CN112614146B - 棋盘格标定角点的判别方法、装置及计算机可读存储介质 - Google Patents
棋盘格标定角点的判别方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112614146B CN112614146B CN202011524783.5A CN202011524783A CN112614146B CN 112614146 B CN112614146 B CN 112614146B CN 202011524783 A CN202011524783 A CN 202011524783A CN 112614146 B CN112614146 B CN 112614146B
- Authority
- CN
- China
- Prior art keywords
- straight line
- point
- direction vector
- points
- checkerboard
- 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
Images
Classifications
-
- 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
- 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
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/30244—Camera pose
Abstract
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及棋盘格标定角点的判别方法、装置及计算机可读存储介质。
背景技术
在机器视觉技术领域中,对工业相机进行参数标定的主要手段是棋盘格标定板标定法,利用相机拍摄多幅棋盘格标定板图像,对棋盘格标定板图像进行棋盘格模板卷积或者Harris角点检测的方法,初步获得一系列特征点,在标定板背景和环境较为复杂的情况下,这些特征点往往不全是棋盘格标定角点,难以直接进行拟合标定。因此,需要通过特定的判别方法来对这些特征点进行筛选,以保留可靠的特征点作为标定角点,保证工业相机参数标定的成功率。棋盘格图像中标点角点的判别方法是相机参数标定的关键技术之一。
在现有的棋盘格标定角点判别技术中,对棋盘格图像进行棋盘格模板卷积或者Harris角点检测的方法所获得的特征点,一般都是根据其卷积响应值大小或者Harris角点强度大小作为判别条件,设置阈值,其卷积响应值或Harris角点强度值大于阈值者视为棋盘格的标定角点。现有技术存在以下不足:一、当棋盘格背景干扰或棋盘格中存在二维码时,个别异常点仍然会得到较高的卷积响应值或者Harris角点强度值,单一的阈值筛选无法将这些异常点剔除,将导致输出结果中存在异常点,影响后续标定的成功率和精度;二、为了尽可能剔除异常特征点,阈值设置往往较高,部分响应值较低的棋盘格角点被错误剔除,导致棋盘格检测失败或标定失败;三、卷积响应值或者Harris角点强度值往往受采样半径的影响,不同的采样半径可能导致不同的判别结果,影响标定的鲁棒性。
发明内容
本发明的目的在于提供一种棋盘格标定角点的判别方法、装置及计算机可读存储介质,有利于不同类型的异常特征点的有效剔除和提高标定角点判别的鲁棒性。
为实现上述目的,本发明提供了一种棋盘格标定角点的判别方法,包括如下步骤:
S100、获取待判别特征点的邻域图像;
S140、计算所述第三直线与所述第一直线之间的夹角αi和所述第三直线与所述第二直线之间的夹角βi;
S150、比较夹角αi和βi的大小,若αi≤βi,则执行步骤S160,若αi>βi,则执行步骤S170;
S160、根据所述第一方向向量与所述第三方向向量的运算迭代更新所述第一方向向量以使迭代后的所述第一方向向量位于迭代前的所述第一方向向量与所述第三方向向量之间;
S170、根据所述第二方向向量与所述第三方向向量的运算迭代更新所述第二方向向量以使迭代后的所述第二方向向量位于迭代前的所述第二方向向量与所述第三方向向量之间;
S180、如果i不等于n,则令i=i+1,重复步骤S130至S170,如果i=n,则执行步骤S190;
S190、根据当前获取到的所述第一方向向量和第二方向向量界定的相交直线模型以及所有边缘点与所述相交直线模型的契合度对所述待判别特征点进行判别。
进一步的,步骤S100中所述获取待判别特征点的邻域图像包括:
获取含有若干所述待判别特征点的棋盘格的图像;
以所述待判别特征点为中心获取其采样半径内的所述邻域图像,所述采样半径小于所述棋盘格的方格的边长。
进一步的,步骤S110中所述对所述邻域图像进行边缘提取包括:
对所述邻域图像进行二值化;
对二值化后的所述邻域图像进行边缘提取。
进一步的,步骤S160中,迭代后的所述第一方向向量根据迭代前的所述第一方向向量与所述第三方向向量的合成获得;
步骤S170中,迭代后的所述第二方向向量根据迭代前的所述第二方向向量与所述第三方向向量的合成获得。
进一步的,步骤S190包括:
S191、将所述相交直线模型中的第一直线和第二直线之间的夹角θ与预设角度值比较,如果夹角θ小于所述预设角度值,则进入步骤S192;
S192、判定当前所述待判别特征点不是标定角点。
进一步的,步骤S192之后,步骤S190还包括:
S193、获取每一所述边缘点至所述相交直线模型的第一直线和第二直线的距离di1和di2;
S194、若di1≤di2,则判断距离di1是否满足第一预设距离条件,若di2<di1,则判断距离di2是否满足第二预设距离条件;
S195、获取与所述第一直线之间的距离di1满足所述第一预设距离条件的边缘点的数量c1以及与所述第二直线之间的距离di2满足所述第二预设距离条件的边缘点的数量c2;
S196、根据边缘点的数量c1和c2,判断当前所述待判别特征点是否为标定角点。
进一步的,步骤S196包括:
若c1+c2<k·n,则判定当前所述待判别特征点不是标定角点,其中k为第一系数,k的取值范围为0.5~1之间;
为实现上述目的,本发明还提供了一种棋盘格标定角点的判别装置,包括存储器和处理器,所述处理器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时执行如前所述的棋盘格标定角点的判别方法。
为实现上述目的,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在运行时执行如前所述的棋盘格标定角点的判别方法。
附图说明
图1是现有技术中对棋盘格特征点进行判别后的效果示意图。
图2是本发明实施例提供的一种棋盘格标定角点的判别方法的流程示意图。
图3是图2中步骤S100的流程示意图。
图4是图2中步骤S110的流程示意图。
图5是图2中步骤S190的流程示意图。
图6是本发明实施例获取的棋盘格标定角点的邻域图像的示意图。
图7是本发明实施例获取的一种棋盘格异常点的邻域图像的示意图。
图8是图6经过二值化处理和边缘提取后的邻域图像的示意图。
图9是图7经过二值化处理和边缘提取后的邻域图像的示意图。
图10是图8中的邻域图像和相交直线模型的示意图。
图11是图9中的邻域图像和相交直线模型的示意图。
图12是本发明实施例另一种棋盘格异常点的邻域图像和相交直线模型的示意图。
图13是本发明实施例又一种棋盘格异常点的邻域图像和相交直线模型的示意图。
图14是本发明实施例再一种棋盘格异常点的邻域图像和相交直线模型的示意图。
图15是本发明实施例对棋盘格中若干待判别特征点进行判别后的效果示意图。
图16是本发明实施例棋盘格标定角点的判别装置的示意框图。
具体实施方式
为了详细说明本发明的技术内容、构造特征、实现的效果,以下结合实施方式并配合附图详予说明。
如图1所示,现有技术对棋盘格中的一些异常点无法进行正确的判别,使异常点未能被有效剔除,影响后续相机标定的成功率。
为了解决上述缺陷,本发明提供了一种棋盘格标定角点的判别方法,如图2所示,此方法包括如下步骤:
S100、获取待判别特征点的邻域图像。
在具体的示例中,待判别特征点为标定角点时获取的邻域图像如图6所示,待判别特征点为一种异常点时获取的邻域图像如图7所示。
通过获取待判别特征点的邻域图像,以待判别特征点周边的图像信息进行针对性判别,能够减少对待判别特征点进行判别时所要处理的图像数据量。
在具体的示例中,图6中显示的邻域图像经过边缘提取后如图8所示,图7中显示的邻域图像经过边缘提取后如图9所示。
通过对邻域图像进行边缘提取,将图像信息简化为边缘点的坐标值,进一步简化数据。目前对于图像边缘提取的方法有很多,比如Canny边缘提取、梯度边缘提取等。本发明对邻域图像的边缘提取所采用的方法不做限定。
具体地,第三方向向量的计算方法为:
S140、计算第三直线与第一直线之间的夹角αi和第三直线与第二直线之间的夹角βi。
具体地,第三直线与第一直线之间的夹角αi为:
第三直线与第二直线之间的夹角βi为:
S150、比较夹角αi和βi的大小;若αi≤βi,则执行步骤S160,若αi>βi,则执行步骤S170。
S180、如果i不等于n,则令i=i+1,重复步骤S130至S170,如果i=n,则执行步骤S190。
图10~14显示了本实施例中几种不同类型的待判别特征点对应的相交直线模型的示意图。
在本实施例中,如图3所示,步骤S100中获取待判别特征点的邻域图像包括:
S101、获取含有若干待判别特征点的棋盘格图像。
S102、以待判别特征点为中心获取其采样半径内的邻域图像,采样半径小于棋盘格的方格的边长。
采样半径的取值范围是棋盘格中每个方格像素边长的20%至80%,采样半径设置越大,对标定角点的判别越正确,但处理的数据量更大因此判别速度也越慢。
在具体的示例中,获取的邻域图像如图6和图7所示。当然,本发明的邻域图像不限于图6和图7的图像类型。
如图4所示,在本实施例中,步骤S110中对邻域图像进行边缘提取包括:
S111、对邻域图像进行二值化。
S112、对二值化后的邻域图像进行边缘提取,具体如图8和图9所示。对邻域图像进行二值化处理,使其呈现明显的黑白效果,有利于对邻域图像进行边缘提取。
本实施例中,通过对第三直线与第一直线和第二直线之间的夹角αi和βi进行判断,对于更小的夹角所对应的第一直线或第二直线的方向向量,用当前第三方向向量与该直线的方向向量的平均方向向量代替,以实现更新相交直线模型的目的。
在本实施例中,如图5所示,步骤190包括:
S191、将相交直线模型中的第一直线和第二直线之间的夹角θ与预设角度值比较,如果夹角θ小于预设角度值,则进入步骤S192。
S192、判定当前所述待判别特征点不是标定角点。
具体地,第一直线和第二直线之间的夹角θ为:
当待判别特征点为标定角点时,待判别特征点对应的相交直线模型中的第一直线和第二直线所对应的第一方向向量和第二方向向量会基本指向棋盘格的边缘方向,如图10所示。当特征点为异常点时,特征点对应的相交直线模型中的两直线方向和夹角通常没有明显规律,如图11至图14所示。
请参阅图12和图13,当待判别特征点对应的相交直线模型中的第一直线和第二直线之间的夹角相对比较小的时候,通常可以认为所有边缘点在同一条直线上,进而能够判定当前待判别特征点为异常点。因此可以通过将相交直线模型中第一直线和第二直线之间的夹角θ与预设角度值比较,对待判别特征点进行判定,能够将如图12和图13所示的特征点类型判定为异常点进行剔除。理想状态下的标定角点对应的相交直线模型中的第一直线和第二直线之间的夹角为90°,但实际中由于棋盘的倾斜和畸变,夹角可能小于90°,但不可能接近0°,因此预设角度值的取值范围可以为1°~30°。通常,预设角度值取值越小越有可能将异常点判别为标定角点,取值越大则容易将标定角点判别为异常点剔除,在具体的示例中,预设角度值的取值为15°。
请继续参阅图5,步骤S192之后,步骤S190还包括:
S193、获取每一边缘点至相交直线模型的第一直线和第二直线的距离di1和di2。
具体为:
S194、若di1≤di2,则判断距离di1是否满足第一预设距离条件,若di2<di1,则判断距离di2是否满足第二预设距离条件。
当特征点为异常点时,以图11中的异常点为例,部分边缘点到相交直线模型中第一直线和第二直线的距离会较大,因此可以根据边缘点与第一直线之间的距离di1是否满足第一预设距离条件或边缘点与第二直线之间的距离di2是否满足第二预设距离条件判断边缘点是否符合相交直线模型。
S195、获取与第一直线之间的距离di1满足第一预设距离条件的边缘点的数量c1以及与第二直线之间的距离di2满足第二预设距离条件的边缘点的数量c2。
具体地,当判断当前边缘点与第一直线之间的距离di1满足第一预设距离条件时,c1累加1;当判断当前边缘点与第二直线之间的距离di2满足第二预设距离条件时,c2累加1。
S196、根据边缘点的数量c1和c2,判断当前待判别特征点是否为标定角点。
具体地,距离阈值dt的意义是:若边缘点到相交直线模型中第一直线和第二直线的距离di1和di2中的较小值与采样半径R的比值小于dt,则此边缘点符合相交直线模型;若边缘点到相交直线模型中第一直线和第二直线的距离di1和di2中的较小值与采样半径R的比值大于dt,则此边缘点不符合相交直线模型。距离阈值dt的取值范围可以是0~1,距离阈值dt的取值太小容易把标定角点误判为异常点,取值太大容易把异常点误判为标定角点,在具体的示例中,距离阈值dt的取值为0.2,。
再次参阅图5,步骤196包括:
若c1+c2<k·n,则判定当前待判别特征点不是标定角点,其中k为第一系数,k的取值范围为0.5~1之间。当特征点为异常点时,以图11中的异常点为例,满足第一预设距离条件或第二预设距离条件的边缘点的总数会较少,因此可根据满足第一预设距离条件或第二预设距离条件的边缘点的总数对特征点进行判别。其中,第一系数k的目的是区分是否有足够多的边缘点满足第一预设距离条件或第二预设距离条件,在具体的示例中,k的取值为0.8。理想状态下的标定角点,所有边缘点都满足第一预设距离条件或第二预设距离条件,但在实际中,由于图像拍摄角度或相机像素等问题,往往会有标定角点对应的满足第一预设距离条件或第二预设距离条件的边缘点被判别为不满足第一预设距离条件或第二预设距离条件,第一系数k取值越小越容易把异常点判断为标定角点,取值越大则剔除异常点的正确率越高,因此可以根据经验对k进行取值。
当特征点为异常点时,以图14中的异常点为例,满足第一预设距离条件的边缘点数量c1和满足第二预设距离条件的边缘点数量c2会不平均,当特征点是标定角点时,满足第一预设距离条件的边缘点数量c1和满足第二预设距离条件的边缘点数量c2会比较平均,因此可以根据满足第一预设距离条件的边缘点数量c1和满足第二预设距离条件的边缘点数量c2的比例对待判别特征点进行判别。其中,第二系数m的目的是判断c1和c2的差值是否过大,若c1和c2的差值过大,说明边缘点主要集中在相交直线模型中的第一直线或第二直线上,则判定当前待判别特征点为异常点。理想状态下,标定角点对应的边缘点的数量c1和c2相等,但由于图像拍摄角度或相机像素等问题,会使c1和c2有一定差值,但差值大小不会过大。第二系数m的取值过大,容易把异常点误判为标定角点,取值过大,容易把标定角点误判为异常。在具体的示例中,第二系数m的取值为0.1。
请参阅图16,本发明还提供了一种棋盘格角点判别装置,包括存储器500和处理器600,存储器500上存储有可由处理器600运行的计算机程序,处理器600运行计算机程序时实现上述棋盘格标定角点的判别方法的各个步骤。
此外,计算机程序可被分割成一个或多个模块存储在存储器500中,并由处理器600执行,以完成上述棋盘格角点判别装置的各个模块。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,当计算机程序运行时实现上述棋盘格标定角点的判别方法的各个步骤。
如图1和15所示,本发明实施例的棋盘格标定角点的判别方法中,建立相交于平均值点的第一直线和第二直线,根据每一边缘点和平均值点形成的第三直线与第一直线的夹角αi和第三直线第二直线的夹角βi的大小对第一直线和第二直线进行运算迭代更新,将迭代完成后的第一直线和第二直线作为标定角点判别的相交直线模型,根据相交直线模型以及边缘点与相交直线模型的关系对待判别特征点进行判别。对比图1和图15可知,本发明的棋盘格标定角点的判别方法能够克服现有技术中棋盘格模板卷积响应值判断或Harris角点判断等方法无法有效判别异常特征点的缺陷,并且对于不同类型的异常点能够进行有效剔除,提高了标定角点判别的鲁棒性,保证了后续相机参数标定的成功率。
以上所揭露的仅为本发明的较佳实例而已,其作用是方便本领域的技术人员理解并据以实施,当然不能以此来限定本发明的之权利范围,因此依本发明的申请专利范围所作的等同变化,仍属于本发明的所涵盖的范围。
Claims (10)
1.一种棋盘格标定角点的判别方法,其特征在于,包括如下步骤:
S100、获取待判别特征点的邻域图像;
S140、计算所述第三直线与所述第一直线之间的夹角αi和所述第三直线与所述第二直线之间的夹角βi;
S150、比较夹角αi和βi的大小,若αi≤βi,则执行步骤S160,若αi>βi,则执行步骤S170;
S160、根据所述第一方向向量与所述第三方向向量的运算迭代更新所述第一方向向量以使迭代后的所述第一方向向量位于迭代前的所述第一方向向量与所述第三方向向量之间;
S170、根据所述第二方向向量与所述第三方向向量的运算迭代更新所述第二方向向量以使迭代后的所述第二方向向量位于迭代前的所述第二方向向量与所述第三方向向量之间;
S180、如果i不等于n,则令i=i+1,重复步骤S130至S170,如果i=n,则执行步骤S190;
S190、根据当前获取到的所述第一方向向量和第二方向向量界定的相交直线模型以及所有边缘点与所述相交直线模型的契合度对所述待判别特征点进行判别。
2.根据权利要求1所述的棋盘格标定角点的判别方法,其特征在于,步骤S100中所述获取待判别特征点的邻域图像包括:
获取含有若干所述待判别特征点的棋盘格的图像;
以所述待判别特征点为中心获取其采样半径内的所述邻域图像,所述采样半径小于所述棋盘格的方格的边长。
3.根据权利要求1所述的棋盘格标定角点的判别方法,其特征在于,步骤S110中所述对所述邻域图像进行边缘提取包括:
对所述邻域图像进行二值化;
对二值化后的所述邻域图像进行边缘提取。
4.根据权利要求1所述的棋盘格标定角点的判别方法,其特征在于,
步骤S160中,迭代后的所述第一方向向量根据迭代前的所述第一方向向量与所述第三方向向量的合成获得;
步骤S170中,迭代后的所述第二方向向量根据迭代前的所述第二方向向量与所述第三方向向量的合成获得。
5.根据权利要求1所述的棋盘格标定角点的判别方法,其特征在于,步骤S190包括:
S191、将所述相交直线模型中的第一直线和第二直线之间的夹角θ与预设角度值比较,如果夹角θ小于所述预设角度值,则进入步骤S192;
S192、判定当前所述待判别特征点不是标定角点。
6.根据权利要求5所述的棋盘格标定角点的判别方法,其特征在于,步骤S192之后,步骤S190还包括:
S193、获取每一所述边缘点至所述相交直线模型的第一直线和第二直线的距离di1和di2;
S194、若di1≤di2,则判断距离di1是否满足第一预设距离条件,若di2<di1,则判断距离di2是否满足第二预设距离条件;
S195、获取与所述第一直线之间的距离di1满足所述第一预设距离条件的边缘点的数量c1以及与所述第二直线之间的距离di2满足所述第二预设距离条件的边缘点的数量c2;
S196、根据边缘点的数量c1和c2,判断当前所述待判别特征点是否为标定角点。
9.一种棋盘格标定角点的判别装置,其特征在于,包括存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时执行如权利要求1至8任一项所述的棋盘格标定角点的判别方法。
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上存储有计算机程序,所述计算机程序在运行时执行如权利要求1至8任一项所述的棋盘格标定角点的判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524783.5A CN112614146B (zh) | 2020-12-21 | 2020-12-21 | 棋盘格标定角点的判别方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524783.5A CN112614146B (zh) | 2020-12-21 | 2020-12-21 | 棋盘格标定角点的判别方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112614146A CN112614146A (zh) | 2021-04-06 |
CN112614146B true CN112614146B (zh) | 2022-05-13 |
Family
ID=75245143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011524783.5A Active CN112614146B (zh) | 2020-12-21 | 2020-12-21 | 棋盘格标定角点的判别方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614146B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516721B (zh) * | 2021-09-13 | 2021-11-12 | 中科慧远视觉技术(北京)有限公司 | 一种基于多相机的测量方法、装置及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485275A (zh) * | 2016-10-10 | 2017-03-08 | 厦门理工学院 | 一种实现盖板玻璃与液晶屏定位贴合的方法 |
WO2018018987A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳市未来媒体技术研究院 | 一种适用于光场相机的标定预处理方法 |
CN108257185A (zh) * | 2018-01-03 | 2018-07-06 | 上海兴芯微电子科技有限公司 | 多棋盘格角点检测方法及摄像机标定方法 |
CN109801300A (zh) * | 2017-11-16 | 2019-05-24 | 北京百度网讯科技有限公司 | 棋盘格角点的坐标提取方法、装置、设备及计算机可读存储介质 |
CN109859226A (zh) * | 2019-01-10 | 2019-06-07 | 上海理工大学 | 一种图形分割的棋盘格角点亚像素的检测方法 |
CN110648368A (zh) * | 2019-08-30 | 2020-01-03 | 广东奥普特科技股份有限公司 | 一种基于边缘特征的标定板角点判别方法 |
CN111260731A (zh) * | 2020-01-10 | 2020-06-09 | 大连理工大学 | 一种棋盘格亚像素级角点自适应检测的方法 |
CN111640157A (zh) * | 2020-05-28 | 2020-09-08 | 华中科技大学 | 一种基于神经网络的棋盘格角点检测方法及其应用 |
-
2020
- 2020-12-21 CN CN202011524783.5A patent/CN112614146B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018018987A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳市未来媒体技术研究院 | 一种适用于光场相机的标定预处理方法 |
CN106485275A (zh) * | 2016-10-10 | 2017-03-08 | 厦门理工学院 | 一种实现盖板玻璃与液晶屏定位贴合的方法 |
CN109801300A (zh) * | 2017-11-16 | 2019-05-24 | 北京百度网讯科技有限公司 | 棋盘格角点的坐标提取方法、装置、设备及计算机可读存储介质 |
CN108257185A (zh) * | 2018-01-03 | 2018-07-06 | 上海兴芯微电子科技有限公司 | 多棋盘格角点检测方法及摄像机标定方法 |
CN109859226A (zh) * | 2019-01-10 | 2019-06-07 | 上海理工大学 | 一种图形分割的棋盘格角点亚像素的检测方法 |
CN110648368A (zh) * | 2019-08-30 | 2020-01-03 | 广东奥普特科技股份有限公司 | 一种基于边缘特征的标定板角点判别方法 |
CN111260731A (zh) * | 2020-01-10 | 2020-06-09 | 大连理工大学 | 一种棋盘格亚像素级角点自适应检测的方法 |
CN111640157A (zh) * | 2020-05-28 | 2020-09-08 | 华中科技大学 | 一种基于神经网络的棋盘格角点检测方法及其应用 |
Non-Patent Citations (2)
Title |
---|
Camera calibration method based on optimal polarization angle;Zhu, Zhenmin et al;《OPTICS AND LASERS IN ENGINEERING》;20190131;第112卷;全文 * |
基于SUSAN算子和角点判别因子的目标边缘检测;吴一全等;《中国科学院大学学报》;20160131;第33卷(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112614146A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272489B (zh) | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 | |
CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
JP4528309B2 (ja) | オブジェクト検出方法、オブジェクト検出装置、およびオブジェクト検出プログラム | |
CN107169489B (zh) | 倾斜图像校正的方法和装置 | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN108269274B (zh) | 基于傅里叶变换和Hough变换的图像配准方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN111222507A (zh) | 数字式仪表读数的自动识别方法、计算机可读存储介质 | |
US10074551B2 (en) | Position detection apparatus, position detection method, information processing program, and storage medium | |
CN112614146B (zh) | 棋盘格标定角点的判别方法、装置及计算机可读存储介质 | |
CN110288040B (zh) | 一种基于拓扑验证的图像相似评判方法及设备 | |
CN115601385A (zh) | 气泡形态处理方法、设备、介质及程序产品 | |
CN110751156A (zh) | 用于表格线大块干扰去除方法、系统、设备及介质 | |
CN108269264B (zh) | 豆籽粒图像的去噪及分形方法 | |
CN108205641B (zh) | 手势图像处理方法及装置 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN117173090A (zh) | 焊接缺陷类型识别方法、装置、存储介质及电子设备 | |
CN108009459B (zh) | 基于三角定位符的字符二维条码快速定位方法 | |
CN107358138B (zh) | 非线性畸变ean条码的校正方法、移动终端及存储装置 | |
CN115690104A (zh) | 一种晶圆裂缝检测方法、装置及存储介质 | |
CN112923852B (zh) | 基于动态角点定位的sd卡位姿检测方法 | |
CN115830049A (zh) | 角点检测的方法和装置 | |
CN114663402A (zh) | 一种基于Hough直线检测和曲线拟合的线缆脱垂检测方法 |
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 |