CN105374037B - 一种边角检测的棋盘格角点自动筛选方法 - Google Patents
一种边角检测的棋盘格角点自动筛选方法 Download PDFInfo
- Publication number
- CN105374037B CN105374037B CN201510740221.7A CN201510740221A CN105374037B CN 105374037 B CN105374037 B CN 105374037B CN 201510740221 A CN201510740221 A CN 201510740221A CN 105374037 B CN105374037 B CN 105374037B
- Authority
- CN
- China
- Prior art keywords
- angle point
- angle
- point
- comers
- points
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
- G06T2207/30208—Marker matrix
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种边角检测的棋盘格角点自动筛选方法,通过相机拍摄棋盘格图像,利用常规角点检测获得待识别角点集合,进而搜索真实角点子集,最终输出棋盘格真实角点;本发明通过设计一种矩形形状的模板,通过计算各角点组成的形状与矩形形状的相似度确定其是否为棋盘格角点,采用双子图的方法描述各角点之间的位置关系,利用图论知识分别创建距离子图和方向子图搜索角点;进行常规角点检测时,当设定角点阈值水平较低存在角点过检测时,无需人工干预,能自动从检测到的角点集合中确定真实棋盘格角点子集,剔除伪角点,提高了角点检测的准确率,为相机标定、三维重建等后续处理奠定基础。
Description
技术领域
本发明涉及棋盘格检测技术领域,具体是一种边角检测的棋盘格角点自动筛选方法。
背景技术
棋盘格是相机标定中被广泛应用的一种标定板,棋盘格角点被作为标定的特征点,其提取的位置精度会直接影响相机标定的精度,进而影响计算机视觉***的准确度;针对棋盘格的角点检测,目前已有较多的方法,如比较经典的Harris法,susan法等,常规角点检测中通过角点检测公式计算角点水平的高低,并通过设定其水平阈值确定角点,即当角点水平大于给定阈值时则认为其是角点,在实际的棋盘格角点检测中,当角点水平阈值设定比较高时,会产生角点漏检测情况,当水平阈值设置较低时,会出现角点过检测情况,即将一些非棋盘格角点作为角点检测出来,出现角点的误检测;因此,常规角点检测中常常因阈值设置困难而导致角点检测准确率不高,影响相机标定精度,迫切需要对现有技术的角点检测方法进行改进改良,以提高角点检测准确率,确保相机标定精度。
发明内容
本发明的目的在于提供一种能够在阈值设置较低情况下,通过角点组成形状的识别自动从检测的角点中确定真实棋盘格角点并去除伪角点的边角检测的棋盘格角点自动筛选方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种边角检测的棋盘格角点自动筛选方法,包括以下步骤:
1)相机拍摄棋盘格图像:利用相机拍摄制作的黑白棋盘格靶标,获得棋盘格灰度图像;
2)常规角点检测:对拍摄的图像利用常规角点检测方法,设定一个较低的角点水平阈值进行角点检测,获得过角点检测的角点集合,该集合即为后续待筛选角点集合S,该集合中包含了所有的真实棋盘格角点以及一些非棋盘格角点;
3)在待识别角点集合中,搜索符合棋盘格角点特征的角点,并将其归入真实棋盘格角点集合,输出棋盘格真实角点,具体过程包括以下步骤:
a.按位置关系搜索位于图像最左上角的角点,作为初始角点m1;
b.分别搜索初始角点的右近邻角点m2、下近邻角点m3和右下近邻角点m4,并计算由角点m1、m2、m3、m4所组成的四边形与矩形的形状相似度,计算方法包括以下步骤:
ⅰ)计算特征向量:对于任一角点mi,某个特征点(记为mi)到其它点的距离为:
S(mi,m1),....,S(mi,mi-1),S(mi,mi+1),....,S(mi,mN)
把这些值按照从小到大排列,则构成特征向量:
Si=(Si1,Si2,....,SiN) (式1)
ⅱ)计算角点集合组成形状之间的相关函数:
假设两组角点集合所组成的特征向量分别为Si、Sj,则两个形状之间的相关系数R(Si,Sj)如下:
计算的相关系数是一个介于0和1之间的值,当其值等于1时,说明两者的相似度最高;等于0,则说明它们不相似;
c.在[0,1]之间设定一个相似度阈值Th,将计算得到的相似度与阈值比较,若大于阈值Th,则判定四个角点组成的形状为矩形;并将这四个角点归入新的角点集合,否则继续搜索角点m1的近邻角点mt作为初始角点,并重复步骤b,直至搜索到符合矩形形状的四个角点,并将其归入新角点集合;
d.重复步骤b和步骤c,直至遍历完所有角点集合中的角点;
e.判断新的角点集合与之前的角点集合是否一致,若一致,则停止搜索,并认为当前角点集合即为真实角点集合,并输出;否则,更新角点集合,即将新的角点集合中的点依次作为初始角点,搜索其右方、下方与右下方的近邻角点,组成四边形,并按步骤b和步骤c重新搜索。
作为本发明进一步的方案:所述步骤3)中的近邻角点采用距离和方向子图搜索,为了有效搜索某一角点的近邻角点,将所有角点依据其位置关系构造无向图,为了全面描述各个近邻点之间的位置关系,建立两个子图分别描述各角点之间的距离和角度关系,两个子图为距离子图和方向子图。
作为本发明再进一步的方案:所述距离子图由若干顶点和边组成,集合中的角点组成图的顶点,各个角点之间的欧式距离为各顶点之间边的权值,距离子图的建立方法为:依次提取集合中的角点,假设当前提取的是第i个角点,则分别计算当前角点与已经提取出的所有角点之间的欧式距离dij,(j=0、1、…、i-1),并采用二维邻接矩阵对其进行表示。
作为本发明再进一步的方案:所述方向子图的顶点由角点集合中的所有角点组成,边的权值为两个顶点之间的角度,具体计算方法为:假设第i个角点与第j个角点的坐标分别为Pi(xi,yi),Pj(xj,yj),则两个点之间的夹角为:
作为本发明再进一步的方案:所述步骤3)中近邻角点的搜索方法包括以下步骤:
ⅰ)确定近邻角点的平均距离
对于角点集合中的任一点,首先统计与该角点欧式距离最近的3个角点与该点的距离的平均值,并将此距离作为该角点与其近邻点的距离;然后统计集合中所有角点与其近邻点的距离的平均值Dm;
ⅱ)对待处理角点,分别搜索该角点的水平、垂直和45度方向的3个近邻点,搜索某一角点到某方向的近邻点时,若判断该近邻点与当前角点的距离D小于Dm或大于Dm一定的像素范围时,则认为该近邻点无效,则继续沿该方向搜索近邻点直至搜索到满足要求的近邻角点;若沿该方向搜索距离超过2Dm,则该方向停止搜索。
与现有技术相比,本发明的有益效果是:本发明提出了一种能够在阈值设置较低情况下,通过角点组成形状的识别自动从检测的角点中确定真实棋盘格角点,去除伪角点的方法,能够从过角点检测方法所得到的角点集合中自动确定出所有棋盘格真实角点子集合,剔除伪角点,通过设计一种矩形形状的模板,并计算各角点组成的形状与矩形形状的相似度确定其是否为棋盘格角点,采用双子图的方法描述各角点之间的位置关系,利用图论知识分别创建距离子图和方向子图搜索角点,有效解决了常规角点检测中存在的角点误检测问题,提高了角点检测准确率;本发明对采用常规角点检测,当设定角点阈值水平较低存在角点过检测时,提供了一种无需人工干预,自动从检测到的角点集合中确定真实棋盘格角点子集的方法,提高角点检测的准确率,为相机标定、三维重建等后续处理奠定基础。
附图说明
图1为本发明中角点检测的步骤流程图。
图2为本发明中角点搜索的步骤流程图。
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做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。
请参阅图1~2,本发明实施例中,一种边角检测的棋盘格角点自动筛选方法,包括以下步骤:
1)相机拍摄棋盘格图像:利用相机拍摄制作的黑白棋盘格靶标,获得棋盘格灰度图像;
2)常规角点检测:对拍摄的图像利用常规角点检测方法,设定一个较低的角点水平阈值进行角点检测,获得过角点检测的角点集合,该集合即为后续待筛选角点集合S,该集合中包含了所有的真实棋盘格角点以及一些非棋盘格角点;
3)在待识别角点集合中,搜索符合棋盘格角点特征的角点,并将其归入真实棋盘格角点集合,输出棋盘格真实角点,具体过程包括以下步骤:
a.按位置关系搜索位于图像最左上角的角点,作为初始角点m1;
b.分别搜索初始角点的右近邻角点m2、下近邻角点m3和右下近邻角点m4,并计算由角点m1、m2、m3、m4所组成的四边形与矩形的形状相似度,计算方法包括以下步骤:
ⅰ)计算特征向量:对于任一角点mi,某个特征点(记为mi)到其它点的距离为:
S(mi,m1),....,S(mi,mi-1),S(mi,mi+1),....,S(mi,mN)
把这些值按照从小到大排列,则构成特征向量:
Si=(Si1,Si2,....,SiN) (式1)
ⅱ)计算角点集合组成形状之间的相关函数:
假设两组角点集合所组成的特征向量分别为Si、Sj,则两个形状之间的相关系数R(Si,Sj)如下:
计算的相关系数是一个介于0和1之间的值,当其值等于1时,说明两者的相似度最高;等于0,则说明它们不相似;
c.在[0,1]之间设定一个相似度阈值Th,将计算得到的相似度与阈值比较,若大于阈值Th,则判定四个角点组成的形状为矩形;并将这四个角点归入新的角点集合,否则继续搜索角点m1的近邻角点mt作为初始角点,并重复步骤b,直至搜索到符合矩形形状的四个角点,并将其归入新角点集合;
d.重复步骤b和步骤c,直至遍历完所有角点集合中的角点;
e.判断新的角点集合与之前的角点集合是否一致,若一致,则停止搜索,并认为当前角点集合即为真实角点集合,并输出;否则,更新角点集合,即将新的角点集合中的点依次作为初始角点,搜索其右方、下方与右下方的近邻角点,组成四边形,并按步骤b和步骤c重新搜索。
所述近邻角点采用距离和方向子图搜索,为了有效搜索某一角点的近邻角点,将所有角点依据其位置关系构造无向图,为了全面描述各个近邻点之间的位置关系,建立两个子图分别描述各角点之间的距离和角度关系,两个子图为距离子图和方向子图。
所述距离子图由若干顶点和边组成,集合中的角点组成图的顶点,各个角点之间的欧式距离为各顶点之间边的权值,距离子图的建立方法为:依次提取集合中的角点,假设当前提取的是第i个角点,则分别计算当前角点与已经提取出的所有角点之间的欧式距离dij,(j=0、1、…、i-1),并采用二维邻接矩阵对其进行表示。
所述方向子图的顶点由角点集合中的所有角点组成,边的权值为两个顶点之间的角度,具体计算方法为:假设第i个角点与第j个角点的坐标分别为Pi(xi,yi),Pj(xj,yj),则两个点之间的夹角为:
所述步骤3)中近邻角点的搜索方法包括以下步骤:
ⅰ)确定近邻角点的平均距离
对于角点集合中的任一点,首先统计与该角点欧式距离最近的3个角点与该点的距离的平均值,并将此距离作为该角点与其近邻点的距离;然后统计集合中所有角点与其近邻点的距离的平均值Dm;
ⅱ)对待处理角点,分别搜索该角点的水平、垂直和45度方向的3个近邻点,搜索某一角点到某方向的近邻点时,若判断该近邻点与当前角点的距离D小于Dm或大于Dm一定的像素范围时,则认为该近邻点无效,则继续沿该方向搜索近邻点直至搜索到满足要求的近邻角点;若沿该方向搜索距离超过2Dm,则该方向停止搜索。
本发明能从过角点检测得到的角点集合中自动筛选真实棋盘格角点,剔除伪角点,采用距离子图与方向子图双子图的方法描述各角点之间的位置关系,采用形状约束的方式进行棋盘格角点筛选,以达到剔除误检测点的目的。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种边角检测的棋盘格角点自动筛选方法,其特征在于,包括以下步骤:
1)相机拍摄棋盘格图像:利用相机拍摄制作的黑白棋盘格靶标,获得棋盘格灰度图像;
2)常规角点检测:对拍摄的图像利用常规角点检测方法,设定一个较低的角点水平阈值进行角点检测,获得过角点检测的角点集合,该集合即为后续待筛选角点集合S,该集合中包含了所有的真实棋盘格角点以及一些非棋盘格角点;
3)在待识别角点集合中,搜索符合棋盘格角点特征的角点,并将其归入真实棋盘格角点集合,输出棋盘格真实角点,具体过程包括以下步骤:
a.按位置关系搜索位于图像最左上角的角点,作为初始角点m1;
b.分别搜索初始角点的右近邻角点m2、下近邻角点m3和右下近邻角点m4,并计算由角点m1、m2、m3、m4所组成的四边形与矩形的形状相似度,计算方法包括以下步骤:
ⅰ)计算特征向量:对于任一角点mi,某个特征点(记为mi)到其它点的距离为:
S(mi,m1),....,S(mi,mi-1),S(mi,mi+1),....,S(mi,mN)
把这些值按照从小到大排列,则构成特征向量:
Si=(Si1,Si2,....,SiN) (式1)
ⅱ)计算角点集合组成形状之间的相关函数:
假设两组角点集合所组成的特征向量分别为Si、Sj,则两个形状之间的相关系数R(Si,Sj)如下:
计算的相关系数是一个介于0和1之间的值,当其值等于1时,说明两者的相似度最高;等于0,则说明它们不相似;
c.在[0,1]之间设定一个相似度阈值Th,将计算得到的相似度与阈值比较,若大于阈值Th,则判定四个角点组成的形状为矩形;并将这四个角点归入新的角点集合,否则继续搜索角点m1的近邻角点mt作为初始角点,并重复步骤b,直至搜索到符合矩形形状的四个角点,并将其归入新角点集合;
d.重复步骤b和步骤c,直至遍历完所有角点集合中的角点;
e.判断新的角点集合与之前的角点集合是否一致,若一致,则停止搜索,并认为当前角点集合即为真实角点集合,并输出;否则,更新角点集合,即将新的角点集合中的点依次作为初始角点,搜索其右方、下方与右下方的近邻角点,组成四边形,并按步骤b和步骤c重新搜索。
2.根据权利要求1所述的边角检测的棋盘格角点自动筛选方法,其特征在于,所述步骤3)中的近邻角点采用距离和方向子图搜索,为了有效搜索某一角点的近邻角点,将所有角点依据其位置关系构造无向图,为了全面描述各个近邻点之间的位置关系,建立两个子图分别描述各角点之间的距离和角度关系,两个子图为距离子图和方向子图。
3.根据权利要求2所述的边角检测的棋盘格角点自动筛选方法,其特征在于,所述距离子图由若干顶点和边组成,集合中的角点组成图的顶点,各个角点之间的欧式距离为各顶点之间边的权值,距离子图的建立方法为:依次提取集合中的角点,假设当前提取的是第i个角点,则分别计算当前角点与已经提取出的所有角点之间的欧式距离dij,(j=0、1、…、i-1),并采用二维邻接矩阵对其进行表示。
4.根据权利要求2所述的边角检测的棋盘格角点自动筛选方法,其特征在于,所述方向子图的顶点由角点集合中的所有角点组成,边的权值为两个顶点之间的角度,具体计算方法为:假设第i个角点与第j个角点的坐标分别为Pi(xi,yi),Pj(xj,yj),则两个点之间的夹角为:
5.根据权利要求1-4任一所述的边角检测的棋盘格角点自动筛选方法,其特征在于,所述步骤3)中近邻角点的搜索方法包括以下步骤:
a)确定近邻角点的平均距离
对于角点集合中的任一点,首先统计与该角点欧式距离最近的3个角点与该点的距离的平均值,并将此距离作为该角点与其近邻点的距离;然后统计集合中所有角点与其近邻点的距离的平均值Dm;
b)对待处理角点,分别搜索该角点的水平、垂直和45度方向的3个近邻点,搜索某一角点到某方向的近邻点时,若判断该近邻点与当前角点的距离D小于Dm或大于Dm一定的像素范围时,则认为该近邻点无效,则继续沿该方向搜索近邻点直至搜索到满足要求的近邻角点;若沿该方向搜索距离超过2Dm,则该方向停止搜索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510740221.7A CN105374037B (zh) | 2015-11-04 | 2015-11-04 | 一种边角检测的棋盘格角点自动筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510740221.7A CN105374037B (zh) | 2015-11-04 | 2015-11-04 | 一种边角检测的棋盘格角点自动筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105374037A CN105374037A (zh) | 2016-03-02 |
CN105374037B true CN105374037B (zh) | 2017-11-03 |
Family
ID=55376209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510740221.7A Active CN105374037B (zh) | 2015-11-04 | 2015-11-04 | 一种边角检测的棋盘格角点自动筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105374037B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106981081A (zh) * | 2017-03-06 | 2017-07-25 | 电子科技大学 | 一种基于深度信息提取的墙面平整度检测方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846412B (zh) * | 2017-01-23 | 2020-03-13 | 上海兴芯微电子科技有限公司 | 一种棋盘格角点检测方法及装置 |
CN107480678A (zh) * | 2017-09-29 | 2017-12-15 | 北京深度奇点科技有限公司 | 一种棋盘识别方法和识别*** |
CN107796332B (zh) * | 2017-10-24 | 2019-08-20 | 大连理工大学 | 一种从蜂窝芯表面测量数据中识别蜂窝边区域的方法 |
CN108596981B (zh) * | 2018-04-02 | 2022-03-11 | 深圳开阳电子股份有限公司 | 一种图像的鸟瞰视角重投影方法、装置及便携式终端 |
CN108895959B (zh) * | 2018-04-27 | 2020-03-27 | 电子科技大学 | 一种基于亚像素的相机标定板角点计算方法 |
CN111815685B (zh) * | 2020-09-09 | 2021-02-26 | 季华实验室 | 一种棋盘格角点定位方法、装置及电子设备 |
Citations (3)
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 |
CN103019643A (zh) * | 2012-12-30 | 2013-04-03 | 中国海洋大学 | 一种即插即用的大屏幕投影自动校正与拼接显示方法 |
CN103258328A (zh) * | 2013-04-27 | 2013-08-21 | 浙江大学 | 一种宽视场镜头的畸变中心定位方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2465793A (en) * | 2008-11-28 | 2010-06-02 | Sony Corp | Estimating camera angle using extrapolated corner locations from a calibration pattern |
US9621823B2 (en) * | 2010-09-16 | 2017-04-11 | Honeywell International Inc. | Thermal camera calibration |
-
2015
- 2015-11-04 CN CN201510740221.7A patent/CN105374037B/zh active Active
Patent Citations (3)
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 |
CN103019643A (zh) * | 2012-12-30 | 2013-04-03 | 中国海洋大学 | 一种即插即用的大屏幕投影自动校正与拼接显示方法 |
CN103258328A (zh) * | 2013-04-27 | 2013-08-21 | 浙江大学 | 一种宽视场镜头的畸变中心定位方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106981081A (zh) * | 2017-03-06 | 2017-07-25 | 电子科技大学 | 一种基于深度信息提取的墙面平整度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105374037A (zh) | 2016-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105374037B (zh) | 一种边角检测的棋盘格角点自动筛选方法 | |
CN107330396B (zh) | 一种基于多属性和多策略融合学习的行人再识别方法 | |
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN105258702B (zh) | 一种基于slam导航移动机器人的全局定位方法 | |
Liu et al. | Seqlpd: Sequence matching enhanced loop-closure detection based on large-scale point cloud description for self-driving vehicles | |
CN110148196A (zh) | 一种图像处理方法、装置以及相关设备 | |
CN108873943A (zh) | 一种无人机厘米级精准降落的图像处理方法 | |
CN108133458A (zh) | 一种基于目标物体空间点云特征的自动拼接方法 | |
CN105069843A (zh) | 一种面向城市三维建模的密集点云的快速提取方法 | |
CN107564062A (zh) | 位姿异常检测方法及装置 | |
Zheng et al. | A practical roadside camera calibration method based on least squares optimization | |
CN104536009A (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
CN105335986A (zh) | 基于特征匹配和MeanShift算法的目标跟踪方法 | |
CN107665351A (zh) | 基于难样本挖掘的机场检测方法 | |
CN108171131A (zh) | 基于改进MeanShift的Lidar点云数据道路标识线提取方法及*** | |
CN105631852B (zh) | 基于深度图像等高线的室内人体检测方法 | |
CN104376334B (zh) | 一种多尺度特征融合的行人比对方法 | |
CN105678733A (zh) | 一种基于直线段上下文的红外与可见光异源图像匹配方法 | |
CN111369539B (zh) | 一种基于多特征图融合的建筑立面窗户检测*** | |
CN103455815A (zh) | 一种复杂场景下的自适应车牌字符分割方法 | |
CN107063267A (zh) | 一种快速的基于太阳影子信息的定位方法 | |
CN109458978A (zh) | 一种基于多尺度检测算法的天线下倾角测量方法 | |
CN104318611A (zh) | 一种基于激光扫描点云的三维树木重建方法 | |
CN109583366A (zh) | 一种基于视频图像和WiFi定位的体育建筑疏散人群轨迹生成方法 | |
CN113902792A (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、***和电子设备 |
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 |