CN106548173B - 一种基于分级匹配策略的改进无人机三维信息获取方法 - Google Patents
一种基于分级匹配策略的改进无人机三维信息获取方法 Download PDFInfo
- Publication number
- CN106548173B CN106548173B CN201611067927.2A CN201611067927A CN106548173B CN 106548173 B CN106548173 B CN 106548173B CN 201611067927 A CN201611067927 A CN 201611067927A CN 106548173 B CN106548173 B CN 106548173B
- Authority
- CN
- China
- Prior art keywords
- image
- matching
- point
- window
- neighborhood
- 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 26
- 238000010586 diagram Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000004807 localization Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000005352 clarification Methods 0.000 description 2
- 230000021615 conjugation Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- QBWCMBCROVPCKQ-UHFFFAOYSA-N chlorous acid Chemical compound OCl=O QBWCMBCROVPCKQ-UHFFFAOYSA-N 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003875 gradient-accelerated spectroscopy Methods 0.000 description 1
- 238000009434 installation 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
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G06V10/752—Contour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于分级匹配策略的改进无人机三维信息获取方法，结合双目相机标定对视频图像进行校正；在极线约束下，利用基于邻域灰度的模板匹配算法，在右目图像中进行匹配，确定目标区域；获取左右目标区域后，提取轮廓图及关键特征点，基于灰度相关的密集型精匹配对候选匹配点进行进一步的精确匹配；根据精确匹配后的目标关键特征点的视差值和双目相机几何模型计算求取目标三维信息。本发明能够实现无人机的检测、跟踪、精确匹配和三维定位。
Description
技术领域
本发明涉及一种基于分级匹配策略的改进无人机三维信息获取方法。
背景技术
在军用和商用方面，旋翼无人机的自主飞行一直是研究热点，应用领域也越来越多。旋翼无人机的准确定位是实现避障、路径规划以及抓取等各种复杂任务的前提。目前广泛应用的无人机三维空间定位技术有两种方式：一类是无人机通过携带的装备，如GPS、惯性导航，同步定位与制图(SLAM)，获得精确的位置信息；另一类是借助外设备提供精确的位置信息，如全球卫星定位***、运动捕捉***。运动捕捉***拥有高分辨率的摄像头，可以亚毫米级地追踪一个或多个无人机的位姿。机载设备定位方式是集成在飞行控制***中，不能独立于无人机，灵活性较差。
美国宾夕法尼亚大学GRASP实验室利用英国Vicon公司开发的由8个相机组成的运动捕捉***，完成了室内环境下四旋翼无人机的精确、高难度飞行动作捕捉。英国谢菲尔德大学信息技术与***工程系开发的MATRIX***，利用2个相机对安装在四旋翼无人机的标记点进行定位，从而获得无人机的姿态和位置。类似的运动捕捉***还有美国MotionAnalysis公司的Rapter系列***。运动捕捉***主要原理是：通过多个相机，对安装在目标上的标记点进行识别、定位，从而得到目标的姿态和精确位置。运动捕捉***定位精度较高，但其造价较为昂贵，便携性较差，更重要的是，***需要在目标上安装标记点，更换定位目标时，需要安装相应的标记点，较为繁琐。
发明内容
本发明为了解决上述问题，提出了一种基于分级匹配策略的改进无人机三维信息获取方法，本方法能有效获取目标的特征，并进行目标匹配，计算其三维坐标。
为了实现上述目的，本发明采用如下技术方案：
一种基于分级匹配策略的改进无人机三维信息获取方法，具体包括以下步骤：
(1)结合双目相机标定对视频图像进行校正；
(2)在极线约束下，利用基于邻域灰度的模板匹配算法，在右目图像中进行匹配，确定目标区域；
(3)获取左右目标区域后，提取轮廓图及关键特征点，基于灰度相关的密集型精匹配对候选匹配点进行进一步的精确匹配；
(4)根据精确匹配后的目标关键特征点的视差值和双目相机几何模型计算求取目标三维信息。
所述步骤(1)中，对于双目相机利用张正友标定法进行标定，获取双目相机成像几何模型中的摄像机的内参数矩阵，确定物点和像点的数学关系。
所述步骤(1)中，根据双目相机标定后获得的X、Y方向的映射矩阵，使左右图像中的共轭极线位于同一水平线，将二维空间的匹配问题简化到一维空间的求解。
所述步骤(1)中，具体的图像校正过程包括：
(1-1)将源图像像素坐标通过内参数矩阵转为为相机坐标系坐标；
(1-2)利用旋转矩阵，通过矩阵映射方法进行平行极线校正，通过畸变参数校正图像的相机坐标；
(1-3)校正后通过内参矩阵将相机坐标系转化为图像像素坐标。
所述步骤(2)中，在参考图像待匹配点周围一定领域内选取各个像素点灰度值作为参考值，在目标图像中选取相对应的窗口，在图像上移动，依次对比两窗口中像素灰度矩阵的相似性，相似性最高且达到阈值要求时，则为匹配区域。
所述步骤(2)中，利用像素点所在位置，构建匹配区域，定义左图像中目标点的邻域为模板图像T(m*n)，定义右图像构建与模板图像大小相同的区域为待匹配区域I(m*n)，设T在水平方向的位移为Δx，计算模板图像与待匹配区域的相似性函数，并在右图像中移动更新待匹配区域，寻找与之相似度最大的区域。
所述步骤(3)中，具体包括：
(3-1)使用Canny边缘检测算子获得二值边缘图像；
(3-2)对边缘图像进行降采样、闭运算，获取目标轮廓；
(3-3)利用多边形逼近算法提取目标轮廓中的多边形轮廓；
(3-4)利用角点曲率提取轮廓关键特征点；
(3-5)在特征点邻域构建匹配区域，利用灰度相似性函数进行特征点匹配。
所述步骤(3-4)中，具体包括：
a)在每条固定尺度的轮廓，计算曲率，把曲率绝对值的局部极大值作为候选角点；
b)按照支持区域内的平均曲率自适应地确定一个阈值，将候选点的曲率与该阈值比较曲率大于阈值则为角点，选取曲率小于阈值的点，以去除圆角；
c)重新计算支持区域，计算剩余候选角点的角度，去除伪角点；
d)考虑非闭合轮廓的端点，如果该端点附近没有其他的角点，则将其标记为角点。
所述步骤(3)中，规定以图像轮廓中以一个关键特征点中心、大小为n*m的子图像窗口为邻域窗，对应左图像的领域窗为做左邻域窗，右图像的邻域窗为右领域窗，在建立左右图像中轮廓关键特征点对应匹配关系时，将左图像中给定的特征点邻域窗与右图像邻域窗进行相似度比较，如果第一幅图像给定点与第二幅图像中某一点的相似度满足阈值要求，且为第二幅图像中所有特征点右邻域窗相似度为最优，则视为这两点为对应点，如果该点的邻域窗与第二幅图像中同一水平线上所有点的邻域窗相似度都不满足阈值要求，则认为该点在第二幅图像中没有对应点。
本发明的有益效果为：
(1)本发明可以实现无人机的检测、跟踪、精确匹配和三维定位；
(2)本发明根据应用场景特点，利用目标轮廓，获取目标特征匹配点，提高运行速度，同时忽略目标边缘细节噪声的干扰，提高匹配成功率。
附图说明
图1为本发明的无人机三维信息获取***；
图2为本发明的基于邻域灰度相似度的对称性匹配流程图；
图3为本发明的分级匹配策略的改进无人机三维信息获取技术流程图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
本发明提出一种有效方法：利用双目视觉技术，结合无人机悬停状态的背景状况，提出一种基于分级匹配策略的改进无人机三维信息获取技术，实现无人机的检测、跟踪、精确匹配和三维定位，***组成如图1。
为获取三维空间中无人机的实时位置信息，本发明利用双目立体视觉视差原理并结合提出的基于邻域灰度改进的由粗到精分级匹配算法，设计了一套可测量无人机实时三维位置的***。首先结合双目摄像机标定对视频图像校正；然后利用提出的邻域灰度改进分级匹配策略，获取匹配特征点；最后根据重建原理计算求得视野中无人机三维坐标数据。实验证明***能有效获取目标的特征，并进行目标匹配，计算其三维坐标。
为实现上述的目的，本发明的具体方案如下：
步骤一：双目摄像机标定：实验中采用15副标定板图片，其中标定板为方格个数19×17，每个方格宽度20mm，进行双目摄像机标定。获取双目摄像机成像几何模型中的摄像机的内参数矩阵，确定物点和像点的数学关系；
步骤二：图像校正：通过双目摄像机标定中获取X、Y方向的映射矩阵，使左右图像中的共轭极线位于同一水平线，从而使二维空间的匹配问题简化到一维空间的求解，提高匹配效率和鲁棒性；
步骤三：模板粗算法：双目视觉中目标立体匹配，在极线约束下，利用基于邻域灰度的模板匹配算法，在右目图像中进行匹配，确定目标区域；
步骤四：特征精匹配：在获取左右目标区域后，进行目标关键点精匹配。利用canny边缘算法提取轮廓图和多边形轮廓逼近算法提取轮廓关键特征点。最后利用基于灰度相关的密集型精匹配对候选匹配点进行进一步的精确匹配，剔除误匹配点，达到关键点精匹配；
步骤五：三维信息获取：获取目标关键特征点后，根据其视差值和双目相机几何模型计算求取目标三维信息。
所述步骤二中图像校正的具体步骤为：
A.将源图像像素坐标通过内参数矩阵转为为相机坐标系坐标
B.通过旋转矩阵R1和R2进行平行极线校正
C.通过畸变参数校正图像的相机坐标
D.校正后通过内参矩阵将相机坐标系转化为图像像素坐标
步骤三的具体过程为：
区域匹配算法是在参考图像待匹配点周围一定领域内选取各个像素点灰度值作为参考值，在目标图像中选取相对应的窗口，在图像上移动，依次对比两窗口中像素灰度矩阵的相似性，相似性最高且达到阈值要求时，则为匹配区域。为了评价找到灰度邻域的匹配程度，需要设定一个相似性测度函数，使寻找的对应点在相似测度函数取得极值。
区域匹配算法利用像素点所在位置，构建匹配区域，定义左图像中目标点的邻域为模板图像T(m*n)，定义右图像构建与模板图像大小相同的区域为待匹配区域I(m*n)，设T在水平方向的位移为Δx，算法中需要计算模板图像与待匹配区域的相似性函数，并在右图像中移动更新待匹配区域，寻找与之相似度最大的区域。实验中可以设定阈值，将满足相关值大于阈值的区域选择出来。对窗口函数T和I进行相似性测度函数为：
为了克服噪声，将互相关函数定义为如下：
上式中I(i,j)待匹配图像，T(i,j)表示模板图像区域，表示待匹配图像的均值，表示模板图像均值。利用模板匹配的原理，在双目立体匹配中，可利用区域灰度的相似性来搜索两幅图像的对应点，子窗体的大小很难选择，如果选择过大，在前景背景交接区域会出现误匹配，如果选择过小，区域内的灰度分部特性没有得到充分利用，匹配的歧义性比较大，准确度比较低。
实验中无人机飞行背景简单，目标单一，可以在目标区域选取后，通过增加窗口移动步幅加快匹配效率，达到粗匹配的目的。
步骤四的具体过程为：
A.使用Canny边缘检测算子获得二值边缘图像；
B.边缘图像降采样、闭运算获取目标轮廓；
C.多边形逼近算法，提取多边形轮廓；
D.利用角点曲率提取轮廓关键特征点
a)在每条固定尺度的轮廓，计算曲率，把曲率绝对值的局部极大值作为候选角点；
b)按照支持区域内的平均曲率自适应地确定一个阈值，将候选点的曲率与该阈值比较以去除圆角；
c)重新计算支持区域，估计剩余候选角点的角度，去除伪角点；
d)考虑非闭合轮廓的端点，如果该端点附近没有其他的角点，就将其标记为角点。
E.在特征点邻域构建匹配区域，利用灰度相似性函数进行特征点匹配。
规定以图像轮廓中以一个关键特征点中心、大小为n*m的子图像窗口为邻域窗，对应左图像的领域窗为做左邻域窗，右图像的邻域窗为右领域窗。在建立左右图像中轮廓关键特征点对应匹配关系时，将左图像中给定的特征点pli邻域窗与右图像邻域窗进行相似度比较。如果第一幅图像给定点与第二幅图像中某一点的相似度满足阈值要求，且为第二幅图像中所有特征点右邻域窗相似度为最优，则视为这两点为对应点。如果该点的邻域窗与第二幅图像中同一水平线上所有点的邻域窗相似度都不满足阈值要求，则认为该点在第二幅图像中没有对应点。右图像中特征点候选匹配的建立方法与上述类似，只不过左右颠倒。在建立候选匹配后，进行对称性测试，只有当两个匹配集中的对应点完全一致是，才视为有效匹配，如图2所示。
设S(x,y)为(x,y)对应的两个邻域窗的相似度，I(x,y)目标图像(x,y)的灰度值，目标图像邻域窗的灰度平均值；T(x,y)源图像(x,y)的灰度值，源图像邻域窗的灰度平均值。本发明设定左图像为源图像，右图像为目标图像，利用基于灰度相关系数的方法在与平均灰度差值基础上进行计算，表达式为：
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种基于分级匹配策略的改进无人机三维信息获取方法，其特征是：具体包括以下步骤：
(1)结合双目相机标定对视频图像进行校正；
(2)在极线约束下，利用基于邻域灰度的模板匹配算法，在右目图像中进行匹配，确定目标区域；
(3)获取左右目标区域后，提取轮廓图及关键特征点，基于灰度相关的密集型精匹配对候选匹配点进行进一步的精确匹配；
步骤(3)中，具体包括：
(3-1)使用Canny边缘检测算子获得二值边缘图像；
(3-2)对边缘图像进行降采样、闭运算，获取目标轮廓；
(3-3)利用多边形逼近算法提取目标轮廓中的多边形轮廓；
(3-4)利用角点曲率提取轮廓关键特征点；
(3-5)在特征点邻域构建匹配区域，利用灰度相似性函数进行特征点匹配；
步骤(3-4)中，具体包括：
a)在每条固定尺度的轮廓，计算曲率，把曲率绝对值的局部极大值作为候选角点；
b)按照支持区域内的平均曲率自适应地确定一个阈值，将候选点的曲率与该阈值比较曲率大于阈值则为角点，选取曲率小于阈值的点，以去除圆角；
c)重新计算支持区域，计算剩余候选角点的角度，去除伪角点；
d)考虑非闭合轮廓的端点，如果该端点附近没有其他的角点，则将其标记为角点；
(4)根据精确匹配后的目标关键特征点的视差值和双目相机几何模型计算求取目标三维信息。
2.如权利要求1所述的一种基于分级匹配策略的改进无人机三维信息获取方法，其特征是：步骤(1)中，对于双目相机利用张正友标定法进行标定，获取双目相机成像几何模型中的摄像机的内参数矩阵，确定物点和像点的数学关系。
3.如权利要求1所述的一种基于分级匹配策略的改进无人机三维信息获取方法，其特征是：步骤(1)中，根据双目相机标定后获得的X、Y方向的映射矩阵，使左右图像中的共轭极线位于同一水平线，将二维空间的匹配问题简化到一维空间的求解。
4.如权利要求1所述的一种基于分级匹配策略的改进无人机三维信息获取方法，其特征是：步骤(1)中，具体的图像校正过程包括：
(1-1)将源图像像素坐标通过内参数矩阵转为为相机坐标系坐标；
(1-2)利用旋转矩阵进行平行极线校正，通过畸变参数校正图像的相机坐标；
(1-3)校正后通过内参矩阵将相机坐标系转化为图像像素坐标。
5.如权利要求1所述的一种基于分级匹配策略的改进无人机三维信息获取方法，其特征是：步骤(2)中，在参考图像待匹配点周围一定领域内选取各个像素点灰度值作为参考值，在目标图像中选取相对应的窗口，在图像上移动，依次对比两窗口中像素灰度矩阵的相似性，相似性最高且达到阈值要求时，则为匹配区域。
6.如权利要求1所述的一种基于分级匹配策略的改进无人机三维信息获取方法，其特征是：步骤(2)中，利用像素点所在位置，构建匹配区域，定义左图像中目标点的邻域为模板图像T(m*n)，定义右图像构建与模板图像大小相同的区域为待匹配区域I(m*n)，设T在水平方向的位移为Δx，计算模板图像与待匹配区域的相似性函数，并在右图像中移动更新待匹配区域，寻找与之相似度最大的区域。
7.如权利要求1所述的一种基于分级匹配策略的改进无人机三维信息获取方法，其特征是：步骤(3)中，规定以图像轮廓中以一个关键特征点中心、大小为n*m的子图像窗口为邻域窗，对应左图像的领域窗为做左邻域窗，右图像的邻域窗为右领域窗，在建立左右图像中轮廓关键特征点对应匹配关系时，将左图像中给定的特征点邻域窗与右图像邻域窗进行相似度比较，如果第一幅图像给定点与第二幅图像中某一点的相似度满足阈值要求，且为第二幅图像中所有特征点右邻域窗相似度为最优，则视为这两点为对应点，如果该点的邻域窗与第二幅图像中同一水平线上所有点的邻域窗相似度都不满足阈值要求，则认为该点在第二幅图像中没有对应点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611067927.2A CN106548173B (zh) | 2016-11-24 | 2016-11-24 | 一种基于分级匹配策略的改进无人机三维信息获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611067927.2A CN106548173B (zh) | 2016-11-24 | 2016-11-24 | 一种基于分级匹配策略的改进无人机三维信息获取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106548173A CN106548173A (zh) | 2017-03-29 |
| CN106548173B true CN106548173B (zh) | 2019-04-09 |
Family
ID=58395917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611067927.2A Active CN106548173B (zh) | 2016-11-24 | 2016-11-24 | 一种基于分级匹配策略的改进无人机三维信息获取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106548173B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108896577A (zh) * | 2018-05-30 | 2018-11-27 | 昆山睿力得软件技术有限公司 | 一种刹车片轮廓缺陷的自动检测方法 |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657644B (zh) * | 2017-09-28 | 2019-11-15 | 浙江大华技术股份有限公司 | 一种移动环境下稀疏场景流检测方法和装置 |
| CN108127238A (zh) * | 2017-12-29 | 2018-06-08 | 南京理工大学 | 非平整面自主识别机器人增材成形的方法 |
| CN108520559B (zh) * | 2018-04-04 | 2022-04-05 | 西安因诺航空科技有限公司 | 一种基于双目视觉的无人机定位导航的方法 |
| CN108648234A (zh) * | 2018-04-19 | 2018-10-12 | 北京控制工程研究所 | 一种用于目标抓捕的机械臂相对导航方法 |
| CN109459023B (zh) * | 2018-09-18 | 2021-07-16 | 武汉三体机器人有限公司 | 一种基于无人机视觉slam的辅助地面机器人导航方法及装置 |
| CN110706280A (zh) * | 2018-09-28 | 2020-01-17 | 成都家有为力机器人技术有限公司 | 基于2d-slam的轻量级语义驱动的稀疏重建方法 |
| CN110058604A (zh) * | 2019-05-24 | 2019-07-26 | 中国科学院地理科学与资源研究所 | 一种基于计算机视觉的无人机精准降落*** |
| CN111238488A (zh) * | 2020-03-18 | 2020-06-05 | 湖南云顶智能科技有限公司 | 一种基于异源图像匹配的飞行器精确定位方法 |
| CN111524174B (zh) * | 2020-04-16 | 2023-08-29 | 上海航天控制技术研究所 | 一种动平台动目标双目视觉三维构建方法 |
| CN114697623B (zh) * | 2020-12-29 | 2023-08-15 | 极米科技股份有限公司 | 投影面选取和投影图像校正方法、装置、投影仪及介质 |
| CN113160332A (zh) * | 2021-04-28 | 2021-07-23 | 哈尔滨理工大学 | 一种基于双目视觉的多目标识别与定位方法 |
| CN113985384B (zh) * | 2021-12-28 | 2022-05-24 | 中南大学 | 一种基于模板匹配的空间目标平动补偿方法及装置 |
| CN114858095B (zh) * | 2022-04-27 | 2023-06-23 | 北京科技大学 | 一种基于双像解析的岩体结构面产状测量方法 |
| CN115471728B (zh) * | 2022-10-12 | 2023-04-18 | 湖北工业大学 | 基于多阶几何约束整体匹配的果实快速三维定位方法 |
| CN116205920B (zh) * | 2023-05-05 | 2023-07-18 | 天津医科大学总医院 | 基于肺扫描数据的重点区域检测模型生成方法及*** |
| CN116724885A (zh) * | 2023-07-28 | 2023-09-12 | 中国农业大学 | 一种脉冲气流式分层对靶番茄智能授粉装置及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419055A (zh) * | 2008-10-30 | 2009-04-29 | 北京航空航天大学 | 基于视觉的空间目标位姿测量装置和方法 |
| CN104902258A (zh) * | 2015-06-09 | 2015-09-09 | 公安部第三研究所 | 一种基于立体视觉的多场景人流量统计方法、***以及双目相机 |
-
2016
- 2016-11-24 CN CN201611067927.2A patent/CN106548173B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419055A (zh) * | 2008-10-30 | 2009-04-29 | 北京航空航天大学 | 基于视觉的空间目标位姿测量装置和方法 |
| CN104902258A (zh) * | 2015-06-09 | 2015-09-09 | 公安部第三研究所 | 一种基于立体视觉的多场景人流量统计方法、***以及双目相机 |
Non-Patent Citations (2)
| Title |
|---|
| "基于几何结构的零件切片轮廓特征点提取方法";张镇等;《工具技术》;20091231;第31-35页 |
| "基于运动恢复的双目视觉三维重建***设计";王欣等;《光学 精密工程》;20140531;第1379-1386页 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108896577A (zh) * | 2018-05-30 | 2018-11-27 | 昆山睿力得软件技术有限公司 | 一种刹车片轮廓缺陷的自动检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106548173A (zh) | 2017-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106548173B (zh) | 一种基于分级匹配策略的改进无人机三维信息获取方法 | |
| CN105809687B (zh) | 一种基于图像中边沿点信息的单目视觉测程方法 | |
| CN109191504A (zh) | 一种无人机目标跟踪方法 | |
| CN110261870A (zh) | 一种用于视觉-惯性-激光融合的同步定位与建图方法 | |
| CN104484648A (zh) | 基于轮廓识别的机器人可变视角障碍物检测方法 | |
| CN111968177B (zh) | 一种基于固定摄像头视觉的移动机器人定位方法 | |
| Krombach et al. | Feature-based visual odometry prior for real-time semi-dense stereo SLAM | |
| CN107862735B (zh) | 一种基于结构信息的rgbd三维场景重建方法 | |
| CN112484746B (zh) | 一种基于地平面的单目视觉辅助激光雷达里程计方法 | |
| CN104023228A (zh) | 一种基于全局运动估计的自适应室内视觉定位方法 | |
| CN103886107A (zh) | 基于天花板图像信息的机器人定位与地图构建*** | |
| CN109087323A (zh) | 一种基于精细cad模型的图像车辆三维姿态估计方法 | |
| CN108151713A (zh) | 一种单目vo快速位姿估计方法 | |
| CN111161334B (zh) | 一种基于深度学习的语义地图构建方法 | |
| Cvišić et al. | Recalibrating the KITTI dataset camera setup for improved odometry accuracy | |
| CN110260866A (zh) | 一种基于视觉传感器的机器人定位与避障方法 | |
| CN110514212A (zh) | 一种融合单目视觉和差分gnss的智能车地图地标定位方法 | |
| CN111998862A (zh) | 一种基于bnn的稠密双目slam方法 | |
| KR20180015961A (ko) | 이미지를 기반으로 한 객체 위치 추정 방법 및 장치 | |
| JP6410231B2 (ja) | 位置合わせ装置、位置合わせ方法及び位置合わせ用コンピュータプログラム | |
| CN109764864B (zh) | 一种基于颜色识别的室内无人机位姿获取方法及*** | |
| Wang et al. | Temporal and spatial online integrated calibration for camera and LiDAR | |
| CN104809720B (zh) | 基于小交叉视场的两相机目标关联方法 | |
| CN110084754A (zh) | 一种基于改进sift特征点匹配算法的图像叠加方法 | |
| Majdik et al. | Micro air vehicle localization and position tracking from textured 3d cadastral models |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000 Co-patentee after: National Network Intelligent Technology Co., Ltd. Patentee after: Electric Power Research Institute of State Grid Shandong Electric Power Company Co-patentee after: State Grid Corporation of China Address before: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000 Co-patentee before: Shandong Luneng Intelligent Technology Co., Ltd. Patentee before: Electric Power Research Institute of State Grid Shandong Electric Power Company Co-patentee before: State Grid Corporation of China |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201028 Address after: 250101 Electric Power Intelligent Robot Production Project 101 in Jinan City, Shandong Province, South of Feiyue Avenue and East of No. 26 Road (ICT Industrial Park) Patentee after: National Network Intelligent Technology Co.,Ltd. Address before: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000 Patentee before: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co. Patentee before: National Network Intelligent Technology Co.,Ltd. Patentee before: STATE GRID CORPORATION OF CHINA |
|
| TR01 | Transfer of patent right |