CN112669280B - 一种基于lsd算法的无人机倾斜航拍直角像控点目标检测方法 - Google Patents
一种基于lsd算法的无人机倾斜航拍直角像控点目标检测方法 Download PDFInfo
- Publication number
- CN112669280B CN112669280B CN202011575060.8A CN202011575060A CN112669280B CN 112669280 B CN112669280 B CN 112669280B CN 202011575060 A CN202011575060 A CN 202011575060A CN 112669280 B CN112669280 B CN 112669280B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- angle
- rectangle
- rgbd
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法,具体包括以下步骤:步骤S1:输入影像,利用RGBD相机获取目标的多角度的RGBD图像,RGBD图像中每个像素点包括R、G、B彩色信息和深度信息,再利用处理器,根据目标的RGBD图像对目标进行特征点标识,形成第一目标的骨架网格以识别目标,并生成目标模型,对目标进行跟踪,以使RGBD相机进一步获取目标的RGBD图像序列,再次利用处理器根据目标的RGBD图像序列获取目标的骨架网格的运动轨迹;步骤S2:双边滤波;步骤S3:Retinex彩色增强;步骤S4:LSD线段检测;步骤S5:获取像控点精确坐标,较好的得到像控点准确像素坐标,在复杂背景和目标失真的情况下依然能保持很高的准确率。
Description
技术领域
本发明涉及无人机技术领域,具体涉及一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法。
背景技术
无人机倾斜摄影在进行航拍工作时,常需要布置地面像控点来进行后期数据的精校正,像控点的精度和数量直接影响了空三加密处理精度,对三维模型的平面位置、高程和像片外方位元素产生影响。外业通过GPS采集可获得像控点地面坐标,坐标精度高对模型精度影响小;内业则使用传统人工刺点来获取其像素坐标,人工刺点容易引入人为误差且效率低下,刺点不合格会造成返工,从而导致工期延长,工程成本增加,难以满足高精度三维建模需求,如何通过图像处理自动提取像控点像素坐标显得尤为重要。
因此亟需一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法,以满足高精度三维建模需求。
发明内容
本发明的目的在于提供一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法,首先对影像进行双边滤波,在去除噪声的同时很好的保留边缘信息;通过Retinex算法增强影像彩色信息;然后通过LSD线段检测提取像控点直角边,通过角度、距离和长度信息筛选出最外沿直角边,最后相交得到直角像控点。实验结果表明,该方法能较好的得到像控点准确像素坐标,在复杂背景和目标失真的情况下依然能保持很高的准确率,以解决上述背景技术中提出的问题。
为实现上述目的,本发明采用了如下技术方案:
一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法,具体包括以下步骤:
步骤S1:输入影像,利用RGBD相机获取目标的多角度的RGBD图像,RGBD图像中每个像素点包括R、G、B彩色信息和深度信息,再利用处理器,根据目标的RGBD图像对目标进行特征点标识,形成第一目标的骨架网格以识别目标,并生成目标模型,利用飞行控制器,对目标进行跟踪,以使RGBD相机进一步获取目标的RGBD图像序列,再次利用处理器根据目标的RGBD图像序列获取目标的骨架网格的运动轨迹,将目标的骨架网格的运动轨迹与目标的3D模型或预设目标的3D模型进行匹配;
步骤S2:双边滤波,采用双边滤波对收集的影响进行处理,去除影像中的噪音,保留边缘信息;
步骤S3:Retinex彩色增强,由于部分实验样本是处于建筑阴影下,通过彩色增强能回复颜色信息;
步骤S4:LSD线段检测,LSD线段检测算法首先计算图像中每个像素与基准线的夹角,生成一个梯度角场,从梯度最大值作为种子点,根据八方向区域生长算法将所有基准线方向相同的相邻像素合并成为线支撑区域,在直线验证前将每一个线支撑区域用矩形来拟合,可以把线性支撑区域看作刚体,线段支持域质心用来表示矩形的中心,第一惯性轴用来表示矩形的主方向,像素点梯度大小用作该点的质量,矩形的长度和宽度为包含整个区域的最小外接矩形,判断每个矩形是否满足线段检测条件,LSD算法基于Helmholtz原则,即在完美噪声图像中不应该检测到目标,假设一个基准线方向随机且独立服从平均分布在0.2π值的相对图像模型,通过比较观察图中对齐点所占比例与相对模型中对齐点比例大小的概率,进行线段验证,来判断矩形是否为真实直线;
步骤S5:获取像控点精确坐标,由于LSD算法区域生长的不稳定性,使得一条直线容易被检测成多条线段,采用最小二乘拟合能合并,最后通过长度阈值、角度阈值和距离阈值筛选得到两条直角边,直角边相交即可得到像控点精确坐标。
优选的,步骤S1中的所述RGBD相机采集的R、G、B彩色信息和深度信息在计算机中,我们用红色、绿色和蓝色这三种颜色的组合来表达任意一种色彩,于是对于每一个像素,就要记录其R、G、B三个数值,每一个数值就称为一个通道,通道的数量、顺序都是可以自由定义的,亦可使用R、G、B的顺序表示一个彩色图,同样可以使用R、G、B、A四个通道表达图像的透明度。
优选的,步骤S2中的所述双边滤波是一种为解决边缘模糊而产生的非线性滤波器,它是在高斯滤波的基础上,考虑了像素之间的辐射差异,在图像平坦的区域,像素值变化小,辐射差异权重接近于1,空间域权重是主要影响因素;在像素值变化很大的区域,辐射差异权重变大,此时它能在去除噪声的同时,很好的保留边缘信息,具有较好的图像增强效果。
优选的,步骤S3中的Retinex算法即是通过从观察到的图像信号中分离出入射光照,去除光照不均影响,来增强图像视觉效果。不同于传统图像增强算法只能增强某一类特征,Retinex可以在动态范围压缩、边缘增强和颜色恒常达到平衡,可对各类图像进行自适应增强,且Retinex算法包括但尺度Retinex(SSR),多尺度Retinex(MSR)和带色彩恢复的多尺度Retinex(MSRCR)。
优选的,步骤S4中的所述线段验证的具体流程包括:通过高斯降采样进行尺度缩放,减弱消除图像锯齿效应;计算梯度和梯度角;将梯度值均分成1024个等级进行伪排序,减少时间复杂度;梯度小于阈值像素不参与线性支撑区域和矩形的构建;使用最大梯度值等级中的像素作为种子点,八方向邻域生长,当未使用像素的梯度角和区域角的夹角小于角度容忍度时添加到线支撑区域,并更新区域角;每一个线段支撑区域对应一个近似矩形;计算每个矩形的NFA值,当NFA小于阈值e时,判断为候选直线段;计算矩形内梯度角与区域角相等的点密度,密度小于阈值则分割成两个更小的矩形;修改矩形参数改善NFA值。
本发明的技术效果和优点:本发明提出的一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法,首先对影像进行双边滤波,在去除噪声的同时很好的保留边缘信息;通过Retinex算法增强影像彩色信息;然后通过LSD线段检测提取像控点直角边,通过角度、距离和长度信息筛选出最外沿直角边,最后相交得到直角像控点。实验结果表明,该方法能较好的得到像控点准确像素坐标,在复杂背景和目标失真的情况下依然能保持很高的准确率。
附图说明
图1为本发明一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法的控制流程图;
图2为本发明一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法的线段验证流程图。
具体实施方式
下面将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。此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了如图1-2所示的一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法,具体包括以下步骤:
步骤S1:输入影像,利用RGBD相机获取目标的多角度的RGBD图像,RGBD图像中每个像素点包括R、G、B彩色信息和深度信息,再利用处理器,根据目标的RGBD图像对目标进行特征点标识,形成第一目标的骨架网格以识别目标,并生成目标模型,利用飞行控制器,对目标进行跟踪,以使RGBD相机进一步获取目标的RGBD图像序列,再次利用处理器根据目标的RGBD图像序列获取目标的骨架网格的运动轨迹,将目标的骨架网格的运动轨迹与目标的3D模型或预设目标的3D模型进行匹配;
步骤S2:双边滤波,采用双边滤波对收集的影响进行处理,去除影像中的噪音,保留边缘信息;
步骤S3:Retinex彩色增强,由于部分实验样本是处于建筑阴影下,通过彩色增强能回复颜色信息;
步骤S4:LSD线段检测,LSD线段检测算法首先计算图像中每个像素与基准线的夹角,生成一个梯度角场,从梯度最大值作为种子点,根据八方向区域生长算法将所有基准线方向相同的相邻像素合并成为线支撑区域,在直线验证前将每一个线支撑区域用矩形来拟合,可以把线性支撑区域看作刚体,线段支持域质心用来表示矩形的中心,第一惯性轴用来表示矩形的主方向,像素点梯度大小用作该点的质量,矩形的长度和宽度为包含整个区域的最小外接矩形,判断每个矩形是否满足线段检测条件,LSD算法基于Helmholtz原则,即在完美噪声图像中不应该检测到目标,假设一个基准线方向随机且独立服从平均分布在0.2π值的相对图像模型,通过比较观察图中对齐点所占比例与相对模型中对齐点比例大小的概率,进行线段验证,来判断矩形是否为真实直线;
步骤S5:获取像控点精确坐标,由于LSD算法区域生长的不稳定性,使得一条直线容易被检测成多条线段,采用最小二乘拟合能合并,最后通过长度阈值、角度阈值和距离阈值筛选得到两条直角边,直角边相交即可得到像控点精确坐标。
具体的,步骤S1中的所述RGBD相机采集的R、G、B彩色信息和深度信息在计算机中,我们用红色、绿色和蓝色这三种颜色的组合来表达任意一种色彩,于是对于每一个像素,就要记录其R、G、B三个数值,每一个数值就称为一个通道,通道的数量、顺序都是可以自由定义的,亦可使用R、G、B的顺序表示一个彩色图,同样可以使用R、G、B、A四个通道表达图像的透明度。
具体的,步骤S2中的所述双边滤波是一种为解决边缘模糊而产生的非线性滤波器,它是在高斯滤波的基础上,考虑了像素之间的辐射差异,在图像平坦的区域,像素值变化小,辐射差异权重接近于1,空间域权重是主要影响因素;在像素值变化很大的区域,辐射差异权重变大,此时它能在去除噪声的同时,很好的保留边缘信息,具有较好的图像增强效果。
具体的,步骤S3中的Retinex算法即是通过从观察到的图像信号中分离出入射光照,去除光照不均影响,来增强图像视觉效果。不同于传统图像增强算法只能增强某一类特征,Retinex可以在动态范围压缩、边缘增强和颜色恒常达到平衡,可对各类图像进行自适应增强,且Retinex算法包括但尺度Retinex(SSR),多尺度Retinex(MSR)和带色彩恢复的多尺度Retinex(MSRCR)。
具体的,步骤S4中的所述线段验证的具体流程包括:通过高斯降采样进行尺度缩放,减弱消除图像锯齿效应;计算梯度和梯度角;将梯度值均分成1024个等级进行伪排序,减少时间复杂度;梯度小于阈值像素不参与线性支撑区域和矩形的构建;使用最大梯度值等级中的像素作为种子点,八方向邻域生长,当未使用像素的梯度角和区域角的夹角小于角度容忍度时添加到线支撑区域,并更新区域角;每一个线段支撑区域对应一个近似矩形;计算每个矩形的NFA值,当NFA小于阈值e时,判断为候选直线段;计算矩形内梯度角与区域角相等的点密度,密度小于阈值则分割成两个更小的矩形;修改矩形参数改善NFA值。
本发明提出的一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法,首先对影像进行双边滤波,在去除噪声的同时很好的保留边缘信息;通过Retinex算法增强影像彩色信息;然后通过LSD线段检测提取像控点直角边,通过角度、距离和长度信息筛选出最外沿直角边,最后相交得到直角像控点。实验结果表明,该方法能较好的得到像控点准确像素坐标,在复杂背景和目标失真的情况下依然能保持很高的准确率。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,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 (5)
1.一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法,其特征在于:具体包括以下步骤:
步骤S1:输入影像,利用RGBD相机获取目标的多角度的RGBD图像,RGBD图像中每个像素点包括R、G、B彩色信息和深度信息,再利用处理器,根据目标的RGBD图像对目标进行特征点标识,形成第一目标的骨架网格以识别目标,并生成目标模型,利用飞行控制器,对目标进行跟踪,以使RGBD相机进一步获取目标的RGBD图像序列,再次利用处理器根据目标的RGBD图像序列获取目标的骨架网格的运动轨迹,将目标的骨架网格的运动轨迹与目标的3D模型或预设目标的3D模型进行匹配;
步骤S2:双边滤波,采用双边滤波对收集的影像进行处理,去除影像中的噪音,保留边缘信息;
步骤S3:Retinex彩色增强,由于部分实验样本是处于建筑阴影下,通过彩色增强能恢复颜色信息;
步骤S4:LSD线段检测,LSD线段检测算法首先计算图像中每个像素与基准线的夹角,生成一个梯度角场,从梯度最大值作为种子点,根据八方向区域生长算法将所有基准线方向相同的相邻像素合并成为线支撑区域,在直线验证前将每一个线支撑区域用矩形来拟合,可以把线性支撑区域看作刚体,线段支持域质心用来表示矩形的中心,第一惯性轴用来表示矩形的主方向,像素点梯度大小用作该点的质量,矩形的长度和宽度为包含整个区域的最小外接矩形,判断每个矩形是否满足线段检测条件,LSD算法基于Helmholtz原则,即在完美噪声图像中不应该检测到目标,假设一个基准线方向随机且独立服从平均分布在0.2π值的相对图像模型,通过比较观察图中对齐点所占比例与相对模型中对齐点比例大小的概率,进行线段验证,来判断矩形是否为真实直线;
步骤S5:获取像控点精确坐标,由于LSD算法区域生长的不稳定性,使得一条直线容易被检测成多条线段,采用最小二乘拟合能合并,最后通过长度阈值、角度阈值和距离阈值筛选得到两条直角边,直角边相交即可得到像控点精确坐标。
2.根据权利要求1所述的一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法,其特征在于:步骤S1中的所述RGBD相机采集的R、G、B彩色信息和深度信息在计算机中,我们用红色、绿色和蓝色这三种颜色的组合来表达任意一种色彩,于是对于每一个像素,就要记录其R、G、B三个数值,每一个数值就称为一个通道,通道的数量、顺序都是可以自由定义的,亦可使用R、G、B的顺序表示一个彩色图,同样可以使用R、G、B、A四个通道表达图像的透明度。
3.根据权利要求1所述的一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法,其特征在于:步骤S2中的所述双边滤波是一种为解决边缘模糊而产生的非线性滤波器,它是在高斯滤波的基础上,考虑了像素之间的辐射差异,在图像平坦的区域,像素值变化小,辐射差异权重接近于1,空间域权重是主要影响因素;在像素值变化很大的区域,辐射差异权重变大,此时它能在去除噪声的同时,很好的保留边缘信息,具有较好的图像增强效果。
4.根据权利要求1所述的一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法,其特征在于:步骤S3中的Retinex算法即是通过从观察到的图像信号中分离出入射光照,去除光照不均影响,来增强图像视觉效果,不同于传统图像增强算法只能增强某一类特征,Retinex可以在动态范围压缩、边缘增强和颜色恒常达到平衡,可对各类图像进行自适应增强,且Retinex算法包括但尺度Retinex(SSR),多尺度Retinex(MSR)和带色彩恢复的多尺度Retinex(MSRCR)。
5.根据权利要求1所述的一种基于LSD算法的无人机倾斜航拍直角像控点目标检测方法,其特征在于:步骤S4中的所述线段验证的具体流程包括:
通过高斯降采样进行尺度缩放,减弱消除图像锯齿效应;计算梯度和梯度角;
将梯度值均分成1024个等级进行伪排序,减少时间复杂度;梯度小于阈值像素不参与线性支撑区域和矩形的构建;使用最大梯度值等级中的像素作为种子点,八方向邻域生长,当未使用像素的梯度角和区域角的夹角小于角度容忍度时添加到线支撑区域,并更新区域角;每一个线段支撑区域对应一个近似矩形;计算每个矩形的NFA值,当NFA小于阈值e时,判断为候选直线段;
计算矩形内梯度角与区域角相等的点密度,密度小于阈值则分割成两个更小的矩形;修改矩形参数改善NFA值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011575060.8A CN112669280B (zh) | 2020-12-28 | 2020-12-28 | 一种基于lsd算法的无人机倾斜航拍直角像控点目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011575060.8A CN112669280B (zh) | 2020-12-28 | 2020-12-28 | 一种基于lsd算法的无人机倾斜航拍直角像控点目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669280A CN112669280A (zh) | 2021-04-16 |
CN112669280B true CN112669280B (zh) | 2023-08-08 |
Family
ID=75410355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011575060.8A Active CN112669280B (zh) | 2020-12-28 | 2020-12-28 | 一种基于lsd算法的无人机倾斜航拍直角像控点目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669280B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166188B (zh) * | 2021-12-13 | 2024-04-09 | 上海勘察设计研究院(集团)股份有限公司 | 一种无人机倾斜航测像控点标识布设方法及倾斜航测方法 |
CN114723753B (zh) * | 2022-06-08 | 2022-08-23 | 中国航发四川燃气涡轮研究院 | 一种基于叶尖图像的转子叶片叶尖轴向位移计算方法 |
CN116205975B (zh) * | 2023-02-01 | 2023-09-19 | 广东国地规划科技股份有限公司 | 一种像控点数据采集方法及无人机测绘方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106707296A (zh) * | 2017-01-09 | 2017-05-24 | 华中科技大学 | 一种基于双孔径光电成像系统的无人机检测与识别方法 |
CN111709968A (zh) * | 2020-05-08 | 2020-09-25 | 中国人民解放军空军工程大学 | 一种基于图像处理的低空目标探测跟踪方法 |
CN112113542A (zh) * | 2020-09-14 | 2020-12-22 | 浙江省自然资源征收中心 | 一种无人机航摄建设用地土地专项数据验收的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101283262B1 (ko) * | 2011-10-21 | 2013-07-11 | 한양대학교 산학협력단 | 영상 처리 방법 및 장치 |
-
2020
- 2020-12-28 CN CN202011575060.8A patent/CN112669280B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106707296A (zh) * | 2017-01-09 | 2017-05-24 | 华中科技大学 | 一种基于双孔径光电成像系统的无人机检测与识别方法 |
CN111709968A (zh) * | 2020-05-08 | 2020-09-25 | 中国人民解放军空军工程大学 | 一种基于图像处理的低空目标探测跟踪方法 |
CN112113542A (zh) * | 2020-09-14 | 2020-12-22 | 浙江省自然资源征收中心 | 一种无人机航摄建设用地土地专项数据验收的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112669280A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112669280B (zh) | 一种基于lsd算法的无人机倾斜航拍直角像控点目标检测方法 | |
CN111243032B (zh) | 一种棋盘格角点全自动检测方法 | |
CN111754583B (zh) | 一种车载三维激光雷达和相机外参联合标定的自动化方法 | |
CN110211043B (zh) | 一种用于全景图像拼接的基于网格优化的配准方法 | |
CN109636732B (zh) | 一种深度图像的空洞修复方法以及图像处理装置 | |
CN109785379B (zh) | 一种对称物体尺寸及重量的测量方法及测量系统 | |
CN106204544B (zh) | 一种自动提取图像中标志点位置及轮廓的方法和系统 | |
CN104376548B (zh) | 一种基于改进型surf算法的图像快速拼接方法 | |
CN110910421B (zh) | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 | |
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN108537782B (zh) | 一种基于轮廓提取的建筑物图像匹配与融合的方法 | |
CN110473221B (zh) | 一种目标物体自动扫描系统及方法 | |
WO2021017588A1 (zh) | 一种基于傅立叶频谱提取的图像融合方法 | |
Zhang et al. | Application of migration image registration algorithm based on improved SURF in remote sensing image mosaic | |
CN105488501A (zh) | 基于旋转投影的车牌倾斜矫正的方法 | |
CN104182968B (zh) | 宽基线多阵列光学探测系统模糊动目标分割方法 | |
CN113050074B (zh) | 无人驾驶环境感知中相机与激光雷达标定系统及标定方法 | |
CN111354047A (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN111340749A (zh) | 图像质量的检测方法、装置、设备及存储介质 | |
CN104574312A (zh) | 标靶图像求圆心的方法和装置 | |
CN113313116A (zh) | 一种基于视觉的水下人工目标准确检测与定位方法 | |
CN117576219A (zh) | 大广角鱼眼镜头单次拍摄图像的相机标定设备及标定方法 | |
CN111179184A (zh) | 基于随机抽样一致性的鱼眼图像有效区域提取方法 | |
CN110223356A (zh) | 一种基于能量生长的单目相机全自动标定方法 | |
CN116402904A (zh) | 一种基于激光雷达间和单目相机的联合标定方法 |
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 |