CN111968189A - 基于深度学习的视觉里程计特征点检测系统及方法 - Google Patents
基于深度学习的视觉里程计特征点检测系统及方法 Download PDFInfo
- Publication number
- CN111968189A CN111968189A CN202010879053.0A CN202010879053A CN111968189A CN 111968189 A CN111968189 A CN 111968189A CN 202010879053 A CN202010879053 A CN 202010879053A CN 111968189 A CN111968189 A CN 111968189A
- Authority
- CN
- China
- Prior art keywords
- color change
- data
- difference value
- color
- fragment
- 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
Images
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于深度学习的视觉里程计特征点检测方法,该方法包括下述步骤:通过采集单元采集视觉里程计图像信息,并将图像信息传输至分析模块;分析模块从数据库内获取标准色度差数据,并依据其与图像信息一同进行图像分析操作,得到色变占比值、标准色度差值和片段色度差值,并将其一同传输至判定模块,本发明通过分析模块的设置,对采集单元采集和数据库内的相关数据进行精确的数据分析,并依据判定模块的设置,对精确分析后的相关数据进行准确判定,从而判定特征点的检测结果,增加数据的说服力度,增加数据的可靠性,节省人为判定所消耗的时间,提高工作效率。
Description
技术领域
本发明涉及特征点检测技术领域,具体为基于深度学习的视觉里程计特征点检测系统及方法。
背景技术
特征检测是计算机视觉和图像处理中的一个概念,它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征,特征检测的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。
目前,市场上的特征点检测系统和方法,是通过简单的数据图像识别进行判定,从而缺少有力的数据分析,缺少说服力度,同时也就无法依据精确的数据分析进行判定,为此,我们提出基于深度学习的视觉里程计特征点检测系统及方法。
发明内容
本发明的目的在于提供基于深度学习的视觉里程计特征点检测系统及方法,通过分析模块的设置,对采集单元采集和数据库内的相关数据进行精确的数据分析,并依据判定模块的设置,对精确分析后的相关数据进行准确判定,从而判定特征点的检测结果,来解决现有技术中无法对数据进行精确分析的问题,同时解决了现有技术中无法对分析数据进行快速判定的问题,增加数据的说服力度,增加数据的可靠性,节省人为判定所消耗的时间,提高工作效率。
本发明的目的可以通过以下技术方案实现:基于深度学习的视觉里程计特征点检测方法,该方法包括下述步骤:
步骤一:通过采集单元采集视觉里程计图像信息,并将图像信息传输至分析模块;
步骤二:分析模块从数据库内获取标准色度差数据,并依据其与图像信息一同进行图像分析操作,得到色变占比值、标准色度差值和片段色度差值,并将其一同传输至判定模块;
步骤三:判定模块依据色变占比值、标准色度差值和片段色度差值对里程计特征点进行检测判定操作,得到特征检测信号和特征点异常信号一同传输至发送单元;
步骤四:通过发送单元将特征检测信号和特征点异常信号一同发送至用户端。
作为本发明的进一步改进方案:图像分析操作的具体操作过程为:
K1:获取图像信息,将其内不同图像的输入编号数标定为图像名数据,并将图像名数据标记为TMi,i=1,2,3......n1,将其内图像的长度数据标定为图像边长数据,并将图像边长数据标记为TCi,i=1,2,3......n1,将其内图像的宽度数据标定为图像边宽数据,并将图像边宽数据标记为TKi,i=1,2,3......n1,依据标准色度差数据将其内不同灰度程度的颜色标记为色变片段数据,并将色变片段数据标记为SPi,i=1,2,3......n1,将其内色变片段数据对应的长度标定为色变长度数据,并将色变长度数据标记为SCi,i=1,2,3......n1,将其内色变片段数据对应的宽度数据标定为色变宽度数据,并将色变宽度数据标记为SKi,i=1,2,3......n1;
K2:依据图像名称数据为对K1上的相关数据进行分类,即K1内的所有标记数据均属于图像名称数据;
K3:获取图像边长数据和图像边宽数据,并将其一同带入到面积计算式:面积=长度*宽度,从而计算出图像面积数据,依据色变片段数据获取色变长度数据和色变宽度数据,并将其一同带入到面积计算式中,从而计算出色变面积数据,将色变面积数据和图像面积数据一同带入到计算式:色变占比=色变面积数据/图像面积数据*占比影响因子,并将色变占比标定为色变占比值;
K4:获取标准色度差数据,将其按照色度变化顺序依次进行色差排序,并将其依次标记为A1>A2>A3>......>Al,l=1,2,3......n2,即相邻的两个顺序的色差为色差度最小的两个颜色,并将排序后每两个相邻的色度差进行量化赋值,将A1到Al,量化为1,2,3......l,将相邻的两个标准色度差进行差值计算,从而计算出标准色度差值;
K5:获取色变片段数据,并将色变片段数据依据标准色度差数据进行片段色度差排序,并将片段色度差排序依次标记为B1>B2>B3>......>Bv,v=1,2,3......n3,并将排序后每个片段色度差与上述K4中的标准色度差进行匹配,选取出匹配赋值,并依据匹配赋值对片段色度差排序进行差值计算,将排序后每两个相邻的片段色度差进行差值计算,从而计算出片段色度差值。
作为本发明的进一步改进方案:检测判定操作的具体操作过程为:
H1:获取标准色差值和片段色度差值,并将进行比对操作,具体为:当标准色差值等于片段色度差值,则判定该片段色度差值正常,该图片无特征点,生成无特征点信号,当标准色差值小于片段色度差值,则判定该片段色度差值异常,该图片具有特征点,生成有特征点信号,并提取该片段色度差值对应的色变片段数据;
H2:依据上述H1中的色变片段数据提取对应的色变面积数据,设定一个色变面积预设值,并将其与色变面积数据进行对比,具体为:当色变面积数据大于等于色变面积预设值时,则判定该面积数据过大,色变程度异常,当色变面积数据小于色变面积预设值时,则判定该面积数据小,色变程度正常,提取对应的色变占比值,并设定一个色变占比预设值,并向其与色变占比值进行比对,具体为:当色变占比值大于等于色变占比预设值时,则判定该色变占比异常,当色变占比值小于色变占比预设值时,则判定该色变占比正常;
H3:提取上述H2中的提取色变程度异常、色变程度正常、色变占比异常和色变占比正常,并对其进行优先级选取,当色变占比判定结果与色变程度判定结果一致时,则判定结果一致,当色变占比判定结果与色变程度判定结果不一致时,则选取色变占比的判定结果为判定结果,并将其判定结果分别标定为异常信号和正常信号;
H4:将无特征点信号、有特征点信号、异常信号和正常信号一同带入到特征判定中,具体为:当无特征点信号与正常信号同时出现时,则判定该识别点不是特征点,当有特征点信号和异常信号同时出现时,则判定该识别点为特征点,并自动生成特征检测信号,当无特征点信号和异常信号同时出现时,则判定该识别点无特征点,当有特征点信号和正常信号同时出现时,则判定该识别点有特征点出现,并自动生成特征点异常信号。
基于深度学习的视觉里程计特征点检测系统,包括采集单元、数据库、分析模块、判定模块和发送单元;
所述采集单元用于采集视觉里程计中的图像,并自动获取图像信息,将图像信息传输至分析模块;
所述数据库内存储有标准色度差数据,分析模块从数据库内获取标准色度差数据,并将其与图像信息一同进行图像分析操作,得到色变占比值、标准色度差值和片段色度差值,并将其一同传输至判定模块;
所述判定模块用于对色变占比值、标准色度差值和片段色度差值对里程计特征点进行检测判定操作,得到特征检测信号和特征点异常信号一同传输至发送单元;
所述发送单元用于将特征检测信号和特征点异常信号一同发送至用户端。
本发明的有益效果:
(1)通过采集单元采集视觉里程计图像信息,并将图像信息传输至分析模块;分析模块从数据库内获取标准色度差数据,并依据其与图像信息一同进行图像分析操作,得到色变占比值、标准色度差值和片段色度差值,并将其一同传输至判定模块;判定模块依据色变占比值、标准色度差值和片段色度差值对里程计特征点进行检测判定操作,得到特征检测信号和特征点异常信号一同传输至发送单元;通过发送单元将特征检测信号和特征点异常信号一同发送至用户端;通过分析模块的设置,对采集单元采集和数据库内的相关数据进行精确的数据分析,并依据判定模块的设置,对精确分析后的相关数据进行准确判定,从而判定特征点的检测结果,增加数据的说服力度,增加数据的可靠性,节省人为判定所消耗的时间,提高工作效率。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的系统框图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为基于深度学习的视觉里程计特征点检测方法,该放发具体包括下述步骤:
步骤一:通过采集单元采集视觉里程计图像信息,并将图像信息传输至分析模块;
步骤二:分析模块从数据库内获取标准色度差数据,并依据其与图像信息一同进行图像分析操作,图像分析操作的具体操作过程为:
K1:获取图像信息,将其内不同图像的输入编号数标定为图像名数据,并将图像名数据标记为TMi,i=1,2,3......n1,将其内图像的长度数据标定为图像边长数据,并将图像边长数据标记为TCi,i=1,2,3......n1,将其内图像的宽度数据标定为图像边宽数据,并将图像边宽数据标记为TKi,i=1,2,3......n1,依据标准色度差数据将其内不同灰度程度的颜色标记为色变片段数据,并将色变片段数据标记为SPi,i=1,2,3......n1,将其内色变片段数据对应的长度标定为色变长度数据,并将色变长度数据标记为SCi,i=1,2,3......n1,将其内色变片段数据对应的宽度数据标定为色变宽度数据,并将色变宽度数据标记为SKi,i=1,2,3......n1;
K2:依据图像名称数据为对K1上的相关数据进行分类,即K1内的所有标记数据均属于图像名称数据;
K3:获取图像边长数据和图像边宽数据,并将其一同带入到面积计算式:面积=长度*宽度,从而计算出图像面积数据,依据色变片段数据获取色变长度数据和色变宽度数据,并将其一同带入到面积计算式中,从而计算出色变面积数据,将色变面积数据和图像面积数据一同带入到计算式:色变占比=色变面积数据/图像面积数据*占比影响因子,并将色变占比标定为色变占比值;
K4:获取标准色度差数据,将其按照色度变化顺序依次进行色差排序,并将其依次标记为A1>A2>A3>......>Al,l=1,2,3......n2,即相邻的两个顺序的色差为色差度最小的两个颜色,并将排序后每两个相邻的色度差进行量化赋值,将A1到Al,量化为1,2,3......l,将相邻的两个标准色度差进行差值计算,从而计算出标准色度差值;
K5:获取色变片段数据,并将色变片段数据依据标准色度差数据进行片段色度差排序,并将片段色度差排序依次标记为B1>B2>B3>......>Bv,v=1,2,3......n3,并将排序后每个片段色度差与上述K4中的标准色度差进行匹配,选取出匹配赋值,并依据匹配赋值对片段色度差排序进行差值计算,将排序后每两个相邻的片段色度差进行差值计算,从而计算出片段色度差值;
K6:将色变占比值、标准色度差值和片段色度差值一同传输至判定模块;
步骤三:判定模块依据色变占比值、标准色度差值和片段色度差值对里程计特征点进行检测判定操作,检测判定操作的具体操作过程为:
H1:获取标准色差值和片段色度差值,并将进行比对操作,具体为:当标准色差值等于片段色度差值,则判定该片段色度差值正常,该图片无特征点,生成无特征点信号,当标准色差值小于片段色度差值,则判定该片段色度差值异常,该图片具有特征点,生成有特征点信号,并提取该片段色度差值对应的色变片段数据;
H2:依据上述H1中的色变片段数据提取对应的色变面积数据,设定一个色变面积预设值,并将其与色变面积数据进行对比,具体为:当色变面积数据大于等于色变面积预设值时,则判定该面积数据过大,色变程度异常,当色变面积数据小于色变面积预设值时,则判定该面积数据小,色变程度正常,提取对应的色变占比值,并设定一个色变占比预设值,并向其与色变占比值进行比对,具体为:当色变占比值大于等于色变占比预设值时,则判定该色变占比异常,当色变占比值小于色变占比预设值时,则判定该色变占比正常;
H3:提取上述H2中的提取色变程度异常、色变程度正常、色变占比异常和色变占比正常,并对其进行优先级选取,当色变占比判定结果与色变程度判定结果一致时,则判定结果一致,当色变占比判定结果与色变程度判定结果不一致时,则选取色变占比的判定结果为判定结果,并将其判定结果分别标定为异常信号和正常信号;
H4:将无特征点信号、有特征点信号、异常信号和正常信号一同带入到特征判定中,具体为:当无特征点信号与正常信号同时出现时,则判定该识别点不是特征点,当有特征点信号和异常信号同时出现时,则判定该识别点为特征点,并自动生成特征检测信号,当无特征点信号和异常信号同时出现时,则判定该识别点无特征点,当有特征点信号和正常信号同时出现时,则判定该识别点有特征点出现,并自动生成特征点异常信号;
H5:将特征检测信号和特征点异常信号一同传输至发送单元;
步骤四:通过发送单元将特征检测信号和特征点异常信号一同发送至用户端;
基于深度学习的视觉里程计特征点检测系统,包括采集单元、数据库、分析模块、判定模块和发送单元;
所述采集单元用于采集视觉里程计中的图像,并自动获取图像信息,将图像信息传输至分析模块;
所述数据库内存储有标准色度差数据,分析模块从数据库内获取标准色度差数据,并将其与图像信息一同进行图像分析操作,得到色变占比值、标准色度差值和片段色度差值,并将其一同传输至判定模块;
所述判定模块用于对色变占比值、标准色度差值和片段色度差值对里程计特征点进行检测判定操作,得到特征检测信号和特征点异常信号一同传输至发送单元;
所述发送单元用于将特征检测信号和特征点异常信号一同发送至用户端。
本发明在工作时,通过采集单元采集视觉里程计图像信息,并将图像信息传输至分析模块;分析模块从数据库内获取标准色度差数据,并依据其与图像信息一同进行图像分析操作,得到色变占比值、标准色度差值和片段色度差值,并将其一同传输至判定模块;判定模块依据色变占比值、标准色度差值和片段色度差值对里程计特征点进行检测判定操作,得到特征检测信号和特征点异常信号一同传输至发送单元;通过发送单元将特征检测信号和特征点异常信号一同发送至用户端。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (4)
1.基于深度学习的视觉里程计特征点检测方法,其特征在于,该方法包括下述步骤:
步骤一:通过采集单元采集视觉里程计图像信息,并将图像信息传输至分析模块;
步骤二:分析模块从数据库内获取标准色度差数据,并依据其与图像信息一同进行图像分析操作,得到色变占比值、标准色度差值和片段色度差值,并将其一同传输至判定模块;
步骤三:判定模块依据色变占比值、标准色度差值和片段色度差值对里程计特征点进行检测判定操作,得到特征检测信号和特征点异常信号一同传输至发送单元;
步骤四:通过发送单元将特征检测信号和特征点异常信号一同发送至用户端。
2.根据权利要求1所述的基于深度学习的视觉里程计特征点检测方法,其特征在于,图像分析操作的具体操作过程为:
K1:获取图像信息,将其内不同图像的输入编号数标定为图像名数据,并将图像名数据标记为TMi,i=1,2,3......n1,将其内图像的长度数据标定为图像边长数据,并将图像边长数据标记为TCi,i=1,2,3......n1,将其内图像的宽度数据标定为图像边宽数据,并将图像边宽数据标记为TKi,i=1,2,3......n1,依据标准色度差数据将其内不同灰度程度的颜色标记为色变片段数据,并将色变片段数据标记为SPi,i=1,2,3......n1,将其内色变片段数据对应的长度标定为色变长度数据,并将色变长度数据标记为SCi,i=1,2,3......n1,将其内色变片段数据对应的宽度数据标定为色变宽度数据,并将色变宽度数据标记为SKi,i=1,2,3......n1;
K2:依据图像名称数据为对K1上的相关数据进行分类,即K1内的所有标记数据均属于图像名称数据;
K3:获取图像边长数据和图像边宽数据,并将其一同带入到面积计算式:面积=长度*宽度,从而计算出图像面积数据,依据色变片段数据获取色变长度数据和色变宽度数据,并将其一同带入到面积计算式中,从而计算出色变面积数据,将色变面积数据和图像面积数据一同带入到计算式:色变占比=色变面积数据/图像面积数据*占比影响因子,并将色变占比标定为色变占比值;
K4:获取标准色度差数据,将其按照色度变化顺序依次进行色差排序,并将其依次标记为A1>A2>A3>......>Al,l=1,2,3......n2,即相邻的两个顺序的色差为色差度最小的两个颜色,并将排序后每两个相邻的色度差进行量化赋值,将A1到Al,量化为1,2,3......l,将相邻的两个标准色度差进行差值计算,从而计算出标准色度差值;
K5:获取色变片段数据,并将色变片段数据依据标准色度差数据进行片段色度差排序,并将片段色度差排序依次标记为B1>B2>B3>......>Bv,v=1,2,3......n3,并将排序后每个片段色度差与上述K4中的标准色度差进行匹配,选取出匹配赋值,并依据匹配赋值对片段色度差排序进行差值计算,将排序后每两个相邻的片段色度差进行差值计算,从而计算出片段色度差值。
3.根据权利要求1所述的基于深度学习的视觉里程计特征点检测方法,其特征在于,检测判定操作的具体操作过程为:
H1:获取标准色差值和片段色度差值,并将进行比对操作,具体为:当标准色差值等于片段色度差值,则判定该片段色度差值正常,该图片无特征点,生成无特征点信号,当标准色差值小于片段色度差值,则判定该片段色度差值异常,该图片具有特征点,生成有特征点信号,并提取该片段色度差值对应的色变片段数据;
H2:依据上述H1中的色变片段数据提取对应的色变面积数据,设定一个色变面积预设值,并将其与色变面积数据进行对比,具体为:当色变面积数据大于等于色变面积预设值时,则判定该面积数据过大,色变程度异常,当色变面积数据小于色变面积预设值时,则判定该面积数据小,色变程度正常,提取对应的色变占比值,并设定一个色变占比预设值,并向其与色变占比值进行比对,具体为:当色变占比值大于等于色变占比预设值时,则判定该色变占比异常,当色变占比值小于色变占比预设值时,则判定该色变占比正常;
H3:提取上述H2中的提取色变程度异常、色变程度正常、色变占比异常和色变占比正常,并对其进行优先级选取,当色变占比判定结果与色变程度判定结果一致时,则判定结果一致,当色变占比判定结果与色变程度判定结果不一致时,则选取色变占比的判定结果为判定结果,并将其判定结果分别标定为异常信号和正常信号;
H4:将无特征点信号、有特征点信号、异常信号和正常信号一同带入到特征判定中,具体为:当无特征点信号与正常信号同时出现时,则判定该识别点不是特征点,当有特征点信号和异常信号同时出现时,则判定该识别点为特征点,并自动生成特征检测信号,当无特征点信号和异常信号同时出现时,则判定该识别点无特征点,当有特征点信号和正常信号同时出现时,则判定该识别点有特征点出现,并自动生成特征点异常信号。
4.如权利要求1所述的基于深度学习的视觉里程计特征点检测系统,其特征在于,包括采集单元、数据库、分析模块、判定模块和发送单元;
所述采集单元用于采集视觉里程计中的图像,并自动获取图像信息,将图像信息传输至分析模块;
所述数据库内存储有标准色度差数据,分析模块从数据库内获取标准色度差数据,并将其与图像信息一同进行图像分析操作,得到色变占比值、标准色度差值和片段色度差值,并将其一同传输至判定模块;
所述判定模块用于对色变占比值、标准色度差值和片段色度差值对里程计特征点进行检测判定操作,得到特征检测信号和特征点异常信号一同传输至发送单元;
所述发送单元用于将特征检测信号和特征点异常信号一同发送至用户端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010879053.0A CN111968189A (zh) | 2020-08-27 | 2020-08-27 | 基于深度学习的视觉里程计特征点检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010879053.0A CN111968189A (zh) | 2020-08-27 | 2020-08-27 | 基于深度学习的视觉里程计特征点检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111968189A true CN111968189A (zh) | 2020-11-20 |
Family
ID=73400403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010879053.0A Pending CN111968189A (zh) | 2020-08-27 | 2020-08-27 | 基于深度学习的视觉里程计特征点检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968189A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030264A (zh) * | 2023-02-01 | 2023-04-28 | 安徽信息工程学院 | 一种用于辅助视觉障碍者理解图片的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030124589A1 (en) * | 2001-10-12 | 2003-07-03 | Vysis, Inc. | Imaging microarrays |
US20090016643A1 (en) * | 2007-07-09 | 2009-01-15 | Johnson Stephen E | Method for digital image class detection |
CN109345600A (zh) * | 2018-09-04 | 2019-02-15 | 青岛海信电器股份有限公司 | 一种基于色调的局部降噪方法、装置及终端 |
CN110516731A (zh) * | 2019-08-20 | 2019-11-29 | 北京影谱科技股份有限公司 | 一种基于深度学习的视觉里程计特征点检测方法及系统 |
CN111416960A (zh) * | 2020-03-27 | 2020-07-14 | 河北凯通信息技术服务有限公司 | 一种基于云服务的视频监控系统 |
-
2020
- 2020-08-27 CN CN202010879053.0A patent/CN111968189A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030124589A1 (en) * | 2001-10-12 | 2003-07-03 | Vysis, Inc. | Imaging microarrays |
US20090016643A1 (en) * | 2007-07-09 | 2009-01-15 | Johnson Stephen E | Method for digital image class detection |
CN109345600A (zh) * | 2018-09-04 | 2019-02-15 | 青岛海信电器股份有限公司 | 一种基于色调的局部降噪方法、装置及终端 |
CN110516731A (zh) * | 2019-08-20 | 2019-11-29 | 北京影谱科技股份有限公司 | 一种基于深度学习的视觉里程计特征点检测方法及系统 |
CN111416960A (zh) * | 2020-03-27 | 2020-07-14 | 河北凯通信息技术服务有限公司 | 一种基于云服务的视频监控系统 |
Non-Patent Citations (1)
Title |
---|
王鹏等: "《双目视觉车辆轮廓尺寸测量及误差分析》", 《西安工业大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030264A (zh) * | 2023-02-01 | 2023-04-28 | 安徽信息工程学院 | 一种用于辅助视觉障碍者理解图片的方法及装置 |
CN116030264B (zh) * | 2023-02-01 | 2024-03-29 | 安徽信息工程学院 | 一种用于辅助视觉障碍者理解图片的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102103698B (zh) | 图像处理装置及图像处理方法 | |
CN103325122B (zh) | 基于双向排序的行人检索方法 | |
CN109839386B (zh) | 一种智能摄像识别系统 | |
RU2673120C1 (ru) | Способ и устройство для идентификации сложенных банкнот | |
CN103440671B (zh) | 一种印章检测方法及系统 | |
CN103198304A (zh) | 一种掌纹提取识别方法 | |
CN106780428B (zh) | 一种基于颜色识别的芯片数量检测方法及系统 | |
CN111968189A (zh) | 基于深度学习的视觉里程计特征点检测系统及方法 | |
CN101799920A (zh) | 基于颜色特征的舌象分析方法及其应用 | |
CN109492544B (zh) | 一种通过增强光学显微镜对动物纤维进行分类的方法 | |
CN111078565A (zh) | 基于hog特征提取和svm多分类器的软件测试结果的分析方法 | |
CN114441452A (zh) | 一种光纤尾纤检测方法 | |
CN113269234B (zh) | 一种基于目标检测的连接件装配检测方法和系统 | |
CN107976417A (zh) | 一种基于红外光谱的原油种类识别方法 | |
CN103559486A (zh) | 一种视频检测地板正反面的方法 | |
CN112734702A (zh) | 基于大数据分析和机器视觉的桥梁安全监测方法及云平台 | |
GB2604706A (en) | System and method for diagnosing small bowel cleanliness | |
CN116071335A (zh) | 墙面验收方法、装置、设备及存储介质 | |
CN115205747A (zh) | 一种基于图像识别的道路自动化检测系统 | |
CN113269195A (zh) | 读数表图像字符识别方法和装置以及可读存储介质 | |
CN103927544A (zh) | 皮棉轧工质量的机器视觉分级方法 | |
CN113408475A (zh) | 指示信号识别方法、设备以及计算机存储介质 | |
CN114339186A (zh) | 应用微控芯片的色泽判断系统 | |
CN113837242A (zh) | 一种土壤元素含量检测方法及系统 | |
CN107527011A (zh) | 一种非接触式皮肤电阻变化趋势检测方法、装置及设备 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210603 Address after: 213000 No.29 Huchen Road, Guancheng village, Luoyang Town, Wujin District, Changzhou City, Jiangsu Province Applicant after: Changzhou Lingkun Metal Technology Co.,Ltd. Address before: Room 407-1, building C, Tianan Digital City, Changzhou, Wujin national high tech Industrial Development Zone, Changzhou, Jiangsu Province 213000 Applicant before: Changzhou Titanium Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201120 |
|
WD01 | Invention patent application deemed withdrawn after publication |