CN115546021A - 一种应用于冷床分流场景检测的多相机图像拼接方法 - Google Patents
一种应用于冷床分流场景检测的多相机图像拼接方法 Download PDFInfo
- Publication number
- CN115546021A CN115546021A CN202210521898.1A CN202210521898A CN115546021A CN 115546021 A CN115546021 A CN 115546021A CN 202210521898 A CN202210521898 A CN 202210521898A CN 115546021 A CN115546021 A CN 115546021A
- Authority
- CN
- China
- Prior art keywords
- image
- camera
- pixel
- splicing
- images
- 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 105
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 31
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000007704 transition Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000003491 array Methods 0.000 claims 2
- 238000001816 cooling Methods 0.000 abstract description 5
- 238000002864 sequence alignment Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 241000282320 Panthera leo Species 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 244000291564 Allium cepa Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001617 sequential probability ratio test Methods 0.000 description 1
- ZFMRLFXUPVQYAU-UHFFFAOYSA-N sodium 5-[[4-[4-[(7-amino-1-hydroxy-3-sulfonaphthalen-2-yl)diazenyl]phenyl]phenyl]diazenyl]-2-hydroxybenzoic acid Chemical compound C1=CC(=CC=C1C2=CC=C(C=C2)N=NC3=C(C=C4C=CC(=CC4=C3O)N)S(=O)(=O)O)N=NC5=CC(=C(C=C5)O)C(=O)O.[Na+] ZFMRLFXUPVQYAU-UHFFFAOYSA-N 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- 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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/548—Queue
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种应用于冷床分流场景检测的多相机图像拼接方法,通过多相机覆盖冷床采集区进行拍摄;随后再服务器中设计各个相机独立的工作进程进行图像采集、校正与滤波以;并针对每个工作进程设计通信队列,采用了控制通信队列容量的手段来进行多进程的时序对齐。每个通信队列的图像帧数据通过服务器中设计的拼接进程基于SIFT特征匹配算子进行单应性匹配,获得单应性图像变换矩阵,并透视变换后将图像进行拼接;最后对拼接边缘区域的融合过渡优化。本发明解决了常规情况冷床配置系统无法针对大场景进行视频流或图像分析处理的问题,实现了冷床分流的大场景自动检测并为后台提供实时大场景图像的能力。
Description
技术领域
本发明属于自动检测技术领域,特别提供了一种应用于冷床分流场景检测的多相机图像拼接方法。
背景技术
图像拼接(Image Mosaic)是将数张存在重叠信息的图像(可能是由同一传感器不同时间、不同传感器同一时间或者不同传感器不同时间从不同视角、光照等条件下采集的)经过匹配叠加合成一张完整无缝的图像(Szeliski R.Computer Vision:Algorithms andApplications[M].Springer-Verlag New York,Inc.,2011.)。图像拼接可以划分为基于灰度配准的拼接方法、基于特征配准的拼接方法等。
(1)基于灰度法:基于灰度法主要有相位相关法、互相关法、序贯相似度检测匹配法、交互信息、模板匹配法等。其中相位相关法是1975年Kuglin和Hines提出的,该方法要求两幅图像间的重叠部分尽量大(比例至少到50%),否则很难进行配准(Lu C H,Zhang J C,Li W B.Design of Automatic Detection Device for Steel Bar Surface Defects[J].Advanced Materials Research,2012,532-533:390-393)。其他的方法在精度与速度之间难以达到平衡。这类方法基本是基于灰度信息配准的图像拼接方法,主要用于医学图像、遥感图像配准融合。
(2)基于特征法:基于特征法是先提取图像的特征点,再匹配特征点,然后计算图像之间的变换模型,最后统一坐标系进行融合。它是目前比较流行、效果较好的方法,其早期应用于的19世纪70年代的立体图像匹配,直到20世纪末才在图像拼接应用中得到普及。①特征提取:
Mikolajczyk和Schinid利用高斯差分尺度空间极大值使得Harris角点具有了尺度自适应性即HarrisLaplace算子,并进一步改进提出具有仿射不变性的Harris-Affine算子(Mikolajczyk K,Schmid C.An affine invariant interest point detector[C]//InProceedings of the 7th European Conference on Computer Vision.2002:128-142.)。1999年Lowe提出了尺度不变特征变换(SIFT)特征(Lowe D G.Distinctive ImageFeatures from Scale-Invariant Keypoints[C]//International Journal of ComputerVision.2004:91-110),它具有划时代的意义,因为其不仅同时具有非常好的旋转、尺度、仿射等不变性,还具有了真正的方向性且配准效果是目前各种方法中效果最好的。②特征匹配:特征提取是第一步,第二步是搜索与匹配,最简单有效的方法就是线性搜索法,不过随着特征提取算法的发展,特征数急剧增多,导致匹配的处理开销过大,降低了配准速度性能。为此,1997年Lowe提出了一个最优节点优先(BBF)算法即改良的k-d树搜索排序算法(Brown M,Schindler G.Location recognition using informative featurevocabulary trees:US,US 7945576 B2[P].2011.)。③计算变换模型:最后计算图像间的变换模型,常规方法最小二乘法估计。不过有时候,为了剔除误配准点,目前常引入Fischler和Bolles提出的随机抽样一致性RANSAC(Matas J,Chum O.Randomized RANSAC withSequential Probability Ratio Test[C]//Computer Vision,IEEE InternationalConference on.IEEE Computer Society,2005:1727-1732.),或1984年Rousseeuw最小中值平方(LMS)。
总体来说,不同的应用领域会根据该领域图像的特点采取合适的算法,故大多数拼接方法具有一定的应用局限性。而针对冷床分流场景图像拼接这一应用领域,其工程研究则相对比较少。
发明内容
针对上述问题,本发明提出一种应用于冷床分流场景检测的多相机图像拼接方法,解决了常规情况冷床配置系统无法针对大场景进行视频流或图像分析处理的问题,实现了冷床分流的大场景自动检测并为后台提供实时大场景图像的能力。
一种应用于冷床分流场景检测的多相机图像拼接方法,其特征在于:设计步骤如下:
步骤1:通过布置多台相机覆盖采集区。
步骤2:通过以太网交换机及网线对相机和服务器进行组网。
步骤3:在服务器中引入multiprocessing模块,具有对各个相机的独立的工作进程process;每台相机对应的工作进程process中有各自可调用的工作函数image_put(),每个相机对应的进程中都会运行该工作函数进行图像的采集、校正与滤波。
步骤4:以队列作为多进程之间的通信容器,设计每个工作进程各自拥有一个通信队列;每个工作进程在对各自的输入流图像帧处理完毕后,将步骤3中处理好的经校正滤波去噪后的图像帧存入各自的队列容器。且当工作进程向其对应的通信队列中存入一张图像帧后,将检查该通信队列的大小,若通信队列不大于1,则重新从采集图像开始执行新的循环,处理下一帧图像;若通信队列大于1,则将通信队列头部的图像弹出。
步骤5:服务器中设计拼接进程,获得来自每个通信队列中的图像帧数据后,将首先对flag位进行判断,若flag为0,表示拼接进程刚刚启动,尚未对各个工作进程所处理的图像进行过图像拼接作业,此时进行步骤6后,继续后续步骤;若flag=1,此时直接进行步骤7。
步骤6:基于SIFT特征匹配算子,得到各张视频图像的匹配点以及描述符距离数组,进一步对图像的单应性匹配,获得单应性图像变换矩阵。
步骤7:根据步骤6中得到的单应性变换矩阵对图像进行透视变换后将图像进行拼接。
步骤8:对拼接边缘区域的融合过渡优化。
本发明所述方法如下:
1、本发明应用于冷床分流场景检测的多相机图像拼接方法,不仅能够满足冷床分流检测场景的技术要求,同时多相机同步的方法也有效拓宽了检测的视野区域。
2、本发明应用于冷床分流场景检测的多相机图像拼接方法,能够较好的满足视频处理所需的实时性要求,一定程度上填补了该工业领域场景检测方法的空白。
3、本发明应用于冷床分流场景检测的多相机图像拼接方法,为后续可能延伸出的实时检测系统与数据处理系统的搭建打下了基础,也为该场景在未来的工业自动化技术落地的实现提供了更多可能。
4、本发明应用于冷床分流场景检测的多相机图像拼接方法,使用方便,成本合理。
附图说明
图1为本发明本发明多相机图像拼接方法所应用的装置架构图。
图2为本发明多相机图像拼接方法流程图。
图3为本发明多相机图像拼接方法拼接图像融合优化方法示意图。
图1中:
1-支撑架 2-平台 3-相机 4-网线
5-以太网交换机5 6-服务器
具体实施方式
本发明应用于冷床分流场景检测的多相机图像拼接方法,具体步骤如下:
步骤1:将两台或多台已知内部参数的相机3安装在竖直支撑架1上固定的平台2上,通过调整各个相机3的安装位置及角度,使多个相机3在共同拍摄时能够将冷床主体、冷床上料区以及冷床下料区进行完整采集,且相邻图像间留有一定的重叠区域。如图1所示。本发明中相机3型号选用800万像素网络高清监控摄像机。上述相机3在安装前应通过张正友标定法使用标定板获得各个相机3对应的标定校正参数,将该参数以.Json格式存放于本地磁盘。
步骤2:将步骤1种各相机3通过或网线4和工业以太网交换机5,对相机3和边缘服务器6进行组网,使相机3采集到的视频图像数据可通过网线4传输至工业以太网交换机5,进一步由工业以太网交换机5将内容转发至边缘服务器6。本发明中交换机5选用8口千兆网络POE交换机5。
步骤3:在服务器6中,引入multiprocessing模块,该模块具有对各个相机3设计的独立的工作进程process,如图示2所示。每台相机3对应的工作进程process中有各自可调用的工作函数image_put(),即每个相机3对应的进程中都会运行该工作函数进行图像的采集、校正与滤波。
当相机3在进程中调用工作函数时,image_put()工作函数使用python中opencv标准工具库中的VedioCapture工具函数读取相机3的视频流,并调用本地存放的相机3标定参数对图像进行校正,去除图像中的径向畸变与切向畸变;去除畸变后的图像使用高斯滤波去除噪声干扰。
步骤4:以队列作为多进程之间的通信容器,设计每个工作进程各自拥有一个通信队列。如图2所示,每个工作进程在对各自的输入流图像帧处理完毕后,将步骤3中处理好的经校正滤波去噪后的图像帧存入各自的队列容器。为了应对图像处理流程的时延,本发明方法中采用了控制通信队列容量的手段来进行多进程的时序对齐,方法为:当工作进程向其对应的通信队列中存入一张图像帧后,将检查该通信队列的大小,若通信队列不大于1,则重新从采集图像开始执行新的循环,处理下一帧图像;若通信队列大于1,则将通信队列头部的图像弹出,确保通信队列始终保存的是该工作进程处理得到的最新一帧结果。
上述过程中,工作进程相当于生产者,拼接进程将作为消费者。拼接进程通过获取各个工作进程的通信队列来进行进程间通信。通过上述方法,将可以保证拼接进程作为消费者进程将获得各个生产者最新产出的图像,因为进程为并行,由此可达到一定精度的时序对齐。
步骤5:服务器6中设计有拼接进程,获得来自每个通信队列中的图像帧数据后,将首先对flag位进行判断,flag位标志着拼接进程是否已经对图像帧进行过特征匹配,若flag为0,说明拼接进程刚刚启动,尚未对各个工作进程所处理的图像进行过图像拼接作业,此时进行步骤6后,继续后续步骤;若flag=1,此时直接进行步骤7。
步骤6:基于SIFT特征匹配算子,使用cv2.SIFT_create()函数生成一个SIFT对象,再使用cv2.SURF.detectAndCompute()函数计算每个视频图像的关键点和描述符。之后创建flann快速匹配器进行匹配得到各张视频图像的匹配点以及描述符距离数组。随后使用阈值0.75进行匹配点筛选,进一步通过cv2.findHomography()实现图像的单应性匹配,获得单应性图像变换矩阵。
步骤7:通过使用cv2.warpPerspective(),根据步骤6中得到的单应性变换矩阵对图像进行透视变换后将图像进行拼接。
步骤8:经拼接进程配准后直接拼接的结果具有很明显的拼接边缘,因此本发明中使用改进的基于像素距离的自适应加权融合方法,实现对拼接边缘区域的融合过渡优化,具体为:
如图3所示,在经前述步骤7拼接后的原始拼接图像中通过遍历的方式确定各图像的重叠区域的左右边界,之后在重叠区域中进行像素遍历,区域中的像素靠近左图时,该像素在左图中的灰度值权重更大,反之靠近右图时,则该像素在右图的像素灰度值权重更大,加权系数的大小完全由重叠区域像素到重叠区域的边界距离进行确定,通过数学形式表达如式(1)和式(2)所示:
式中,为重叠区域中第i行第j列像素在图像1中获得权重;为重叠区域中第i行第j列像素在图像2中获得权重;d1为该像素到重叠区域中图像2左边界的横向像素距离;d2为该像素到重叠区域中图像1右边界的横向像素距离。
通过式(3)将图像进行融合:
式中,M1(i,j)为重叠区域中第i行第j列像素在图像1中的灰度值,M2(i,j)为重叠区域中第i行第j列像素在图像2中的灰度值,M(i,j)为重叠区域中第i行第j列像素最终融合得到的灰度值。
最后拼接融合好得图像可输出至前端或后台其他处理系统进行后续用途。
本发明拼接方法不仅能够满足冷床分流检测场景的技术要求,同时多相机3同步的方法也有效拓宽了检测的视野区域。该方法的架构能够较好的满足视频处理所需的实时性要求,一定程度上填补了该工业领域场景检测方法的空白。该方法为后续可能延伸出的实时检测系统与数据处理系统的搭建打下了基础,也为该场景在未来的工业自动化技术落地的实现提供了更多可能。
Claims (5)
1.一种应用于冷床分流场景检测的多相机图像拼接方法,其特征在于:设计步骤如下:
步骤1:通过布置多台相机覆盖采集区;
步骤2:通过以太网交换机及网线对相机和服务器进行组网;
步骤3:在服务器中引入multiprocessing模块,具有对各个相机的独立的工作进程process;每台相机对应的工作进程process中有各自可调用的工作函数image_put(),每个相机对应的进程中都会运行该工作函数进行图像的采集、校正与滤波;
步骤4:以队列作为多进程之间的通信容器,设计每个工作进程各自拥有一个通信队列;每个工作进程在对各自的输入流图像帧处理完毕后,将步骤3中处理好的经校正滤波去噪后的图像帧存入各自的队列容器;且当工作进程向其对应的通信队列中存入一张图像帧后,将检查该通信队列的大小,若通信队列不大于1,则重新从采集图像开始执行新的循环,处理下一帧图像;若通信队列大于1,则将通信队列头部的图像弹出;
步骤5:服务器中设计拼接进程,获得来自每个通信队列中的图像帧数据后,将首先对flag位进行判断,若flag为0,表示拼接进程刚刚启动,尚未对各个工作进程所处理的图像进行过图像拼接作业,此时进行步骤6后,继续后续步骤;若flag=1,此时直接进行步骤7;
步骤6:基于SIFT特征匹配算子,得到各张视频图像的匹配点以及描述符距离数组,进一步对图像的单应性匹配,获得单应性图像变换矩阵;
步骤7:根据步骤6中得到的单应性变换矩阵对图像进行透视变换后将图像进行拼接;
步骤8:对拼接边缘区域的融合过渡优化。
2.如权利要求1所述一种应用于冷床分流场景检测的多相机图像拼接方法,其特征在于:相机在安装前应通过张正友标定法使用标定板获得各个相机对应的标定校正参数,存放于本地磁盘。
3.如权利要求1所述一种应用于冷床分流场景检测的多相机图像拼接方法,其特征在于:相机在工作进程中调用工作函数image_put()时,工作函数使用opencv标准工具库中的VedioCapture工具函数读取相机的视频流,并调用本地存放的相机标定参数对图像进行校正,去除图像中的径向畸变与切向畸变;去除畸变后的图像使用高斯滤波去除噪声干扰。
4.如权利要求1所述一种应用于冷床分流场景检测的多相机图像拼接方法,其特征在于:步骤6中,使用cv2.SIFT_create()函数生成一个SIFT对象,再使用cv2.SURF.detectAndCompute()函数计算每个视频图像的关键点和描述符;之后创建flann快速匹配器进行匹配得到各张视频图像的匹配点以及描述符距离数组;随后使用阈值0.75进行匹配点筛选,进一步通过cv2.findHomography()实现图像的单应性匹配,获得单应性图像变换矩阵。
5.如权利要求1所述一种应用于冷床分流场景检测的多相机图像拼接方法,其特征在于:步骤8中,使用改进的基于像素距离的自适应加权融合方法实现拼接边缘区域的融合过渡优化,具体为:
在经步骤7拼接后的原始拼接图像中通过遍历的方式确定各图像的重叠区域的左右边界,之后在重叠区域中进行像素遍历,区域中的像素靠近左图时,该像素在左图中的灰度值权重更大,反之靠近右图时,则该像素在右图的像素灰度值权重更大,加权系数的大小完全由重叠区域像素到重叠区域的边界距离进行确定,通过数学形式表达如式(1)和式(2)所示:
式中,为重叠区域中第i行第j列像素在图像1中获得权重;为重叠区域中第i行第j列像素在图像2中获得权重;d1为该像素到重叠区域中图像2左边界的横向像素距离;d2为该像素到重叠区域中图像1右边界的横向像素距离;
通过式(3)将图像进行融合:
式中,M1(i,j)为重叠区域中第i行第j列像素在图像1中的灰度值,M2(i,j)为重叠区域中第i行第j列像素在图像2中的灰度值,M(i,j)为重叠区域中第i行第j列像素最终融合得到的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210521898.1A CN115546021A (zh) | 2022-05-13 | 2022-05-13 | 一种应用于冷床分流场景检测的多相机图像拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210521898.1A CN115546021A (zh) | 2022-05-13 | 2022-05-13 | 一种应用于冷床分流场景检测的多相机图像拼接方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115546021A true CN115546021A (zh) | 2022-12-30 |
Family
ID=84723703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210521898.1A Pending CN115546021A (zh) | 2022-05-13 | 2022-05-13 | 一种应用于冷床分流场景检测的多相机图像拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546021A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455768A (zh) * | 2023-12-26 | 2024-01-26 | 深圳麦哲科技有限公司 | 一种三目摄像头图像拼接方法 |
-
2022
- 2022-05-13 CN CN202210521898.1A patent/CN115546021A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455768A (zh) * | 2023-12-26 | 2024-01-26 | 深圳麦哲科技有限公司 | 一种三目摄像头图像拼接方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Efficient image stitching of continuous image sequence with image and seam selections | |
US9992408B2 (en) | Photographing processing method, device and computer storage medium | |
CN102706274B (zh) | 工业结构化场景中机器视觉精确定位机械零件的系统 | |
CN110766720A (zh) | 一种基于深度学习的多摄像头车辆跟踪系统 | |
CN109376641B (zh) | 一种基于无人机航拍视频的运动车辆检测方法 | |
CN111383204A (zh) | 视频图像融合方法、融合装置、全景监控系统及存储介质 | |
CN103955888A (zh) | 一种基于sift的高清视频图像拼接方法及装置 | |
Li et al. | Panoramic image mosaic technology based on sift algorithm in power monitoring | |
CN115546021A (zh) | 一种应用于冷床分流场景检测的多相机图像拼接方法 | |
CN111028263A (zh) | 一种基于光流颜色聚类的运动物体分割方法及其系统 | |
CN115049689A (zh) | 一种基于轮廓检测技术的乒乓球识别方法 | |
CN104966283A (zh) | 图像分层配准方法 | |
CN110120012A (zh) | 基于双目摄像头的同步关键帧提取的视频拼接方法 | |
CN111681271B (zh) | 一种多通道多光谱相机配准方法、系统及介质 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
WO2012065872A1 (en) | Change detection in video data | |
CN116188524A (zh) | 一种采用显著性捕获交互的目标跟踪方法及系统 | |
CN111860035A (zh) | 图书封面检测方法、装置及存储介质和电子设备 | |
CN113688680B (zh) | 一种智能识别与追踪系统 | |
CN111833384B (zh) | 一种可见光和红外图像快速配准方法及装置 | |
van de Wouw et al. | Hierarchical 2.5-d scene alignment for change detection with large viewpoint differences | |
CN114419489A (zh) | 特征提取网络的训练方法、装置、终端设备和介质 | |
CN110177256B (zh) | 一种追踪视频数据获取方法和装置 | |
AU2011311387B2 (en) | Image processing | |
EP2455915A1 (en) | Change detection in image sequences |
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 |