CN112308836A - 角点检测方法、装置、电子设备及可读存储介质 - Google Patents
角点检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112308836A CN112308836A CN202011187429.8A CN202011187429A CN112308836A CN 112308836 A CN112308836 A CN 112308836A CN 202011187429 A CN202011187429 A CN 202011187429A CN 112308836 A CN112308836 A CN 112308836A
- Authority
- CN
- China
- Prior art keywords
- point
- detected
- corner
- predicted
- target
- 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.)
- Granted
Links
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种角点检测方法、装置、电子设备及可读存储介质。方法包括:获取待检测图像;从待检测图像中选择目标角点预估点及与目标角点预估点对应的第一辅助点及第二辅助点;在待检测图像中,在目标角点预估点与第一辅助点的第一连线上,对距离第一连线的第二指定距离范围内的图区中的像素点进行聚类拟合,得到待测物料的第一边线,以及在目标角点预估点与第二辅助点的第二连线上,对距离第二连线的第四指定距离范围内的图区中的像素点进行聚类拟合,得到待测物料的第二边线;将第一边线与第二边线的交点确定为待测物料中与目标角点预估点对应的实际角点。如此,能够提高所确定待测物料的实际角点的准确性与可靠性。
Description
技术领域
本发明涉及计算机图像处理技术领域,具体而言,涉及一种角点检测方法、装置、电子设备及可读存储介质。
背景技术
在利用计算机视觉技术进行物料尺寸检测时,通常需要在物料上确定相应的角点,以便于将角点之间的距离作为需要检测的尺寸。目前,在确定角点时,存在所确定的角点与实际角点的位置存在偏差,从而影响尺寸检测。
发明内容
本申请提供一种角点检测方法、装置、电子设备及可读存储介质,能够提高在图像中确定物料的角点位置的准确性与可靠性。
为了实现上述目的,本申请实施例所提供的技术方案如下所示:
第一方面,本申请实施例提供一种角点检测方法,所述方法包括:
获取待检测图像,所述待检测图像为相机拍摄待测物料得到的图像,所述待检测图像包括预测得到的与所述待测物料的边缘对应的边缘预估点,以及预估得到的与所述待测物料的角点对应的角点预估点;
从所述待检测图像中选择目标角点预估点及与所述目标角点预估点对应的第一辅助点及第二辅助点,所述第一辅助点为与所述目标角点预估点的第一方向相邻的边缘预估点或角点预估点,所述第二辅助点为与所述目标角点预估点的第二方向相邻的边缘预估点或角点预估点;
在所述待检测图像中,在所述目标角点预估点与所述第一辅助点的第一连线上,在距离所述目标角点预估点的第一指定距离范围内,对距离所述第一连线的第二指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第一边线,以及在所述目标角点预估点与所述第二辅助点的第二连线上,在距离所述目标角点预估点的第三指定距离范围内,对距离所述第二连线的第四指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第二边线;
将所述第一边线与所述第二边线的交点确定为所述待测物料中与所述目标角点预估点对应的实际角点。
在上述的实施方式中,由于目标角点预估点通常与实际的角点的位置存在偏差,通过对第一连线、第二连线上靠近目标角点预估点部分的图区中的像素点进行聚类拟合,得到物料的边线,并将边线的交点作为与目标角点预估点对应的实际角点,如此,可以提高所确定的实际角点的准确性与可靠性。
结合第一方面,在一些可选的实施方式中,对距离所述第一连线的第二指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第一边线,包括:
对距离所述第一连线的所述第二指定距离范围内的图区中的像素点进行聚类,以得到每个像素点的类型,其中,颜色特征值在同一个指定特征值范围内的像素点的类型相同;
将所述图区中类型不同且相邻的像素点确定为所述待测物料的第一边缘点;
将所有的所述第一边缘点进行线性拟合,得到所述待测物料的所述第一边线。
结合第一方面,在一些可选的实施方式中,对距离所述第一连线的所述第二指定距离范围内的图区中的像素点进行聚类,以得到每个像素点的类型,包括:
在距离所述目标角点预估点的所述第一指定距离范围内的第一连线上,以预设策略确定指定数量的垂直于所述第一连线的辅助线;
针对每个所述辅助线上的像素点,将与所述第一连线的距离在所述第二指定距离范围内的像素点确定为目标像素点;
根据像素点的颜色特征值,对所有的所述目标像素点进行聚类,以得到每个像素点的类型。
结合第一方面,在一些可选的实施方式中,对距离所述第二连线的第四指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第二边线,包括:
对距离所述第二连线的所述第四指定距离范围内的图区中的像素点进行聚类,以得到每个像素点的类型,其中,颜色特征值在同一个指定特征值范围的像素点的类型相同;
将所述图区中类型不同且相邻的像素点确定为所述待测物料的第二边缘点;
将所有的所述第二边缘点进行线性拟合,得到所述待测物料的所述第二边线。
结合第一方面,在一些可选的实施方式中,从所述待检测图像中选择目标角点预估点及与所述目标角点预估点对应的第一辅助点及第二辅助点,包括:
从所述待检测图像中的多个角点预估点中选择一个角点预估点作为所述目标角点预估点;
在所述待检测图像中,在所述目标角点预估点的第一方向上,选择距离所述目标角点预估点最近的边缘预估点或角点预估点作为所述第一辅助点,以及在所述目标角点预估点的第二方向上,选择距离所述目标角点预估点最近的边缘预估点或角点预估点作为所述第二辅助点。
结合第一方面,在一些可选的实施方式中,所述方法还包括:
当所述待检测图像中的角点预估点的数量为多个时,将每个所述角点预估点作为所述目标角点预估点;
针对每个所述目标角点预估点,执行选择与所述目标角点预估点对应的第一辅助点及第二辅助点的步骤,至将所述第一边线与所述第二边线的交点确定为所述待测物料中与所述目标角点预估点对应的实际角点的步骤,以得到与每个角点预估点对应的实际角点。
结合第一方面,在一些可选的实施方式中,在获取待检测图像之前,所述方法还包括:
获取所述相机拍摄所述待测物料得到的初始图像;
将所述初始图像输入经过训练的神经网络模型,得到由所述神经网络模型输出的所述待检测图像,所述神经网络模型用于在所述初始图像中预测与所述待测物料的边缘对应的边缘预估点,以及预测与所述待测物料的角点对应的角点预估点。
第二方面,本申请实施例还提供一种角点检测装置,所述装置包括:
图像获取单元,用于获取待检测图像,所述待检测图像为相机拍摄待测物料得到的图像,所述待检测图像包括预测得到的与所述待测物料的边缘对应的边缘预估点,以及预估得到的与所述待测物料的角点对应的角点预估点;
选择单元,用于从所述待检测图像中选择目标角点预估点及与所述目标角点预估点对应的第一辅助点及第二辅助点,所述第一辅助点为与所述目标角点预估点的第一方向相邻的边缘预估点或角点预估点,所述第二辅助点为与所述目标角点预估点的第二方向相邻的边缘预估点或角点预估点;
聚类拟合单元,用于在所述待检测图像中,在所述目标角点预估点与所述第一辅助点的第一连线上,在距离所述目标角点预估点的第一指定距离范围内,对距离所述第一连线的第二指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第一边线,以及在所述目标角点预估点与所述第二辅助点的第二连线上,在距离所述目标角点预估点的第三指定距离范围内,对距离所述第二连线的第四指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第二边线;
角点确定单元,用于将所述第一边线与所述第二边线的交点确定为所述待测物料中与所述目标角点预估点对应的实际角点。
第三方面,本申请实施例还提供一种电子设备,所述电子设备包括相互耦合的存储器、处理器,所述存储器内存储计算机程序,当所述计算机程序被所述处理器执行时,使得所述电子设备执行上述的方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行上述的方法。
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电子设备的结构示意图。
图2为本申请实施例提供的角点检测方法的流程示意图。
图3a为本申请实施例提供的待检测图像的示意图。
图3b为图3a中I部位的局部放大示意图。
图4为本申请实施例提供的角点检测装置的框图。
图标:10-电子设备;11-处理模块;12-存储模块;100-角点检测装置;110-图像获取单元;120-选择单元;130-聚类拟合单元;140-角点确定单元。
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。需要说明的是,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。
鉴于上述问题,本申请申请人提出以下实施例以解决上述问题。下面结合附图,对本申请实施例作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,本申请实施例提供一种电子设备10,可以用于对图像中物料的角点进行检测,能够提高所检测的角点的准确性与可靠性。
电子设备10可以包括处理模块11及存储模块12。存储模块12内存储计算机程序,当计算机程序被所述处理模块11执行时,使得电子设备10电子设备10能够执行下述的角点检测方法中的各步骤。
当然,电子设备10还可以包括其他模块,例如,电子设备10还可以包括通信模块、角点检测装置100等。处理模块11、存储模块12、通信模块以及角点检测装置100各个元件之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
在本实施例中,电子设备10可以是,但不限于,智能手机、个人电脑(PersonalComputer,PC)、平板电脑、服务器等。
请参照图2,本申请实施例还提供一种角点检测方法,可以应用于上述的电子设备10中,由电子设备10执行或实现方法的各步骤。方法可以包括以下步骤:
步骤S210,获取待检测图像,所述待检测图像为相机拍摄待测物料得到的图像,所述待检测图像包括预测得到的与所述待测物料的边缘对应的边缘预估点,以及预估得到的与所述待测物料的角点对应的角点预估点;
步骤S220,从所述待检测图像中选择目标角点预估点及与所述目标角点预估点对应的第一辅助点及第二辅助点,所述第一辅助点为与所述目标角点预估点的第一方向相邻的边缘预估点或角点预估点,所述第二辅助点为与所述目标角点预估点的第二方向相邻的边缘预估点或角点预估点;
步骤S230,在所述待检测图像中,在所述目标角点预估点与所述第一辅助点的第一连线上,在距离所述目标角点预估点的第一指定距离范围内,对距离所述第一连线的第二指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第一边线,以及在所述目标角点预估点与所述第二辅助点的第二连线上,在距离所述目标角点预估点的第三指定距离范围内,对距离所述第二连线的第四指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第二边线;
步骤S240,将所述第一边线与所述第二边线的交点确定为所述待测物料中与所述目标角点预估点对应的实际角点。
在上述的实施方式中,由于目标角点预估点通常与实际的角点的位置存在偏差,通过对第一连线、第二连线上靠近目标角点预估点部分的图区中的像素点进行聚类拟合,得到物料的边线,并将边线的交点作为与目标角点预估点对应的实际角点,如此,可以提高所确定的实际角点的准确性与可靠性。
下面将对方法中的各步骤进行详细阐述,如下:
在步骤S210中,电子设备10可以从存储有待测图像的设备,或生成待测图像的设备获取待测图像。或者,存储有待测图像的设备,或生成待测图像的设备,可以自动将待测图像发送至电子设备10,以使电子设备10获取到待测图像。可理解地,只要电子设备10能够获取到待检测图像,这里对获取待检测图像的方式不作具体限定。存储有待测图像的设备可以是但不限于服务器、个人电脑等。生成待测图像的设备可以是但不限于服务器、个人电脑等。
在本实施例中,待测图像为相机拍摄待测物料得到的初始图像经过预处理后得到的图像。初始图像经过预处理后,得到的待检测图像中,已经存在预测物料的角点、边缘点得到的角点预估点、边缘预估点。
待测物料即为需要进行检测的物料,包括但不限于工件、服装等,可以根据实际情况进行确定。工件包括但不限于板材(例如,钢板、纸板等)。服装包括但不限于上衣、裤子、裙子等。例如,当需要检测T恤的尺寸时,该T恤即为待测物料。
在步骤S220中,电子设备10可以从待检测图像中,随机选择一个角点预估点,以作为目标角点预估点。目标角点预估点即为需要重新定位的角点。目标角点预估点的第一方向与第二方向的朝向不同,可以根据实际情况进行确定。
示例性地,在确定目标角点预估点后,电子设备10可以从待检测图像中,选取距离目标角点预估点距离最近且方向不同的两个预估点,以分别作为第一辅助点及第二辅助点。例如,在图3a中,电子设备10可以将角点预估点O’作为目标角点预估点,然后选取边缘预估点A、角点预估点B分别作为第一辅助点、第二辅助点。
在步骤S230中,电子设备10在待检测图像中确定了目标角点预估点、第一辅助点、第二辅助点之后,可以连接目标角点预估点与第一辅助点得到第一连线,如图3a中的连线AO’。然后,在第一连线上,以距离目标角点预估点O’的间距在第一指定范围内,且与第一连线的距离在第二指定范围内的图区中,对这部分图区中的像素点进行聚类拟合,以确定待测物料的第一边线。
同样的,电子设备10可以连接目标角点预估点与第二辅助点,得到第二连线,如图3a中的连线BO’。然后,在第二连线上,以距离目标角点预估点O’的间距在第三指定范围内,且与第二连线的距离在第四指定范围内的图区中,对这部分图区中的像素点进行聚类拟合,以确定待测物料的第二边线。
其中,第一指定距离范围、第二指定距离范围、第三指定距离范围和第四指定距离范围可以根据实际情况进行确定,通常指像素距离范围。第一指定距离范围可以与第三指定距离范围相同,例如为100个像素的距离范围,第二指定距离范围可以与第四指定距离范围相同,例如为200个像素的距离范围。
需要说明的是,预测得到的角点预估点、边缘预估点可能与图像中物料实际的角点、边缘点存在位置偏差,但偏差通常较小。例如,位置偏差小于120个像素距离,此时,第二指定距离范围、第四指定距离范围可以为略大于120个像素距离的范围值,例如为130个像素的距离范围。
在步骤S240中,若第一边线与第二边线没有直接相交,则可以以所确定的第一边线与第二边线进行线段延伸,直至第一边线与第二边线相交。第一边线与第二边线的交点既可作为与目标角点预估点对应的实际角点。如此,便可以准确地在待检测图像中,确定物料的角点。
在本实施例中,待测图像中预测得到的角点预估点、边缘预估点为在步骤S210之前实现的。可以由电子设备10或其他设备来对相机拍摄得到的初始图像进行预处理,以得到待测图像。例如,在步骤S210之前,方法还可以包括:
获取所述相机拍摄所述待测物料得到的初始图像;
将所述初始图像输入经过训练的神经网络模型,得到由所述神经网络模型输出的所述待检测图像,所述神经网络模型用于在所述初始图像中预测与所述待测物料的边缘对应的边缘预估点,以及预测与所述待测物料的角点对应的角点预估点。
在本实施例中,初始图像可理解为相机拍摄得到的原始图像,该原始图像中还未设置角点预估点、边缘预估点等标记点。
电子设备10可以预先存储有经过训练的神经网络模型。经过训练的神经网络模型可以用于初始图像中预测与所述待测物料的边缘对应的边缘预估点,以及预测与所述待测物料的角点对应的角点预估点。其中,预测得到的边缘预估点、角点预估点可以在初始图像中进行标记,如图3a所示。神经网络模型包括但不限于CPN(Cascaded Pyramid Network,级联金字塔网络)、CPM(Convolutional Pose Machines,卷积姿态机)等,只要可以预测待测物料的边缘线上的点、角点即可。其中,训练神经网络模型的过程为本领域技术人员所熟知,这里不再赘述。
在上述的实施方式中,通过利用经过训练的神经网络模型,预测初始图像中物料的边缘点、角点等关键点,能够初步确定边缘点、角点的大致位置。而采用神经网络模型进行预测,能够快速预测得到边缘预估点与角点预估点,有利于提高处理效率。另外,利用神经网络模型进行像素分类,能够提高对图片复杂度和噪音的容忍能力,即可以粗略找到待测图片中,两个待测物料与背景的分界点。
作为一种可选的实施方式,步骤S220可以包括:
从所述待检测图像中的多个角点预估点中选择一个角点预估点作为所述目标角点预估点;
在所述待检测图像中,在所述目标角点预估点的第一方向上,选择距离所述目标角点预估点最近的边缘预估点或角点预估点作为所述第一辅助点,以及在所述目标角点预估点的第二方向上,选择距离所述目标角点预估点最近的边缘预估点或角点预估点作为所述第二辅助点。
在上述的实施方式中,电子设备10可以从多个角点预估点中,随机选择一个角点预估点,以作为目标角点预估点。然后,电子设备10可以对其他的角点预估点、边缘预估点到目标角点预估点的距离进行排序。
目标角点预估点的第一方向可以为距离目标角点预估点最近的预估点所在的方向。目标角点预估点的第二方向可以为在不同于第一方向,且距离目标角点最近的预估点。
示例性地,请再次参照图3a,若目标角点预估点为O’,电子设备10可以将距离O’最近的预估点A作为第一方向上的第一辅助点,将不同于第一方向上且距离O’最近的预估点B作为第二方向上的第二辅助点。如此,电子设备10可以快速准确地在待检测图像上确定与目标角点预估点对应的辅助点。
作为一种可选的实施方式,在确定待测物料的第一边线时,步骤S230可以包括:
对距离所述第一连线的所述第二指定距离范围内的图区中的像素点进行聚类,以得到每个像素点的类型,其中,颜色特征值在同一个指定特征值范围内的像素点的类型相同;
将所述图区中类型不同且相邻的像素点确定为所述待测物料的第一边缘点;
将所有的所述第一边缘点进行线性拟合,得到所述待测物料的所述第一边线。
在本实施例中,待检测图像中,物料的颜色与背景颜色通常不同,且背景颜色通常为单一的颜色,以便于进行颜色的聚类区分。图像上的像素点类型通常划分为两类,分别为表示物料上的像素点的第一类型,表示非物料(或背景)上的像素点的第二类型。
指定特征值范围可以根据实际情况进行确定,通常可以划分为两类。第一类特征值范围用于表示物料背景颜色的颜色特征值所在范围。第二类特征值范围用于表示排出第一类特征值范围后的特征值范围。如此,便可以根据图像中像素点的颜色特征值,对像素点进行聚类,以得到像素点的类型。颜色特征值包括但不限于灰度值、RGB值。
在进行像素点的聚类时,可以采用聚类算法,进行聚类分析处理。聚类算法包括但不限于K-means聚类算法。
当出现相邻的两个像素点的类型不同时,便意味着这两个像素点所在位置即为物料的边缘点。然后将所确定的所有边缘点进行线性拟合,便可以得到物料的边缘线。其中,基于边缘点进行线性拟合,以得到相应的边缘线的方式为本领域技术人员所熟知,这里不再赘述。
在实施例中,由于需要聚类分析的像素点的数量较少,是在确定了角点预估点的基础上,对目标角点预估点周边的图区进行聚类,无需对真个待检测图像中的所有像素点进行遍历,因此,有利于降低运算量,提高处理效率。
请结合参照图3a和图3b,在本实施例中,对距离所述第一连线的所述第二指定距离范围内的图区中的像素点进行聚类,以得到每个像素点的类型的步骤,可以包括:
在距离所述目标角点预估点的所述第一指定距离范围内的第一连线上,以预设策略确定指定数量的垂直于所述第一连线的辅助线;
针对每个所述辅助线上的像素点,将与所述第一连线的距离在所述第二指定距离范围内的像素点确定为目标像素点;
根据像素点的颜色特征值,对所有的所述目标像素点进行聚类,以得到每个像素点的类型。
在本实施例中,预设策略可以根据实际情况进行确定。例如,预设策略可以是:在第一连线靠近目标角点预估点的一端,以朝向第一辅助点的方向,以间隔设定间距的方式,确定指定数量的垂直于第一连线的辅助线;或者在第一指定距离范围内,以随机间距的方式,确定指定数量的垂直于第一连线的辅助线。其中,设定间距及指定数量可以根据实际情况进行设置;例如,设定间距可以为5个像素距离、10个像素距离等。指定数量可以为5、10、15等数量。如此,可以进一步减少需要进行聚类分析的像素点的数量,从而有利于降低运算量,提高运算效率。
对于垂直于第一连线的辅助线上的像素点,通常包括第一连线两侧的像素点。在本实施例中,角点预估点、边缘预估点通常在待测物料上。电子设备10可以在辅助线上选取朝向背景一侧的像素点,以作为需要聚类的像素点,以降低运算量。例如,在多个辅助线上,先选择一条辅助线上的像素点,对与第一连线的距离在第二指定距离范围内的像素点进行聚类,从而可以得到一个边缘点及该边缘点与第一边线的相对方向。在对第一连线上,其他辅助线上的像素点进行聚类时,可以旋转与所确定的边缘点方向相同的像素点,进行聚类,如此,可以降低运算量。
作为一种可选的实施方式,在确定待测物料的第二边线时,步骤S230可以包括:
对距离所述第二连线的所述第四指定距离范围内的图区中的像素点进行聚类,以得到每个像素点的类型,其中,颜色特征值在同一个指定特征值范围的像素点的类型相同;
将所述图区中类型不同且相邻的像素点确定为所述待测物料的第二边缘点;
将所有的所述第二边缘点进行线性拟合,得到所述待测物料的所述第二边线。
在本实施例中,对距离所述第二连线的所述第四指定距离范围内的图区中的像素点进行聚类,以得到每个像素点的类型的步骤,可以包括:
在距离所述目标角点预估点的所述第一指定距离范围内的第一连线上,以预设策略确定指定数量的垂直于所述第一连线的辅助线;
针对每个所述辅助线上的像素点,将与所述第一连线的距离在所述第二指定距离范围内的像素点确定为目标像素点;
根据像素点的颜色特征值,对所有的所述目标像素点进行聚类,以得到每个像素点的类型。
可理解地,在第二边线上,确定第二边缘点,以及拟合得到第二边缘线的方式,与上述的在第一边线上确定第一边缘点,以及拟合得到第一边缘线的方式相类似,这里不再赘述。
作为一种可选的实施方式,当所述待检测图像中的角点预估点的数量为多个时,方法还可以包括:
将每个所述角点预估点作为所述目标角点预估点;
针对每个所述目标角点预估点,执行选择与所述目标角点预估点对应的第一辅助点及第二辅助点的步骤,至将所述第一边线与所述第二边线的交点确定为所述待测物料中与所述目标角点预估点对应的实际角点的步骤,以得到与每个角点预估点对应的实际角点。
在本实施例中,对于待测图像中的每个角点预估点,可以通过执行步骤S220至步骤S240,以得到与每个角点预估点对应的实际角点。所得到的实际角点即为经过校正后的角点,能够提高所确定的实际角点在待测图像中的准确性,降低角点的偏差。如此,有利于电子设备10在利用两任意实际角点之间的像素距离确定物料上两角点的实际距离时,提高所确定的实际距离的准确性与精度。
例如,在服饰制造行业中,需要对制作完成的服饰的尺寸进行检测。在成衣尺寸检测时,初始图像通常为相机正对放置成衣的平台进行拍摄得到的图像。然后,利用经过训练的神经网络模型,对初始图像中成衣的边缘点、角点进行预测,得到具有边缘预估点、角点预估点的待测图像。然后采用上述的角点检测方法,检测得到与角点预估点对应的实际角点。在计算成衣尺寸时,可以基于图像中,像素距离与实际距离的比例关系,将实际角点之间的像素距离转换为实际距离。由于实际角点的准确性高,从而有利于提高成衣尺寸检测的准确性。
请参照图4,本申请实施例还提供一种角点检测装置100,可以应用于上述的电子设备10中,用于执行方法中的各步骤。角点检测装置100包括至少一个可以软件或固件(Firmware)的形式存储于存储模块12中或固化在电子设备10操作系统(OperatingSystem,OS)中的软件功能模块。处理模块11用于执行存储模块12中存储的可执行模块,例如角点检测装置100所包括的软件功能模块及计算机程序等。
在本实施例中,角点检测装置100可以包括图像获取单元110、选择单元120、聚类拟合单元130及角点确定单元140,执行的操作内容可以如下:
图像获取单元110,用于获取待检测图像,所述待检测图像为相机拍摄待测物料得到的图像,所述待检测图像包括预测得到的与所述待测物料的边缘对应的边缘预估点,以及预估得到的与所述待测物料的角点对应的角点预估点;
选择单元120,用于从所述待检测图像中选择目标角点预估点及与所述目标角点预估点对应的第一辅助点及第二辅助点,所述第一辅助点为与所述目标角点预估点的第一方向相邻的边缘预估点或角点预估点,所述第二辅助点为与所述目标角点预估点的第二方向相邻的边缘预估点或角点预估点;
聚类拟合单元130,用于在所述待检测图像中,在所述目标角点预估点与所述第一辅助点的第一连线上,在距离所述目标角点预估点的第一指定距离范围内,对距离所述第一连线的第二指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第一边线,以及在所述目标角点预估点与所述第二辅助点的第二连线上,在距离所述目标角点预估点的第三指定距离范围内,对距离所述第二连线的第四指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第二边线;
角点确定单元140,用于将所述第一边线与所述第二边线的交点确定为所述待测物料中与所述目标角点预估点对应的实际角点。
可选地,聚类拟合单元130还可以用于:对距离所述第一连线的所述第二指定距离范围内的图区中的像素点进行聚类,以得到每个像素点的类型,其中,颜色特征值在同一个指定特征值范围内的像素点的类型相同;将所述图区中类型不同且相邻的像素点确定为所述待测物料的第一边缘点;将所有的所述第一边缘点进行线性拟合,得到所述待测物料的所述第一边线。
可选地,聚类拟合单元130还可以用于:在距离所述目标角点预估点的所述第一指定距离范围内的第一连线上,以预设策略确定指定数量的垂直于所述第一连线的辅助线;针对每个所述辅助线上的像素点,将与所述第一连线的距离在所述第二指定距离范围内的像素点确定为目标像素点根据像素点的颜色特征值,对所有的所述目标像素点进行聚类,以得到每个像素点的类型。
可选地,聚类拟合单元130还可以用于:对距离所述第二连线的所述第四指定距离范围内的图区中的像素点进行聚类,以得到每个像素点的类型,其中,颜色特征值在同一个指定特征值范围的像素点的类型相同;将所述图区中类型不同且相邻的像素点确定为所述待测物料的第二边缘点;将所有的所述第二边缘点进行线性拟合,得到所述待测物料的所述第二边线。
可选地,选择单元120还可以用于:从所述待检测图像中的多个角点预估点中选择一个角点预估点作为所述目标角点预估点;在所述待检测图像中,在所述目标角点预估点的第一方向上,选择距离所述目标角点预估点最近的边缘预估点或角点预估点作为所述第一辅助点,以及在所述目标角点预估点的第二方向上,选择距离所述目标角点预估点最近的边缘预估点或角点预估点作为所述第二辅助点。
可选地,角点检测装置100还可以包括遍历执行单元。角点确定单元140还可以用于:当所述待检测图像中的角点预估点的数量为多个时,将每个所述角点预估点作为所述目标角点预估点;遍历执行单元,用于针对每个所述目标角点预估点,执行选择与所述目标角点预估点对应的第一辅助点及第二辅助点的步骤,至将所述第一边线与所述第二边线的交点确定为所述待测物料中与所述目标角点预估点对应的实际角点的步骤,以得到与每个角点预估点对应的实际角点。
可选地,角点检测装置100还可以包括预测单元。图像获取单元110在执行步骤S210之前,还可以用于获取所述相机拍摄所述待测物料得到的初始图像;预测单元用于将所述初始图像输入经过训练的神经网络模型,得到由所述神经网络模型输出的所述待检测图像,所述神经网络模型用于在所述初始图像中预测与所述待测物料的边缘对应的边缘预估点,以及预测与所述待测物料的角点对应的角点预估点。
在本实施例中,处理模块11可以是一种集成电路芯片,具有信号的处理能力。上述处理模块11可以是通用处理器。例如,该处理器可以是中央处理器(Central ProcessingUnit,CPU)、图形处理器(Graphics Processing Unit,GPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
通信模块用于通过网络建立电子设备10与其他设备的通信连接,并通过网络收发数据。例如,当电子设备10为服务器时,若待测图像预先存储在用户终端。服务器可以通过通信模块与用户终端建立通信连接。当用户需要对待测图像进行物料的角点检测时,服务器可以通过通信模块接收用户终端发送的待测图像。
存储模块12可以是,但不限于,随机存取存储器,只读存储器,可编程只读存储器,可擦除可编程只读存储器,电可擦除可编程只读存储器等。在本实施例中,存储模块12可以用于存储待检测图像、经过训练的神经网络模型、第一指定距离范围、第二指定距离范围、第三指定距离范围、第四指定距离范围、指定特征值范围等。当然,存储模块12还可以用于存储程序,处理模块11在接收到执行指令后,执行该程序。
可以理解的是,图1所示的结构仅为电子设备10的一种结构示意图,电子设备10还可以包括比图1所示更多的组件。图1中所示的各组件可以采用硬件、软件或其组合实现。
需要说明的是,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的电子设备10的具体工作过程,可以参考前述方法中的各步骤对应过程,在此不再过多赘述。
本申请实施例还提供一种计算机可读存储介质。可读存储介质中存储有计算机程序,当计算机程序在计算机上运行时,使得计算机执行如上述实施例中所述的角点检测方法。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现,基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)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场景所述的方法。
综上所述,本申请提供一种角点检测方法、装置、电子设备及可读存储介质。方法包括:获取待检测图像,待检测图像为相机拍摄待测物料得到的图像,待检测图像包括预测得到的与待测物料的边缘对应的边缘预估点,以及预估得到的与待测物料的角点对应的角点预估点;从待检测图像中选择目标角点预估点及与目标角点预估点对应的第一辅助点及第二辅助点,第一辅助点为与目标角点预估点的第一方向相邻的边缘预估点或角点预估点,第二辅助点为与目标角点预估点的第二方向相邻的边缘预估点或角点预估点;在待检测图像中,在目标角点预估点与第一辅助点的第一连线上,在距离目标角点预估点的第一指定距离范围内,对距离第一连线的第二指定距离范围内的图区中的像素点进行聚类拟合,得到待测物料的第一边线,以及在目标角点预估点与第二辅助点的第二连线上,在距离目标角点预估点的第三指定距离范围内,对距离第二连线的第四指定距离范围内的图区中的像素点进行聚类拟合,得到待测物料的第二边线;将第一边线与第二边线的交点确定为待测物料中与目标角点预估点对应的实际角点。
在本方案中,由于目标角点预估点通常与实际的角点的位置存在偏差,通过对第一连线、第二连线上靠近目标角点预估点部分的图区中的像素点进行聚类拟合,得到物料的边线,并将边线的交点作为与目标角点预估点对应的实际角点,如此,可以提高所确定的实际角点的准确性与可靠性。
在本申请所提供的实施例中,应该理解到,所揭露的装置、系统和方法,也可以通过其它的方式实现。以上所描述的装置、系统和方法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系统、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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,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。
Claims (10)
1.一种角点检测方法,其特征在于,所述方法包括:
获取待检测图像,所述待检测图像为相机拍摄待测物料得到的图像,所述待检测图像包括预测得到的与所述待测物料的边缘对应的边缘预估点,以及预估得到的与所述待测物料的角点对应的角点预估点;
从所述待检测图像中选择目标角点预估点及与所述目标角点预估点对应的第一辅助点及第二辅助点,所述第一辅助点为与所述目标角点预估点的第一方向相邻的边缘预估点或角点预估点,所述第二辅助点为与所述目标角点预估点的第二方向相邻的边缘预估点或角点预估点;
在所述待检测图像中,在所述目标角点预估点与所述第一辅助点的第一连线上,在距离所述目标角点预估点的第一指定距离范围内,对距离所述第一连线的第二指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第一边线,以及在所述目标角点预估点与所述第二辅助点的第二连线上,在距离所述目标角点预估点的第三指定距离范围内,对距离所述第二连线的第四指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第二边线;
将所述第一边线与所述第二边线的交点确定为所述待测物料中与所述目标角点预估点对应的实际角点。
2.根据权利要求1所述的方法,其特征在于,对距离所述第一连线的第二指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第一边线,包括:
对距离所述第一连线的所述第二指定距离范围内的图区中的像素点进行聚类,以得到每个像素点的类型,其中,颜色特征值在同一个指定特征值范围内的像素点的类型相同;
将所述图区中类型不同且相邻的像素点确定为所述待测物料的第一边缘点;
将所有的所述第一边缘点进行线性拟合,得到所述待测物料的所述第一边线。
3.根据权利要求1所述的方法,其特征在于,对距离所述第一连线的所述第二指定距离范围内的图区中的像素点进行聚类,以得到每个像素点的类型,包括:
在距离所述目标角点预估点的所述第一指定距离范围内的第一连线上,以预设策略确定指定数量的垂直于所述第一连线的辅助线;
针对每个所述辅助线上的像素点,将与所述第一连线的距离在所述第二指定距离范围内的像素点确定为目标像素点;
根据像素点的颜色特征值,对所有的所述目标像素点进行聚类,以得到每个像素点的类型。
4.根据权利要求1所述的方法,其特征在于,对距离所述第二连线的第四指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第二边线,包括:
对距离所述第二连线的所述第四指定距离范围内的图区中的像素点进行聚类,以得到每个像素点的类型,其中,颜色特征值在同一个指定特征值范围的像素点的类型相同;
将所述图区中类型不同且相邻的像素点确定为所述待测物料的第二边缘点;
将所有的所述第二边缘点进行线性拟合,得到所述待测物料的所述第二边线。
5.根据权利要求1所述的方法,其特征在于,从所述待检测图像中选择目标角点预估点及与所述目标角点预估点对应的第一辅助点及第二辅助点,包括:
从所述待检测图像中的多个角点预估点中选择一个角点预估点作为所述目标角点预估点;
在所述待检测图像中,在所述目标角点预估点的第一方向上,选择距离所述目标角点预估点最近的边缘预估点或角点预估点作为所述第一辅助点,以及在所述目标角点预估点的第二方向上,选择距离所述目标角点预估点最近的边缘预估点或角点预估点作为所述第二辅助点。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述待检测图像中的角点预估点的数量为多个时,将每个所述角点预估点作为所述目标角点预估点;
针对每个所述目标角点预估点,执行选择与所述目标角点预估点对应的第一辅助点及第二辅助点的步骤,至将所述第一边线与所述第二边线的交点确定为所述待测物料中与所述目标角点预估点对应的实际角点的步骤,以得到与每个角点预估点对应的实际角点。
7.根据权利要求1所述的方法,其特征在于,在获取待检测图像之前,所述方法还包括:
获取所述相机拍摄所述待测物料得到的初始图像;
将所述初始图像输入经过训练的神经网络模型,得到由所述神经网络模型输出的所述待检测图像,所述神经网络模型用于在所述初始图像中预测与所述待测物料的边缘对应的边缘预估点,以及预测与所述待测物料的角点对应的角点预估点。
8.一种角点检测装置,其特征在于,所述装置包括:
图像获取单元,用于获取待检测图像,所述待检测图像为相机拍摄待测物料得到的图像,所述待检测图像包括预测得到的与所述待测物料的边缘对应的边缘预估点,以及预估得到的与所述待测物料的角点对应的角点预估点;
选择单元,用于从所述待检测图像中选择目标角点预估点及与所述目标角点预估点对应的第一辅助点及第二辅助点,所述第一辅助点为与所述目标角点预估点的第一方向相邻的边缘预估点或角点预估点,所述第二辅助点为与所述目标角点预估点的第二方向相邻的边缘预估点或角点预估点;
聚类拟合单元,用于在所述待检测图像中,在所述目标角点预估点与所述第一辅助点的第一连线上,在距离所述目标角点预估点的第一指定距离范围内,对距离所述第一连线的第二指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第一边线,以及在所述目标角点预估点与所述第二辅助点的第二连线上,在距离所述目标角点预估点的第三指定距离范围内,对距离所述第二连线的第四指定距离范围内的图区中的像素点进行聚类拟合,得到所述待测物料的第二边线;
角点确定单元,用于将所述第一边线与所述第二边线的交点确定为所述待测物料中与所述目标角点预估点对应的实际角点。
9.一种电子设备,其特征在于,所述电子设备包括相互耦合的存储器、处理器,所述存储器内存储计算机程序,当所述计算机程序被所述处理器执行时,使得所述电子设备执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011187429.8A CN112308836B (zh) | 2020-11-02 | 2020-11-02 | 角点检测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011187429.8A CN112308836B (zh) | 2020-11-02 | 2020-11-02 | 角点检测方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308836A true CN112308836A (zh) | 2021-02-02 |
CN112308836B CN112308836B (zh) | 2022-10-04 |
Family
ID=74333111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011187429.8A Active CN112308836B (zh) | 2020-11-02 | 2020-11-02 | 角点检测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308836B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330826A (zh) * | 2022-08-11 | 2022-11-11 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120250112A1 (en) * | 2011-03-31 | 2012-10-04 | Panasonic Corporation | Image processing apparatus and document scanning system having the same |
CN105069799A (zh) * | 2015-08-13 | 2015-11-18 | 深圳市华汉伟业科技有限公司 | 一种角点定位方法及装置 |
CN107341802A (zh) * | 2017-07-19 | 2017-11-10 | 无锡信捷电气股份有限公司 | 一种基于曲率与灰度复合的角点亚像素定位方法 |
CN109886336A (zh) * | 2019-02-21 | 2019-06-14 | 山东超越数控电子股份有限公司 | 一种基于舰基图像的目标检测方法及系统 |
WO2020063813A1 (zh) * | 2018-09-30 | 2020-04-02 | 长城汽车股份有限公司 | 用于提取环境目标的特征点的方法及装置 |
CN111598917A (zh) * | 2020-07-15 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 数据嵌入方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-11-02 CN CN202011187429.8A patent/CN112308836B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120250112A1 (en) * | 2011-03-31 | 2012-10-04 | Panasonic Corporation | Image processing apparatus and document scanning system having the same |
CN105069799A (zh) * | 2015-08-13 | 2015-11-18 | 深圳市华汉伟业科技有限公司 | 一种角点定位方法及装置 |
CN107341802A (zh) * | 2017-07-19 | 2017-11-10 | 无锡信捷电气股份有限公司 | 一种基于曲率与灰度复合的角点亚像素定位方法 |
WO2020063813A1 (zh) * | 2018-09-30 | 2020-04-02 | 长城汽车股份有限公司 | 用于提取环境目标的特征点的方法及装置 |
CN109886336A (zh) * | 2019-02-21 | 2019-06-14 | 山东超越数控电子股份有限公司 | 一种基于舰基图像的目标检测方法及系统 |
CN111598917A (zh) * | 2020-07-15 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 数据嵌入方法、装置、设备及计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330826A (zh) * | 2022-08-11 | 2022-11-11 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
CN115330826B (zh) * | 2022-08-11 | 2024-02-20 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112308836B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11120254B2 (en) | Methods and apparatuses for determining hand three-dimensional data | |
CN112115893A (zh) | 仪表盘指针读数识别方法、装置、计算机设备及存储介质 | |
CN107845113B (zh) | 目标元素定位方法、装置以及用户界面测试方法、装置 | |
CN108573471B (zh) | 图像处理装置、图像处理方法以及记录介质 | |
US20180122083A1 (en) | Method and device for straight line detection and image processing | |
US11763463B2 (en) | Information processing apparatus, control method, and program | |
US12067728B2 (en) | Heterogeneous image registration method and system | |
CN109658454B (zh) | 一种位姿信息确定方法、相关装置及存储介质 | |
US10776657B2 (en) | Template creation apparatus, object recognition processing apparatus, template creation method, and program | |
US11189019B2 (en) | Method for detecting defects, electronic device, and computer readable medium | |
CN110599544A (zh) | 一种基于机器视觉的工件定位方法及装置 | |
KR20180090756A (ko) | 비전 시스템에서 컬러 이미지에 대해 컬러 후보 포즈들의 점수화를 위한 시스템 및 방법 | |
CN112308836B (zh) | 角点检测方法、装置、电子设备及可读存储介质 | |
JP5704909B2 (ja) | 注目領域検出方法、注目領域検出装置、及びプログラム | |
CN110689556A (zh) | 跟踪方法、装置及智能设备 | |
JP4685711B2 (ja) | 画像処理方法及び装置及びプログラム | |
US20160379087A1 (en) | Method for determining a similarity value between a first image and a second image | |
CN111275693B (zh) | 一种图像中物体的计数方法、计数装置及可读存储介质 | |
CN113870210A (zh) | 一种图像质量评估方法、装置、设备及存储介质 | |
CN110782439A (zh) | 一种辅助检测图像标注质量的方法及装置 | |
JP7201211B2 (ja) | 物体検出方法及び物体検出装置 | |
CN109389032B (zh) | 图片真实性的确定方法、装置、电子设备及可读存储介质 | |
CN114972495A (zh) | 针对纯平面结构的物体的抓取方法、装置及计算设备 | |
US12008765B2 (en) | Candidate region estimation device, candidate region estimation method, and program | |
CN115436899B (zh) | 毫米波雷达探测数据的处理方法、装置、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |