CN114387405B - 基于机器视觉的微小特征跨数量级快速定位方法和装置 - Google Patents

基于机器视觉的微小特征跨数量级快速定位方法和装置 Download PDF

Info

Publication number
CN114387405B
CN114387405B CN202210290402.4A CN202210290402A CN114387405B CN 114387405 B CN114387405 B CN 114387405B CN 202210290402 A CN202210290402 A CN 202210290402A CN 114387405 B CN114387405 B CN 114387405B
Authority
CN
China
Prior art keywords
image
low
resolution
resolution image
building
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
CN202210290402.4A
Other languages
English (en)
Other versions
CN114387405A (zh
Inventor
李明鹏
罗光光
赵禹平
张晋
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.)
Wuhan Jiaying Intelligent Technology Co ltd
Original Assignee
Wuhan Jiaying Intelligent Technology 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 Wuhan Jiaying Intelligent Technology Co ltd filed Critical Wuhan Jiaying Intelligent Technology Co ltd
Priority to CN202210290402.4A priority Critical patent/CN114387405B/zh
Publication of CN114387405A publication Critical patent/CN114387405A/zh
Application granted granted Critical
Publication of CN114387405B publication Critical patent/CN114387405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Abstract

本申请公开了一种基于机器视觉的微小特征跨数量级快速定位方法和装置，所述方法包括：获取待测建筑物的高分辨率影像和低分辨率影像；根据所述高分辨率影像，确定所述待测建筑物的微小特征；将所述待测建筑物微小特征匹配到所述低分辨率影像中，得到低分辨率特征融合图；根据所述低分辨率特征融合图，构建所述待测建筑物的三维模型。本发明将低分辨率影像上的纹理映射到三维模型上的同时，也将微小特征区域映射到三维模型上，从而实现了微小特征在跨数量级建筑物中的快速精准定位，能够对建筑物的微小裂缝进行检测和定位，具有很强的实用性。

Description

基于机器视觉的微小特征跨数量级快速定位方法和装置
技术领域
本发明涉及建筑工程技术领域，尤其涉及一种基于机器视觉的微小特征跨数量级快速定位方法、装置、电子设备和存储介质。
背景技术
许多建筑物都是由钢筋混凝土构成，钢筋混凝土材料在施工或者使用的过程中经常会出现裂缝。混凝土裂缝危害较大，尤其是暴露在大气中的构筑物，可能会影响结构的承载能力，如果不加以修复会造成严重后果。目前，国内外裂缝宽度允许范围都是亚毫米量级，例如桥梁相关规范是0.15mm。
现有技术中，通常采用影像识别的方式检测出混凝土裂缝等微小特征，裂缝的成像宽度至少两个像素以上，因此，拍摄影像的地面分辨率在0.05mm左右。然而，对于桥梁、隧洞、地下厂房、大坝、冷却塔等建筑物，其物理尺寸都是百米级，甚至千米级。如何将裂缝等微小特征在跨7个数量级的建筑物中进行快速精准定位成为了建筑物检测智能化面临的非常具有挑战性的问题。尤其在大多环境下，影像的位置和姿态信息是缺失或不够精确的，只能利用影像纹理特征进行影像处理，这使得微小特征在跨数量级建筑物中的精准定位难上加难。
因此，需要设计一种多尺度数据处理的方法，解决现有技术中难以实现微小特征在建筑物中跨尺寸精准定位的问题。
发明内容
有鉴于此，有必要提供种一种基于机器视觉的微小特征跨数量级快速定位方法和装置，用以解决现有技术中建筑物的微小特征难以实现跨数量级的快速精准定位的问题。
为了解决上述问题，本发明提供一种基于机器视觉的微小特征跨数量级快速定位方法，包括：
获取待测建筑物的高分辨率影像和低分辨率影像；
根据所述高分辨率影像，确定所述待测建筑物的微小特征；
将所述待测建筑物微小特征匹配到所述低分辨率影像中，得到低分辨率特征融合图；
根据所述低分辨率特征融合图，构建所述待测建筑物的三维模型。
进一步地，将所述待测建筑物微小特征匹配到所述低分辨率影像中，得到低分辨率特征融合图，包括：
在所述高分辨率影像中标注出所述微小特征区域的外轮廓；
对所述高分辨率影像进行降采样处理，得到降采样影像；
对所述降采样影像进行高斯模糊处理，得到高斯平滑影像和所述微小特征区域外轮廓的坐标集；
利用预设的特征提取方法对所述高斯平滑影像进行处理，得到所述外轮廓坐标描述子集；利用所述特征提取方法对所述低分辨率影像进行处理，得到所述低分辨率影像的像素点描述子集；
根据所述外轮廓坐标描述子集和所述像素点描述子集，得到低分辨率特征融合图。
进一步地，对所述高分辨率影像进行降采样处理，得到降采样影像，包括：
计算所述高分辨率影像的降采样倍数；
根据所述降采样倍数对所述高分辨率影像进行降采样处理，得到降采样影像。
进一步地，对所述降采样影像进行高斯模糊处理，得到高斯平滑影像，包括：
利用高斯核函数对所述降采样影像进行卷积计算，得到高斯影像。
进一步地，利用预设的特征提取方法对所述高斯平滑影像进行处理，得到所述外轮廓坐标描述子集，包括：
计算所述高斯平滑影像上，所述外轮廓坐标集中任一坐标点在预设范围内的梯度幅值和方向角；
根据所述坐标点的梯度幅值和方向角，得到所述坐标点的描述子；
遍历所述外轮廓坐标集中的所有坐标点，得到所述外轮廓坐标描述子集。
进一步地，根据所述外轮廓坐标描述子集和所述像素点描述子集，得到低分辨率特征融合图，包括：
选取所述外轮廓坐标描述子集中的任一外轮廓坐标描述子，计算所述外轮廓坐标描述子到所述像素点描述子集中每个像素点描述子的欧式距离；
确定所述欧式距离最小的像素点描述子为所述外轮廓坐标描述子的匹配点；
遍历所述外轮廓坐标描述子集上的所有外轮廓坐标描述子，得到所述外轮廓坐标描述子集的匹配点集；
根据所述匹配点集，得到低分辨率特征融合图。
进一步地，所述方法还包括：
获取所述待测建筑物的中分辨率影像；
将所述待测建筑物微小特征匹配到所述中分辨率影像中，得到中分辨率特征融合图；
将所述中分辨率特征融合图匹配到所述低分辨率影像中，得到低分辨率特征融合图。
本发明还提供一种基于机器视觉的微小特征跨数量级快速定位装置，包括：
影像获取模块，用于获取待测建筑物的高分辨率影像、低分辨率影像和低分辨率影像；
特征确定模块，用于根据所述高分辨率影像，确定所述待测建筑物的微小特征；
影像融合模块，用于将所述待测建筑物微小特征匹配到所述低分辨率影像中，得到低分辨率特征融合图；
模型构建模块，据所述低分辨率特征融合图，构建所述待测建筑物的三维模型。
本发明还提供一种电子设备，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的一种基于机器视觉的微小特征跨数量级快速定位方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的一种基于机器视觉的微小特征跨数量级快速定位方法。
与现有技术相比，本发明的有益效果包括：首先，获取待测建筑物的多尺度数据影像，根据高精度影像确定待测建筑物的微小特征区域；然后，通过一系列的图像处理方法将所述微小特征区域的纹理匹配到低分辨率影像中；最后，利用低分辨率影像进行建筑物的三维实景建模。本发明的方法将低分辨率影像上的纹理映射到三维模型上的同时，也将微小特征区域映射到三维模型上，从而实现了微小特征在跨数量级建筑物中的快速精准定位，能够对建筑物的微小裂缝进行检测和定位，具有很强的实用性。
附图说明
图1为本发明提供的一种基于机器视觉的微小特征跨数量级快速定位方法一实施例的流程示意图；
图2为本发明提供的外轮廓坐标点的主方向一实施例的示意图；
图3为本发明提供的外轮廓坐标点的32维描述子一实施例的示意图；
图4为本发明提供的一种基于机器视觉的微小特征跨数量级快速定位装置一实施例的结构示意图；
图5为本发明提供的电子设备一实施例的结构框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明提供了一种基于机器视觉的微小特征跨数量级快速定位方法、装置、电子设备及计算机可读存储介质，以下分别进行详细说明。
本发明实施例提供了一种基于机器视觉的微小特征跨数量级快速定位方法，其流程示意图如图1所示，具体包括：
步骤S101、获取待测建筑物的高分辨率影像和低分辨率影像；
步骤S102、根据所述高分辨率影像，确定所述待测建筑物的微小特征；
步骤S103、将所述待测建筑物微小特征匹配到所述低分辨率影像中，得到低分辨率特征融合图；
步骤S104、根据所述低分辨率特征融合图，构建所述待测建筑物的三维模型。
与现有技术相比，本实施例提供的一种基于机器视觉的微小特征跨数量级快速定位方法，首先，获取待测建筑物的多尺度数据影像，根据高精度影像确定待测建筑物的微小特征区域；然后，通过一系列的图像处理方法将所述微小特征区域的纹理匹配到低分辨率影像中；最后，利用低分辨率影像进行建筑物的三维实景建模。本发明的方法将低分辨率影像上的纹理映射到三维模型上的同时，也将微小特征区域映射到三维模型上，从而实现了微小特征在跨数量级建筑物中的快速精准定位，能够对建筑物的微小裂缝进行检测和定位，具有较好的检测效果，有着很强的实用性。
作为一个具体的实施例，步骤S101中，通过多次调节相机焦距来拍摄微小特征区域在不同地面分辨率下的纹理影像。一般情况下，可以将拍摄尺度分为高分辨率、中分辨率和低分辨率三个层级。高分辨率影像的地面分辨率在0.05mm左右，能够看到裂缝等微小特征。中分辨率影像的地面分辨率在0.5mm左右，低分辨率影像的地面分辨率在5mm左右，中分辨率和低分辨率影像都无法从看到裂缝等微小特征。
作为一个具体的实施例，步骤S102中，微小特征包括建筑物裂缝等细节特征。
作为优选的实施例，步骤S103中，将所述待测建筑物微小特征匹配到所述低分辨率影像中，得到低分辨率特征融合图，包括：
在所述高分辨率影像中标注出所述微小特征区域的外轮廓；
对所述高分辨率影像进行降采样处理，得到降采样影像；
对所述降采样影像进行高斯模糊处理，得到高斯平滑影像和所述微小特征区域外轮廓的坐标集；
利用预设的特征提取方法对所述高斯平滑影像进行处理，得到所述外轮廓坐标描述子集；利用所述特征提取方法对所述低分辨率影像进行处理，得到所述低分辨率影像的像素点描述子集；
根据所述外轮廓坐标描述子集和所述像素点描述子集，得到低分辨率特征融合图。
作为优选的实施例，对所述高分辨率影像进行降采样处理，得到降采样影像，包括：
计算所述高分辨率影像的降采样倍数；
根据所述降采样倍数对所述高分辨率影像进行降采样处理，得到降采样影像。
作为一个具体的实施例，计算所述高分辨率影像的降采样倍数包括：所述降采样倍数根据高分辨率影像和低分辨率影像的焦距、拍照距离、像元尺寸来确定。假设高分辨率影像的焦距为f1，拍照距离为s1，像元尺寸为a1；低分辨率影像的焦距为f2，拍照距离为s2，像元尺寸为a2，则降采样倍数为
Figure 279387DEST_PATH_IMAGE001
。
作为优选的实施例，对所述降采样影像进行高斯模糊处理，得到高斯平滑影像，包括：
利用高斯核函数对所述降采样影像进行卷积计算，得到高斯影像。
作为一个具体的实施例，所述高斯核函数为：
Figure 458695DEST_PATH_IMAGE002
其中，(x,y)表示像素点的坐标，
Figure 405923DEST_PATH_IMAGE003
为尺度空间因子。尺度空间因子越大，则对图像的平滑程度越大，尺度空间因子越小，则平滑程度越小。大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征。
作为优选的实施例，利用预设的特征提取方法对所述高斯平滑影像进行处理，得到所述外轮廓坐标描述子集，包括：
计算所述高斯平滑影像上，所述外轮廓坐标集中任一坐标点在预设范围内的梯度幅值和方向角；
作为一个具体的实施例，以外轮廓坐标集中的坐标点(xi,yi)为中心点，选取环绕中心四周
Figure 987077DEST_PATH_IMAGE004
范围的邻域（
Figure 853402DEST_PATH_IMAGE005
为尺度空间因子），计算该区域中，坐标点(xi,yi)的梯度幅值和方向角。
幅值的计算公式为：
Figure 988848DEST_PATH_IMAGE006
方向角的计算公式为：
Figure 864400DEST_PATH_IMAGE007
式中，L(x,y)为坐标点(x,y)在影像上的灰度值。
作为优选的实施例，根据所述外轮廓坐标描述子集和所述像素点描述子集，得到低分辨率特征融合图，包括：
选取所述外轮廓坐标描述子集中的任一外轮廓坐标描述子，计算所述外轮廓坐标描述子到所述像素点描述子集中每个像素点描述子的欧式距离；
确定所述欧式距离最小的像素点描述子为所述外轮廓坐标描述子的匹配点；
遍历所述外轮廓坐标描述子集上的所有外轮廓坐标描述子，得到所述外轮廓坐标描述子集的匹配点集；
根据所述匹配点集，得到低分辨率特征融合图。
作为优选的实施例，所述方法还包括：获取所述待测建筑物的中分辨率影像；
将所述待测建筑物微小特征匹配到所述中分辨率影像中，得到中分辨率特征融合图；
将所述中分辨率特征融合图匹配到所述低分辨率影像中，得到低分辨率特征融合图。
下面用一个具体的实施例对上述技术方案进行详细说明。本实施例的方法包括：
步骤S201：获取待测建筑物的高分辨率影像M1、中分辨率影像M2和低分辨率影像M3；其中，高分辨率影像M1上要能看到待定位的微小特征；中分辨率影像M2要完全覆盖高分辨率影像M1的微小特征区域，且能够与高分辨率影像M1进行纹理特征匹配；低分辨率影像M3也要完全覆盖高分辨率影像M1的微小特征区域，且能够与中分辨率影像M2进行纹理特征匹配。此外，由于低分辨率影像M3最终需用来三维实景建模，所以低分辨率影像M3之间需要70%以上的重叠率。
步骤S202：在所述高分辨率影像M1上标注出待定位微小特征的外轮廓，得到像素坐标点集合，记为M1_C={(x1,y1),(x2,y2),…, (xn,yn)}。
步骤S203：对高分辨率影像M1进行降采样处理。降采样倍数根据高分辨率影像M1和中分辨率影像M2的焦距、拍照距离、像元尺寸来确定。假设M1的焦距为f1，拍照距离为S1，像元尺寸为a1；M2的焦距为f2，拍照距离为S2，像元尺寸为a2，则降采样倍数为
Figure 768902DEST_PATH_IMAGE008
；根据采样倍数T12对高分辨率影像M1进行降采样，得到降采样影像T12_M1，待定位微小特征的外轮廓在降采样影像T12_M1上记为T12_M1_C。
步骤S204：对降采样影像T12_M1进行高斯模糊处理；高斯核函数为：
Figure 212653DEST_PATH_IMAGE009
其中，(x,y)为像素点坐标，
Figure 366554DEST_PATH_IMAGE005
为尺度空间因子；
给定初始尺度
Figure 780218DEST_PATH_IMAGE010
，则
Figure 539226DEST_PATH_IMAGE011
；
使用所述高斯核函数对降采样影像T12_M1进行卷积运算，得到高斯平滑影像GT12_M1，待定位微小特征的外轮廓在高斯平滑影像GT12_M1上不发生改变，还是T12_M1_C。
步骤S205：在高斯平滑影像GT12_M1上建立外轮廓坐标集T12_M1_C中各坐标点的描述子。具体方法为：
在高斯平滑影像GT12_M1上，以外轮廓坐标集T12_M1_C中的坐标点(xi,yi)为中心，选取所述中心四周
Figure 12933DEST_PATH_IMAGE012
（
Figure 857392DEST_PATH_IMAGE013
为尺度空间因子）的邻域，计算该区域内坐标点(xi,yi)的梯度幅值和方向角；
幅值的计算公式为：
Figure 809168DEST_PATH_IMAGE014
方向角的计算公式为：
Figure 688262DEST_PATH_IMAGE015
式中，L(x,y)为坐标点(x,y)在影像上的灰度值。
根据所述梯度幅值和方向角，得到外轮廓坐标集T12_M1_C中各坐标点的描述子，形成外轮廓坐标描述子集，记为Des_GT12_M1_C。
步骤S206：利用步骤S205的方法，遍历中分辨率影像M2中的每个像素点，形成中分辨率影像M2所有像素点的描述子集，记为Des_ M2。
步骤S207：对外轮廓坐标描述子集Des_GT12_M1_C和像素点描述子集Des_ M2进行描述子匹配。匹配程度用欧式距离来衡量：
描述子
Figure 332870DEST_PATH_IMAGE016
和
Figure 664625DEST_PATH_IMAGE017
的距离计算方式为
Figure 420092DEST_PATH_IMAGE018
。对于外轮廓坐标描述子集Des_GT12_M1_C中某个坐标点(xi,yi)对应的特征描述子
Figure 888113DEST_PATH_IMAGE019
，计算其到像素点描述子集Des_ M2中每个像素描述子的欧式距离，距离最小的像素描述子对应的坐标点(xj,yj)即为中分辨率影像M2上匹配点。
步骤S208：依次遍历外轮廓坐标描述子集Des_GT12_M1_C中所有坐标点对应的外轮廓坐标描述子，找出中分辨率影像M2上相应的匹配点，在中分辨率影像M2上形成待定位微小特征的外轮廓坐标集，记为M2_C。
步骤S209：利用步骤S203~S208的方法，在低分辨率影像M3上形成待定位微小特征的外轮廓坐标集，记为M3_C。
步骤S210：利用包含微小特征外轮廓坐标集M3_C的低分辨率影像M3进行三维实景建模。建模的方式不做限定，可以利用任意一种基于倾斜摄影测量技术的三维实景建模方法。可使用AgisoftPhotoScan，ContextCapture Center，Pix4Dmapper 等。
通过上述技术方案，将低分辨率影像M3上的纹理映射到三维模型上的同时，也将微小特征区域的外轮廓坐标集M3_C映射到三维模型上，实现了微小特征在三维模型中的定位。
下面结合图2和图3对步骤S205进行详细的说明。
在步骤S205中，根据梯度幅值和方向角，得到外轮廓坐标集T12_M1_C中各坐标点的描述子的具体过程如下：如图2所示，图2左半部分中，圆心的中心点为当前外轮廓坐标点(xi,yi)，图2中矢量的方向和长度分别代表了所述坐标点在预设范围内的梯度幅值和方向角。
步骤S501：统计所述以坐标点(xi,yi)为中心，周边
Figure 703622DEST_PATH_IMAGE020
范围内的梯度分布，以10度为单位，将360度划分成等间距的36个区域，生成直方图如，图2右半部分所示，直方图中的峰值所在的方向即为所述坐标点的主方向。
步骤S502：如图3左半部分所示，将坐标轴旋转为坐标点的主方向，以确保旋转不变性；以坐标点为中心取
Figure 788253DEST_PATH_IMAGE021
的窗口，将该区域分成4个
Figure 81831DEST_PATH_IMAGE022
的子块，然后分别计算各子块内8个方向的梯度累加值，此时生成了
Figure 669939DEST_PATH_IMAGE023
维的向量，如图3右半部分所示，将此32维向量进行归一化后形成所述坐标点的描述子。
本发明实施例还提供了一种基于机器视觉的微小特征跨数量级快速定位装置，其结构框图如图4所示，所述一种基于机器视觉的微小特征跨数量级快速定位装置400，包括：
影像获取模块401，用于获取待测建筑物的高分辨率影像、低分辨率影像和低分辨率影像；
特征确定模块402，用于根据所述高分辨率影像，确定所述待测建筑物的微小特征；
影像融合模块403，用于将所述待测建筑物微小特征匹配到所述低分辨率影像中，得到低分辨率特征融合图；
模型构建模块404，据所述低分辨率特征融合图，构建所述待测建筑物的三维模型。
如图5所示，上述的一种基于机器视觉的微小特征跨数量级快速定位方法，本发明还相应提供了一种电子设备500，该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器501、存储器502及显示器503。
存储器502在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器502在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器502还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器502用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器502还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器502上存储有一种基于机器视觉的微小特征跨数量级快速定位方法程序504，该一种基于机器视觉的微小特征跨数量级快速定位方法程序504可被处理器501所执行，从而实现本发明各实施例的一种基于机器视觉的微小特征跨数量级快速定位方法。
处理器501在一些实施例中可以是一中央处理器（Central Processing Unit,CPU），微处理器或其他数据处理芯片，用于运行存储器502中存储的程序代码或处理数据，例如执行一种基于机器视觉的微小特征跨数量级快速定位程序等。
显示器503在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器503用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件501-503通过系统总线相互通信。
本实施例还提供了一种计算机可读存储介质，其上存储有一种基于机器视觉的微小特征跨数量级快速定位方法的程序，处理器执行程序时，实现如上所述的一种基于机器视觉的微小特征跨数量级快速定位方法。
根据本发明上述实施例提供的计算机可读存储介质和计算设备，可以参照根据本发明实现如上所述的一种基于机器视觉的微小特征跨数量级快速定位方法具体描述的内容实现，并具有与如上所述的一种基于机器视觉的微小特征跨数量级快速定位方法类似的有益效果，在此不再赘述。
本发明公开的一种基于机器视觉的微小特征跨数量级快速定位方法、装置、电子设备及计算机可读存储介质，首先，获取待测建筑物的多尺度数据影像，根据高精度影像确定待测建筑物的微小特征区域；然后，通过一系列的图像处理方法将所述微小特征区域的纹理匹配到低分辨率影像中；最后，利用低分辨率影像进行建筑物的三维实景建模。本发明的方法将低分辨率影像上的纹理映射到三维模型上的同时，也将微小特征区域映射到三维模型上，从而实现了微小特征在跨数量级建筑物中的快速精准定位，能够对建筑物的微小裂缝进行检测和定位，具有很强的实用性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于机器视觉的微小特征跨数量级快速定位方法，其特征在于，包括：
获取待测建筑物的高分辨率影像和低分辨率影像；
根据所述高分辨率影像，确定所述待测建筑物的微小特征；
将所述待测建筑物微小特征匹配到所述低分辨率影像中，得到低分辨率特征融合图；
根据所述低分辨率特征融合图，构建所述待测建筑物的三维模型；
将所述待测建筑物微小特征匹配到所述低分辨率影像中，得到低分辨率特征融合图，包括：
在所述高分辨率影像中标注出所述微小特征区域的外轮廓；
对所述高分辨率影像进行降采样处理，得到降采样影像；
对所述降采样影像进行高斯模糊处理，得到高斯平滑影像和所述微小特征区域外轮廓的坐标集；
利用预设的特征提取方法对所述高斯平滑影像进行处理，得到所述外轮廓坐标描述子集；利用所述特征提取方法对所述低分辨率影像进行处理，得到所述低分辨率影像的像素点描述子集；
根据所述外轮廓坐标描述子集和所述像素点描述子集，得到低分辨率特征融合图。
2.根据权利要求1所述的基于机器视觉的微小特征跨数量级快速定位方法，其特征在于，对所述高分辨率影像进行降采样处理，得到降采样影像，包括：
计算所述高分辨率影像的降采样倍数；
根据所述降采样倍数对所述高分辨率影像进行降采样处理，得到降采样影像。
3.根据权利要求1所述的基于机器视觉的微小特征跨数量级快速定位方法，其特征在于，对所述降采样影像进行高斯模糊处理，得到高斯平滑影像，包括：
利用高斯核函数对所述降采样影像进行卷积计算，得到高斯影像。
4.根据权利要求1所述的基于机器视觉的微小特征跨数量级快速定位方法，其特征在于，利用预设的特征提取方法对所述高斯平滑影像进行处理，得到所述外轮廓坐标描述子集，包括：
计算所述高斯平滑影像上，所述外轮廓坐标集中任一坐标点在预设范围内的梯度幅值和方向角；
根据所述坐标点的梯度幅值和方向角，得到所述坐标点的描述子；
遍历所述外轮廓坐标集中的所有坐标点，得到所述外轮廓坐标描述子集。
5.根据权利要求1所述的基于机器视觉的微小特征跨数量级快速定位方法，其特征在于，根据所述外轮廓坐标描述子集和所述像素点描述子集，得到低分辨率特征融合图，包括：
选取所述外轮廓坐标描述子集中的任一外轮廓坐标描述子，计算所述外轮廓坐标描述子到所述像素点描述子集中每个像素点描述子的欧式距离；
确定所述欧式距离最小的像素点描述子为所述外轮廓坐标描述子的匹配点；
遍历所述外轮廓坐标描述子集上的所有外轮廓坐标描述子，得到所述外轮廓坐标描述子集的匹配点集；
根据所述匹配点集，得到低分辨率特征融合图。
6.根据权利要求1所述的基于机器视觉的微小特征跨数量级快速定位方法，其特征在于，还包括：
获取所述待测建筑物的中分辨率影像；
将所述待测建筑物微小特征匹配到所述中分辨率影像中，得到中分辨率特征融合图；
将所述中分辨率特征融合图匹配到所述低分辨率影像中，得到低分辨率特征融合图。
7.一种基于机器视觉的微小特征跨数量级快速定位装置，其特征在于，包括：
影像获取模块，用于获取待测建筑物的高分辨率影像、低分辨率影像和低分辨率影像；
特征确定模块，用于根据所述高分辨率影像，确定所述待测建筑物的微小特征；
影像融合模块，用于将所述待测建筑物微小特征匹配到所述低分辨率影像中，得到低分辨率特征融合图；具体包括：在所述高分辨率影像中标注出所述微小特征区域的外轮廓；对所述高分辨率影像进行降采样处理，得到降采样影像；对所述降采样影像进行高斯模糊处理，得到高斯平滑影像和所述微小特征区域外轮廓的坐标集；利用预设的特征提取方法对所述高斯平滑影像进行处理，得到所述外轮廓坐标描述子集；利用所述特征提取方法对所述低分辨率影像进行处理，得到所述低分辨率影像的像素点描述子集；根据所述外轮廓坐标描述子集和所述像素点描述子集，得到低分辨率特征融合图；
模型构建模块，据所述低分辨率特征融合图，构建所述待测建筑物的三维模型。
8.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-6任一所述的一种基于机器视觉的微小特征跨数量级快速定位方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如权利要求1-6任一所述的一种基于机器视觉的微小特征跨数量级快速定位方法。
CN202210290402.4A 2022-03-23 2022-03-23 基于机器视觉的微小特征跨数量级快速定位方法和装置 Active CN114387405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210290402.4A CN114387405B (zh) 2022-03-23 2022-03-23 基于机器视觉的微小特征跨数量级快速定位方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210290402.4A CN114387405B (zh) 2022-03-23 2022-03-23 基于机器视觉的微小特征跨数量级快速定位方法和装置

Publications (2)

Publication Number Publication Date
CN114387405A CN114387405A (zh) 2022-04-22
CN114387405B true CN114387405B (zh) 2022-06-28

Family

ID=81205481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210290402.4A Active CN114387405B (zh) 2022-03-23 2022-03-23 基于机器视觉的微小特征跨数量级快速定位方法和装置

Country Status (1)

Country Link
CN (1) CN114387405B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533713A (zh) * 2019-07-10 2019-12-03 湖南交工智能技术有限公司 桥梁裂缝宽度高精度测量方法及测量装置
CN112465748A (zh) * 2020-11-10 2021-03-09 西南科技大学 基于神经网络的裂缝识别方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9014415B2 (en) * 2010-04-22 2015-04-21 The University Of North Carolina At Charlotte Spatially integrated aerial photography for bridge, structure, and environmental monitoring
US9855731B2 (en) * 2012-11-01 2018-01-02 3Form, Llc Resin-based panel with encapsulated high-resolution image layer and methods of making same

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533713A (zh) * 2019-07-10 2019-12-03 湖南交工智能技术有限公司 桥梁裂缝宽度高精度测量方法及测量装置
CN112465748A (zh) * 2020-11-10 2021-03-09 西南科技大学 基于神经网络的裂缝识别方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114387405A (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN110866496B (zh) 基于深度图像的机器人定位与建图方法和装置
CN110111388B (zh) 三维物体位姿参数估计方法及视觉设备
WO2016199605A1 (ja) 画像処理装置および方法、並びにプログラム
CN109099915B (zh) 移动机器人定位方法、装置、计算机设备和存储介质
CN111459269B (zh) 一种增强现实显示方法、系统及计算机可读存储介质
JP6479296B2 (ja) 位置姿勢推定装置および位置姿勢推定方法
CN112766008B (zh) 一种基于二维码的物体空间位姿获取方法
CN110926478B (zh) 一种ar导航路线纠偏方法、系统及计算机可读存储介质
CN112534469A (zh) 图像检测方法、图像检测装置、图像检测设备及介质
CN112733641A (zh) 物体尺寸测量方法、装置、设备及存储介质
CN113984039A (zh) 运动轨迹的校正方法、装置、系统和存储介质
CN113804100A (zh) 确定目标对象的空间坐标的方法、装置、设备和存储介质
CN110163914B (zh) 基于视觉的定位
CN111813984B (zh) 一种利用单应矩阵实现室内定位的方法、装置及电子设备
CN114387405B (zh) 基于机器视觉的微小特征跨数量级快速定位方法和装置
Karimi et al. A new method for automatic and accurate coded target recognition in oblique images to improve augmented reality precision
CN116091998A (zh) 图像处理方法、装置、计算机设备和存储介质
CN112651393B (zh) 兴趣点数据处理方法、装置、设备及存储介质
CN113628284B (zh) 位姿标定数据集生成方法、装置、系统、电子设备及介质
Nozawa et al. Indoor human navigation system on smartphones using view-based navigation
CN107168514B (zh) 一种图像处理方法及电子设备
JP6080424B2 (ja) 対応点探索装置、そのプログラムおよびカメラパラメータ推定装置
CN111931786B (zh) 一种图像处理方法、装置及计算机可读存储介质
CN110930455B (zh) 定位方法、装置、终端设备及存储介质
JP5533988B2 (ja) 画像処理システム

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