CN114693959A - 图像目标匹配定位方法、存储介质和计算机 - Google Patents
图像目标匹配定位方法、存储介质和计算机 Download PDFInfo
- Publication number
- CN114693959A CN114693959A CN202011610443.4A CN202011610443A CN114693959A CN 114693959 A CN114693959 A CN 114693959A CN 202011610443 A CN202011610443 A CN 202011610443A CN 114693959 A CN114693959 A CN 114693959A
- Authority
- CN
- China
- Prior art keywords
- image
- line segment
- edge
- template
- template 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 7
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像目标匹配定位方法、存储介质和计算机，所述方法包括：将模板图像中的边缘点线段化得到边缘线段集合，对得到的边缘线段集合中的每条线段进行描述得到线段描述符；将检测图像中的边缘点线段化得到边缘线段集合，对得到的边缘线段集合中的每条线段进行描述得到线段描述符；将模板图像中的线段描述符与检测图像中的线段描述符进行匹配筛选，得到所述模板图像中的线段描述符与所述检测图像中的线段描述符之间的配对关系；基于所述模板图像中的线段描述符与所述检测图像中的线段描述符之间的配对关系计算所述模板图像与所述检测图像之间的仿射变化矩阵，得到所述模板图像在所述检测图像中的坐标映射关系。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像目标匹配定位方法、存储介质和计算机。
背景技术
图像的边缘是用来判断图像中目标区域的位置、旋转角度以及缩放等变化的主要依据，且图像的边缘信息较整幅图像而言具有信息量少，特征明显，受光照等外部条件影响较小的特点，因此基于轮廓和边缘特征被广泛的应用于图像特征匹配中。对于传统的基于点特征如sift，surf，fast以及角点等的算法，因为其实时性、对图像的噪声敏感性、匹配精度不足等问题，在图像匹配定位中应用十分有限。
因此，有必要提出一种改进的方案来克服上述问题。
发明内容
本发明的目的在于提供一种图像目标匹配定位方法、存储介质和计算机，其可以克服传统的点特征算法的不足，基于图像的边缘快速简单的进行匹配定位。
为实现发明目的，根据本发明的一个方面，本发明提供一种图像目标匹配定位方法，其包括：将模板图像中的边缘点线段化得到边缘线段集合，对得到的边缘线段集合中的每条线段进行描述得到线段描述符；将检测图像中的边缘点线段化得到边缘线段集合，对得到的边缘线段集合中的每条线段进行描述得到线段描述符；将模板图像中的线段描述符与检测图像中的线段描述符进行匹配筛选，得到所述模板图像中的线段描述符与所述检测图像中的线段描述符之间的配对关系；和基于所述模板图像中的线段描述符与所述检测图像中的线段描述符之间的配对关系计算所述模板图像与所述检测图像之间的仿射变化矩阵，得到所述模板图像在所述检测图像中的坐标映射关系。
根据本发明的另一个方面，本发明提供一种存储介质，其存储有程序指令，在所述程序执行被运行上文所述的图像目标匹配定位方法。
根据本发明的再一个方面，本发明提供一种计算机，其包括处理器和存储器，所述存储器中存储有程序指令，所述处理器运行所述程序指令以执行上文所述的图像目标匹配定位方法。
与现有技术相比，本发明基于图像边缘在一幅检测图像中快速而高精度地找到特定目标区域，并且获取该目标区域的坐标偏移，旋转角度，以及缩放等变化因素。
附图说明
图1为本发明中的图像目标匹配定位方法在一个实施例中的流程示意图；
图2为本发明中的模板图像以及其内的边缘线段的集合的示例；
图3是本发明中的检测图像以及其内的边缘线段的集合的示例；
图4是在检测图像中绘制的与模板图像的匹配关系；
图5是模板图像在检测图像中的坐标位置示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。
本发明提出一种基于图像边缘特征的图像目标匹配定位方法，其可以克服传统的点特征算法的不足，基于图像的边缘快速简单的进行匹配定位。
图1为本发明中的图像目标匹配定位方法100在一个实施例中的流程示意图。如图1所示的，所述图像目标匹配定位方法100包括如下步骤。
步骤110，将模板图像中的边缘点线段化得到边缘线段集合，对得到的边缘线段集合中的每条线段进行描述得到线段描述符。
可以先选择一张模板图像，该模板图像中包含特定的轮区域分布特征，且具有较明显和独特的轮廓特征，如产品的LOGO，交通标志，特定的零件等。为了后续快速处理，可以将模板图像进行灰度化处理，使模板图像信息量缩减更加有利于边缘信息提取。另外，还可以对灰度化后的模板图形进行预处理，所述预处理包括下列处理中的一种或多种：双边滤波、消除图像噪点和平滑图像。如图2所示的，其为模板图像的一个示例。
为了将模板图像中的边缘点线段化得到边缘线段集合，可以先对模板图像进行边缘计算得到所述模板图像的综合边缘梯度图像。具体的，可以利用索贝尔算子对所述模板图像进行水平卷积计算得到所述模板图像的水平边缘梯度图像，利用索贝尔算子对所述模板图像进行垂直卷积计算得到所述模板图像的垂直边缘梯度图像，再将所述模板图像的水平边缘梯度图像和垂直边缘梯度图像相加得到所述模板图像的综合边缘梯度图像。
随后，将所述模板图像的综合边缘梯度图像进行阈值化操作。具体的，将综合边缘梯度图像中低于第一梯度阈值的像素置零，以减少图像噪点和弱边缘。
之后，将阈值化后的综合边缘梯度图像中的边缘点线段化得到边缘线段集合。具体的，遍历阈值化后的综合边缘梯度图像中大于第一梯度阈值的边缘点，将其存入一个链表数据结构中，并按梯度从大到小进行排序，将链表前百分之一的像素作为种子像素，对其邻域内预期梯度方向小于第二梯度阈值的边缘像素点进行聚类，经过反复迭代，将边缘点线段化，并设置最小长度阈值，去除长度较短的线段。经此步骤，模板图像的数据量骤减，原本模板图像的像素信息变成了数量较少的线段信息，同时还尽可能保留了模板图像中的轮廓信息。本文中的线段也可以被称为边缘线段。如图2所示的，其中已经示意出了模板图像中检测得到的线段。
对得到的边缘线段集合中的每条线段利用ORB(Oriented Brief)描述算法生成具有主方向和半径长度的线段描述符，所述线段描述符的主方向由边缘线段的梯度方向决定，所述线段描述符的半径长度由线段长度决定，这样保证了图像区域的线段描述符和图像保持角度和尺度缩放的一致性。
在一个优选的实施例中，可以将所述模板图像的线段描述符进行栅格化处理生成栅格特征向量。所述栅格化处理即将小区域范围(栅格区域)内的线段描述符集合，用于精简粗匹配运算量和提高鲁棒性，生成栅格特征向量。可以根据图像的大小和线段数量，设定栅格区域的大小。
步骤120，将检测图像中的边缘点线段化得到线段集合，对得到的线段集合中的每条线段进行描述得到线段描述符。
获取一张检测图像，该检测图像中可以包括模板图像中的图像目标。为了后续快速处理，可以将检测图像进行灰度化处理，使检测图像信息量缩减更加有利于边缘信息提取。另外，还可以对灰度化后的检测图形进行预处理，所述预处理包括下列处理中的一种或多种：双边滤波、消除图像噪点和平滑图像。如图3所示的，其为检测图像的一个示例。
为了将检测图像中的边缘点线段化得到边缘线段集合，可以先对检测图像进行边缘计算得到所述检测图像的综合边缘梯度图像。具体的，可以利用索贝尔算子对所述检测图像进行水平卷积计算得到所述检测图像的水平边缘梯度图像，利用索贝尔算子对所述检测图像进行垂直卷积计算得到所述检测图像的垂直边缘梯度图像，再将所述检测图像的水平边缘梯度图像和垂直边缘梯度图像相加得到所述检测图像的综合边缘梯度图像。
随后，将所述检测图像的综合边缘梯度图像进行阈值化操作。具体的，将综合边缘梯度图像中低于第一梯度阈值的像素置零，以减少图像噪点和弱边缘。
之后，将阈值化后的综合边缘梯度图像中的边缘点线段化得到边缘线段集合。具体的，遍历阈值化后的综合边缘梯度图像中大于第一梯度阈值的边缘点，将其存入一个链表数据结构中，并按梯度从大到小进行排序，将链表前百分之一的像素作为种子像素，对其邻域内预期梯度方向小于第二梯度阈值的边缘像素点进行聚类，经过反复迭代，将边缘点线段化，并设置最小长度阈值，去除长度较短的线段。经此步骤，图像中的轮廓即使发生旋转和缩放，其梯度方向和模板图像保持一致的角度差值，特定位置的线段长度也和模板图像中的特定位置保证相同的缩放比例，解决了传统模板匹配中旋转和尺度缩放的难点。本文中的线段也可以被称为边缘线段。如图3所示的，其中已经示意出了检测图像中检测得到的线段。
对得到的边缘线段集合中的每条线段利用ORB(Oriented Brief)描述算法生成具有主方向和半径长度的线段描述符，所述线段描述符的主方向由边缘线段的梯度方向决定，所述线段描述符的半径长度由线段长度决定，这样保证了图像区域的线段描述符和图像保持角度和尺度缩放的一致性。
在一个优选的实施例中，可以将所述检测图像的线段描述符进行栅格化处理生成栅格特征向量。所述栅格化处理即将小区域范围(栅格区域)内的线段描述符集合，用于精简粗匹配运算量和提高鲁棒性，生成栅格特征向量。可以根据规定的缩放范围，对检测图像进行多个大小的栅格化处理。
步骤130，将模板图像中的线段描述符与检测图像中的线段描述符进行匹配筛选，得到所述模板图像中的线段描述符与所述检测图像中的线段描述符之间的配对关系。
在一个实施例中，可以将所述模板图像中的线段描述符与所述检测图像中的线段描述符进行随机抽样一致(RASANC，Random Sample Consensus)筛选，得到所述模板图像中的线段描述符与所述检测图像中的线段描述符之间的配对关系。这样的方式，虽然可以得到所述模板图像中的线段描述符与所述检测图像中的线段描述符之间的配对关系，但是需要的计算量较大，并且准确度可以进行进一步的提高。
在一个优选的实施例中，此时所述模板图像以及所述检测图像都进行了格栅化处理得到了栅格特征向量，该步骤130具体包括如下步骤。
步骤131，遍历计算所述模板图像中的栅格特征向量与所述检测图像中的栅格特征向量之间的欧式距离，依次在所述检测图像中找到与所述模板图像的每个栅格特征向量欧式距离最小的一个或多个栅格特征向量，并将在所述检测图像中找到的栅格特征向量对应的栅格设为与所述模板图像的该每个栅格特征向量对应的栅格匹配配对的备选栅格；需要注意的是，与所述模板图像的每个栅格特征向量欧式距离最小的一个或多个栅格特征向量不仅包括欧式距离最小的那个栅格特征向量，还可能包括次小的一个或几个栅格特征向量，具体选择最小的几个栅格特征向量可以按照设定的规则确定。
步骤132，依次遍历所述模板图像的每一个栅格中的线段描述符和该每一个栅格在所述检测图像中配对的备选栅格中的线段描述符，并对这些描述符之间的欧式距离进行筛选，得到所述模板图像中的线段描述符与所述检测图像中的描述符之间的初步配对关系；
步骤133，将具有初步配对关系的模板图像中的线段描述符与检测图像中的线段描述符进行随机抽样一致(RASANC，Random Sample Consensus)筛选，得到所述模板图像中的线段描述符与所述检测图像中的线段描述符之间的最终配对关系。
相对于不进行栅格化的筛选匹配方案，此实施例能够提高匹配精度，加快匹配速度，节省计算量。
图4是在检测图像中绘制的与模板图像的匹配关系。
步骤140，基于所述模板图像中的线段描述符与所述检测图像中的线段描述符之间的配对关系利用最小二乘法迭代优化计算所述模板图像与所述检测图像之间的仿射变化矩阵，得到所述模板图像在所述检测图像中的坐标映射关系。基于坐标映射关系可以获取模板图像在检测图像中的位置偏移、角度旋转、和尺度缩放等信息。图5是模板图像在检测图像中的坐标位置示意图。
这样，本发明基于图像边缘在一幅检测图像中快速而高精度地找到特定目标区域，并且获取该目标区域的坐标偏移，旋转角度，以及缩放等变化因素。
根据本发明的另一个方面，本发明提供一种存储介质，其存储有程序指令，在所述程序执行被运行以执行上文所述图像目标匹配定位方法。为了简便，所述图像目标匹配定位方法的具体内容在此处不再重复。
根据本发明的另一个方面，本发明提供一种计算机，其包括处理器和存储器，所述存储器中存储有程序指令，所述处理器运行所述程序指令以执行上文所述图像目标匹配定位方法。为了简便，所述图像目标匹配定位方法的具体内容在此处不再重复。
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理装置的处理器以产生一个机器，使得通过计算机或其他可编程数据处理装置的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理装置上，使得在计算机或其他可编程装置上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程装置上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
Claims (10)
1.一种图像目标匹配定位方法，其特征在于，其包括：
将模板图像中的边缘点线段化得到边缘线段集合，对得到的边缘线段集合中的每条线段进行描述得到线段描述符；
将检测图像中的边缘点线段化得到边缘线段集合，对得到的边缘线段集合中的每条线段进行描述得到线段描述符；
将模板图像中的线段描述符与检测图像中的线段描述符进行匹配筛选，得到所述模板图像中的线段描述符与所述检测图像中的线段描述符之间的配对关系；和
基于所述模板图像中的线段描述符与所述检测图像中的线段描述符之间的配对关系计算所述模板图像与所述检测图像之间的仿射变化矩阵，得到所述模板图像在所述检测图像中的坐标映射关系。
2.如权利要求1所述的图像目标匹配定位方法，其特征在于，所述将模板图像中的边缘点线段化得到边缘线段集合包括：
对模板图像进行边缘计算得到所述模板图像的综合边缘梯度图像；
将所述模板图像的综合边缘梯度图像进行阈值化操作；和
将阈值化后的综合边缘梯度图像中的边缘点线段化得到边缘线段集合；
所述将检测图像中的边缘点线段化得到边缘线段集合包括：
对检测图像进行边缘计算得到所述检测图像的综合边缘梯度图像；
将所述检测图像的综合边缘梯度图像进行阈值化操作；和
将阈值化后的综合边缘梯度图像中的边缘点线段化得到边缘线段集合。
3.如权利要求2所述的图像目标匹配定位方法，其特征在于，所述对模板图像进行边缘计算得到所述模板图像的综合边缘梯度图像包括：
利用索贝尔算子对所述模板图像进行水平卷积计算得到所述模板图像的水平边缘梯度图像；
利用索贝尔算子对所述模板图像进行垂直卷积计算得到所述模板图像的垂直边缘梯度图像；和
将所述模板图像的水平边缘梯度图像和垂直边缘梯度图像相加得到所述模板图像的综合边缘梯度图像；
所述对检测图像进行边缘计算得到所述检测图像的综合边缘梯度图像包括：
利用索贝尔算子对所述检测图像进行水平卷积计算得到所述检测图像的水平边缘梯度图像；
利用索贝尔算子对所述检测图像进行垂直卷积计算得到所述检测图像的垂直边缘梯度图像；和
将所述检测图像的水平边缘梯度图像和垂直边缘梯度图像相加得到所述检测图像的综合边缘梯度图像。
4.如权利要求2所述的图像目标匹配定位方法，其特征在于，
在对所述模板图像进行边缘计算前，还包括：
对所述模板图像进行灰度化处理以及预处理，所述预处理包括下列处理中的一种或多种：双边滤波、消除图像噪点和平滑图像；
在对检测图像进行边缘计算前，还包括：
对所述待检测图像进行灰度化处理以及预处理，所述预处理包括下列处理中的一种或多种：双边滤波、消除图像噪点和平滑图像。
5.如权利要求2所述的图像目标匹配定位方法，其特征在于，所述将所述模板图像的综合边缘梯度图像进行阈值化操作包括：将低于第一梯度阈值的像素置零。
6.如权利要求2所述的图像目标匹配定位方法，其特征在于，
所述将阈值化后的综合边缘梯度图像中的边缘点线段化得到边缘线段集合包括：
遍历阈值化后的综合边缘梯度图像中大于第一梯度阈值的边缘点，将其存入一个链表数据结构中，并按梯度从大到小进行排序，将链表前百分之一的像素作为种子像素，对其邻域内预期梯度方向小于第二梯度阈值的边缘像素点进行聚类，经过反复迭代，将边缘点线段化，并设置最小长度阈值，去除长度较短的线段。
7.如权利要求1所述的图像目标匹配定位方法，其特征在于，对得到的边缘线段集合中的每条线段利用ORB描述算法生成具有主方向和半径长度的线段描述符，所述线段描述符的主方向由边缘线段的梯度方向决定，所述线段描述符的半径长度由线段长度决定。
8.如权利要求1所述的图像目标匹配定位方法，其特征在于，其还包括：
将所述模板图像的线段描述符进行栅格化处理生成栅格特征向量；
将检测图像中的线段描述符进行栅格化处理生成栅格特征向量；
所述将模板图像中的线段描述符与检测图像中的线段描述符进行匹配筛选，得到所述模板图像中的线段描述符与所述检测图像中的线段描述符之间的配对关系包括：
遍历计算所述模板图像中的栅格特征向量与所述检测图像中的栅格特征向量之间的欧式距离，依次在所述检测图像中找到与所述模板图像的每个栅格特征向量欧式距离最小的一个或多个栅格特征向量，并将在所述检测图像中找到的栅格特征向量对应的栅格设为与所述模板图像的该每个栅格特征向量对应的栅格匹配配对的备选栅格；
依次遍历所述模板图像的每一个栅格中的线段描述符和该每一个栅格在所述检测图像中配对的备选栅格中的线段描述符，并对这些描述符之间的欧式距离进行筛选，得到所述模板图像中的线段描述符与所述检测图像中的描述符之间的初步配对关系；
将具有初步配对关系的模板图像中的线段描述符与检测图像中的线段描述符进行随机抽样一致筛选，得到所述模板图像中的线段描述符与所述检测图像中的线段描述符之间的最终配对关系。
9.一种存储介质，其特征在于，其存储有程序指令，在所述程序执行被运行以执行如权利要求1-8任一所述的图像目标匹配定位方法。
10.一种计算机，其特征在于，其包括处理器和存储器，所述存储器中存储有程序指令，所述处理器运行所述程序指令以执行如权利要求1-8任一所述的图像目标匹配定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011610443.4A CN114693959A (zh) | 2020-12-30 | 2020-12-30 | 图像目标匹配定位方法、存储介质和计算机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011610443.4A CN114693959A (zh) | 2020-12-30 | 2020-12-30 | 图像目标匹配定位方法、存储介质和计算机 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114693959A true CN114693959A (zh) | 2022-07-01 |
Family
ID=82132445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011610443.4A Pending CN114693959A (zh) | 2020-12-30 | 2020-12-30 | 图像目标匹配定位方法、存储介质和计算机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114693959A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116551701A (zh) * | 2023-07-10 | 2023-08-08 | 珠海格力电器股份有限公司 | 机器人控制方法、装置、电子设备及存储介质 |
| CN117132590A (zh) * | 2023-10-24 | 2023-11-28 | 威海天拓合创电子工程有限公司 | 一种基于图像的多板卡缺陷检测方法及装置 |
-
2020
- 2020-12-30 CN CN202011610443.4A patent/CN114693959A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116551701A (zh) * | 2023-07-10 | 2023-08-08 | 珠海格力电器股份有限公司 | 机器人控制方法、装置、电子设备及存储介质 |
| CN116551701B (zh) * | 2023-07-10 | 2023-10-10 | 珠海格力电器股份有限公司 | 机器人控制方法、装置、电子设备及存储介质 |
| CN117132590A (zh) * | 2023-10-24 | 2023-11-28 | 威海天拓合创电子工程有限公司 | 一种基于图像的多板卡缺陷检测方法及装置 |
| CN117132590B (zh) * | 2023-10-24 | 2024-03-01 | 威海天拓合创电子工程有限公司 | 一种基于图像的多板卡缺陷检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784250B (zh) | 自动引导小车的定位方法和装置 | |
| CN101911100B (zh) | 用于图像识别的基于特征的签名 | |
| US11189032B2 (en) | Method and apparatus for extracting a satellite image-based building footprint | |
| CN107169489B (zh) | 倾斜图像校正的方法和装置 | |
| CN114693959A (zh) | 图像目标匹配定位方法、存储介质和计算机 | |
| TW202417835A (zh) | 對顯微鏡影像之智慧型計量 | |
| CN113158895A (zh) | 票据识别方法、装置、电子设备及存储介质 | |
| CN115100616A (zh) | 点云目标检测方法、装置、电子设备及存储介质 | |
| JP2012043436A (ja) | 対象検出装置、対象検出方法、分類器作成装置及び分類器作成方法 | |
| CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
| CN103336964B (zh) | 一种基于模值差镜像不变性的sift图像匹配方法 | |
| CN116823827B (zh) | 一种基于图像处理的矿石粉碎效果评价方法 | |
| CN117292337A (zh) | 遥感图像目标检测方法 | |
| CN109815763A (zh) | 二维码的检测方法、装置和存储介质 | |
| CN111898408B (zh) | 一种快速人脸识别方法及装置 | |
| CN110490865B (zh) | 基于螺柱高反光特性的螺柱点云分割方法 | |
| CN115953399B (zh) | 基于轮廓特征与svdd的工业部件结构性缺陷检测方法 | |
| CN117152219A (zh) | 一种图像配准方法、系统和设备 | |
| CN109191489B (zh) | 一种飞行器着陆标志的检测跟踪方法与系统 | |
| CN114092695B (zh) | 一种基于分割模型的roi提取方法及装置 | |
| CN113255405B (zh) | 车位线识别方法及其系统、车位线识别设备、存储介质 | |
| CN110188601B (zh) | 一种基于学习的机场遥感图像检测方法 | |
| CN114758161B (zh) | 图像目标匹配定位方法、存储介质和计算机 | |
| CN114049380A (zh) | 目标物体定位追踪方法、装置、计算机设备和存储介质 | |
| CN112906641A (zh) | 一种ebsd金相图像晶粒识别方法及装置 |
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 |