CN111640084A - 一种基于lk光流的高速像素匹配方法 - Google Patents
一种基于lk光流的高速像素匹配方法 Download PDFInfo
- Publication number
- CN111640084A CN111640084A CN202010141441.9A CN202010141441A CN111640084A CN 111640084 A CN111640084 A CN 111640084A CN 202010141441 A CN202010141441 A CN 202010141441A CN 111640084 A CN111640084 A CN 111640084A
- Authority
- CN
- China
- Prior art keywords
- optical flow
- pixel matching
- image
- measured object
- gray scale
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 18
- 238000011161 development Methods 0.000 description 3
- 230000010363 phase shift Effects 0.000 description 3
- 238000001314 profilometry Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 206010047571 Visual impairment Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于LK光流的高速像素匹配方法,将条纹图投影到在参考平面运动的被测物体上,采集多帧变形条纹图,并得到灰度图像后对其进行自适应直方图均衡处理,然后再在每两帧图片之间用LK光流进行计算,得到二维矢量矩阵,最后,对得到的二维矢量矩阵进行数据处理,最终获得被测物体的运动信息完成像素匹配。本发明采用光流法代替相关计算法完成像素匹配,只需计算运动前后的两幅图像,即可得到包含两幅图像中物体运动信息的二维矢量场。该方法可使像素匹配效率和三维重建效率大幅度提高。
Description
技术领域
本发明属于物体动态三维测量技术领域,具体涉及一种基于LK光流的高速像素匹配方法。
背景技术
随着制造业,医学影像,虚拟现实,计算机图形学的发展,使用具有相移的多个条纹图案算法获得准确和高分辨率的三维轮廓的相位测量轮廓术越来越受到关注。实时相位测量轮廓术(PMP)由于有采集数据量大、精度高、非接触等特点,通过投影和采集多帧条纹图即可恢复出被测物体的三维面型,是光学三维测量手段中被广泛研究和使用的一种方法。
由于工业的发展和应用场合的增多,测量三维形貌的需求日益旺盛,测量的对象也从静态物体延伸至动态物体,根据动态物体的运动特点,可分为在线三维测量和实时三维测量。在线三维测量主要针对于流水线上在一条直线上运动的物体,对测量的外界条件要求较高,实时三维测量可视为各个时刻在对不同的物体进行测量,由于实时测量不要求物体运动在一条直线上,因而适用面更广,是对动态物体进行三维测量的发展方向。目前实时测量采用投影仪投影、CCD采集图像后,匹配像素时需要遍历采集的整个图像,才能使所采集到的多帧变形条纹图中被测物体的变化小于一个像素点,从而实时恢复出被测物体的面型,这种整体遍历的匹配过程复杂,处理效率低,对设备性能要求较高。
在五步相移动态测量中,需要进行像素匹配,使五条条纹中的像素一一对应。然而,目前主流的像素匹配方法需要计算模板与选定区域的相关性,并遍历整个变形条纹图来获得被测物体的运动信息。由于相关计算所引起的计算量巨大,使得整个三维重建过程耗费了大量的时间,无法满足实时动态测量的要求。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足,提出采用光流法代替相关度计算完成像素匹配,只需计算运动前后的两幅图像,即可得到包含两幅图像中物体运动信息的二维矢量场。该方法可使像素匹配效率和三维重建效率大幅度提高。
本发明采用的技术方案是:一种基于LK光流的高速像素匹配方法,其特征在于,包括如下步骤:
步骤1:利用CCD采集包含被测物体的高度信息的数据变形条纹图;
步骤2:对步骤1获得的N帧变形条纹图进行灰度变换,得到灰度图In(x,y),n=1,2,3,4,...N;
步骤3:对步骤2获得的灰度图In(x,y),n=1,2,3,4,...N利用自适应直方图均衡法进行图像增强处理得到I′n(x,y),n=1,2,3,4,...N;
步骤4:计算步骤3得到的I′n(x,y),n=1,2,3,4,...N和I′n+1(x,y),n=1,2,3,4,...N之间计算其光流,得到二维矢量矩阵;
步骤5:对步骤4得到的二维矢量矩阵进行数据选取和求其均值的数据处理,最终获得被测物体的运动信息完成像素匹配。
优选的,所述步骤1包括如下步骤:
步骤1.1:用光栅投影仪将正弦光栅条纹图,如公式(1)所示投影至参考平面上;
步骤1.2:将运动的被测物体放置在参考平面上;
步骤1.3:CCD采集被调制的正弦光栅条纹图,如公式(2)所示;
其中,R0(x,y)为参考平面反射率,R(x,y)为被测物体表面反射率,A(x,y)为背景光强,B(x,y)表征条纹对比度,f0是正弦条纹图的频率,是被参考平面调制的相位信息,相位调制因子,其中包含了被测物体的高度信息。
优选的,所述步骤2包括如下步骤:
步骤2.1:对步骤1采集到的变形条纹图进行傅里叶变换;
步骤2.2:对步骤2.1获得的频谱进行滤波;
步骤2.3:对步骤2.2获得滤波后的频谱进行傅里叶逆变换得到P(x,y);
步骤2.4:对步骤2.3得到的P(x,y)进行取绝对值处理得到灰度图In(x,y),n=1,2,3,4,...N。
优选的,所述步骤3包括如下步骤:
步骤3.1:求出所有给定待处理图像In(x,y),n=1,2,3,4,...N的直方图的概率质量函数PMF;
其中X为In(x,y),n=1,2,3,4,...N,N帧图像中的某一帧灰度图像,rk是第k级灰度值,nk是图像中灰度为rk的像素个数,P是图像的行数,T是图像的列数,L为图像的灰度数,通常为256,i代表灰度值0至255中的某一个灰度值;
步骤3.2:由PMF求出累积分布函数CDF;
步骤3.3:将(L-1)*CDF映射为新的灰度值,得到增强图片I′n(x,y),n=1,2,3,4,...N。
优选的,所述步骤4包括如下步骤:
步骤4.1:将步骤3获得的增强图片分割成S个大小为k*k个像素的光流窗口;
步骤4.2:计算每个光流窗口中的光流,其计算方法为:
其中,Vx和Vy分别为光流窗口在x方向和y方向的速度,Ixi,Iyi为光流窗口中第i个像素在x和y方向上的灰度变化,即为x方向和y方向相邻像素灰度值之差,Iti为在t时刻的图像I′n(x,y),n=1,2,3,4,...N和t+dt时刻的图像I′n+1(x,y),n=1,2,3,4,...N的(x,y)处坐标(x,y)在t时刻与t+dt时刻两个时刻的周围灰度值变化;
步骤4.3:将从步骤4.2中获得的Vx和Vy按获得的先后顺序在对应的光流窗口的中心点处赋值,形成一个二维矢量矩阵。
优选的,所述步骤5包括如下步骤:
步骤5.1:将步骤4获得的二维矢量矩阵按x运动方向和y运动方向拆分为两个矩阵,这两个矩阵分别包括被测物体沿x方向和y方向的位移信息,记为Mx和My;
步骤5.2:将步骤5.1获得的Mx和My,以一个像素为单位区间,统计其数值分布;
步骤5.3:在获得Mx和My的数值分布后,选取每个矩阵中位移分布数量最多的前三组数据;
步骤5.4:分别计算5.3中获得的Mx和My中数量最多的前三组数据的平均值,记为Dx和Dy;
步骤5.5:对5.4中获得Dx和Dy进行四舍五入的取整方式,最终获得被测物体沿x方向和y方向的运动信息完成像素匹配。
本发明的有益效果是:本发明的基于LK光流的像素匹配方法与现有技术相比具有如下优点:
1、本发明利用LK光流计算量小的优点,对处理后的两张图像进行计算即可得到物体的运动信息。省去了传统方法中基于相关度计算遍历整个匹配区域的过程,在保证精度的前提下,提升了像素匹配的效率。
粗略地分析,假设图片分辨率为x*y,相关度匹配的模板大小和光流窗口大小均为m*n,计算一次相关度的时间t1,计算一次光流的时间t2,t1<t2。那么其所需要计算相关度的总次数为N1=(x-m)*(y-n),计算传统全局光流的次数为N2=(x/m)*(y/n)。可得(x-m)*(y-n)>>(x/m)*(y/n)。故总时间(T1=t1*N1)>(T2=t2*N2)。进一步分析,在本发明实例中,分辨率为795*743,模板大小为300*300,光流窗口大小为24*24,那么需要计算相关度219285次,计算光流990次。最终完成像素匹配时间相对于传统方法提高约42倍。
2、本发明对变形条纹图进行自适应直方图均衡处理,使得到的物体位移信息更精确。
3、本发明实用性强,可根据测量物体灵活调整参数来达到最佳匹配效率,适用性广,无需增加硬件设备。
附图说明
图1为实现本发明实现流程图。
图2为进行增强前后的图像。
图3为本发明实施例中物体运动轨迹。
图4为计算前两帧变形条纹图得到的光流矢量。
图5为采用本发明最终完成像素匹配后的变形条纹图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以互相结合。
如图1-5所示,本发明提供一种基于LK光流的高速像素匹配方法,将条纹图投影到在参考平面运动的被测物体上,采集多帧变形条纹图,并对其进行自适应直方图均衡处理,然后再在每两帧图片之间用LK光流进行计算,得到二维矢量矩阵,最后,对得到的二维矢量矩阵进行数据处理,最终获得被测物体的运动信息完成像素匹配。
本发明投影设备使用的是数字光投影仪(Digital Light Procession,DLP),图像采集系统使用的是电荷耦合元件(Charge-coupled Device,CCD),投影的面结构光通常采用的是正弦光栅图。
在参考面上没有摆放被测物体时,DLP投影的正弦光栅条纹仅受到参考平面高度的调制,并设投影的第一帧正弦条纹图相对于第n帧正弦条纹图的相移量为δn。当DLP将正弦光栅条纹图投影到被测物体上时,被测物体的高度会对正弦光栅的相位进行调制。
当被测物体在工作平台上运动时,以CCD采集五帧变形条纹图为例,被测物体上的某一点在五帧变形条纹图中所对应的像素点坐标(x,y)分别为(x1,y1),(x2,y2),(x3,y3),(x4,y4),(x5,y5)这五个像素点的坐标值各不相同,但是为了满足PMP(实时相位测量轮廓术)计算相位时点对点的特性,必须通过像素匹配来使其对应。而像素匹配花费了重建被测物体三维信息的大部分时间,因此,对其效率进行提升是非常必要的。
本发明采用在将其进行灰度变换之后再采用自适应直方图均衡的方法把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。其本质是对图像进行非线性拉伸,重新分配图像像素值,使一定灰度范围内的像素数量大致相同,第一帧图像增强前后效果如图2所示。范围内的光流窗口中计算光流。在得到物体运动信息后完成像素匹配。
光流是人工智能领域中进行实时动态识别的常用方法。但由于其应用条件的苛刻性,在无人驾驶等领域虽然无法做到超高精度(一个像素),但是依旧能满足无人驾驶的需求。在动态实时PMP中,像素匹配要求精确度在一个像素以内,但是由于三维测量的测试平台条件远远优于智能驾驶领域的道路条件,并且十分接近应用光流的理想条件,因此此方法在三维测量领域里的精度会大幅度提高。
LK光流法有三个假设条件:
1.亮度恒定:一个像素点随着时间的变化,其亮度值(像素灰度值)是恒定不变的。这是光流法的基本设定。所有光流法都必须满足。
2.小运动:时间的变化不会引起位置的剧烈变化。这样才能利用相邻帧之间的位置变化引起的灰度值变化,去求取灰度对位置的偏导数。
3.空间一致:即前一帧中相邻像素点在后一帧中也是相邻的。这是LK光流法独有的假定。因为为了求取x,y方向的速度,需要建立多个方程联立求解。而空间一致假设就可以利用邻域n个像素点来建立n个方程。
假设前一帧时间为t,后一帧时间为t+dt。则前一帧的像素点I(x,y,t)在后一帧中的位置为I(x+dx,y+dy,t+dt)。
根据亮度恒定假设:
I(x,y,t)=I(x+dx,y+dy,t+dt)
根据小运动假设,将上式右侧用泰勒级数展开:
H.O.T是泰勒级数展开式的高阶项,小运动情况下可以忽略为0.
根据上面两个公式可以得到:
等式两边同时除以dt得到:
当然现在只有一个方程无法解得和但是同一个光流窗口里的像素点默认他们运动速度是一样的,那么一个光流窗口中的多个像素点一定可以解得和LK算法是利用kxk窗口内的n=k2个像素点建立n个方程,只需要解这个线性方程即可得到和在得到和之后,就很容易计算出下个时刻t+dt的特征点在图片中的位置(x+dx,y+dy)。
写成矩阵形式:
两个未知数,n个方程,这是一个超定方程组,采用最小二乘法解决:
写成如下形式:
根据上式通过累加邻域像素点在两个维度的偏导数并做矩阵运算,即可算出该点的光流(Vx,Vy),特别的,实验中在第一帧图像和第二帧图像之间计算所有光流窗口中的光流后的光流二维矢量图如图4所示,并且被测物体前五帧的运动模式如图3所示。
在得到物体运动信息后,截取同一区域带有物体高度信息的部分,即可得到像素一一对应的变形条纹图I′n(X,Y)(n=1,2,3,4,5)完成像素匹配,前两帧图像完成像素匹配后的效果如图5所示。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (6)
1.一种基于LK光流的高速像素匹配方法,其特征在于,包括如下步骤:
步骤1:利用CCD采集包含被测物体的高度信息的数据变形条纹图;
步骤2:对步骤1获得的N帧变形条纹图进行灰度变换,得到灰度图In(x,y),n=1,2,3,4,...N;
步骤3:对步骤2获得的灰度图In(x,y),n=1,2,3,4,...N利用自适应直方图均衡法进行图像增强处理得到I′n(x,y),n=1,2,3,4,...N;
步骤4:计算步骤3得到的I′n(x,y),n=1,2,3,4,...N和I′n+1(x,y),n=1,2,3,4,...N之间计算其光流,得到二维矢量矩阵;
步骤5:对步骤4得到的二维矢量矩阵进行数据选取和求其均值的数据处理,最终获得被测物体的运动信息完成像素匹配。
3.根据权利要求1所述的基于LK光流的高速像素匹配方法,其特征在于:所述步骤2包括如下步骤:
步骤2.1:对步骤1采集到的变形条纹图进行傅里叶变换;
步骤2.2:对步骤2.1获得的频谱进行滤波;
步骤2.3:对步骤2.2获得滤波后的频谱进行傅里叶逆变换得到P(x,y);
步骤2.4:对步骤2.3得到的P(x,y)进行取绝对值处理得到灰度图In(x,y),n=1,2,3,4,...N。
4.根据权利要求1所述的基于LK光流的高速像素匹配方法,其特征在于:所述步骤3包括如下步骤:
步骤3.1:求出所有给定待处理图像In(x,y),n=1,2,3,4,...N的直方图的概率质量函数PMF;
其中X为In(x,y),n=1,2,3,4,...N,N帧图像中的某一帧灰度图像,rk是第k级灰度值,nk是图像中灰度为rk的像素个数,P是图像的行数,T是图像的列数,L为图像的灰度数,通常为256,i代表灰度值0至255中的某一个灰度值;
步骤3.2:由PMF求出累积分布函数CDF;
步骤3.3:将(L-1)*CDF映射为新的灰度值,得到增强图片I′n(x,y),n=1,2,3,4,...N。
5.根据权利要求1所述的基于LK光流的高速像素匹配方法,其特征在于:所述步骤4包括如下步骤:
步骤4.1:将步骤3获得的增强图片分割成S个大小为k*k个像素的光流窗口;
步骤4.2:计算每个光流窗口中的光流,其计算方法为:
其中,Vx和Vy分别为光流窗口在x方向和y方向的速度,Ixi,Iyi为光流窗口中第i个像素在x和y方向上的灰度变化,即为x方向和y方向相邻像素灰度值之差,Iti为在t时刻的图像I′n(x,y),n=1,2,3,4,...N和t+dt时刻的图像I′n+1(x,y),n=1,2,3,4,...N的(x,y)处坐标(x,y)在t时刻与t+dt时刻两个时刻的周围灰度值变化;
步骤4.3:将从步骤4.2中获得的Vx和Vy按获得的先后顺序在对应的光流窗口的中心点处赋值,形成一个二维矢量矩阵。
6.根据权利要求1所述的基于LK光流的高速像素匹配方法,其特征在于:所述步骤5包括如下步骤:
步骤5.1:将步骤4获得的二维矢量矩阵按x运动方向和y运动方向拆分为两个矩阵,这两个矩阵分别包括被测物体沿x方向和y方向的位移信息,记为Mx和My;
步骤5.2:将步骤5.1获得的Mx和My,以一个像素为单位区间,统计其数值分布;
步骤5.3:在获得Mx和My的数值分布后,选取每个矩阵中位移分布数量最多的前三组数据;
步骤5.4:分别计算5.3中获得的Mx和My中数量最多的前三组数据的平均值,记为Dx和Dy;
步骤5.5:对5.4中获得Dx和Dy进行四舍五入的取整方式,最终获得被测物体沿x方向和y方向的运动信息完成像素匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010141441.9A CN111640084A (zh) | 2020-03-04 | 2020-03-04 | 一种基于lk光流的高速像素匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010141441.9A CN111640084A (zh) | 2020-03-04 | 2020-03-04 | 一种基于lk光流的高速像素匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111640084A true CN111640084A (zh) | 2020-09-08 |
Family
ID=72330950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010141441.9A Pending CN111640084A (zh) | 2020-03-04 | 2020-03-04 | 一种基于lk光流的高速像素匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640084A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598695A (zh) * | 2020-12-22 | 2021-04-02 | 中船重工(武汉)凌久高科有限公司 | 基于光流和动量法的化工运动目标监控方法 |
-
2020
- 2020-03-04 CN CN202010141441.9A patent/CN111640084A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598695A (zh) * | 2020-12-22 | 2021-04-02 | 中船重工(武汉)凌久高科有限公司 | 基于光流和动量法的化工运动目标监控方法 |
CN112598695B (zh) * | 2020-12-22 | 2022-09-30 | 中船重工(武汉)凌久高科有限公司 | 基于光流和动量法的化工运动目标监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288642B (zh) | 基于相机阵列的三维物体快速重建方法 | |
CN109272537B (zh) | 一种基于结构光的全景点云配准方法 | |
CN104077804B (zh) | 一种基于多帧视频图像构建三维人脸模型的方法 | |
KR20190028794A (ko) | GPU 기반 TFT-LCD Mura 결함 탐지 방법 | |
CN109903377B (zh) | 一种无需相位展开的三维人脸建模方法及系统 | |
CN108648194A (zh) | 基于cad模型三维目标识别分割和位姿测量方法及装置 | |
CN110360954B (zh) | 一种基于空间坐标计算的面形测量方法与系统 | |
CN114399554A (zh) | 一种多相机系统的标定方法及系统 | |
CN107990846B (zh) | 基于单帧结构光的主被动结合深度信息获取方法 | |
CN113390605B (zh) | 一种风洞试验飞机机翼变形全场测量方法 | |
CN110926339A (zh) | 一种基于一次投影结构光平行条纹图案的实时三维测量方法 | |
CN110349186B (zh) | 基于深度匹配的大位移运动光流计算方法 | |
CN111563952A (zh) | 基于相位信息与空间纹理特征实现立体匹配方法及系统 | |
CN115201883A (zh) | 一种运动目标视频定位测速系统及方法 | |
Wu et al. | A self-adaptive correction method for perspective distortions of image | |
CN111640084A (zh) | 一种基于lk光流的高速像素匹配方法 | |
CN117152272B (zh) | 基于全息沙盘的视角追踪方法、装置、设备及存储介质 | |
CN116935181B (zh) | 一种完全二值散斑嵌入脉宽调制模式三维测量方法 | |
CN110223356A (zh) | 一种基于能量生长的单目相机全自动标定方法 | |
CN110375672B (zh) | 基于模拟退火算法的实时相位测量轮廓术 | |
CN110880186A (zh) | 一种基于一次投影结构光平行条纹图案的实时人手三维测量方法 | |
CN114136236A (zh) | 一种结合极线约束的相位轮廓自适应投影测量方法 | |
CN110243308A (zh) | 基于区域定位的实时相位测量轮廓术 | |
CN116310101A (zh) | 基于过曝光连通域强度自适应分布的高动态三维测量方法 | |
Hongsheng et al. | Three-dimensional reconstruction of complex spatial surface based on line structured light |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200908 |
|
WD01 | Invention patent application deemed withdrawn after publication |