CN104732511B - 一种凸多边形图像块的检测方法、装置及设备 - Google Patents
一种凸多边形图像块的检测方法、装置及设备 Download PDFInfo
- Publication number
- CN104732511B CN104732511B CN201310723030.0A CN201310723030A CN104732511B CN 104732511 B CN104732511 B CN 104732511B CN 201310723030 A CN201310723030 A CN 201310723030A CN 104732511 B CN104732511 B CN 104732511B
- Authority
- CN
- China
- Prior art keywords
- pixel
- angle point
- point
- default
- image block
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000003384 imaging method Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 49
- 230000004044 response Effects 0.000 claims description 19
- 230000003466 anti-cipated effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种凸多边形图像块的检测方法、装置及设备,属于计算机领域。所述方法包括:获取图像传感器采集的图像;获取角点集合,所述角点集合包括所述图像中的角点,所述角点为所述图像中任意两条互不平行的直线边相交的交点;根据所述角点集合,从所述图像中检测出形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。所述装置包括:第一获取模块、第二获取模块和检测模块。本发明可以从图像中检测出凸多边形图像块。
Description
技术领域
本发明涉及计算机领域,特别涉及一种凸多边形图像块的检测方法、装置及设备。
背景技术
增强现实技术是在虚拟现实的基础上发展起来的新技术,是通过计算机***提供的信息增加用户对现实世界感知的技术,将虚拟的信息应用到真实世界,并将计算机生成的虚拟物体、场景或***提示等虚拟信息叠加到真实场景中,从而实现对现实的增强。
增强现实技术包括对图像中的真实场景进行定位,虚拟信息生成以及将生成的虚拟信息添加到定位的真实场景上三个步骤。其中,在对图像中的真实场景进行定位时,首先要检测出图像中的凸多边形图像块,利用检测出的凸多边形图像块来对图像中的真实场景进行定位。然而,目前还没有一种方法来从图像中检测出凸多边形图像块。
发明内容
为了从图像中检测出凸多边形图像块,本发明提供了一种凸多边形图像块的检测方法、装置及设备。所述技术方案如下:
第一方面,一种凸多边形图像块的检测方法,所述方法包括:
获取图像传感器采集的图像;
获取角点集合,所述角点集合包括所述图像中的角点,所述角点为所述图像中任意两条互不平行的直线边相交的交点;
根据所述角点集合,从所述图像中检测出形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。
结合第一方面,在第一方面的第一种可能的实现方式中,所述获取角点集合,包括:
获取候选角点集合,所述候选角点集合中的候选角点为所述图像中的角点响应值大于预设第二阈值的像素点、所述图像中的连通域的轮廓包括的轮廓点或所述图像中的物体边缘包括的边缘点;
从所述候选角点集合中选择是两条互不平行的直线边相交的交点的候选角点,将所述选择的候选角点作为角点并组成角点集合。
结合第一方面,在第一方面的第二种可能的实现方式中,所述从所述候选角点集合中选择是两条互不平行的直线边相交的交点的候选角点,包括:
以候选角点为中心,确定一个N×N的图像区域,N为大于或等于3的奇数,从所述图像区域中获取梯度模大于预设第三阈值的像素点;
根据所述获取的每个像素点的横向梯度分量的大小对所述获取的每个像素点进行排序得到一列像素点;
从所述一列像素点中获取像素点序列,所述像素点序列中的任意相邻的两像素点的梯度方向之间的夹角小于预设夹角阈值;
如果所述获取的像素点序列中至少存在两个像素点数目大于或等于预设第一个数的像素点序列,则确定所述候选角点为两条互不平行的直线边相交的交点,并选择所述候选角点。
结合第一方面,在第一方面的第三种可能的实现方式中,所述从所述图像区域中获取梯度模大于预设第三阈值的像素点之前,还包括:
根据所述图像区域包括的每个像素点的灰度值计算所述每个像素点的梯度模和梯度方向。
结合第一方面,在第一方面的第四种可能的实现方式中,所述将所述选择的候选角点作为角点之后,还包括:
从所述获取的像素点序列中选择两个像素点数目大于或等于预设第一个数的像素点序列;
分别计算所述选择的两个像素点序列中的像素点的梯度方向的平均值,将所述计算的两个平均值作为所述角点对应的两条直线边的递度方向。
结合第一方面,在第一方面的第五种可能的实现方式中,所述根据所述角点集合,从所述图像中检测出形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块,包括:
根据所述角点集合中的每个角点对应两条直线边的梯度方向,获取预设第二个数个角点,所述预设第二个数个角点能够组成形状为所述预设形状的凸多边形;
通过所述预设第二个数个角点组成形状为所述预设形状的凸多边形,从所述图像中获取所述预设形状的凸多边形图像块;
如果所述获取的凸多边形图像块与所述预设图像块之间相似度超过预设第一阈值,则保留所述获取的凸多边形图像块。
第二方面,一种凸多边形图像块的检测装置,所述装置包括:
第一获取模块,用于获取图像传感器采集的图像;
第二获取模块,用于获取角点集合,所述角点集合包括所述图像中的角点,所述角点为所述图像中任意两条互不平行的直线边相交的交点;
检测模块,用于根据所述角点集合,从所述图像中检测出形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。
结合第二方面,在第二方面的第一种可能的实现方式中,所述第二获取模块包括:
第一获取单元,用于获取候选角点集合,所述候选角点集合中的候选角点为所述图像中的角点响应值大于预设第二阈值的像素点、所述图像中的连通域的轮廓包括的轮廓点或所述图像中的物体边缘包括的边缘点;
选择单元,用于从所述候选角点集合中选择是两条互不平行的直线边相交的交点的候选角点,将所述选择的候选角点作为角点并组成角点集合。
结合第二方面,在第二方面的第二种可能的实现方式中,所述选择单元包括:
第一获取子单元,用于以候选角点为中心,确定一个N×N的图像区域,N为大于或等于3的奇数,从所述图像区域中获取梯度模大于预设第三阈值的像素点;
排序子单元,用于根据所述获取的每个像素点的横向梯度分量的大小对所述获取的每个像素点进行排序得到一列像素点;
第二获取子单元,用于从所述一列像素点中获取像素点序列,所述像素点序列中的任意相邻的两像素点的梯度方向之间的夹角小于预设夹角阈值;
确定子单元,用于如果所述获取的像素点序列中至少存在两个像素点数目大于或等于预设第一个数的像素点序列,则确定所述候选角点为两条互不平行的直线边相交的交点,并选择所述候选角点。
结合第二方面,在第二方面的第三种可能的实现方式中,所述选择单元还包括:
第一计算子单元,用于根据所述图像区域包括的每个像素点的灰度值计算所述每个像素点的梯度模和梯度方向。
结合第二方面,在第二方面的第四种可能的实现方式中,所述选择单元还包括:
选择子单元,用于从所述获取的像素点序列中选择两个像素点数目大于或等于预设第一个数的像素点序列;
第二计算子单元,用于分别计算所述选择的两个像素点序列中的像素点的梯度方向的平均值,将所述计算的两个平均值作为所述角点对应的两条直线边的递度方向。
结合第二方面,在第二方面的第五种可能的实现方式中,所述检测模块包括:
第二获取单元,用于根据所述角点集合中的每个角点对应两条直线边的梯度方向,获取预设第二个数个角点,所述预设第二个数个角点能够组成形状为所述预设形状的凸多边形;
组成单元,用于通过所述预设第二个数个角点组成形状为所述预设形状的凸多边形,从所述图像中获取所述预设形状的凸多边形图像块;
保留单元,用于如果所述获取的凸多边形图像块与所述预设图像块之间相似度超过预设第一阈值,则保留所述获取的凸多边形图像块。
第三方面,一种设备,所述设备包括:
存储器和处理器,用于执行所述一种凸多边形图像块的检测方法。
在本发明实施例中,获取图像传感器采集的图像,获取角点集合,该角点集合包括图像中的角点,该角点为图像中任意两条互不平行的直线边相交的交点;根据该角点集合,从图像中获取形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。如此可以自动化从图像中检测出凸多边形图像块。
附图说明
图1是本发明实施例1提供的一种凸多边形图像块的检测方法流程图;
图2-1是本发明实施例2提供的一种凸多边形图像块的检测方法流程图;
图2-2是本发明实施例2提供的一种以候选角点为中心的5×5的图像区域示意图;
图2-3是本发明实施例2提供的一种获取像素点序列的方法流程图;
图2-4是本发明实施例2提供的一种角点的梯度方向示意图;
图3是本发明实施例3提供的一种凸多边形图像块的检测方法流程图;
图4是本发明实施例4提供的一种凸多边形图像块的检测方法流程图;
图5是本发明实施例5提供的一种凸多边形图像块的检测装置结构示意图;
图6是本发明实施例6提供的一种设备结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例1
参见图1,本发明实施例提供了一种凸多边形图像块的检测方法,包括:
步骤101:获取图像传感器采集的图像;
步骤102:获取角点集合,该角点集合包括图像中的角点,该角点为图像中任意两条互不平行的直线边相交的交点;
步骤103:根据角点集合,从图像中获取形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。
在本发明实施例中,获取图像传感器采集的图像,获取角点集合,该角点集合包括图像中的角点,该角点为图像中任意两条互不平行的直线边相交的交点;根据该角点集合,从图像中获取形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。如此可以自动化从图像中检测出凸多边形图像块。
实施例2
参见图2-1,本发明实施例提供了一种凸多边形图像块的检测方法,包括:
步骤201:获取图像传感器采集的图像;
步骤202:获取候选角点集合,该候选角点集合包括的候选角点为该图像中的角点响应值大于预设第二阈值的像素点;
具体地,可以通过如下2021至2023的步骤来实现,包括:
2021:获取该图像包括的每个像素点的灰度值;
2022:根据获取的每个像素点的灰度值、预设第一矩阵和预设第二矩阵分别计算每个像素点的角点响应值;
其中,对于图像中任一个像素点,可以通过如下(A-1)至(A-8)的步骤计算该像素点的角点响应值,包括:
(A-1):获取该像素点的灰度值,以及在该像素点所在的行中,获取与该像素点左右相邻的两个像素点的灰度值,将该像素点的灰度值和获取的两个像素点的灰度值组成第一横向矩阵,将第一横向矩阵与预设第一矩阵进行卷积运算,得到该像素点的一阶横向微分;
例如,预设第一矩阵可以为|1,0,-1|或|2,0,-2|等,以预设第一矩阵为|1,0,-1|进行举例说明,但不作为对本发明保护范围的限定;假设该像素点的灰度值为120,以及在该像素点所在的行中,与该像素点左右相邻的两个像素点的灰度值分别为50和60;将获取的灰度值50、120和30组成第一横向矩阵|50,120,60|,可以按照如下公式(1)计算出该像素点的一阶横向微分Ix;
其中,在上述公式(1)中,为卷积运算符号。
(A-2):在该像素点所在的列中,获取与该像素点上下相邻的两个像素点的灰度值,将该像素点的灰度值和获取的两个像素点的灰度值组成第一纵向矩阵,将第一纵向矩阵与预设第一矩阵的转置矩阵进行卷积运算,得到该像素点的一阶纵向微分;
例如,预设第一矩阵的转置矩阵为在该像素点所在的列中,与该像素点上下相邻的两个像素点的灰度值分别为30和20;将获取的灰度值30、120和20组成第一纵向矩阵可以按照如下公式(2)计算出该像素点的一阶纵向微分Iy;
(A-3):在该像素点所在的行中,获取在该像素点左边且与该像素点最近的两个像素点,以及在该像素点右边且与该像素点最近的两个像素点,分别计算该四个像素点中的每个像素点的一阶横向微分;
其中,对于该四个像素点中的每个像素点按上述步骤(A-1),计算每个像素点的一阶横向微分,具体如何计算,在此不再详细说明。
(A-4):将该像素点的一阶横向微分和该四个像素点的一阶横向微分组成第二横向矩阵,将第二横向矩阵与预设第二矩阵进行卷积运算,得到该像素点的二阶横向微分;
例如,预设第二矩阵可以为等;在该像素点所在的行中,获取在该像素点左边且与该像素点最近的两个像素点的一阶横向微分为5和6;以及获取在该像素点右边且与该像素点最近的两个像素点的一阶横向微分为1和-5;将该像素点的一阶横向微分-10与该四个像素点的一阶横向微分5、6、1和-5组成第二横向矩阵|5,6,-10,1,-5|,可以按照如下公式(3)计算出该像素点的二阶横向微分A;
(A-5):在该像素点所在的列中,获取在该像素点上面且与该像素点最近的两个像素点,以及在该像素点下面且与该像素点最近的两个像素点,分别计算该四个像素点中的每个像素点的一阶纵向微分;
其中,对于该四个像素点中的每个像素点按上述步骤(A-2),计算每个像素点的一阶纵向微分,具体如何计算,在此不再详细说明。
(A-6):将该像素点的一阶纵向微分和该四个像素点的一阶纵向微分组成第二纵向矩阵,将第二纵向矩阵与预设第二矩阵的转置矩阵进行卷积运算,得到该像素点的二阶纵向微分;
例如,预设第二矩阵的转置矩阵为在该像素点所在的列中,获取在该像素点上面且与该像素点最近的两个像素点的一阶纵向微分为-10和-8;以及获取在该像素点下面且与该像素点最近的两个像素点的一阶纵向微分为12和0;将该像素点的一阶纵向微分10与该四个像素点的一阶纵向微分-10、-8、12和0组成第二纵向矩阵可以按照如下公式(4)计算出该像素点的二阶纵向微分B;
(A-7):根据预设第二矩阵、该像素点的一阶横向微分和一阶纵向微分,计算出该像素点的二阶混合方向微分;
具体地,对该像素点的一阶横向微分和一阶纵向微分进行乘积运算,得到第一数值,对预设第二矩阵和预设第二矩阵的转置矩阵进行乘积运算,得到第二数值,将第一数值和第二数值进行卷积运算得到该像素点的二阶混合方向微分。
例如,可以按照如下公式(5)计算出该像素点的二阶混合方向微分C;
(A-8):根据计算出的该像素点的二阶横向微分,二阶纵向微分和二阶混合方向微分,计算该像素点的角点响应值。
例如,按照如下公式(6)计算出该像素点的角点响应值R;
R=AB-C2-k(A+B)2……(6);
其中,在上述公式(6)中,k为角点响应系数,且k的取值可以大于或等于0.04且小于或等于0.06。
若k取0.04,则R=112.4×158.3-(-110)2-0.04×(112.4+158.3)2=2761.8。
2023:将角点响应值大于预设第二阈值的像素点确定为候选角点,将确定出的候选角点组成候选角点集合。
步骤203:从候选角点集合中选择是两条互不平行的直线边相交的交点的候选角点,将选择的候选角点作为角点并组成角点集合;
具体地,可以通过如下2031至2035的步骤来实现,包括:
2031:对于候选角点集合中的任一候选角点,以该候选角点为中心,确定一个N×N的图像区域,N为大于或等于3的奇数;
例如,假设N为5,参见图2-2,以候选角点集合中的某一候选角点P为中心,确定一个5×5的图像区域。
2032:根据N×N的图像区域包括的每个像素点的灰度值,计算每个像素点的梯度、梯度模和梯度方向;
具体地,对于N×N的图像区域中的任一个像素点,可以通过如下(B-1)至(B-3)的步骤计算该像素点的梯度、梯度模和梯度方向,包括:
(B-1):获取以该像素点为中心的3×3区域内包括的每个像素点的灰度值,并组成第一灰度值矩阵,将第一灰度值矩阵与预设第三矩阵进行卷积运算,得到该像素点的横向梯度分量;
例如,预设第三矩阵可以为等,假设该像素点的灰度值为130,以该像素点为中心的3×3区域内包括的每个像素点的灰度值如下表1所示:
表1
40 | 55 | 40 |
70 | 130 | 90 |
20 | 60 | 30 |
将表1所示的每个像素点的灰度值组成第一灰度值矩阵可以按照如下公式(7)计算该像素点的横向梯度分量G1;
(B-2):将第一灰度值矩阵与预设第三矩阵的转置矩阵进行卷积运算,得到该像素点的纵向梯度分量;
例如,预设第三矩阵的转置矩阵为可以按照如下公式(8)计算该像素点的纵向梯度分量G2;
(B-3):根据该像素点的横向梯度分量和纵向梯度分量,计算该像素点的梯度、梯度模和梯度方向。
具体地,将该像素点的横向梯度分量和纵向梯度分量组成该像素点的梯度;计算该像素点的横向梯度分量的第一平方值和纵向梯度分量的第二平方值,将第一平方值与第二平方值进行累加,对累加值进行开平方运算得到一数值,将该数值作为该像素点的梯度模;计算该像素点的纵向梯度分量与横向梯度分量之间的比值,对计算的比值进行反正切运算得到一角度,该角度即为该像素点的梯度沿水平向右方向顺时针旋转的角度,将该角度确定为该像素点的梯度方向。
例如,将该像素点的横向梯度分量-50和纵向梯度分量20组成该像素点的梯度计算该像素点的横向梯度分量-50的第一平方值为2500和纵向梯度分量20的第二平方值为400,对第一平方值2500和第二平方值400进行累加,得到累加值2900,将累加值2900进行开平方运算得到一数值53.9,将将数值53.9作为该像素点的梯度模;计算该像素点的纵向梯度分量20与横向梯度分量-50之间的比值-0.4,将比值-0.4进行反正切运算arctan(-0.4)=-21.8,可以得到该像素点的梯度沿水平向右方向顺时针旋转的角度为-21.8度,将该角度确定为该像素点的梯度方向。
进一步地,可以继续按照(B-1)至(B-3)的步骤计算该N×N的图像区域包括的其他每个像素点的梯度、梯度模和梯度方向。
2033:获取梯度模大于预设第三阈值的像素点,并对获取的像素点按横向梯度分量的大小进行排序得到一列像素点;
其中,预设第三阈值可以为N×N的图像区域包括的每个像素点的梯度模的平均值,也可以根据其他方法设定,本发明对此不加以限定。
2034:从该一列像素点中获取像素点序列,该像素点序列中任意相邻的两个像素点的梯度方向之间的夹角小于预设夹角阈值;
具体地,参见图2-3,可以通过如下(C-1)至(C-6)的步骤实现,包括:
(C-1):分别计算该一列像素点中相邻两个像素点的梯度方向之间的夹角;
(C-2):将该列像素点包括的第一个像素点入栈,从该列像素点包括的第二个像素点开始遍历;
此时该栈的栈顶像素点为入栈的第一个像素点。
(C-3):判断遍历的像素点的梯度方向与该栈的栈顶像素点的梯度方向之间的夹角是否小于预设夹角阈值,如果是,则执行步骤(C-4),如果否,则执行步骤(C-5);
(C-4):将遍历的像素点入栈,如果遍历的像素点不是该列像素点包括的最后一个像素点,则遍历下一个像素点,并返回执行步骤(C-3);
此时该栈的栈顶像素点为遍历的像素点。如果遍历的像素点是该列像素点包括的最后一个像素点,则结束操作。
(C-5):将栈中的所有像素点出栈,如果出栈的像素点为多个,则将出栈的多个像素点组成一个像素点序列;
(C-6):如果遍历的像素点不是该列像素点包括的最后一个像素点,则遍历下一个像素点,将遍历的像素点入栈,再遍历下一个像素点,返回执行步骤(C-3)。
如果遍历的像素点是该列像素点包括的最后一个像素点,则结束操作。
例如,该一列像素点为像素点A、像素点B、像素点C、像素点D、像素点E、像素点F和像素点G,计算出像素点A的梯度方向与像素点B的梯度方向之间的夹角为0.3度,像素点B的梯度方向与像素点C的梯度方向之间的夹角为0.15度,像素点C的梯度方向与像素点D的梯度方向之间的夹角为0.2度,像素点D的梯度方向与像素点E的梯度方向之间的夹角为0.6度,像素点E的梯度方向与像素点F的梯度方向之间的夹角为0.3度,像素点F的梯度方向与像素点G的梯度方向之间的夹角为0.24度;预设夹角为0.5度。
将像素点A入栈,从像素点B开始遍历,此时像素点A为栈顶像素点,像素点B的梯度方向与像素点A的梯度方向之间的夹角为0.3度且小于预设夹角0.5度,因此将像素点B入栈,此时像素点B为栈顶像素点;继续遍历该列像素点,当遍历至像素点C时,像素点B的梯度方向与像素点C的梯度方向之间的夹角为0.15度且小于预设夹角0.5度,将像素点C入栈,此时像素点C为栈顶像素点;继续遍历该列像素点,当遍历至像素点D时,像素点C的梯度方向与像素点D的梯度方向之间的夹角为0.2度且小于预设夹角0.5度,因此将像素点D入栈,此时像素点D为栈顶像素点;继续遍历该列像素点,当遍历至像素点E时,像素点D的梯度方向与像素点E的梯度方向之间的夹角为0.6度且大于预设夹角0.5度,将栈中的像素点出栈,将出栈的像素点A、像素点B、像素点C和像素点D组成一个像素点序列。
由于遍历的像素点E并非为该列像素点中最后一个像素点,将像素点E入栈,从像素点F开始遍历,此时像素点E为栈顶像素点,像素点E的梯度方向与像素点F的梯度方向之间的夹角为0.3度且小于预设夹角0.5度,因此将像素点F入栈,此时像素点F为栈顶像素点;继续遍历该列像素点,当遍历至像素点G时,像素点F的梯度方向与像素点G的梯度方向之间的夹角为0.24度且小于预设夹角0.5度,因此将像素点G入栈,此时像素点G为栈顶像素点;像素点G为该列像素点中最后一个像素点,因此结束遍历,将栈中的像素点出栈,将出栈的像素点E、像素点F和像素点G组成一个像素点序列。
2035:如果获取的像素点序列中至少存在两个像素点数目大于或等于预设第一个数的像素点序列,则确定该候选角点为两条互不平行的直线边相交的交点,并将该候选角点确定为角点。
其中,预设第一个数可以为N-1、N-2或N等。任意两个像素点数目大于或等于预设第一个数的像素点组成的两条直线为两条互不平行的直线边,该两条互不平行的直线边与该角点可以构成一个夹角。
进一步地,从获取的像素点序列中选择两个像素点数目大于或等于预设第一个数的像素点序列,分别计算选择的两个像素点序列包括的像素点的梯度方向的平均值,将计算的两个平均值分别作为该角点对应的两条直线边的递度方向。
其中,对于候选角点集合中的其他每个候选角点,都可以按照上述2031至2035的流程来从其他每个候选角点中确定出角点。
步骤204:根据角点集合中的每个角点对应的两条直线边的梯度方向,获取预设第二个数个角点,预设第二个数个角点能够组成形状为预设形状的凸多边形图像块;
具体地,可以通过如下2041至2049的步骤来实现,包括:
2041:将角点集合包括的角点按横向梯度分量大小进行排序得到一列角点;
2042:将该列角点包括的第一个角点入栈,从该列角点包括的第二个角点开始遍历;
此时该栈的栈顶角点为该列角点包括的第一个角点。
2043:根据预设的判定准则,确定该栈的栈顶角点与遍历的角点之间的线段能否构成形状为预设形状的凸多边形图像块的一条边,如果不能,则执行步骤2044,如果能,则执行步骤2045;
具体地,将栈顶角点和遍历的角点组成一个向量,该向量的方向由栈顶角点指向遍历的角点;
如果该向量的方向与栈顶角点对应的两条边中的其中一条边的梯度方向的夹角为90度,且与栈顶角点对应的两条边中的另一条边的梯度方向的夹角大于90度,则确定出栈顶角点与遍历的角点之间的线段能构成形状为预设形状的凸多边形图像块的一条边;否则,确定出栈顶角点与遍历的角点之间的线段不能构成形状为预设形状的凸多边形图像块的一条边;
如果栈顶角点对应的两条边中的其中一条边的梯度方向与遍历的角点对应的两条边中的其中一条边的梯度方向夹角为0度,且该向量的方向与遍历的角点对应的两条边中的另一条边的梯度方向的夹角小于90度,则确定出栈顶角点与遍历的角点之间的线段能构成形状为预设形状的凸多边形图像块的一条边;否则,确定出栈顶角点与遍历的角点之间的线段不能构成预设形状的凸多边形图像块的一条边。
例如,栈顶角点对应的两条边的梯度方向、遍历的角点对应的两条边的梯度方向以及栈顶角点和遍历的角点组成一个向量的方向如图2-4所示;其中,栈顶角点对应的两条边为边1和边2,遍历的角点对应的两条边为边3和边4,且均由虚线所示;边1的梯度方向为方向1’,边2的梯度方向为方向2’,边3的梯度方向为方向3’,以及边4的梯度方向为方向4’;栈顶角点和遍历的角点组成的一个向量的方向由栈顶角点指向遍历的角点且水平向右;
该向量的方向与栈顶角点对应的两条边中的边1的梯度方向1’的夹角为90度,且与栈顶角点对应的两条边中的边2的梯度方向2’的夹角为180度并大于90度,则确定出栈顶角点与遍历的角点之间的线段能构成预设形状的凸多边形图像块的一条边;
栈顶角点对应的两条边中的边1的梯度方向1’与遍历的角点对应的两条边中的边3的梯度方向3’夹角为0度,且该向量的方向与遍历的角点对应的两条边中的边4的梯度方向4’的夹角为0度并小于90度,则确定出栈顶角点与遍历的角点之间的线段能构成预设形状的凸多边形图像块的一条边。
2044:如果遍历的角点不是该列角点包括的最后一个角点,则遍历该列角点包括的下一个角点,并返回执行步骤2043;
如果遍历的角点是该列角点包括的最后一个角点,则结束操作。
2045:将遍历的角点入栈,确定栈中包括的角点的个数是否达到预设第二个数,如果未达到预设第二个数,则执行步骤2046,如果达到,则执行步骤2047;
此时该栈的栈顶角点为遍历的角点。
2046:如果遍历的角点不是该列角点包括的最后一个角点,则遍历该列角点包括的下一个角点,并返回执行步骤2043;
如果遍历的角点是该列角点包括的最后一个角点,则结束操作。
2047:根据预设的判定准则,确定该栈的栈顶角点与最先入栈的角点之间的线段能否构成预设形状的凸多边形图像块的一条边;
具体地,将栈顶角点和最先入栈的角点组成一个向量,该向量的方向由栈顶角点指向最先入栈的角点;
如果该向量的方向与栈顶角点对应的两条边中的其中一条边的梯度方向的夹角为90度,且与栈顶角点对应的两条边中的另一条边的梯度方向的夹角大于90度,则确定出栈顶角点与最先入栈的角点之间的线段能构成预设形状的凸多边形图像块的一条边;否则,确定出栈顶角点与最先入栈的角点之间的线段不能构成预设形状的凸多边形图像块的一条边;
如果栈顶角点对应的两条边中的其中一条边的梯度方向与最先入栈的角点对应的两条边中的其中一条边的梯度方向夹角为0度,且该向量的方向与最先入栈的角点对应的两条边中的另一条边的梯度方向的夹角小于90度,则确定出栈顶角点与最先入栈的角点之间的线段能构成预设形状的凸多边形图像块的一条边;否则,确定出栈顶角点与最先入栈的角点之间的线段不能构成预设形状的凸多边形图像块的一条边。
2048:如果不能,则将栈中的所有角点出栈并丢弃,如果能,则将栈中的所有角点出栈并保留;
2049:如果该列角点中位于遍历的角点之后的角点数目大于或等于预设第二个数,则遍历一下个角点并将遍历的下一个角点入栈,再遍历下一个角点,返回执行步骤2043。
如果该列角点中位于遍历的角点之后的角点数目小于预设第二个数,则结束操作。
步骤205:通过获取的预设第二个数个角点,组成形状为预设形状的凸多边形图像块,并从图像中获取该凸多边形图像块;
步骤206:如果获取的凸多边形图像块与预设图像块之间相似度超过预设第一阈值,则保留该凸多边形图像块。
具体地,分别计算获取的每个凸多边形图像块与预设图像块之间的相似度,保留与预设图像块之间的相似度超过预设第一阈值的凸多边形图像块。
优选地,计算获取的任一个凸多边形图像块与预设图像块之间的相似度,可以为:
分别找出该凸多边形图像块中每个像素点在预设图像块中对应的像素点,分别计算该凸多边形图像块中每个像素点的灰度值与预设图像块中对应的像素点的灰度值之间的差值,分别求出每个计算出的差值的绝对值;将求出的绝对值进行求和运算得到该凸多边形图像块与预设图像块之间的相似度,如果得到的相似度超过预设第一阈值,则保留该凸多边形图像块。
在本发明实施例中,获取角点集合,该角点集合包括图像中的角点,该角点为图像中任意两条互不平行的直线边相交的交点;根据该角点集合,从图像中获取形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块,如此可以自动化从图像中检测出凸多边形图像块,另外,在获取角点时,不对图片做其他处理,保留了图像中的全部信息;以及,根据角点构造凸多边形的流程复杂度低,因此检测图像中的凸多边形图像块的效率很高。
实施例3
参见图3,本发明实施例提供了一种凸多边形图像块的检测方法,包括:
步骤301:获取图像传感器采集的图像;
步骤302:获取候选角点集合,候选角点集合包括的候选角点为该图像中的连通域的轮廓包括的轮廓点;
具体地,获取图像中每个像素点的灰度值,对获取的灰度值求平均值得到平均灰度值,将图像中的灰度值大于或等于平均灰度值的像素点的灰度值设定为第一灰度值,将图像中的灰度值小于平均恢复值的像素点的灰度值设定为第二灰度值;通过上述转化过程将原来的图像转化为黑白图像;通过“区域生长法”提取黑白图像中的连通域,然后提取连通域的轮廓包括的轮廓点,将提取出的轮廓点组成候选角点集合。
其中,第一灰度值可以为255等,第二灰度值可以为0等,本发明对此不加以限定。
步骤303-306:分别与步骤203-206相同,在此就不再详细说明。
在本发明实施例中,获取角点集合,该角点集合包括图像中的角点,该角点为图像中任意两条互不平行的直线边相交的交点;根据该角点集合,从图像中获取形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。如此可以自动化从图像中检测出凸多边形图像块。
实施例4
参见图4,本发明实施例提供了一种凸多边形图像块的检测方法,包括:
步骤401:获取图像传感器采集的图像;
步骤402:获取候选角点集合,候选角点集合包括的候选角点为该图像中的物体边缘包括的边缘点;
具体地,可以通过如下4021至4023的步骤来实现,包括:
4021:获取该图像包括的每个像素点的灰度值;
4022:根据获取的每个像素点的灰度值、预设第四矩阵分别计算每个像素点的边缘点响应值;
其中,对于图像中任一个像素点,可以通过如下步骤计算该像素点的边缘点响应值,包括:
获取以该像素点为中心的M×M区域内包括的每个像素点的灰度值,并组成第二灰度值矩阵,将第二灰度值矩阵与预设第四矩阵进行卷积运算,得到该像素点的边缘点响应值。其中,M为正整数。
例如,预设第四矩阵可以为等,假设该像素点的灰度值为110,以该像素点为中心的3×3区域的像素点的灰度值如下表2所示:
表2
20 | 40 | 40 |
60 | 110 | 80 |
30 | 50 | 70 |
将表2所示的每个像素点的灰度值组成第二灰度值矩阵可以按照如下公式(9)计算出该像素点的边缘点响应值S;
4023:将边缘点响应值大于预设第四阈值的像素点确定为候选角点,将所有确定出的候选角点组成候选角点集合。
步骤403-406:分别与步骤203-206相同,在此就不再详细说明。
在本发明实施例中,获取角点集合,该角点集合包括图像中的角点,该角点为图像中任意两条互不平行的直线边相交的交点;根据该角点集合,从图像中获取形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。如此可以自动化从图像中检测出凸多边形图像块。
实施例5
参见图5,本发明实施例提供了一种凸多边形图像块的检测装置,包括:
第一获取模块501,用于获取图像传感器采集的图像;
第二获取模块502,用于获取角点集合,角点集合包括图像中的角点,角点为图像中任意两条互不平行的直线边相交的交点;
检测模块503,用于根据角点集合,从图像中检测出形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。
优选地,第二获取模块502包括:
第一获取单元,用于获取候选角点集合,候选角点集合中的候选角点为图像中的角点响应值大于预设第二阈值的像素点、图像中的连通域的轮廓包括的轮廓点或图像中的物体边缘包括的边缘点;
选择单元,用于从候选角点集合中选择是两条互不平行的直线边相交的交点的候选角点,将选择的候选角点作为角点并组成角点集合。
优选地,选择单元包括:
第一获取子单元,用于以候选角点为中心,确定一个N×N的图像区域,N为大于或等于3的奇数,从图像区域中获取梯度模大于预设第三阈值的像素点;
排序子单元,用于根据获取的每个像素点的横向梯度分量的大小对获取的每个像素点进行排序得到一列像素点;
第二获取子单元,用于从一列像素点中获取像素点序列,像素点序列中的任意相邻的两像素点的梯度方向之间的夹角小于预设夹角阈值;
确定子单元,用于如果获取的像素点序列中至少存在两个像素点数目大于或等于预设第一个数的像素点序列,则确定候选角点为两条互不平行的直线边相交的交点,并选择候选角点。
进一步地,选择单元还包括:
第一计算子单元,用于根据图像区域包括的每个像素点的灰度值计算每个像素点的梯度模和梯度方向。
进一步地,选择单元还包括:
选择子单元,用于从获取的像素点序列中选择两个像素点数目大于或等于预设第一个数的像素点序列;
第二计算子单元,用于分别计算选择的两个像素点序列中的像素点的梯度方向的平均值,将计算的两个平均值作为角点对应的两条直线边的递度方向。
优选地,检测模块503包括:
第二获取单元,用于根据角点集合中的每个角点对应两条直线边的梯度方向,获取预设第二个数个角点,预设第二个数个角点能够组成形状为预设形状的凸多边形;
组成单元,用于通过预设第二个数个角点组成形状为预设形状的凸多边形,从图像中获取预设形状的凸多边形图像块;
保留单元,用于如果获取的凸多边形图像块与预设图像块之间相似度超过预设第一阈值,则保留获取的凸多边形图像块。
在本发明实施例中,获取角点集合,该角点集合包括图像中的角点,该角点为图像中任意两条互不平行的直线边相交的交点;根据该角点集合,从图像中获取形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。如此可以自动化从图像中检测出凸多边形图像块。
实施例6
参见图6,本发明实施例提供了一种设备,该设备包括存储器601和处理器602,用于执行如下一种凸多边形图像块的检测方法:
获取图像传感器采集的图像;
获取角点集合,所述角点集合包括所述图像中的角点,所述角点为所述图像中任意两条互不平行的直线边相交的交点;
根据所述角点集合,从所述图像中检测出形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。
优选地,所述获取角点集合包括:
获取候选角点集合,所述候选角点集合中的候选角点为所述图像中的角点响应值大于预设第二阈值的像素点、所述图像中的连通域的轮廓包括的轮廓点或所述图像中的物体边缘包括的边缘点;
从所述候选角点集合中选择是两条互不平行的直线边相交的交点的候选角点,将所述选择的候选角点作为角点并组成角点集合。
优选地,所述从所述候选角点集合中选择是两条互不平行的直线边相交的交点的候选角点,包括:
以候选角点为中心,确定一个N×N的图像区域,N为大于或等于3的奇数,从所述图像区域中获取梯度模大于预设第三阈值的像素点;
根据所述获取的每个像素点的横向梯度分量的大小对所述获取的每个像素点进行排序得到一列像素点;
从所述一列像素点中获取像素点序列,所述像素点序列中的任意相邻的两像素点的梯度方向之间的夹角小于预设夹角阈值;
如果所述获取的像素点序列中至少存在两个像素点数目大于或等于预设第一个数的像素点序列,则确定所述候选角点为两条互不平行的直线边相交的交点,并选择所述候选角点。
进一步地,所述从所述图像区域中获取梯度模大于预设第三阈值的像素点之前,还包括:
根据所述图像区域包括的每个像素点的灰度值计算所述每个像素点的梯度模和梯度方向。
进一步地,所述将所述选择的候选角点作为角点之后,还包括:
从所述获取的像素点序列中选择两个像素点数目大于或等于预设第一个数的像素点序列;
分别计算所述选择的两个像素点序列包括的像素点的梯度方向的平均值,将所述计算的两个平均值分别作为所述角点对应的两条直线边的递度方向。
优选地,所述根据所述角点集合,从所述图像中检测出形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块,包括:
根据所述角点集合中的每个角点对应两条直线边的梯度方向,获取预设第二个数个角点,所述预设第二个数个角点能够组成形状为所述预设形状的凸多边形;
通过所述获取的预设第二个数个角点组成形状为所述预设形状的凸多边形,从所述图像中获取所述预设形状的凸多边形图像块;
如果所述获取的凸多边形图像块与所述预设图像块之间相似度超过预设第一阈值,则保留所述获取的凸多边形图像块。
在本发明实施例中,获取角点集合,该角点集合包括图像中的角点,该角点为图像中任意两条互不平行的直线边相交的交点;根据该角点集合,从图像中获取形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。如此可以自动化从图像中检测出凸多边形图像块。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种凸多边形图像块的检测方法,其特征在于,所述方法包括:
获取图像传感器采集的图像;
获取该图像包括的每个像素点的灰度值;
根据获取的每个像素点的灰度值、预设第一矩阵和预设第二矩阵分别计算每个像素点的角点响应值;
将角点响应值大于预设第二阈值的像素点确定为候选角点,将确定出的候选角点组成候选角点集合;
从所述候选角点集合中选择是两条互不平行的直线边相交的交点的候选角点,将所述选择的候选角点作为角点并组成角点集合;
根据所述角点集合,从所述图像中检测出形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。
2.如权利要求1所述的方法,其特征在于,所述从所述候选角点集合中选择是两条互不平行的直线边相交的交点的候选角点,包括:
以候选角点为中心,确定一个N×N的图像区域,N为大于或等于3的奇数,从所述图像区域中获取梯度模大于预设第三阈值的像素点;
根据所述获取的每个像素点的横向梯度分量的大小对所述获取的每个像素点进行排序得到一列像素点;
从所述一列像素点中获取像素点序列,所述像素点序列中的任意相邻的两像素点的梯度方向之间的夹角小于预设夹角阈值;
如果所述获取的像素点序列中至少存在两个像素点数目大于或等于预设第一个数的像素点序列,则确定所述候选角点为两条互不平行的直线边相交的交点,并选择所述候选角点。
3.如权利要求2所述的方法,其特征在于,所述从所述图像区域中获取梯度模大于预设第三阈值的像素点之前,还包括:
根据所述图像区域包括的每个像素点的灰度值计算所述每个像素点的梯度模和梯度方向。
4.如权利要求2所述的方法,其特征在于,所述将所述选择的候选角点作为角点之后,还包括:
从所述获取的像素点序列中选择两个像素点数目大于或等于预设第一个数的像素点序列;
分别计算所述选择的两个像素点序列包括的像素点的梯度方向的平均值,将所述计算的两个平均值分别作为所述角点对应的两条直线边的递度方向。
5.如权利要求1或4所述的方法,其特征在于,所述根据所述角点集合,从所述图像中检测出形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块,包括:
根据所述角点集合中的每个角点对应两条直线边的梯度方向,获取预设第二个数个角点,所述预设第二个数个角点能够组成形状为所述预设形状的凸多边形;
通过所述获取的预设第二个数个角点组成形状为所述预设形状的凸多边形,从所述图像中获取所述预设形状的凸多边形图像块;
如果所述获取的凸多边形图像块与所述预设图像块之间相似度超过预设第一阈值,则保留所述获取的凸多边形图像块。
6.一种凸多边形图像块的检测装置,其特征在于,所述装置包括:
第一获取模块,用于获取图像传感器采集的图像;
第二获取模块,用于获取该图像包括的每个像素点的灰度值;根据获取的每个像素点的灰度值、预设第一矩阵和预设第二矩阵分别计算每个像素点的角点响应值;将角点响应值大于预设第二阈值的像素点确定为候选角点,将确定出的候选角点组成候选角点集合;从所述候选角点集合中选择是两条互不平行的直线边相交的交点的候选角点,将所述选择的候选角点作为角点并组成角点集合;
检测模块,用于根据所述角点集合,从所述图像中检测出形状为预设形状且与预设图像块之间相似度超过预设第一阈值的凸多边形图像块。
7.如权利要求6所述的装置,其特征在于,所述选择单元包括:
第一获取子单元,用于以候选角点为中心,确定一个N×N的图像区域,N为大于或等于3的奇数,从所述图像区域中获取梯度模大于预设第三阈值的像素点;
排序子单元,用于根据所述获取的每个像素点的横向梯度分量的大小对所述获取的每个像素点进行排序得到一列像素点;
第二获取子单元,用于从所述一列像素点中获取像素点序列,所述像素点序列中的任意相邻的两像素点的梯度方向之间的夹角小于预设夹角阈值;
确定子单元,用于如果所述获取的像素点序列中至少存在两个像素点数目大于或等于预设第一个数的像素点序列,则确定所述候选角点为两条互不平行的直线边相交的交点,并选择所述候选角点。
8.如权利要求7所述的装置,其特征在于,所述选择单元还包括:
第一计算子单元,用于根据所述图像区域包括的每个像素点的灰度值计算所述每个像素点的梯度模和梯度方向。
9.如权利要求7所述的装置,其特征在于,所述选择单元还包括:
选择子单元,用于从所述获取的像素点序列中选择两个像素点数目大于或等于预设第一个数的像素点序列;
第二计算子单元,用于分别计算所述选择的两个像素点序列包括的像素点的梯度方向的平均值,将所述计算的两个平均值分别作为所述角点对应的两条直线边的递度方向。
10.如权利要求6或9所述的装置,其特征在于,所述检测模块包括:
第二获取单元,用于根据所述角点集合中的每个角点对应两条直线边的梯度方向,获取预设第二个数个角点,所述预设第二个数个角点能够组成形状为所述预设形状的凸多边形;
组成单元,用于通过所述预设第二个数个角点组成形状为所述预设形状的凸多边形,从所述图像中获取所述预设形状的凸多边形图像块;
保留单元,用于如果所述获取的凸多边形图像块与所述预设图像块之间相似度超过预设第一阈值,则保留所述获取的凸多边形图像块。
11.一种凸多边形图像块的检测设备,其特征在于,所述设备包括存储器和处理器,用于执行如权利要求1至5任一项权利要求所述的一种凸多边形图像块的检测方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310723030.0A CN104732511B (zh) | 2013-12-24 | 2013-12-24 | 一种凸多边形图像块的检测方法、装置及设备 |
US14/572,210 US9489595B2 (en) | 2013-12-24 | 2014-12-16 | Method, apparatus, and device for detecting convex polygon image block |
EP14199815.3A EP2889808A1 (en) | 2013-12-24 | 2014-12-22 | Method, apparatus, and device for detecting convex polygon image block |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310723030.0A CN104732511B (zh) | 2013-12-24 | 2013-12-24 | 一种凸多边形图像块的检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104732511A CN104732511A (zh) | 2015-06-24 |
CN104732511B true CN104732511B (zh) | 2018-04-20 |
Family
ID=52394039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310723030.0A Expired - Fee Related CN104732511B (zh) | 2013-12-24 | 2013-12-24 | 一种凸多边形图像块的检测方法、装置及设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9489595B2 (zh) |
EP (1) | EP2889808A1 (zh) |
CN (1) | CN104732511B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105987683B (zh) * | 2015-04-16 | 2018-03-27 | 北京蚁视科技有限公司 | 一种基于高反光红外标识的视觉定位***及方法 |
CN105987693B (zh) * | 2015-05-19 | 2019-04-30 | 北京蚁视科技有限公司 | 一种视觉定位装置及基于该装置的三维测绘***及方法 |
CN105069799B (zh) * | 2015-08-13 | 2017-03-22 | 深圳市华汉伟业科技有限公司 | 一种角点定位方法及装置 |
CN106485255B (zh) * | 2016-09-29 | 2019-12-24 | 元启工业技术(青岛)有限公司 | 一种dm码定位及识别的方法与*** |
US10140693B2 (en) * | 2017-03-23 | 2018-11-27 | Intergraph Corporation | Motion imagery corner point sequencer |
CN108154506B (zh) * | 2017-12-27 | 2020-07-03 | 合肥市雅视智能科技有限公司 | 一种六角螺母自动检测方法 |
CN109389600B (zh) * | 2018-10-29 | 2022-02-08 | 上海鹰瞳医疗科技有限公司 | 眼底图像规范化方法及设备 |
CN109858325B (zh) * | 2018-12-11 | 2021-07-02 | 科大讯飞股份有限公司 | 一种表格检测方法和装置 |
US11113819B2 (en) * | 2019-01-15 | 2021-09-07 | Nvidia Corporation | Graphical fiducial marker identification suitable for augmented reality, virtual reality, and robotics |
CN113516676B (zh) * | 2021-09-14 | 2021-12-28 | 成都时识科技有限公司 | 角点检测方法、脉冲神经网络处理器、芯片及电子产品 |
CN115830049A (zh) * | 2022-07-18 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 角点检测的方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477687A (zh) * | 2009-01-22 | 2009-07-08 | 上海交通大学 | 复杂背景下的棋盘格角点检测方法 |
CN102938066A (zh) * | 2012-12-07 | 2013-02-20 | 南京大学 | 一种基于多元数据重建建筑物外轮廓多边形的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6735343B2 (en) | 2000-08-07 | 2004-05-11 | Electro Scientific Industries Inc. | Polygon finder and pruned tree geometric match method |
US7769236B2 (en) | 2005-10-31 | 2010-08-03 | National Research Council Of Canada | Marker and method for detecting said marker |
KR100975512B1 (ko) * | 2007-03-09 | 2010-08-11 | 오므론 가부시키가이샤 | 인식 처리 방법 및 이 방법을 이용한 화상 처리 장치 |
US8081798B2 (en) * | 2007-11-20 | 2011-12-20 | Lawrence Livermore National Security, Llc | Method and system for detecting polygon boundaries of structures in images as particle tracks through fields of corners and pixel gradients |
-
2013
- 2013-12-24 CN CN201310723030.0A patent/CN104732511B/zh not_active Expired - Fee Related
-
2014
- 2014-12-16 US US14/572,210 patent/US9489595B2/en active Active
- 2014-12-22 EP EP14199815.3A patent/EP2889808A1/en not_active Ceased
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477687A (zh) * | 2009-01-22 | 2009-07-08 | 上海交通大学 | 复杂背景下的棋盘格角点检测方法 |
CN102938066A (zh) * | 2012-12-07 | 2013-02-20 | 南京大学 | 一种基于多元数据重建建筑物外轮廓多边形的方法 |
Non-Patent Citations (3)
Title |
---|
Corner Detection using Difference Chain Code as Curvature;Neeta Nain et al.;《Proceedings of International MultiConference of Engineers and Computer Scientists》;20080321;论文第3、6节 * |
High performance algorithms for object recognition problem by multiresolution template matching;L.Prasad et al.;《Proceedings of the 7th international conference on tools with artificial intelligence》;19981108;论文第2节 * |
Subpixel Corner Detection for Tracking Applications using CMOS Camera Technology;Christoph Stock et al.;《26th Workshop of the AAPR/OAGM》;20020930;论文第2-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104732511A (zh) | 2015-06-24 |
US20150178593A1 (en) | 2015-06-25 |
EP2889808A1 (en) | 2015-07-01 |
US9489595B2 (en) | 2016-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104732511B (zh) | 一种凸多边形图像块的检测方法、装置及设备 | |
CN110378844B (zh) | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 | |
CN105488776B (zh) | 超分辨率图像重建方法和装置 | |
CN101877143B (zh) | 一种二维图像组的三维场景重建方法 | |
US9436981B2 (en) | Dictionary creation device, image processing device, image processing system, dictionary creation method, image processing method, and program | |
CN104952083B (zh) | 一种基于显著性目标背景建模的视频显著性检测方法 | |
CN104809731B (zh) | 一种基于梯度二值化的旋转尺度不变场景匹配方法 | |
CN102855649A (zh) | 基于orb特征点的高压杆塔高清图像全景拼接方法 | |
CN110220493A (zh) | 一种双目测距方法及其装置 | |
CN104680140B (zh) | 基于图像的人群聚集状态检测方法 | |
JP2018511874A5 (zh) | ||
CN105890768B (zh) | 一种红外图像非均匀性校正的方法及装置 | |
US10582179B2 (en) | Method and apparatus for processing binocular disparity image | |
CN107481271A (zh) | 一种立体匹配方法、***及移动终端 | |
CN106997579A (zh) | 图像拼接的方法和装置 | |
CN103067671B (zh) | 一种显示图像的方法及装置 | |
CN112766123B (zh) | 一种基于纵横交叉注意力网络的人群计数方法及*** | |
CN109948575A (zh) | 超声图像中眼球区域分割方法 | |
CN106683043B (zh) | 一种多通道光学探测***的并行图像拼接方法、装置 | |
CN110503113A (zh) | 一种基于低秩矩阵恢复的图像显著性目标检测方法 | |
CN104992407B (zh) | 一种图像超分辨方法 | |
CN116152171A (zh) | 智能建造目标计数方法、电子设备及存储介质 | |
CN107944471A (zh) | 一种基于非线性尺度空间的orb特征点匹配方法 | |
CN107046640A (zh) | 一种基于帧间运动光滑性的无参考视频稳定质量评价方法 | |
CN102831633B (zh) | 一种基于线性纹理滤波的卷积滤波优化方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180420 |