CN113658153B - 一种轮廓数据特征点检测方法及装置 - Google Patents

一种轮廓数据特征点检测方法及装置 Download PDF

Info

Publication number
CN113658153B
CN113658153B CN202110973116.3A CN202110973116A CN113658153B CN 113658153 B CN113658153 B CN 113658153B CN 202110973116 A CN202110973116 A CN 202110973116A CN 113658153 B CN113658153 B CN 113658153B
Authority
CN
China
Prior art keywords
points
contour
data feature
point
contour data
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
Application number
CN202110973116.3A
Other languages
English (en)
Other versions
CN113658153A (zh
Inventor
冯开勇
姚毅
杨艺
全煜鸣
金刚
彭斌
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.)
Shenzhen Lingyun Shixun Technology Co ltd
Luster LightTech Co Ltd
Original Assignee
Shenzhen Lingyun Shixun Technology Co ltd
Luster LightTech Co Ltd
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 Shenzhen Lingyun Shixun Technology Co ltd, Luster LightTech Co Ltd filed Critical Shenzhen Lingyun Shixun Technology Co ltd
Priority to CN202110973116.3A priority Critical patent/CN113658153B/zh
Publication of CN113658153A publication Critical patent/CN113658153A/zh
Application granted granted Critical
Publication of CN113658153B publication Critical patent/CN113658153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请示出了一种轮廓数据特征点检测方法及装置，能够遍历所有轮廓数据特征点，得到轮廓数据特征点的峰值点坐标；以峰值点为中心，按照预设的搜索范围向峰值点的左右两侧搜索轮廓数据特征点作为候选边缘点；如果轮廓数据特征点的梯度小于预设的梯度低阈值或大于预设的梯度高阈值，轮廓数据特征点为候选边缘点；根据预设的期望宽度筛选候选边缘点为目标边缘点，根据峰值点和边缘点确定轮廓图像特征。本申请示出的技术方案，能够避免遍历整个图像获取边缘点，提高了轮廓数据特征点检测的效率及准确度。

Description

一种轮廓数据特征点检测方法及装置
技术领域
本发明属于3D视觉图像领域，具体涉及一种轮廓数据特征点检测方法及装置。
背景技术
在3D图像视觉领域，深度图像为三维图像，深度图像中的每个像素点坐标为(x，y，z)；将深度图像拆分成表征为(x，z)的多个二维图像，因此，可以通过多个二维图像的拼接合成近似的表示深度图像。通过检测二维图像的特征信息可以获得深度图像中的特征信息，以降低在点云数据上的测量难度，提高其测量精度，如，目标特征的测量以及缺陷检测等。
现有的轮廓图像检测方法通常通过遍历整个轮廓图像获取峰值点进而根据峰值点采用相应算法计算轮廓图像数据，现有技术并未示出根据峰值点和边缘点获取轮廓图像特征的方法。
现有技术在轮廓图像特征过程中检测效率低，准确度低。
发明内容
基于上述问题，本发明提供了一种轮廓数据特征点检测方法及装置，能够避免遍历整个图像获取边缘点，提高了轮廓数据特征点检测的效率及准确度。
第一方面，本申请示出了一种轮廓数据特征点检测方法，能够遍历所有轮廓数据特征点，得到轮廓数据特征点的峰值点坐标；轮廓数据特征点包括至少一个峰值点；以峰值点为中心，按照预设的搜索范围向峰值点的左右两侧搜索轮廓数据特征点作为候选边缘点；轮廓数据特征点包括至少一对候选边缘点；如果轮廓数据特征点的梯度小于预设的梯度低阈值或大于预设的梯度高阈值，所述轮廓数据特征点为所述候选边缘点；根据预设的期望宽度筛选所述候选边缘点为目标边缘点，所述目标边缘点包括至少一对所述候选边缘点；根据所述峰值点和所述边缘点确定轮廓图像特征。采用本实现方式，能够通过确定峰值点进而确定边缘点，避免遍历整个图像获取边缘点，提高了轮廓数据特征点检测的效率及准确度。
作为一种可行的实施方式，遍历轮廓数据特征点，得到轮廓数据特征点的峰值点坐标，包括：获取深度图像；通过截面生成算法对所述深度图像进行截取生成轮廓图像，其中，所述轮廓图像为二维图像；所述深度图像包括至少一个所述轮廓图像；每个所述轮廓图像包括至少一个轮廓数据特征点。采用本实现方式，能够对深度图像进行处理，将深度图像拆分为多个二维图像便于识别和计算。
作为一种可行的实施方式，遍历轮廓数据特征点，得到轮廓数据特征点的峰值点坐标，包括：将轮廓数据特征点进行滤波处理；滤波处理至少包括以下任意一种算法：高度算法、均值算法、中值算法、高斯算法以及高斯双边算法。采用本实现方式，为了去除干扰噪声进而获得较平滑的轮廓数据。
作为一种可行的实施方式，遍历轮廓数据特征点，得到轮廓数据特征点的峰值点坐标，包括：以每个轮廓数据特征点为中心，获取每个轮廓数据特征点的左侧及右侧中心窗口半宽数据点的均值；获取每个轮廓数据特征点与对应的左侧及右侧中心窗口半宽数据点的均值的高度差；获取所述左侧及右侧中心窗口半宽数据点的均值的高度差中最小值大于距离阈值的至少一个所述轮廓数据特征点作为候选峰值点；将轮廓数据特征点的左侧及右侧中心窗口半宽数据点的均值和最大值对应的候选峰值点作为目标峰值点。采用本实现方式，获取的峰值点不一定为轮廓数据的最大值点，峰值点可能位于轮廓数据的居中位置。具体由于：中心窗口越大，计算均值的数据越多，轮廓数据中最大值点对应的左右均值未必为最大值。
作为一种可行的实施方式，根据预设的期望宽度筛选候选边缘点为目标边缘点，包括：根据边缘点计算公式筛选候选边缘点，边缘点计算公式为：
d＝|W-WThre|/WThre；
其中，候选边缘点包括至少一对左右边缘点；W为至少一对左右边缘点间宽度；WThre为预设的期望宽度；d为边缘点判断值，根据边缘点计算公式得到的最大d值对应的一对左右边缘点为目标边缘点。采用本实现方式，能够根据预设的期望宽度准确的获取目标边缘点。
本申请示出的轮廓数据特征点检测方法，通过滤波处理能够减少干扰特征的检测，获得准确的轮廓点信息，通过本申请示出的峰值点检测方法，可以获得轮廓居中的峰值点信息，进而便于根据峰值点无需遍历整个轮廓数据来检测边缘点，提高轮廓数据特征点的检测效率，通过峰值点与边缘点计算轮廓的特征信息，可以通过判断轮廓数据质量是否合格进而判断深度图像是否合格，来检测目标缺陷。
第二方面，本申请示出一种轮廓数据特征点检测方法，其中，由于第一方面示出的方法中峰值点为凸轮廓的峰值点，因此，将凸轮廓的峰值点可替换成凹轮廓的谷点。
第三方面，本申请示出一种轮廓数据特征点检测装置，包括：处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时，使得装置执行如下程序步骤：遍历所有轮廓数据特征点，得到轮廓数据特征点的峰值点坐标；轮廓数据特征点包括至少一个峰值点；以峰值点为中心，按照预设的搜索范围向峰值点的左右两侧搜索轮廓数据特征点作为候选边缘点；轮廓数据特征点包括至少一对候选边缘点；如果轮廓数据特征点的梯度小于预设的梯度低阈值或大于预设的梯度高阈值，轮廓数据特征点为候选边缘点；根据预设的期望宽度筛选候选边缘点为目标边缘点，目标边缘点包括至少一对候选边缘点；根据峰值点和边缘点确定轮廓图像特征。
本申请示出的轮廓数据特征点检测装置，通过滤波处理能够减少干扰特征的检测，获得准确的轮廓点信息，通过本申请示出的峰值点检测方法，可以获得轮廓居中的峰值点信息，进而便于根据峰值点无需遍历整个轮廓数据来检测边缘点，提高轮廓数据特征点的检测效率，通过峰值点与边缘点计算轮廓的特征信息，可以通过判断轮廓数据质量是否合格进而判断深度图像是否合格，来检测目标缺陷。
附图说明
为了更清楚的说明申请的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，显而易见地，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例示出的轮廓数据特征点检测方法流程示意图；
图2为本申请实施例示出的预处理方法步骤图；
图3为本申请实施例示出的二维图像轮廓示意图；
图4为本申请实施例示出的轮廓数据特征检测方法步骤示意图；
图5为本申请实施例示出的另一种轮廓数据特征检测方法步骤示意图；
图6为本申请实施例示出的一种轮廓数据特征点检测装置；
图7为本申请实施例示出的另一种轮廓数据特征点检测装置。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述。在本申请的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本申请中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本申请的描述中，“多个”是指两个或两个以上。
本申请实施例示出了一种轮廓数据特征点检测方法，可以分为提取轮廓、滤波处理、获取峰值点、获取边缘点，获取轮廓数据特征等五个部分。图1为本申请实施例示出的轮廓数据特征点检测方法流程示意图。
其中，提取轮廓、滤波处理为预处理部分，图2示出了本申请实施例预处理方法步骤图，包括：
S001，获取深度图像；
在3D图像视觉领域，深度图像为三维图像，深度图像中的每个像素点坐标为(x，y，z)；将深度图像拆分成表征为(x，z)的多个二维图像，因此，可以通过多个二维图像的拼接合成近似的表示深度图像。
S002，通过截面生成算法对所述深度图像进行截取生成轮廓图像，其中，轮廓图像为二维图像；深度图像包括至少一个轮廓图像；每个轮廓图像包括至少一个轮廓数据特征点。
本申请实施例通过截面生成算法截取生成二维的轮廓图像，图3为本申请实施例示出的二维轮廓图像示意图，通过检测轮廓图像的特征信息可以获得深度图像中的特征信息，以降低在点云数据上的测量难度，提高其测量精度，如，目标特征的测量以及缺陷检测等。
S003，将轮廓数据特征点进行滤波处理；滤波处理至少包括以下任意一种算法：高度算法、均值算法、中值算法、高斯算法以及高斯双边算法。
其中，均值算法为：把一段时间内的数据累加后求平均值，达到平滑的作用，适用性广泛，元素越多滤波效果越好，时延越高。中值算法为：当传感器采集的数据存在毛刺时，为了提取其中有效的数据，采用中值滤波的算法，只保存数据大小在中间的值。高斯算法为：将每一个数据都取周边数据的平均值。高斯双边算法可以通过卷积处理实现图像模糊的同时减少图像边缘破坏。滤波处理用于去除干扰噪声，通过去除干扰噪声能够获得较平滑的轮廓数据。
图4为本申请实施例中一种轮廓数据特征检测方法步骤示意图，如图4所示，包括：
S101，遍历所有轮廓数据特征点，得到所述轮廓数据特征点的峰值点坐标；所述轮廓数据特征点包括至少一个所述峰值点；
作为一种可行的实施方式，以每个所述轮廓数据特征点为中心，获取每个所述轮廓数据特征点的左侧及右侧中心窗口半宽数据点的均值；
获取每个所述轮廓数据特征点与对应的左侧及右侧中心窗口半宽数据点的均值的高度差；
获取所述左侧及右侧中心窗口半宽数据点的均值的高度差中最小值大于距离阈值的至少一个所述轮廓数据特征点作为候选峰值点；
将所述轮廓数据特征点的左侧及右侧中心窗口半宽数据点的均值和最大值对应的候选峰值点作为目标峰值点。
进一步示例，以如图3所示的二维轮廓数据为例，假设其峰值点高度为1，其左侧中心窗口半宽数据点包括3个轮廓数据特征点，高度分别为：0.5、0.6、0.7；其右侧中心窗口半宽数据点包括3个轮廓数据特征点，高度分别为：0.6、0.5、0.4；则其左侧中心窗口半宽数据点均值为：0.6；其右侧中心窗口半宽数据点均值为：0.5；轮廓数据特征点与左侧中心窗口半宽数据点的均值的高度差为0.4；轮廓数据特征点与右侧中心窗口半宽数据点的均值的高度差为0.5；左侧及右侧中心窗口半宽数据点的均值的高度差中最小值为0.4，假设设置的距离阈值为0.3；由于0.4＞0.3，则该峰值点可作为候选峰值点。假设距离阈值设置为0.6，由于0.4小于0.6，则该轮廓数据特征点不可以作为候选峰值点。其中，距离阈值根据实际经验设置，用于保证峰值点与左右均值的高度差在期望高度内。
作为一种可行的实施方式，遍历所有轮廓数据点，将所有轮廓数据点中的最大值作为峰值点。
作为一种可行的实施方式，获取最大N个值的平均值，将离最大N个值的平均值最近的点作为峰值点，其中，N为正整数。
本申请所述的获取峰值点的方式，包括但不限于以上峰值点的获取方式。
S102，以峰值点为中心，按照预设的搜索范围向所述峰值点的左右两侧搜索所述轮廓数据特征点作为候选边缘点；所述轮廓数据特征点包括至少一对所述候选边缘点；如果所述轮廓数据特征点的梯度小于预设的梯度低阈值或大于预设的梯度高阈值，所述轮廓数据特征点为所述候选边缘点；
设置预设搜索范围用于减少对整个轮廓数据进行搜索，以减少搜索偏差，搜索范围应根据实际轮廓数据大小设定，以图3所示的二维轮廓数据为例，若搜索该二维轮廓数据的左边缘点，则将搜索范围设置在待搜索左边缘点的左侧以及峰值点的左侧；当设定好搜索范围后，在该搜索范围内定位左边缘点。
作为一种可行的实施方式，所述轮廓数据特征点的梯度计算公式为：
其中，Hdiff为轮廓数据特征点梯度，Zpj为当前轮廓数据特征点的高度，Pj表示当前轮廓数据特征点，w为梯度半宽；i＝m～n，i为轮廓数据特征点的位置下标，m～n为边缘点的搜索范围；
需要说明的是，所述梯度低阈值以及所述梯度高阈值是根据轮廓数据的梯度变化设定的。
S103，根据预设的期望宽度筛选所述候选边缘点为目标边缘点，所述目标边缘点包括至少一个所述候选边缘点；
其中，预设的期望宽度为希望输出的边缘点的宽度。
作为一种可行的实施方式，根据边缘点计算公式筛选所述候选边缘点，所述边缘点计算公式为：
d＝|W-WThre|/WThre；
其中，所述候选边缘点包括至少一对左右边缘点；W为所述至少一对左右边缘点间宽度；WThre为所述预设的期望宽度；d为边缘点判断值，根据所述边缘点计算公式得到的最大d值对应的一对左右边缘点为目标边缘点。
S104，根据所述峰值点和所述边缘点确定轮廓图像特征。
轮廓图像特征包括：峰值点、边缘点、图像宽度、图像面积、边缘中心点、图像相对高度、中心偏差。
需要说明的是，图像轮廓不一定为正态分布图形，以图1获取的轮廓数据特征为例，该图形为一不对称波形，其中，轮廓的宽度为左边缘点到右边缘点之间的宽度；根据左边缘点到右边缘点之间的宽度可以获得轮廓的边缘中心点，边缘中心点位于左边缘点到右边缘点之间的1/2位置处，轮廓高度为峰值点到边缘点连线之间的垂直距离；中心偏差为峰值点与边缘中心点之间的水平距离偏差；图像面积为，左边缘点与右边缘点之间的轮廓数据点与左边缘点与右边缘点之间连线所围成的区域面积。
根据上述特征可以获取轮廓图像特征，根据获取到的轮廓图像特征可以判断图像轮廓质量。
作为一种可行的实施方式，峰值点为凸轮廓的峰值点，凸轮廓的峰值点可替换成凹轮廓的谷点。
图5是本申请实施例示出的另一种轮廓数据特征点检测方法步骤示意图，包括：
S501，遍历所有轮廓数据特征点，得到所述轮廓数据特征点的谷点坐标；所述轮廓数据特征点包括至少一个所述谷点；
S502，以所述谷点为中心，按照预设的搜索范围向所述谷点的左右两侧搜索所述轮廓数据特征点作为候选边缘点；所述轮廓数据特征点包括至少一对所述候选边缘点；如果所述轮廓数据特征点的梯度小于预设的梯度低阈值或大于预设的梯度高阈值，所述轮廓数据特征点为所述候选边缘点；
S503，根据预设的期望宽度筛选所述候选边缘点为目标边缘点，所述目标边缘点包括至少一对所述候选边缘点；
S504，根据所述谷点和所述边缘点确定轮廓图像特征。
图6为本申请实施例示出的一种轮廓数据特征点检测装置，包括：处理器601和存储器602，存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时，使得所述装置执行如下程序步骤：
遍历所有轮廓数据特征点，得到所述轮廓数据特征点的峰值点坐标；所述轮廓数据特征点包括至少一个所述峰值点；
以所述峰值点为中心，按照预设的搜索范围向所述峰值点的左右两侧搜索所述轮廓数据特征点作为候选边缘点；所述轮廓数据特征点包括至少一对所述候选边缘点；如果所述轮廓数据特征点的梯度小于预设的梯度低阈值或大于预设的梯度高阈值，所述轮廓数据特征点为所述候选边缘点；
根据预设的期望宽度筛选所述候选边缘点为目标边缘点，所述目标边缘点包括至少一对所述候选边缘点；
根据所述峰值点和所述边缘点确定轮廓图像特征。
作为一种可行的实施方式，当所述计算机程序指令被所述处理器执行时，使得所述装置执行如下程序步骤：
获取深度图像；
通过截面生成算法对所述深度图像进行截取生成轮廓图像，其中，所述轮廓图像为二维图像；所述深度图像包括至少一个所述轮廓图像；每个所述轮廓图像包括至少一个轮廓数据特征点。
作为一种可行的实施方式，当所述计算机程序指令被所述处理器执行时，使得所述装置执行如下程序步骤：
将所述轮廓数据特征点进行滤波处理；所述滤波处理至少包括以下任意一种算法：高度算法、均值算法、中值算法、高斯算法以及高斯双边算法。
作为一种可行的实施方式，当所述计算机程序指令被所述处理器执行时，使得所述装置执行如下程序步骤：
当所述计算机程序指令被所述处理器执行时，使得所述装置执行如下程序步骤：
以每个所述轮廓数据特征点为中心，获取每个所述轮廓数据特征点的左侧及右侧中心窗口半宽数据点的均值；
获取每个所述轮廓数据特征点与对应的左侧及右侧中心窗口半宽数据点的均值的高度差；
获取所述左侧及右侧中心窗口半宽数据点的均值的高度差中最小值大于距离阈值的至少一个所述轮廓数据特征点作为候选峰值点；
将所述轮廓数据特征点的左侧及右侧中心窗口半宽数据点的均值和最大值对应的候选峰值点作为目标峰值点。
作为一种可行的实施方式，当所述计算机程序指令被所述处理器执行时，使得所述装置执行如下程序步骤：
所述根据预设的期望宽度筛选所述候选边缘点为目标边缘点，包括：
根据边缘点计算公式筛选所述候选边缘点，所述边缘点计算公式为：
d＝|W-WThre|/WThre；
其中，候选边缘点包括至少一对左右边缘点；W为至少一对左右边缘点间宽度；WThre为预设的期望宽度；d为边缘点判断值，根据边缘点计算公式得到的最大d值对应的一对左右边缘点为目标边缘点。
图7为本申请实施例示出的一种轮廓数据特征点检测装置，所述装置包括：处理器701和存储器702，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时，使得所述装置执行如下程序步骤：
遍历所有轮廓数据特征点，得到所述轮廓数据特征点的谷点坐标；所述轮廓数据特征点包括至少一个所述谷点；
以所述谷点为中心，按照预设的搜索范围向所述谷点的左右两侧搜索所述轮廓数据特征点作为候选边缘点；所述轮廓数据特征点包括至少一对所述候选边缘点；如果所述轮廓数据特征点的梯度小于预设的梯度低阈值或大于预设的梯度高阈值，所述轮廓数据特征点为所述候选边缘点；
根据预设的期望宽度筛选所述候选边缘点为目标边缘点，所述目标边缘点包括至少一对所述候选边缘点；
根据所述谷点和所述边缘点确定轮廓图像特征。
以上结合具体实施例和范例性示例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内，本申请的保护范围以所附权利要求为准。

Claims (10)

1.一种轮廓数据特征点检测方法，其特征在于，所述方法包括：
遍历所有轮廓数据特征点，得到所述轮廓数据特征点的峰值点坐标；所述轮廓数据特征点包括至少一个所述峰值点；
以所述峰值点为中心，按照预设的搜索范围向所述峰值点的左右两侧搜索所述轮廓数据特征点作为候选边缘点；所述轮廓数据特征点包括至少一对所述候选边缘点；如果所述轮廓数据特征点的梯度小于预设的梯度低阈值或大于预设的梯度高阈值，所述轮廓数据特征点为所述候选边缘点；
根据预设的期望宽度筛选所述候选边缘点为目标边缘点，所述目标边缘点包括至少一对所述候选边缘点；
根据所述峰值点和所述边缘点确定轮廓图像特征。
2.根据权利要求1所述的轮廓数据特征点检测方法，其特征在于，所述遍历轮廓数据特征点，得到所述轮廓数据特征点的峰值点坐标，包括：
获取深度图像；
通过截面生成算法对所述深度图像进行截取生成轮廓图像，其中，所述轮廓图像为二维图像；所述深度图像包括至少一个所述轮廓图像；每个所述轮廓图像包括至少一个轮廓数据特征点。
3.根据权利要求1或2所述的轮廓数据特征点检测方法，其特征在于，所述遍历轮廓数据特征点，得到所述轮廓数据特征点的峰值点坐标，包括：
将所述轮廓数据特征点进行滤波处理；所述滤波处理至少包括以下任意一种算法：高度算法、均值算法、中值算法、高斯算法以及高斯双边算法。
4.根据权利要求3所述的轮廓数据特征点检测方法，其特征在于，所述遍历轮廓数据特征点，得到所述轮廓数据特征点的峰值点坐标，包括：
以每个所述轮廓数据特征点为中心，获取每个所述轮廓数据特征点的左侧及右侧中心窗口半宽数据点的均值；
获取每个所述轮廓数据特征点与对应的左侧及右侧中心窗口半宽数据点的均值的高度差；
获取所述左侧及右侧中心窗口半宽数据点的均值的高度差中最小值大于距离阈值的至少一个所述轮廓数据特征点作为候选峰值点；
将所述轮廓数据特征点的左侧及右侧中心窗口半宽数据点的均值和最大值对应的候选峰值点作为目标峰值点。
5.根据权利要求4所述的轮廓数据特征点检测方法，其特征在于，所述根据预设的期望宽度筛选所述候选边缘点为目标边缘点，包括：
根据边缘点计算公式筛选所述候选边缘点，所述边缘点计算公式为：
d＝|W-WThre|/WThre；
其中，所述候选边缘点包括至少一对左右边缘点；W为所述至少一对左右边缘点间宽度；WThre为所述预设的期望宽度；d为边缘点判断值，根据所述边缘点计算公式得到的最大d值对应的一对左右边缘点为目标边缘点。
6.根据权利要求1所述的轮廓数据特征点检测方法，其特征在于，所述方法中峰值点为凸轮廓的峰值点，所述凸轮廓的峰值点可替换成凹轮廓的谷点。
7.一种轮廓数据特征点检测装置，其特征在于，所述装置包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时，使得所述装置执行如下程序步骤：
遍历所有轮廓数据特征点，得到所述轮廓数据特征点的峰值点坐标；所述轮廓数据特征点包括至少一个所述峰值点；
以所述峰值点为中心，按照预设的搜索范围向所述峰值点的左右两侧搜索所述轮廓数据特征点作为候选边缘点；所述轮廓数据特征点包括至少一对所述候选边缘点；如果所述轮廓数据特征点的梯度小于预设的梯度低阈值或大于预设的梯度高阈值，所述轮廓数据特征点为所述候选边缘点；
根据预设的期望宽度筛选所述候选边缘点为目标边缘点，所述目标边缘点包括至少一对所述候选边缘点；
根据所述峰值点和所述边缘点确定轮廓图像特征。
8.根据权利要求7所述的轮廓数据特征点检测装置，其特征在于，当所述计算机程序指令被所述处理器执行时，使得所述装置执行如下程序步骤：
获取深度图像；
通过截面生成算法对所述深度图像进行截取生成轮廓图像，其中，所述轮廓图像为二维图像；所述深度图像包括至少一个所述轮廓图像；每个所述轮廓图像包括至少一个轮廓数据特征点。
9.根据权利要求7或8所述的轮廓数据特征点检测装置，其特征在于，当所述计算机程序指令被所述处理器执行时，使得所述装置执行如下程序步骤：
将所述轮廓数据特征点进行滤波处理；所述滤波处理至少包括以下任意一种算法：高度算法、均值算法、中值算法、高斯算法以及高斯双边算法。
10.根据权利要求9所述的轮廓数据特征点检测装置，其特征在于，当所述计算机程序指令被所述处理器执行时，使得所述装置执行如下程序步骤：
以每个所述轮廓数据特征点为中心，获取每个所述轮廓数据特征点的左侧及右侧中心窗口半宽数据点的均值；
获取每个所述轮廓数据特征点与对应的左侧及右侧中心窗口半宽数据点的均值的高度差；
获取所述左侧及右侧中心窗口半宽数据点的均值的高度差中最小值大于距离阈值的至少一个所述轮廓数据特征点作为候选峰值点；
将所述轮廓数据特征点的左侧及右侧中心窗口半宽数据点的均值和最大值对应的候选峰值点作为目标峰值点。
CN202110973116.3A 2021-08-24 2021-08-24 一种轮廓数据特征点检测方法及装置 Active CN113658153B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110973116.3A CN113658153B (zh) 2021-08-24 2021-08-24 一种轮廓数据特征点检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110973116.3A CN113658153B (zh) 2021-08-24 2021-08-24 一种轮廓数据特征点检测方法及装置

Publications (2)

Publication Number Publication Date
CN113658153A CN113658153A (zh) 2021-11-16
CN113658153B true CN113658153B (zh) 2024-01-26

Family

ID=78492613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110973116.3A Active CN113658153B (zh) 2021-08-24 2021-08-24 一种轮廓数据特征点检测方法及装置

Country Status (1)

Country Link
CN (1) CN113658153B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037213B (zh) * 2020-09-07 2024-06-25 深圳市凌云视迅科技有限责任公司 基于统计直方图的轮廓数据稳定特征点的获取方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036514A (zh) * 2014-06-27 2014-09-10 浙江大学 一种基于直方图峰值搜索的圆检测方法
CN105913415A (zh) * 2016-04-06 2016-08-31 吴晓军 一种具有广泛适应性的图像亚像素边缘提取方法
CN106157301A (zh) * 2016-06-23 2016-11-23 凌云光技术集团有限责任公司 一种用于图像边缘检测的阈值自确定方法及装置
CN109035276A (zh) * 2018-06-26 2018-12-18 北京中科慧眼科技有限公司 一种图像边缘提取方法、装置及自动驾驶系统
CN109816673A (zh) * 2018-12-27 2019-05-28 合肥工业大学 一种非极大值抑制、动态阈值计算及图像边缘检测方法
CN110717935A (zh) * 2019-08-26 2020-01-21 北京中科慧眼科技有限公司 一种基于图像特征信息的图像匹配方法，装置与系统
CN112037213A (zh) * 2020-09-07 2020-12-04 深圳市凌云视迅科技有限责任公司 基于统计直方图的轮廓数据稳定特征点的获取方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003016463A (ja) * 2001-07-05 2003-01-17 Toshiba Corp 図形の輪郭の抽出方法、パターン検査方法、パターン検査装置、プログラムおよびこれを格納したコンピュータ読み取り可能な記録媒体
JP4627782B2 (ja) * 2008-03-05 2011-02-09 株式会社日立ハイテクノロジーズ エッジ検出方法、及び荷電粒子線装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036514A (zh) * 2014-06-27 2014-09-10 浙江大学 一种基于直方图峰值搜索的圆检测方法
CN105913415A (zh) * 2016-04-06 2016-08-31 吴晓军 一种具有广泛适应性的图像亚像素边缘提取方法
CN106157301A (zh) * 2016-06-23 2016-11-23 凌云光技术集团有限责任公司 一种用于图像边缘检测的阈值自确定方法及装置
CN109035276A (zh) * 2018-06-26 2018-12-18 北京中科慧眼科技有限公司 一种图像边缘提取方法、装置及自动驾驶系统
CN109816673A (zh) * 2018-12-27 2019-05-28 合肥工业大学 一种非极大值抑制、动态阈值计算及图像边缘检测方法
CN110717935A (zh) * 2019-08-26 2020-01-21 北京中科慧眼科技有限公司 一种基于图像特征信息的图像匹配方法，装置与系统
CN112037213A (zh) * 2020-09-07 2020-12-04 深圳市凌云视迅科技有限责任公司 基于统计直方图的轮廓数据稳定特征点的获取方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
复杂背景图像下基于边缘点校验的圆检测方法;李军;程健;;计算机工程(第03期);全文 *
改进的边缘特征点提取算法;李竹林;王文东;赵宗涛;王红珍;;计算机工程与应用(第02期);全文 *
方向预测搜索与边缘曲率约束的直线段提取方法;苗锡奎;张恒伟;胡启立;刘小虎;柴国庆;;电光与控制(第08期);全文 *

Also Published As

Publication number Publication date
CN113658153A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN108416789A (zh) 图像边缘检测方法及系统
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
CN109632808B (zh) 棱边缺陷检测方法、装置、电子设备及存储介质
CN109086724B (zh) 一种加速的人脸检测方法及存储介质
CN111462066B (zh) 一种基于机器视觉的螺纹参数检测方法
CN111080661A (zh) 基于图像的直线检测方法、装置以及电子设备
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN113109368A (zh) 玻璃裂纹检测方法、装置、设备及介质
EP1725975A2 (en) Method, apparatus and program for detecting an object
CN113344810B (zh) 基于动态数据分布的图像增强方法
KR20230137937A (ko) 이미지에서의 대응 분석을 위한 디바이스 및 방법
WO2007142682A2 (en) Method for detecting streaks in digital images
JP2016505185A (ja) エッジ選択機能を有するイメージプロセッサ
CN111105452A (zh) 基于双目视觉的高低分辨率融合立体匹配方法
CN115937231B (zh) 一种频谱结构约束的红外图像迭代去噪方法及系统
CN113658153B (zh) 一种轮廓数据特征点检测方法及装置
CN115330818A (zh) 一种图片分割方法及其计算机可读存储介质
CN110084818B (zh) 动态下采样图像分割方法
CN116934746B (zh) 划伤缺陷检测方法、系统、设备及其介质
CN117853510A (zh) 基于双边滤波和自适应阈值的Canny边缘检测方法
CN111192280B (zh) 一种基于局部特征的视盘边缘检测方法
CN111630569B (zh) 双目匹配的方法、视觉成像装置及具有存储功能的装置
RU2580466C1 (ru) Устройство восстановления карты глубины сцены
CN111415365A (zh) 图像检测方法及装置
CN113505811A (zh) 一种轮毂生产用机器视觉成像方法

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