CN104063711B - 一种基于K‑means方法的走廊消失点快速检测算法 - Google Patents
一种基于K‑means方法的走廊消失点快速检测算法 Download PDFInfo
- Publication number
- CN104063711B CN104063711B CN201410283061.3A CN201410283061A CN104063711B CN 104063711 B CN104063711 B CN 104063711B CN 201410283061 A CN201410283061 A CN 201410283061A CN 104063711 B CN104063711 B CN 104063711B
- Authority
- CN
- China
- Prior art keywords
- image
- end point
- lines
- point
- cluster
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种基于K‑means方法的走廊消失点快速检测算法,当获得机器人实时返回的图像数据后,先对其进行前期处理,包括降采样、灰度化处理、直方图均衡化和Canny边缘检测;再对上一步获得图像利用概率霍夫变换算法进行线条的提取;最后利用K‑means算法对检测到的直线根据斜率聚为四类,计算出每簇直线中点的均值,然后利用聚类得到的斜率和中点均值构建四条直线代替上一步检测到的直线,将四条直线随机分为两组,分别计算其交点,取交点的中点作为消失点。该方法可以快速的检测到消失点的位置,然后利用消失点对机器人的前进方向进行修正,实现对机器人的导航。和现有的消失点检测方法相比,本发明提出的方法具有简单高效、实时性好、稳定性强的特点。
Description
技术领域
本发明涉及机器人自主导航领域,具体为一种基于K-means方法的走廊消失点检测算法,能够准确实时的从机器人获得的图像中检测出消失点的位置坐标,进而为机器人的运动提供导航信息。本发明也可应用于微小型无人机在建筑物内沿走廊的自主飞行任务。
背景技术
空间一组平行直线,在图像平面上所成的像有且仅有一个交点,称为消失点,它包含了图像上平行直线的方向信息,因此可用来为机器人提供导航信息,这项技术已经被广泛应用。机器人在走廊中运动时,利用从摄像头获得的实时图像信息,计算出走廊中消失点的坐标,据此不断修正机器人的前进方向,最终可实现机器人沿走廊的自主运动。
为了使用消失点对机器人的运动进行导航,对消失点检测算法有两个重要的要求:(1)计算量小,实时性高;(2)检测到的消失点位置准确。
目前比较流行的几种消失点检测算法大多以霍夫变换为基本思想,而选择不同的参数空间,主要的参数空间有高斯球、霍夫空间和图像空间。Barnard,Stephen T."Interpreting perspective images."Artificial intelligence21.4(1983):435-462.中提出以摄像机光学中心为中心的高斯球作为累积空间。图像中的直线在高斯球中被映射成为一个圆,消失点在高斯球中对应着一个点。由于无限的图像平面被映射到一个有限的高斯球空间,因此无限远处的消失点同样被映射成一个点。在确定消失点的累积投票阶段,高斯球被分割成多个累积小单元,每个圆都对它经过的累积单元投票,投票数多的累积单元对应于消失点。这种方法对有限远处和无限远处的消失点均能有效检测。Tuytelaars,Tinne,et al."The cascaded Hough transform as an aid in aerial imageinterpretation."Computer Vision,1998.Sixth International Conference on.IEEE,1998.采用和Barnard类似的思想,使用霍夫变换将平面中的直线参数转化至霍夫空间,在霍夫空间进行累计投票,确定出消失点,在一定程度上减小了计算量。Rother,Carsten."Anew approach to vanishing point detection in architectural environments."Image and Vision Computing20.9(2002):647-655.将所有图像平面中检测到直线的两两交点作为消失点的候选对象,并给出了一些约束条件来确定消失点,这种方法可以得到更为准确的结果。
但是,上述几种方法存在以下几点不足:(1)在高斯球空间和霍夫空间方法中,经高斯球变换和霍夫变换后,减少了线段和消失点的空间位置信息,同时,这两种方法检测到的消失点精度受累积单元大小的影响较大,当累积单元较大时,得到消失点的误差较大,当累积单元过小时,计算量将会成倍增加,不能满足实时性要求;(2)在图像平面进行消失点的检测时,对所有可能的直线交点进行计算,这种方法的精度较高,但在实际应用时,由于检测到直线数量较大,算法复杂度高,计算量大,因此实时性较差,无法满足实际需要。
发明内容
为了克服现有技术的不足,本发明提出了一种基于K-means方法的走廊消失点快速检测算法,采用K-means方法进行消失点检测,只需要计算直线的两个交点,即可快速准确的计算出图像中消失点的位置。
本发明的技术方案为:
所述一种基于K-means方法的走廊消失点快速检测算法,其特征在于:采用以下步骤:
步骤1:对采集的图像进行预处理,去除掉图像中的冗余信息,减小噪声的影响;预处理过程依次为:对采集的图像进行降采样、灰度化处理、直方图均衡化、采用Canny算子进行边缘检测;
步骤2:采用概率霍夫变换算法检测步骤1处理后的图像,提取图像中的线条;
步骤3:采用K-means方法根据线条斜率将步骤2提取的线条聚类为四类,分别求出四类线条中点的均值;根据每类线条斜率和对应线条中点均值共确定出四条直线,四条直线随机分成两组,每组两条直线得到一个交点,取两个交点的中点作为消失点。
进一步的优选方案为:
所述一种基于K-means方法的走廊消失点快速检测算法,其特征在于:步骤3中采用K-means方法根据线条斜率将步骤2提取的线条聚类为四类的过程如下:
步骤3.1:计算步骤2检测到的n条线条的斜率,并将得到的n个斜率值作为待聚类的对象;从n个对象中任意选择四个作为初始聚类中心;初始聚类中心为所要聚成四个类别的初始中心;
步骤3.2:计算每个待聚类对象到所有聚类中心的欧氏距离,并将每个聚类对象划分到距离它最近的聚类中心,作为该聚类中心对应类别的一个成员;
步骤3.3:重新计算每个类别中各成员的均值,作为该类别新的聚类中心;
步骤3.4:当每个待聚类对象到其所属类别聚类中心的距离之和不能再减小时,聚类结束,否则返回步骤3.2。
有益效果
本发明实现了一种准确高效的走廊消失点检测算法,该方法可以在机器人获得的图像中,快速的检测到消失点的位置,然后利用消失点对机器人的前进方向进行修正,实现对机器人的导航。和现有的消失点检测方法相比,本发明提出的方法具有简单高效、实时性好、稳定性强的特点。
本发明之所以具有上述有益效果其原因在于:本发明提出的方法首先对机器人获得的走廊图像进行预处理,去除掉对计算消失点没有帮助的图像数据,只保留决定走廊消失点的图像数据部分,极大地减少了所需处理的信息量,降低了计算的复杂度。而且由于概率霍夫变换是一个相对比较耗时的过程,步骤(1)去除大量无关数据后,步骤(2)的线条提取过程也节省了计算成本,而且检测到的线条对消失点的确定均是有用的。在确定消失点位置时,未采用对大量直线两两求交点的方法,而是充分考虑走廊中的结构特征,采用K-means方法将图像中检测到的直线聚为四类,利用得到的四条直线代替前面检测到的大量直线,这四条直线就可决定了消失点的位置,采用这种方法进一步简化了计算,最终在只需计算直线两个交点的情况下,就可求出走廊中的消失点。
附图说明
图1:本发明的方法流程图;
图2:实施例中的处理图像。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
附图1展示了本发明实现走廊中消失点检测的整体流程,该流程包含了确定消失点所需的各个主要步骤。本发明的目的是利用走廊中运动的机器人返回的图像信息,快速计算出走廊中消失点的位置,并利用检测到的消失点对机器人沿走廊运动进行导航。附图2展示了利用本发明提出的方法在一幅随机拍摄的走廊图像中检测消失点的各个过程。
下面是具体的实现步骤,以附图2中的输入图像为例对整个过程进行说明。
一、图像的前期预处理
当机器人返回一张图片后,先使用计算机视觉的方法对图像进行相关处理,以减少周围环境中噪声的干扰,去除掉对确定消失点没有作用的图像数据,并对图像中的边缘进行检测,为下一步提取线条做好准备。
(1)图像的降采样处理
首先对采集到的图像进行将降采样处理,减小需处理图像的尺寸,在实际操作中,我们将图像的长和宽均变为原来的1/2。该步骤减少了需要处理的信息量,降低了运算过程中的时间成本。
(2)灰度化图像
由于计算机视觉的方法很容易受到所处环境中光照条件的影响,为了将这种影响降至最低,我们把降采样得到的RGB图像利用公式(1)转化为灰度图像,减少光照变化对消失点检测的影响。得到附图2-b所示图像。
Gray=0.229R+0.587G+0.114B (1)
(3)直方图均衡化
直方图均衡化是图像处理领域中利用图像直方图对图像对比度进行调整的方法。对于步骤(2)得到的灰度图像,让ni表示灰度i出现的次数,这样图像中灰度为i的像素的出现率是
式中,L是图像中所有的灰度数,n是灰度图像总共的像素个数,p是图像的直方图,将其归一化到0,…,1。定义c为p的累计概率函数,定义为:
定义一个形式为y=T(x)的变换函数,对于原始图像中的每个像素x,就能产生一个y,这样y的累计概率函数就可以在所有值范围内进行线性化,定义转换公式为:
yi=T(xi)=c(i) (4)
T将不同的等级映射到0,…,1域,为了将这些值映射回它们最初的域,需要结果上应用下面的变换:
yi'=yi(max-min)+min (5)
其中max为步骤(2)所得灰度图像像素集中的最大值,min为其中像素的最小值。通过直方图均衡化,提高了图像的对比度,有利于在图像中的边缘检测。得到附图2-c所示图像。
(4)采用Canny算子进行边缘检测
对步骤(3)得到的图像利用Canny算子进行边缘检测。Canny算子进行边缘检测可归纳为四个步骤:
1、使用高斯平滑函数对图像进行平滑处理,以消除噪声的影响;
本发明采用如下的高斯平滑函数对图像进行处理:
用高斯核函数H(x,y,σ)对步骤(3)得到的图像f(x,y)进行平滑处理,可以得到平滑后的图像g(x,y),具体公式为:
g(x,y)=H(x,y,σ)*f(x,y) (7)
式中,*表示卷积运算。
2、用一阶偏导的有限差分来计算梯度的幅值和方向,以达到边缘增强的目的;
图像灰度值的梯度可使用图像像素的一阶有限差分来进行近似,这样就可以得图像在x和y方向上偏导数的两个矩阵。
本发明中我们使用下表所示的卷积算子对图像进行卷积运算,下表左侧体现的是图像在x方向上的差异,右侧体现的是图像在y方向上的差异。
得到图像在x方向、y方向的一阶偏导数矩阵P和Q分别为:
P(x,y)=[f(x+1,y)-f(x,y)+f(x+1,y+1)-f(x,y+1)]/2 (8)
Q(x,y)=[f(x,y+1)-f(x,y)+f(x+1,y+1)-f(x+1,y)]/2 (9)
同时获得梯度的幅值和方向角,梯度幅值M以及梯度方向θ的数学表达式为:
θ(x,y)=arctan(P(x,y)/Q(x,y)) (11)
M(x,y)反映了边缘的强度,θ(x,y)反映了边缘的方向。使得M(x,y)取得局部最大值的方向角θ(x,y),就为该边缘的方向。
通过该步骤,获得在边缘位置处特征被加强的图像。
3、计算图像中局部梯度最大值的点,以此剔除掉一大部分非边缘的点;
对于图像中的每一个像素点,令其像值素M(x,y)与沿着梯度线的两个像素值相比,如果中心像素点的灰度值不比沿梯度线的两个相邻象素的灰度值大,则令中心像素点灰度值为0,否则保持不变。该操作保留了局部梯度值最大的点,其它点的像素值均已被设置为0。
4、进行双线性阈值,得到图像的边缘点;
对上一步得到的保留了局部梯度值最大值的图像,选择两个阈值α1和α2,其中α1为低阈值,α2为高阈值。我们将梯度值小于α1的像素的灰度值设置为0,得到图像1,再将梯度值小于α2的像素的灰度值置为0,得到图像2。由于图像2的阈值较高,去除了大部分噪音,但同时也损失了有用的边缘信息。而图像1的阈值较低,保留了较多的信息,我们以图像2为基础,以图像1为补充来连结图像的边缘点。具体的边缘连接步骤如下:首先对图像2进行扫描,当遇到一个灰度值非0的像素p(x,y)时,跟踪以p(x,y)为开始点的轮廓线,直到轮廓线的终点q(x,y)。然后,考察图像1中与图像2中q(x,y)点位置对应的点s(x,y)的8邻近区域。如果在s(x,y)点的8邻近区域中有非零像素s(x,y)存在,则将其包括到图像2中,作为r(x,y)点。从r(x,y)开始,继续向前搜索,直到我们在图像1和图像2中都无法继续为止。当完成对包含p(x,y)的轮廓线的连结之后,将这条轮廓线标记为已经访问。继续在图像中寻找其它的边缘,直至不能在找到新的边缘为止。
本发明中将Canny算法的高低阈值α1和α2的比值设为5:2。得到如附图2-d所示图像。
该步骤检测出的边缘是从图像中提取线条的基础,并减小了下一步概率霍夫变换的搜索范围,使其只需对存在边缘点的地方进行搜索,降低了时间成本。
二、图像中线条的提取
机器人实时传回的图片,经以上步骤处理以去除了相关噪声,同时减少了所要处理的信息量,下面就可进行线条的检测了。本发明采用概率霍夫变换算法进行图像中线条的检测,该算法非常适用于响应时间一定的实时***。
图像平面上的一条直线在极坐标系下可以表述为:ρ=xcosθ+ysinθ,式中,ρ为原点到直线的距离,θ为ρ与x轴之间的夹角,在一条已知直线上,ρ和θ为常数,(x,y)为直线上任意一点的坐标。图像空间中的一个点(x,y),映射到ρ和θ的参数空间,就变成一条曲线。图像空间中的一条直线,映射到ρ、θ参数空间,就转变为相交于一点的许多条曲线,因此,在图像空间中寻找直线的操作,就转化为在ρ、θ参数空间中查找曲线的交点的问题。
概率霍夫变换算法的具体步骤如下:
1、将极坐标下的ρ、θ参数空间离散化为多个均等的小区间,每个区间对应一个累加器A(ρ,θ),其初始值为零;然后将上一步Canny边缘检测所得的所有边缘点放到待处理边缘点集;
2、检测待处理边缘点集是否为空,如果是则算法结束;否则随机从待处理边缘点集中取一像素点,将其投射至ρ、θ参数空间得到一条曲线,对该条曲线所经过的所有小区间,计算各个小区间中ρ值所对应的θ值,并将各个小区间对应的累加器A(ρ,θ)加1;
3、从待处理边缘点集中删除所取的点;
4、判断更新后的累加器A(ρ,θ)值是否大于预先设定的阈值threshold,如果小于则回到第二步;否则转至下一步;
5、若4中累加器A(ρ,θ)值大于预先设定的阈值threshold,则说明有多条曲线经过该小区间,当1所划分的区间较小时,则可认为这多条曲线相交于一点,此点即为区间足够小时对应的点。于是等价地可以得到,这些经过该小区间的ρ、θ参数空间的曲线,在图像(x,y)平面上形成的是一条线段,这条线段上像素点的个数即为经过该小区间的曲线条数,两者至少均为阈值threshold。我们记录检测到线段的起点和终点作为一条线段的记录。
然后删除待处理边缘点集中位于该线段上的点,此累加器清零;
6、回第2步。
用概率霍夫变换算法对Canny边缘检测后的图像进行处理,即可检测出能够决定图像中消失点的直线,每条直线均由记录的其上的两点来确定。得到附图2-e所示图像。
三、确定图像中的消失点
根据概率霍夫变换算法检测到的直线,可分两步确定出消失点的位置:
(1)走廊中的消失点是由沿走廊方向的直线所确定的,而走廊中最容易被检测到的直线是竖直墙与地面和天花板相交形成的直线,通过对这些直线在图像平面内的投影进行分析,发现这些直线基本上都沿图像平面对角线方向分布,大致可以分为四簇,其斜率也可分为四类。通过步骤二检测到的直线中,这些直线占绝大多数,因此,利用K-means算法将步骤二检测到的直线聚为四类。
K-means算法是一种广泛使用的聚类算法,把n个对象划分为指定的类数,以使类内具有较高的相似度,而类间的相似度尽可能小。相似度的计算根据每个类中对象的平均值来进行的。本发明中使用该算法步骤如下:
①计算步骤二检测到的n条直线的斜率,并将得到的n个斜率值作为待聚类的对象,然后从这n个对象中任意选择四个作为初始聚类中心,也就是所要聚成四个类别的初始中心;
②计算每个待聚类对象到所有聚类中心的欧氏距离;并将每个聚类对象划分到距离它最近的聚类中心,作为该类别的一个成员;
③重新计算每个类别的均值,作为该类别新的聚类中心;
④当每个待聚类对象到其所属类别聚类中心的距离之和不能再减小,即算法已经收敛时,终止;否则回到步骤②。
(2)利用聚类的结果,分别计算每簇直线中点的均值,利用聚类得到的直线斜率与求出的中点均值根据点斜式构建四条直线,利用这四条直线代替前面检测到的直线。将四条直线随机分成两组,每组两条直线都会得到一个交点,取两个交点的中点为消失点。
在输入图像中检测到的消失点如附图2-f所示。
结合第一部分本发明算法归纳如下:
(1)当获得机器人实时返回的图像数据后,先对其进行前期处理,包括降采样、灰度化处理、直方图均衡化和Canny边缘检测;
(2)对上一步获得图像利用概率霍夫变换算法进行线条的提取;
(3)利用K-means算法对检测到的直线根据斜率聚为四类,计算出每簇直线中点的均值,然后利用聚类得到的斜率和中点均值构建四条直线代替上一步检测到的直线,将四条直线随机分为两组,分别计算其交点,取交点的中点作为消失点。
评价指标
为了评价本发明的消失点检测性能和比较实验的结果,使用以下指标来说明:消失点坐标的偏差和运算时间。其中消失点坐标的偏差定义为:其中,(x1,y1)为实际的消失点坐标,(x2,y2)为待测试算法(使用本发明提出的算法)检测到的消失点坐标。
本发明效果可以通过以下仿真实验进一步说明:
为了进一步说明本发明提出方法的有效性,设计了下面实验进行验证:
实验方案:在不同走廊中随机拍摄多幅大小约为350x450的图片,利用本发明提出的算法对每幅图片自动检测消失点,并记录所用时间,然后与人工测量到的消失点(可视为实际消失点)进行比较,计算消失点坐标偏差,然后取其平均值进行比较。选用一般的消失点检测算法进行消失点检测:先使用标准的霍夫变换算法检测图像中的直线,然后直接对直线求交点的方法获得消失点。记录这种方法所用时间和检测到的消失点坐标,并与本发明提出方法的结果进行比较。
实验结果:将本发明中霍夫变换的threshold(当每块小区域曲线的交点个数大于threshold时,则认为该区域对应的参数在图像平面上表现为一条线段)分别设为30、45和60时,得到的实验结果如表一所示。
由表一可看出,本发明提出的算法具有很高的消失点计算精度,平均消失点偏差均在15个像素以内,而且具有很低的计算成本,可以使机器人可以留出更多的时间进行其他操作。相比与利用霍夫变换检测直线,然后求取直线交点作为消失点的方法,本发明提出的方法对霍夫变换门限值threshold的选取有很高的鲁棒性,当门限值发生变化时,计算时间基本保持不变,检测到的消失点坐标偏差保持在很小范围内。因此本发明提出的方法具有很好的环境适应性,具有很高的实用价值。
表一 消失点检测实验结果
Claims (1)
1.一种基于K-means方法的走廊消失点快速检测方法,其特征在于:采用以下步骤:
步骤1:对采集的图像进行预处理,去除掉图像中的冗余信息,减小噪声的影响;预处理过程依次为:对采集的图像进行降采样、灰度化处理、直方图均衡化、采用Canny算子进行边缘检测;
步骤2:采用概率霍夫变换算法检测步骤1处理后的图像,提取图像中的线条;
步骤3:采用K-means方法根据线条斜率将步骤2提取的直线线条聚类为四类,分别求出四类线条中点的均值;根据每类线条斜率和对应线条中点均值共确定出四条直线,四条直线随机分成两组,每组两条直线得到一个交点,取两个交点的中点作为消失点;
其中采用K-means方法根据线条斜率将步骤2提取的直线线条聚类为四类的过程如下:
步骤3.1:计算步骤2检测到的n条线条的斜率,并将得到的n个斜率值作为待聚类的对象;从n个对象中任意选择四个作为初始聚类中心;初始聚类中心为所要聚成四个类别的初始中心;
步骤3.2:计算每个待聚类对象到所有聚类中心的欧氏距离,并将每个聚类对象划分到距离它最近的聚类中心,作为该聚类中心对应类别的一个成员;
步骤3.3:重新计算每个类别中各成员的均值,作为该类别新的聚类中心;
步骤3.4:当每个待聚类对象到其所属类别聚类中心的距离之和不能再减小时,聚类结束,否则返回步骤3.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410283061.3A CN104063711B (zh) | 2014-06-23 | 2014-06-23 | 一种基于K‑means方法的走廊消失点快速检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410283061.3A CN104063711B (zh) | 2014-06-23 | 2014-06-23 | 一种基于K‑means方法的走廊消失点快速检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104063711A CN104063711A (zh) | 2014-09-24 |
CN104063711B true CN104063711B (zh) | 2018-04-06 |
Family
ID=51551413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410283061.3A Active CN104063711B (zh) | 2014-06-23 | 2014-06-23 | 一种基于K‑means方法的走廊消失点快速检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104063711B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127751B (zh) * | 2016-06-20 | 2020-04-14 | 北京小米移动软件有限公司 | 图像检测方法、装置以及*** |
CN109388131B (zh) * | 2017-08-02 | 2022-04-26 | 上海阿科伯特机器人有限公司 | 基于角点特征识别的机器人姿态控制方法、***及机器人 |
CN109388093B (zh) * | 2017-08-02 | 2020-09-15 | 苏州珊口智能科技有限公司 | 基于线特征识别的机器人姿态控制方法、***及机器人 |
CN108986125B (zh) * | 2017-11-30 | 2022-02-01 | 成都通甲优博科技有限责任公司 | 物体边缘提取方法、装置及电子设备 |
CN107918775B (zh) * | 2017-12-28 | 2020-04-17 | 聊城大学 | 一种辅助车辆安全驾驶的斑马线检测方法及*** |
CN109238288A (zh) * | 2018-09-10 | 2019-01-18 | 电子科技大学 | 一种无人机室内自主导航方法 |
CN111358364B (zh) * | 2018-12-26 | 2021-09-07 | 珠海市一微半导体有限公司 | 基于视觉机器人的死角清扫方法、装置、芯片及机器人 |
CN111368659A (zh) * | 2020-02-24 | 2020-07-03 | 同济大学 | 一种智能港口agv无人车行驶轨迹纠正方法 |
CN112101163A (zh) * | 2020-09-04 | 2020-12-18 | 淮阴工学院 | 一种车道线检测方法 |
CN112598665B (zh) * | 2020-12-31 | 2022-05-06 | 北京深睿博联科技有限责任公司 | 一种曼哈顿场景消失点、消失线检测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366156A (zh) * | 2012-04-09 | 2013-10-23 | 通用汽车环球科技运作有限责任公司 | 道路结构检测和跟踪 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8395824B2 (en) * | 2008-07-17 | 2013-03-12 | Samsung Electronics Co., Ltd. | Method for determining ground line |
-
2014
- 2014-06-23 CN CN201410283061.3A patent/CN104063711B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366156A (zh) * | 2012-04-09 | 2013-10-23 | 通用汽车环球科技运作有限责任公司 | 道路结构检测和跟踪 |
Non-Patent Citations (3)
Title |
---|
Vanishing point detection in corridors: using Hough transform and K-means clustering;R. Ebrahimpour等;《IET Computer Vision》;20120119;第6卷(第1期);第40-51页 * |
一种新的消隐点自动测量算法;舒远等;《红外与激光工程》;20031031;第32卷(第5期);第479-483页 * |
基于K-means算法的温室移动机器人导航路径识别;高国琴等;《农业工程学报》;20140430;第30卷(第7期);第25-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104063711A (zh) | 2014-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104063711B (zh) | 一种基于K‑means方法的走廊消失点快速检测算法 | |
CN108171748B (zh) | 一种面向机器人智能抓取应用的视觉识别与定位方法 | |
CN110340891B (zh) | 基于点云模板匹配技术的机械臂定位抓取***及方法 | |
CN107705322A (zh) | 运动目标识别跟踪方法和*** | |
CN111145228B (zh) | 基于局部轮廓点与形状特征融合的异源图像配准方法 | |
CN110070567B (zh) | 一种地面激光点云配准方法 | |
Yu et al. | Robust robot pose estimation for challenging scenes with an RGB-D camera | |
CN109767454B (zh) | 基于时-空-频显著性的无人机航拍视频运动目标检测方法 | |
CN110659664B (zh) | 一种基于ssd的高精度识别小物体的方法 | |
Li et al. | Road lane detection with gabor filters | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN104036524A (zh) | 一种改进sift算法的快速目标跟踪方法 | |
Wang et al. | Real-time plane segmentation and obstacle detection of 3D point clouds for indoor scenes | |
CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
CN102289822A (zh) | 一种多摄像机协同跟踪运动目标的方法 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
Yang et al. | Robust line detection using two-orthogonal direction image scanning | |
Zhao et al. | Boundary regularized building footprint extraction from satellite images using deep neural network | |
CN114689038A (zh) | 基于机器视觉的果实检测定位与果园地图构建方法 | |
CN117870659A (zh) | 基于点线特征的视觉惯性组合导航算法 | |
CN104484647B (zh) | 一种高分辨率遥感图像云高度检测方法 | |
CN109215122B (zh) | 一种街景三维重建***及方法、智能小车 | |
CN111160231A (zh) | 一种基于Mask R-CNN的自动驾驶环境道路提取方法 | |
EP3137895A1 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
CN104616302A (zh) | 一种目标实时识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230106 Address after: 710077 Room 12004, Block A, Xi'an National Digital Publishing Base, No.996, Tiangu 7th Road, Yuhua Street Office, Hi tech Zone, Xi'an, Shaanxi Patentee after: XI'AN INNNO AVIATION TECHNOLOGY Co.,Ltd. Address before: 710072 No. 127 Youyi West Road, Shaanxi, Xi'an Patentee before: Northwestern Polytechnical University |