CN112907714B - 一种基于Census变换和灰度绝对差的混合匹配双目视觉系统 - Google Patents
一种基于Census变换和灰度绝对差的混合匹配双目视觉系统 Download PDFInfo
- Publication number
- CN112907714B CN112907714B CN202110247464.2A CN202110247464A CN112907714B CN 112907714 B CN112907714 B CN 112907714B CN 202110247464 A CN202110247464 A CN 202110247464A CN 112907714 B CN112907714 B CN 112907714B
- Authority
- CN
- China
- Prior art keywords
- image
- census
- binocular
- image data
- matching
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000003702 image correction Methods 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000000844 transformation Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 20
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
发明涉及一种基于Census变换和灰度绝对差的混合匹配双目视觉系统，所述系统包括相互之间电性连接的双目图像数据采集模块、FPGA图像数据处理模块和视差图输出显示模块；所述FPGA图像数据处理模块包括图像矫正、图像预处理、图像变换以及双目匹配过程；利用双目匹配的相似性检测函数记录最小值所对应的像素点，即为最佳匹配点，通过视差图输出显示模块输入显示。本发明的双目视觉系统采用的算法不仅大大减少了计算量，有效排除了光照、噪声等环境因素的影响；而且在基于传统Census变换的基础上，通过判断是否为物体边缘，来进行自适应窗口大小的Census变换，大大增加了匹配的准确性。
Description
技术领域
本发明属于立体视觉技术领域，具体涉及一种基于Census变换和灰度绝对差的混合匹配双目视觉系统。
背景技术
自从1984年世界上第一款FPGA诞生以来，至今还不到40年的时间。但是FPGA技术却取得了飞速发展，因为其在性能、成本、开发时间、稳定性及后期维护等方面的巨大优势，FPGA在很多方面逐渐取代了DSP和ASIC。而且，近年来，随着国家对集成电路事业的大力支持，国产FPGA也取得了很大的进步。本发明中算法处理部分就是基于紫光同创公司的PSD软件和PGL22G开发板搭建的。
随着人工智能硬件和工业互联网的不断发展，机器视觉应用异常热门，尤其是在实时立体视觉方面。立体视觉技术在安全性、成本以及可靠性等方面相对于其他三维传感器有很多优势，因而在移动终端、无人机、VR(Virtual Reality)、ADAS(Advanced DriverAssistance system)、机器人导航、人机交互、AR(Augmented Reality)、国防安全以及智能监控等领域有广泛的应用。
目前，对于双目立体视觉来说，主流的算法主要分为全局匹配和局部匹配。全局匹配由于其要求平台要有强大的计算能力而常常无法满足实时性的要求，故在很多应用领域受到很大限制。而传统的局部匹配方法主要有灰度绝对差值(SAD)、灰度平方和(SSD)、归一化互相关(NCC)以及Rank变换等，这些算法运算简单但是匹配精度较差，且容易受到环境光照等因素的影响，不具有普适性。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于Census变换和灰度绝对差的混合匹配双目视觉系统。
本发明的一种基于Census变换和灰度绝对差的混合匹配双目视觉系统，所述系统包括相互之间电性连接的双目图像数据采集模块、FPGA图像数据处理模块和视差图输出显示模块；所述FPGA图像数据处理模块包括图像矫正、图像预处理、图像变换以及双目匹配过程；
所述双目图像数据采集模块为CMOS传感器；所述图像矫正过程使采集到的图像位于同一水平线，然后将矫正后的图像灰度化，完成图像预处理；在再进行图像变换步骤，包括图像边缘检测、自适应窗口大小的Census变换、灰度绝对差计算、相似度匹配函数计算；
所述图像边缘检测利用Sobel算子进行图像边缘检测，计算图像数据的梯度值；
所述自适应窗口大小的Census变换根据Sobel算子计算得到的梯度值，使用状态机对不同范围梯度值的像素点跳转进入不同窗口大小的Census变换，而后得到双目图像对应像素点的汉明距离；
所述灰度值计算指计算同一时刻两幅图像数据对应指定像素点的灰度绝对差值；
所述相似度匹配函数计算指对相同像素点Census变换后得到的汉明距离和灰度绝对差值，分别加权并相加，作为双目匹配的相似性检测函数；
利用双目匹配的相似性检测函数记录最小值所对应的像素点，即为最佳匹配点，通过视差图输出显示模块输入显示。
进一步，本发明的双目视觉系统，所述Sobel算子为改进的Sobel算子：
使得G＝|Gx+Gy|，而
SH＝middle(p1+p2+p3+p4+p5+p6+p7+p8+p9)，
SL＝0.5×middle(p1+p2+p3+p4+p5+p6+p7+p8+p9)，
令SH和SL分别作为高低阈值，进行不同窗口的Census变换。
进一步，本发明的双目视觉系统，所述自适应窗口大小的Census变换对于梯度值大于或等于SH的图像数据，进行7×7窗口的Census变换；对于梯度值大于SL且小于SH的图像数据，进行9×9窗口的Census变换；对于梯度值小于或等于SL的图像数据，进行11×11窗口的Census变换。
进一步，本发明的双目视觉系统，所述自适应窗口大小的Census变换，对于实现n×n窗口大小的Census变换，通过使用n个FIFO实现其目的，其中第1个FIFO的读使能信号为数据图像数据有效信号，第i个FIFO的读使能信号为第i+1个FIFO的写使能信号，第i个FIFO的写使能信号为第i-1个FIFO的读使能信号，且i≠1；使得n个相同列的数据同时读出，最终实现n×n窗口大小的Census变换，再求得对应像素点的汉明距离。
进一步，n可以为7或9或11。
进一步，本发明的双目视觉系统，所述双目图像数据采集模块采集到的图像为左右两幅图像，对于左右两幅图像，以左图像为参考图像，右图像为目标图像，d为视差搜索范围，将目标图像同一帧的Census变换后的数据和灰度数据拼接成为一个N位的数据，存入N×d位的移位寄存器，不断更新移位寄存器中的数据，计算与参考图像的相似度匹配函数，记录最小值所对应的像素点，即为最佳匹配点。
进一步，本发明的双目视觉系统，所述相似度匹配函数计算如下：设定相似度匹配函数为S(x)i＝αHaming(x,x+i)+β|IL(x)-Ir(x+i)|，其中Haming(x,x+i)为左右图像对应像素数据的汉明距离，I(x)为图像的灰度数据，α、β为自定义的系数，可根据不同环境条件下，调整其大小，改变两种变换所占比大小，使得匹配达到最好效果；以相似度匹配函数为条件，在视差搜索范围内，遍历所有像素点，其值最小的即为最佳匹配点。
进一步，本发明的双目视觉系统，所述双目图像数据采集模块为改进的无图像畸变的采集大小为640*480的两个OV5640摄像头；
进一步，本发明的双目视觉系统，所述FPGA图像处理模块包括Census变换和灰度绝对差值两路，Census变换支路分别连接电性FIFO、DDR3和FIFO，实现双目图像的实时缓存。
与现有技术相比，本发明具有以下有益的技术效果：
本发明的双目视觉系统运用Census变换和灰度绝对差值混合匹配算法，不仅大大减少了计算量，有效排除了光照、噪声等环境因素的影响；而且在基于传统Census变换的基础上，通过判断是否为物体边缘，来进行自适应窗口大小的Census变换，大大增加了匹配的准确性；同时，本发明的算法基于紫光同创PGL22G型号FPGA开发板，设计中使用了大量流水线技术提高工作频率，对于分辨率为640×480的实时图像输入，处理速度可以达到60fps，相比传统的PC机上利用Matlab实现该算法处理速度提高了约300～400倍。此外，本发明的双目视觉系统还通过调整其相似度匹配函数中的系数α、β，使得匹配效果达到最好，不仅满足实时性的要求，更使得到的深度图的误匹配率降低20％。
附图说明
图1是实现本发明示意图；
图2是本发明实施例1中7行缓存的硬件实现图；
图3是本发明实施例1的深度图；
图4是本发明实施例2的深度图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明。
实施例1：
在室内光线充足的环境中，本发明的基于Census变换和灰度绝对差的混合匹配双目视觉系统，包括：
采集双目图像数据；为改进的无图像畸变的采集大小为640*480的两个OV5640摄像头；
图像矫正；其特征在于：通过对双目采集到的图像进行标定，得到相关参数，并根据参数进行双目图像的矫正，使两幅图像位于同一水平线；
图像数据的预处理；其特征在于：将矫正的双目图像数据进行灰度化，使RGB空间中的图像数据转换到灰度空间，并取Y通道数据作为后续的图像处理数据；
双目图像变换；特征在于：所述图像变换的具体过程为：
(1)图像边缘检测
利用改进的Sobel算子，
令SH、SL分别作为高低阈值，进行不同窗口的Census变换；
(2)实现自适应窗口大小的Census变换
根据图像边缘检测所求得的梯度值，对于梯度值大于等于SH的图像数据，进行7×7窗口的Census变换；对于梯度值大于SL且小于SH的图像数据，进行9×9窗口的Census变换；对于梯度值小于等于SL的图像数据，进行11×11窗口的Census变换；然后通过Census变换后的图像数据进行异或运算，统计数据中“1”的个数，即可得到两幅图像对应像素点的汉明距离；
如图2所示，对于实现N×N窗口大小的Census变换，通过使用N个深度为640的FIFO实现，前一个FIFO的读使能信号为后一个FIFO的写使能信号，以此来串联N个FIFO，最终实现N个相同列数据的同时读出；然后将N×N-1个数据与每个窗口中心数据进行比较，大于窗口中心数据记为0；小于窗口中心数据记为1，即可得到N×N-1位的Census变换后的图像数据。
(3)计算灰度绝对差
计算同一时刻两幅图像数据对应指定像素点的灰度绝对差值；
(4)计算相似度匹配函数
将对应相同像素点Census变换后得到的汉明距离和灰度绝对差值，分别加权相加，作为双目匹配的相似性检测函数，而且对于不同环境的光照差别，不断调整权值的大小，可有效提高不同环境中的匹配准确性；
双目匹配和视差图输出；具体过程为：
设定相似度匹配函数为S(x)i＝αHaming(x，x+i)+β|IL(x)-Ir(x+i)|，其中Haming(x，x+i)为左右图像对应像素数据的汉明距离，I(x)为图像的灰度数据，α、β为自定义的加权系数，要求α+β＝1，可根据不同环境条件下，调整其大小，改变两种变换所占比大小，使得匹配达到最好效果；以相似度匹配函数为条件，在视差搜索范围内，遍历所有像素点，其值最小的即为最佳匹配点。
在室内环境中，令α＝1，β＝0，即只依靠Census变换得到的汉明距离作为相似度匹配函数。根据Census变换后的图像数据，异或后数据中的1的个数即为指定像素点间的汉明距离，然后求出相同图像位置灰度数据的绝对差值，分别乘以权值，便得到即为相似度匹配函数大小；以左图像为参考图像，右图像为目标图像，以在规定视差搜索范围内，遍历所有像素点求出的相似度匹配函数最小值所对应的即为最佳匹配点；重要的是对于不同的使用环境，通过调节权值大小，可有效增加匹配的准确率。
对于匹配的具体过程如下：设定视差搜索范围为64个像素点，将目标图像Census变换的图像数据和原始图像灰度数据拼接起来，存入一个移位寄存器，将参考图像数据存入FIFO，然后等到第一个目标图像数据在移位寄存器中移动至最低位时，开始读出FIFO中的参考图像数据，同时将读出的参考数据与此时移位寄存器中的目标图像数据中的Census变换后图像数据进行异或运算，对灰度数据进行求差，进而求出相似度匹配函数，可得到视差大小；最后根据视差大小，由公式z＝fB/|x1-x2|(f为相机焦距，B为两个相机光心之间的距离，|x1-x2|为视差大小)，可求出深度图像，如图3所示。
只依靠Census变换的得到的汉明距离作为相似度函数，算法中不再计算灰度绝对差值，设定视差搜索范围为64个像素点，以640×480的图像输入格式，则深度图输出像素时钟为24MHz，处理速度为78fps，计算过程简单、实时性高，但是由于环境噪声等外界因素的干扰，使得误匹配率较高。
实施例2：
本实施例2与实施例1的不同之处仅在于：
调节相似度匹配函数中α、β的值，在室内光线充足的环境条件下，降低Census变换在相似度匹配函数中所占的比例。
设定α＝0.25，β＝0.75，视差搜索范围为48个像素点，以640×480的图像输入格式，则深度图输出像素时钟为24MHz，处理速度为78fps，满足实时性的要求，而且得到的深度图的误匹配率较实施例1中约降低20％，如图4所示。
对比例1：
在PC机上利用Matlab，对每帧分辨率为640×480的图像，进行本发明所述的基于Census变换和灰度绝对差的混合匹配算法，测试环境为Microsoft Windows10，Matlab2018b，Intel Core(i5)@2.3GHz，内存空间为16GB，处理每一帧的理论平均时间大约为6s，处理速度约为0.167fps。
Claims (4)
1.一种基于Census变换和灰度绝对差的混合匹配双目视觉系统，其特征在于：所述系统包括相互之间电性连接的双目图像数据采集模块、FPGA图像数据处理模块和视差图输出显示模块；所述FPGA图像数据处理模块包括图像矫正、图像预处理、图像变换以及双目匹配过程；
所述双目图像数据采集模块为CMOS传感器；所述图像矫正过程使采集到的图像位于同一水平线，然后将矫正后的图像灰度化，完成图像预处理；再进行图像变换步骤，包括图像边缘检测、自适应窗口大小的Census变换、灰度绝对差计算、相似度匹配函数计算；
所述图像边缘检测利用Sobel算子进行图像边缘检测，计算图像数据的梯度值；
所述自适应窗口大小的Census变换根据Sobel算子计算得到的梯度值，使用状态机对不同范围梯度值的像素点跳转进入不同窗口大小的Census变换，而后得到双目图像对应像素点的汉明距离；
所述Sobel算子为改进的Sobel算子：
使得G＝|Gx+Gy|，而
SH＝middle(p1+p2+p3+p4+p5+p6+p7+p8+p9),SL＝0.5×middle(p1+p2+p3+p4+p5+p6+p7+p8+p9)，
令SH和SL分别作为高低阈值，进行不同窗口的Census变换；
所述自适应窗口大小的Census变换，对于实现n×n窗口大小的Census变换，通过使用n个FIFO实现其目的，其中第1个FIFO的读使能信号为数据图像数据有效信号，第i个FIFO的读使能信号为第i+1个FIFO的写使能信号，第i个FIFO的写使能信号为第i-1个FIFO的读使能信号，且i≠1；使得n个相同列的数据同时读出，最终实现n×n窗口大小的Census变换，再求得对应像素点的汉明距离；所述n为7或9或11；
所述灰度值计算为计算同一时刻两幅图像数据对应指定像素点的灰度绝对差值；
所述相似度匹配函数计算：对相同像素点Census变换后得到的汉明距离和灰度绝对差值，分别加权并相加，作为双目匹配的相似性检测函数；
所述双目图像数据采集模块采集到的图像为左右两幅图像，对于左右两幅图像，以左图像为参考图像，右图像为目标图像，d为视差搜索范围，将目标图像同一帧的Census变换后的数据和灰度数据拼接成为一个N位的数据，存入N×d位的移位寄存器，不断更新移位寄存器中的数据，计算与参考图像的相似度匹配函数，记录最小值所对应的像素点，即为最佳匹配点；
所述相似度匹配函数计算如下：设定相似度匹配函数为S(x)i＝αHaming(x,x+i)+β|IL(x)-Ir(x+i)|，其中Haming(x,x+i)为左右图像对应像素数据的汉明距离，I(x)为图像的灰度数据，α、β为自定义的加权系数，要求α+β＝1，可根据不同环境条件下，调整α、β的大小，改变两种变换所占比大小，使得匹配达到最好效果；以相似度匹配函数为条件，在视差搜索范围内，遍历所有像素点，其值最小的即为最佳匹配点；
利用双目匹配的相似性检测函数记录最小值所对应的像素点，即为最佳匹配点，通过视差图输出显示模块输入显示。
2.根据权利要求1所述的双目视觉系统，其特征在于，所述自适应窗口大小的Census变换对于梯度值大于或等于SH的图像数据，进行7×7窗口的Census变换；对于梯度值大于SL且小于SH的图像数据，进行9×9窗口的Census变换；对于梯度值小于或等于SL的图像数据，进行11×11窗口的Census变换。
3.根据权利要求2所述的双目视觉系统，其特征在于，所述双目图像数据采集模块为改进的无图像畸变的采集大小为640*480的两个OV5640摄像头。
4.根据权利要求3所述的双目视觉系统，其特征在于，所述FPGA图像处理模块包括Census变换和灰度绝对差值两路，Census变换支路分别连接电性FIFO、DDR3和FIFO，实现双目图像的实时缓存。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110247464.2A CN112907714B (zh) | 2021-03-05 | 2021-03-05 | 一种基于Census变换和灰度绝对差的混合匹配双目视觉系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110247464.2A CN112907714B (zh) | 2021-03-05 | 2021-03-05 | 一种基于Census变换和灰度绝对差的混合匹配双目视觉系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112907714A CN112907714A (zh) | 2021-06-04 |
| CN112907714B true CN112907714B (zh) | 2023-04-11 |
Family
ID=76107823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110247464.2A Active CN112907714B (zh) | 2021-03-05 | 2021-03-05 | 一种基于Census变换和灰度绝对差的混合匹配双目视觉系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907714B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114760739B (zh) * | 2022-06-15 | 2022-08-26 | 启东盛丽光电科技有限公司 | 一种基于环境信息的智能照明灯具控制系统及方法 |
| CN116563087B (zh) * | 2023-05-12 | 2024-05-14 | 深圳聚源视芯科技有限公司 | 一种梯度计算、缓存装置和节约资源的代价计算方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982334A (zh) * | 2012-11-05 | 2013-03-20 | 北京理工大学 | 基于目标边缘特征与灰度相似性的稀疏视差获取方法 |
| CN110473217A (zh) * | 2019-07-25 | 2019-11-19 | 沈阳工业大学 | 一种基于Census变换的双目立体匹配方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945222A (zh) * | 2017-12-15 | 2018-04-20 | 东南大学 | 一种新型的立体匹配代价计算以及视差后处理方法 |
| CN110223377A (zh) * | 2019-05-28 | 2019-09-10 | 上海工程技术大学 | 一种基于立体视觉系统高精度的三维重建方法 |
| CN110473219A (zh) * | 2019-07-31 | 2019-11-19 | 天津大学 | 基于邻域相关信息的立体匹配方法 |
-
2021
- 2021-03-05 CN CN202110247464.2A patent/CN112907714B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982334A (zh) * | 2012-11-05 | 2013-03-20 | 北京理工大学 | 基于目标边缘特征与灰度相似性的稀疏视差获取方法 |
| CN110473217A (zh) * | 2019-07-25 | 2019-11-19 | 沈阳工业大学 | 一种基于Census变换的双目立体匹配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112907714A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110322500B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
| CN111354042B (zh) | 机器人视觉图像的特征提取方法、装置、机器人及介质 | |
| CN109697728B (zh) | 数据处理方法、装置、系统和存储介质 | |
| CN110070598B (zh) | 用于3d扫描重建的移动终端及其进行3d扫描重建方法 | |
| CN112907714B (zh) | 一种基于Census变换和灰度绝对差的混合匹配双目视觉系统 | |
| CN108381549B (zh) | 一种双目视觉引导机器人快速抓取方法、装置及存储介质 | |
| CN109544628B (zh) | 一种指针式仪表的准确读数识别系统及方法 | |
| CN112435193B (zh) | 一种点云数据去噪的方法、装置、存储介质和电子设备 | |
| CN110349212B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
| CN110910456B (zh) | 基于Harris角点互信息匹配的立体相机动态标定方法 | |
| CN103020988A (zh) | 一种激光散斑图像的运动向量生成方法 | |
| CN113361365B (zh) | 定位方法和装置、设备及存储介质 | |
| CN116129037B (zh) | 视触觉传感器及其三维重建方法、系统、设备及存储介质 | |
| CN113269689B (zh) | 一种基于法向量和高斯权重约束的深度图像补全方法及系统 | |
| CN112652020B (zh) | 一种基于AdaLAM算法的视觉SLAM方法 | |
| CN111105452A (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
| CN115714855A (zh) | 一种基于立体视觉与tof融合的三维视觉感知方法及系统 | |
| CN114943772A (zh) | 一种增强现实视觉显示器中的相机标定方法、系统及应用 | |
| CN112767480A (zh) | 一种基于深度学习的单目视觉slam定位方法 | |
| CN111415305A (zh) | 恢复三维场景的方法、计算机可读存储介质及无人机 | |
| CN114757985A (zh) | 基于zynq改进算法的双目深度感知装置及图像处理方法 | |
| CN115410014A (zh) | 一种鱼眼图像的自监督特征点匹配方法及其存储介质 | |
| CN115239559A (zh) | 一种融合视图合成的深度图超分辨率方法及系统 | |
| CN109089100B (zh) | 一种双目立体视频的合成方法 | |
| CN111637837B (zh) | 一种单目摄像头测量物体尺寸及距离的方法和系统 |
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 |