patent/CN111415305A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999913A (zh) * | 2012-11-29 | 2013-03-27 | 清华大学深圳研究生院 | 一种基于可信点传播的局部立体匹配方法 |
CN109887008A (zh) * | 2018-08-31 | 2019-06-14 | 河海大学常州校区 | 基于前后向平滑和o(1)复杂度视差立体匹配方法、装置和设备 |
CN110473217A (zh) * | 2019-07-25 | 2019-11-19 | 沈阳工业大学 | 一种基于Census变换的双目立体匹配方法 |
CN110473219A (zh) * | 2019-07-31 | 2019-11-19 | 天津大学 | 基于邻域相关信息的立体匹配方法 |
Non-Patent Citations (3)
Title |
---|
王云峰等: "基于自适应权重AD-Census变换的双目立体匹配", 《工程科学与技术》 * |
葛云峰: "自适应权重立体匹配算法研究", 《中国优秀硕士学位论文全文数据库》 * |
金加栋: "基于嵌入式GPU的自由视点视频深度图像生成软件设计",", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233163A (zh) * | 2020-12-14 | 2021-01-15 | 中山大学 | 一种激光雷达立体相机融合的深度估计方法、装置及其介质 |
CN112233163B (zh) * | 2020-12-14 | 2021-03-30 | 中山大学 | 一种激光雷达立体相机融合的深度估计方法、装置及其介质 |
CN113610964A (zh) * | 2021-05-18 | 2021-11-05 | 电子科技大学 | 一种基于双目视觉的三维重建方法 |
CN113610964B (zh) * | 2021-05-18 | 2023-06-02 | 电子科技大学 | 一种基于双目视觉的三维重建方法 |
CN114757985A (zh) * | 2022-04-15 | 2022-07-15 | 湖南工程学院 | 基于zynq改进算法的双目深度感知装置及图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009674B (zh) | 基于无监督深度学习的单目图像景深实时计算方法 | |
CN104867135B (zh) | 一种基于指导图像引导的高精度立体匹配方法 | |
CN108596975B (zh) | 一种针对弱纹理区域的立体匹配算法 | |
CN111415305A (zh) | 恢复三维场景的方法、计算机可读存储介质及无人机 | |
US11461911B2 (en) | Depth information calculation method and device based on light-field-binocular system | |
CN116309757B (zh) | 基于机器视觉的双目立体匹配方法 | |
CN111105452B (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
CN112929626B (zh) | 一种基于智能手机影像的三维信息提取方法 | |
CN113763269A (zh) | 一种用于双目图像的立体匹配方法 | |
CN116029996A (zh) | 立体匹配的方法、装置和电子设备 | |
CN116129037B (zh) | 视触觉传感器及其三维重建方法、系统、设备及存储介质 | |
CN114445480A (zh) | 基于Transformer的热红外图像立体匹配方法及装置 | |
CN111739071A (zh) | 基于初始值的快速迭代配准方法、介质、终端和装置 | |
CN108447084B (zh) | 基于orb特征的立体匹配补偿方法 | |
CN112634305B (zh) | 一种基于边缘特征匹配的红外视觉里程计实现方法 | |
CN113628334A (zh) | 视觉slam方法、装置、终端设备及存储介质 | |
CN111023994B (zh) | 一种基于多重测量的光栅三维扫描方法及系统 | |
CN113269823A (zh) | 深度数据获取方法、装置、存储介质与电子设备 | |
Wang et al. | Absolute depth measurement of objects based on monocular vision | |
CN114998532B (zh) | 一种基于数字图像重建的三维影像视觉传达优化方法 | |
CN113884025B (zh) | 增材制造结构光回环检测方法、装置、电子设备和存储介质 | |
CN106651950B (zh) | 一种基于二次曲线透视投影不变性的单相机位姿估计方法 | |
CN111768437B (zh) | 一种用于矿井巡检机器人的图像立体匹配方法及装置 | |
Yang et al. | Stereo Matching Algorithm Based on Improved Census Transform | |
CN110910438B (zh) | 一种超高分辨率双目图像的高速立体匹配算法 |
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: 20200714 |
|
RJ01 | Rejection of invention patent application after publication |