CN111932617B - 一种对规则物体实现实时检测定位方法和系统 - Google Patents
一种对规则物体实现实时检测定位方法和系统 Download PDFInfo
- Publication number
- CN111932617B CN111932617B CN202010681039.XA CN202010681039A CN111932617B CN 111932617 B CN111932617 B CN 111932617B CN 202010681039 A CN202010681039 A CN 202010681039A CN 111932617 B CN111932617 B CN 111932617B
- Authority
- CN
- China
- Prior art keywords
- points
- clustering
- camera
- dimensional coordinate
- coordinate 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011897 real-time detection Methods 0.000 title claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 20
- 230000000007 visual effect Effects 0.000 description 5
- 230000001154 acute effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种对规则物体实现实时检测定位方法,包括以下步骤:将包含物体的感兴趣区域处理成二值化图像;对所述二值化图像进行积分处理,并通过聚类算法获取聚类中心点;根据所述聚类中心点估计出物体的距离和姿态关系。本发明还涉及一种对规则物体实现实时检测定位系统。本发明能够提高检测的精确度和鲁棒性。
Description
技术领域
本发明涉及机器视觉技术领域,特别是涉及一种对规则物体实现实时检测定位方法和系统。
背景技术
随着现代工业化的趋势,机器视觉在工业化扮演着重要的角色。基于视觉对物体的检测是当前定位的研究热点。室内具有复杂的环境,光线条件和物体移动的快慢,以及较多的障碍物等特点,对于这些恶劣环境,提高检测的鲁棒性和精确高效性是视觉检测的解决的难点。对物体的检测和定位是实现现代自动化技术的重要一步,目前无人驾驶中,针对障碍物的检测和定位,具有很高的挑战性,要对检测和定位的效率更高;在智能物流方面,实现对目标物的提取,由于货物摆放的随意性,这对于视觉的检测加大了难度等等。
目前对货物托盘的检测主要采用视觉检测和激光检测等方法。其中,单目视觉检测的成本虽然低廉,但是精度上不高,容易受到外界环境的影响;基于多线激光雷达的检测虽然具有较高的精度,但是多线激光雷达的价格过于昂贵,容易受到障碍物的干扰问题从而导致误检测;基于特殊标签的检测如Aruco的方法,它对于贴码的精度要求过高,容易毁坏从而导致检测不到二维码;基于蓝牙或RFID技术实现的定位,很难在精度上达到理想的要求,并且在货物较多的情况下,对托盘的定位信息丢失等等。
近年来,针对托盘的检测研究主要采用基于视觉,激光雷达以及两者结合的检测方法,其中,基于视觉标签的检测方法,但容易受标签污损的影响,并且对光照的鲁棒性不强;基于单线激光雷达的方法,虽然克服了光照的影响,但是单线扫描的范围有限;基于多线激光雷达和视觉融合的方法虽然在精度上能够提高,但是多线激光雷达的价格昂贵,造成成本的提高,并且完成对雷达和摄像机之间的联合标定和配准十分复杂。
发明内容
本发明所要解决的技术问题是提供一种对规则物体实现实时检测定位方法和系统,能够提高检测的精确度和鲁棒性。
本发明解决其技术问题所采用的技术方案是:提供一种对规则物体实现实时检测定位方法,包括以下步骤:
(1)将包含物体的感兴趣区域处理成二值化图像;
(2)对所述二值化图像进行积分处理,并通过聚类算法获取聚类中心点;
(3)根据所述聚类中心点估计出物体的距离和姿态关系。
所述步骤(2)中通过积分处理提取物体的特征,确定提取出的特征的数量。
所述步骤(2)中聚类算法采用基于K-Means的聚类算法,在积分处理后的二值化图像的积分数据上选取k个一维度的中心点作为初始中心点,分别计算出剩余的积分数据到这k个中心的距离,将它们划分至最近的区域中;然后在重新计算出每一类的集群中心点:其中,μi是Ci簇的聚类中心,重复上述的操作,直到终止迭代,得到k个新的集群中心点作为聚类中心点,其中,k≥3。
所述步骤(3)具体为:
(31)根据像素坐标到相机坐标的转换关系获物体特征的相机坐标,得到特征的k个三维坐标点,然后判断k个三维坐标点是否在同一个平面上;若是,则进入下一步骤;否则返回步骤(2)重新计算,其中,k≥3;
(32)若k个三维坐标点的连续距离满足设定的阈值,则作为目标区域,计算k个三维坐标点组成直线投影在相机坐标系平面的夹角θ和目标区域距离相机的深度d作为物体的最终位姿输出。
所述步骤(31)中从k个三维坐标点中任取三个点,三个点的相机坐标依次为A(x1,y1,z1)、B(x2,y2,z2)、C(x3,y3,z3),若两向量和/>之间的夹角在预设误差范围内,则认为所取k个三维坐标点在同一个平面上。
所述步骤(32)中用相机坐标系下空间内一条直线AC的投影点D1作为中心点,D1坐标为D1(x4,z4),计算D1点的直线在相机坐标下的夹角θ和距离d作为物体的位姿,其中,
本发明解决其技术问题所采用的技术方案是:还提供一种对规则物体实现实时检测定位系统,包括:二值化处理模块,用于将包含物体的感兴趣区域处理成二值化图像;积分聚类模块,用于对所述二值化图像进行积分处理,并通过聚类算法获取聚类中心点;计算模块,用于根据所述聚类中心点估计出物体的距离和姿态关系。
所述积分聚类模块包括:积分单元积分用于提取物体的特征,确定提取出的特征的数量;聚类单元用于采用基于K-Means聚类算法,在积分处理后的二值化图像的积分数据上选取k个一维度的中心点作为初始中心点,分别计算出剩余的积分数据到这k个中心的距离,将它们划分至最近的区域中;然后在重新计算出每一类的集群中心点:其中,μi是Ci簇的聚类中心,重复上述的操作,直到终止迭代,得到k个新的集群中心点作为聚类中心点,其中,k≥3。
所述计算模块包括:坐标转换单元,用于根据像素坐标到相机坐标的转换关系获特征的相机坐标,得到特征的k个三维坐标点,其中,k≥3;第一判断单元,用于判断k个三维坐标点是否在同一个平面上;第二判断单元,用于在所述第一判断单元判定k个三维坐标点在同一个平面上后,判断k个三维坐标点的连续距离是否满足设定的阈值,若满足,则作为目标区域;估计单元,用于计算k个三维坐标点组成直线投影在相机坐标系平面的夹角θ和目标区域距离相机的深度d,并作为物体的最终位姿输出。
所述第一判断单元从k个三维坐标点中任取三个点,三个点的相机坐标依次为A(x1,y1,z1)、B(x2,y2,z2)、C(x3,y3,z3),若两向量和/>之间的夹角在预设误差范围内,则认为所取k个三维坐标点在同一个平面上;所述估计单元用相机坐标系下空间内一条直线AC的投影点D1作为中心点,D1坐标为D1(x4,z4),计算D1点的直线在相机坐标下的夹角θ和距离d作为物体的位姿,其中,/>有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明通过积分聚类的方式得到待测物体特征的位置和个数,再利用坐标转换关系直接求出物体的位姿,本发明在视觉的基础上,利用积分聚类算法提高了检测的精确度和鲁棒性。
附图说明
图1是本发明的流程图;
图2是本发明实施例的物体空间示意图;
图3是本发明实施例的托盘正面示意图;
图4是本发明的结构示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种对规则物体实现实时检测定位方法,如图1所示,包括以下步骤:
(1)将包含物体的感兴趣区域处理成二值化图像。
(2)对所述二值化图像进行积分处理,并通过聚类算法获取聚类中心点。
其中,二值化处理可以用在图像上进行投影来累加统计像素,通过积分处理可以提取物体的特征,从而确定提取出的特征的数量。本实施方式中采用的聚类方法是在感兴趣区域的积分图上,其中,聚类可以将积分图原始数据分为k类;本实施方式中的聚类为基于K-Means的聚类算法,其中,在原始积分图数据上选取k个一维度的中心点作为初始中心点,分别计算出剩余的积分数据到这k个中心的距离,将它们划分至最近的区域中;然后在重新计算出每一类的集群中心点:其中,μi是Ci簇的聚类中心,重复上述的操作,直到终止迭代,得到k个新的集群中心点作为聚类中心点,其中,k≥3。
(3)根据所述聚类中心点估计出物体的距离和姿态关系。具体如下:
根据像素坐标到相机坐标的转换关系获取特征的相机坐标,得到特征的k个三维坐标点,然后根据坐标点来判断是否在同一个平面上,若是,则为可能的目标点。
其中,位姿可以在k个聚类中心坐标转换为相机坐标系下的坐标:x=z(u-cx)/fx,y=z(v-cy)/fy,(u,v)是像素的坐标值,(cx,cy,fx,fy)是通过标定得到的相机内参,Z是像素坐标到相机的距离,坐标系转换关系如下:
k个三维坐标点是否在同一个平面上的判断方式如下:任取k个三维坐标点中的三个点,假设三个点的相机坐标依次为A(x1,y1,z1)、B(x2,y2,z2)、C(x3,y3,z3),若两向量 之间的夹角在一定误差范围内,则认为所取的点大致在同一个平面上,计算公式如下:其中,|AB|和|BC|的距离公式如下:/>
若满足在同一个平面的条件,接下来判断是否为目标区域的可能,若k个坐标点的连续距离满足一定的阈值,则作为目标区域,计算k个点组成直线投影在相机坐标系X-Z平面的夹角和目标区域距离相机的深度作为物体的最终位姿输出,计算位姿时,夹角θ和深度d可以用相机坐标系下空间内一条直线AC的投影点D1作为中心点,D1坐标为D1(x4,z4),计算D1点的直线在相机坐标下的夹角θ和距离d作为物体的位姿(见图2),图中OXYZ为相机的坐标系,Z轴为相机的深度,符合右手系,ADC为相机坐标系的一条直线,A1D1C1为空间内直线在Z-X平面上的投影线,与Z轴的夹角θ(锐角):/>|OD1|的距离d:
下面通过两个具体的实施例进一步说明本发明的方法。
实施例1:
一种对托盘实时检测、定位的方法,具体实现步骤如下:
步骤一:将包含物体的感兴趣区域处理成二值化的图像作为输入。
步骤二:在二值化的图上积分处理,进行聚类获取聚类中心点;
在积分图数据上采用聚类的方法,其中,聚类可以将积分图原始数据分为3类(托盘平面的孔洞数量为2,托盘平面的立柱数量为3)如图3所示。图3中的黑色为托盘的立柱,白色区域为孔洞。
聚类可以为基于K-Means的聚类算法,其中,根据托盘的特征,可以在原始积分图数据上选取3个一维度的中心点作为初始中心点,为了更快的收敛,3个初始的中心点坐标为感兴趣区域的1/3,分别计算出剩余的积分数据到这3个中心的距离,将它们划分至最近的区域中;然后利用重新计算出每一类的集群中心点;重复上述的操作,直到终止迭代,最终得到3个新中心点。
步骤三:根据聚类中心估计物体的距离和姿态关系。
根据像素坐标到相机坐标的转换关系获取托盘立柱的相机坐标,得到立柱的3个三维坐标点,然后根据来判断是否在同一个平面上,存在可允许范围内的误差;若是,则为可能的托盘立柱;否则对返回上一步重新计算。
若满足在同一个平面的条件下,再去判断是否为目标托盘插孔位置。若3个坐标点的连续距离满足一定的阈值,本实施例中的阈值是先验知识,托盘的边长为1.2米左右,故存在的立柱之间的距离范围0.6米左右,根据 计算|AB|、|BC|的数值满足先验知识,就认定聚类分出的3类中心的位置就为托盘的立柱。
每两个立柱之间的距离则视为托盘孔洞,这3个聚类中心点在相机坐标系下可以组成一条直线;若不满足先验知识,则返回到输入采集的下一帧的图像进行处理。
所有条件满足下输出托盘的相对位姿;计算聚类中心点在相机坐标系下组成的直线投影在相机坐标系Z-X平面的夹角θ和中间点距离相机的深度d作为托盘的最终位姿。
最终托盘的θ和d具体输出可以用相机坐标系下空间内一条直线AC的投影点D1作为中心点,计算D1点的直线在相机坐标下的夹角θ和距离d作为托盘的位姿。与Z轴的夹角θ(锐角):/>|OD1|的距离d:/>
实施例2:
一种基于规则物体的检测、定位的基础上实现工业机器人抓取传送带上的物体,具体实现步骤如下:
步骤一:图像采集模块实现对物体的感兴趣区域进行提取,生成二值化的图像作为处理模块的输入;
(1)机器人抓取在传送带上的物体,图像采集模块采集到物体的ROI区域,采用二值化算法对ROI区域进行处理;
步骤二:计算处理模块按照实施例1的方法完成图像的积分处理和聚类;
通过积分处理方法明确提取物的特征,确定提取出的立柱个数和孔洞的数量;确定提取物的立柱个数的前提下,利用聚类的算法将积分图数据划分成和立柱个数相等的类别;
步骤三:根据聚类的结果完成对提取物体的位姿和距离的确定;
将聚类的中心点参考实施例1的方法转换到世界坐标系的坐标,每个聚类中心的在空间中根据实施例1中的方法判断是否在同一个平面上;若满足在同一个平面上,则按照实施例1中计算着孔洞的位姿和距离,将输出位姿。
本发明的实施方式还涉及一种对规则物体实现实时检测定位系统,如图4所示,包括:二值化处理模块,用于将包含物体的感兴趣区域处理成二值化图像;积分聚类模块,用于对所述二值化图像进行积分处理,并通过聚类算法获取聚类中心点;计算模块,用于根据所述聚类中心点估计出物体的距离和姿态关系。
其中,所述积分聚类模块包括:积分单元积分用于提取物体的特征,确定提取出的特征的数量;聚类单元用于采用基于K-Means聚类算法,在积分处理后的二值化图像的积分数据上选取k个一维度的中心点作为初始中心点,分别计算出剩余的积分数据到这k个中心的距离,将它们划分至最近的区域中;然后在重新计算出每一类的集群中心点:其中,μi是Ci簇的聚类中心,重复上述的操作,直到终止迭代,得到k个新的集群中心点作为聚类中心点,其中,k≥3。
所述计算模块包括:坐标转换单元,用于根据像素坐标到相机坐标的转换关系获特征的相机坐标,得到特征的k个三维坐标点,其中,k≥3;第一判断单元,用于判断k个三维坐标点是否在同一个平面上;第二判断单元,用于在所述第一判断单元判定k个三维坐标点在同一个平面上后,判断k个三维坐标点的连续距离是否满足设定的阈值,若满足,则作为目标区域;估计单元,用于计算k个三维坐标点组成直线投影在相机坐标系平面的夹角θ和目标区域距离相机的深度d,并作为物体的最终位姿输出。
所述第一判断单元从k个三维坐标点中任取三个点,三个点的相机坐标依次为A(x1,y1,z1)、B(x2,y2,z2)、C(x3,y3,z3),若两向量和/>之间的夹角在预设误差范围内,则认为所取k个三维坐标点在同一个平面上;所述估计单元用相机坐标系下空间内一条直线AC的投影点D1作为中心点,D1坐标为D1(x4,z4),计算D1点的直线在相机坐标下的夹角θ和距离d作为物体的位姿,其中,/>
不难发现,本发明通过积分聚类的方式得到待测物体特征的位置和个数,再利用坐标转换关系直接求出物体的位姿,本发明采用的积分聚类算法能够根据图像数据的分布性有效的提取立柱的位置,若是在立柱被遮挡的情况下,一般的图像处理技术无法避免立柱被遮挡的影响,相反,采用积分聚类算法能够一定程度上不受立柱遮挡、毁坏等情况的影响,聚类算法主要受到数据分布、初始位置的影响,由于立柱实际距离和大小可以采用先验知识获取,能够有效避免聚类不好的结果。故而本发明在视觉的基础上,利用积分聚类算法提高了检测的精确度和鲁棒性。。
Claims (9)
1.一种对规则物体实现实时检测定位方法,其特征在于,包括以下步骤:
(1)将包含物体的感兴趣区域处理成二值化图像;
(2)对所述二值化图像进行积分处理,并通过聚类算法获取聚类中心点;其中,通过积分处理提取物体的特征,确定提取出的特征的数量;
(3)根据所述聚类中心点估计出物体的距离和姿态关系。
2.根据权利要求1所述的对规则物体实现实时检测定位方法,其特征在于,所述步骤(2)中聚类算法采用基于K-Means的聚类算法,在积分处理后的二值化图像的积分数据上选取k个一维度的中心点作为初始中心点,分别计算出剩余的积分数据到这k个中心的距离,将它们划分至最近的区域中;然后在重新计算出每一类的集群中心点:
其中,μi是Ci簇的聚类中心,重复上述的操作,直到终止迭代,得到k个新的集群中心点作为聚类中心点,其中,k≥3。
3.根据权利要求1所述的对规则物体实现实时检测定位方法,其特征在于,所述步骤(3)具体为:
(31)根据像素坐标到相机坐标的转换关系获特征的相机坐标,得到特征的k个三维坐标点,然后判断k个三维坐标点是否在同一个平面上;若是,则进入下一步骤;否则返回步骤(2)重新计算,其中,k≥3;
(32)若k个三维坐标点的连续距离满足设定的阈值,则作为目标区域,计算k个三维坐标点组成直线投影在相机坐标系平面的夹角θ和目标区域距离相机的深度d作为物体的最终位姿输出。
4.根据权利要求3所述的对规则物体实现实时检测定位方法,其特征在于,所述步骤(31)中从k个三维坐标点中任取三个点,三个点的相机坐标依次为A(x1,y1,z1)、B(x2,y2,z2)、C(x3,y3,z3),若两向量和/>之间的夹角在预设误差范围内,则认为所取k个三维坐标点在同一个平面上。
5.根据权利要求4所述的对规则物体实现实时检测定位方法,其特征在于,所述步骤(32)中用相机坐标系下空间内一条直线AC的投影点D1作为中心点,D1坐标为D1(x4,z4),计算D1点的直线在相机坐标下的夹角θ和距离d作为物体的位姿,其中,
6.一种对规则物体实现实时检测定位系统,其特征在于,包括:
二值化处理模块,用于将包含物体的感兴趣区域处理成二值化图像;
积分聚类模块,用于对所述二值化图像进行积分处理,并通过聚类算法获取聚类中心点;其中,通过积分处理提取物体的特征,确定提取出的特征的数量;
计算模块,用于根据所述聚类中心点估计出物体的距离和姿态关系。
7.根据权利要求6所述的对规则物体实现实时检测定位系统,其特征在于,所述积分聚类模块包括:
积分单元,用于对所述二值化图像进行积分处理,以提取物体的特征,确定提取出的特征的数量;
聚类单元,用于采用基于K-Means聚类算法,在积分处理后的二值化图像的积分数据上选取k个一维度的中心点作为初始中心点,分别计算出剩余的积分数据到这k个中心的距离,将它们划分至最近的区域中;然后在重新计算出每一类的集群中心点:
其中,μi是Ci簇的聚类中心,重复上述的操作,直到终止迭代,得到k个新的集群中心点作为聚类中心点,其中,k≥3。
8.根据权利要求6所述的对规则物体实现实时检测定位系统,其特征在于,所述计算模块包括:
坐标转换单元,用于根据像素坐标到相机坐标的转换关系获特征的相机坐标,得到特征的k个三维坐标点,其中,k≥3;
第一判断单元,用于判断k个三维坐标点是否在同一个平面上;
第二判断单元,用于在所述第一判断单元判定k个三维坐标点在同一个平面上后,判断k个三维坐标点的连续距离是否满足设定的阈值,若满足,则作为目标区域;
估计单元,用于计算k个三维坐标点组成直线投影在相机坐标系平面的夹角θ和目标区域距离相机的深度d,并作为物体的最终位姿输出。
9.根据权利要求8所述的对规则物体实现实时检测定位系统,其特征在于,所述第一判断单元从k个三维坐标点中任取三个点,三个点的相机坐标依次为A(x1,y1,z1)、B(x2,y2,z2)、C(x3,y3,z3),若两向量和/>之间的夹角在预设误差范围内,则认为所取k个三维坐标点在同一个平面上;所述估计单元用相机坐标系下空间内一条直线AC的投影点D1作为中心点,D1坐标为D1(x4,z4),计算D1点的直线在相机坐标
下的夹角θ和距离d作为物体的位姿,其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681039.XA CN111932617B (zh) | 2020-07-15 | 2020-07-15 | 一种对规则物体实现实时检测定位方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681039.XA CN111932617B (zh) | 2020-07-15 | 2020-07-15 | 一种对规则物体实现实时检测定位方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932617A CN111932617A (zh) | 2020-11-13 |
CN111932617B true CN111932617B (zh) | 2023-12-22 |
Family
ID=73313217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010681039.XA Active CN111932617B (zh) | 2020-07-15 | 2020-07-15 | 一种对规则物体实现实时检测定位方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932617B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112859006B (zh) * | 2021-01-11 | 2023-08-29 | 成都圭目机器人有限公司 | 一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法 |
CN112859005B (zh) * | 2021-01-11 | 2023-08-29 | 成都圭目机器人有限公司 | 一种检测多通道探地雷达数据中金属类直圆柱结构的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8811751B1 (en) * | 2013-12-20 | 2014-08-19 | I.R.I.S. | Method and system for correcting projective distortions with elimination steps on multiple levels |
US9965695B1 (en) * | 2016-12-30 | 2018-05-08 | Konica Minolta Laboratory U.S.A., Inc. | Document image binarization method based on content type separation |
CN108171748A (zh) * | 2018-01-23 | 2018-06-15 | 哈工大机器人(合肥)国际创新研究院 | 一种面向机器人智能抓取应用的视觉识别与定位方法 |
CN108225319A (zh) * | 2017-11-30 | 2018-06-29 | 上海航天控制技术研究所 | 基于目标特征的单目视觉快速相对位姿估计系统及方法 |
CN109308722A (zh) * | 2018-11-26 | 2019-02-05 | 陕西远航光电有限责任公司 | 一种基于主动视觉的空间位姿测量系统及方法 |
CN109658404A (zh) * | 2018-12-19 | 2019-04-19 | 浙江优迈德智能装备有限公司 | 一种基于图像轮廓提取与聚类的瓦楞纸板智能检测方法 |
CN110298292A (zh) * | 2019-06-25 | 2019-10-01 | 东北大学 | 基于规则多边形物体角点检测的高精度实时抓取检测方法 |
CN110648367A (zh) * | 2019-08-15 | 2020-01-03 | 大连理工江苏研究院有限公司 | 一种基于多层深度与彩色视觉信息的几何体目标定位方法 |
CN110648361A (zh) * | 2019-09-06 | 2020-01-03 | 深圳市华汉伟业科技有限公司 | 一种三维目标物体的实时位姿估计方法及定位抓取系统 |
-
2020
- 2020-07-15 CN CN202010681039.XA patent/CN111932617B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8811751B1 (en) * | 2013-12-20 | 2014-08-19 | I.R.I.S. | Method and system for correcting projective distortions with elimination steps on multiple levels |
US9965695B1 (en) * | 2016-12-30 | 2018-05-08 | Konica Minolta Laboratory U.S.A., Inc. | Document image binarization method based on content type separation |
CN108225319A (zh) * | 2017-11-30 | 2018-06-29 | 上海航天控制技术研究所 | 基于目标特征的单目视觉快速相对位姿估计系统及方法 |
CN108171748A (zh) * | 2018-01-23 | 2018-06-15 | 哈工大机器人(合肥)国际创新研究院 | 一种面向机器人智能抓取应用的视觉识别与定位方法 |
CN109308722A (zh) * | 2018-11-26 | 2019-02-05 | 陕西远航光电有限责任公司 | 一种基于主动视觉的空间位姿测量系统及方法 |
CN109658404A (zh) * | 2018-12-19 | 2019-04-19 | 浙江优迈德智能装备有限公司 | 一种基于图像轮廓提取与聚类的瓦楞纸板智能检测方法 |
CN110298292A (zh) * | 2019-06-25 | 2019-10-01 | 东北大学 | 基于规则多边形物体角点检测的高精度实时抓取检测方法 |
CN110648367A (zh) * | 2019-08-15 | 2020-01-03 | 大连理工江苏研究院有限公司 | 一种基于多层深度与彩色视觉信息的几何体目标定位方法 |
CN110648361A (zh) * | 2019-09-06 | 2020-01-03 | 深圳市华汉伟业科技有限公司 | 一种三维目标物体的实时位姿估计方法及定位抓取系统 |
Non-Patent Citations (2)
Title |
---|
A real-time detection and positioning method for small and weak targets using a 1D morphology-based approach in 2D images;Min-Song Wei et al.;《Light: Science & Applications》;全文 * |
基于学习的目标检测方法研究与应用;张海燕;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111932617A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507167B (zh) | 一种基于点云平面轮廓匹配的货物托盘检测方法及系统 | |
CN107272021B (zh) | 使用雷达和视觉定义的图像检测区域的对象检测 | |
CN107610176B (zh) | 一种基于Kinect的栈板动态识别与定位方法、系统及介质 | |
CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
US6731777B1 (en) | Object recognition system | |
KR102195164B1 (ko) | 다중 라이다를 이용한 다중 물체 인식 시스템 및 방법 | |
EP2940656B1 (en) | Vehicle periphery monitoring device | |
CN109520418B (zh) | 一种基于二维激光扫描仪的托盘位姿识别方法 | |
CN111046843B (zh) | 一种智能驾驶环境下的单目测距方法 | |
CN111932617B (zh) | 一种对规则物体实现实时检测定位方法和系统 | |
EP3376433B1 (en) | Image processing apparatus, image processing method, and image processing program | |
CN112825192B (zh) | 基于机器学习的对象辨识系统及其方法 | |
CN110766758A (zh) | 标定方法、装置、系统及存储装置 | |
CN107218927A (zh) | 一种基于tof相机的货物托盘检测系统和方法 | |
US20210350705A1 (en) | Deep-learning-based driving assistance system and method thereof | |
CN113256729A (zh) | 激光雷达与相机的外参标定方法、装置、设备及存储介质 | |
CN114179788B (zh) | 自动泊车方法、系统、计算机可读存储介质及车机端 | |
CN114972968A (zh) | 基于多重神经网络的托盘识别和位姿估计方法 | |
CN114325634A (zh) | 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法 | |
CN112033408B (zh) | 一种贴纸式的物体空间定位系统及定位方法 | |
JP2010157093A (ja) | 運動推定装置及びプログラム | |
CN112017248A (zh) | 一种基于点线特征的2d激光雷达相机多帧单步标定方法 | |
CN111340884B (zh) | 一种双目异构相机与rfid的双重目标定位与身份辨识方法 | |
CN113469195A (zh) | 一种基于自适应颜色快速点特征直方图的目标识别方法 | |
KR101594113B1 (ko) | 스케일을 고려한 이미지 패치 추적 장치 및 방법 |
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 |