CN114463170B - 一种针对agv应用的大场景图像拼接方法 - Google Patents
一种针对agv应用的大场景图像拼接方法 Download PDFInfo
- Publication number
- CN114463170B CN114463170B CN202111603084.4A CN202111603084A CN114463170B CN 114463170 B CN114463170 B CN 114463170B CN 202111603084 A CN202111603084 A CN 202111603084A CN 114463170 B CN114463170 B CN 114463170B
- Authority
- CN
- China
- Prior art keywords
- image
- mask
- images
- reference image
- target image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000006243 chemical reaction Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 6
- 238000003384 imaging method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000023753 dehiscence Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种针对AGV应用的大场景图像拼接方法。该方法包括如下步骤：1输入待拼接图像；2对每个图像用ORB算法进行特征点检测；3对图像进行匹配；4使用RANSAC得到准确转换矩阵；5得到水平偏移和垂直偏移；6对图像进行初步融合并确定掩码；7图像多频段融合、叠加，实现图像拼接。本发明针对AGV场景的构建设计了更加适合的图像融合部分中的掩码部分，在确保精度的同时，提升掩码的产生速度，也缩短图像融合的时间，并且拓展到多张图像沿两个自由度的自动拼接。同时，提出直接使用目标图像与基准图像之间的转换矩阵，减少图像的配准次数，有效降低现有单向拼接算法中由于多张图像带来的累积误差，提升全景成像效果。
Description
技术领域
本发明涉及图像处理技术领域，具体地说是一种针对AGV应用的大场景图像拼接方法。
背景技术
AGV(自动导航小车)是装备有电磁或光学等自动导引装置，能够沿规定的导引路径行驶，具有安全保护以及各种移载功能的运输车。针对AGV应用大场景的构建，可为小车地图构建、路径规划和小车定位等打下坚实基础。但由于单个摄像机的视角有限或大视野分辨率无法达到要求，故而需采取图像拼接的方式来达到满足大场景且高分辨率的要求。
图像拼接是指将两张或多张具有重叠区域的图像，通过图像配准、图像重投影和图像融合等步骤，将其生成一张具有更大视野、更高分辨率的无明显图像接缝的更大范围、更多场景信息的全景图像。图像拼接技术对于成像设备拍摄范围和分辨率，不能同时达到最大的两难问题有了更好的解决方法。进行图像拼接的图像首先要求没有明显的视差，也就是图像拍摄得到的近似平面或者相机旋转拍摄的光心要保持不变，从而确保在图像拼接完成之后，可以使得在保持图像分辨率不变的情况下获得更大的视野(FOV)。图像拼接技术目前在计算机视觉中的运动检测和跟踪、分辨率增强等研究中产生了重大的影响，在医学自动诊断、虚拟现实增强、自动驾驶、卫星遥感成像、监控监视等领域得到广泛应用。
图像拼接技术主要包括图像配准、图像重投影和图像融合三个步骤。图像配准是为了求取由同一场景得到的一系列图像中的一对图像的几何对应关系。为了配准一组图像，需要将图像与这一系列的图像集合中的目标图像进行几何关系估计。这个图像集合可以由不同时间、不同位置、不同相机拍摄的两个或多个图像组成。图像配准的核心任务就是求取图像集合中图像之间的几何变换矩阵。该转换矩阵具有8个自由度。目前广泛用于图像配准的算法有SIFT、SURF和ORB等算法。SIFT是最为经典的特征点检测和匹配算法，能很有效的确保各种不变性，但是计算量大，计算成本高。而SURF是在SIFT算法上进行的改进，研究表明其计算效率相较于SIFT提高了三倍。但是对于便携式设备来说，SIFT和SURF所需的内存太过于庞大，很难应用于实时场景，于是ORB算法应运而生。图像重投影是将配准之后的对应图像投影到一个更大的平面上，从而估计最终的投影模型。目前流行的有平面投影、柱面投影、球形投影等。图像融合的目的是使重投影之后的图像的重叠区域像素点平滑过渡，主要思想是采用一定的方法来确定重叠区域像素点的灰度值取值。目前主要的方法有线性加权融合和多频段融合，但是往往在使用这些融合算法之前加入最佳缝合线的寻找，从而能更好的消除融合图像中运动物体的鬼影和模糊等情况。
发明内容
本发明的目的就是提供一种针对AGV应用的大场景图像拼接方法，通过该方法可实现将相机平移拍摄得到的多幅图像进行自动拼接，可以应用于AGV大场景的构建，为地图构建、路径规划和小车定位打下的基础；通过该方法还能极大地去除人为因素或者设备条件限制等带来的相机拍摄所产生的两自由度偏差，提高图像拼接的鲁棒性。
本发明是这样实现的：一种针对AGV应用的大场景图像拼接方法，包括如下步骤：
a、输入待拼接图像；
b、采用ORB算法对每个待拼接图像进行特征点检测；
c、根据步骤b中检测得到的特征点，对图像之间特征点进行匹配，具体是：将左边第一幅图像作为基准图像，采用K-D树和最近邻算法，找到与基准图像上特征点对应的其他各目标图像上特征点的位置，从而得到特征点匹配对以及各目标图像相对于基准图像的位置关系；
d、使用随机抽样一致算法得到每一个目标图像对应的转换矩阵；
e、根据步骤d中转换矩阵，求出每一个转换矩阵对应的px和py，px表示目标图像相对于基准图像在水平方向上的移动偏移量，py表示目标图像相对于基准图像在垂直方向上的移动偏移量；并根据各转换矩阵对应的px和py，求出目标图像相较于基准图像在y轴沿负半轴移动的最大距离目标图像相较于基准图像在y轴沿正半轴移动的最大距离/>以及目标图像相较于基准图像在x轴沿正半轴移动的最大距离xmax；
f、确定图像融合所需掩码；具体是：将图像融合部分掩码置黑，其余需保留的部分掩码置白；
g、对图像进行多频段融合；
h、将不同倍频图像叠加到一起，恢复成原图像，实现图像拼接。
优选的，步骤f具体是：
f-1、根据和xmax，生成一个能容纳全景图像的第一掩码，该第一掩码的宽为基准图像的宽加xmax，第一掩码的高为基准图像的高加/>和/>
f-2、把基准图像左上角放到第一掩码的处，其余目标图像根据对应转换矩阵依次放到对应位置；
f-3、将第一掩码上与基准图像对应的部分置白，其余部分置黑；将各目标图像所在区域均置白；各目标图像所在位置即是其对应掩码所在位置；
f-4、在第一掩码的基础上，将各目标图像叠合在基准图像上的重合部分置黑，其余置白，得到基准图像的掩码；
f-5、对于目标图像的掩码，将其右侧各图像叠合在其上的重合部分置黑，其余置白，得到目标图像对应的掩码；最右侧目标图像对应的掩码为对应其图像大小的白色图。
上述方案中，掩码是一个8位单通道的二值图，对掩码置白，即设置为255；对掩码置黑，即设置为0。
优选的，步骤d具体是：对于每一个目标图像，从其与基准图像的匹配点对中循环的抽取点对，直到在循环内找到匹配成功率最大的内点对或者满足设定的循环次数后，得到最终的转换矩阵。
转换矩阵的表示形式为：
其中，(x，y)表示平移前目标图像上特征点的坐标，(x'，y')表示平移后目标图像上特征点的坐标；px表示目标图像相对于基准图像在水平方向上的移动偏移量，若目标图像相对于基准图像向右移动，则px小于0；相反，若向左移动，则px大于0；py表示目标图像相对于基准图像在垂直方向上的移动偏移量，若目标图像相对于基准图像向上移动，则py大于0；相反，py小于0。
优选的，步骤b中ORB算法是由FAST算法和BRIEF算法合并组成，采用FAST算法进行特征点检测，且在特征点检测之后，采用Harris方法计算特征点的响应值Q，响应值Q的具体计算公式如下：
式中，Ix和Iy分别表示采用Sobel算子计算像素在x方向和y方向的梯度，k表示Harris系数，s为尺度系数，与图像的像素n有关；
根据各特征点的响应值Q去除阈值外的边缘异常点。
本发明针对AGV场景的构建设计了更加适合的图像融合部分中的掩码部分，在确保精度的同时，提升掩码的产生速度，也缩短图像融合的时间，并且拓展到多张图像沿两个自由度的自动拼接。同时，提出直接使用目标图像与基准图像之间的转换矩阵，减少图像的配准次数，有效降低现有单向拼接算法中由于多张图像带来的累积误差，提升全景成像效果。
附图说明
图1是本发明的方法流程图。
图2是本发明中转换矩阵关系图。
图3是本发明中图像掩码位置放置示意图。
图4是本发明中拼接示例的每个图像需要缝合的掩码图。
图5是本发明中多频段图像融合的不同倍频的拉普拉斯金字塔合成的示例图。
图6是本发明实施例中6张输入待拼接图像的示例图。
图7是采用本发明方法对图6中6张输入待拼接图像进行拼接后的结果示意图。
具体实施方式
本发明要求所拍摄的相机光心在一个平面，相机可以沿着该平面两个自由度拍摄的多幅图像，自动生成一个大视野的全景图，便于后续的图像处理，实现具体的要求。
本发明的实现如流程图1所示。具体步骤如下：
步骤1：输入待拼接图像。
步骤2：对每个图像用ORB算法进行特征点检测，得到每个特征点在该图像的坐标、尺度和描述符等信息。
ORB算法是由FAST和BRIEF合并组成的，其中，为了去除掉一些边缘异常点，FAST算法进行特征点检测之后往往还需要采用Harris方法再次进行计算，其中利用Sobel算子计算所有像素在x和y方向的梯度，从而得到该点的响应值Q为：
式中，Ix和Iy分别表示采用Sobel算子计算像素在x方向和y方向的梯度，k表示Harris系数，s为尺度系数，与图像的像素n有关。接下来依据强度质心计算特征点的方向角度。定义一块补丁区域的矩为：
式中，I(x,y)表示(x,y)处的像素灰度值。之后使用一阶矩得到该区域的质心C，坐标为：
然后，通过下式得到该特征点的角度θ：
最后，根据所得的特征点角度θ，将以特征点为中心的补丁区域旋转θ，从而创建具有旋转不变性的BRIEF描述符。补丁区域的坐标变为：
式中，(x,y)为旋转之前的坐标，(x′,y′)为旋转之后的坐标。
步骤3：根据所得到的特征点和描述符，进行图像之间的匹配，进而确定图像之间的转换矩阵。
本发明中的图像拼接从左到右，并且以左边第一幅图像为基准，采用K-D树和最近邻算法(K-NN)，找到与基准图像特征点对应的其他各图像上特征点的位置，从而得到特征点匹配对以及所有图像相对于基准图像的位置关系。本发明中除基准图像外，其余目标图像均与基准图像之间存在特征点匹配关系。由于相机可以在两个自由度上移动，因此可以把每幅图像与基准图像之间的关系表示为平移，平移图像之间的转换矩阵应为2*3的矩阵，但是为了代码实现方便，在最后增补一行[0,0,1]，变为3*3的矩阵。描述图像变换过程模型为：
X′＝X+T
展开得：
其中，(x，y)表示平移前目标图像上特征点的坐标，(x'，y')表示平移后目标图像上特征点的坐标；px代表图像水平方向的移动，也就是沿着基准图像上建立的坐标系的x轴移动，若目标图像相对于基准图像向右移动，则px小于0；相反，若向左移动，则px大于0；py代表图像垂直移动，相当于沿y轴移动，若目标图像相对于基准图像向上移动，则py大于0；相反，py小于0。
步骤4：使用随机抽样一致算法(RANSAC)得到准确转换矩阵。
由于图像有两个自由度的移动，故而只需要一对特征点就可求出每幅图像与基准图像之间的转换矩阵。但是由于匹配误差的存在，导致匹配时每对特征点对未必正确，进而导致转换矩阵H的偏差，因此还需要使用随机抽样一致算法。随机抽样的核心思想就是从匹配点对中循环的抽取点对，直到在循环内找到匹配成功率最大的内点对或者满足一定的循环次数后，得到最终的转换矩阵H。
如果通过随机抽样一致算法没有得到转换矩阵，表示两幅图像重叠区域不够，这时需重新输入图像。
通过随机抽样一致算法得到多个转换矩阵，除基准图像外，其余图像为目标图像，每一个目标图像对应一个转换矩阵，基准图像处于最左边，其余目标图像位于右侧，如图2所示，最左边的基准图像依次与每一目标图像之间有一个对应的转换矩阵。
在通过随机抽样一致算法得到转换矩阵H之后，将每幅图像按照对应关系，以左边第一幅图为起点并且以该图左上角为原点建立图像坐标系，图像坐标系x轴向右，y轴朝下，如图3所示，之后把目标图像依次排放在相应位置。
步骤5：根据上一步骤所得到的转换矩阵，依次求出每一个转换矩阵的px和py，之后按照大小排列，求出和xmax，其中/>为目标图像相较于基准图像在y轴负半部分的最大部分(即偏移量py大于0时的最大值)，/>为目标图像相较于基准图像在y轴正半轴部分移动最大距离(即偏移量py小于0时的绝对值的最大值)，xmax为目标图像相较于基准图像在x轴沿正半轴移动的最大距离(即偏移量px的绝对值的最大值)。
把图像按照相应的顺序摆放好之后，由于相机拍摄光线、曝光等原因会导致明显的接缝和边缘，使图像产生重影，因此还需对图像进行去接缝处理。本发明在处理之前，进行图像掩码设置。
步骤6：确定图像融合所需掩码。
掩码是一个8位单通道的二值图，除基准图像对应的掩码外，其他图像对应的掩码均与对应目标图像大小相同，并且在对应图像融合部分掩码置黑(即0)，表示需进行图像融合处理，掩码上置白(即255)的地方表示需保留的部分。更简洁来讲，置黑(0)的地方对应的是图像有重叠的区域，需要与其他图像进行相应处理来选择一个更合适的像素值使图像过渡更加自然。
具体设置方法如下：首先求出和xmax，之后生成一个能容纳全景图像的第一掩码，该第一掩码的宽为基准图像的宽加xmax，第一掩码的高为基准图像的高加/>和把基准图像左上角放到第一掩码的/>处，其余目标图像根据对应转换矩阵H依次放到对应位置，如图3所示。各目标图像所在位置即是其对应掩码所在位置。图3是图像掩码位置放置图示例，第一掩码上与基准图像对应的部分置白(255)，其余部分(对应/> 和xmax部分)置黑(0)。各目标图像所在区域均置白，即初步设置各目标图像对应的掩码均置白，后续再将融合部分置黑。针对基准图像而言，其对应的掩码为：在第一掩码的基础上，将第一掩码上各目标图像叠合在基准图像上的重合部分置黑，其余置白，得到基准图像的掩码，如图4左上第一个图。对于第一个目标图像，其对应的掩码大小为其图像大小，在其掩码上其余目标图像(第二个、第三个、……)叠合在第一个目标图像上的重合部分置黑，其余置白，如图4上面一行第二个图。以此类推。对于最后一个目标图像，由于其后面没有叠合在其上的图像了，因此其掩码为对应其图像大小的白色图，如图4右下角的图。
需要说明的是，本发明中各图像的排序是这样设置的：各图像由左至右依次排列，最左边图像为基准图像，除基准图像外，其余目标图像依次为第一目标图像、第二目标图像、第三目标图像、……。
图4示出了各图像对应的掩码图，掩码中黑色部分即是重合部分，也即是对应图像上需要缝合的部分。
在掩码设置完成之后即可进行最后的去接缝处理。
步骤7：图像多频段融合。
其基本原理为，首先生成不同倍频的拉普拉斯金字塔图像，之后对多幅倍频相同的图像进行特征融合，最后将倍频图像叠加在一起恢复至原图像，实现接缝的去除，同时有效保存图像的细节部分。该过程算式如下：
LO(x,y)＝GM(x,y)×LI1(x,y)+(1-GM(x,y))×LI2(x,y)
式中，LI1(x,y)和LI2(x,y)是源图像I1(x,y)和I2(x,y)的拉普拉斯金字塔，GM(x,y)是掩码图像M(x,y)的高斯金字塔，LO(x,y)是输出图像的拉普拉斯金字塔。
图5所示为多频段图像融合的不同倍频的拉普拉斯金字塔合成的示例图，其中黑色部分表示需融合区域。
步骤8：将不同倍频图像叠加到一起，恢复成原图像，实现图像拼接。
为验证本发明所述方法的有效性，这里采用6张输入例图(如图6所示)进行完整场景的拼接，拼接后的结果如图7所示。图6中6张输入例图，下面一行应该处于上面一行的右侧，但此处由于横向尺寸的限制，故将其放置在了下面。可见，采用本发明方法可以快速、准确地实现拼接。
Claims (5)
1.一种针对AGV应用的大场景图像拼接方法，其特征是，包括如下步骤：
a、输入待拼接图像；
b、采用ORB算法对每个待拼接图像进行特征点检测；
c、根据步骤b中检测得到的特征点，对图像之间特征点进行匹配，具体是：将左边第一幅图像作为基准图像，采用K-D树和最近邻算法，找到与基准图像上特征点对应的其他各目标图像上特征点的位置，从而得到特征点匹配对以及各目标图像相对于基准图像的位置关系；
d、使用随机抽样一致算法得到每一个目标图像对应的转换矩阵；
e、根据步骤d中转换矩阵，求出每一个转换矩阵对应的px和py，px表示目标图像相对于基准图像在水平方向上的移动偏移量，py表示目标图像相对于基准图像在垂直方向上的移动偏移量；并根据各转换矩阵对应的px和py，求出目标图像相较于基准图像在y轴沿负半轴移动的最大距离目标图像相较于基准图像在y轴沿正半轴移动的最大距离/>以及目标图像相较于基准图像在x轴沿正半轴移动的最大距离xmax；
f、确定图像融合所需掩码；具体是：将图像融合部分掩码置黑，其余需保留的部分掩码置白；
g、对图像进行多频段融合；
h、将不同倍频图像叠加到一起，恢复成原图像，实现图像拼接；
步骤f具体是：
f-1、根据和xmax，生成一个能容纳全景图像的第一掩码，该第一掩码的宽为基准图像的宽加xmax，第一掩码的高为基准图像的高加/>和/>
f-2、把基准图像左上角放到第一掩码的处，其余目标图像根据对应转换矩阵依次放到对应位置；
f-3、将第一掩码上与基准图像对应的部分置白，其余部分置黑；将各目标图像所在区域均置白；各目标图像所在位置即是其对应掩码所在位置；
f-4、在第一掩码的基础上，将各目标图像叠合在基准图像上的重合部分置黑，其余置白，得到基准图像的掩码；
f-5、对于目标图像的掩码，将其右侧各图像叠合在其上的重合部分置黑，其余置白，得到目标图像对应的掩码；最右侧目标图像对应的掩码为对应其图像大小的白色图。
2.根据权利要求1所述的针对AGV应用的大场景图像拼接方法，其特征是，掩码是一个8位单通道的二值图，对掩码置白，即设置为255；对掩码置黑，即设置为0。
3.根据权利要求1所述的针对AGV应用的大场景图像拼接方法，其特征是，步骤d具体是：对于每一个目标图像，从其与基准图像的匹配点对中循环的抽取点对，直到在循环内找到匹配成功率最大的内点对或者满足设定的循环次数后，得到最终的转换矩阵。
4.根据权利要求1所述的针对AGV应用的大场景图像拼接方法，其特征是，转换矩阵的表示形式为：
其中，(x，y)表示平移前目标图像上特征点的坐标，(x'，y')表示平移后目标图像上特征点的坐标；px表示目标图像相对于基准图像在水平方向上的移动偏移量，若目标图像相对于基准图像向右移动，则px小于0；相反，若向左移动，则px大于0；py表示目标图像相对于基准图像在垂直方向上的移动偏移量，若目标图像相对于基准图像向上移动，则py大于0；相反，py小于0。
5.根据权利要求1所述的针对AGV应用的大场景图像拼接方法，其特征是，步骤b中ORB算法是由FAST算法和BRIEF算法合并组成，采用FAST算法进行特征点检测，且在特征点检测之后，采用Harris方法计算特征点的响应值Q，具体计算公式如下：
式中，Ix和Iy分别表示采用Sobel算子计算像素在x方向和y方向的梯度，k表示Harris系数，s为尺度系数，与图像的像素n有关；
根据各特征点的响应值Q去除阈值外的边缘异常点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111603084.4A CN114463170B (zh) | 2021-12-24 | 2021-12-24 | 一种针对agv应用的大场景图像拼接方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111603084.4A CN114463170B (zh) | 2021-12-24 | 2021-12-24 | 一种针对agv应用的大场景图像拼接方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114463170A CN114463170A (zh) | 2022-05-10 |
| CN114463170B true CN114463170B (zh) | 2024-06-04 |
Family
ID=81408440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111603084.4A Active CN114463170B (zh) | 2021-12-24 | 2021-12-24 | 一种针对agv应用的大场景图像拼接方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463170B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575902B (zh) * | 2024-01-16 | 2024-03-29 | 四川新视创伟超高清科技有限公司 | 大场景监控图像拼接方法及拼接系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106910208A (zh) * | 2017-03-07 | 2017-06-30 | 中国海洋大学 | 一种存在运动目标的场景图像拼接方法 |
| CN107301620A (zh) * | 2017-06-02 | 2017-10-27 | 西安电子科技大学 | 基于相机阵列的全景成像方法 |
| CN109961399A (zh) * | 2019-03-15 | 2019-07-02 | 西安电子科技大学 | 基于图像距离变换的最佳缝合线搜寻方法 |
| CN111080529A (zh) * | 2019-12-23 | 2020-04-28 | 大连理工大学 | 一种加强鲁棒性的无人机航拍图像拼接方法 |
| WO2021120405A1 (zh) * | 2019-12-17 | 2021-06-24 | 大连理工大学 | 一种基于标定的大视场角图像实时拼接方法 |
| WO2021185284A1 (zh) * | 2020-03-17 | 2021-09-23 | 长沙智能驾驶研究院有限公司 | 一种全景鸟瞰图像生成方法 |
-
2021
- 2021-12-24 CN CN202111603084.4A patent/CN114463170B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106910208A (zh) * | 2017-03-07 | 2017-06-30 | 中国海洋大学 | 一种存在运动目标的场景图像拼接方法 |
| CN107301620A (zh) * | 2017-06-02 | 2017-10-27 | 西安电子科技大学 | 基于相机阵列的全景成像方法 |
| CN109961399A (zh) * | 2019-03-15 | 2019-07-02 | 西安电子科技大学 | 基于图像距离变换的最佳缝合线搜寻方法 |
| WO2021120405A1 (zh) * | 2019-12-17 | 2021-06-24 | 大连理工大学 | 一种基于标定的大视场角图像实时拼接方法 |
| CN111080529A (zh) * | 2019-12-23 | 2020-04-28 | 大连理工大学 | 一种加强鲁棒性的无人机航拍图像拼接方法 |
| WO2021185284A1 (zh) * | 2020-03-17 | 2021-09-23 | 长沙智能驾驶研究院有限公司 | 一种全景鸟瞰图像生成方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于几何约束的图像配准算法研究;孙可可;《中国优秀硕士学位论文全文数据库》;20230501;全文 * |
| 基于局部单应性矩阵的图像拼接与定位算法研究;迟龙云;张海;赵晨旭;;导航定位与授时;20200515(03);全文 * |
| 局部特征及视觉一致性的柱面全景拼接算法;朱庆辉;尚媛园;邵珠宏;尹晔;;中国图象图形学报;20161116(11);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114463170A (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111145238B (zh) | 单目内窥镜图像的三维重建方法、装置及终端设备 | |
| CN110135455B (zh) | 影像匹配方法、装置及计算机可读存储介质 | |
| EP3028252B1 (en) | Rolling sequential bundle adjustment | |
| CN108648240B (zh) | 基于点云特征地图配准的无重叠视场相机姿态标定方法 | |
| US7565029B2 (en) | Method for determining camera position from two-dimensional images that form a panorama | |
| CN110163912B (zh) | 二维码位姿标定方法、装置及系统 | |
| CN110390640A (zh) | 基于模板的泊松融合图像拼接方法、系统、设备及介质 | |
| Dani et al. | Automated assembling of images: Image montage preparation | |
| US8305430B2 (en) | System and method for multi-camera visual odometry | |
| CN105957007A (zh) | 基于特征点平面相似度的图像拼接方法 | |
| Tamas et al. | Targetless calibration of a lidar-perspective camera pair | |
| CN108596837B (zh) | 图像拼接方法、装置、设备和计算机介质 | |
| CN105005964A (zh) | 基于视频序列影像的地理场景全景图快速生成方法 | |
| CN105335977B (zh) | 摄像系统及目标对象的定位方法 | |
| CN112348890B (zh) | 一种空间定位方法、装置及计算机可读存储介质 | |
| Moussa et al. | A fast approach for stitching of aerial images | |
| CN111738032A (zh) | 一种车辆行驶信息确定方法及装置、车载终端 | |
| CN114463170B (zh) | 一种针对agv应用的大场景图像拼接方法 | |
| CN107895344B (zh) | 视频拼接装置及方法 | |
| JP6410231B2 (ja) | 位置合わせ装置、位置合わせ方法及び位置合わせ用コンピュータプログラム | |
| Attard et al. | Image mosaicing of tunnel wall images using high level features | |
| CN117495676A (zh) | 一种全景环视图像拼接方法、装置、电子设备和存储介质 | |
| CN105335959B (zh) | 成像装置快速对焦方法及其设备 | |
| Nguyen et al. | CalibBD: Extrinsic calibration of the LiDAR and camera using a bidirectional neural network | |
| CN115063477A (zh) | 红外可见光双通道同步成像实时配准融合采集方法及装置 |
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 |