CN117115242B - 标志点的识别方法、计算机存储介质和终端设备 - Google Patents
标志点的识别方法、计算机存储介质和终端设备 Download PDFInfo
- Publication number
- CN117115242B CN117115242B CN202311340565.XA CN202311340565A CN117115242B CN 117115242 B CN117115242 B CN 117115242B CN 202311340565 A CN202311340565 A CN 202311340565A CN 117115242 B CN117115242 B CN 117115242B
- Authority
- CN
- China
- Prior art keywords
- point
- camera
- points
- mark
- pixel
- 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 74
- 239000003550 marker Substances 0.000 claims description 103
- 230000003287 optical effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Abstract
本发明涉及标志点的识别方法、计算机存储介质和终端设备,包括:获取标志图像数据;根据标志图像数据的梯度值和梯度方向,提取第一边缘点集合;根据标志图像数据的灰度值,提取第二边缘点集合;根据第一边缘点集合中的点与第二边缘点集合中的对应点的距离,确定实际边缘点集合;根据实际边缘点集合,确定标志图像中标志点的像素坐标和标志图的几何参数;根据标志点的像素坐标和标志图的几何参数,确定标志点在相机坐标系下的空间坐标。其从梯度幅值方向和灰度值两个层面,分别提取两个边缘点集合,融合校正得到更精确的实际边缘点集合,同时对实际边缘点集合进行实例分割,以提高标志点分割识别的整体精度。
Description
技术领域
本发明涉及图像识别领域,特别是涉及一种标志点的识别方法。
背景技术
现有技术中,当待识别对象的特征不明显、目标识别任务需要很高的识别精度和定位精度时,需要通过人为添加标志图,将标志图的标志点作为空间位置标识进行特征补充。
但是,若捕获的标志图像包含较多环境干扰或检测手段无法精确检测提取预定的图案及其特征,如标志点的像素坐标、标志图的形状参数、标志点的空间坐标等,则会存在检测误差、匹配错误和检测不稳定的情况,导致无法有效过滤误检测标志点、误匹配率高、定位错误的问题。
因此,如何提供一种精度更高的标志点识别方法,是该领域亟待解决的技术问题。
发明内容
为解决上述技术问题,本发明提供一种标志点的识别方法,包括:
获取标志图像数据;
根据标志图像数据的梯度值和梯度方向,提取第一边缘点集合Psub;
根据标志图像数据的灰度值,提取第二边缘点集合Es;
根据第一边缘点集合中的点与第二边缘点集合中的对应点的距离,确定实际边缘点集合Fs;
根据实际边缘点集合,确定标志图像中标志点的像素坐标和标志图的几何参数;
根据标志点的像素坐标和标志图的几何参数,确定标志点在相机坐标系下的空间坐标。
进一步地,提取第一边缘点集合的步骤,包括:
根据标志图像数据,计算各像素点的综合梯度值和梯度方向;
判断各像素点的综合梯度值是否大于综合梯度值高低阈值;
若高于综合梯度值高阈值,则视该像素点为边缘点;
若低于综合梯度值低阈值,则视该像素点为非边缘点;
若处于综合梯度值高阈值与综合梯度值低阈值之间,则搜索像素点的前后同一链路点的综合梯度值,若同一链路点中有综合梯度值高于综合梯度值高阈值的边缘点,则视该像素点为边缘点,否则视该像素点为非边缘点;得到第一边缘点集合。
进一步地,确定前后同一链路点的步骤,包括:
根据公式(9)判断当前遍历点A的前一个点或后一个点B顺序,若满足公式(9),则判定B为A的后一个点,否则为前一个点;同时对遍历过程中已存在前向或后向点的遍历点,判断新链接点的欧式距离是否小于已有前向或后向点的欧式距离,若否,则确定B为A同一链路点;若是,则确定替换B为新的链路点;
(9)
其中,表示A、B两点间的向量,g(A)T表示当前遍历点A的梯度方向。
进一步地,提取第二边缘点集合的步骤,包括:
对标志图像数据,进行阈值滤波二值化处理,获得标志图像数据的二值图Bm;
扫描遍历二值图Bm,若扫描点本身值为1,则进行8向的周围联通搜索,若周围存在值为0的像素点,则标记此扫描点为边界点,确定各边界点坐标,同时根据当前扫描点所在边界内外情况改变和相邻点边界内外情况记录属于不同轮廓的边界点集合,得到各标志点实例的第二边缘点集合Es。
进一步地,确定实际边缘点集合的步骤,具体为:
设置距离阈值;遍历第一边缘点集合Psub,判断第二边缘点集合Es中,是否存在与当前遍历点距离小于距离阈值的点;若存在,则视当前遍历点为实际边缘点;若不存在,则视当前遍历点为非实际边缘点;得到实际边缘点集合Fs。
或:设置距离阈值;遍历第一边缘点集合Psub,判断第二边缘点集合Es中,是否存在与当前遍历点距离小于距离阈值的点;若存在,则将当前遍历点代替第二边缘点集合中与当前遍历点距离小于距离阈值的点;若不存在,则不作处理;遍历结束,将最终得到的第二边缘点集合,确定为实际边缘点集合Fs。
进一步地,根据标志点的像素坐标和标志图的几何参数,确定标志点在相机坐标系下的空间坐标,具体为:
若采用单目相机获取标志图像数据,则包括:
根据标志图的几何参数,确定比例缩放因子;
根据相机内参和比例缩放因子,将标志点的像素坐标转换至相机坐标系下的空间坐标;
或:采用多目相机获取标志图图像数据,则包括:
根据各标志图的几何参数,确定各相机的比例缩放因子;
根据各相机的相机内参和比例缩放因子,将各标志点的像素坐标分别转换至各相机坐标系下的空间坐标;
根据各相机外参和各相机坐标系下的空间坐标,得到校正后的比例缩放因子z’;
根据校正后的比例缩放因子z’,将标志点的像素坐标转换至各相机坐标系下校正后的空间坐标。
进一步地,根据相机内参和比例缩放因子,将标志点的像素坐标转换至相机坐标系下的空间坐标;或:根据各相机的相机内参和比例缩放因子,将各标志点的像素坐标分别转换至各相机坐标系下的空间坐标;采用公式(11):
(11)
其中,(u,v)为标志点的像素坐标,Z为比例缩放因子;fx,fy分别对应相机于x,y方向的焦距,cx,cy分别为像素平面坐标系原点坐标,Xc,Yc,Zc代表标志点在相机坐标系下的空间坐标。
进一步地,根据各相机外参和各相机坐标系下的空间坐标,得到校正后的比例缩放因子z’;具体为:
采用公式(13),根据标志点各相机坐标系下的空间坐标,计算视差距离;
采用公式(14),根据各相机外参和视差距离,计算校正后的比例缩放因子z’;
(13)
(14)
其中,(Xcij,Ycij,Zcij)、(xcij,ycij,zcij)分别为第i相机拍摄的标志图像数据中第j个标志点的图像坐标;α为视差距离;f、T为相机外参,其中f为相机焦距,T为第i相机与第j相机光心间的基线距离;Z’为校正后的比例缩放因子。
进一步地,若标志图像数据中包括至少两个标志点时,还包括各标志点的同名点配对步骤;包括:
以标志图的几何参数为预设条件,根据各相机视角下标志点的像素坐标和空间坐标,将不同相机视角下的标志点投影至同一平面;
根据各相机视角下标志点在同一平面上投影的距离差,确定候选同名点;
根据各相机视角下标志点的像素坐标和空间坐标,将不同相机视角下的标志点进行多平面极线投影,确定极线线段方程;
根据候选同名点与极线线段的垂直距离,在候选同名点中,确定最终同名点。
另一方面,本发明还提供一种计算机存储介质,存储有可执行程序代码;所述可执行程序代码,用于执行上述任意的标志点的识别方法。
另一方面,本发明还提供一种终端设备,包括存储器和处理器;所述存储器存储有可被处理器执行的程序代码;所述程序代码用于执行上述任意的标志点的识别方法。
本发明提供的标志点的识别方法、计算机存储介质和终端设备,其在标志图像数据基础上,在梯度幅值方向和灰度值两个层面,分别提取第一边缘点集合和第二边缘点集合;再在此基础上,设置距离阈值,融合两个层面得到的边缘点集合,得到更精确的实际边缘点集合,同时对实际边缘点集合进行实例分割。在此基础上拟合确定图像中标志点的像素坐标和标志图的几何参数,将更为精确,能进一步提高最终确定的标志点的空间坐标的精确度,提高标志点分割识别的精度。
附图说明
图1为本发明标志点的识别方法的一个实施例的流程图;
图2为本发明标志图像数据采集的一个实施例的结构示意图;
图3为本发明标志图像数据采集的另一个实施例的结构示意图;
图4为本发明标志点的识别方法和同名点配对方法结合的一个实施例的结构示意图。
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的一部分实施例,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。
需要说明,若本发明实施例中有涉及方向性指示,诸如上、下、左、右、前、后……,则该方向性指示仅用于解释在某一特定姿态下,各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。另外,若本发明实施例中有涉及“第一、第二”、“S1、S2”、“步骤一、步骤二”等的描述,则该类描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量或者表明方法的执行顺序等,本领域技术人员可以理解的凡是在发明技术构思下,不违背其发明要点的,都应该列入本发明的保护范围。
如图1 所示,本发明提供一种标志点的识别方法,包括:
S1:获取标志图像数据;具体的,如图2所示,图像采集模块100,如单目相机、双目相机、多目相机、摄像头等,可选但不仅限于通过有线或无线方式,与处理模块200连接,接收由处理模块200,如终端设备等,发送的图像获取触发信号,拍摄视野范围内包括标志图M的标志图像数据。
更为具体的,该标志图像中标志图的数量、形状、种类等可由本领域技术人员根据实际需求而任意设定,如图2示例的,标志图像中标志图可选但不仅限于为标志圆M,优选为反光标志圆。如图3示例的,标志图像中标志图可选但不仅限于为4个标志圆M1、M2、M3、M4,且大小不一。值得注意的,图2、图3仅为标志图的适应举例,并不以此为限,其数量、形状、种类可由本领域技术人员任意设定。示例的,假设视野范围内有多个物体需要标识,可选但不仅限于将不同物体用不同形状或大小的标志图标识。
处理模块200,再经由本发明标志点的识别方法,识别标志图像数据中标志图的标志点的空间位置。以图2所示的圆形状标志图为例,圆形状标志图的标志点,可选但不仅限于为圆心或/和上下左右顶点,那么识别特征点的空间位置,可选但不仅限于为识别上述圆心或/和上下左右顶点的空间坐标;更为优选的,当标志图像数据中包括多数量、多形状的标志图,如图3所示的两种不同大小的4个标志圆M1、M2、M3、M4,本发明标志点的识别方法,还可选但不仅限于包括:识别标志图像数据中各标志点的所属类别,如具体标志点属于大圆形或小圆形的特征点。
值得注意的,本发明标志点的识别方法及附图,以图2、图3所示的标志圆为标志图案为例进行示例说明,但并不以此为限。示例的,该标志图像中的标志图,还可选但不仅限于为三角形、方形、或者各种图形的混合,如有一个圆形、一个三角形等。示例的,以三角形为例,其标志点可选但不仅限于为三角形的三个顶点或中心点等;其他图案的标志点也可为该图案有象征性的特征点。
S2:根据标志图像数据的梯度值和梯度方向,提取第一边缘点集合Psub;具体的,从梯度值和梯度方向角度,对捕获的单个标志图像数据进行预设标志图案形状像素的检测提取,获取标志图于二维图像数据上的第一边缘点集合。更为具体的,可选但不仅限于以如图2、3所示的标志图为标志圆为例,其在相机成像的二维投影上一般表现为椭圆形状,则提取该椭圆的第一边缘点集合。
具体的,步骤S2,可选但不仅限于包括:
S21:根据标志图像数据,计算各像素点的综合梯度值和梯度方向;
S22:判断各像素点的综合梯度值是否大于综合梯度值高低阈值;
S23:若高于综合梯度值高阈值,则视该像素点为边缘点;
S24:若低于综合梯度值低阈值,则视该像素点为非边缘点;
S25:若处于综合梯度值高阈值与综合梯度值低阈值之间,则搜索像素点的前后同一链路点的综合梯度值,若同一链路点中有综合梯度值高于综合梯度值高阈值的边缘点,则视该像素点为边缘点,否则视该像素点为非边缘点;得到第一边缘点集合Psub。
具体的,步骤S21中,可选但不仅限于以图像数据上像素坐标(m,n)的一个像素点A(m, n)为例,其灰度值可选但不仅限于表示为。更为具体的该灰度值/>,可选但不仅限于为原始图像数据的灰度值;或该灰度值,优选为高斯滤波后图像的灰度值gσ(m, n),σ表示高斯核大小。更为具体的,高斯滤波,可选但不仅限于采用公式(1)所示的二维高斯滤波;
(1)
对原始图像或高斯滤波后图像/>中像素点A(m, n)乘Sobel算子分别得到x、y方向的梯度值/>,/>,并通过公式(2)-(3)计算综合梯度值和梯度方向/>。
(2)
(3)
更为具体的,第一边缘点集合Psub中每个像素点的坐标,可选但不仅限于在步骤S21中,计算每个像素点,如像素点A(m,n)的坐标,再在步骤S25确定了第一边缘点集合中包括哪些像素点而挑选该对应点的坐标确定;或为了减少计算量,在步骤S25确定了第一边缘点集合后,再计算该第一边缘点集合中每个像素点Psuba(m,n)的坐标。示例的,以像素点A(m,n)为例,其坐标可选但不仅限于采用下述公式确定:
S201:插值计算各像素点,同样以像素点A(m, n)为例,沿梯度方向上距离为预定像素大小,如一个像素大小的相邻两点/>、/>的综合梯度值、/>;
具体的,对于每个像素点A(m, n),插值计算沿方向上距离为预定像素大小,如一个像素大小,的相邻两点/>、/>的综合梯度值/>、值。
(4)
(5)
S202:根据各像素点A(m, n),的综合梯度值和相邻两点/>、的综合梯度值/>、/>,计算各像素点A(m, n)的坐标/>以确定第一边缘点集合中各像素点的坐标。
具体的,可选但不仅限于采用公式(6)-(8):
(6)
(7)
(8)
更为具体的,步骤S25中,确定前后同一链路点的步骤,可选但不仅限于包括:
根据公式(9)判断当前遍历点,如像素点A(m, n),的前一个点或后一个点B(m, n)顺序,若满足公式(9),则判定B(m, n)为A(m, n)的后一个点,否则为前一个点;同时对遍历过程中已存在前向或后向点的遍历点,判断新链接点的欧式距离是否小于已有前向或后向点的欧式距离,若否,则确定B(m, n)为A(m, n)同一链路点;若是,则确定替换为新的链路点;
(9)
其中,表示A(m, n)、B(m, n)两点间的向量,g(A)T表示当前遍历点A(m, n)的梯度方向。
S3:根据标志图像数据的灰度值,提取第二边缘点集合Es;具体的,可选但不仅限于从灰度值角度,提取标志图像数据中可能的轮廓像素点集,进行单个标志图案的实例分割,得到该图案数据的第二边缘点集合Es。具体的:
S31:对标志图像数据,进行阈值滤波二值化处理,获得标志图像数据的二值图Bm。具体的:即对拍摄的灰度图像遍历,判断每个像素点的灰度值是否大于预设阈值,灰度值大于预设阈值的像素点设为1,否则设为0,得到非0即1的二值图。
S32:扫描遍历二值图Bm,若扫描点本身值为1,则进行8向的周围联通搜索,若周围存在值为0的像素点,则标记此扫描点为边界点,确定各边界点坐标,同时根据当前扫描点所在边界内外情况改变和相邻点边界内外情况记录属于不同轮廓的边界点集合,得到各标志点实例的第二边缘点集合Es。
具体的,若标志图像数据中只有一个标志图像,以如图2所示的1个标志图为例,则根据当前扫描点所在边界内外情况改变和相邻点边界内外情况记录属于不同轮廓的边界点集合,只有一个,也就得到一个标志图的边缘点集合。若标志图像数据中有多个标志图像,以如图3所示的4个标志图为例,可选但不仅限于先将图像的四个图像边缘设置为第一个轮廓顺序,随后对二值图Bm进行扫描遍历,若扫描点本身值为1,则进行8向的周围联通搜索,若周围存在值为0的像素点,则标记此扫描点为边界点,并根据当前扫描点所在边界内外情况改变和相邻点内外情况记录属于不同轮廓的边界点集合。进一步的,遍历Bm后获得边界点和它们的轮廓顺序集合,并通过轮廓顺序进行轮廓实例分割,获得单个椭圆实例的边缘点集合并进一步获得所有椭圆的第二边缘点集合Es。
S4:根据第一边缘点集合Psub中的点与第二边缘点集合Es中的对应点的距离,确定实际边缘点集合Fs。具体的,可选但不仅限于为:
第一种方式:设置距离阈值;遍历第一边缘点集合Psub,判断第二边缘点集合Es中,是否存在与当前遍历点距离小于距离阈值的点;若存在,则视当前遍历点为实际边缘点;若不存在,则视当前遍历点为非实际边缘点;得到实际边缘点集合Fs。
或:第二种方式:设置距离阈值;遍历第一边缘点集合Psub,判断第二边缘点集合Es中,是否存在与当前遍历点距离小于距离阈值的点;若存在,则将当前遍历点代替第二边缘点集合中与当前遍历点距离小于距离阈值的点;若不存在,则不作处理;遍历结果,将最终得到的第二边缘点集合,确定为实际边缘点集合Fs。
具体的,该距离阈值,可选但不仅限于由本领域技术人员根据实际情况而任意设定。遍历第一边缘点集合Psub中的各边缘点坐标,在第二边缘点集合Es中找,是否存在与该当前遍历点距离小于设定距离阈值的点,若存在则确定精确度更高的第一边缘点为实际边缘点;若不存在,则忽略当前遍历点。最终,以第一边缘点集合中的所有实际边缘点组成新的集合,作为最终确定的实际边缘点;或以实际边缘点替代后的第二边缘点集合,作为最终确定的实际边缘点。值得注意的,上述仅给出了两种实际边缘点的确定方法的示例,但并不以此为限。本发明的发明核心在于, 1、梯度值和梯度方向角度提取第一边缘点集合;2、从灰度值角度提取第二边缘点集合;即:从两个角度分别提取边缘特征,再根据两个角度提取的边缘特征点的距离,确定实际边缘点,是两种角度边缘特征的相互融合与校正,能进一步提高边缘特征的提取精度,进而提高后续标志点分割识别的精度。
S5:根据实际边缘点集合Fs,确定标志图像中标志点的像素坐标(u,v)和标志图的几何参数;具体的,在得到实际边缘点集合Fs的基础上,即可数据拟合该标志图像中标志图的边框(如图2所示的标志圆的边缘),示例的以图像的左上角为原点,建立像素坐标系,进而确定该标志图中标志点的像素坐标和几何参数。同样以如图2所示的,以标志图像为标志圆为例,可选但不仅限于根据实际边缘点集合Fs,进行各椭圆实例的RANSAC形状拟合得到标志圆,在像素平面上一般表现为椭圆,并提取其具有一定象征性的标志点,如圆心这个标志点的像素坐标,可选但不仅限于表示为(u,v),以及其直径、长轴、短轴、椭圆朝向角度等几何参数为特征参数。
值得注意的,上述标志图像中标志图为标志圆仅为示例说明,该标志图像,还可选但不仅限于为三角形等其他形状,可选但不仅限于根据实际边缘点集合Fs,形状拟合得到标志三角形,并提取其具有一定象征性的标志点,如三角形等标志点的像素坐标(u,v),以及其边长等几何参数为特征参数。
S6:根据标志点的像素坐标(u,v)和标志图的几何参数,确定标志点在相机坐标系下的空间坐标(Xc,Yc,Zc)。具体的,在相机内参、几何参数等作用下,将标志点在像素平面上的像素坐标,转换成标志点在相机坐标系下的空间坐标。
具体的,步骤S6中:若步骤S1,采用单目相机,获取得到一个标志图像数据,通过步骤S2-S5,识别了一个标志图像中标志点的像素坐标(u,v)和标志图的几何参数,则采用第一种方式:
S61:根据标志图的几何参数,确定比例缩放因子z;
S62:根据相机内参和比例缩放因子,将标志点的像素坐标(u,v)转换至相机坐标系下的空间坐标(Xc,Yc,Zc)。
具体的:以如图2所示的圆环为例,根据小孔成像模型,已知三维空间圆形图案投影到二维平面成像为椭圆形状,且其中空间圆环过圆心的直径线段与相机成像平面平行,投影表现为图像中二维椭圆的长轴,因此空间圆环直径D与投影于相机成像平面的椭圆长轴像素长度L的比例和圆心P距离相机光心O的距离Z与光心O至成像平面的距离焦距F的比例相同。
因此,以标志图像中标志图案为标志圆为例,步骤S6中确定标志点在相机坐标系下的空间坐标(Xc,Yc,Zc),具体如公式(10)-(11)所示:
(10)
其中,D为标志圆的直径;L为标志圆投影于相机成像平面的椭圆长轴像素长度L;Z为标志圆的圆心距离相机光心的距离,即比例缩放因子;F为相机光心至成像平面的距离焦距F;根据公式(10),标志圆的直径D本身已知,L、F可根据实际边缘点集合Fs拟合的标志圆确定,即可根据公式(10)计算得到标志圆的圆心距离相机光心的距离,即比例缩放因子Z。
进而,根据相机内参和公式(10)确定的标志圆的圆心在相机坐标系下的距离Z,即比例缩放因子,可进一步根据公式(11)估算标志圆的圆心在相机坐标系下的三维空间坐标[Xc,Yc,Zc],即标志点的空间坐标。
(11)
其中,(u,v)为标志圆圆心(示例的标志点)的像素坐标,Z为标志圆的圆心距离相机光心的距离,即比例缩放因子,由公式(10)计算确定; fx,fy分别为相机于x,y方向的焦距(根据相机内参已知),cx,cy分别为像素平面坐标系原点坐标(可选但不仅限于以像素平面左上角为原点坐标),Xc,Yc,Zc代表标志圆圆心相对相机坐标系的三维空间坐标,即标志点的空间坐标。
优选的,在一些精确度要求比较高的应用场景中,步骤S1,优选采用多目相机,如二目、三目等相机,对同一标志图像进行拍摄,同时捕获视野范围内同一标志图像的多个标志图像数据,进而通过步骤S2-S5,即可识别各个标志图像数据中标志点的像素坐标和标志图的几何参数,则采用第二种方式:
S61’:根据各标志图的几何参数,确定各相机的比例缩放因子z;
S62’:根据各相机的相机内参和比例缩放因子,将各标志点的像素坐标(uij,vij)转换至各相机坐标系下的空间坐标(Xcij,Ycij,Zcij);
S63’:根据各相机外参和各相机坐标系下的空间坐标,得到校正后的比例缩放因子z’;
S64’:根据校正后的比例缩放因子Z’,将标志点的像素坐标(uij,vij)转换至各相机坐标系下校正后的空间坐标(Xcij,Ycij,Zcij)’。
具体的,以双目相机拍摄如图2所示的标志圆为例,可得到不同角度的两个标志图像数据,通过步骤S2-S6,即可识别得到第一相机拍摄的标志图像数据中第一标志点的图像坐标(Xc11,Yc11,Zc11)和第二相机拍摄的标志图像数据中第一标志点的图像坐标(Xc21,Yc21,Zc21);即可采用公式(12),计算得到标志点的视差距离α(概括为公式(13)),进而采用公式(14)校正得到标志圆的圆心距离相机光心的距离,即校正后的比例缩放因子Z’;
(12)
(13)
(14)
其中,(Xc11,Yc11,Zc11)、(Xc21,Yc21,Zc21)分别为第一相机、第二相机拍摄的标志图像数据中第一标志点的图像坐标;(Xcij,Ycij,Zcij)、(xcij,ycij,zcij)分别为不同第i相机拍摄的标志图像数据中第j个标志点的图像坐标;此处,由于第i个相机拍摄的标志图像数据中第j个标志点的图像坐标本可均用:(Xcij,Ycij,Zcij)表示。但是,公式(13)中表示的是两个不同相机分别表示的图像坐标,所以一个用大写表示,一个用小写表示,以示区分。α为视差距离;f为相机焦距,T为第一相机与第二相机光心间的基线距离,本身已知;Z’为校正后标志点与相机光心的距离,即校正后的比例缩放因子。再通过前述公式(11)计算标志圆的圆心在双目相机坐标系下的三维空间坐标,相当于校正后的三维空间坐标[Xcij,Ycij,Zcij]’。
在该实施例中,给出了本发明的标志点的识别方法,其在标志图像数据基础上,在梯度幅值方向和灰度值两个层面,分别提取第一边缘点集合Psub和第二边缘点集合Es,再在此基础上,设置距离阈值,得到实际边缘点集合Fs。也就是说,其在原始第二边缘点集合Es基础上,以更精确的第一边缘点集合Psub作为校正点,融合两个方向,获得最终的实际边缘点集合Fs,在此基础上拟合确定图像中标志点的像素坐标(u,v)和标志图的几何参数,将更为精确,能进一步提高最终确定的标志点的空间坐标(Xc,Yc,Zc)的精确度,提高标志点识别的精度。更为优选的,在此基础上,还优选采用多目相机,从不同视角捕获同一标志图像,对比例缩放因子Z和空间坐标做进一步校正优化,能够更进一步提高最终确定的标志点的空间坐标(Xc,Yc,Zc)的精确度。
更为优选的,如图3所示,给出了标志图像的一种优选实施例,与图2所示相比,其上不仅存在一个标志圆,而是设置了4个标志圆,包括2个大圆M1、M2和两个小圆M3、M4;那么采用多目相机捕获该视野范围内的标志图像后,经过步骤S1-S5,即可分别识别得到4个标志点。那么,本发明标志点的识别方法,还可选但不仅限于包括:
S7:若标志图像中有多个标志点,根据标志图的几何参数,对标志点进行属性分类。以上述图3的4个标志点为例,还可选但不仅限于包括:根据直径、标志点二维尺寸或图案形状等几何参数,确定该标志点到底属于大圆标志点还是小圆标志点。更为示例,如三角形标志点等。并进一步通过设置长短轴阈值来过滤提取合适的椭圆,获得最终标志图案集合K,可选但不仅限于包括标志图像中,各标志点的像素坐标、空间坐标、属性分类等。
更为优选的,由于多目相机捕获如图3所示的多个标志图的标志图像数据时,那么在后续识别过程中,则需要对各单目相机采集到的4个标志点进行同名点配对,即在各单目相机所捕获的标志图像数据中找到对应的标志点,再进行步骤S6中多目相机情况下,坐标的转换步骤。
因此,另一方面,本发明还提供一种多目相机的同名点配对方法,可选但不仅限于采用现有技术中任意方式,或本发明标志点的识别方法,识别各单目相机下各标志点的像素坐标,然后以某个单目相机下标志点的像素坐标为基础,以其他单目相机下标志点的像素坐标为校正,将其他像素坐标投影至该基础像素坐标的相机像素平面,得到校正后标志点的空间坐标;或者将各单目相机下标志点的像素坐标投影至统一像素平面下进行校正,得到校正后标志点的空间坐标。具体的,包括:
P1:识别各相机视角下各标志图像中标志点的像素坐标和空间坐标,获取各标志图像中标志图的几何参数;示例的,多目相机可选但不仅限于以双目相机为例、混合标志点为如图3所示的两种不同大小标志圆的标志点为例,对上述多目相机的同名点配对方法做进一步的解释说明,但多目相机的具体数量、标志图像的具体形状、类别、数量等并不以此为限。
具体的,首先可选但不仅限于采用现有技术的任意方式或上述标志点的识别方法,分别获取第一相机、第二相机中4个标志点的像素坐标和空间坐标。可选但不仅限于为:第一相机的4个标志点M1-M4的像素坐标:(u11,v11),(u12,v12),(u13,v13),(u14,v14);第二相机的4个标志点M1-M4的像素坐标:(u21,v21),(u22,v22),(u23,v23),(u24,v24);第一相机的4个标志点M1-M4的空间坐标:(Xc11,Yc11,Zc11)、(Xc12,Yc12,Zc12)、(Xc13,Yc13,Zc13)、(Xc14,Yc14,Zc14);第二相机的4个标志点M1-M4的空间坐标:(Xc21,Yc21,Zc21)、(Xc22,Yc22,Zc22)、(Xc23,Yc23,Zc13)、(Xc24,Yc24,Zc24);同时已知获取各标志图像的几何参数,以上述标志圆为例,可选但不仅限于选取直径为几何参数。
P2:以标志图的几何参数为预设条件,根据各相机视角下标志点的像素坐标和空间坐标,将不同相机视角下的标志点投影至同一平面;具体的,以本发明标志图像为标志圆为例,可选但不仅限于以空间中标志圆的直径为预设条件,对不同相机视角下的边缘点集合,在该实施例中示例为二维椭圆集合,进行多平面投影,将各相机视角下的标志点投影至同一平面。更为具体的:可选但不仅限于以某个相机单目相机的像素平面为基础,将其他相机投影至该平面;或者另外选择一个新的平面,将所有相机都投影至该新的独立平面。示例的,以双目相机为例,简称为第一相机、第二相机,可选但不仅限于将第一相机的像素平面投影至第二相机的像素平面,或者将第二相机的像素平面投影至第一相机的像素平面,或者将第一相机、第二相机的像素平面,分别投影至新的第三平面。
更为示例的,以双目相机中将第一相机投影至第二相机像素平面为例,第一相机中的4个标志点M1-M4像素坐标为:(u11,v11),(u12,v12),(u13,v13),(u14,v14);第一相机的4个标志点M1-M4的空间坐标:(Xc11,Yc11,Zc11)、(Xc12,Yc12,Zc12)、(Xc13,Yc13,Zc13)、(Xc14,Yc14,Zc14);可选但不仅限于以标志点M1为例,可选但不仅限于采用公式(15),通过预先标定的双目相机间的外参[R|t],将第一相机捕获的标志点M1的空间坐标,投影至第二相机,得到第一相机中标志点M1在第二相机视角下的像素坐标(u11’,v11’);同样的,可计算第一相机中其他标志点M2-M4的在第二相机视角下的像素坐标,如公式(16)所示,其中i表示相机的序号,j表示标志点的序号;
(15)
(16)
其中,[R|t]表示第一相机与第二相机之间的旋转平移变换,M-1为预先标定的相机内参逆矩阵,[Xc11,Yc1,Zc1]为第一相机中第一标志点的空间坐标,(u11’,v11’)为第一标志点投影至第二相机二维成像平面上的像素坐标;[Xcij,Ycij,Zcij]为第i个相机中第j个标志点的空间坐标,(uij’,vij’)为第i个相机中第j个标志点投影至另一个成像平面上的像素坐标;值得注意的,此处该另一个成像平面上的像素坐标,可以为除了自身相机成像平面以外的任意相机成像平面,或为另一个统一投影的平面,如双目相机平面外的第三平面。
P3:根据各相机视角下标志点在同一平面上投影的距离差,确定候选同名点;具体的,可选但不仅限于以像素坐标计算距离差,或以空间坐标计算距离差。示例的,以像素坐标为例:在投影确定各相机的各标志点在同一平面上的像素坐标后,在统一坐标系下基于距离(可选为欧氏距离)最近原则,提取多目成像的候选同名点。也就是说:遍历投影点(uij,vij)集合,计算投影点与被投影平面中已有椭圆中心点间的距离,其中欧式距离小于预定阈值的视为可能的最近点,即获取得到候选点同名点集合Psame。
P4:根据各相机视角下标志点的像素坐标和空间坐标,将不同相机视角下的标志点进行多平面极线投影,确定极线线段方程。具体的,以标志图像为标志圆为例,对椭圆中心点多平面极线投影。
示例的,同样以双目相机中,以第一相机投影至第二相机像素平面下为例,根据极线约束原理,则可确定不同视角二维平面下的像素坐标(u11,v11, 1)和(u11’,v11’, 1)满足公式(17),从而可以确定投影二维成像平面上的极线线段方程,并进一步确定极线线段参数。其中,tTTR为第一相机与第二相机预先标定中获得的本征矩阵,K2 -TtTTRK1 -1为基础矩阵,(u11,v11, 1)和(u11’,v11’, 1)为单个像素点在不同视角二维平面下的像素坐标。值得注意的,该(u11,v11, 1)和(u11’,v11’, 1)仅为示例说明,但并不以此为限,可归纳为公式(18),(uij,vij, 1)和(uij’,vij’, 1)为第i个相机的第j个像素点在不同视角二维平面下的像素坐标。更为示例的,还可根据(u21,v21, 1)和(u21’,v21’, 1)确定。更值得注意的,在第一相机投影至第二相机为例,则第二相机的(u21’,v21’,1),即与其原始像素坐标(u21,v21, 1)一致,无需投影;若为第一相机、第二相机均投影至某统一坐标系,则第二相机的(u21’,v21’,1),与其原始像素坐标(u21,v21,, 1)不一致,为其对于该统一坐标系,即第三坐标系的投影。
(17)
(18)
在此基础上,设基础矩阵为F,/>和为x和x’,则关于点x’在投影平面上的极线约束线段可表示为Ie’,如公式(19)所述。
(19)
且一个投影点对应一条极线线段。
P5:根据候选同名点与极线线段的垂直距离,在候选同名点中,确定最终同名点。具体的,以第一相机投影至第二相机为例,进一步对候选同名点集合Psame遍历,计算其中被投影平面,即第二相机成像平面上已存在的椭圆中心点(u2j,v2j,1)与投影点(u11,v11, 1)对应的投影极线线段的垂直距离,其中距离最小的点选取为投影点(u11,v11, 1)的同名点对,获得同名点配对集合Mp,以上述双目相机为例,即将第一相机的4个标志点与第二相机的4个标志点配对好,遍历集合Mp对同名点进行三角距离测量估计获取相对于双目相机的空间三维坐标。
在此基础上,该同名点配对方法,即可应用于上述标志点的识别方法,在其采用多目相机获取标志图像数据、且每个标志图像数据中有多个标志点时,采用本发明的同名点配对方法,对识别的同名点进行配对,然后根据步骤S6,确定每个标志点的空间坐标。
在该实施例中,给出了本发明多目相机的同名点配对方法,以双目相机为例,其通过预先标定的双目相机间的内参,将标志点投影至统一的坐标系下,根据投影后标志点间的二维距离和极线约束,联合进行同名点匹配。值得注意的,如图3所示,有两种不同大小的标志圆时,步骤P2中,可选但不仅限于提取不同直径为预设条件,进行后续同名点配对。也就是说,在标志图像数据中存在多种类型的标志图案时,可更改预设条件再次进行同名点对的搜索匹配获得配对集合。
本发明的有益效果:
1、与现有技术中只在图像中单一进行灰度图像的边缘提取和图形拟合过滤非理想边缘点以获取理想拟合图案的方式相比,本发明标志点的识别方法,通过亚像素边缘检测和实例边缘检测联合检测的方法,有效过滤不构成预设图案的边缘点,且对拟合后图案进行预设二维标志图案尺寸作为过滤条件的过滤,进一步有效过滤了二维图像检测拟合过程中产生的错误、非理想图案检测结果,更进一步地,通过预设条件进行投影计算的方法,有效过滤了不符合预设条件类别标志点的同名点匹配流程,也降低了标志点图案检测提取的错误率。
2、与现有技术中直接在不同视角图案中进行相似区域搜索提取同名点或通过拟合图案提取的空间特征相比,本发明同名点配对方法,通过预设标志点空间条件(如以直径为预设条件)下的单目距离估计和随后的多视角图像投影,联合多视角投影点的极线约束条件,降低了不同视角图像下的同名点误匹配率。值得注意的,如图4所示,给出了标志点的识别方法和基于多目相机的同名点配对方法结合时,具体流程示意图,若标志图像中不存在不同类别标志图案时,则无需进行同名点配对步骤,若存在则需要。
3、与现有技术中需对标志点特殊编码和进一步识别以支持标志点分类的方法相比,本发明中直接通过预设标志点的空间特征条件进行投影同名点匹配过滤的方法,在无需对标志点进行高成本编码图案印刷和复杂识别流程的条件下,同样实现了对混合标志点检测的支持。
另一方面,本发明还提供一种计算机存储介质,存储有可执行程序代码;所述可执行程序代码,用于执行上述任意的标志点的识别方法或/和基于多目相机的同名点配对方法。
另一方面,本发明还提供一种终端设备,包括存储器和处理器;所述存储器存储有可被处理器执行的程序代码;所述程序代码用于执行上述任意的标志点的识别方法或/和基于多目相机的同名点配对方法。
示例性的,所述程序代码可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述程序代码在终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器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。
所述存储器可以是终端设备的内部存储单元,例如硬盘或内存。所述存储器也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(SmartMedia Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述程序代码以及终端设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
上述计算机存储介质和终端设备基于上述标志点的识别方法或/和基于多目相机的同名点配对方法而创造,其技术作用和有益效果在此不再赘述,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种标志点的识别方法,其特征在于,包括:
获取标志图像数据;
根据标志图像数据的梯度值和梯度方向,提取第一边缘点集合Psub;
根据标志图像数据的灰度值,提取第二边缘点集合Es;
根据第一边缘点集合中的点与第二边缘点集合中的对应点的距离,确定实际边缘点集合Fs;
根据实际边缘点集合,确定标志图像中标志点的像素坐标和标志图的几何参数;
根据标志点的像素坐标和标志图的几何参数,确定标志点在相机坐标系下的空间坐标;
根据标志点的像素坐标和标志图的几何参数,确定标志点在相机坐标系下的空间坐标,具体为:
若采用单目相机获取标志图像数据,则包括:
根据标志图的几何参数,确定比例缩放因子;
根据相机内参和比例缩放因子,将标志点的像素坐标转换至相机坐标系下的空间坐标;
或:采用多目相机获取标志图图像数据,则包括:
根据各标志图的几何参数,确定各相机的比例缩放因子;
根据各相机的相机内参和比例缩放因子,将各标志点的像素坐标分别转换至各相机坐标系下的空间坐标;
根据各相机外参和各相机坐标系下的空间坐标,得到校正后的比例缩放因子z’;
根据校正后的比例缩放因子z’,将标志点的像素坐标转换至各相机坐标系下校正后的空间坐标。
2.根据权利要求1所述的标志点的识别方法,其特征在于,提取第一边缘点集合的步骤,包括:
根据标志图像数据,计算各像素点的综合梯度值和梯度方向;
判断各像素点的综合梯度值是否大于综合梯度值高低阈值;
若高于综合梯度值高阈值,则视该像素点为边缘点;
若低于综合梯度值低阈值,则视该像素点为非边缘点;
若处于综合梯度值高阈值与综合梯度值低阈值之间,则搜索像素点的前后同一链路点的综合梯度值,若同一链路点中有综合梯度值高于综合梯度值高阈值的边缘点,则视该像素点为边缘点,否则视该像素点为非边缘点;得到第一边缘点集合。
3.根据权利要求2所述的标志点的识别方法,其特征在于,确定前后同一链路点的步骤,包括:
根据公式(9)判断当前遍历点A的前一个点或后一个点B顺序,若满足公式(9),则判定B为A的后一个点,否则为前一个点;同时对遍历过程中已存在前向或后向点的遍历点,判断新链接点的欧式距离是否小于已有前向或后向点的欧式距离,若否,则确定B为A同一链路点;若是,则确定替换B为新的链路点;
(9)
其中,表示A、B两点间的向量,g(A)T表示当前遍历点A的梯度方向。
4.根据权利要求1所述的标志点的识别方法,其特征在于,提取第二边缘点集合的步骤,包括:
对标志图像数据,进行阈值滤波二值化处理,获得标志图像数据的二值图Bm;
扫描遍历二值图Bm,若扫描点本身值为1,则进行8向的周围联通搜索,若周围存在值为0的像素点,则标记此扫描点为边界点,确定各边界点坐标,同时根据当前扫描点所在边界内外情况改变和相邻点边界内外情况记录属于不同轮廓的边界点集合,得到各标志点实例的第二边缘点集合Es。
5.根据权利要求1所述的标志点的识别方法,其特征在于,确定实际边缘点集合的步骤,具体为:
设置距离阈值;遍历第一边缘点集合Psub,判断第二边缘点集合Es中,是否存在与当前遍历点距离小于距离阈值的点;若存在,则视当前遍历点为实际边缘点;若不存在,则视当前遍历点为非实际边缘点;得到实际边缘点集合Fs;
或:设置距离阈值;遍历第一边缘点集合Psub,判断第二边缘点集合Es中,是否存在与当前遍历点距离小于距离阈值的点;若存在,则将当前遍历点代替第二边缘点集合中与当前遍历点距离小于距离阈值的点;若不存在,则不作处理;遍历结束,将最终得到的第二边缘点集合,确定为实际边缘点集合Fs。
6.根据权利要求1-5任意一项所述的标志点的识别方法,其特征在于,根据相机内参和比例缩放因子,将标志点的像素坐标转换至相机坐标系下的空间坐标;或:根据各相机的相机内参和比例缩放因子,将各标志点的像素坐标分别转换至各相机坐标系下的空间坐标;采用公式(11):
(11)
其中,(u,v)为标志点的像素坐标,Z为比例缩放因子;fx,fy分别对应相机于x,y方向的焦距,cx,cy分别为像素平面坐标系原点坐标,Xc,Yc,Zc代表标志点在相机坐标系下的空间坐标。
7.根据权利要求6所述的标志点的识别方法,其特征在于,根据各相机外参和各相机坐标系下的空间坐标,得到校正后的比例缩放因子z’;具体为:
采用公式(13),根据标志点各相机坐标系下的空间坐标,计算视差距离;
采用公式(14),根据各相机外参和视差距离,计算校正后的比例缩放因子z’;
(13)
(14)
其中,(Xcij,Ycij,Zcij)、(xcij,ycij,zcij)分别为两个第i相机拍摄的标志图像数据中第j个标志点的图像坐标;α为视差距离;f、T为相机外参,其中f为相机焦距,T为第i相机与第j相机光心间的基线距离;Z’为校正后的比例缩放因子。
8.根据权利要求7所述的标志点的识别方法,其特征在于,若标志图像数据中包括至少两个标志点时,还包括各标志点的同名点配对步骤;包括:
以标志图的几何参数为预设条件,根据各相机视角下标志点的像素坐标和空间坐标,将不同相机视角下的标志点投影至同一平面;
根据各相机视角下标志点在同一平面上投影的距离差,确定候选同名点;
根据各相机视角下标志点的像素坐标和空间坐标,将不同相机视角下的标志点进行多平面极线投影,确定极线线段方程;
根据候选同名点与极线线段的垂直距离,在候选同名点中,确定最终同名点。
9.一种计算机存储介质,其特征在于,存储有可执行程序代码;所述可执行程序代码,用于执行权利要求1-8任意一项所述的标志点的识别方法。
10.一种终端设备,其特征在于,包括存储器和处理器;所述存储器存储有可被处理器执行的程序代码;所述程序代码用于执行权利要求1-8任意一项所述的标志点的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340565.XA CN117115242B (zh) | 2023-10-17 | 2023-10-17 | 标志点的识别方法、计算机存储介质和终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340565.XA CN117115242B (zh) | 2023-10-17 | 2023-10-17 | 标志点的识别方法、计算机存储介质和终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115242A CN117115242A (zh) | 2023-11-24 |
CN117115242B true CN117115242B (zh) | 2024-01-23 |
Family
ID=88813087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311340565.XA Active CN117115242B (zh) | 2023-10-17 | 2023-10-17 | 标志点的识别方法、计算机存储介质和终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115242B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5685665B1 (ja) * | 2014-04-28 | 2015-03-18 | ヴィスコ・テクノロジーズ株式会社 | 画像認識装置 |
CN106204544A (zh) * | 2016-06-29 | 2016-12-07 | 南京中观软件技术有限公司 | 一种自动提取图像中标志点位置及轮廓的方法和系统 |
CN108562274A (zh) * | 2018-04-20 | 2018-09-21 | 南京邮电大学 | 一种基于标志器的非合作目标位姿测量方法 |
CN108615041A (zh) * | 2018-05-09 | 2018-10-02 | 桂林电子科技大学 | 一种角点检测方法 |
CN109297428A (zh) * | 2018-11-21 | 2019-02-01 | 武汉珈鹰智能科技有限公司 | 一种基于无人机的高精度变形巡测技术方法 |
CN109409292A (zh) * | 2018-10-26 | 2019-03-01 | 西安电子科技大学 | 基于精细化特征优化提取的异源图像匹配方法 |
CN111091507A (zh) * | 2019-12-09 | 2020-05-01 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备以及存储介质 |
CN111178193A (zh) * | 2019-12-18 | 2020-05-19 | 深圳市优必选科技股份有限公司 | 一种车道线的检测方法、检测装置及计算机可读存储介质 |
CN111382658A (zh) * | 2019-11-14 | 2020-07-07 | 北京航空航天大学 | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 |
CN113362308A (zh) * | 2021-06-08 | 2021-09-07 | 深圳市华汉伟业科技有限公司 | 一种物体边缘的毛刺检测方法及装置、存储介质 |
CN114240984A (zh) * | 2021-12-22 | 2022-03-25 | 易思维(杭州)科技有限公司 | 一种圆形标志点边缘提取方法及其应用 |
CN115586796A (zh) * | 2022-10-28 | 2023-01-10 | 广东数字生态科技有限责任公司 | 一种基于视觉的无人机降落位置的处理方法、装置及设备 |
CN116129037A (zh) * | 2022-12-13 | 2023-05-16 | 珠海视熙科技有限公司 | 视触觉传感器及其三维重建方法、系统、设备及存储介质 |
CN116681979A (zh) * | 2023-06-30 | 2023-09-01 | 南京工程学院 | 一种复杂环境下的电力设备目标检测方法 |
CN116734806A (zh) * | 2023-06-01 | 2023-09-12 | 闽江学院 | 一种基于近景摄影测量标志点的自动识别与定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10328578B2 (en) * | 2017-04-21 | 2019-06-25 | X Development Llc | Methods and systems for detecting, recognizing, and localizing pallets |
-
2023
- 2023-10-17 CN CN202311340565.XA patent/CN117115242B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5685665B1 (ja) * | 2014-04-28 | 2015-03-18 | ヴィスコ・テクノロジーズ株式会社 | 画像認識装置 |
CN106204544A (zh) * | 2016-06-29 | 2016-12-07 | 南京中观软件技术有限公司 | 一种自动提取图像中标志点位置及轮廓的方法和系统 |
CN108562274A (zh) * | 2018-04-20 | 2018-09-21 | 南京邮电大学 | 一种基于标志器的非合作目标位姿测量方法 |
CN108615041A (zh) * | 2018-05-09 | 2018-10-02 | 桂林电子科技大学 | 一种角点检测方法 |
CN109409292A (zh) * | 2018-10-26 | 2019-03-01 | 西安电子科技大学 | 基于精细化特征优化提取的异源图像匹配方法 |
CN109297428A (zh) * | 2018-11-21 | 2019-02-01 | 武汉珈鹰智能科技有限公司 | 一种基于无人机的高精度变形巡测技术方法 |
CN111382658A (zh) * | 2019-11-14 | 2020-07-07 | 北京航空航天大学 | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 |
CN111091507A (zh) * | 2019-12-09 | 2020-05-01 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备以及存储介质 |
CN111178193A (zh) * | 2019-12-18 | 2020-05-19 | 深圳市优必选科技股份有限公司 | 一种车道线的检测方法、检测装置及计算机可读存储介质 |
CN113362308A (zh) * | 2021-06-08 | 2021-09-07 | 深圳市华汉伟业科技有限公司 | 一种物体边缘的毛刺检测方法及装置、存储介质 |
CN114240984A (zh) * | 2021-12-22 | 2022-03-25 | 易思维(杭州)科技有限公司 | 一种圆形标志点边缘提取方法及其应用 |
CN115586796A (zh) * | 2022-10-28 | 2023-01-10 | 广东数字生态科技有限责任公司 | 一种基于视觉的无人机降落位置的处理方法、装置及设备 |
CN116129037A (zh) * | 2022-12-13 | 2023-05-16 | 珠海视熙科技有限公司 | 视触觉传感器及其三维重建方法、系统、设备及存储介质 |
CN116734806A (zh) * | 2023-06-01 | 2023-09-12 | 闽江学院 | 一种基于近景摄影测量标志点的自动识别与定位方法 |
CN116681979A (zh) * | 2023-06-30 | 2023-09-01 | 南京工程学院 | 一种复杂环境下的电力设备目标检测方法 |
Non-Patent Citations (3)
Title |
---|
基于双目视觉的边缘检测算法;陈志波;李声;;光学与光电技术(第04期);全文 * |
基于自适应窗口的多信息立体匹配算法;王建平;高正祥;;化工自动化及仪表(第08期);全文 * |
根据边缘梯度方向的十字丝目标快速自动检测;李立春, 冯卫东, 于起峰;光学技术(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117115242A (zh) | 2023-11-24 |
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 | |
CN110568447B (zh) | 视觉定位的方法、装置及计算机可读介质 | |
CN108805934B (zh) | 一种车载摄像机的外部参数标定方法及装置 | |
JP5870273B2 (ja) | 物体検出装置、物体検出方法及びプログラム | |
KR101666959B1 (ko) | 카메라로부터 획득한 영상에 대한 자동보정기능을 구비한 영상처리장치 및 그 방법 | |
US8447099B2 (en) | Forming 3D models using two images | |
US8452081B2 (en) | Forming 3D models using multiple images | |
US9886759B2 (en) | Method and system for three-dimensional data acquisition | |
Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
US20150138322A1 (en) | Image processing device and its control method, imaging apparatus, and storage medium | |
CN109784250B (zh) | 自动引导小车的定位方法和装置 | |
CN109118544B (zh) | 基于透视变换的合成孔径成像方法 | |
JP2019138822A (ja) | 3次元計測システム及び3次元計測方法 | |
CN111123242B (zh) | 一种基于激光雷达和相机的联合标定方法及计算机可读存储介质 | |
KR20180105875A (ko) | 단일 영상을 이용한 카메라 캘리브레이션 방법 및 이를 위한 장치 | |
Cvišić et al. | Recalibrating the KITTI dataset camera setup for improved odometry accuracy | |
Tsaregorodtsev et al. | Extrinsic camera calibration with semantic segmentation | |
JP6086491B2 (ja) | 画像処理装置およびそのデータベース構築装置 | |
KR101673144B1 (ko) | 부분 선형화 기반의 3차원 영상 정합 방법 | |
CN117115242B (zh) | 标志点的识别方法、计算机存储介质和终端设备 | |
JP2006113832A (ja) | ステレオ画像処理装置およびプログラム | |
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 | |
Slossberg et al. | Freehand Laser Scanning Using Mobile Phone. | |
CN111311658B (zh) | 双光成像系统图像配准方法及相关装置 | |
CN117635675A (zh) | 多目相机的同名点配对方法 |
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 |