CN112967319A - 一种基于特征点识别的块体运动实时检测方法 - Google Patents

一种基于特征点识别的块体运动实时检测方法 Download PDF

Info

Publication number
CN112967319A
CN112967319A CN202110352363.1A CN202110352363A CN112967319A CN 112967319 A CN112967319 A CN 112967319A CN 202110352363 A CN202110352363 A CN 202110352363A CN 112967319 A CN112967319 A CN 112967319A
Authority
CN
China
Prior art keywords
feature point
block
point
pixel
detection method
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
Application number
CN202110352363.1A
Other languages
English (en)
Inventor
陈松贵
陈汉宝
张华庆
高林春
赵旭
胡传琦
彭程
王依娜
马隽
谭忠华
栾英妮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Research Institute for Water Transport Engineering MOT
Original Assignee
Tianjin Research Institute for Water Transport Engineering MOT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Research Institute for Water Transport Engineering MOT filed Critical Tianjin Research Institute for Water Transport Engineering MOT
Priority to CN202110352363.1A priority Critical patent/CN112967319A/zh
Publication of CN112967319A publication Critical patent/CN112967319A/zh
Priority to LU502661A priority patent/LU502661B1/en
Priority to PCT/CN2022/074244 priority patent/WO2022206161A1/zh
Priority to US17/892,232 priority patent/US20220414901A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T7/20—Analysis of motion
    • G06T7/223—Analysis of motion using block-matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于特征点识别的块体运动实时检测方法，包括以下步骤：S1：对摄像机进行标定；S2：通过摄像机拍摄防波堤表面块体的数字图像，将数字图像发送到基于现场可编程逻辑门阵列的数字信号处理系统；S3：数字信号处理系统对图像中的块体进行特征点检测；S4：特征点检测完成后进行坐标转换；S5：比较试验前后块体的特征点位置的变化，对试验前后的两张图像的坐标作差得到特征点变化值，从而得到块体的位移量；S6：将位移计算结果显示在数据处理器上。本发明所述的一种基于特征点识别的块体运动实时检测方法解决了现有检测方法无法对块体的运动和位移只能进行定性地分析，实现定量的测量和实时测量的问题。

Description

一种基于特征点识别的块体运动实时检测方法
技术领域
本发明属于海洋工程领域，尤其是涉及一种基于特征点识别的块体运动实时检测方法。
背景技术
防波堤的破坏通常用护面块体的移动、断裂等条件来衡量的，因此，对实验室块体运动检测装置的研究是十分有必要的。常用的块体运动检测方法有目视检查、特写摄影以及从固定位置摄影测量等。目视检查对于检查特定的损坏是有用的，每段防波堤的破碎块体的数量和移动块体的数量可以进行目视检查，但这种方法耗时，不适合检测整个防波堤；特写摄影只是记录视觉检测结果，对于检查局部损伤的详细状况是有用的；从固定位置进行摄影测量，以制作覆盖防波堤整个水面状况的重叠照片，是防波堤检测中最有用和最具成本效益的方法；通过试验前后采集到的图像来分析防波堤的状态是一个可行的方法，然而，对图像中目标的检测和提取对计算要求很高，因此不能用于计算能力有限的系统。但上述方法均未对块体的运动和位移只能进行定性地分析，均未实现定量的测量和实时测量。
发明内容
有鉴于此，本发明提出一种基于特征点识别的块体运动实时检测方法以解决现有检测方法无法对块体的运动和位移只能进行定性地分析，实现定量的测量和实时测量的问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于特征点识别的块体运动实时检测方法，包括以下步骤：
S1：对摄像机进行标定；
S2：通过摄像机拍摄防波堤表面块体的数字图像，将数字图像发送到基于现场可编程逻辑门阵列的数字信号处理系统；
S3：数字信号处理系统对图像中的块体进行特征点检测；
S4：特征点检测完成后进行坐标转换；
S5：比较试验前后块体的特征点位置的变化，对试验前后的两张图像的坐标作差得到特征点变化值，从而得到块体的位移量；
S6：将位移计算结果显示在数据处理器上。
进一步的，步骤S3所述的特征点检测包括以下步骤：
S31：使用Hessian矩阵生成数字图像的边缘点，图像中每个边缘点都设置一个Hessian矩阵
S32：利用数字图像构建高斯金字塔；
S33：对Hessian矩阵处理过的每个像素点与其三维邻域内点的大小进行比较，如果该像素点是邻域内像素点的最大值或最小值，则保留下来，作为初步的特征点；
S34：统计特征点邻域内的Harr小波特征；
S35：根据Harr小波特征生成特征点描述子；
S36：通过计算两个特征点间的距离判断两个特征点的匹配度，两个特征点的距离越短匹配度越高；
S37：对与每个块体对应的特征点进行筛选，保留匹配度最高的特征点来表示该块体，从而完成特征点的检测。
进一步的，步骤S31利用的使用Hessian矩阵生成数字图像的边缘点方法如下：
Figure BDA0003002486200000031
其中，f(x,y)为图像的像素值；
Hessian矩阵的判别式为：
Figure BDA0003002486200000032
当Hessian矩阵的判别式取得局部极大值时，可判定当前点是比周围邻域内其它点更亮或更暗的点，则该点为特征点的位置。
进一步的，步骤S32利用的构建高斯金字塔，图像的大小不变，只改变高斯模糊模板的尺寸和尺度大小。
进一步的，步骤S34利用的统计像素点邻域内的Harr小波特征的步骤如下：
S341：以特征点为中心，计算邻域内所有点在水平和垂直方向的Haar小波响应总和；
S342：给Haar小波响应值赋高斯权重系数，使得靠近特征点的响应贡献比远离特征点的响应贡献大；
S343：给邻域内Haar小波响应相加以形成新的矢量；
S344：遍历整个区域，选择最长矢量的方向为该特征点的主方向。
进一步的，步骤S35利用的生成特征点描述子是在特征点周围沿着特征点的主方向取4*4的矩形区域块，统计每个子区域像素的水平方向和垂直方向的Harr小波特征，该Haar小波特征包括水平方向值之和、水平方向绝对值之和、垂直方向之和、垂直方向绝对值之和。
进一步的，步骤S4利用的坐标转换方法如下：
建立o0uv像素坐标系，o0为像素坐标系的原点，(u0,v0)为图像平面中心的像素坐标，建立o1xy为物理坐标系，o1为物理坐标系的原点；
Figure BDA0003002486200000041
Figure BDA0003002486200000042
dx为每个像素在u轴方向上的物理尺寸，dy为每个像素在v轴方向上的物理尺寸。
进一步的，步骤S1利用的对摄像机进行标定采用张正友标定法。
相对于现有技术，本发明具有以下有益效果：
本发明提出的一种基于特征点识别的块体运动实时检测装置，采用远程控制的数码摄像机发送灰度像素和基于现场可编程逻辑门阵列的数字信号处理系统中实现的块体运动测量算法对灰度像素进行分析来测量实验室块体的运动。块体运动测量算法构建了高斯金字塔，不同组间图像的尺寸都是一致的，不同的是不同组间使用的盒式滤波器的模板尺寸逐渐增大，同一组不同层图像使用相同尺寸的滤波器，但是滤波器的尺度空间因子逐渐增大，以此来实现尺度不变性；所述块体运动测量算法在生成特征描述子前将图片旋转到主方向上，保证了一个特征点生成描述子用的是同一块图像的信息，实现了旋转不变性，对光照、阴影及焦点丢失时发生的尺度变化有更好的效果。最后，在现场可编程逻辑门阵列中对块体运动测量算法进行了硬件实现，大大降低了系统对计算能力的要求，能够实时计算试验前后图像中块体的位移，响应速度快。此外，本发明所述的实验室块体运动测量装置还具有造价低、安装方便、不易损坏、维修成本低的优点。
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基于特征点识别的块体运动实时检测方法流程示意图；
图2为本发明实施例所述的防波堤示意图。
附图标记说明：
1-数据处理器；2-数字信号处理系统；3-数码摄像机；4-图像采集控制器；5-水面；6-防波堤；7-块体。
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“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
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，一种基于特征点识别的块体7运动实时检测方法，包括以下步骤：
S1：对摄像机进行标定；
S2：通过摄像机拍摄防波堤6表面块体7的数字图像，将数字图像发送到基于现场可编程逻辑门阵列的数字信号处理系统；
S3：数字信号处理系统对图像中的块体7进行特征点检测；
S4：特征点检测完成后进行坐标转换；
S5：比较试验前后块体7的特征点位置的变化，对试验前后的两张图像的坐标作差得到特征点变化值，从而得到块体7的位移量；
S6：将位移计算结果显示在数据处理器上。
数码摄像机设置于水槽上方且垂直于模型护面，所述图像采集控制器直接和数码摄像机相连来控制连续拍摄图像，所述数字信号处理系统将采集的图像进行处理分析，并将分析结果传递给数据处理器。
数字信号处理系统用于对图像进行实时处理，数码摄像机被配置为可以发送灰度像素，该摄像机使用但不限于USB总线与数字信号处理通信，图像采集控制器在不接触摄像机即可远程控制摄像机拍摄连续的图像。
所述现场可编程逻辑门阵列模块包括：视频采集模块、图像存储模块、数据处理模块和图像显示模块。
如图1所示，步骤S3所述的特征点检测包括以下步骤：
S31：使用Hessian矩阵生成数字图像的边缘点，图像中每个边缘点都设置一个Hessian矩阵
S32：利用数字图像构建高斯金字塔；
S33：对Hessian矩阵处理过的每个像素点与其三维邻域内点的大小进行比较，如果该像素点是邻域内像素点的最大值或最小值，则保留下来，作为初步的特征点；
S34：统计特征点邻域内的Harr小波特征；
S35：根据Harr小波特征生成特征点描述子；
S36：通过计算两个特征点间的距离判断两个特征点的匹配度，两个特征点的距离越短匹配度越高；
S37：对与每个块体7对应的特征点进行筛选，保留匹配度最高的特征点来表示该块体7，从而完成特征点的检测。
步骤S31利用的使用Hessian矩阵生成数字图像的边缘点方法如下：
Figure BDA0003002486200000071
其中，f(x,y)为图像的像素值；
Hessian矩阵的判别式为：
Figure BDA0003002486200000081
当Hessian矩阵的判别式取得局部极大值时，可判定当前点是比周围邻域内其它点更亮或更暗的点，则该点为特征点的位置。
步骤S32利用的构建高斯金字塔，图像的大小不变，只改变高斯模糊模板的尺寸和尺度大小。
步骤S34利用的统计像素点邻域内的Harr小波特征的步骤如下：
S341：以特征点为中心，计算邻域内所有点在水平和垂直方向的Haar小波响应总和；
S342：给Haar小波响应值赋高斯权重系数，使得靠近特征点的响应贡献比远离特征点的响应贡献大；
S343：给邻域内Haar小波响应相加以形成新的矢量；
S344：遍历整个区域，选择最长矢量的方向为该特征点的主方向。
步骤S35利用的生成特征点描述子是在特征点周围沿着特征点的主方向取4*4的矩形区域块，统计每个子区域像素的水平方向和垂直方向的Harr小波特征，该Haar小波特征包括水平方向值之和、水平方向绝对值之和、垂直方向之和、垂直方向绝对值之和。
步骤S4利用的坐标转换方法如下：
建立o0uv像素坐标系，o0为像素坐标系的原点，(u0,v0)为图像平面中心的像素坐标，建立o1xy为物理坐标系，o1为物理坐标系的原点；
Figure BDA0003002486200000082
Figure BDA0003002486200000091
dx为每个像素在u轴方向上的物理尺寸，dy为每个像素在v轴方向上的物理尺寸。
进一步的，步骤S1利用的对摄像机进行标定采用张正友标定法。
如图2所示，当水面5完全平静之后使用数码摄像机3在图像采集控制器4的远程控制下分别对试验前后的防波堤6护面进行数字图像的拍摄，然后将灰度像素传输到基于现场可编程逻辑门阵列的数字信号处理系统2，在数字信号处理系统中对图像中的块体7进行特征点检测、坐标转换以及块体7位移的计算，最后将结果显示在数据处理器1上。
本发明所述的一种基于特征点识别的实验室块体运动实时检测装置，采用远程控制的数码摄像机发送灰度像素和基于现场可编程逻辑门阵列的数字信号处理系统中实现的块体运动测量算法对灰度像素进行分析来测量实验室块体的运动。所述的块体运动测量算法构建了高斯金字塔，不同组间图像的尺寸都是一致的，不同的是不同组间使用的盒式滤波器的模板尺寸逐渐增大，同一组不同层图像使用相同尺寸的滤波器，但是滤波器的尺度空间因子逐渐增大，以此来实现尺度不变性；所述块体运动测量算法在生成特征描述子前将图片旋转到主方向上，保证了一个特征点生成描述子用的是同一块图像的信息，实现了旋转不变性，对光照、阴影及焦点丢失时发生的尺度变化有更好的效果。最后，在现场可编程逻辑门阵列中对块体运动测量算法进行了硬件实现，大大降低了系统对计算能力的要求，能够实时计算试验前后图像中块体的位移，响应速度快。此外，本发明所述的实验室块体运动测量装置还具有造价低、安装方便、不易损坏、维修成本低的优点。
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)

1.一种基于特征点识别的块体运动实时检测方法，其特征在于：包括以下步骤：
S1：对摄像机进行标定；
S2：通过摄像机拍摄防波堤表面块体的数字图像，将数字图像发送到基于现场可编程逻辑门阵列的数字信号处理系统；
S3：数字信号处理系统对图像中的块体进行特征点检测；
S4：特征点检测完成后进行坐标转换；
S5：比较试验前后块体的特征点位置的变化，对试验前后的两张图像的坐标作差得到特征点变化值，从而得到块体的位移量；
S6：将位移计算结果显示在数据处理器上。
2.根据权利要求1所述的一种基于特征点识别的块体运动实时检测方法，其特征在于：步骤S3所述的特征点检测包括以下步骤：
S31：使用Hessian矩阵生成数字图像的边缘点，图像中每个边缘点都设置一个Hessian矩阵
S32：利用数字图像构建高斯金字塔；
S33：对Hessian矩阵处理过的每个像素点与其三维邻域内点的大小进行比较，如果该像素点是邻域内像素点的最大值或最小值，则保留下来，作为初步的特征点；
S34：统计特征点邻域内的Harr小波特征；
S35：根据Harr小波特征生成特征点描述子；
S36：通过计算两个特征点间的距离判断两个特征点的匹配度，两个特征点的距离越短匹配度越高；
S37：对与每个块体对应的特征点进行筛选，保留匹配度最高的特征点来表示该块体，从而完成特征点的检测。
3.根据权利要求2所述的一种基于特征点识别的块体运动实时检测方法，其特征在于：步骤S31利用的使用Hessian矩阵生成数字图像的边缘点方法如下：
Figure FDA0003002486190000021
其中，f(x,y)为图像的像素值；
Hessian矩阵的判别式为：
Figure FDA0003002486190000022
当Hessian矩阵的判别式取得局部极大值时，可判定当前点是比周围邻域内其它点更亮或更暗的点，则该点为特征点的位置。
4.根据权利要求2所述的一种基于特征点识别的块体运动实时检测方法，其特征在于：步骤S32利用的构建高斯金字塔，图像的大小不变，只改变高斯模糊模板的尺寸和尺度大小。
5.根据权利要求2所述的一种基于特征点识别的块体运动实时检测方法，其特征在于：步骤S34利用的统计像素点邻域内的Harr小波特征的步骤如下：
S341：以特征点为中心，计算邻域内所有点在水平和垂直方向的Haar小波响应总和；
S342：给Haar小波响应值赋高斯权重系数，使得靠近特征点的响应贡献比远离特征点的响应贡献大；
S343：给邻域内Haar小波响应相加以形成新的矢量；
S344：遍历整个区域，选择最长矢量的方向为该特征点的主方向。
6.根据权利要求2所述的一种基于特征点识别的块体运动实时检测方法，其特征在于：步骤S35利用的生成特征点描述子是在特征点周围沿着特征点的主方向取4*4的矩形区域块，统计每个子区域像素的水平方向和垂直方向的Harr小波特征，该Haar小波特征包括水平方向值之和、水平方向绝对值之和、垂直方向之和、垂直方向绝对值之和。
7.根据权利要求1所述的一种基于特征点识别的块体运动实时检测方法，其特征在于：步骤S4利用的坐标转换方法如下：
建立o0uv像素坐标系，o0为像素坐标系的原点，(u0,v0)为图像平面中心的像素坐标，建立o1xy为物理坐标系，o1为物理坐标系的原点；
Figure FDA0003002486190000031
Figure FDA0003002486190000032
dx为每个像素在u轴方向上的物理尺寸，dy为每个像素在v轴方向上的物理尺寸。
8.根据权利要求1所述的一种基于特征点识别的块体运动实时检测方法，其特征在于：步骤S1利用的对摄像机进行标定采用张正友标定法。
CN202110352363.1A 2021-03-31 2021-03-31 一种基于特征点识别的块体运动实时检测方法 Pending CN112967319A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202110352363.1A CN112967319A (zh) 2021-03-31 2021-03-31 一种基于特征点识别的块体运动实时检测方法
LU502661A LU502661B1 (en) 2021-03-31 2022-01-27 Real-time detection method of block motion based on feature point recognition
PCT/CN2022/074244 WO2022206161A1 (zh) 2021-03-31 2022-01-27 一种基于特征点识别的块体运动实时检测方法
US17/892,232 US20220414901A1 (en) 2021-03-31 2022-08-22 Real-time detection method of block motion based on feature point recognition

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110352363.1A CN112967319A (zh) 2021-03-31 2021-03-31 一种基于特征点识别的块体运动实时检测方法

Publications (1)

Publication Number Publication Date
CN112967319A true CN112967319A (zh) 2021-06-15

Family

ID=76280822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110352363.1A Pending CN112967319A (zh) 2021-03-31 2021-03-31 一种基于特征点识别的块体运动实时检测方法

Country Status (4)

Country Link
US (1) US20220414901A1 (zh)
CN (1) CN112967319A (zh)
LU (1) LU502661B1 (zh)
WO (1) WO2022206161A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205541A (zh) * 2021-05-31 2021-08-03 交通运输部天津水运工程科学研究所 一种基于视觉边缘检测的实验室空间波浪实时测量方法
WO2022206161A1 (zh) * 2021-03-31 2022-10-06 交通运输部天津水运工程科学研究所 一种基于特征点识别的块体运动实时检测方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116634285B (zh) * 2023-04-25 2024-02-02 钛玛科（北京）工业科技有限公司 一种用于原材料检测设备的线阵相机自动白平衡方法
CN117132913B (zh) * 2023-10-26 2024-01-26 山东科技大学 基于无人机遥感与特征识别匹配的地表水平位移计算方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408609A (zh) * 2016-09-13 2017-02-15 江苏大学 一种基于双目视觉的并联机构末端运动位姿检测方法
CN109118544A (zh) * 2018-07-17 2019-01-01 南京理工大学 基于透视变换的合成孔径成像方法
CN110135438A (zh) * 2019-05-09 2019-08-16 哈尔滨工程大学 一种基于梯度幅值预运算的改进surf算法
CN110634137A (zh) * 2019-09-26 2019-12-31 杭州鲁尔物联科技有限公司 一种基于视觉感知的桥梁变形的监测方法、装置及设备
CN111472586A (zh) * 2020-05-27 2020-07-31 交通运输部天津水运工程科学研究所 护面块体的制作系统、制作方法及在试验中的应用
CN112258588A (zh) * 2020-11-13 2021-01-22 江苏科技大学 一种双目相机的标定方法、系统及存储介质
CN112465876A (zh) * 2020-12-11 2021-03-09 河南理工大学 一种立体匹配方法及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105551264A (zh) * 2015-12-25 2016-05-04 中国科学院上海高等研究院 一种基于车牌特征匹配的车速检测方法
CN106295641A (zh) * 2016-08-09 2017-01-04 鞍钢集团矿业有限公司 一种基于影像surf特征的边坡位移自动监测方法
US10255525B1 (en) * 2017-04-25 2019-04-09 Uber Technologies, Inc. FPGA device for image classification
CN112967319A (zh) * 2021-03-31 2021-06-15 交通运输部天津水运工程科学研究所 一种基于特征点识别的块体运动实时检测方法
CN113205541A (zh) * 2021-05-31 2021-08-03 交通运输部天津水运工程科学研究所 一种基于视觉边缘检测的实验室空间波浪实时测量方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408609A (zh) * 2016-09-13 2017-02-15 江苏大学 一种基于双目视觉的并联机构末端运动位姿检测方法
CN109118544A (zh) * 2018-07-17 2019-01-01 南京理工大学 基于透视变换的合成孔径成像方法
CN110135438A (zh) * 2019-05-09 2019-08-16 哈尔滨工程大学 一种基于梯度幅值预运算的改进surf算法
CN110634137A (zh) * 2019-09-26 2019-12-31 杭州鲁尔物联科技有限公司 一种基于视觉感知的桥梁变形的监测方法、装置及设备
CN111472586A (zh) * 2020-05-27 2020-07-31 交通运输部天津水运工程科学研究所 护面块体的制作系统、制作方法及在试验中的应用
CN112258588A (zh) * 2020-11-13 2021-01-22 江苏科技大学 一种双目相机的标定方法、系统及存储介质
CN112465876A (zh) * 2020-12-11 2021-03-09 河南理工大学 一种立体匹配方法及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘 亮 等: "基于图像处理的防波堤结构安全监测技术初探", 《技术与方法》, 31 December 2017 (2017-12-31), pages 1 - 2 *
张三喜: "《弹道特征参数摄像测量》", 31 March 2014, 北京国防工业出版社, pages: 20 - 23 *
敖祖锐: "《星载SAR影像模拟与正射校正》", 西南交通大学出版社, pages: 177 - 179 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022206161A1 (zh) * 2021-03-31 2022-10-06 交通运输部天津水运工程科学研究所 一种基于特征点识别的块体运动实时检测方法
CN113205541A (zh) * 2021-05-31 2021-08-03 交通运输部天津水运工程科学研究所 一种基于视觉边缘检测的实验室空间波浪实时测量方法

Also Published As

Publication number Publication date
WO2022206161A1 (zh) 2022-10-06
US20220414901A1 (en) 2022-12-29
LU502661B1 (en) 2022-12-12

Similar Documents

Publication Publication Date Title
CN112967319A (zh) 一种基于特征点识别的块体运动实时检测方法
CN103994724B (zh) 基于数字图像处理技术的结构二维位移及应变监测方法
CN108009515B (zh) 一种基于fcn的无人机航拍图像的输电线定位识别方法
CN113345019B (zh) 一种输电线路通道隐患目标测距方法、设备及介质
CN113205541A (zh) 一种基于视觉边缘检测的实验室空间波浪实时测量方法
CN113240747B (zh) 一种基于计算机视觉的户外结构振动位移自动化监测方法
CN110889829A (zh) 一种基于鱼眼镜头的单目测距方法
CN115294145B (zh) 一种输电线路弧垂的测量方法及系统
CN112560619B (zh) 一种基于多聚焦图像融合的多距离鸟类精准识别方法
CN112102395B (zh) 一种基于机器视觉的自主巡检的方法
CN112967312B (zh) 一种面向野外刚体目标的实时鲁棒位移监测方法及系统
CN113688817A (zh) 一种自动巡检的仪表识别方法及识别系统
CN108665468B (zh) 一种提取直线塔绝缘子串的装置及方法
KR20180125095A (ko) Ptz 촬상장치 기반 변위 측정 시스템 및 방법
CN113763484A (zh) 基于视频图像分析技术的船舶目标定位及速度估算方法
CN112924037A (zh) 基于图像配准的红外体温检测系统及检测方法
CN117314986A (zh) 基于语义分割的无人机跨模态配电设备巡检图像配准方法
CN112883969A (zh) 一种基于卷积神经网络的降雨强度检测方法
CN116067290B (zh) 一种发动机静力试验的位移测试方法及位移测试系统
CN110068284B (zh) 利用高速摄影测量技术监测塔式起重机的方法
CN108615057B (zh) 一种基于cnn的电缆隧道照明设备的异常识别方法
CN114782852B (zh) 指针式工业仪表的读数方法、读数装置与读数系统
CN115717865A (zh) 环形结构全场变形测量方法
CN111798476B (zh) 一种高压隔离开关导电臂轴线提取方法
CN110619677B (zh) 三维流场内粒子重构方法及装置、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210615