CN111754576B - 一种架体量测系统、图像定位方法、电子设备及存储介质 - Google Patents
一种架体量测系统、图像定位方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111754576B CN111754576B CN202010624053.6A CN202010624053A CN111754576B CN 111754576 B CN111754576 B CN 111754576B CN 202010624053 A CN202010624053 A CN 202010624053A CN 111754576 B CN111754576 B CN 111754576B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- point
- center
- points
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请实施例提供一种架体量测系统、图像定位方法、电子设备及存储介质,涉及定点测绘技术领域。该装置包括图像采集设备和环绕在所述图像采集设备四周的多个立柱;靶标结构件,设置在所述立柱上,所述图像采集设备水平旋转对所述立柱进行拍摄,以获取靶标结构件图像,对靶标结构件图像进行靶标区域分割和角点检测,确定中心点,以根据靶标结构件图像的中心点定位测量点,便于通过定位架体测量点对架体进行进一步地方正性和倾斜度的检测,通过二维图像的检测识别和定位,能够自动化的精确定位测量点,对测量设备没有高要求,降低成本,解决了现有方法需要人工作业,效率和精度低,成本高的问题。
Description
技术领域
本申请涉及定点测绘技术领域,具体而言,涉及一种架体量测系统、图像定位方法、电子设备及存储介质。
背景技术
随着建筑劳动力越来越紧缺、行业对安全越来越重视,以及对建筑质量的要求越来越高,很多传统的建筑测量方法也急需找到更加稳定高效和安全的替代方案。传统的建筑外侧架体的方正性和倾斜度需要作业人员用全站仪肉眼瞄准,定点测量,单次测量用时在1-2min,假设共有20根柱体,那测量完全部的柱体需要至少30分钟;并且,架体调整过程也需要人工机械的去调整,这种人工调整的方式,既不高效,又不精确,很依赖作业人员的经验;而且建筑工地上待的时间越长,风险系数就越高。
如果通过高精度的三维激光设备测量,高精度(毫米级)的激光雷达设备动辄几十万,无疑增加了成本,并且这样昂贵的设备,在建筑工地环境下也会增加防护保管的难度。
发明内容
本申请实施例的目的在于提供一种架体量测系统、图像定位方法、电子设备及存储介质,通过二维图像的检测识别和定位,能够自动化的精确定位测量点,对测量设备没有高要求,降低成本,解决了现有方法需要人工作业,效率和精度低,成本高的问题。
本申请实施例提供了一种架体量测系统,所述架体量测系统包括:
图像采集设备和环绕在所述图像采集设备四周的多个立柱;
靶标结构件,设置在所述立柱上,所述图像采集设备旋转并对所述立柱进行拍摄,以获取靶标结构件图像,并根据所述靶标结构件图像定位测量点。
在上述实现过程中,利用图像采集设备采集二维图像,对图像采集设备没有较高要求,普通相机即可实现;对二维图像利用图像处理的技术手段进行处理,即可根据靶标结构件的中心点定位测量点,实现自动定位测量点,并且具有较高的精度,无需人工现场测量,解决现有方法需要人工作业,风险系数高、效率和精度低,成本高的问题。
进一步地,所述靶标结构件包括:
靶标本体;
第一定位层,设置在所述靶标本体上,用于圈定定位区域;
第二定位层,设置在所述第一定位层内,用于在所述定位区域内确定测量点。
在上述实现过程中,通过第一定位层圈定定位区域,利用第二定位层在圈定的定位区域内进行精确定位。
进一步地,所述靶标结构件包括:
靶标本体,其上涂覆有用于增强辨识度的底色层;
所述第一定位层包括全局几何特征层,所述全局几何特征层的中心与所述靶标本体的中心重合;
所述第二定位层包括局部几何特征层,所述局部几何特征层的中心与所述全局几何特征层的中心重合,所述局部几何特征层和所述全局几何特征层的颜色相同且为浅色,以根据所述局部几何特征层的中心定位测量点。
在上述实现过程中,靶标本体上的底色层具有抗强光干扰的能力,全局几何特征层用于提供特征信息进行识别,可以抵御图像复杂背景的干扰,便于识别;局部几何特征层用于精确定位,识别靶标本体的中心,以根据靶标本体的中心定位测量点。
进一步地,所述全局几何特征层为圆环,所述局部几何特征层为方格,所述方格的数量为两个,且所述方格的任一角点重合且设置在所述圆环的圆心,以根据所述方格的重合角点确定测量点。
在上述实现过程中,两个具有一个共同角点的方格构成棋盘格,且棋盘格的中心即为靶标中心,棋盘格的中心较周围像素点具有较高的辨识度,棋盘格中心的角点检测具有较高的精度,而棋盘格中心的角点正好为测量点,因此,可以通过识别棋盘格的中心准确定位测量点。
本申请实施例还提供一种图像定位方法,该方法包括:
接收图像采集设备采集的靶标结构件图像并对所述图像进行预处理;
对预处理后的图像进行目标检测,以分割出靶标区域;
对所述靶标区域进行角点检测,以确定靶标中心点;
根据所述靶标中心点定位测量点。
在上述实现过程中,对靶标结构件图像进行预处理,如滤波去噪,降低强光干扰;对预处理后的图像进行图像检测,以得到ROI区域即靶标区域;再对靶标区域的靶标结构件中心的角点进行角点检测,获取靶标中心的像素坐标,该方法避免采用人工现场测量造成的风险系数高、效率和精度低以及成本高的问题。
进一步地,所述对预处理后的图像进行目标检测,以分割出靶标区域,包括:
利用椭圆拟合提取种子点;
对所述种子点进行区域生长,以获取椭圆内部信息;
利用判别器对所述椭圆内部信息进行比对,以判定所述椭圆内部信息是否为靶标信息;
若是,则分割出靶标区域。
在上述实现过程中,采用椭圆拟合给出种子点,对种子点进行区域生长分割,利用判别器进行比对进行阈值比较,以确定是否为靶标区域,从而实现靶标区域的分割。
进一步地,所述利用椭圆拟合提取种子点,包括:
对预处理后的图像进行边缘检测,以提取方向相同的边缘点;
将方向相同且距离满足预定阈值的边缘点连接并构成圆弧;
对所述圆弧进行筛选和提取;
对提取的圆弧进行椭圆参数拟合,并通过距离聚类来确定椭圆中心,以将所述椭圆中心作为种子点。
在上述实现过程中,通过边缘检测、圆弧检测、凸性分类、圆弧提取、圆弧参数拟合、聚类和提取椭圆中心等步骤来确定椭圆中心。
进一步地,对所述靶标区域进行角点检测,以确定靶标中心点,包括:
对所述靶标区域进行区域生长以获取靶标内部信息;
根据所述靶标内部信息进行角点检测,以获取靶标结构件内两个方格的交点,所述交点为靶标中心点。
在上述实现过程中,在距离较近、图像质量较好的情况下,可以对靶标区域做区域生长提取靶标内部信息,然后进行角点检测,得到靶标中心点,得到精确的靶标中心点的像素坐标。
进一步地,对所述靶标区域进行角点检测,以确定靶标中心点,包括:
遍历所述角点,并以角点为中心做圆;
对所述圆进行采样,获取采样点;
计算所述采样点的灰度直方图并利用所述灰度直方图计算与标准灰度直方图的相关系数,所述标准灰度直方图为标准靶标模板图像的中心点的灰度直方图;
根据相关系数确定靶标中心点的像素坐标。
在上述实现过程中,如果图像质量欠佳、分辨率低或噪声的影响,无法恰好检测到7个角点,在该种情况下,采用最优化角点的策略来确定靶标的中心点,即以角点为中心做圆,对圆进行采样并计算采样点的灰度直方图,利用直方图的相关系数进行比较,得到最优角点。
本申请实施例提供一种电子设备,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使计算机设备执行上述中任一项所述的图像定位方法。
本申请实施例提供一种可读存储介质,所述可读取存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行上述中任一项所述的图像定位方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种架体量测系统的结构框图;
图2为本申请实施例提供的靶标结构件的结构示意图;
图3为本申请实施例提供的图像定位方法的流程图;
图4为本申请实施例提供的获取靶标区域的具体流程图;
图5为本申请实施例提供的利用椭圆拟合提取种子点的具体流程图;
图6(a)为本申请实施例提供的边缘检测得到的边缘图像;
图6(b)为本申请实施例提供的计算边缘点方向的图像;
图6(c)为本申请实施例提供的圆弧提取图像;
图6(d)为本申请实施例提供的象限分类图像;
图7为本申请实施例提供的对图像进行目标检测的整体流程图;
图8为本申请实施例提供的特征点检测的具体流程图;
图9为本申请实施例提供的采用几何方法获得靶标中心的流程图;
图10(a)为本申请实施例提供的靶标模板图像;
图10(b)为本申请实施例提供的靶标模板的采样点的灰度直方图;
图11(a)为本申请实施例提供的靶标区域图像;
图11(b)为本申请实施例提供的靶标区域的采样点的整体灰度直方图;
图12为本申请实施例提供的图像定位装置的结构框图。
图标:
100-立柱;200-靶标结构件;201-靶标本体;202-全局几何特征层;203-局部几何特征层;300-预处理模块;400-目标检测模块;410-种子点提取模块;411-边缘点提取模块;412-圆弧模块;413-圆弧筛选模块;414-中心确定模块;420-区域生长模块;430-比对模块;440-分割模块;500-角点检测模块;510-靶标信息获取模块;520-交点获取模块;530-采样圆设置模块;540-采样点获取模块;550-相关系数获取模块;560-靶标中心点获取模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
请参看图1,图1为本申请实施例提供的一种架体量测系统的结构框图,该系统用于采集带有靶标信息的二维图像,定位测量点。该系统包括:
图像采集设备和环绕在所述图像采集设备四周的多个立柱100;
靶标结构件200,设置在立柱100上,所述图像采集设备水平旋转对所述立柱100进行拍摄,以根据图像中的靶标结构件200的中心点定位测量点。
示例地,图像采集设备可以采用徕卡3D-disto建筑测量仪,具有30万像素的分辨率即可,普通相机的分辨率即可达到该分辨率,可见,利用图像采集设备进行二维图像的采集,利用靶标结构件的结构特定即可精确定位测量点,对图像采集设备的分辨率要求较低,从而增加了该架体量测系统的应用范围且通过有较高的定位精度。
靶标结构件200包括:
靶标本体201,其上涂覆有用于增强辨识度的底色层;
全局几何特征层202,设置在靶标本体201上,且全局几何特征层202的中心与靶标本体201的中心重合;
局部几何特征层203,设置在所述全局几何特征层202内,且所述局部几何特征层203的中心与所述全局几何特征层202的中心重合,所述局部几何特征层203和所述全局几何特征层202的颜色相同且为浅色,以根据所述局部几何特征层203的中心定位测量点。
示例地,全局几何特征层202的形状为圆环,所述局部几何特征层203的形状为方格,方格的数量为两个,且方格的任一角点重合且设置在所述圆环的圆心,以根据所述方格的重合角点确定测量点。
如图2所示,为靶标结构件200的结构示意图。靶标本体201的底色层为蓝色,两个方格取得其中一个角点重合构成棋盘格,圆环和棋盘格的颜色为白色,该颜色搭配具有抗强光的能力,并且切换到HSV色彩空间也具有较高的色彩辨识度;圆环作为全局几何特征层202,在图像质量较差的情况下,依然能够提供较好的特征信息;圆环和靶标边界之间的区域为保护区域,能够抵御图像背景中的复杂干扰,有利于保护圆环内部的靶标信息。
圆环内设置两个白色方格的目的是用于精确定位,通过检测两个方格的重合角点来获取靶标中心即测量点的像素坐标,从而实现精确定位。
该系统在使用时,将该系统置于待测架体或待测楼栋一侧,将图像采集设备调平并进行360度水平旋转,每到对应于立柱100的预先设定的检测角度拍摄一张图像,该图像包含有靶标结构件200的图像信息,即为靶标结构件图像,该图像经过下述图像算法的识别,即可得到靶标中心的像素坐标。
实施例2
本申请实施例提供一种图像定位方法,用于处理实施例1中的图像获取装置采集到的靶标结构件图像,接收到图像获取装置采集到的靶标结构件200图像以后,应用该图像处理方法进行自动检测和定位,即可得到靶标中心点并获取靶标中心点的坐标,且具有较高的测量精度,能够自动检测和精确定位架体中的测量点,实现建筑架体的高精度自动化定位和检测,定位架体的测量点的目的是利用该测量点可以进一步对架体进行方正性和倾斜度的检测;此外,该方法不仅能够用于二维图像的检测识别和定位,还能够克服复杂环境下的各种强光干扰,提高定位精度;对测量设备也没有较高要求,使用范围广泛。
如图3所示,为图像定位方法的流程图。该方法具体可以包括以下步骤:
步骤S100:接收图像采集设备采集的靶标结构件图像并对该靶标结构件图像进行预处理;
预处理的目的是去除图像噪声,降低强光干扰,具体可以包括以下步骤:
对靶标结构件200图像进行滤波,示例地,对于由于光线不足引起的椒盐噪声可以采用中值滤波去除;
再利用光照算法去除高亮/强光,示例地,计算每个像素的漫反射度,并求得最大漫反射度,再根据该最大漫反射度获得取高亮/强光之后的图像;如果不在室外获取图像,避免了强光的干扰,则该步骤(光照算法)可以省略。
最后将图像转换至HSV色彩空间,通过设定HSV色调、饱和度和明度范围来对图像进行基于颜色的初过滤,从而减少图像中的冗余信息。
步骤S200:对预处理后的图像进行目标检测,以分割出靶标区域;
该步骤主要采用椭圆拟合得到种子点,对种子点做区域生长分割,将得到的ROI(Region Of Interesting)区域与标准靶标模板进行匹配,如果匹配结果大于阈值,且采样色差小于阈值,则ROI区域即为靶标区域。
如图4所示,为获取靶标区域的具体流程图,该步骤具体可以包括:
步骤S210:利用椭圆拟合提取种子点;
如图5所示,为利用椭圆拟合提取种子点的具体流程图,该步骤具体可以包括:
步骤S211:对预处理后的图像进行边缘检测,以提取方向相同的边缘点;
步骤S212:将方向相同且距离满足预定阈值的边缘点连接并构成圆弧;
步骤S213:对圆弧进行筛选和提取;
步骤S214:对提取的圆弧进行椭圆参数拟合,并通过距离聚类来确定椭圆中心,以将椭圆中心作为种子点。
示例地,将椭圆中心作为种子点,首先对图像进行预处理,并对预处理后的图像进行边缘检测,可以采用Canny算子进行边缘检测,如图6(a)所示,为边缘检测得到的边缘图像;从边缘中提取方向相同的边缘点,如图6(b)所示,为计算边缘点方向的图像,其中,方向计算公式为:
D=sign(tanθ)=sign(dx)·sign(dy);
其中,D表示方向性(Direction的简写);θ为梯度相位;dx为Sobel算子在x轴的导数;dy为Sobel算子在y轴的导数;sign()表示符号函数。
将方向相同且距离满足预定阈值的边缘点连接并构成圆弧,即得到圆弧检测的结果,对检测到的圆弧依据圆弧的凹凸性进行分类,并去除圆弧长度过小的圆弧以得到真正的圆弧集合,如图6(c)所示,为圆弧提取图像,对圆弧集合中的圆弧进行象限分类,如图6(d)所示,为象限分类图像,得到图6(c)的圆弧后,从圆弧集合中选出两对三段(两对有一段圆弧共用)圆弧进行椭圆参数拟合,其中椭圆参数包括中心、交点和长短轴;由于拟合后的每个椭圆都可能被多次检测到,所以通过距离聚类将检测到的中心进行分类,将值最高的中心作为椭圆中心即种子点。
步骤S220:对种子点进行区域生长,以获取椭圆内部信息;
如图7所示,为对图像进行目标检测的整体流程图,对预处理后的图像做全局椭圆拟合,如果拟合结果不为空,则去重,去重的目的是拟合结果可能存在共圆的情况,对拟合后的种子点进行基于颜色和梯度的区域生长,得到椭圆内部信息。
步骤S230:利用判别器对椭圆内部信息进行比对,以判定椭圆内部信息是否为靶标信息;
对椭圆内部信息进行色差比较和模板匹配,该过程即为判别器,如果两者均满足阈值,则判定椭圆内部信息与靶标信息一致,可以分割出靶标区域。
作为另外一种实施方式,除了采用模板匹配和色差比对,还可以使用支持向量机(SVM)来做为判别器。
步骤S240:若是,则分割出靶标区域。
步骤S300:对靶标区域进行角点检测,以确定靶标中心点;
步骤S400:根据所述靶标中心点定位测量点。
该步骤S300的目的是计算测量点即靶标中心点的位置的精确像素坐标,进而根据靶标中心点确定架体的测量点,以实现架体中测量点的精确定位,该步骤具体采用几何与特征点配合使用的方法,具体实现包括两种情况。
第一种,在检测距离较近、图像质量良好的情况下,具有较高的定位精度,使用特征点检测,但该方法需要依赖图像的局部特征信息,导致在不同距离下的鲁棒性差,而几何方法对局部特征信息的依赖相对较轻,在不同距离(即使成像质量不高)下也能通过全局的信息拟合得到较好的结果,具有较强的鲁棒性,因此,在近距离采用特征点,在远距离采用几何方法,配合使用具有较好的定位精度和鲁棒性,示例地,距离远近的判别方式可以为:靶标的像素尺寸>70pixel时为近距离。
如图8所示,为特征点检测的具体流程图,该步骤具体可以包括:
步骤S301:对靶标区域进行区域生长以获取靶标内部信息;
步骤S302:根据靶标内部信息进行角点检测,以获取靶标结构件内两个方格的交点,交点为靶标中心点。
图像检测到ROI区域后,对该ROI区域做区域生长提取靶标内部信息,对靶标内部信息做角点检测,以获取靶标结构件内两个方格的交点,该交点即为靶标中心点,靶标中心点为一阶导数(灰度的梯度)的局部最大所对应的像素点,或者为两条及两条以上边缘的角点,或者为图像梯度值和梯度方向的变化速率最高的点。其中,靶标结构件内的角点处的一阶导数最大、二阶导数为0,用于指示物体边缘变化不连续的方向。
在靶标结构件中,每个方格的顶点都是一个角点,而实际场景可能由于相机的成像质量欠佳、分辨率低、噪声等的影响,无法检测到7个角点,而通常的检测结果是在中心点附近具有多个角点存在,所以根据中心角点即为靶标中心点的设定无法准确检测到靶标中心点,需要采用几何方法获得靶标中心,如图9所示,为采用几何方法获得靶标中心的流程图,具体如下:
步骤S303:遍历角点,并以角点为中心做圆;
步骤S304:对圆进行采样,获取采样点;
步骤S305:计算采样点的灰度直方图并利用灰度直方图计算与标准灰度直方图的相关系数,所述标准灰度直方图为标准靶标模板图像的中心点的灰度直方图;
步骤S306:根据相关系数确定靶标中心点的像素坐标。
遍历所有角点,以角点为中心,r为半径做圆,示例地,r设定为10,对该圆进行采样,每个弧度采一个点,即有360个采样点;然后计算这360个采样点的整体灰度直方图,并计算该灰度直方图与标准灰度直方图(按照上述做圆采样并统计的方式,对靶标模板图像中心点计算灰度直方图得到)的相关系数,如图10(a)所示,为靶标模板图像;如图10(b)所示,为靶标模板的采样点的灰度直方图;如图11(a)所示,为靶标区域图像,如图11(b)所示,为靶标区域的采样点的整体灰度直方图;在相关系数大于设定阈值的子集中,选取相关系数最大的角点作为最优角点,即为靶标中心点;若角点点簇中所有的点都无法满足最优条件,即靶标角点检测失效,则采用椭圆中心近似为靶标中心。
获得了靶标中心点的坐标,即实现了靶标中心的定位,可以将靶标中心点作为架体的测量点,通过该方法可以实现架体的测量点的精确定位。
该方法通过获取二维图像(普通相机即可获得),对二维图像进行处理,自动定位测量点,定位精确且高效,精度可达到毫米级,相较于采用高精度的激光雷达,降低成本,处理时间短。
如表1所示,给出了本实施例所述的自动测量方法与人工作业的对比,自动测量方法具有明显的耗时少、成本低且作业风险系数低的优势,在常规的住宅楼栋的横向距离(一般在30米内)范围内,即使使用普通图像采集设备,自动测量方法也能够保持较高的精度和稳定性;也可以采用分辨率更高的图像采集设备,这样即便设备成本有所增加,但仍不至于超过人工测量设备的价格,且时间上仍然很有优势。
表1自动测量方法和人工作业对比表
此外,该方法还可以应用于室内/外短距离自动定点测绘,例如商品住宅房工地的定位测量,对该方法的应用范围不作限定。
实施例3
本申请实施例提供一种图像定位装置,应用于实施例2所述的图像定位方法,如图12所示,为图像定位装置的结构框图,该装置具体可以包括:
预处理模块300,用于接收图像采集设备采集的靶标结构件图像并对图像进行预处理;
目标检测模块400,用于对预处理后的图像进行目标检测,以分割出靶标区域;
角点检测模块500,用于对靶标区域进行角点检测,以确定靶标中心点。
其中,示例地,目标检测模块400包括:
种子点提取模块410,用于利用椭圆拟合提取种子点;
区域生长模块420,用于对种子点进行区域生长,以获取椭圆内部信息;
比对模块430,用于利用判别器对所述椭圆内部信息进行比对,以判定所述椭圆内部信息是否为靶标信息;
分割模块440,用于若椭圆内部信息为靶标信息,则分割出靶标区域。
示例地,种子点提取模块410包括:
边缘点提取模块411,用于对预处理后的图像进行边缘检测,以提取方向相同的边缘点;
圆弧模块412,用于将方向相同且距离满足预定阈值的边缘点连接并构成圆弧;
圆弧筛选模块413,用于对圆弧进行筛选和提取;
中心确定模块414,用于对提取的圆弧进行椭圆参数拟合,并通过距离聚类来确定椭圆中心。
示例地,角点检测模块500包括:
靶标信息获取模块510,用于对靶标区域进行区域生长以获取靶标内部信息;
交点获取模块520,用于根据靶标内部信息进行角点检测,以获取靶标结构件内两个方格的交点,交点为靶标中心点。
示例地,角点检测模块500还可以包括:
采样圆设置模块530,用于遍历角点,并以角点为中心做圆;
采样点获取模块540,用于对圆进行采样,获取采样点;
相关系数获取模块550,用于计算采样点的灰度直方图并利用所述灰度直方图计算与标准灰度直方图的相关系数,标准灰度直方图为标准靶标模板图像的中心点的灰度直方图;
靶标中心点获取模块560,用于根据相关系数确定靶标中心点的像素坐标。
实施例4
本申请实施例提供一种电子设备,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使计算机设备执行实施例2中所述的图像定位方法。
本申请实施例提供可读存储介质,所述可读取存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行实施例2中所述的图像定位方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种架体量测系统,其特征在于,所述架体量测系统包括:
图像采集设备和环绕在所述图像采集设备四周的多个立柱;
靶标结构件,设置在所述立柱上,具体包括靶标本体、第一定位层和第二定位层,其中,所述第一定位层设置在所述靶标本体上,用于圈定定位区域;所述第二定位层设置在所述第一定位层内,用于在所述定位区域内确定测量点;
所述图像采集设备旋转并对所述立柱进行拍摄,以获取靶标结构件图像,并根据所述靶标结构件图像定位所述测量点。
2.根据权利要求1所述的架体量测系统,其特征在于,所述靶标结构件包括:
靶标本体,其上涂覆有用于增强辨识度的底色层;
所述第一定位层包括全局几何特征层,所述全局几何特征层的中心与所述靶标本体的中心重合;
所述第二定位层包括局部几何特征层,所述局部几何特征层的中心与所述全局几何特征层的中心重合,所述局部几何特征层和所述全局几何特征层的颜色相同且为浅色,以根据所述局部几何特征层的中心定位测量点。
3.根据权利要求2所述的架体量测系统,其特征在于:
所述全局几何特征层为圆环,所述局部几何特征层为方格,所述方格的数量为两个,且所述方格的任一角点重合且设置在所述圆环的圆心,以根据所述方格的重合角点确定测量点。
4.一种图像定位方法,其特征在于,应用于权利要求1-3任一项所述的架体量测系统,所述方法包括:
接收图像采集设备采集的靶标结构件图像并对所述图像进行预处理;
对预处理后的图像进行目标检测,以分割出靶标区域;
对所述靶标区域进行角点检测,以确定靶标中心点;
根据所述靶标中心点定位测量点。
5.根据权利要求4所述的图像定位方法,其特征在于,所述对预处理后的图像进行目标检测,以分割出靶标区域,包括:
利用椭圆拟合提取种子点;
对所述种子点进行区域生长,以获取椭圆内部信息;
利用判别器对所述椭圆内部信息进行比对,以判定所述椭圆内部信息是否为靶标信息;
若是,则分割出靶标区域。
6.根据权利要求5所述的图像定位方法,其特征在于,所述利用椭圆拟合提取种子点,包括:
对预处理后的图像进行边缘检测,以提取方向相同的边缘点;
将方向相同且距离满足预定阈值的边缘点连接并构成圆弧;
对所述圆弧进行筛选和提取;
对提取的圆弧进行椭圆参数拟合,并通过距离聚类来确定椭圆中心,以将所述椭圆中心作为种子点。
7.根据权利要求4所述的图像定位方法,其特征在于,所述对所述靶标区域进行角点检测,以确定靶标中心点,包括:
对所述靶标区域进行区域生长以获取靶标内部信息;
根据所述靶标内部信息进行角点检测,以获取靶标结构件内两个方格的交点,所述交点为靶标中心点。
8.根据权利要求4所述的图像定位方法,其特征在于,所述对所述靶标区域进行角点检测,以确定靶标中心点,包括:
遍历所述角点,并以角点为中心做圆;
对所述圆进行采样,获取采样点;
计算所述采样点的灰度直方图并利用所述灰度直方图计算与标准灰度直方图的相关系数,所述标准灰度直方图为标准靶标模板图像的中心点的灰度直方图;
根据相关系数确定靶标中心点的像素坐标。
9.一种电子设备,其特征在于,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使计算机设备执行根据权利要求4至8中任一项所述的图像定位方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行权利要求4至8任一项所述的图像定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624053.6A CN111754576B (zh) | 2020-06-30 | 2020-06-30 | 一种架体量测系统、图像定位方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624053.6A CN111754576B (zh) | 2020-06-30 | 2020-06-30 | 一种架体量测系统、图像定位方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754576A CN111754576A (zh) | 2020-10-09 |
CN111754576B true CN111754576B (zh) | 2023-08-08 |
Family
ID=72680369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010624053.6A Active CN111754576B (zh) | 2020-06-30 | 2020-06-30 | 一种架体量测系统、图像定位方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754576B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106813589A (zh) * | 2015-11-30 | 2017-06-09 | 中国石油化工股份有限公司 | 在用外浮顶储罐实时变形监测方法 |
CN107270811A (zh) * | 2017-06-22 | 2017-10-20 | 深圳市恒科通机器人有限公司 | 定位测试方法及定位测试装置 |
CN107481287A (zh) * | 2017-07-13 | 2017-12-15 | 中国科学院空间应用工程与技术中心 | 一种基于多标识的物体定位定姿方法及系统 |
CN110100149A (zh) * | 2016-12-27 | 2019-08-06 | 索尼公司 | 勘测标记、图像处理装置、图像处理方法和程序 |
CN110189376A (zh) * | 2019-05-06 | 2019-08-30 | 达闼科技(北京)有限公司 | 物体定位方法及物体定位装置 |
CN110530343A (zh) * | 2019-09-02 | 2019-12-03 | 上海嘉实(集团)有限公司 | 实测实量系统、方法、装置及存储介质 |
CN110866949A (zh) * | 2019-11-15 | 2020-03-06 | 广东利元亨智能装备股份有限公司 | 中心点定位方法、装置、电子设备和存储介质 |
CN210860513U (zh) * | 2019-11-25 | 2020-06-26 | 铜仁学院 | 一种地理测绘架 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2821750A1 (de) * | 2013-07-04 | 2015-01-07 | Hexagon Technology Center GmbH | Positionsbestimmungsverfahren für ein Vermessungsgerät und ebensolches Vermessungsgerät |
-
2020
- 2020-06-30 CN CN202010624053.6A patent/CN111754576B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106813589A (zh) * | 2015-11-30 | 2017-06-09 | 中国石油化工股份有限公司 | 在用外浮顶储罐实时变形监测方法 |
CN110100149A (zh) * | 2016-12-27 | 2019-08-06 | 索尼公司 | 勘测标记、图像处理装置、图像处理方法和程序 |
CN107270811A (zh) * | 2017-06-22 | 2017-10-20 | 深圳市恒科通机器人有限公司 | 定位测试方法及定位测试装置 |
CN107481287A (zh) * | 2017-07-13 | 2017-12-15 | 中国科学院空间应用工程与技术中心 | 一种基于多标识的物体定位定姿方法及系统 |
CN110189376A (zh) * | 2019-05-06 | 2019-08-30 | 达闼科技(北京)有限公司 | 物体定位方法及物体定位装置 |
CN110530343A (zh) * | 2019-09-02 | 2019-12-03 | 上海嘉实(集团)有限公司 | 实测实量系统、方法、装置及存储介质 |
CN110866949A (zh) * | 2019-11-15 | 2020-03-06 | 广东利元亨智能装备股份有限公司 | 中心点定位方法、装置、电子设备和存储介质 |
CN210860513U (zh) * | 2019-11-25 | 2020-06-26 | 铜仁学院 | 一种地理测绘架 |
Also Published As
Publication number | Publication date |
---|---|
CN111754576A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Koc-San et al. | Automatic citrus tree extraction from UAV images and digital surface models using circular Hough transform | |
US9958269B2 (en) | Positioning method for a surveying instrument and said surveying instrument | |
CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
CN110332887B (zh) | 一种基于特征光标点的单目视觉位姿测量系统及方法 | |
Awrangjeb et al. | Automatic detection of residential buildings using LIDAR data and multispectral imagery | |
US8121400B2 (en) | Method of comparing similarity of 3D visual objects | |
CN104574406B (zh) | 一种360度全景激光与多个视觉系统间的联合标定方法 | |
Palenichka et al. | Automatic extraction of control points for the registration of optical satellite and LiDAR images | |
EP2079054B1 (en) | Detection of blobs in images | |
CN109801302A (zh) | 一种基于双目视觉的高压输电线路异物检测方法 | |
US20150248579A1 (en) | Method for identifying and positioning building using outline region restraint of mountain | |
CN108629297A (zh) | 一种基于空域自然场景统计的遥感图像云检测方法 | |
CN113049184A (zh) | 一种质心测量方法、设备及存储介质 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN107765257A (zh) | 一种基于反射强度辅助外部校准的激光探测与测量方法 | |
US9171228B2 (en) | Method and system for estimating a similarity between two binary images | |
CN111754576B (zh) | 一种架体量测系统、图像定位方法、电子设备及存储介质 | |
CN115880643B (zh) | 一种基于目标检测算法的社交距离监测方法和装置 | |
CN114240984B (zh) | 一种圆形标志点边缘提取方法及其应用 | |
Wang et al. | Point cloud registration by combining shape and intensity contexts | |
CN110853059B (zh) | 一种靶子环数的图像识别方法 | |
CN113095324A (zh) | 一种针对锥桶的分类与测距方法及系统 | |
CN106097362A (zh) | 一种x光图像中人工圆形标记的自动检测和定位方法 | |
McLoughlin et al. | Mobile mapping for the automated analysis of road signage and delineation | |
CN117095165B (zh) | 基于人工智能的林地空秃检测系统 |
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 |