CN112577475A - 一种能够有效降低功耗的视频测距方法 - Google Patents
一种能够有效降低功耗的视频测距方法 Download PDFInfo
- Publication number
- CN112577475A CN112577475A CN202110045634.9A CN202110045634A CN112577475A CN 112577475 A CN112577475 A CN 112577475A CN 202110045634 A CN202110045634 A CN 202110045634A CN 112577475 A CN112577475 A CN 112577475A
- Authority
- CN
- China
- Prior art keywords
- search
- images
- frames
- displacement
- correlation
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
- G01C11/06—Interpretation of pictures by comparison of two or more pictures of the same area
- G01C11/12—Interpretation of pictures by comparison of two or more pictures of the same area the pictures being supported in the same relative position as when they were taken
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/36—Videogrammetry, i.e. electronic processing of video signals from a single source or from different sources to give parallax or range information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C3/00—Measuring distances in line of sight; Optical rangefinders
Abstract
本发明提供了一种能够有效降低功耗的视频测距方法,包括光电传感器以第一设定周期进行图像采集,每个第一设定周期内再以第二设定周期依次采集三帧图像;对前两帧图像以设定的第一搜索半径以及低数据精度进行第一次粗略搜索,再次以设定的第二搜索半径以及高数据精度进行第二次精细搜索,得到最佳匹配位置;在最佳匹配位置周围做相关性值曲面拟合,进而得到相对位移;修正预估位移后,得到后两帧图像的相对速度;进一步得到三帧图像的平均加速度,实现对剩余未采样时间内位移进行预测。本发明所公开的能够有效降低功耗的视频测距方法,可以通过较低的图像采集频率,准确预测位移,在保证视频测距准确度的同时可以大幅度降低系统的功耗。
Description
技术领域
本发明属于视频测量领域,尤其是涉及一种能够有效降低功耗的视频测距方法。
背景技术
现有技术中,常见的光电鼠标包括:LED光源、图像追踪传感器及透镜;当光线被物体表面反射时,透镜将反射光线汇集,图像追踪传感器借助透镜的入射光线形成照亮物体表面图像,图像追踪传感器通过周期性的拍摄物体表面的图像,比较图像变化,计算出移动值;图像传感器拍摄一幅数字图像数据,称为一帧图像,通常图像追踪传感器计算测量位移的方法如下:
位置追踪传感器拍摄并存储一帧数据,定义为参考帧;拍摄另一帧数据,定义为样本帧;位置追踪传感器在参考帧中设定一个区域作为比较区域;如将比较区域和样本帧进行对比,对比方法为从样本帧第一个像素开始,进行逐个像素扫描,比较像素差值,差值取绝对值后并累加,计算样本帧和参考区域的相关性,找到相关性最高的样本帧像素区域,以此计算出移动距离和方向,通过累加每次周期性样本帧的距离,实现视频测量一段时间的移动距离。
在这种视频测量位移的方法中,样本帧和参考帧必须有一定的重合面积,当重合面积越来越小,计算误差会变大;为了保证视频测量计算的准确性,位置追踪传感器需要进行周期性驱动LED发光二极管,周期性的采集图像数据,不断的更新参考帧和采样帧,尤其当运动速度比较高时,为了保证参考帧和样本帧有合适的重合面积,位置追踪传感器需要以高帧率采集图像和驱动LED,整体系统的功耗会显著增加。
发明内容
有鉴于此,本发明旨在提出一种能够有效降低功耗的视频测距方法,可以通过较低的图像采集频率,准确预测位移,在保证视频测量精度的同时可以大幅度降低系统的功耗。
为达到上述目的,本发明的技术方案是这样实现的:
一种能够有效降低功耗的视频测距方法,包括:
步骤1:光电传感器以第一设定周期进行图像采集,每个第一设定周期内再以第二设定周期依次采集三帧图像;
步骤2:对采集的三帧图像进行锐化处理;
步骤3:对前两帧图像以设定的第一搜索半径以及低数据精度进行第一次粗略搜索,计算每一搜索位置两帧图像的相关性,并由大到小排序,取前若干个搜索位置;
步骤4:对所取前若干个搜索位置,分别以设定的第二搜索半径以及高数据精度进行第二次精细搜索,得到最佳匹配位置;
步骤5:在最佳匹配位置周围做相关性值曲面拟合,由曲面极值点得到前两帧图像相对位移,进而得到相对速度;
步骤6:利用得到的相对速度,预估位移得到第三帧图像与第二帧图像的重合面积,或第三帧图像与第一帧图像的重合面积;以设定的第三搜索半径以及高数据精度进行第三次精细搜索,修正预估位移,进而得到后两帧图像的相对速度;
步骤7:利用前两帧图像的相对速度以及后两帧图像的相对速度,得到三帧图像的平均加速度,实现对剩余未采样时间内位移进行预测。
相对于现有技术,本发明所述的一种能够有效降低功耗的视频测距方法,具有以下优势:
本发明所述的一种能够有效降低功耗的视频测距方法,可以通过较低的图像采集频率,准确预测位移,在保证视频测量精度的同时可以大幅度降低系统的功耗。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
在附图中:
图1为本发明实施例所述的一种能够有效降低功耗的视频测距方法流程示意图;
图2为本发明实施例所述的一种能够有效降低功耗的视频测距方法现有技术中图像采集方式示意图;
图3为本发明实施例所述的一种能够有效降低功耗的视频测距方法预测位移图像采集方式示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,一种能够有效降低功耗的视频测距方法,包括:
步骤1:光电传感器以第一设定周期进行图像采集,每个第一设定周期内再以第二设定周期依次采集三帧图像;
步骤2:对采集的三帧图像进行锐化处理;
步骤3:对前两帧图像以设定的第一搜索半径以及低数据精度进行第一次粗略搜索,计算每一搜索位置两帧图像的相关性,并由大到小排序,取前若干个搜索位置;
步骤4:对所取前若干个搜索位置,分别以设定的第二搜索半径以及高数据精度进行第二次精细搜索,得到最佳匹配位置;
步骤5:在最佳匹配位置周围做相关性值曲面拟合,由曲面极值点得到前两帧图像相对位移,进而得到相对速度;
步骤6:利用得到的相对速度,预估位移得到第三帧图像与第二帧图像的重合面积,或第三帧图像与第一帧图像的重合面积;以设定的第三搜索半径以及高数据精度进行第三次精细搜索,修正预估位移,进而得到后两帧图像的相对速度;
步骤7:利用前两帧图像的相对速度以及后两帧图像的相对速度,得到三帧图像的平均加速度,实现对剩余未采样时间内位移进行预测。
如图1所示,本方法具体包括:
步骤1:光电传感器以T1为周期进行图像采集,在每个T1周期中以T2为周期依次采集三帧图像IM1、IM2及IM3;
在本实施例中,光电鼠标按照T1=5ms的周期进行图像采集,但仅在每个周期开始处按照T2=500us的帧周期采集三幅图像,IM1,IM2,IM3。在本周期剩下的3.5ms中不再采集图像。
在本实施例中,三帧图像IM1、IM2及IM3的尺寸是24*24个像素点。
步骤2:对三帧图像IM1、IM2及IM3使用锐化算子进行锐化处理,像素保留N1 bit数据精度,得到相应的IM11、IM21及IM31;
步骤3:以IM11作为参考帧,IM21作为采样帧,分别对应选取子图像IM12和IM22,像素保留N2 bit数据精度,N2< N1 ,以R1为搜索半径进行第一次粗略搜索:计算每一搜索位置IM12和IM22的相关性,将所有搜索位置的相关性由大到小进行排序,得到相关性排序前K个搜索位置;
步骤4:在前K个搜索位置分别以R2为搜索半径进行第二次精细搜索,R2<R1,子图像IM12和IM22像素保留N3 bit数据精度,N2< N3,计算每一搜索位置IM12和IM22的相关性,其中相关性最大的搜索位置是最佳匹配位置;
步骤5:对最佳匹配位置周围相邻P个搜索位置的相关性值进行曲面拟合,拟合出的曲面极值点即是采样帧IM21相对于参考帧IM11发生的相对位移S21,进而得到采样帧IM21相对于参考帧IM11的相对速度V1=S21/T2;
步骤6:利用V1为预估速度得到预估位移S1,预估得到IM21和IM31重合面积,以R3为搜索半径进行第三次精细搜索,像素保留N4 bit数据精度,计算相关性最大的搜索位置是最佳匹配位置,对最佳匹配位置周围相邻P个搜索位置的相关性值进行曲面拟合,拟合出的曲面极值点对预估位移S1进行修正,计算出IM21与IM31的相对位移S32=S1+ deltaS1,其中deltaS1是修正量;进而得到IM31对于IM21的相对速度V2=S32/T2;
步骤7:利用V2、V1,得到前三帧图像IM1、IM2及IM3的平均加速度ACC1,ACC1=(V2-V1)/T2;采用V2和ACC1实现对剩余未采样时间内位移进行预测。
在步骤2中,锐化算子采用起伏算子进行锐化处理,N1=5 bit。
在步骤3中,首先在IM21选取J*J尺寸的子图像IM22,按照IM22的尺寸在参考帧IM11中以图像中心为原点,在搜索半径范围内逐像素选取一系列子图像IM12,依次对IM12和IM22进行相关性计算,即可得到搜索半径范围内每一个搜索位置的相关性,其中N2=1bit,K=3;
R1=N-J,其中N是IM2像素阵列N*N的一边的像素数,J是子图像IM22像素阵列J*J一边的像素数。
相关性计算方法采用曼哈顿距离方法计算。
在步骤4中:第二次精细搜索,搜索半径R2=1或2,N3 =5 bit。
在步骤5及步骤6中:P=9,即最佳匹配位置周围相邻3*3邻域内的9个搜索位置的相关性值。
在步骤6中:第三次精细,搜索半径R3=1或2,N4 =5 bit。
在本实施例中,如图3所示,光电鼠标在移动速度较快时将鼠标图像采集周期T1设为5ms,而在这5ms的周期中仅在周期开始处用T2=500us的帧周期驱动LED3次,采集三帧图像用于位移计算,而在后面的3.5ms中LED保持关断,光电传感器不工作,使用上述方法通过刚开始采集的三帧图像来预测接下来3.5ms鼠标发生的位移。而传统的固定帧周期的光学鼠标如图2所示,在这5ms周期中需要连续用500us的帧周期曝光8次,因此采用本方法进行鼠标的光学视频测量导航所产生的电功耗是固定500us帧周期的光学导航鼠标电功耗的3/8,即37.5%,有效降低了系统的功耗。
在另外一种实施例中,步骤6到步骤7也可以是如下形式:
利用V1为预估速度,得到预估位移S1,预估得到IM11和IM31重合面积,以5 bit数据精度,搜索半径R3为1或2进行第三次精细搜索,计算相关性最大的搜索位置是最佳匹配位置,对最佳匹配位置周围相邻9个搜索位置的相关性值进行曲面拟合,拟合出的曲面极值点对预估位移S1进行修正,计算出IM11与IM31的相对位移S31=S1+ deltaS1,其中deltaS1是修正量;进而得到IM31对于IM21的相对速度V2=(S31-S21)/T2;
进一步,利用V2、V1,得到前三帧图像IM1、IM2及IM3的平均加速度ACC1,ACC1=(V2-V1)/T2;采用V2和ACC1实现对剩余未采样时间内位移进行预测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种能够有效降低功耗的视频测距方法,其特征在于:包括:
步骤1:光电传感器以第一设定周期进行图像采集,每个第一设定周期内再以第二设定周期依次采集三帧图像;
步骤2:对采集的三帧图像进行锐化处理;
步骤3:对前两帧图像以设定的第一搜索半径以及低数据精度进行第一次粗略搜索,计算每一搜索位置两帧图像的相关性,并由大到小排序,取前若干个搜索位置;
步骤4:对所取前若干个搜索位置,分别以设定的第二搜索半径以及高数据精度进行第二次精细搜索,得到最佳匹配位置;
步骤5:在最佳匹配位置周围做相关性值曲面拟合,由曲面极值点得到前两帧图像相对位移,进而得到相对速度;
步骤6:利用得到的相对速度,预估位移得到第三帧图像与第二帧图像的重合面积,或第三帧图像与第一帧图像的重合面积;以设定的第三搜索半径以及高数据精度进行第三次精细搜索,修正预估位移,进而得到后两帧图像的相对速度;
步骤7:利用前两帧图像的相对速度以及后两帧图像的相对速度,得到三帧图像的平均加速度,实现对剩余未采样时间内位移进行预测。
2.根据权利要求1所述的一种能够有效降低功耗的视频测距方法,其特征在于:
步骤1:光电传感器以T1为周期进行图像采集,在每个T1周期中以T2为周期依次采集三帧图像IM1、IM2及IM3;
步骤2:对三帧图像IM1、IM2及IM3使用锐化算子进行锐化处理,像素保留N1 bit数据精度,得到相应的IM11、IM21及IM31;
步骤3:以IM11作为参考帧,IM21作为采样帧,分别对应选取子图像IM12和IM22,像素保留N2 bit数据精度,N2< N1 ,以R1为搜索半径进行第一次粗略搜索:计算每一搜索位置IM12和IM22的相关性,将所有搜索位置的相关性由大到小进行排序,得到相关性排序前K个搜索位置;
步骤4:在前K个搜索位置分别以R2为搜索半径进行第二次精细搜索,R2<R1,子图像IM12和IM22像素保留N3 bit数据精度,N2< N3,计算每一搜索位置IM12和IM22的相关性,其中相关性最大的搜索位置是最佳匹配位置;
步骤5:对最佳匹配位置周围相邻P个搜索位置的相关性值进行曲面拟合,拟合出的曲面极值点即是采样帧IM21相对于参考帧IM11发生的相对位移S21,进而得到采样帧IM21相对于参考帧IM11的相对速度V1=S21/T2;
步骤6:利用V1为预估速度得到预估位移S1,预估得到IM21和IM31重合面积时,以R3为搜索半径进行第三次精细搜索,像素保留N4 bit数据精度,计算相关性最大的搜索位置是最佳匹配位置,对最佳匹配位置周围相邻P个搜索位置的相关性值进行曲面拟合,拟合出的曲面极值点对预估位移S1进行修正,计算出IM21与IM31的相对位移S32=S1+ deltaS1,其中deltaS1是修正量;进而得到IM31对于IM21的相对速度V2=S32/T2;
利用V1为预估速度,得到预估位移S1,预估得到IM11和IM31重合面积时,以R3为搜索半径进行第三次精细搜索,像素保留N4 bit数据精度,计算相关性最大的搜索位置是最佳匹配位置,对最佳匹配位置周围相邻P个搜索位置的相关性值进行曲面拟合,拟合出的曲面极值点对预估位移S1进行修正,计算出IM11与IM31的相对位移S31=S1+ deltaS1,其中deltaS1是修正量;进而得到IM31对于IM21的相对速度V2=(S31-S21)/T2;
步骤7:利用V2、V1,得到前三帧图像IM1、IM2及IM3的平均加速度ACC1,ACC1=(V2-V1)/T2;采用V2和ACC1实现对剩余未采样时间内位移进行预测。
3.根据权利要求2所述的一种能够有效降低功耗的视频测距方法,其特征在于:在步骤2中,锐化算子采用起伏算子进行锐化处理,N1=5 bit。
4.根据权利要求2所述的一种能够有效降低功耗的视频测距方法,其特征在于:在步骤3中,首先在IM21选取J*J尺寸的子图像IM22,按照IM22的尺寸在参考帧IM11中以图像中心为原点,在搜索半径范围内逐像素选取一系列子图像IM12,依次对IM12和IM22进行相关性计算,即可得到搜索半径范围内每一个搜索位置的相关性,其中N2=1 bit,K=3;
R1=N-J,其中N是IM2像素阵列N*N的一边的像素数,J是子图像IM22像素阵列J*J一边的像素数。
5.根据权利要求1-2任一所述的一种能够有效降低功耗的视频测距方法,其特征在于:相关性计算方法采用曼哈顿距离方法计算。
6.根据权利要求2所述的一种能够有效降低功耗的视频测距方法,其特征在于:在步骤4中:第二次精细搜索,搜索半径R2=1或2,N3 =5 bit。
7.根据权利要求2所述的一种能够有效降低功耗的视频测距方法,其特征在于:在步骤5及步骤6中: P=9,即最佳匹配位置周围相邻3*3邻域内的9个搜索位置的相关性值。
8.根据权利要求2所述的一种能够有效降低功耗的视频测距方法,其特征在于:在步骤6中:第三次精细搜索半径R3=1或2,N4 =5 bit。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110045634.9A CN112577475A (zh) | 2021-01-14 | 2021-01-14 | 一种能够有效降低功耗的视频测距方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110045634.9A CN112577475A (zh) | 2021-01-14 | 2021-01-14 | 一种能够有效降低功耗的视频测距方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112577475A true CN112577475A (zh) | 2021-03-30 |
Family
ID=75145392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110045634.9A Pending CN112577475A (zh) | 2021-01-14 | 2021-01-14 | 一种能够有效降低功耗的视频测距方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112577475A (zh) |
Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060021922A (ko) * | 2006-01-26 | 2006-03-08 | 한민홍 | 두 개의 카메라를 이용한 장애물 감지 기술 및 장치 |
EP1775604A1 (en) * | 2005-10-11 | 2007-04-18 | Canon Kabushiki Kaisha | Multilayer mirror manufacturing method, optical system manufacturing method, exposure apparatus, and device manufacturing method |
CN102227749A (zh) * | 2009-07-29 | 2011-10-26 | 松下电器产业株式会社 | 移动体检测方法及移动体检测装置 |
CN102305795A (zh) * | 2011-07-29 | 2012-01-04 | 河海大学 | 一种混凝土表面微小裂缝的定位方法 |
US20120327433A1 (en) * | 2011-06-21 | 2012-12-27 | Edge Christopher J | Method of designing a color chart |
CN102884552A (zh) * | 2010-03-26 | 2013-01-16 | 特诺恩股份公司 | 检测和确定由连续输送机输运的特别是原始的、大致成形的、粗糙的或半成品的钢铁产品的产品的几何、尺度和位置特征的方法和系统 |
CN102917220A (zh) * | 2012-10-18 | 2013-02-06 | 北京航空航天大学 | 基于六边形搜索及三帧背景对齐的动背景视频对象提取 |
CN103017730A (zh) * | 2012-11-30 | 2013-04-03 | 中兴通讯股份有限公司 | 一种单摄像头测距的方法和系统 |
CN105069804A (zh) * | 2015-08-21 | 2015-11-18 | 清华大学 | 基于智能手机的三维模型扫描重建方法 |
US20160163036A1 (en) * | 2014-12-05 | 2016-06-09 | Samsung Electronics Co., Ltd. | Method and apparatus for determining region of interest of image |
CN105844264A (zh) * | 2015-05-19 | 2016-08-10 | 北京林业大学 | 一种基于受力的油用牡丹果实图像的识别方法 |
CN105975967A (zh) * | 2016-04-29 | 2016-09-28 | 殳南 | 一种目标定位方法和系统 |
CN106920252A (zh) * | 2016-06-24 | 2017-07-04 | 阿里巴巴集团控股有限公司 | 一种图像数据处理方法、装置及电子设备 |
CN107452025A (zh) * | 2017-08-18 | 2017-12-08 | 成都通甲优博科技有限责任公司 | 目标跟踪方法、装置及电子设备 |
CN107798688A (zh) * | 2017-10-31 | 2018-03-13 | 广州杰赛科技股份有限公司 | 运动目标识别方法、预警方法以及汽车防追尾预警装置 |
CN108007439A (zh) * | 2017-11-29 | 2018-05-08 | 天津聚飞创新科技有限公司 | 视频增稳方法、装置及无人机 |
CN207979622U (zh) * | 2016-05-17 | 2018-10-19 | Lg电子株式会社 | 机器人吸尘器 |
CN110022002A (zh) * | 2019-03-13 | 2019-07-16 | 北京希格玛和芯微电子技术有限公司 | 无线充电发射器与充电装置 |
JP2019152533A (ja) * | 2018-03-02 | 2019-09-12 | 株式会社パスコ | 建築構造物形状算出システムおよび建築構造物撮影装置 |
CN110310325A (zh) * | 2019-06-28 | 2019-10-08 | Oppo广东移动通信有限公司 | 一种虚拟测量方法、电子设备及计算机可读存储介质 |
CN110836662A (zh) * | 2019-11-04 | 2020-02-25 | 南京理工大学 | 基于相对定向和绝对定向算法的边坡位移监测方法 |
CN111179308A (zh) * | 2019-12-17 | 2020-05-19 | 清华大学 | 一种基于视觉伺服的果蝇跟踪方法及系统 |
CN111415390A (zh) * | 2020-03-18 | 2020-07-14 | 上海懒书智能科技有限公司 | 一种基于地面纹理的定位导航方法及装置 |
CN111540003A (zh) * | 2020-04-27 | 2020-08-14 | 浙江光珀智能科技有限公司 | 一种深度图像的生成方法及装置 |
CN111614834A (zh) * | 2020-05-19 | 2020-09-01 | Oppo广东移动通信有限公司 | 电子设备控制方法、装置、电子设备及存储介质 |
CN111829489A (zh) * | 2019-04-16 | 2020-10-27 | 杭州海康机器人技术有限公司 | 一种视觉定位的方法及装置 |
CN111986241A (zh) * | 2019-05-23 | 2020-11-24 | 波音公司 | 对地形数据和图像数据进行配准的系统和方法 |
WO2020241618A1 (ja) * | 2019-05-31 | 2020-12-03 | 株式会社小松製作所 | マップ生成システム及びマップ生成方法 |
CN112085762A (zh) * | 2019-06-14 | 2020-12-15 | 福建天晴数码有限公司 | 基于曲率半径的目标位置预测方法及存储介质 |
-
2021
- 2021-01-14 CN CN202110045634.9A patent/CN112577475A/zh active Pending
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1775604A1 (en) * | 2005-10-11 | 2007-04-18 | Canon Kabushiki Kaisha | Multilayer mirror manufacturing method, optical system manufacturing method, exposure apparatus, and device manufacturing method |
KR20060021922A (ko) * | 2006-01-26 | 2006-03-08 | 한민홍 | 두 개의 카메라를 이용한 장애물 감지 기술 및 장치 |
CN102227749A (zh) * | 2009-07-29 | 2011-10-26 | 松下电器产业株式会社 | 移动体检测方法及移动体检测装置 |
CN102884552A (zh) * | 2010-03-26 | 2013-01-16 | 特诺恩股份公司 | 检测和确定由连续输送机输运的特别是原始的、大致成形的、粗糙的或半成品的钢铁产品的产品的几何、尺度和位置特征的方法和系统 |
US20120327433A1 (en) * | 2011-06-21 | 2012-12-27 | Edge Christopher J | Method of designing a color chart |
CN102305795A (zh) * | 2011-07-29 | 2012-01-04 | 河海大学 | 一种混凝土表面微小裂缝的定位方法 |
CN102917220A (zh) * | 2012-10-18 | 2013-02-06 | 北京航空航天大学 | 基于六边形搜索及三帧背景对齐的动背景视频对象提取 |
CN103017730A (zh) * | 2012-11-30 | 2013-04-03 | 中兴通讯股份有限公司 | 一种单摄像头测距的方法和系统 |
US20160163036A1 (en) * | 2014-12-05 | 2016-06-09 | Samsung Electronics Co., Ltd. | Method and apparatus for determining region of interest of image |
CN105844264A (zh) * | 2015-05-19 | 2016-08-10 | 北京林业大学 | 一种基于受力的油用牡丹果实图像的识别方法 |
CN105069804A (zh) * | 2015-08-21 | 2015-11-18 | 清华大学 | 基于智能手机的三维模型扫描重建方法 |
CN105975967A (zh) * | 2016-04-29 | 2016-09-28 | 殳南 | 一种目标定位方法和系统 |
CN207979622U (zh) * | 2016-05-17 | 2018-10-19 | Lg电子株式会社 | 机器人吸尘器 |
CN106920252A (zh) * | 2016-06-24 | 2017-07-04 | 阿里巴巴集团控股有限公司 | 一种图像数据处理方法、装置及电子设备 |
CN107452025A (zh) * | 2017-08-18 | 2017-12-08 | 成都通甲优博科技有限责任公司 | 目标跟踪方法、装置及电子设备 |
CN107798688A (zh) * | 2017-10-31 | 2018-03-13 | 广州杰赛科技股份有限公司 | 运动目标识别方法、预警方法以及汽车防追尾预警装置 |
CN108007439A (zh) * | 2017-11-29 | 2018-05-08 | 天津聚飞创新科技有限公司 | 视频增稳方法、装置及无人机 |
JP2019152533A (ja) * | 2018-03-02 | 2019-09-12 | 株式会社パスコ | 建築構造物形状算出システムおよび建築構造物撮影装置 |
CN110022002A (zh) * | 2019-03-13 | 2019-07-16 | 北京希格玛和芯微电子技术有限公司 | 无线充电发射器与充电装置 |
CN111829489A (zh) * | 2019-04-16 | 2020-10-27 | 杭州海康机器人技术有限公司 | 一种视觉定位的方法及装置 |
CN111986241A (zh) * | 2019-05-23 | 2020-11-24 | 波音公司 | 对地形数据和图像数据进行配准的系统和方法 |
WO2020241618A1 (ja) * | 2019-05-31 | 2020-12-03 | 株式会社小松製作所 | マップ生成システム及びマップ生成方法 |
CN112085762A (zh) * | 2019-06-14 | 2020-12-15 | 福建天晴数码有限公司 | 基于曲率半径的目标位置预测方法及存储介质 |
CN110310325A (zh) * | 2019-06-28 | 2019-10-08 | Oppo广东移动通信有限公司 | 一种虚拟测量方法、电子设备及计算机可读存储介质 |
CN110836662A (zh) * | 2019-11-04 | 2020-02-25 | 南京理工大学 | 基于相对定向和绝对定向算法的边坡位移监测方法 |
CN111179308A (zh) * | 2019-12-17 | 2020-05-19 | 清华大学 | 一种基于视觉伺服的果蝇跟踪方法及系统 |
CN111415390A (zh) * | 2020-03-18 | 2020-07-14 | 上海懒书智能科技有限公司 | 一种基于地面纹理的定位导航方法及装置 |
CN111540003A (zh) * | 2020-04-27 | 2020-08-14 | 浙江光珀智能科技有限公司 | 一种深度图像的生成方法及装置 |
CN111614834A (zh) * | 2020-05-19 | 2020-09-01 | Oppo广东移动通信有限公司 | 电子设备控制方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3650807B1 (en) | Handheld large-scale three-dimensional measurement scanner system simultaneously having photography measurement and three-dimensional scanning functions | |
CN108873290B (zh) | 用于扫描显微镜载玻片的装置和方法 | |
US8605204B2 (en) | Image-pickup apparatus and method for adjusting tracking curves | |
CN101494735B (zh) | 摄像装置、摄像装置控制方法 | |
US11128806B2 (en) | Camera system and traveling control system | |
JP2009069830A (ja) | 映像獲得装置の自動焦点調節方法および装置 | |
CN103945110A (zh) | 拍摄装置和焦点检测方法 | |
WO2015137039A1 (ja) | 画像認識装置および画像認識方法 | |
TW201109811A (en) | Fast-focus method of digital camera | |
JP5392198B2 (ja) | 測距装置及び撮像装置 | |
US20180176454A1 (en) | Focus adjustment apparatus, imaging apparatus, focus adjustment method, and recording medium storing a focus adjustment program thereon | |
CN109559353A (zh) | 摄像模组标定方法、装置、电子设备及计算机可读存储介质 | |
JPH09121301A (ja) | カムコーダの動きベクトル検出装置および動きベクトル検出方法 | |
JP2001249265A (ja) | 測距装置 | |
US6979808B2 (en) | Autofocus control apparatus and method | |
CN112577475A (zh) | 一种能够有效降低功耗的视频测距方法 | |
CN105606623A (zh) | 一种基于线阵相机的钢板表面缺陷检测系统 | |
JP2019133089A (ja) | 撮像装置、その方法およびプログラム | |
JP4709126B2 (ja) | 撮影装置および方法並びにプログラム | |
JP2016051167A (ja) | 画像取得装置およびその制御方法 | |
JP5676335B2 (ja) | 撮像装置及び撮像装置の制御方法 | |
US20150085078A1 (en) | Method and System for Use in Detecting Three-Dimensional Position Information of Input Device | |
KR20200139321A (ko) | 이미지 센서 및 이를 포함하는 이미지 처리 시스템 | |
JP2014106324A (ja) | オートフォーカス装置及び撮像装置 | |
CN111131667B (zh) | 进行闪烁检测的摄像设备及其控制方法和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |
|
RJ01 | Rejection of invention patent application after publication |