CN112037213A - 基于统计直方图的轮廓数据稳定特征点的获取方法及装置 - Google Patents
基于统计直方图的轮廓数据稳定特征点的获取方法及装置 Download PDFInfo
- Publication number
- CN112037213A CN112037213A CN202010931304.5A CN202010931304A CN112037213A CN 112037213 A CN112037213 A CN 112037213A CN 202010931304 A CN202010931304 A CN 202010931304A CN 112037213 A CN112037213 A CN 112037213A
- Authority
- CN
- China
- Prior art keywords
- contour
- points
- data
- statistical histogram
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T5/70—Denoising; Smoothing
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种基于统计直方图的轮廓数据稳定特征点的获取方法及装置,对获取轮廓数据分析得到轮廓数据在深度信息上的统计直方图,统计直方图展示各投影区间内轮廓点个数;通过预设个数阈值对统计直方图分析;区分并去除噪声和干扰数据,对于轮廓点个数大于等于预设个数阈值的投影区间,获取投影区间内轮廓点的均值特征点构成候选均值特征点集;最满足预设期望方向的均值特征点为最终候选点;以最终候选点为中心,确定搜索区域;进而确定稳定特征点。本申请提供的方法具有良好的鲁棒性,在受噪声和干扰情况下获得轮廓数据中一个稳定特征点,同时,判断出轮廓数据中的噪声和干扰数据并进行剔除,实现了轮廓数据的去噪。
Description
技术领域
本申请涉及视觉图像领域,尤其涉及一种基于统计直方图的轮廓数据稳定特征点的获取方法及装置。
背景技术
在视觉图像领域,深度图像可以反映所拍摄物体的深度信息,深度图像在某个位置沿某一方向取横截面,就形成了一组轮廓数据,通过对获取的轮廓数据进行处理,可以实现轮廓数据的特征点的测量,以及尺寸测量,面积测量等相关操作等。
特征点主要应用于轮廓数据的测量场景和定位场景;实际定位场景应用中,可以将第一幅轮廓数据的特征点作为训练的特征点,后续对其他轮廓数据进行测量时,会以训练的特征点作为基础来摆放测量区域,若训练的特征点不稳定,会导致后续的测量区域的摆放错误;在测量区域中对特征点进行测量时,用到稳定特征点的测量功能,而在3D测量场景中精度要求达到um级别,因而特征点的稳定就至关重要,若想获取测量区域内的稳定最高特征点,参照图1所示,在无噪声以及无干扰数据情况下的理想轮廓数据中,可以获得理想的稳定最高特征点,参照图2所示,在受噪声干扰情况下的轮廓数据中,若区域内存在的噪声点的数据较高时,噪声干扰的数据会影响到测量区域内最高点处特征点的获取,因此获得稳定最高特征点十分困难。
在无噪声以及无干扰数据的情况下,可以通过轮廓特征点工具获得一个稳定特征点;由于采集设备的精度,以及采集环境的影响,获取到的深度图像不可避免地会引入噪声和干扰,因此,获取深度图像在某个位置的横截面时,其对应的轮廓数据也会引入噪声和干扰,当轮廓数据引入噪声和干扰时,由于噪声和干扰数据位置的不确定性和随机性,此时无法通过轮廓特征点工具获得一个相对稳定的特征点。
发明内容
本申请提供了一种基于统计直方图的轮廓数据稳定特征点的获取方法及装置,通过噪声和干扰数据相对分散,正常数据相对聚集的特点,解决现有深度图像以及轮廓数据中存在噪声和干扰导致无法获取准确的轮廓数据稳定特征点技术问题。
为了达到上述目的,本申请实施例采用以下技术方案:
第一方面,提供一种基于统计直方图的轮廓数据稳定特征点的获取方法,所述获取方法包括:
获取轮廓数据,所述轮廓数据为深度图像在某一位置沿着设定方向截取的横截面;
确定所述轮廓数据在深度信息上的统计直方图,所述统计直方图展示各投影区间内轮廓点个数分布;
根据预设个数阈值对所述统计直方图进行分析;
在所述轮廓点个数大于等于所述预设个数阈值时,计算对应投影区间中轮廓点的均值特征点,构成候选均值特征点集;
根据预设期望方向,对所述候选均值特征点集中的均值特征点进行排序,确定最终候选点;
以最终候选点为中心,确定搜索区域;
确定稳定特征点,所述稳定特征点为所述搜索区域内轮廓点的平均值。
结合第一方面,在第一种可能的实现方式中,获取所述轮廓数据在深度信息上的统计直方图包括:
根据投影区间值将所述轮廓数据的深度信息划分为多个区间长度相等的投影区间;
统计每个投影区间中轮廓点个数;
获得展示各投影区间内轮廓点个数分布的统计直方图。
结合第一方面,在第二种可能的实现方式中,所述最终候选点为最满足所述预设期望方向的均值特征点。
结合第一方面,在第三种可能的实现方式中,所述搜索区域以所述最终候选点为中心,以预设高度为高,以预设长度为长。
结合第一方面、第一种可能的实现方式、第二种可能的实现方式或第三种可能的实现方式,在第四种可能的实现方式中,所述方法还包括:
在所述轮廓点个数小于所述预设个数阈值时,对应投影区间的轮廓点为噪声数据或干扰数据;
剔除所述噪声数据或干扰数据。
第二方面,提供一种基于统计直方图的轮廓数据稳定特征点的获取装置,所述获取装置包括:
轮廓数据获取单元,用于获取轮廓数据,所述轮廓数据为深度图像在某一位置沿着设定方向截取的横截面;
统计单元,用于确定所述轮廓数据在深度信息上的统计直方图,所述统计直方图展示各投影区间内轮廓点个数分布;
直方图分析单元,用于根据预设个数阈值对所述统计直方图进行分析;
均值特征点获取单元,用于计算对应投影区间中轮廓点的均值特征点,构成候选均值特征点集;
最终候选点获取单元,用于根据预设期望方向,对所述候选均值特征点集中的均值特征点进行排序,确定最终候选点;
搜索区域确定单元,用于以最终候选点为中心,确定搜索区域;
稳定特征点获取单元,用于确定稳定特征点,所述稳定特征点为所述搜索区域内轮廓点的平均值。
结合第二方面,在第一种可能的实现方式中,所述统计单元包括:
投影区间子单元,用于根据投影区间值将所述轮廓数据的深度信息划分为多个区间长度相等的投影区间;
统计子单元,用于统计每个投影区间中轮廓点个数;
直方图显示单元,用于展示各投影区间内轮廓点个数分布的统计直方图。
结合第二方面或第二方面第一种可能的实现方式,在第二种可能的实现方式中,所述获取装置还包括:
滤除单元,用于剔除所述轮廓数据中噪声数据或干扰数据。
本申请提供的一种基于统计直方图的轮廓数据稳定特征点的获取方法及装置,通过对获取轮廓数据分析得到所述轮廓数据在深度信息上的统计直方图,所述统计直方图展示各投影区间内轮廓点个数分布;根据预设个数阈值对所述统计直方图进行分析;区分并去除噪声和干扰数据,对于在所述轮廓点个数大于等于所述预设个数阈值时,计算对应投影区间中轮廓点的均值特征点,构成候选均值特征点集;根据预设期望方向,对所述候选均值特征点集中的均值特征点进行排序,确定最终候选点;以最终候选点为中心,确定搜索区域;进而确定稳定特征点。达到的有益效果:本申请提供的方法具有良好的鲁棒性,在受噪声和干扰情况下获得轮廓数据中一个稳定特征点,且所述稳定特征点受噪声干扰小;同时,可以判断出轮廓数据中的噪声和干扰数据并进行剔除,从而实现了轮廓数据的去噪功能。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1为本申请背景技术中无噪声以及无干扰数据情况下的理想轮廓数据示意图;
图2为本申请背景技术中在受噪声干扰情况下的轮廓数据示意图;
图3为本申请实施例提供的一种基于统计直方图的轮廓数据稳定特征点的获取方法的流程图;
图4为本申请实施例提供的获取轮廓数据在深度信息上的统计直方图的流程图;
图5为本申请实施例的一个深度图像在某一位置沿着设定方向做截取示意图;
图6为本申请图5中获取的轮廓数据示意图;
图7为本申请实施例中另一个受噪声干扰的轮廓数据示意图;
图8为本申请图7通过投影区间值将轮廓数据的深度信息划分为多个区间长度相等的投影区间的示意图;
图9为本申请图8轮廓数据在深度信息上的统计直方图;
图10为本申请实施例根据预设个数阈值对图9统计直方图进行分析示意图;
图11为本申请实施例中构成候选均值特征点集的示意图;
图12为本申请实施例中确定最终候选点的示意图;
图13为本申请实施例中确定稳定特征点的示意图;
其中:I-投影区间值。
具体实施方式
下面结合附图对本申请做进一步详细描述:
实施例一
本申请实施例提供一种基于统计直方图的轮廓数据稳定特征点的获取方法,参照附图3所示,所述获取方法包括如下步骤:
S101、获取轮廓数据,所述轮廓数据为深度图像在某一位置沿着设定方向截取的横截面;参照图5所示,对深度图像的某一位置沿着设定方向截取的横截面,即形成了深度图像的轮廓数据,参照图6所示,轮廓数据中的轮廓点的纵坐标代表当前轮廓点的深度信息。
参照图7所示,为受噪声干扰的轮廓数据,以下步骤在图7所示的轮廓数据基础上进行。
S102、确定所述轮廓数据在深度信息上的统计直方图,所述统计直方图展示各投影区间内轮廓点个数分布。参照图4所示,步骤S102包括步骤S1021至步骤S1023,具体如下:
S1021、根据投影区间值将所述轮廓数据的深度信息划分为多个区间长度相等的投影区间;参照图8所示根据投影区间值I将所述轮廓数据的深度信息划分为四个区间长度相等的投影区间。
S1022、统计每个投影区间中轮廓点个数;分别对应7、2、9、2轮廓点个数。
S1023、获得展示各投影区间内轮廓点个数分布的统计直方图,参照图9所示。
S103、根据预设个数阈值对所述统计直方图进行分析;参照图10所示,预设个数阈值为5,比较轮廓点个数和预设个数阈值5,当轮廓点个数小于预设个数阈值5时,根据噪声和干扰数据相对分散,正常数据相对聚集的特点,此时对应投影区间中的轮廓点为噪声数据或干扰数据;当轮廓点个数大于等于预设个数阈值5时,对应投影区间中的轮廓点作为轮廓数据稳定特征点的考虑区间,进行下一步操作。
S104、在所述轮廓点个数大于等于所述预设个数阈值时,计算对应投影区间中轮廓点的均值特征点,构成候选均值特征点集;参照图11所示,对轮廓点个数大于等于预设个数阈值,计算特征点个数为9的投影区间对应轮廓点的均值特征点,所述均值特征点为9个轮廓点的均值;计算特征点个数为7的投影区间对应轮廓点的均值特征点,所述均值特征点为7个轮廓点的均值。
S105、根据预设期望方向,对所述候选均值特征点集中的均值特征点进行排序,确定最终候选点;其中预设期望方向包括上、下、左、右;参照图11所示,当预设期望方向为上,特征点个数为9的均值特征点和特征个数为7的均值特征点构成候选均值特征点集,特征点个数为9的均值特征点为最满足所述预设期望方向的均值特征点,将其作为最终候选点。
S106、以最终候选点为中心,确定搜索区域;参照图12所示,以最终候选点为中心,高度阈值为搜索区域高度半宽,邻域半径为搜索区域长度半宽,确定搜索区域,预设高度为高度阈值的两倍,预设长度为邻域半径的两倍。
S107、确定稳定特征点,所述稳定特征点为所述搜索区域内轮廓点的平均值,具体参照图13所示。
本实施例的获取方法还包括,在所述轮廓点个数小于所述预设个数阈值时,对应投影区间的轮廓点为噪声数据或干扰数据;参照图11所示,对应投影区间的为轮廓点个数为2的两个投影区间,根据用户设定决定是否实施剔除所述噪声数据或干扰数据。
本申请提供的一种基于统计直方图的轮廓数据稳定特征点的获取方法,通过对获取轮廓数据分析得到所述轮廓数据在深度信息上的统计直方图,所述统计直方图展示各投影区间内轮廓点个数分布;根据预设个数阈值对所述统计直方图进行分析;区分并去除噪声和干扰数据,对于在所述轮廓点个数大于等于所述预设个数阈值时,计算对应投影区间中轮廓点的均值特征点,构成候选均值特征点集;根据预设期望方向,对所述候选均值特征点集中的均值特征点进行排序,确定最终候选点;以最终候选点为中心,确定搜索区域;进而确定稳定特征点。本申请提供的方法具有良好的鲁棒性,在受噪声和干扰情况下获得轮廓数据中一个稳定特征点,且所述稳定特征点受噪声干扰小;同时可以判断出轮廓数据中的噪声和干扰数据并进行剔除,从而实现了轮廓数据的去噪功能。
实施例二
本申请实施例提供一种基于统计直方图的轮廓数据稳定特征点的获取装置,所述获取装置包括:
轮廓数据获取单元,用于获取轮廓数据,所述轮廓数据为深度图像在某一位置沿着设定方向截取的横截面。
统计单元,用于确定所述轮廓数据在深度信息上的统计直方图,所述统计直方图展示各投影区间内轮廓点个数分布;所述统计单元包括:
投影区间子单元,用于根据投影区间值将所述轮廓数据的深度信息划分为多个区间长度相等的投影区间。
统计子单元,用于统计每个投影区间中轮廓点个数。
直方图显示单元,用于展示各投影区间内轮廓点个数分布的统计直方图。
直方图分析单元,用于根据预设个数阈值对所述统计直方图进行分析。
均值特征点获取单元,用于计算对应投影区间中轮廓点的均值特征点,构成候选均值特征点集。
最终候选点获取单元,用于根据预设期望方向,对所述候选均值特征点集中的均值特征点进行排序,确定最终候选点。
搜索区域确定单元,用于以最终候选点为中心,确定搜索区域。
稳定特征点获取单元,用于确定稳定特征点,所述稳定特征点为所述搜索区域内轮廓点的平均值。
进一步地,所述获取装置还包括:
滤除单元,用于剔除所述轮廓数据中噪声数据或干扰数据。
本申请提供的一种基于统计直方图的轮廓数据稳定特征点的获取装置,在受噪声和干扰情况下获得轮廓数据中一个稳定特征点,且所述稳定特征点受噪声干扰小;同时,判断出轮廓数据中的噪声和干扰数据并去除,从而实现了轮廓数据的去噪。
以上内容仅为说明本申请的技术思想,不能以此限定本申请的保护范围,凡是按照本申请提出的技术思想,在技术方案基础上所做的任何改动,均落入本申请权利要求书的保护范围之内。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
Claims (8)
1.一种基于统计直方图的轮廓数据稳定特征点的获取方法,其特征在于,所述获取方法包括:
获取轮廓数据,所述轮廓数据为深度图像在某一位置沿着设定方向截取的横截面;
确定所述轮廓数据在深度信息上的统计直方图,所述统计直方图展示各投影区间内轮廓点个数分布;
根据预设个数阈值对所述统计直方图进行分析;
在所述轮廓点个数大于等于所述预设个数阈值时,计算对应投影区间中轮廓点的均值特征点,构成候选均值特征点集;
根据预设期望方向,对所述候选均值特征点集中的均值特征点进行排序,确定最终候选点;
以最终候选点为中心,确定搜索区域;
确定稳定特征点,所述稳定特征点为所述搜索区域内轮廓点的平均值。
2.根据权利要求1所述的基于统计直方图的轮廓数据稳定特征点的获取方法,其特征在于,获取所述轮廓数据在深度信息上的统计直方图包括:
根据投影区间值将所述轮廓数据的深度信息划分为多个区间长度相等的投影区间;
统计每个投影区间中轮廓点个数;
获得展示各投影区间内轮廓点个数分布的统计直方图。
3.根据权利要求1所述的基于统计直方图的轮廓数据稳定特征点的获取方法,其特征在于:
所述最终候选点为最满足所述预设期望方向的均值特征点。
4.根据权利要求1所述的基于统计直方图的轮廓数据稳定特征点的获取方法,其特征在于,
所述搜索区域为以所述最终候选点为中心,以预设高度为高,以预设长度为长的区域。
5.根据权利要求1至4任一项所述的基于统计直方图的轮廓数据稳定特征点的获取方法,其特征在于,所述方法还包括:
在所述轮廓点个数小于所述预设个数阈值时,对应投影区间的轮廓点为噪声数据或干扰数据;
剔除所述噪声数据或干扰数据。
6.一种基于统计直方图的轮廓数据稳定特征点的获取装置,其特征在于,所述获取装置包括:
轮廓数据获取单元,用于获取轮廓数据,所述轮廓数据为深度图像在某一位置沿着设定方向截取的横截面;
统计单元,用于确定所述轮廓数据在深度信息上的统计直方图,所述统计直方图展示各投影区间内轮廓点个数分布;
直方图分析单元,用于根据预设个数阈值对所述统计直方图进行分析;
均值特征点获取单元,用于计算对应投影区间中轮廓点的均值特征点,构成候选均值特征点集;
最终候选点获取单元,用于根据预设期望方向,对所述候选均值特征点集中的均值特征点进行排序,确定最终候选点;
搜索区域确定单元,用于以最终候选点为中心,确定搜索区域;
稳定特征点获取单元,用于确定稳定特征点,所述稳定特征点为所述搜索区域内轮廓点的平均值。
7.根据权利要求6所述的基于统计直方图的轮廓数据稳定特征点的获取装置,其特征在于,所述统计单元包括:
投影区间子单元,用于根据投影区间值将所述轮廓数据的深度信息划分为多个区间长度相等的投影区间;
统计子单元,用于统计每个投影区间中轮廓点个数;
直方图显示单元,用于展示各投影区间内轮廓点个数分布的统计直方图。
8.根据权利要求6至7任一项所述的基于统计直方图的轮廓数据稳定特征点的获取装置,其特征在于,所述获取装置还包括:
滤除单元,用于滤除所述轮廓数据中噪声数据或干扰数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010931304.5A CN112037213A (zh) | 2020-09-07 | 2020-09-07 | 基于统计直方图的轮廓数据稳定特征点的获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010931304.5A CN112037213A (zh) | 2020-09-07 | 2020-09-07 | 基于统计直方图的轮廓数据稳定特征点的获取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112037213A true CN112037213A (zh) | 2020-12-04 |
Family
ID=73584145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010931304.5A Pending CN112037213A (zh) | 2020-09-07 | 2020-09-07 | 基于统计直方图的轮廓数据稳定特征点的获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037213A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658153A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种轮廓数据特征点检测方法及装置 |
CN113689400A (zh) * | 2021-08-24 | 2021-11-23 | 凌云光技术股份有限公司 | 一种深度图像截面轮廓边沿的检测方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110222766A1 (en) * | 2010-03-12 | 2011-09-15 | Omron Corporation | Image processing method and image processing device |
CN103336973A (zh) * | 2013-06-19 | 2013-10-02 | 华南理工大学 | 多特征决策融合的眼状态识别方法 |
CN104361582A (zh) * | 2014-10-23 | 2015-02-18 | 河海大学 | 一种对象级高分辨率sar影像洪水灾害变化检测方法 |
CN104966281A (zh) * | 2015-04-14 | 2015-10-07 | 中测新图(北京)遥感技术有限责任公司 | 多视影像的imu/gnss引导匹配方法 |
CN106780497A (zh) * | 2016-11-28 | 2017-05-31 | 重庆大学 | 一种基于统计信息的器官血管树自动提取方法 |
CN107590440A (zh) * | 2017-08-21 | 2018-01-16 | 南京邮电大学 | 一种智能家居场景下人形识别的方法和系统 |
CN109101974A (zh) * | 2018-08-06 | 2018-12-28 | 北京京东金融科技控股有限公司 | 针对线状干扰的去噪方法和去噪装置 |
CA3128957A1 (en) * | 2019-03-04 | 2020-03-03 | Bhaskar Bhattacharyya | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
CN111127446A (zh) * | 2019-12-26 | 2020-05-08 | 中国科学院合肥物质科学研究院 | 一种面向步态分析的足底压力图像分区方法 |
CN113658153A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种轮廓数据特征点检测方法及装置 |
-
2020
- 2020-09-07 CN CN202010931304.5A patent/CN112037213A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110222766A1 (en) * | 2010-03-12 | 2011-09-15 | Omron Corporation | Image processing method and image processing device |
CN103336973A (zh) * | 2013-06-19 | 2013-10-02 | 华南理工大学 | 多特征决策融合的眼状态识别方法 |
CN104361582A (zh) * | 2014-10-23 | 2015-02-18 | 河海大学 | 一种对象级高分辨率sar影像洪水灾害变化检测方法 |
CN104966281A (zh) * | 2015-04-14 | 2015-10-07 | 中测新图(北京)遥感技术有限责任公司 | 多视影像的imu/gnss引导匹配方法 |
CN106780497A (zh) * | 2016-11-28 | 2017-05-31 | 重庆大学 | 一种基于统计信息的器官血管树自动提取方法 |
CN107590440A (zh) * | 2017-08-21 | 2018-01-16 | 南京邮电大学 | 一种智能家居场景下人形识别的方法和系统 |
CN109101974A (zh) * | 2018-08-06 | 2018-12-28 | 北京京东金融科技控股有限公司 | 针对线状干扰的去噪方法和去噪装置 |
CA3128957A1 (en) * | 2019-03-04 | 2020-03-03 | Bhaskar Bhattacharyya | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
CN111127446A (zh) * | 2019-12-26 | 2020-05-08 | 中国科学院合肥物质科学研究院 | 一种面向步态分析的足底压力图像分区方法 |
CN113658153A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种轮廓数据特征点检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
JOCZU: "特征检测与匹配--点与块", pages 1, Retrieved from the Internet <URL:https://joczu.github.io/2019/05/16/%E7%89%B9%E5%BE%81%E6%A3%80%E6%B5%8B%E4%B8%8E%E5%8C%B9%E9%85%8D-%E7%82%B9%E4%B8%8E%E5%9D%97/> * |
PENG LI等: "Improved algorithm for point cloud registration based on fast point feature histograms", 《JOURNAL OF APPLIED REMOTE SENSING》, vol. 10, no. 4, 30 December 2016 (2016-12-30), pages 045024 - 045024 * |
杨蕊: "动态序列遥感图像超分辨率重建技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 05, 15 May 2020 (2020-05-15), pages 028 - 8 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658153A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种轮廓数据特征点检测方法及装置 |
CN113689400A (zh) * | 2021-08-24 | 2021-11-23 | 凌云光技术股份有限公司 | 一种深度图像截面轮廓边沿的检测方法及装置 |
CN113658153B (zh) * | 2021-08-24 | 2024-01-26 | 凌云光技术股份有限公司 | 一种轮廓数据特征点检测方法及装置 |
CN113689400B (zh) * | 2021-08-24 | 2024-04-19 | 凌云光技术股份有限公司 | 一种深度图像截面轮廓边沿的检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0526199B1 (en) | Image processing apparatus | |
US8180154B2 (en) | Method and apparatus for region-based segmentation image processing using region mapping | |
US6301387B1 (en) | Template matching using correlative auto-predictive search | |
US8189952B2 (en) | Image noise reduction method based on local correlation | |
CN112037213A (zh) | 基于统计直方图的轮廓数据稳定特征点的获取方法及装置 | |
JP2009199575A (ja) | 画像マッチング方法、プログラムおよび応用装置 | |
CN109741450B (zh) | 一种基于扫描线的路面点云自动提取方法及装置 | |
CN107807396A (zh) | 地层基质电阻率的确定方法和装置 | |
CN106228557A (zh) | 基于二次jpeg压缩的图像篡改区域检测方法 | |
CN113888446A (zh) | 一种钣金结构件折弯线智能检测方法 | |
CN114332012A (zh) | 缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN109523557B (zh) | 一种图像语义分割标注方法、装置及存储介质 | |
CN112819842B (zh) | 适用于工件质检的工件轮廓曲线拟合方法、装置及介质 | |
CN112285406A (zh) | 一种高精度时域测量方法及装置、存储介质 | |
CN116939661A (zh) | Sim卡异常检测方法和系统、电子设备及存储介质 | |
US7324710B2 (en) | Method and device for determining nominal data for electronic circuits by capturing a digital image and compare with stored nominal data | |
CN110048786B (zh) | 一种无线电磁环境中信号频谱的峰值识别方法和装置 | |
CN115841491A (zh) | 一种多孔金属材料的质量检测方法 | |
CN115934699A (zh) | 异常数据筛选方法、装置、电子设备及存储介质 | |
CN113191997B (zh) | 一种基于机器视觉的卡簧测量方法 | |
CN113191351B (zh) | 数字电表的示数识别方法及装置、模型训练方法及装置 | |
JP4560434B2 (ja) | 変化領域抽出方法およびこの方法のプログラム | |
CN114708191A (zh) | 晶体边界检测方法、装置、探测器事例定位系统和介质 | |
CN112954310A (zh) | 图像质量检测方法、装置、计算机设备以及可读存储介质 | |
CN113239236B (zh) | 视频处理方法、装置、电子设备及存储介质 |
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 |