CN111553927A - 棋盘格角点检测方法、检测系统、计算机装置及存储介质 - Google Patents
棋盘格角点检测方法、检测系统、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN111553927A CN111553927A CN202010332027.6A CN202010332027A CN111553927A CN 111553927 A CN111553927 A CN 111553927A CN 202010332027 A CN202010332027 A CN 202010332027A CN 111553927 A CN111553927 A CN 111553927A
- Authority
- CN
- China
- Prior art keywords
- corner
- detection
- image
- point
- checkerboard
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及角点检测技术领域,具体地说,涉及棋盘格角点检测方法、检测系统、计算机装置及存储介质。本发明的设计通过光照校正算法,多尺度模板算子和多分数阈值筛选来提高户外环境的检测结果;Scharr算子及多尺度图像角点检测对变形较大等成像质量较差的棋盘格也有较好改善作用;ROI循环筛选机制减少人工操作,提高角点检测准确率,同时为一张图片中多个棋盘格提供很好的解决方案。本发明实现了在复杂环境中仍可以准确识别出棋盘格角点的目的,减少了相机标定对场景及人工的依赖性,使得标定场景不再局限于亮度均匀的室内,同时解决了多棋盘格和棋盘格变形较大的检测问题。
Description
技术领域
本发明涉及角点检测技术领域,具体地说,涉及棋盘格角点检测方法、检测系统、计算机装置及存储介质。
背景技术
目前常用的棋盘格角点检测算法大概可以分为通用角点检测,专用棋盘格角点检测和模板匹配法。通用角点检测算法主要采用harris角点检测或者susan角点检测检测出所有角点再进行筛选,由于检测的是所有角点,该方法在实际情况中效率不高,且识别效果较差。而专用棋盘格角点检测算法借鉴了通用角点检测算法,再针对棋盘格黑白排列的特征分布进行角点检测筛选,但是此方法需要人工设置阈值过滤误差点,且鲁棒性较差,复杂环境下不易识别。模板匹配法针对棋盘格角点提出几种固定模板进行卷积得到角点分数图,再进一步筛选,此方法对光照不均匀及棋盘格变形过大等情况不易识别。现有技术存在的缺点:无法在室外复杂环境下进行高准确率识别,无法识别棋盘格变形较大情况,需要人工设置阈值筛选角点。要改善这些问题的难点在于:如何在光照不均匀情况下检测到角点,如何改善设备带来的棋盘格成像质量差的情况,如何保证减少人工干预的情况下进行自动化识别。
发明内容
本发明的目的在于提供棋盘格角点检测方法、检测系统、计算机装置及存储介质,以解决上述背景技术中提出的问题。
为实现上述技术问题的解决,本发明的目的之一在于,提供了一种棋盘格角点检测方法,包括预处理的步骤、角点检测的步骤和角点筛选的步骤,
S1.所述预处理的步骤用于负责对原始图像进行光照校正及归一化;
S2.所述角点检测的步骤用于负责对预处理后图像进行角点检测,并精细化检测结果;
S3.所述角点筛选的步骤用于负责对检测到的角点进行多阈值循环判断筛选。
作为本发明的一种优选技术方案,所述预处理的步骤具体包括:
S1.1、灰度化处理,图像灰度化处理,减少图像色彩信息,简化后续算法;
S1.2、光照校正:
S1.2.1、设置N*M大小的窗口遍历图像,并计算每个窗口的灰度平均值,得到亮度矩阵T;
S1.2.2、将矩阵T中元素减去原图平均灰度,得到亮度差矩阵F;
S1.2.3、采用双线性插值将矩阵F放大到原图大小,并用原图减去放大后的F矩阵,得到校正图;
S1.3、梯度计算及归一化:为了改善图像变形较大的问题,采用Scharr算子卷积后计算图像梯度角度,并将其归一化到(0,PI)(PI为圆周率),图像强度,将其归一化到(0,1)。该算子比Sobel算子具有更强的中心元素占比,可以更好的强化边缘梯度,对于变形较大的图像可以达到较好的改善作用。光照校正算法对复杂环境下的角点检测有一定的改善作用。
作为本发明的一种优选技术方案,所述角点检测的步骤具体包括:角点检测、非极大值抑制、梯度统计过滤、亚像素精细化角点和多尺度图像角点检测的处理过程。
作为本发明的一种优选技术方案,所述角点检测的处理过程包括如下步骤:
S2.1.1、根据棋盘格实际效果定义3种不同尺度角点模板原型,每种尺度包含3个模板,每个模板包含4种滤波器核(上下左右4个方向,组成两组对角),3种模板分别代表与坐标轴平行,旋转45度,旋转22.5度,其中旋转22.5度用于检测偏离图像中心变形情况严重的棋盘格,不同尺度模板可以保证不同大小的棋盘格均可以有效检出;
S2.1.2、利用角点模板对图像进行卷积求和平均,计算像素卷积响应平均值μ,计算方式如下:
(i为图像中任一像素点,X=A,B,C,D代表4种滤波器)表示卷积原型A在某一像素点的卷积响应,为考虑到棋盘格可能出现左对角线为黑,右对角线为白;或者左对角线为白,右对角线为黑的情况,计算这两种情况的最小响应其中:
cj为不同尺度下的最佳响应;
cmax=max(c1,c2,c3)……(式2-1);
采用不同尺度的卷积核算子可以改善户外复杂环境对棋盘格检测的影响,而多角度算子对变形较大的棋盘格图像也可以达到一定的识别率;
所述非极大值抑制的处理过程包括如下步骤:
S2.2.1、设置N*N窗口,遍历像素,找到窗口内角点像素坐标;
S2.2.2、以该坐标为检测点,如果窗口内存在更大值,则该值为新的检测坐标,继续上述步骤,否则判断其值是否大于预设的阈值,大于则为满足条件的角点;
S2.2.3、循环遍历全图,执行S2.2.2。
通过极大值抑制初步删除相邻误差点;
所述梯度统计过滤的处理过程包括如下步骤:
S2.3..1、对每个角点,以像素点坐标为中心,设置N*N窗口,计算窗口梯度方向和幅值;
S2.3..2、将梯度方向映射到32bin直方图中,对直方图进行高斯平滑,然后用meanshift方法寻找该直方图的两个局部极大值a1,a2;
S2.3..3、正常角点在直方图中应该存在两个幅值相当的局部极大值,且两点对应的梯度角大于预设阈值才认为该点有效;
梯度过滤可以先过滤一些不是角点的误差值。
所述亚像素精细化角点处理过程包括如下步骤:
S2.4.1、遍历角点,假定q为待求亚像素点,pi为q周围的点(已知坐标),Gi为pi处灰度,根据“角点位置特征:边缘的交点,且角点与边缘点的连线和边缘点的梯度方向垂直”,可以得到公式:
Gi*(pi-q)……(式3);
S2.4.2、将式3展开并用最小二乘法求解,得到:
亚像素点只有一个,角点坐标q:有多个。所以各点处要进行梯度求和,并引入高斯权重模拟距离加权,最后将式3-1修正为:
S2.4.3、利用最小二乘法迭代求解式3-2,多次迭代可得到一系列q1,q1,q1…qn。指定结果精度ε=1.0e-6,如果qn-qn-1≤ε,则认为qn为最优解。
所述多尺度图像角点检测的处理过程包括如下步骤:
S2.5.1、将图像放大一倍,重复上述步骤,得到大尺度角点集;
S2.5.2、将图像缩放回原图大小,将不同尺度的角点进行极大值抑制得到角点检测模块结果。
多尺度图像角点检测对于成像质量较差的棋盘格图像(如:形变较大)有较好的识别效果。
作为本发明的一种优选技术方案,所述角点筛选的步骤包括角点分数计算和ROI循环筛选的处理过程,其中,所述角点分数计算的处理过程包括如下步骤:
S3.1.1、根据角点检测模块梯度统计过滤中计算的当前角点的两个主方向向量α1,α2创建模板(仍然包括3个尺度);
S3.1.2、模板卷积得到梯度分数,计算方法与角点检测模块中最佳响应cmax计算方式一致,最后的角点分数为梯度得分*角点检测模块中的最佳响应;
S3.1.3、计算角点分数用于后续角点筛选,根据实际情况可选出所需要的角点。
作为本发明的一种优选技术方案,所述ROI循环筛选的处理过程包括如下步骤:
S2.2.2.1、针对一张图片多棋盘格情况,在复杂的室外环境中,为达到较高的准确率,在常见固定场景的工业应用中,可提供ROI设置方法提高角点识别率,一个ROI对应一个棋盘格;
S2.2.2.2、对每个ROI设置分数区间,循环判断满足条件的角点;
S2.2.2.3、每个循环内进行角点距离判断,对独立存在的点进行删除;根据棋盘格样式判断内角点是否组成四边形,对不组成四边形的棋盘格进行直线或者单点判断;如果棋盘格摆放角度已知还可以根据直线斜率等特性进行判断。
ROI设置分数区间自动循环判断,减少人工干预,多阈值可以满足大部分复杂场景的角点筛选。
本发明的目的之二在于,提供一种棋盘格角点检测系统,包括预处理模块、角点检测模块和角点筛选模块,其中:所述预处理模块负责对原始图像进行光照校正及归一化;所述角点检测模块负责对预处理后图像进行角点检测,并精细化检测结果;所述角点筛选模块负责对检测到的角点进行多阈值循环判断筛选。
本发明的目的之三在于,提供一种计算机装置,其中:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行上述计算机程序时实现如上所述的方法的步骤。
本发明的目的之四在于,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,其中:所述计算机程序被处理器执行时实现如上所述的方法的步骤。
与现有技术相比,本发明的有益效果:该棋盘格角点检测方法、检测系统、计算机装置及存储介质中,通过光照校正算法,多尺度模板算子和多分数阈值筛选来提高户外环境的检测结果;Scharr算子及多尺度图像角点检测对变形较大等成像质量较差的棋盘格也有较好改善作用;ROI循环筛选机制减少人工操作,提高角点检测准确率,同时为一张图片中多个棋盘格提供很好的解决方案。本发明实现了在复杂环境中仍可以准确识别出棋盘格角点的目的,减少了相机标定对场景及人工的依赖性,使得标定场景不再局限于亮度均匀的室内,同时解决了多棋盘格和棋盘格变形较大的检测问题。
附图说明
图1为本发明的整体算法流程图;
图2为本发明实施例所涉及的计算机装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1所示,本发明提供一种棋盘格角点检测方法,包括预处理的步骤、角点检测的步骤和角点筛选的步骤,
S1.所述预处理的步骤用于负责对原始图像进行光照校正及归一化;
S2.所述角点检测的步骤用于负责对预处理后图像进行角点检测,并精细化检测结果;
S3.所述角点筛选的步骤用于负责对检测到的角点进行多阈值循环判断筛选。
作为本发明的一种优选技术方案,所述预处理的步骤具体包括:
S1.1、灰度化处理,图像灰度化处理,减少图像色彩信息,简化后续算法;
S1.2、光照校正:
S1.2.1、设置N*M大小的窗口遍历图像,并计算每个窗口的灰度平均值,得到亮度矩阵T;
S1.2.2、将矩阵T中元素减去原图平均灰度,得到亮度差矩阵F;
S1.2.3、采用双线性插值将矩阵F放大到原图大小,并用原图减去放大后的F矩阵,得到校正图;
S1.3、梯度计算及归一化:为了改善图像变形较大的问题,采用Scharr算子卷积后计算图像梯度角度,并将其归一化到(0,PI)(PI为圆周率),图像强度,将其归一化到(0,1)。该算子比Sobel算子具有更强的中心元素占比,可以更好的强化边缘梯度,对于变形较大的图像可以达到较好的改善作用。光照校正算法对复杂环境下的角点检测有一定的改善作用。
作为本发明的一种优选技术方案,所述角点检测的步骤具体包括:角点检测、非极大值抑制、梯度统计过滤、亚像素精细化角点和多尺度图像角点检测的处理过程。
作为本发明的一种优选技术方案,所述角点检测的处理过程包括如下步骤:
S2.1.1、根据棋盘格实际效果定义3种不同尺度角点模板原型,每种尺度包含3个模板,每个模板包含4种滤波器核(上下左右4个方向,组成两组对角),3种模板分别代表与坐标轴平行,旋转45度,旋转22.5度,其中旋转22.5度用于检测偏离图像中心变形情况严重的棋盘格,不同尺度模板可以保证不同大小的棋盘格均可以有效检出;
S2.1.2、利用角点模板对图像进行卷积求和平均,计算像素卷积响应平均值μ,计算方式如下:
(i为图像中任一像素点,X=A,B,C,D代表4种滤波器)表示卷积原型A在某一像素点的卷积响应,为考虑到棋盘格可能出现左对角线为黑,右对角线为白;或者左对角线为白,右对角线为黑的情况,计算这两种情况的最小响应其中:
cj为不同尺度下的最佳响应;
cmax=max(c1,c2,c3)……(式2-1);
采用不同尺度的卷积核算子可以改善户外复杂环境对棋盘格检测的影响,而多角度算子对变形较大的棋盘格图像也可以达到一定的识别率。
作为本发明的一种优选技术方案,所述非极大值抑制的处理过程包括如下步骤:
S2.2.1、设置N*N窗口,遍历像素,找到窗口内角点像素坐标;
S2.2.2、以该坐标为检测点,如果窗口内存在更大值,则该值为新的检测坐标,继续上述步骤,否则判断其值是否大于预设的阈值,大于则为满足条件的角点;
S2.2.3、循环遍历全图,执行S2.2.2。
通过极大值抑制初步删除相邻误差点。
作为本发明的一种优选技术方案,所述梯度统计过滤的处理过程包括如下步骤:
S2.3..1、对每个角点,以像素点坐标为中心,设置N*N窗口,计算窗口梯度方向和幅值;
S2.3..2、将梯度方向映射到32bin直方图中,对直方图进行高斯平滑,然后用meanshift方法寻找该直方图的两个局部极大值a1,a2;
S2.3..3、正常角点在直方图中应该存在两个幅值相当的局部极大值,且两点对应的梯度角大于预设阈值才认为该点有效。
梯度过滤可以先过滤一些不是角点的误差值。
作为本发明的一种优选技术方案,所述亚像素精细化角点处理过程包括如下步骤:
S2.4.1、遍历角点,假定q为待求亚像素点,pi为q周围的点(已知坐标),Gi为pi处灰度,根据“角点位置特征:边缘的交点,且角点与边缘点的连线和边缘点的梯度方向垂直”,可以得到公式:
Gi*(pi-q)……(式3);
S2.4.2、将式3展开并用最小二乘法求解,得到:
亚像素点只有一个,角点坐标q:有多个。所以各点处要进行梯度求和,并引入高斯权重模拟距离加权,最后将式3-1修正为:
S2.4.3、利用最小二乘法迭代求解式3-2,多次迭代可得到一系列q1,q1,q1…qn。指定结果精度ε=1.0e-6,如果qn-qn-1≤ε,则认为qn为最优解。
作为本发明的一种优选技术方案,所述多尺度图像角点检测的处理过程包括如下步骤:
S2.5.1、将图像放大一倍,重复上述步骤,得到大尺度角点集;
S2.5.2、将图像缩放回原图大小,将不同尺度的角点进行极大值抑制得到角点检测模块结果。
多尺度图像角点检测对于成像质量较差的棋盘格图像(如:形变较大)有较好的识别效果。
作为本发明的一种优选技术方案,所述角点筛选的步骤包括角点分数计算和ROI循环筛选的处理过程,其中,所述角点分数计算的处理过程包括如下步骤:
S3.1.1、根据角点检测模块梯度统计过滤中计算的当前角点的两个主方向向量α1,α2创建模板(仍然包括3个尺度);
S3.1.2、模板卷积得到梯度分数,计算方法与角点检测模块中最佳响应cmax计算方式一致,最后的角点分数为梯度得分*角点检测模块中的最佳响应;
S3.1.3、计算角点分数用于后续角点筛选,根据实际情况可选出所需要的角点。
作为本发明的一种优选技术方案,所述ROI循环筛选的处理过程包括如下步骤:
S2.2.2.1、针对一张图片多棋盘格情况,在复杂的室外环境中,为达到较高的准确率,在常见固定场景的工业应用中,可提供ROI设置方法提高角点识别率,一个ROI对应一个棋盘格;
S2.2.2.2、对每个ROI设置分数区间,循环判断满足条件的角点;
S2.2.2.3、每个循环内进行角点距离判断,对独立存在的点进行删除;根据棋盘格样式判断内角点是否组成四边形,对不组成四边形的棋盘格进行直线或者单点判断;如果棋盘格摆放角度已知还可以根据直线斜率等特性进行判断。
ROI设置分数区间自动循环判断,减少人工干预,多阈值可以满足大部分复杂场景的角点筛选。
本发明还提出一种棋盘格角点检测系统,该系统中的主要模块,包括:预处理模块、角点检测模块和角点筛选模块,其中:
所述预处理模块具备图像预处理功能,负责对原始图像进行光照校正及归一化;
所述角点检测模块,具备检测角点功能,负责对预处理后图像进行角点检测,并精细化检测结果;
所述角点筛选模块,具备筛选角点功能,负责对检测到的角点进行多阈值循环判断筛选。
需要说明的是,上述预处理模块、角点检测模块和角点筛选模块的功能具体参见各模块对应的方法部分的描述,这里就不再赘述。
请参阅图2,示出了本发明实施例所涉及的一种用于复杂环境下棋盘格角点检测的计算机装置结构示意图。该装置包括:处理器201、存储器202和总线203。
处理器201包括一个或一个以上处理核心,处理器202通过总线203与处理器201相连,存储器203用于存储程序指令,处理器201执行存储器202中的程序指令时实现上述棋盘格角点检测方法、检测系统、计算机装置及存储介质。
可选的,存储器202可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随时存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
此外,本发明还提供一种计算机可读存储介质,所述存储介质中存储有至少一段程序,所述至少一段程序由所述处理器加载并执行以实现上述方法实施例提供的棋盘格角点检测方法、检测系统、计算机装置及存储介质。
可选的,本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面所述的棋盘格角点检测方法、检测系统、计算机装置及存储介质。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储与一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.棋盘格角点检测方法,包括预处理的步骤、角点检测的步骤和角点筛选的步骤,其特征在于:
S1.所述预处理的步骤用于负责对原始图像进行光照校正及归一化;
S2.所述角点检测的步骤用于负责对预处理后图像进行角点检测,并精细化检测结果;
S3.所述角点筛选的步骤用于负责对检测到的角点进行多阈值循环判断筛选。
2.根据权利要求1所述的棋盘格角点检测方法,其特征在于:所述预处理的步骤具体包括:
S1.1、灰度化处理,图像灰度化处理,减少图像色彩信息;
S1.2、光照校正:
S1.2.1、设置N*M大小的窗口遍历图像,并计算每个窗口的灰度平均值,得到亮度矩阵T;
S1.2.2、将矩阵T中元素减去原图平均灰度,得到亮度差矩阵F;
S1.2.3、采用双线性插值将矩阵F放大到原图大小,并用原图减去放大后的F矩阵,得到校正图;
S1.3、梯度计算及归一化:采用Scharr算子卷积后计算图像梯度角度,并将其归一化到(0,PI),图像强度,将其归一化到(0,1)。
3.根据权利要求2所述的棋盘格角点检测方法,其特征在于:所述角点检测的步骤具体包括:角点检测、非极大值抑制、梯度统计过滤、亚像素精细化角点和多尺度图像角点检测的处理过程。
4.根据权利要求3所述的棋盘格角点检测方法,其特征在于:
所述角点检测的处理过程包括如下步骤:
S2.1.1、根据棋盘格实际效果定义3种不同尺度角点模板原型,每种尺度包含3个模板,每个模板包含4种滤波器核;
S2.1.2、利用角点模板对图像进行卷积求和平均,计算像素卷积响应平均值μ,计算方式如下:
cj为不同尺度下的最佳响应;
cmax=max(c1,c2,c3)......(式2-1);
所述非极大值抑制的处理过程包括如下步骤:
S2.2.1、设置N*N窗口,遍历像素,找到窗口内角点像素坐标;
S2.2.2、以该坐标为检测点,如果窗口内存在更大值,则该值为新的检测坐标,继续上述步骤,否则判断其值是否大于预设的阈值,大于则为满足条件的角点;
S2.2.3、循环遍历全图,执行S2.2.2;
所述梯度统计过滤的处理过程包括如下步骤:
S2.3.1、对每个角点,以像素点坐标为中心,设置N*N窗口,计算窗口梯度方向和幅值;
S2.3.2、将梯度方向映射到32bin直方图中,对直方图进行高斯平滑,然后用meanshift方法寻找该直方图的两个局部极大值a1,a2;
S2.3.3、正常角点在直方图中存在两个幅值相当的局部极大值,且两点对应的梯度角大于预设阈值才认为有效;
所述亚像素精细化角点处理过程包括如下步骤:
S2.4.1、遍历角点,假定q为待求亚像素点,pi为q周围的点(已知坐标),Gi为pi处灰度,得到公式:
Gi*(pi-q)......(式3);
S2.4.2、将式3展开并用最小二乘法求解,得到:
引入高斯权重模拟距离加权,最后将式3-1修正为:
S2.4.3、利用最小二乘法迭代求解式3-2,多次迭代可得到一系列q1,q1,q1...qn,指定结果精度ε=1.0e-6,如果qn-qn-1≤ε,则qn为最优解;
所述多尺度图像角点检测的处理过程包括如下步骤:
S2.5.1、将图像放大一倍,重复上述步骤,得到大尺度角点集;
S2.5.2、将图像缩放回原图大小,将不同尺度的角点进行极大值抑制得到角点检测模块结果。
5.根据权利要求1所述的棋盘格角点检测方法,其特征在于:所述角点筛选的步骤包括角点分数计算和ROI循环筛选的处理过程,其中,所述角点分数计算的处理过程包括如下步骤:
S3.1.1、根据角点检测模块梯度统计过滤中计算的当前角点的两个主方向向量α1,α2创建模板;
S3.1.2、模板卷积得到梯度分数;
S3.1.3、计算角点分数用于后续角点筛选,选出所需要的角点。
6.根据权利要求5所述的棋盘格角点检测方法,其特征在于:所述ROI循环筛选的处理过程包括如下步骤:
S2.2.2.1、一个ROI对应一个棋盘格;
S2.2.2.2、对每个ROI设置分数区间,循环判断满足条件的角点;
S2.2.2.3、每个循环内进行角点距离判断,对独立存在的点进行删除。
7.一种棋盘格角点检测系统,包括预处理模块、角点检测模块和角点筛选模块,其特征在于:所述预处理模块负责对原始图像进行光照校正及归一化;所述角点检测模块负责对预处理后图像进行角点检测,并精细化检测结果;所述角点筛选模块负责对检测到的角点进行多阈值循环判断筛选。
8.一种计算机装置,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行上述计算机程序时实现如权利要求1~6中任一所述方法的步骤。
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1~6中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010332027.6A CN111553927B (zh) | 2020-04-24 | 2020-04-24 | 棋盘格角点检测方法、检测系统、计算机装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010332027.6A CN111553927B (zh) | 2020-04-24 | 2020-04-24 | 棋盘格角点检测方法、检测系统、计算机装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553927A true CN111553927A (zh) | 2020-08-18 |
CN111553927B CN111553927B (zh) | 2023-05-16 |
Family
ID=72003968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010332027.6A Active CN111553927B (zh) | 2020-04-24 | 2020-04-24 | 棋盘格角点检测方法、检测系统、计算机装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553927B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767359A (zh) * | 2021-01-21 | 2021-05-07 | 中南大学 | 复杂背景下的钢板角点检测方法及系统 |
CN117078730A (zh) * | 2023-10-12 | 2023-11-17 | 资阳建工建筑有限公司 | 基于模版匹配的防凸卡具配准方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018018987A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳市未来媒体技术研究院 | 一种适用于光场相机的标定预处理方法 |
CN109300104A (zh) * | 2017-07-24 | 2019-02-01 | 比亚迪股份有限公司 | 角点检测方法、装置 |
CN109509200A (zh) * | 2018-12-26 | 2019-03-22 | 深圳市繁维医疗科技有限公司 | 基于轮廓提取的棋盘格角点检测方法、装置以及计算机可读存储介质 |
CN109711418A (zh) * | 2019-01-29 | 2019-05-03 | 浙江大学 | 一种针对物体平面图像的轮廓角点检测方法 |
-
2020
- 2020-04-24 CN CN202010332027.6A patent/CN111553927B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018018987A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳市未来媒体技术研究院 | 一种适用于光场相机的标定预处理方法 |
CN109300104A (zh) * | 2017-07-24 | 2019-02-01 | 比亚迪股份有限公司 | 角点检测方法、装置 |
CN109509200A (zh) * | 2018-12-26 | 2019-03-22 | 深圳市繁维医疗科技有限公司 | 基于轮廓提取的棋盘格角点检测方法、装置以及计算机可读存储介质 |
CN109711418A (zh) * | 2019-01-29 | 2019-05-03 | 浙江大学 | 一种针对物体平面图像的轮廓角点检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767359A (zh) * | 2021-01-21 | 2021-05-07 | 中南大学 | 复杂背景下的钢板角点检测方法及系统 |
CN112767359B (zh) * | 2021-01-21 | 2023-10-24 | 中南大学 | 复杂背景下的钢板角点检测方法及系统 |
CN117078730A (zh) * | 2023-10-12 | 2023-11-17 | 资阳建工建筑有限公司 | 基于模版匹配的防凸卡具配准方法 |
CN117078730B (zh) * | 2023-10-12 | 2024-01-23 | 资阳建工建筑有限公司 | 基于模版匹配的防凸卡具配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111553927B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111243032B (zh) | 一种棋盘格角点全自动检测方法 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN106960451B (zh) | 一种提升图像弱纹理区域特征点数量的方法 | |
CN111612781A (zh) | 一种屏幕缺陷检测方法、装置及头戴显示设备 | |
WO2023065792A1 (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN109190617B (zh) | 一种图像的矩形检测方法、装置及存储介质 | |
CN111553927B (zh) | 棋盘格角点检测方法、检测系统、计算机装置及存储介质 | |
US20120320433A1 (en) | Image processing method, image processing device and scanner | |
CN110689501A (zh) | 一种畸变校正方法、装置、电子设备及计算机可读存储介质 | |
CN109255792B (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
CN107680035B (zh) | 一种参数标定方法和装置、服务器及可读存储介质 | |
CN113870189A (zh) | 一种工业制品圆形检测方法及装置 | |
CN104268550B (zh) | 特征提取方法及装置 | |
CN114155285B (zh) | 基于灰度直方图的图像配准方法 | |
CN114674826A (zh) | 基于布匹的视觉检测方法及检测系统 | |
CN114119437A (zh) | 一种基于gms的用于改善运动物体畸变的图像拼接方法 | |
CN116311219B (zh) | 一种基于透视变换的地堆本品占地面积计算方法及装置 | |
CN117576219A (zh) | 大广角鱼眼镜头单次拍摄图像的相机标定设备及标定方法 | |
CN117333518A (zh) | 激光扫描图像匹配方法、系统及计算机设备 | |
CN111415365A (zh) | 图像检测方法及装置 | |
CN115641294A (zh) | 基于周长面积比筛选阳性突变细胞的方法及系统 | |
CN114049380A (zh) | 目标物体定位追踪方法、装置、计算机设备和存储介质 | |
CN115830049A (zh) | 角点检测的方法和装置 | |
CN114663681A (zh) | 用于对指针式仪表进行读数的方法及其相关产品 | |
Tang et al. | A simple illumination map estimation based on Retinex model for low-light image enhancement |
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 |