CN112883986B - 一种复杂背景下的静态红外靶灯识别方法 - Google Patents
一种复杂背景下的静态红外靶灯识别方法 Download PDFInfo
- Publication number
- CN112883986B CN112883986B CN202110250367.9A CN202110250367A CN112883986B CN 112883986 B CN112883986 B CN 112883986B CN 202110250367 A CN202110250367 A CN 202110250367A CN 112883986 B CN112883986 B CN 112883986B
- Authority
- CN
- China
- Prior art keywords
- light spot
- confidence
- spot
- target lamp
- light
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于复杂背景的红外靶灯识别方法,包括控制靶灯亮灭状态采集灭‑亮‑亮‑灭连续变化的4种状态下对应的图像;计算光斑灰度变化显著性,得到灰度变化显著性置信图;根据显著性置信图提取光斑区域;滤除面积、圆度和灰度不符合要求的光斑区域;计算光斑的区域置信度;选取区域置信度相似的光斑作为靶灯光斑。本发明实现了在复杂红外背景条件下识别靶灯,不依赖靶灯分布等复杂先验知识,计算简单,准确率高,拓展性强。
Description
技术领域
本发明涉及计算机视觉、精密测量技术领域,具体为一种在复杂背景下基于靶灯光斑灰度变化准确识别红外靶灯的方法。
背景技术
靶标识别被广泛应用于机器视觉中的目标跟踪、激光精密加工、航空航天应用中的姿态测量等诸多领域。快速而精确地定位靶标在图像中形成的光斑是识别任务中的关键步骤。红外主动光源是靶标常采用的一种方式,因为红外主动光源可以避免其他波长的光的干扰,提升识别系统的准确性和稳定性。
目前针对静态光斑识别的方法主要分为两种。第一种是直接处理单张光斑图像,根据光斑的灰度、边缘、纹理等信息识别光斑。该方法实时性强,但在复杂环境下容易发生误检。特别是当背景比较复杂时,存在多种干扰目标,仅根据单个光斑的特征无法准确识别光斑真伪。第二种是基于帧差法进行光斑识别。先采集一张靶标不亮时的图像作为背景图,再采集一张靶标点亮时的图像作为前景图,两张图像做差分运算,再采用第一种方法进一步提取光斑。该方法可以较好的滤除静态干扰目标,识别准确率有一定提升。但无法完全滤除移动目标。这两种方法在实际应用中存在以下不足:
1、对光斑成像质量要求较高。无论基于灰度、边缘还是纹理来识别光斑,都要求清晰的光斑图像保证特征稳定且明显。这样在识别过程就需要实时调整相机曝光、焦距等参数,或者调节光源亮度值,造成识别效率低下。若不调整光斑图像质量,则会影响识别准确率。
2、适用场景有局限性。当靶标距离相机的移动范围较大时,光斑大小、灰度、纹理等特征变得不稳定,基于阈值区分和模板匹配的方法不再适用。此外,针对不同的应用场景,往往需要设计不同光斑特征或模板,不具有通用性。
3、抗干扰能力不强。对于和靶标光斑特征相似的干扰光斑,很难找到合适的方法将两者准确区分。
发明内容
本发明目的是提供一种可在复杂背景下具有抗干扰能力强的红外靶灯识别方法。
本发明是采用如下技术方案实现的:
一种复杂背景下的静态红外靶灯识别方法,包括如下步骤:
步骤(1)、采集连续4帧图像
4帧图像依次为:第1帧,关闭靶灯,采集一张图像I1;第2、3帧,点亮靶灯,连续采集两张图像I2、I3;第4帧,关闭靶灯,采集图像I4;
步骤(2)、根据步骤(1)采集的图像I1、I4,计算关灯状态下光斑灰度变化,具体为:
对于像素(u,v),其灰度变化DeltaDark(u,v)表示为:
DeltaDark(u,v)=|I1(u,v)-I4(u,v)|;
步骤(3)、根据步骤(1)采集的图像I1、I2、I3、I4和步骤(2)的结果,计算每个像素的灰度变化显著性,得到灰度变化显著性置信图,具体为:
对于像素(u,v),其灰度变化显著性置信图ConfGray(u,v)表示为:ConfGray(u,v)=I2(u,v)+I3(u,v)-I1(u,v)-I4(u,v)-DeltaDark(u,v)-|I2(u,v)-I3(u,v))|;
步骤(4)、对步骤(3)得到的灰度变化显著性置信图ConfGray进行预处理,具体为:
对于像素(u,v),预处理方法为:
其中,MAX(·)为求最大值的函数;Tgray为灰度变化显著性最小变化幅度;
步骤(5)、采用图像二值化的方法,对步骤(1)采集的图像I3进行二值化处理,得到光斑前景掩码MaskFront;
步骤(6)、根据步骤(5)得到的光斑前景掩码MaskFront,计算光斑面积掩码MaskArea,具体为:
将光斑前景掩码MaskFront中光斑面积大于阈值的视为伪光斑,置为0;其余光斑前景区域置为1;具体表示为:
其中,regionk、areak分别表示前景掩码MaskFront中第k个连通域及其面积;Tarea为光斑最大面积;
步骤(7)、根据步骤(1)采集的图像I2、I3,计算光斑光亮掩码MaskBright,具体计算方法为:
其中,Tbright为光斑最低灰度值;
步骤(8)、根据步骤(6)和步骤(7)得到的光斑掩码MaskArea、MaskBright和步骤(4)的结果,得到光斑有效置信图,具体计算方法为:
Confidence(u,v)=ConfNorm(u,v)*MaskArea(u,v)*MaskBright(u,v);
步骤(9)、提取步骤(8)得到的光斑有效置信图confidence中的连通域;所有连通域构成光斑集合S1;
步骤(10)、选取步骤(9)得到的光斑集合S1中任一未判断过的光斑,计算光斑的圆度,具体计算方法为:
degree=area/(πr2)
其中,area为光斑的面积;r为光斑最小外接圆的半径;π为圆周率;
步骤(11)、根据步骤(10)的结果,判断光斑圆度是否满足条件,具体为:
对于像素(u,v),满足条件指光斑圆度degree(u,v)大于等于圆度阈值;
步骤(12)、基于灰度分布定位光斑中心的方法,提取步骤(10)中选取的光斑中心的整像素坐标(ub,vb);
步骤(13)、根据步骤(1)采集的图像I1、I4和步骤(12)得到的光斑中心,判断中心像素灰度是否满足条件,具体为:
对于像素(u,v),满足条件指I1(u,v)<Tdark且I4(u,v)<Tdark且DeltaDark(u,v)<Tdelta_dark,其中,Tdark为靶灯关闭时靶灯区域灰度最大值;Tdelta_dark为靶灯关闭时靶灯区域灰度最大变化量;
步骤(14)、重复步骤(10)至步骤(13),直至判断完光斑集合S1中所有光斑;将满足步骤(10)至步骤(13)中所有条件的光斑构成光斑集合S2:{B1(u1,v1),B2(u2,v2),……,Bn(un,vn)};
步骤(15)、根据步骤(14)得到的结果和步骤(12)得到的中心坐标,计算每个光斑的区域置信度,具体为:
对于光斑Bk(uk,vk),所述区域置信度的计算方法为:
ConfidenceAreak=Confidence(uk,vk)-2*MAX({DeltaDark(i,j)|(i,j)∈C(uk,vk)})
其中,C(uk,vk)表示横坐标距离uk不超过3个像素且纵坐标距离vk不超过3个像素的所有点的集合;
步骤(16)、根据步骤(15)得到的区域置信度,选取步骤(14)得到的光斑集合S2中区域置信度相似的光斑构成光斑集合S3,即为最终靶点光斑;具体为:
对于光斑Bk,其区域置信度ConfidenceAreak相似的满足条件表示为:MAX(ConfidencArea1,ConfidencArea1,...,ConfidencArean)-ConfidencAreak≤Tconfidence其中,Tconfidence为不同靶灯光斑区域置信度的最大偏差。
本发明方法按照特定的规律控制靶灯亮灭,构造的灰度变化特征既包含了靶灯亮暗两种状态的灰度差异,用于区分静态发光物体;又包含了靶灯电流一定时灰度不变的信息,用于区分移动发光物体以及其他亮度不断变化的物体。同时该特征受靶灯类型、距离、角度和图像质量等因素的影响较小,是一种稳定且明显的特征。在实际应用中,根据靶灯在场景中圆度、面积、灰度等特征的变化情况,选取一个或多个作为辅助识别特征,即可快速精确的识别出靶灯光斑。该方法较其他方法可以在复杂多变环境下实现准确识别靶点;方法简单,不需要靶灯分布等复杂先验知识,不要求高质量光斑图像;拓展性强,适用于多种设备、多种场景下的靶灯识别。
本发明设计合理,具有很好的实际应用价值。
附图说明
图1表示本发明中的方法流程图。
具体实施方式
下面结合附图对本发明的具体实施例进行详细说明。
一种可在复杂背景下抗干扰能力强的红外靶灯识别方法,包括控制靶灯亮灭状态采集灭-亮-亮-灭连续变化的4种状态下对应的图像;计算光斑灰度变化显著性,得到灰度变化显著性置信图;根据显著性置信图提取光斑区域;滤除面积、圆度和灰度不符合要求的光斑区域;计算光斑的区域置信度;选取区域置信度相似的光斑作为靶灯光斑。具体包括如下步骤。
步骤(1)、采集连续4帧图像。4帧图像依次为:第1帧,关闭靶灯,采集一张图像I1;第2、3帧,点亮靶灯,连续采集两张图像I2、I3;第4帧,关闭靶灯,采集图像I4。
步骤(2)、根据步骤(1)采集的图像I1、I4,计算关灯状态下光斑灰度变化,具体为:
对于像素(u,v),其灰度变化DeltaDark(u,v)表示为:
DeltaDark(u,v)=|I1(u,v)-I4(u,v)|。
步骤(3)、根据步骤(1)采集的图像I1、I2、I3、I4和步骤(2)的结果,计算每个像素的灰度变化显著性,得到灰度变化显著性置信图,具体为:
对于像素(u,v),其灰度变化显著性置信图ConfGray(u,v)表示为:ConfGray(u,v)=I2(u,v)+I3(u,v)-I1(u,v)-I4(u,v)-DeltaDark(u,v)-|I2(u,v)-I3(u,v))|。
步骤(4)、对步骤(3)得到的灰度变化显著性置信图ConfGray进行预处理,具体为:
对于像素(u,v),所述预处理方法为:
其中,MAX(·)为求最大值的函数;Tgray为灰度变化显著性最小变化幅度,通常为100。
步骤(5)、采用图像二值化的方法,对步骤(1)采集的图像I3进行二值化处理,得到光斑前景掩码MaskFront。二值化阈值通常为80。
步骤(6)、根据步骤(5)得到的光斑前景掩码MaskFront,计算光斑面积掩码MaskArea,具体为:
将光斑前景掩码MaskFront中光斑面积大于阈值的视为伪光斑,置为0;其余光斑前景区域置为1。具体表示为:
其中,regionk、areak分别表示前景掩码MaskFront中第k个连通域及其面积,连通域计算方法为成熟技术;Tarea为光斑最大面积,通常为200。
步骤(7)、根据步骤(1)采集的图像I2、I3,计算光斑光亮掩码MaskBright,具体计算方法为:
其中,Tbright为光斑最低灰度值,通常为200。
步骤(8)、根据步骤(6)和步骤(7)得到的光斑掩码MaskArea、MaskBright和步骤(4)的结果,得到光斑有效置信图,具体计算方法为:
Confidence(u,v)=ConfNorm(u,v)*MaskArea(u,v)*MaskBright(u,v)。
步骤(9)、提取步骤(8)得到的光斑有效置信图confidence中的连通域。所有连通域构成光斑集合S1。
步骤(10)、选取步骤(9)得到的光斑集合S1中任一未判断过的光斑,计算光斑的圆度,具体计算方法为:
degree=area/(πr2)
其中,area为光斑的面积;r为光斑最小外接圆的半径;π为圆周率;最小外接圆的计算方法为成熟技术。
步骤(11)、根据步骤(10)的结果,判断光斑圆度是否满足条件,具体为:
对于像素(u,v),满足条件指光斑圆度degree(u,v)大于等于圆度阈值,通常为0.3。
步骤(12)、基于灰度分布定位光斑中心的方法(根据文献<冯新星,张丽艳,叶南等.二维高斯分布光斑中心快速提取算法研究[J].光学学报,2012,32(5):0512002>记载),提取步骤(10)中选取的光斑中心的整像素坐标(ub,vb);光斑定位的窗口半径通常为5。
步骤(13)、根据步骤(1)采集的图像I1、I4和步骤(12)得到的光斑中心,判断中心像素灰度是否满足条件,具体为:
对于像素(u,v),满足条件指I1(u,v)<Tdark且I4(u,v)<Tdark且DeltaDark(u,v)<Tdelta_dark,其中Tdark为靶灯关闭时靶灯区域灰度最大值,通常为150;Tdelta_dark为靶灯关闭时靶灯区域灰度最大变化量,通常为15。
步骤(14)、重复步骤(10)至步骤(13),直至判断完光斑集合S1中所有光斑。将满足步骤(10)至步骤(13)中所有条件的光斑构成光斑集合S2:{B1(u1,v1),B2(u2,v2),……,Bn(un,vn)}。
步骤(15)、根据步骤(14)得到的结果和步骤(12)得到的中心坐标,计算每个光斑的区域置信度,具体为:
对于光斑Bk(uk,vk),所述区域置信度的计算方法为:
ConfidenceAreak=Confidence(uk,vk)-2*MAX({DeltaDark(i,j)|(i,j)∈C(uk,vk)})
其中,C(uk,vk)表示横坐标距离uk不超过3个像素且纵坐标距离vk不超过3个像素的所有点的集合。
步骤(16)、根据步骤(15)得到的区域置信度,选取步骤(14)得到的光斑集合S2中区域置信度相似的光斑构成光斑集合S3,即为最终靶点光斑。具体为:
对于光斑Bk,其区域置信度ConfidenceAreak相似的满足条件表示为:MAX(ConfidencArea1,ConfidencArea1,...,ConfidencArean)-ConfidencAreak≤Tconfidence
其中,Tconfidence为不同靶灯光斑区域置信度的最大偏差,通常为50。
本发明方法实现了在复杂红外背景条件下识别靶灯,不依赖靶灯分布等复杂先验知识,计算简单,准确率高,拓展性强。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照本发明实施例进行了详细说明,本领域的普通技术人员应当理解,本发明方法的保护范围不局限应用于红外靶灯识别,基于本方法的原理发明的可控光源的识别方法,无论是等同变换或改进,都不脱离本发明的技术方案的精神和范围,其均应涵盖本发明的权利要求保护范围中。
Claims (1)
1.一种复杂背景下的静态红外靶灯识别方法,其特征在于:包括如下步骤:
步骤(1)、采集连续4帧图像
4帧图像依次为:第1帧,关闭靶灯,采集一张图像I1;第2、3帧,点亮靶灯,连续采集两张图像I2、I3;第4帧,关闭靶灯,采集图像I4;
步骤(2)、根据步骤(1)采集的图像I1、I4,计算关灯状态下光斑灰度变化,具体为:
对于像素(u,v),其灰度变化DeltaDark(u,v)表示为:
DeltaDark(u,v)=|I1(u,v)-I4(u,v)|;
步骤(3)、根据步骤(1)采集的图像I1、I2、I3、I4和步骤(2)的结果,计算每个像素的灰度变化显著性,得到灰度变化显著性置信图,具体为:
对于像素(u,v),其灰度变化显著性置信图ConfGray(u,v)表示为:
ConfGray(u,v)=I2(u,v)+I3(u,v)-I1(u,v)-I4(u,v)-DeltaDark(u,v)-|I2(u,v)-I3(u,v))|;
步骤(4)、对步骤(3)得到的灰度变化显著性置信图ConfGray进行预处理,具体为:
对于像素(u,v),所述预处理方法为:
其中,MAX(·)为求最大值的函数;Tgray为灰度变化显著性最小变化幅度;
步骤(5)、采用图像二值化的方法,对步骤(1)采集的图像I3进行二值化处理,得到光斑前景掩码MaskFront;
步骤(6)、根据步骤(5)得到的光斑前景掩码MaskFront,计算光斑面积掩码MaskArea,具体为:
将光斑前景掩码MaskFront中光斑面积大于阈值的视为伪光斑,置为0;其余光斑前景区域置为1;具体表示为:
其中,regionk、areak分别表示前景掩码MaskFront中第k个连通域及其面积;Tarea为光斑最大面积;
步骤(7)、根据步骤(1)采集的图像I2、I3,计算光斑光亮掩码MaskBright,具体计算方法为:
其中,Tbright为光斑最低灰度值;
步骤(8)、根据步骤(6)和步骤(7)得到的光斑掩码MaskArea、MaskBright和步骤(4)的结果,得到光斑有效置信图,具体计算方法为:
Confidence(u,v)=ConfNorm(u,v)*MaskArea(u,v)*MaskBright(u,v);
步骤(9)、提取步骤(8)得到的光斑有效置信图confidence中的连通域;所有连通域构成光斑集合S1;
步骤(10)、选取步骤(9)得到的光斑集合S1中任一未判断过的光斑,计算光斑的圆度,具体计算方法为:
degree=area/(πr2)
其中,area为光斑的面积;r为光斑最小外接圆的半径;π为圆周率;
步骤(11)、根据步骤(10)的结果,判断光斑圆度是否满足条件,具体为:
对于像素(u,v),满足条件指光斑圆度degree(u,v)大于等于圆度阈值;
步骤(12)、基于灰度分布定位光斑中心的方法,提取步骤(10)中选取的光斑中心的整像素坐标(ub,vb);
步骤(13)、根据步骤(1)采集的图像I1、I4和步骤(12)得到的光斑中心,判断中心像素灰度是否满足条件,具体为:
对于像素(u,v),满足条件指I1(u,v)<Tdark且I4(u,v)<Tdark且DeltaDark(u,v)<Tdelta_dark,其中,Tdark为靶灯关闭时靶灯区域灰度最大值;Tdelta_dark为靶灯关闭时靶灯区域灰度最大变化量;
步骤(14)、重复步骤(10)至步骤(13),直至判断完光斑集合S1中所有光斑;将满足步骤(10)至步骤(13)中所有条件的光斑构成光斑集合S2:{B1(u1,v1),B2(u2,v2),…… ,Bn(un,vn)};
步骤(15)、根据步骤(14)得到的结果和步骤(12)得到的中心坐标,计算每个光斑的区域置信度,具体为:
对于光斑Bk(uk,vk),所述区域置信度的计算方法为:
ConfidenceAreak=Confidence(uk,vk)-2*MAX({DeltaDark(i,j)|(i,j)∈C(uk,vk)})
其中,C(uk,vk)表示横坐标距离uk不超过3个像素且纵坐标距离uk不超过3个像素的所有点的集合;
步骤(16)、根据步骤(15)得到的区域置信度,选取步骤(14)得到的光斑集合S2中区域置信度相似的光斑构成光斑集合S3,即为最终靶点光斑;具体为:
对于光斑Bk,其区域置信度ConfidenceAreak相似的满足条件表示为:
MAX(ConfidenceArea1,ConfidenceArea2,...,ConfidenceArean)-ConfidenceAreak≤Tconfidence
其中,Tconfidence为不同靶灯光斑区域置信度的最大偏差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110250367.9A CN112883986B (zh) | 2021-03-08 | 2021-03-08 | 一种复杂背景下的静态红外靶灯识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110250367.9A CN112883986B (zh) | 2021-03-08 | 2021-03-08 | 一种复杂背景下的静态红外靶灯识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883986A CN112883986A (zh) | 2021-06-01 |
CN112883986B true CN112883986B (zh) | 2022-06-28 |
Family
ID=76055681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110250367.9A Active CN112883986B (zh) | 2021-03-08 | 2021-03-08 | 一种复杂背景下的静态红外靶灯识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883986B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114040538B (zh) * | 2021-12-06 | 2023-11-21 | 山西支点科技有限公司 | 一种基于梯度下降的多路led靶灯自适应亮度调节方法 |
CN114565680B (zh) * | 2022-02-22 | 2024-05-14 | 山西支点科技有限公司 | 一种基于空间位置评价和贪心策略的多视图靶点标定方法 |
CN114611407B (zh) * | 2022-03-22 | 2024-05-14 | 山西支点科技有限公司 | 一种基于遗传算法的红外立体靶灯最优布局方法 |
CN114926546B (zh) * | 2022-05-31 | 2024-05-10 | 山西支点科技有限公司 | 一种将夹具机械坐标系与靶灯坐标系高精度标定的方法 |
CN115147733B (zh) * | 2022-09-05 | 2022-11-25 | 山东东盛澜渔业有限公司 | 一种基于人工智能的海洋垃圾识别回收方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4709274A (en) * | 1983-08-29 | 1987-11-24 | Canon Kabushiki Kaisha | Image processing apparatus |
US6693708B1 (en) * | 1999-09-07 | 2004-02-17 | Applied Materials, Inc. | Method and apparatus for substrate surface inspection using spectral profiling techniques |
CN109631787A (zh) * | 2018-12-27 | 2019-04-16 | 长安大学 | 透射式靶标图像的光斑中心检测方法及桥梁挠度图像式检测装置 |
CN109752855A (zh) * | 2017-11-08 | 2019-05-14 | 九阳股份有限公司 | 一种光斑发射装置和检测几何光斑的方法 |
CN111462225A (zh) * | 2020-03-31 | 2020-07-28 | 电子科技大学 | 一种红外光斑图像的质心识别定位方法 |
-
2021
- 2021-03-08 CN CN202110250367.9A patent/CN112883986B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4709274A (en) * | 1983-08-29 | 1987-11-24 | Canon Kabushiki Kaisha | Image processing apparatus |
US6693708B1 (en) * | 1999-09-07 | 2004-02-17 | Applied Materials, Inc. | Method and apparatus for substrate surface inspection using spectral profiling techniques |
CN109752855A (zh) * | 2017-11-08 | 2019-05-14 | 九阳股份有限公司 | 一种光斑发射装置和检测几何光斑的方法 |
CN109631787A (zh) * | 2018-12-27 | 2019-04-16 | 长安大学 | 透射式靶标图像的光斑中心检测方法及桥梁挠度图像式检测装置 |
CN111462225A (zh) * | 2020-03-31 | 2020-07-28 | 电子科技大学 | 一种红外光斑图像的质心识别定位方法 |
Non-Patent Citations (2)
Title |
---|
Tracking small targets in infrared image sequences under complex environmental condition;Xiao Sa等;《Infrared Physics Technology》;20200131;全文 * |
无衍射激光光斑图像定中算法的研究;张秀峰等;《光电子技术》;20110930;第149-152页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112883986A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883986B (zh) | 一种复杂背景下的静态红外靶灯识别方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN111046880A (zh) | 一种红外目标图像分割方法、系统、电子设备及存储介质 | |
CN109668904A (zh) | 一种光学零件疵病检测装置及方法 | |
CN109242032B (zh) | 一种基于深度学习的目标检测方法 | |
CN113034452A (zh) | 一种焊件轮廓检测方法 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN111474179A (zh) | 镜片表面清洁度检测装置及方法 | |
CN111161222A (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN109544535B (zh) | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统 | |
CN111667470A (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN111931620A (zh) | 仪表盘定位识别方法、装置、电子设备及存储介质 | |
CN113409267A (zh) | 一种基于深度学习的路面裂缝检测与分割方法 | |
Rani et al. | Edge detection in scanning electron microscope (SEM) images using various algorithms | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN110705553B (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
CN115100104A (zh) | 玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN111915634A (zh) | 一种基于融合策略的目标物体边缘检测方法与系统 | |
CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
Stević et al. | Vision-based extrapolation of road lane lines in controlled conditions | |
CN111753572A (zh) | 一种基于深度学习的复杂背景低质量二维条码检测方法 | |
Rekik et al. | Review of satellite image segmentation for an optimal fusion system based on the edge and region approaches | |
CN116883498A (zh) | 基于灰度质心提取算法的视觉合作靶标特征点定位方法 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 |
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 |