CN115953567B - 一种堆箱数量的检测方法、装置、终端设备及存储介质 - Google Patents
一种堆箱数量的检测方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN115953567B CN115953567B CN202310238472.XA CN202310238472A CN115953567B CN 115953567 B CN115953567 B CN 115953567B CN 202310238472 A CN202310238472 A CN 202310238472A CN 115953567 B CN115953567 B CN 115953567B
- Authority
- CN
- China
- Prior art keywords
- detected
- box
- images
- stacking
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种堆箱数量的检测方法、装置、终端设备及存储介质，将若干待测堆箱图像输入到训练好的箱体检测模型中进行识别，从而将堆箱数据全部标记到每张待测堆箱图像中，获得若干待测堆箱标记图像，将带有堆箱数据的待测堆箱标记图像分为正面和侧面进行图像拼接，获得待测正面拼接图像和待测侧面拼接图像，并在拼接完成后根据待测正面拼接图像和待测侧面拼接图像中的已标注像素数据，进行体积计算，进而基于计算得到的体积进行待测堆箱的堆箱数量计算，完成了堆箱数量的检测。本申请从正面角度和侧面角度进行待测堆箱的数量检测，并通过图像拼接的方式，将不同角度的待测堆箱图像拼接在一起，能够解决堆箱数量过多导致照片拍摄不完的问题。
Description
技术领域
本发明涉及电数字数据处理领域，尤其涉及一种堆箱数量的检测方法、装置、终端设备及存储介质。
背景技术
仓库或者库存管理中需要在地堆场景进行堆箱数量估计，结合堆箱的目标识别和特征匹配等技术，识别出堆箱摆放的姿态，进而推理出目标地堆中堆箱的个数范围。这里存在的问题是大多地堆中是一个立体地堆，只能看到几个面的堆箱排面数，由于地堆面比较长的时候一张图片拍摄不完，这将会导致堆箱数量的检测不够准确。
因此，亟需一种堆箱数量的检测策略，从而解决堆箱数量检测不准确的问题。
发明内容
本发明实施例提供一种堆箱数量的检测方法、装置、终端设备及存储介质，以提高堆箱数量检测的准确率。
为了解决上述问题，本发明一实施例提供一种堆箱数量的检测方法，包括：
获取若干待测堆箱图像；其中，若干所述待测堆箱图像包括：若干待测正面图像和若干待测侧面图像；
将每张所述待测堆箱图像输入至箱体检测模型中进行识别，获得若干带有堆箱数据的待测堆箱标记图像；其中，每张所述待测堆箱标记图像与每张所述待测堆箱图像一一对应，若干所述待测堆箱标记图像包括：若干待测正面标记图像和若干待测侧面标记图像；以及，所述箱体检测模型通过将已标注轮廓信息和类别信息的训练样本输入到预设的目标检测模型中训练获得；以及，所述堆箱数据包括：若干未遮挡箱体的轮廓角点数据和已标注像素数据；
根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得所述若干待测正面标记图像对应的待测正面拼接图像和若干待测侧面标记图像对应的待测侧面拼接图像；
根据待测正面拼接图像中若干未遮挡箱体的已标注像素数据、以及待测侧面拼接图像中若干未遮挡箱体的已标注像素数据，计算堆箱体积数据，基于所述堆箱体积数据计算获得待测堆箱的堆箱数量。
作为上述方案的改进，所述根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得所述若干待测正面标记图像对应的待测正面拼接图像和若干待测侧面标记图像对应的待测侧面拼接图像，包括：
根据每张所述待测堆箱标记图像中若干未遮挡箱体的堆箱轮廓角点数据，通过superpoint特征匹配网络，对若干所述待测正面标记图像进行特征匹配，获得每两张所述待测正面标记图像之间的匹配对，并对若干所述待测侧面标记图像进行特征点匹配，获得每两张所述待测侧面标记图像之间的匹配对；
根据每两张所述待测正面图像之间的匹配对和每两张所述待测侧面图像之间的匹配对，分别代入预设的单应性矩阵算法，获得每两张所述待测正面图像之间的单应性矩阵和每两张所述待测侧面图像之间的单应性矩阵；
根据每两张所述待测正面图像之间的单应性矩阵，结合预设的图像处理操作，获得待测正面拼接图像；以及，根据每两张所述待测侧面图像的单应性矩阵，结合预设的图像处理操作，获得待测侧面拼接图像；其中，所述预设的图像处理操作包括：水平矫正、图像投影、曝光补偿、拼缝计算和图像融合。
所述superpoint特征匹配网络的训练方法，包括：
获取若干已标轮廓焦点的若干训练素材；
将所述若干训练素材输入至Base Detector网络中进行训练，获得初始模型；
获取堆箱图像集，并对所述堆箱图像集进行几何变换，获得已知位姿关系的图像对；
将所述已知位姿关系的图像对输入到所述初始模型中进行二次训练，获得所述superpoint特征匹配网络。
作为上述方案的改进，所述根据每两张所述待测正面图像之间的匹配对和每两张所述待测侧面图像之间的匹配对，分别代入预设的单应性矩阵算法，获得每两张所述待测正面图像之间的单应性矩阵和每两张所述待测侧面图像之间的单应性矩阵，包括：
在每两张所述待测正面图像之间的匹配对所对应的坐标中，通过RANSAC算法进行八参数模型计算，获得每两张所述待测正面图像之间的单应性矩阵；
在每两张所述待测侧面图像之间的匹配对所对应的坐标中，通过RANSAC算法，计算获得每两张所述待测侧面图像之间的单应性矩阵；
其中，所述通过RANSAC算法进行八参数模型计算，包括：随机选取预设数量的匹配对，重复执行匹配成功度计算操作，直至匹配成功度大于匹配阈值后停止；所述匹配成功度计算操作，具体为：将选取的匹配对对应的坐标代入八参数模型中进行计算，获得初始单应性矩阵，将初始单应性矩阵分别代入其它未被选取到的匹配对，统计获得初始单应性矩阵的匹配成功度；对匹配成功度进行判断：若小于匹配阈值，则重新随机选取预设数量的匹配对。
作为上述方案的改进，在所述根据每张所述待测堆箱标记图像中若干未遮挡箱体的堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得待测正面拼接图像和待测侧面拼接图像之前，还包括：
根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，确定每张所述待测堆箱标记图像中的堆箱最低坐标和堆箱平均高度；
根据每张所述待测堆箱标记图像中的堆箱最低坐标和堆箱平均高度，确定每张所述待测堆箱标记图像的最低堆箱的位置。
作为上述方案的改进，所述箱体检测模型的训练方法，包括：
获取若干张已标注轮廓信息和类别信息的训练样本；
将所述训练样本输入到cascade Mask RCNN目标检测模型中进行训练，获得箱体检测模型。
作为上述方案的改进，所述根据待测正面拼接图像中若干未遮挡箱体的已标注像素数据、以及待测侧面拼接图像中若干未遮挡箱体的已标注像素数据，计算堆箱体积数据，基于所述堆箱体积数据计算获得待测堆箱的堆箱数量，包括：
根据待测正面拼接图像中若干未遮挡箱体的已标注像素数据，计算获得堆箱整体区域的长、堆箱整体区域的高和若干堆箱单体区域的长；
根据待测侧面拼接图像中若干未遮挡箱体的已标注像素数据，计算获得堆箱整体区域的宽、若干堆箱单体和堆箱单体区域的宽；
基于堆箱整体区域的长、堆箱整体区域的宽和堆箱整体区域的高计算获得堆箱整体区域的体积；
基于若干堆箱单体区域的长、若干堆箱单体区域的宽和若干堆箱单体区域的高，计算获得体积最大对应的堆箱单体区域的第一体积、以及体积最小对应的堆箱单体区域的第二体积；
根据堆箱整体区域的体积、堆箱单体区域的第一体积和堆箱单体区域的第二体积，计算获得堆箱最大数和堆箱最小数；其中，所述待测堆箱图像中的堆箱数量处于堆箱最大数和堆箱最小数所组成的数量范围内。
相应的，本发明一实施例还提供了一种堆箱数量的检测装置，包括：数据获取模块、标记模块、拼接模块和计算模块；
所述数据获取模块，用于获取若干待测堆箱图像；其中，若干所述待测堆箱图像包括：若干待测正面图像和若干待测侧面图像；
所述标记模块，用于将每张所述待测堆箱图像输入至箱体检测模型中进行识别，获得若干带有堆箱数据的待测堆箱标记图像；其中，每张所述待测堆箱标记图像与每张所述待测堆箱图像一一对应，若干所述待测堆箱标记图像包括：若干待测正面标记图像和若干待测侧面标记图像；以及，所述箱体检测模型通过将已标注轮廓信息和类别信息的训练样本输入到预设的目标检测模型中训练获得；以及，所述堆箱数据包括：若干未遮挡箱体的轮廓角点数据和已标注像素数据；
所述拼接模块，用于根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得所述若干待测正面标记图像对应的待测正面拼接图像和若干待测侧面标记图像对应的待测侧面拼接图像；
所述计算模块，用于根据待测正面拼接图像中若干未遮挡箱体的已标注像素数据、以及待测侧面拼接图像中若干未遮挡箱体的已标注像素数据，计算堆箱体积数据，基于所述堆箱体积数据计算获得待测堆箱的堆箱数量。
相应的，本发明一实施例还提供了一种计算机终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如本发明所述的一种堆箱数量的检测方法。
相应的，本发明一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本发明所述的一种堆箱数量的检测方法。
由上可见，本发明具有如下有益效果：
本发明提供了一种堆箱数量的检测方法，将若干待测堆箱图像输入到提前训练好的箱体检测模型中进行识别，从而将堆箱数据全部标记到每张待测堆箱图像中，获得若干待测堆箱标记图像，将带有堆箱数据的待测堆箱标记图像分为正面和侧面进行图像拼接，获得待测正面拼接图像和待测侧面拼接图像，并在拼接完成后根据待测正面拼接图像和待测侧面拼接图像中的已标注像素数据，进行体积计算，进而基于计算得到的体积进行待测堆箱的堆箱数量计算，完成了堆箱数量的检测。本发明从正面角度和侧面角度进行待测堆箱的数量检测，并通过图像拼接的方式，将不同角度的待测堆箱图像拼接在一起，能够解决堆箱数量过多导致照片拍摄不完的问题，并通过像素数据的角度进行体积的计算，能够忽略堆箱的实际尺寸，从而基于体积计算结果进行堆箱数量的计算，解决了堆箱数量过多所导致的堆箱数量检测不准确的问题，并通过堆箱体积计算提高了堆箱数量计算的效率。
附图说明
图1是本发明一实施例提供的堆箱数量的检测方法的流程示意图；
图2是本发明一实施例提供的堆箱数量的检测装置的结构示意图；
图3是本发明一实施例提供的一种终端设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
参见图1，图1是本发明一实施例提供的一种堆箱数量的检测方法的流程示意图，如图1所示，本实施例包括步骤101至步骤104，各步骤具体如下：
步骤101：获取若干待测堆箱图像；其中，若干所述待测堆箱图像包括：若干待测正面图像和若干待测侧面图像。
在本实施例中，在待测堆箱的场景中，必须分为堆箱地堆的正面和侧面进行预估，需要分别在不同面进行2~3次拍照（每两张图需要出现重叠面积1/3以上），用以对每个面的地堆场景进行准确分析。
步骤102：将每张所述待测堆箱图像输入至箱体检测模型中进行识别，获得若干带有堆箱数据的待测堆箱标记图像；其中，每张所述待测堆箱标记图像与每张所述待测堆箱图像一一对应，若干所述待测堆箱标记图像包括：若干待测正面标记图像和若干待测侧面标记图像；以及，所述箱体检测模型通过将已标注轮廓信息和类别信息的训练样本输入到预设的目标检测模型中训练获得；以及，所述堆箱数据包括：若干未遮挡箱体的轮廓角点数据和已标注像素数据。
在本实施例中，所述箱体检测模型的训练方法，包括：
获取若干张已标注轮廓信息和类别信息的训练样本；
将所述训练样本输入到cascade Mask RCNN目标检测模型中进行训练，获得箱体检测模型。
在一具体的实施例中，收集2000~4000张堆箱图片，通过labelimg标注堆箱，需要把目标识别中的轮廓信息（Mask，即本发明所述的已标注轮廓信息）和类别信息（labels）标注出来，训练cascade Mask RCNN等目标检测模型，该模型可以快速识别出堆箱的排面个数，位置和类别。
在一具体的实施例中，以加多宝堆箱为例，轮廓信息是多个闭环构成，由多个点阵形成一个箱体闭环，多个闭环代表多个箱体，该种标签作为训练集。
步骤103：根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得所述若干待测正面标记图像对应的待测正面拼接图像和若干待测侧面标记图像对应的待测侧面拼接图像。
在本实施例中，所述根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得所述若干待测正面标记图像对应的待测正面拼接图像和若干待测侧面标记图像对应的待测侧面拼接图像，包括：
根据每张所述待测堆箱标记图像中若干未遮挡箱体的堆箱轮廓角点数据，通过superpoint特征匹配网络，对若干所述待测正面标记图像进行特征匹配，获得每两张所述待测正面标记图像之间的匹配对，并对若干所述待测侧面标记图像进行特征点匹配，获得每两张所述待测侧面标记图像之间的匹配对；
根据每两张所述待测正面图像之间的匹配对和每两张所述待测侧面图像之间的匹配对，分别代入预设的单应性矩阵算法，获得每两张所述待测正面图像之间的单应性矩阵和每两张所述待测侧面图像之间的单应性矩阵；
根据每两张所述待测正面图像之间的单应性矩阵，结合预设的图像处理操作，获得待测正面拼接图像；以及，根据每两张所述待测侧面图像的单应性矩阵，结合预设的图像处理操作，获得待测侧面拼接图像；其中，所述预设的图像处理操作包括：水平矫正、图像投影、曝光补偿、拼缝计算和图像融合。
在本实施例中，所述superpoint特征匹配网络的训练方法，包括：
获取若干已标轮廓焦点的若干训练素材；
将所述若干训练素材输入至Base Detector网络中进行训练，获得初始模型；
获取堆箱图像集，并对所述堆箱图像集进行几何变换，获得已知位姿关系的图像对；
将所述已知位姿关系的图像对输入到所述初始模型中进行二次训练，获得所述superpoint特征匹配网络。
在一具体的实施例中，第一步：是采用堆箱场景作为数据集，训练网络BaseDetector是需要提取堆箱场景的角点作为训练素材，这里的训练素材其实就是用labelimgs标注出来的堆箱场景mask离散点作为素材；
第二布是：使用真实场景图片，用第一步训练出来的网络提取角点，这一步称作兴趣点自标注（Interest Point Self-Labeling），自标注里面的坐标基于单应矩阵进行不同尺度和角度的变化而来。为了使网络的泛化能力更强，不仅仅要使用原始图片，还需要对每张原始图片进行随机的旋转和缩放形成新的图片，新的图片也被用来进行识别。这一步其实就类似于目标检测的训练里常用的数据增强；
第三步是：对第二步使用的图片进行几何变换得到新的图片，这样就有了已知位姿关系的图片对，把这两张图片输入网络，提取特征点和描述子。这一步就是以姿态误差构建损失函数。为了使提取的特征点能够更适合于进行位姿解算（也就是稳定性和精度更好），往往在设计网络时都会用位姿的误差去构建损失函数。
在本实施例中，所述根据每两张所述待测正面图像之间的匹配对和每两张所述待测侧面图像之间的匹配对，分别代入预设的单应性矩阵算法，获得每两张所述待测正面图像之间的单应性矩阵和每两张所述待测侧面图像之间的单应性矩阵，包括：
在每两张所述待测正面图像之间的匹配对所对应的坐标中，通过RANSAC算法进行八参数模型计算，获得每两张所述待测正面图像之间的单应性矩阵；
在每两张所述待测侧面图像之间的匹配对所对应的坐标中，通过RANSAC算法，计算获得每两张所述待测侧面图像之间的单应性矩阵；
其中，所述通过RANSAC算法进行八参数模型计算，包括：随机选取预设数量的匹配对，重复执行匹配成功度计算操作，直至匹配成功度大于匹配阈值后停止；所述匹配成功度计算操作，具体为：将选取的匹配对对应的坐标代入八参数模型中进行计算，获得初始单应性矩阵，将初始单应性矩阵分别代入其它未被选取到的匹配对，统计获得初始单应性矩阵的匹配成功度；对匹配成功度进行判断：若小于匹配阈值，则重新随机选取预设数量的匹配对。
在一具体的实施例中，随机选取匹配对的预设数量为4。
在一具体的实施例中，匹配阈值根据用户的精度需求进行自适应调整。
在一具体的实施例中，在得到了匹配对之后，根据这些匹配对得到图像的相对位置，从而把多幅图像融合成为一幅图像，该步骤的计算思路是计算两幅图像的单应性矩阵，从而得到一幅图像相对于另一幅图像的位置，用公式描述为：
X′=HX
其中 X′=[x′ y′]T， X=[x y]T,均代表图像的坐标，为了便于使用矩阵运算，需要将X 变换为齐次坐标形式。上面式子H中即为单应性矩阵，为3×3的矩阵，但H3,3=1，因而该变换矩阵是一个八参数模型，通过该方程即可实现相邻图像的配准。
由于每个特征点都有x,y两个坐标，因此只需要四个点即可求解出该八参数模型的解，同时考虑到前面利用特征向量匹配得到的特征点对可能存在误匹配，因此使用RANSAC算法进行求解，简单地说就是，每次随机抽取四个点求解单应性矩阵，然后根据该单应性矩阵判断剩余的匹配对是否为正确匹配，选择正确匹配数量最多的一组来进行求解，最后经过水平矫正，图像投影，曝光补偿，拼缝计算和图像融合就完成图像拼接。
在本实施例中，在所述根据每张所述待测堆箱标记图像中若干未遮挡箱体的堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得待测正面拼接图像和待测侧面拼接图像之前，还包括：
根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，确定每张所述待测堆箱标记图像中的堆箱最低坐标和堆箱平均高度；
根据每张所述待测堆箱标记图像中的堆箱最低坐标和堆箱平均高度，确定每张所述待测堆箱标记图像的最低堆箱的位置。
在一具体的实施例中，在拼接之前需要先识别出每张待测堆箱标记图像中堆箱轮廓角点数据，包括图像中每个堆箱单体的坐标位置和类别信息。求出每个张图最下面一行坐标的堆箱位置和类别，这里确定最低层的堆箱位置和类型方式是结合目标检测模型来确定的，首先确定哪个箱子有最低的坐标，然后利用所有箱子的平均高度进行分析，最下层的箱子同一层（一个平均高度）下有哪些箱子出现，这样就能算出最低层的堆箱了（但前提是照片要正拍，斜拍可能会出现计算错误）；当融合正面或者侧面的所有照片时，就能得到该地堆面最下面一行堆箱的位置和类别。
在一具体的实施例中，在处理可能其中地堆出现遮挡的时候，即使其中可能会出现大面积的隔断或者角度遮挡，由于使用多张图片进行拼接，用superpoint技术拼接完之后，也可以得到一面完整的地堆面，由于这里加入部分单应矩阵变换，拼接出来的堆箱也相对会变得水平。
步骤104：根据待测正面拼接图像中若干未遮挡箱体的已标注像素数据、以及待测侧面拼接图像中若干未遮挡箱体的已标注像素数据，计算堆箱体积数据，基于所述堆箱体积数据计算获得待测堆箱的堆箱数量。
在本实施例中，所述根据待测正面拼接图像中若干未遮挡箱体的已标注像素数据、以及待测侧面拼接图像中若干未遮挡箱体的已标注像素数据，计算堆箱体积数据，基于所述堆箱体积数据计算获得待测堆箱的堆箱数量，包括：
根据待测正面拼接图像中若干未遮挡箱体的已标注像素数据，计算获得堆箱整体区域的长、堆箱整体区域的高和若干堆箱单体区域的长；
根据待测侧面拼接图像中若干未遮挡箱体的已标注像素数据，计算获得堆箱整体区域的宽、若干堆箱单体和堆箱单体区域的宽；
基于堆箱整体区域的长、堆箱整体区域的宽和堆箱整体区域的高计算获得堆箱整体区域的体积；
基于若干堆箱单体区域的长、若干堆箱单体区域的宽和若干堆箱单体区域的高，计算获得体积最大对应的堆箱单体区域的第一体积、以及体积最小对应的堆箱单体区域的第二体积；
根据堆箱整体区域的体积、堆箱单体区域的第一体积和堆箱单体区域的第二体积，计算获得堆箱最大数和堆箱最小数；其中，所述待测堆箱图像中的堆箱数量处于堆箱最大数和堆箱最小数所组成的数量范围内。
在一具体的实施例中，利用识别出来的结果算出地堆的长度Lheap和高度Hheap。从地堆最左边堆箱minX到最右边堆箱maxX的像素长度，地堆高度就是最上方堆箱minY到最下方堆箱maxY的像素长度，统计出现该面中出现最多的堆箱，计算出该堆箱平均像素长（Lheap）宽(Wheap) 高(Hheap)：
Hheap=Ybox_top-Ybox_bottom
Lheap=Xbox_left-Xbox_right（正面）
Wheap=Xbox_left-Xbox_right（侧面）
Vheap=Hheap*Lheap*Wheap(地堆体积)
在一具体的实施例中，在图中把合成图片出现的未遮挡箱体的已标注像素数据进行统计，找出体积最大的和最小的一种堆箱作为计算单位，这样做的目的是为了预估出该地堆最多和最少的堆箱数量，当堆满体积最大的堆箱时，地堆的堆箱个数最少，当堆满体积最小的堆箱时，地堆的堆箱个数最多，如果混合堆放，则该地堆的堆箱处于该范围之间：
Vbox_mix=hboxmin*lboxmin*wboxmin(最小堆箱体积)
Vbox_max=hboxmax*lboxmax*wboxmax(最大堆箱体积)
Nmin=Vheap/ Vbox_max(最多堆箱数量)
Nmax=Vheap/ Vbox_mix(最少堆箱数量)
本实施例通过将若干待测堆箱图像输入到训练好的箱体检测模型中进行识别，从而将堆箱数据全部标记到每张待测堆箱图像中，获得若干待测堆箱标记图像，将带有堆箱数据的待测堆箱标记图像分为正面和侧面进行图像拼接，获得待测正面拼接图像和待测侧面拼接图像，并在拼接完成后根据待测正面拼接图像和待测侧面拼接图像中的已标注像素数据，进行体积计算，进而基于计算得到的体积进行待测堆箱的堆箱数量计算，完成了堆箱数量的检测。本实施例基于superPoint的拼接，对地堆中的遮挡效果和稍微有角度的3D旋转也可以较好的判断出重复区域，对于室内该算法比较鲁棒，且个面在有重复区域的情况下拍多张可以较好的合成两组水平大图（正面和侧面），对拍照要求相对宽松也可以准确预估出堆箱的姿态和数量。
实施例二
参见图2，图2是本发明一实施例提供的一种堆箱数量的检测装置的结构示意图，包括：数据获取模块201、标记模块202、拼接模块203和计算模块204；
所述数据获取模块201，用于获取若干待测堆箱图像；其中，若干所述待测堆箱图像包括：若干待测正面图像和若干待测侧面图像；
所述标记模块202，用于将每张所述待测堆箱图像输入至箱体检测模型中进行识别，获得若干带有堆箱数据的待测堆箱标记图像；其中，每张所述待测堆箱标记图像与每张所述待测堆箱图像一一对应，若干所述待测堆箱标记图像包括：若干待测正面标记图像和若干待测侧面标记图像；以及，所述箱体检测模型通过将已标注轮廓信息和类别信息的训练样本输入到预设的目标检测模型中训练获得；以及，所述堆箱数据包括：若干未遮挡箱体的轮廓角点数据和已标注像素数据；
所述拼接模块203，用于根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得所述若干待测正面标记图像对应的待测正面拼接图像和若干待测侧面标记图像对应的待测侧面拼接图像；
所述计算模块204，用于根据待测正面拼接图像中若干未遮挡箱体的已标注像素数据、以及待测侧面拼接图像中若干未遮挡箱体的已标注像素数据，计算堆箱体积数据，基于所述堆箱体积数据计算获得待测堆箱的堆箱数量。
作为上述方案的改进，所述拼接模块203，包括：匹配对单元、单应性矩阵单元和图像拼接单元；
所述匹配对单元，用于根据每张所述待测堆箱标记图像中若干未遮挡箱体的堆箱轮廓角点数据，通过superpoint特征匹配网络，对若干所述待测正面标记图像进行特征匹配，获得每两张所述待测正面标记图像之间的匹配对，并对若干所述待测侧面标记图像进行特征点匹配，获得每两张所述待测侧面标记图像之间的匹配对；
所述单应性矩阵单元，用于根据每两张所述待测正面图像之间的匹配对和每两张所述待测侧面图像之间的匹配对，分别代入预设的单应性矩阵算法，获得每两张所述待测正面图像之间的单应性矩阵和每两张所述待测侧面图像之间的单应性矩阵；
所述图像拼接单元，用于根据每两张所述待测正面图像之间的单应性矩阵，结合预设的图像处理操作，获得待测正面拼接图像；以及，根据每两张所述待测侧面图像的单应性矩阵，结合预设的图像处理操作，获得待测侧面拼接图像；其中，所述预设的图像处理操作包括：水平矫正、图像投影、曝光补偿、拼缝计算和图像融合。
作为上述方案的改进，所述superpoint特征匹配网络的训练方法，包括：
获取若干已标轮廓焦点的若干训练素材；
将所述若干训练素材输入至Base Detector网络中进行训练，获得初始模型；
获取堆箱图像集，并对所述堆箱图像集进行几何变换，获得已知位姿关系的图像对；
将所述已知位姿关系的图像对输入到所述初始模型中进行二次训练，获得所述superpoint特征匹配网络。
作为上述方案的改进，所述根据每两张所述待测正面图像之间的匹配对和每两张所述待测侧面图像之间的匹配对，分别代入预设的单应性矩阵算法，获得每两张所述待测正面图像之间的单应性矩阵和每两张所述待测侧面图像之间的单应性矩阵，包括：
在每两张所述待测正面图像之间的匹配对所对应的坐标中，通过RANSAC算法进行八参数模型计算，获得每两张所述待测正面图像之间的单应性矩阵；
在每两张所述待测侧面图像之间的匹配对所对应的坐标中，通过RANSAC算法，计算获得每两张所述待测侧面图像之间的单应性矩阵；
其中，所述通过RANSAC算法进行八参数模型计算，包括：随机选取预设数量的匹配对，重复执行匹配成功度计算操作，直至匹配成功度大于匹配阈值后停止；所述匹配成功度计算操作，具体为：将选取的匹配对对应的坐标代入八参数模型中进行计算，获得初始单应性矩阵，将初始单应性矩阵分别代入其它未被选取到的匹配对，统计获得初始单应性矩阵的匹配成功度；对匹配成功度进行判断：若小于匹配阈值，则重新随机选取预设数量的匹配对。
作为上述方案的改进，在所述根据每张所述待测堆箱标记图像中若干未遮挡箱体的堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得待测正面拼接图像和待测侧面拼接图像之前，还包括：
根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，确定每张所述待测堆箱标记图像中的堆箱最低坐标和堆箱平均高度；
根据每张所述待测堆箱标记图像中的堆箱最低坐标和堆箱平均高度，确定每张所述待测堆箱标记图像的最低堆箱的位置。
作为上述方案的改进，所述箱体检测模型的训练方法，包括：
获取若干张已标注轮廓信息和类别信息的训练样本；
将所述训练样本输入到cascade Mask RCNN目标检测模型中进行训练，获得箱体检测模型。
作为上述方案的改进，所述计算模块204，包括：正面计算单元、侧面计算单元、整体体积计算单元、单体体积计算单元和堆箱数量计算单元；
所述正面计算单元，用于根据待测正面拼接图像中若干未遮挡箱体的已标注像素数据，计算获得堆箱整体区域的长、堆箱整体区域的高和若干堆箱单体区域的长；
所述侧面计算单元，用于根据待测侧面拼接图像中若干未遮挡箱体的已标注像素数据，计算获得堆箱整体区域的宽、若干堆箱单体和堆箱单体区域的宽；
所述整体体积单元，用于基于堆箱整体区域的长、堆箱整体区域的宽和堆箱整体区域的高计算获得堆箱整体区域的体积；
所述单体体积单元，用于基于若干堆箱单体区域的长、若干堆箱单体区域的宽和若干堆箱单体区域的高，计算获得体积最大对应的堆箱单体区域的第一体积、以及体积最小对应的堆箱单体区域的第二体积；
所述堆箱数量计算单元，用于根据堆箱整体区域的体积、堆箱单体区域的第一体积和堆箱单体区域的第二体积，计算获得堆箱最大数和堆箱最小数；其中，所述待测堆箱图像中的堆箱数量处于堆箱最大数和堆箱最小数所组成的数量范围内。
本实施例通过数据获取模块获取若干待测堆箱图像，并输入到标记模块中的箱体检测模型进行识别，获得待测堆箱标记图像，并通过拼接模块将待测堆箱标记图像进行图像拼接，获得待测正面拼接图像和待测侧面拼接图像，通过计算模块对待测正面拼接图像和待测侧面拼接图像进行堆箱体积的计算，从而基于堆箱体积数据计算获得待测堆箱的堆箱数量。本实施例从正面角度和侧面角度进行待测堆箱的数量检测，并通过图像拼接的方式，将不同角度的待测堆箱图像拼接在一起，能够解决堆箱数量过多导致照片拍摄不完的问题，并通过像素数据的角度进行体积的计算，能够忽略堆箱的实际尺寸，从而基于体积计算结果进行堆箱数量的计算，解决了堆箱数量过多所导致的堆箱数量检测不准确的问题，并通过堆箱体积计算提高了堆箱数量计算的效率。
实施例三
参见图3，图3是本发明一实施例提供的终端设备结构示意图。
该实施例的一种终端设备包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序。所述处理器401执行所述计算机程序时实现上述各个堆箱数量的检测方法在实施例中的步骤，例如图1所示的堆箱数量的检测方法的所有步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能，例如：图2所示的堆箱数量的检测装置的所有模块。
另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的堆箱数量的检测方法。
本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器401是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器402可用于存储所述计算机程序和/或模块，所述处理器401通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器402内的数据，实现所述终端设备的各种功能。所述存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital,SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种堆箱数量的检测方法，其特征在于，包括：
获取若干待测堆箱图像；其中，若干所述待测堆箱图像包括：若干待测正面图像和若干待测侧面图像；
将每张所述待测堆箱图像输入至箱体检测模型中进行识别，获得若干带有堆箱数据的待测堆箱标记图像；其中，每张所述待测堆箱标记图像与每张所述待测堆箱图像一一对应，若干所述待测堆箱标记图像包括：若干待测正面标记图像和若干待测侧面标记图像；以及，所述箱体检测模型通过将已标注轮廓信息和类别信息的训练样本输入到预设的目标检测模型中训练获得；以及，所述堆箱数据包括：若干未遮挡箱体的轮廓角点数据和已标注像素数据；
根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得所述若干待测正面标记图像对应的待测正面拼接图像和若干待测侧面标记图像对应的待测侧面拼接图像；其中，所述根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得所述若干待测正面标记图像对应的待测正面拼接图像和若干待测侧面标记图像对应的待测侧面拼接图像，包括：根据每张所述待测堆箱标记图像中若干未遮挡箱体的堆箱轮廓角点数据，通过superpoint特征匹配网络，对若干所述待测正面标记图像进行特征匹配，获得每两张所述待测正面标记图像之间的匹配对，并对若干所述待测侧面标记图像进行特征点匹配，获得每两张所述待测侧面标记图像之间的匹配对；根据每两张所述待测正面图像之间的匹配对和每两张所述待测侧面图像之间的匹配对，分别代入预设的单应性矩阵算法，获得每两张所述待测正面图像之间的单应性矩阵和每两张所述待测侧面图像之间的单应性矩阵；根据每两张所述待测正面图像之间的单应性矩阵，结合预设的图像处理操作，获得待测正面拼接图像；以及，根据每两张所述待测侧面图像的单应性矩阵，结合预设的图像处理操作，获得待测侧面拼接图像；其中，所述预设的图像处理操作包括：水平矫正、图像投影、曝光补偿、拼缝计算和图像融合；
根据待测正面拼接图像中若干未遮挡箱体的已标注像素数据、以及待测侧面拼接图像中若干未遮挡箱体的已标注像素数据，计算堆箱体积数据，基于所述堆箱体积数据计算获得待测堆箱的堆箱数量。
2.根据权利要求1所述的堆箱数量的检测方法，其特征在于，所述superpoint特征匹配网络的训练方法，包括：
获取若干已标轮廓焦点的若干训练素材；
将所述若干训练素材输入至Base Detector网络中进行训练，获得初始模型；
获取堆箱图像集，并对所述堆箱图像集进行几何变换，获得已知位姿关系的图像对；
将所述已知位姿关系的图像对输入到所述初始模型中进行二次训练，获得所述superpoint特征匹配网络。
3.根据权利要求1所述的堆箱数量的检测方法，其特征在于，所述根据每两张所述待测正面图像之间的匹配对和每两张所述待测侧面图像之间的匹配对，分别代入预设的单应性矩阵算法，获得每两张所述待测正面图像之间的单应性矩阵和每两张所述待测侧面图像之间的单应性矩阵，包括：
在每两张所述待测正面图像之间的匹配对所对应的坐标中，通过RANSAC算法进行八参数模型计算，获得每两张所述待测正面图像之间的单应性矩阵；
在每两张所述待测侧面图像之间的匹配对所对应的坐标中，通过RANSAC算法，计算获得每两张所述待测侧面图像之间的单应性矩阵；
其中，所述通过RANSAC算法进行八参数模型计算，包括：随机选取预设数量的匹配对，重复执行匹配成功度计算操作，直至匹配成功度大于匹配阈值后停止；所述匹配成功度计算操作，具体为：将选取的匹配对对应的坐标代入八参数模型中进行计算，获得初始单应性矩阵，将初始单应性矩阵分别代入其它未被选取到的匹配对，统计获得初始单应性矩阵的匹配成功度；对匹配成功度进行判断：若小于匹配阈值，则重新随机选取预设数量的匹配对。
4.根据权利要求1所述的堆箱数量的检测方法，其特征在于，在所述根据每张所述待测堆箱标记图像中若干未遮挡箱体的堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得待测正面拼接图像和待测侧面拼接图像之前，还包括：
根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，确定每张所述待测堆箱标记图像中的堆箱最低坐标和堆箱平均高度；
根据每张所述待测堆箱标记图像中的堆箱最低坐标和堆箱平均高度，确定每张所述待测堆箱标记图像的最低堆箱的位置。
5.根据权利要求1所述的堆箱数量的检测方法，其特征在于，所述箱体检测模型的训练方法，包括：
获取若干张已标注轮廓信息和类别信息的训练样本；
将所述训练样本输入到cascade Mask RCNN目标检测模型中进行训练，获得箱体检测模型。
6.根据权利要求1所述的堆箱数量的检测方法，其特征在于，所述根据待测正面拼接图像中若干未遮挡箱体的已标注像素数据、以及待测侧面拼接图像中若干未遮挡箱体的已标注像素数据，计算堆箱体积数据，基于所述堆箱体积数据计算获得待测堆箱的堆箱数量，包括：
根据待测正面拼接图像中若干未遮挡箱体的已标注像素数据，计算获得堆箱整体区域的长、堆箱整体区域的高和若干堆箱单体区域的长；
根据待测侧面拼接图像中若干未遮挡箱体的已标注像素数据，计算获得堆箱整体区域的宽、若干堆箱单体和堆箱单体区域的宽；
基于堆箱整体区域的长、堆箱整体区域的宽和堆箱整体区域的高计算获得堆箱整体区域的体积；
基于若干堆箱单体区域的长、若干堆箱单体区域的宽和若干堆箱单体区域的高，计算获得体积最大对应的堆箱单体区域的第一体积、以及体积最小对应的堆箱单体区域的第二体积；
根据堆箱整体区域的体积、堆箱单体区域的第一体积和堆箱单体区域的第二体积，计算获得堆箱最大数和堆箱最小数；其中，所述待测堆箱图像中的堆箱数量处于堆箱最大数和堆箱最小数所组成的数量范围内。
7.一种堆箱数量的检测装置，其特征在于，包括：数据获取模块、标记模块、拼接模块和计算模块；
所述数据获取模块，用于获取若干待测堆箱图像；其中，若干所述待测堆箱图像包括：若干待测正面图像和若干待测侧面图像；
所述标记模块，用于将每张所述待测堆箱图像输入至箱体检测模型中进行识别，获得若干带有堆箱数据的待测堆箱标记图像；其中，每张所述待测堆箱标记图像与每张所述待测堆箱图像一一对应，若干所述待测堆箱标记图像包括：若干待测正面标记图像和若干待测侧面标记图像；以及，所述箱体检测模型通过将已标注轮廓信息和类别信息的训练样本输入到预设的目标检测模型中训练获得；以及，所述堆箱数据包括：若干未遮挡箱体的轮廓角点数据和已标注像素数据；
所述拼接模块，用于根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得所述若干待测正面标记图像对应的待测正面拼接图像和若干待测侧面标记图像对应的待测侧面拼接图像；其中，所述根据每张所述待测堆箱标记图像中堆箱轮廓角点数据，结合特征点匹配算法、单应性矩阵算法和预设的图像处理操作，获得所述若干待测正面标记图像对应的待测正面拼接图像和若干待测侧面标记图像对应的待测侧面拼接图像，包括：根据每张所述待测堆箱标记图像中若干未遮挡箱体的堆箱轮廓角点数据，通过superpoint特征匹配网络，对若干所述待测正面标记图像进行特征匹配，获得每两张所述待测正面标记图像之间的匹配对，并对若干所述待测侧面标记图像进行特征点匹配，获得每两张所述待测侧面标记图像之间的匹配对；根据每两张所述待测正面图像之间的匹配对和每两张所述待测侧面图像之间的匹配对，分别代入预设的单应性矩阵算法，获得每两张所述待测正面图像之间的单应性矩阵和每两张所述待测侧面图像之间的单应性矩阵；根据每两张所述待测正面图像之间的单应性矩阵，结合预设的图像处理操作，获得待测正面拼接图像；以及，根据每两张所述待测侧面图像的单应性矩阵，结合预设的图像处理操作，获得待测侧面拼接图像；其中，所述预设的图像处理操作包括：水平矫正、图像投影、曝光补偿、拼缝计算和图像融合；
所述计算模块，用于根据待测正面拼接图像中若干未遮挡箱体的已标注像素数据、以及待测侧面拼接图像中若干未遮挡箱体的已标注像素数据，计算堆箱体积数据，基于所述堆箱体积数据计算获得待测堆箱的堆箱数量。
8.一种计算机终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的一种堆箱数量的检测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的一种堆箱数量的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310238472.XA CN115953567B (zh) | 2023-03-14 | 2023-03-14 | 一种堆箱数量的检测方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310238472.XA CN115953567B (zh) | 2023-03-14 | 2023-03-14 | 一种堆箱数量的检测方法、装置、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115953567A CN115953567A (zh) | 2023-04-11 |
| CN115953567B true CN115953567B (zh) | 2023-06-30 |
Family
ID=85886518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310238472.XA Active CN115953567B (zh) | 2023-03-14 | 2023-03-14 | 一种堆箱数量的检测方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115953567B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113421067A (zh) * | 2021-07-16 | 2021-09-21 | 桂林电子科技大学 | 一种共享自行车品牌识别与数量管理方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376548B (zh) * | 2014-11-07 | 2017-11-03 | 中国电子科技集团公司第二十八研究所 | 一种基于改进型surf算法的图像快速拼接方法 |
| CN109117773B (zh) * | 2018-08-01 | 2021-11-02 | Oppo广东移动通信有限公司 | 一种图像特征点检测方法、终端设备及存储介质 |
| CN113033348A (zh) * | 2021-03-11 | 2021-06-25 | 北京文安智能技术股份有限公司 | 行人重识别的俯视图像校正方法、存储介质和电子设备 |
| CN115147748A (zh) * | 2021-03-30 | 2022-10-04 | 上海聚均科技有限公司 | 一种对仓储空间中货物进行远程智能检测的方法及系统 |
| CN115205118A (zh) * | 2022-07-08 | 2022-10-18 | 中山大学 | 一种水下图像拼接方法、装置、计算机设备及存储介质 |
-
2023
- 2023-03-14 CN CN202310238472.XA patent/CN115953567B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113421067A (zh) * | 2021-07-16 | 2021-09-21 | 桂林电子科技大学 | 一种共享自行车品牌识别与数量管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115953567A (zh) | 2023-04-11 |
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 | |
| CN109754426B (zh) | 一种用于摄像标定参数验证的方法、系统和装置 | |
| CN110807496B (zh) | 一种密集目标检测方法 | |
| US9767383B2 (en) | Method and apparatus for detecting incorrect associations between keypoints of a first image and keypoints of a second image | |
| CN109698944B (zh) | 投影区域校正方法、投影设备及计算机可读存储介质 | |
| CN112017231B (zh) | 基于单目摄像头的人体体重识别方法、装置及存储介质 | |
| Urban et al. | Finding a good feature detector-descriptor combination for the 2D keypoint-based registration of TLS point clouds | |
| CN109479082A (zh) | 图象处理方法及装置 | |
| CN110490839A (zh) | 一种检测高速公路中损坏区域的方法、装置及计算机设备 | |
| CN114387347B (zh) | 确定外参标定的方法、装置、电子设备及介质 | |
| CN112307786B (zh) | 一种多个不规则二维码批量定位识别方法 | |
| CN113744256A (zh) | 一种深度图空洞填充方法、装置、服务器及可读存储介质 | |
| CN110443245A (zh) | 一种非限制场景下的车牌区域的定位方法、装置及设备 | |
| WO2024012463A1 (zh) | 一种定位方法及装置 | |
| CN107578029B (zh) | 计算机辅助图片认证的方法、装置、电子设备及存储介质 | |
| CN113240656A (zh) | 视觉定位方法及相关装置、设备 | |
| CN115953567B (zh) | 一种堆箱数量的检测方法、装置、终端设备及存储介质 | |
| CN112102378A (zh) | 图像配准方法、装置、终端设备及计算机可读存储介质 | |
| CN113240031B (zh) | 全景图像特征点匹配模型的训练方法、装置以及服务器 | |
| CN116311219A (zh) | 一种基于透视变换的地堆本品占地面积计算方法及装置 | |
| CN113313725B (zh) | 含能材料药桶的桶口识别方法及系统 | |
| CN115131273A (zh) | 信息处理方法、测距方法及装置 | |
| CN114170077A (zh) | 一种基于无人机的非线性图像拼接顺序获取方法及装置 | |
| CN115830604A (zh) | 面单图像矫正方法、装置、电子设备及可读存储介质 | |
| CN113674340A (zh) | 一种基于路标点的双目视觉导航方法与装置 |
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 |