CN107423766A - 一种混联式汽车电泳涂装输送机构末端运动位姿检测方法 - Google Patents
一种混联式汽车电泳涂装输送机构末端运动位姿检测方法 Download PDFInfo
- Publication number
- CN107423766A CN107423766A CN201710631483.9A CN201710631483A CN107423766A CN 107423766 A CN107423766 A CN 107423766A CN 201710631483 A CN201710631483 A CN 201710631483A CN 107423766 A CN107423766 A CN 107423766A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- point
- mtr
- 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.)
- Granted
Links
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
- G06V10/70—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
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Electrochromic Elements, Electrophoresis, Or Variable Reflection Or Absorption Elements (AREA)
Abstract
本发明公开了一种混联式汽车电泳涂装输送机构末端运动位姿检测方法。首先通过双目相机实时获取混联式汽车电泳涂装输送机构图像信息。然后基于像素点空间几何距离以及像素点相似度进行加权滤波,并利用非最大值抑制和滞后阈值化来抑制错误边缘,在空间映射后的参数空间中使用聚类分析的方法提取复杂机构末端连接杆的特征点。沿着特征点主方向设计移动掩膜,在掩膜区域基于离散Gaussian‑Hermit矩对特征点进行描述,进一步基于欧氏距离计算特征向量间相似度准则,对特征点对进行筛选,得到高精度的混联式汽车电泳涂装输送机构末端特征点对。最后基于构建的双目视觉模型和提取的特征点对,经过坐标转换后获取机构末端的高精度三维位姿参数。
Description
技术领域
本发明涉及基于机器视觉的位姿检测***,尤其涉及基于双目视觉、针对混联式汽车电泳涂装输送机构末端运动位姿的检测方法。
背景技术
在混联式汽车电泳涂装输送机构控制中,末端运动位姿是反映机构运动状态的重要参数,精确测得机构的末端运动位姿可有效避免通过运动学模型解算所带来的误差,并可进一步实现混联式汽车电泳涂装输送机构基于末端位姿的高性能全闭环运动控制。相对于其它检测手段,机器视觉采用一个或多个摄像机对不同角度的目标物体进行成像,采集的图像信息更丰富。同时,基于数字图像处理和计算机识别技术可准确计算出场景中机构末端的三维位姿,其操作简单,检测稳定性高,尤其适用于具有运动多自由度、运动轨迹复杂、难以直接检测的混联式汽车电泳涂装输送机构末端运动位姿检测。机器视觉信息获取的方式主要包括单目、双目和多目。与单目相比,双目视觉无需添加几何约束,具有更丰富的信息,可获取视野空间中任意一点的三维信息,为机构运动控制提供更准确的末端位姿参数信息;与多目相比,双目视觉所要求匹配的图像信息少,减小了匹配难度,在保证一定准确度的条件下,具有更快的检测速度。因此,双目视觉得到了较为广泛的应用。对于混联式汽车电泳涂装输送机构的末端运动位姿检测问题,采用基于双目视觉检测方法的难点在于如何将视觉***采集到的混联式汽车电泳涂装输送机构图像经过图像处理后快速而准确地获取该机构的末端位姿信息。在双目视觉位姿检测过程中,特征点提取与匹配过程最为重要,特征点提取和匹配的速度与准确度直接决定整个位姿检测***的速度与准确度,但混联式汽车电泳涂装输送机构由于其工作环境光照不均、外界光干扰、机构末端特征点少、运动遮挡等因素会引起双目视觉***的图像特征提取与匹配难以准确实现,导致视觉检测***的速度和准确度受到影响。
文献《结合SURF与聚类分析方法实现运动目标的快速跟踪》(李英,李静宇等.液晶与显示,2011,26(4):544-550)提出了一种结合SURF与K-means的运动目标跟踪算法,并以汽车为运动目标实验分析证明了SURF算法运用于目标跟踪的可能性,但是该算法在特征提取部分采用DoH斑点检测算法模糊了特征边缘,影响目标特征点的准确获取。
文献《基于高斯矩改进SURF算法的移动机器人定位研究》(朱光奇,王佳等.仪器仪表学报,2015,36(11):2451-2457)提出一种基于改进离散Gaussian-Hermite矩的SURF图像匹配算法实现对移动机器人的定位,该方法验证了Gaussian-Hermite矩具有较强的特征描述能力,且在机器人定位实时性允许的范围内提高了匹配正确率,但是该方法是针对微型移动机器人定位研究,对于机构体积庞大只有内部运动的输送机构,其末端连接杆特征点少且易被遮挡,使检测的准确度受到影响。
上述方法对于特征明显、图像对比度较好、边缘清晰的检测对象,其特征提取和匹配精度均能满足要求。但是针对构件间无明显颜色差异,末端连接杆的角点特征少且不易被检测的混联式汽车电泳涂装输送机构,若采用上述技术,将难以获得较好的检测结果。此外,混联式汽车电泳涂装输送机构的末端运动位姿检测受到环境的光照不均、背景复杂、机构运行时其他构件的遮挡、存在噪声干扰等因素的影响,很难直接将末端的特征进行提取,求得末端位姿信息。同时,对于需基于其检测结果进一步实现混联式汽车电泳涂装输送机构全闭环控制的机构末端运动位姿检测方法来说,其检测精度、实时性显得尤为重要。因此上述方法不适用于本发明涉及的混联式汽车电泳涂装输送机构的末端运动位姿检测,或应用于该机构后难以获得较好的检测效果。
发明内容
针对混联式汽车电泳涂装输送机构运行过程中机构末端连接杆图像特征点少,易受其他构件遮挡难以准确检测等问题,本发明提出一种混联式汽车电泳涂装输送机构末端运动位姿检测方法。首先针对传统双目视觉算法难以准确提取机构末端特征点,导致机构末端运动位姿检测准确度不高的问题,基于像素点空间几何距离以及像素点相似度进行加权滤波,并利用非最大值抑制和滞后阈值化来抑制错误边缘,以降低非边缘点对特征提取造成的影响。接着,对由于光线干扰、机构构件间边界模糊及遮挡引起的区域边界间断情况,提出在空间映射后的参数空间中使用聚类分析的方法,以解决复杂机构末端连接杆的特征点在图像空间中难以提取的问题。之后对于SURF描述符描述的特征点主方向准确度低、图像的特征描述不够全面等因素导致的图像特征点对难以准确提取和匹配的问题,基于离散Gaussian-Hermit矩构建64维特征向量,并结合欧氏距离计算特征向量间相似度准则,获取高精度的末端特征点对,在保证检测算法快速性和稳定性的同时,提高机构末端连接杆特征点提取匹配的准确率,进而使得位姿检测的准确度得以提高。最后基于构建的双目视觉模型和提取的特征点对,经过坐标转换后获取机构末端的高精度三维位姿参数。
本发明采用的技术方案是采用如下步骤:
(1)基于双目视觉的图像获取:基于双目相机采集混联式汽车电泳涂装输送机构的原始图像。通过双目相机实时获取混联式汽车电泳涂装输送机构图像信息,相机应调节到适宜的位置以保证在输送机构运动过程中,输送机构末端连接杆始终在相机视野范围之内。
(2)特征提取:基于像素点空间几何距离以及像素点相似度进行加权滤波,并利用非最大值抑制和滞后阈值化来抑制错误边缘,以降低非边缘点对特征提取造成的影响;对由于光线干扰、机构构件间边界模糊及遮挡引起的区域边界间断情况,提出在空间映射后的参数空间中使用聚类分析的方法,以解决复杂机构末端连接杆的特征点在图像空间中难以提取的问题。通过改变直线描述方法,检测空间映射后的点累计结果的局部最大值获取机构连杆、连接杆及车体固定架边缘直线,并获取边缘直线上的边缘点,在变换后的参数空间中,采用K-均值聚类算法对获取的机构边缘直线的参数点分类,提取机构特征边缘直线及落在特征直线上的特征点。
(3)图像匹配与特征点对的获取:对于SURF描述符描述的特征点主方向准确度低、图像的特征描述不够全面等因素导致的图像特征点对难以准确提取和匹配的问题,本发明沿着特征点主方向设计移动掩膜,在掩膜区域基于离散Gaussian-Hermit矩对特征点进行描述,并构建64维特征向量,实现图像特征点的准确全面描述,进一步基于欧氏距离计算特征向量间相似度准则,对特征点对进行筛选,得到高精度的混联式汽车电泳涂装输送机构末端特征点对。在保证检测算法快速性和稳定性的同时,提高机构末端连接杆特征点提取匹配的准确率,进而使得位姿检测的准确度得以提高。
(4)三维位姿的获取:构建机构双目视觉模型,将图像处理提取到的特征点对带入该机构视觉模型,经过坐标转换后获取机构末端三维位姿参数。
本发明提出一种混联式汽车电泳涂装输送机构末端运动位姿检测方法,通过采用上述技术方案后,其具有以下有益效果:
1、针对传统双目视觉算法难以准确提取机构末端特征点,导致机构末端运动位姿检测准确度不高的问题,本发明在特征提取部分,基于像素点空间几何距离以及像素点相似度进行加权滤波,并利用非最大值抑制和滞后阈值化来抑制错误边缘,以降低非边缘点对特征提取造成的影响。接着对由于光线干扰、机构构件间边界模糊及遮挡引起的区域边界间断情况,提出在空间映射后的参数空间中使用聚类分析的方法,解决复杂机构末端连接杆的特征点在图像空间中难以提取的问题,通过改变直线描述方法,检测空间映射后的点累计结果的局部最大值获取机构连杆、连接杆及车体固定架边缘直线,并获取边缘直线上的边缘点,在变换后的参数空间中,采用K-均值聚类算法对获取的机构边缘直线的参数点分类,提取机构特征边缘直线及落在特征直线上的特征点,使得提取机构特征点的准确率相较于常规SURF特征点提取算法提高6%;
2、针对SURF描述符描述的特征点主方向准确度低、图像的特征描述不够全面等因素导致图像特征点对难以准确提取和匹配的问题,本发明在特征点匹配部分,沿着特征点主方向设计移动掩膜,在掩膜区域基于离散Gaussian-Hermit矩对特征点进行描述,并构建64 维特征向量,实现图像特征点的准确全面描述,进一步基于欧氏距离计算特征向量间相似度准则,对特征点对进行筛选,得到高精度的混联式汽车电泳涂装输送机构末端特征点对。在保证检测算法快速性和稳定性的同时,提高机构末端连接杆特征点提取匹配的准确率,进而使得位姿检测的准确度得以提高。
附图说明
以下结合附图和具体实施方式对本发明作进一步详细说明。
图1为新型混联式汽车电泳涂装输送机构结构图
图2为一种混联式汽车电泳涂装输送机构末端运动位姿检测方法流程图。
图3为基于SURF算法和本发明特征提取方法所得到的机构特征点效果对比图。其中: 3a为采用SURF算法得到的图像特征点效果图像,图3b为本发明特征提取方法所得到的机构特征点效果图像。
图4为基于SURF算法和本发明的特征点匹配方法所得到的机构特征点对的效果对比图。其中:4a为基于SURF算法提取机构特征点对的效果对比图,图4b为本发明的特征点匹配方法所得到的机构特征点对的效果对比图。
图5为新型混联式汽车电泳涂装输送机构坐标系图。
图6为采用本发明提出的一种混联式汽车电泳涂装输送机构末端运动位姿检测方法在一个运动周期内的9个时刻点上所得到的机构末端位姿(x,z,β)的跟踪误差图。
具体实施方式
下面结合附图进一步说明书本发明具体实施方式。
本发明提供了一种混联式汽车电泳涂装输送机构末端运动位姿检测方法。混联式汽车电泳涂装输送机构末端连接杆以及与其相连接的机构构件具有明显的直线边缘特征,但机构整体呈灰黑色,构件间无明显颜色区别,同时受光线及机构运行时其他构件遮挡等因素的影响,机构末端连接杆的角点特征较少且不易被检测。基于上述问题,本发明提出一种混联式汽车电泳涂装输送机构末端运动位姿检测方法,以在兼顾快速性的同时,提高机构末端特征点获取的准确性,进而提高该输送机构末端运动位姿检测的准确度。该方法在特征提取部分,对由于光线干扰、机构构件间边界模糊及遮挡引起的区域边界间断情况,提出在空间映射后的参数空间中使用聚类分析的方法,解决复杂机构末端连接杆的特征点在图像空间中难以提取的问题,通过改变直线描述方法,检测空间映射后的点累计结果的局部最大值获取机构连杆、连接杆及车体固定架边缘直线,并获取边缘直线上的边缘点,在变换后的参数空间中,采用K-均值聚类算法对获取的机构边缘直线的参数点分类,提取机构特征边缘直线及落在特征直线上的特征点。在特征点匹配部分,针对SURF描述符描述的特征点主方向准确度低、图像的特征描述不够全面等因素导致的图像特征点对难以准确提取和匹配的问题,本发明沿着特征点主方向设计移动掩膜,在掩膜区域基于离散 Gaussian-Hermit矩对特征点进行描述,并构建64维特征向量,实现图像特征点的准确全面描述,进一步基于欧氏距离计算特征向量间相似度准则,对特征点对进行筛选,得到高精度的混联式汽车电泳涂装输送机构末端特征点对。在保证检测算法快速性和稳定性的同时,提高机构末端连接杆特征点提取匹配的准确率,进而使得位姿检测的准确度得以提高。最后基于构建的双目视觉模型和提取的特征点对,经过坐标转换后获取机构末端的高精度三维位姿参数。
具体实施方式以本课题组研发的新型混联式汽车电泳涂装输送机构为检测对象进行描述,参见图1,新型混联式汽车电泳涂装输送机构分为行走机构、升降翻转机构两部分,两种机构相互结合,驱动车身实现进退、升降和翻转运动或者以上三种运动的复合运动,使车身在电泳槽中充分搅动,从而达到完全地消除汽车车身在电泳过程中车顶气泡的效果。
其具体步骤如下:
1、参见图2,基于双目视觉采集输送机构原始图像。通过双目相机实时获取混联式汽车电泳涂装输送机构图像信息,相机应调节到适宜的位置以保证在输送机构运动过程中,输送机构末端连接杆始终在相机视野范围之内。
2、参见图2和图3,同一时刻采集左右两个相机分别拍摄的混联式汽车电泳涂装输送机构图像,对两幅图像分别采用本发明特征提取方法检测特征点。针对基于双目视觉的新型混联式汽车电泳涂装输送机构末端运动位姿检测连接杆特征点易被遮挡的问题,为提高位姿检测***的精度,本发明在特征提取阶段提出了一种在参数空间中基于聚类分析的复杂机构末端连接杆特征点提取方法,分类筛选机构直线边缘点以提高检测结果的精度。首先,基于像素点空间几何距离以及像素点相似度进行加权滤波,并利用非最大值抑制和滞后阈值化来抑制错误边缘,以降低非边缘点对特征提取造成的影响;然后,通过改变直线描述方法,检测空间映射后的点累计结果的局部最大值获取机构连杆、连接杆及车体固定架边缘直线,并获取边缘直线上的边缘点。最后,在变换后的参数空间中,采用K-均值聚类算法对获取的机构边缘直线的参数点分类,提取机构特征边缘直线及落在特征直线上的特征点。采用Visual Studio集成开发工具进行检测***人机界面开发,并使用C/C++语言编程,同时结合OpenCV(开源跨平台计算机视觉库),实现各模块相关功能的编程和实验。具体步骤如下:
[1]基于像素点间空间几何距离以及像素点的相似度进行加权滤波:对原始图像采用如式(1)(2)所示离散化公式去噪:
f(x)=h(x)*I(x) (1)
式中,I(x)表示原始图像灰度函数;h(x)表示滤波函数;f(x)表示滤波后灰度函数;表示对滤波结果的单位化;表示基于像素点间空间几何距离的权重,式中||ξ-x||表示两像素点的欧氏距离;表示基于像素点灰度值相似度的权重,式中||I(ξ)-I(x)||表示两像素点灰度值之差。
[2]增强非最大值抑制。在3*3像素模板基础上,利用公式(3)和(4),分别求出去噪后各像素点在x方向的水平梯度Gx和y方向的垂直梯度Gy。
像素点梯度值为两梯度绝对值之和如式(5)所示:
G(x,y)=|Gx|+|Gy| (5)
梯度方向角如式(6)所示:
同时,将0°到360°梯度方向角λ划分为8个域,每个区域包含45°角范围,归并为4个方向θ,如式(7)所示:
沿这两个方向的像素梯度值可由式(8)和式(9)给出的G(a)和G(b)判断:
若该像素点梯度G(x,y)同时满足如式(10)所示条件:
则标记该像素点为边缘点。
[3]滞后阈值化。选择高阈值和低阈值追踪尚未被抑制的候选边缘像素点。若其远大于高阈值,则标记该候选像素点为边缘点;若其在高低阈值之间,且与已经标记的边缘点直接相连,也标记其为边缘点。整个过程反复迭代后,将未满足条件的候选边缘点视为非边缘点。
[4]在空间映射后的参数空间中使用聚类分析的方法提取复杂机构末端连接杆的特征点。首先利用式(11)所示的极坐标方法表示直线边缘,并将变量与参量进行交换,把(ρ,θ) 作为变量,将图像空间(x,y)映射到参数空间(ρ,θ),将图像空间中直线检测问题转化为参数空间中点检测问题,图像空间中直线上每个点对应于参数空间中一条曲线,且图像空间中同一条直线的所有点对应于参数空间中相交于同一点(ρ,θ)的曲线簇。
ρ=x cosθ+y sinθ (11)
参数空间中曲线相交点累加峰值处的特定参数(ρ,θ)表示为图像空间中候选直线。通过对累加峰值筛选阈值H的设定,调整候选直线数量,本文实验设定H=50。
n个边缘点(Xn,Yn),其中n=1…n,任意两个点可构成直线,求该直线极坐标表示的r、θ值,并构成矩阵Qnn,如式(12)所示,式中Qij是由rij、θij两个值构成的矩阵,表示点和所构成直线的极坐标值r、θ。
注:Qnn为上三角阵,且对角线上元素Qii为0。
同一条直线上的任意点求取的r、θ值相同,故用累加数组A(r,θ,i)对矩阵Qnn中相同的元素进行累加,对于同一r、θ值,其i加1。由于采集的图像中机构边缘直线线段明显且长度大于干扰线段,故采集到的在同一条直线上的边缘点数量越多,该条直线为机构边缘直线的可能性越大。对每个r、θ值的i数值大于等于n/2,则保留并根据r、θ值画出该直线线段。
参见图1,该输送机构末端为固定在车体固定架上的汽车白车身,由该输送机构的运动过程可知,第二阶段电泳槽液淹没汽车车身及大部分车体固定架,无法直接从图像中获取该机构末端,故将末端视为与车体固定架焊接的连接杆。根据机构的结构特性和运动特性,机构第一支链的连杆边缘直线、第四支链的连杆边缘直线及连接杆边缘直线的参数坐标(ρ,θ)分布规律,故在参数空间(ρ,θ)中采用K-均值聚类算法对所有直线的参数点(ρ,θ)进行分类,提取机构特征直线边缘点为特征点,即为第一支链连杆边缘点、第四支链的连杆边缘点及连接杆边缘点。
3、参见图2和图4,基于离散Gaussian-Hermit矩构建64维特征向量,并结合欧氏距离计算特征向量间相似度准则,获取高精度的末端特征点对。相较于常规SURF算法,Gaussian-Hermit矩定义的描述符具有较强的边缘特征描述能力,且其改进的离散Gaussian-Hermit矩可以高效地表示图像中任意局部特征点。
该匹配算法以特征点为中心构造一个大小为20s*20s的方形窗口,将窗口划分4*4个子区域,并对每个区域的5*5个均匀的空间采样点使用Gaussian-Hermit矩定义的描述符描述,求出每个子区域的四维描述符矢量,串联4*4个子区域的描述符矢量,产生一个64维描述符矢量作为该特征点的特征向量。以最近邻距离与次近邻距离的比值作为左右图像特征向量间相似程度准则,匹配筛选特征点对。特征匹配需要编程实现,程序编写时采用了如式(13)~(18)所示公式:
式中:公式(13)(14)为特征点处的离散Gaussian-Hermit矩表达式,特征点的坐标为(it,jt), t为特征点序列号,(p+q)阶数,mM和mN分别表示u轴和v轴的采样间隔大小,σ表示高斯标准差,和为关于X和Y的离散Gaussian-Hermit函数即公式(15);公式(16)(17)为特征点主方向的幅值和角度大小;公式(18)为特征向量匹配的距离准则,(xli1,xli2,...,xli64)和(xrj1,xrj2,...,xrj64)分别为左右两幅图像中待匹配特征点的64维特征向量。
4、参见图2和图5,根据双目视觉原理实现三维重建,将前期图像处理提取到的末端匹配点对带入双目视觉模型,最终获得输送机构末端位姿信息。三维重建时,首先需要通过双目标定获得左右摄像机相对位置以及各自的几何参数、光学参数和畸变参数,以确定三维坐标中空间物点与图像平面上像素投影点之间的对应关系。本发明采用张正友标定法对双目视觉***进行摄像机标定,根据张正友平面标定流程:首先固定相机,然后对标定板进行拍照,再将标定板图像输入计算机并获取标定板上每个格点的像素坐标,接着把标定板的已知三维坐标载入计算机,通过将标定板的像素坐标和三维坐标代入式(19),求解出摄像机的内外参数,经过左右摄像机的分别标定,再根据式(20)便可获得双目视觉***的摄像机参数:
式中,s为任意数,A为内参数矩阵,R为旋转矩阵,T为平移矩阵;
式中,Rl、Tl和Rr、Tr分别表示左右摄像机的旋转矩阵和平移矩阵。
摄像机标定完成后便可得到双目视觉投影矩阵。假定输送机构末端连接杆标志点P在左右摄像机的像点分别为Pl和Pr,则根据投影定理得到式(21):
式中:Ml=Al[Rl Tl]和Mr=Ar[Rr Tr]分别为左右投影矩阵;sl,sr表示比例因子,将上式展开来则如式(22)(23)所示:
式中,(ul,vl,1),(ur,vr,1)分别表示投影点和的齐次坐标;pl和pr为末端特征点在世界坐标系下的齐次坐标;表示左右投影矩阵的第i行,第j列。
联立式(22)和式(23),可得式(24):
A*PW=B (24)
式中:
从而得式(25):
PW=(ATA)-1ATB (25)
将特征点的左右像素坐标代入式(31),求得特征点的三维坐标,即输送机构末端连接杆标志点位置。
再将旋转矩阵表示为如式(26)所示:
则输送机构末端连接杆标志点姿态角为式(27)所示:
式中,α为绕X轴旋转的俯仰角(单位为:rad),β为绕Y轴旋转的翻滚角(单位为:rad),γ为绕Z轴旋转的航向角(单位为:rad)。
根据新型混联式汽车电泳涂装输送机构运动特点,其运动过程中俯仰角α和航向角γ,及中心点OP沿Y轴方向位移相较于世界坐标系不变,只有翻滚角β在变化,故该机构末端位姿参数即为(x,z,β),其中x和z的单位为m,β单位为:rad。
至此,新型混联式汽车电泳涂装输送机构的末端位姿参数求解已完成。
实施例
本发明着重提出一种混联式汽车电泳涂装输送机构末端运动位姿检测方法,解决混联式汽车电泳涂装输送机构运行过程中由于工作环境的光线干扰、机构构件间边界模糊及遮挡等因素引起的基于视觉的机构末端难以检测以及检测精度不高的问题。
具体实施例以本课题组研发的新型混联式汽车电泳涂装输送机构为检测对象进行描述,其具体实施方式如下:
1、采集输送机构原始图像。通过双目相机采集新型混联式汽车电泳涂装输送机构图像,其中,相机型号为MV-1300FM,镜头型号为AFT-0814MP,相机安装输送机构的前方,且距地高度和角度均可灵活调节。此外,本检测***采用计算机操作***为Windows7,处理器型号为Intel(R)Core(TM)2Duo,主频为2.66GHz,内存为2GB。
2、采用本发明提出的特征提取方法对机构图像进行特征提取。为了解决基于双目视觉的新型混联式汽车电泳涂装输送机构末端运动位姿检测连接杆特征点少且易被遮挡问题,首先,基于像素点空间几何距离以及像素点相似度进行加权滤波,并利用非最大值抑制和滞后阈值化来抑制错误边缘,以降低非边缘点对特征提取造成的影响;然后,通过改变直线描述方法,检测空间映射后的点累计结果的局部最大值获取机构连杆、连接杆及车体固定架边缘直线,并获取边缘直线上的边缘点。最后,在变换后的参数空间中,采用K-均值聚类算法对获取的机构边缘直线的参数点分类,提取机构特征边缘直线及落在特征直线上的特征点。特征提取结果效果如图2所示,算法流程如下:
(1)基于加权滤波和错误抑制的方法获取准确的边缘点:基于式(28)(29)对原始图像基于像素点间空间几何距离以及像素点的相似度进行加权滤波去噪后,在3*3像素模板基础上,利用公式(30)~(33),分别求出去噪后各像素点在x方向的水平梯度Gx、y方向的垂直梯度Gy和像素点梯度值G(x,y)及梯度方向角λ。像素梯度值可由式(34)和式(35)给出的 G(a)和G(b)判断,若该像素点梯度G(x,y)满足式(36),则标记该像素点为边缘点。
f(x)=h(x)*I(x) (28)
G(x,y)=|Gx|+|Gy| (32)
式中:公式(28)(29)中I(x)表示原始图像灰度函数,h(x)表示滤波函数,f(x)表示滤波后灰度函数,表示对滤波结果的单位化,表示基于像素点间空间几何距离的权重,式中||ξ-x||表示两像素点的欧氏距离,表示基于像素点灰度值相似度的权重,式中||I(ξ)-I(x)||表示两像素点灰度值之差。
(2)基于本发明提出的特征提取方法提取机构特征点:利用式(37)所示的极坐标方法表示直线边缘,并将变量与参量进行交换,把(ρ,θ)作为变量,将图像空间(x,y)映射到参数空间(ρ,θ),将图像空间中直线检测问题转化为参数空间中点检测问题,图像空间中直线上每个点对应于参数空间中一条曲线,且图像空间中同一条直线的所有点对应于参数空间中相交于同一点(ρ,θ)的曲线簇。参数空间中曲线相交点累加峰值处的特定参数(ρ,θ)表示为图像空间中候选直线。通过对累加峰值H筛选阈值的设定,调整候选直线数量。
ρ=x cosθ+y sinθ (37)
n个边缘点,其中n=1…n,任意两个点可构成直线,求该直线极坐标表示的值r、θ,并构成矩阵如式(38)。同一条直线上的任意点求取的r、θ值相同,故用累加数组A(r,θ,i)对矩阵Qnn中相同的元素进行累加,对于同一r、θ值,其加1。由于采集的图像中机构边缘直线线段明显且长度大于干扰线段,故采集到的在同一条直线上的边缘点数量越多,该条直线为机构边缘直线的可能性越大。对每个r、θ值的i数值大于等于n/2,则保留并根据r、θ值画出该直线线段。
式中,Qij是由rij、θij两个值构成的矩阵,表示点(xi,yi)和(xj,yj)所构成直线的极坐标值r、θ。
该输送机构末端为固定在车体固定架上的汽车白车身,由该输送机构的运动过程可知,第二阶段电泳槽液淹没汽车车身及大部分车体固定架,无法直接从图像中获取该机构末端,故将末端视为与车体固定架焊接的连接杆。根据机构的结构特性和运动特性,机构第一支链的连杆边缘直线、第四支链的连杆边缘直线及连接杆边缘直线的参数坐标分布规律,故在参数空间中采用K-均值聚类算法对所有直线的参数点进行分类,提取机构特征直线边缘点为特征点,即为第一支链连杆边缘点、第四支链的连杆边缘点及连接杆边缘点。
4、基于本发明提出的特征点匹配方法得到机构末端连接杆特征点对。本实施例采用本发明所提出的基于离散Gaussian-Hermit矩构建64维特征向量,并结合欧氏距离计算特征向量间相似度准则,获取高精度的末端特征点对的方法进行新型混联式汽车电泳涂装输送机构图像特征点对的获取和匹配。该算法以特征点为中心构造一个大小为20s*20s的方形窗口,将窗口划分4*4个子区域,并对每个区域的5*5个均匀的空间采样点使用Gaussian-Hermit矩定义的描述符描述,求出每个子区域的四维描述符矢量,串联4*4个子区域的描述符矢量,产生一个64维描述符矢量作为该特征点的特征向量。以最近邻距离与次近邻距离的比值作为左右图像特征向量间相似程度准则,匹配筛选特征点对。具体步骤如下:
(1)计算采样点离散Gaussian-Hermit矩。沿着特征点主方向,以特征点为中心构造一个窗口大小为20s*20s的方形区域,并将该区域均匀的分割成4*4个方形子区域。对于每个子区域的5*5个均匀的空间采样点,计算X和Y方向的离散Gaussian-Hermit矩,分别记作ηp,0和η0,q,其公式如式(39)~(41)所示:
式中:公式(39)(40)为特征点处的离散Gaussian-Hermit矩表达式,特征点的坐标为(it,jt), t为特征点序列号,(p+q)阶数,mM和mN分别表示u轴和v轴的采样间隔大小,σ表示高斯标准差,和为关于X和Y的离散Gaussian-Hermit函数即公式(41)。其特征点主方向的幅值和角度大小如式(42)(43)所示:
(2)生成特征点描述符。在每个子区域,求和和并采用响应绝对值之和。因此,四维描述符矢量如式(44)所示:
V=(Σηp,0,Ση0,q,Σ|ηp,0|,Σ|η0,q|) (44)
V表示每个子区域的底层亮度结构。再串联所有4*4个子区域的描述符矢量,产生一个长度为64的描述符矢量。
(3)特征向量匹配。以最近邻距离与次近邻距离的比值作为左右图像特征向量间相似程度准则,匹配筛选特征点对。两距离采用欧氏距离表示,如式(45)所示:
式中:(xli1,xli2,...,xli64)和(xrj1,xrj2,...,xrj64)分别为左右两幅图像中待匹配特征点的64维特征向量。
5、求解新型混联式汽车电泳涂装输送机构末端位姿。根据新型混联式汽车电泳涂装输送机构运动特点,建立机构平台的定坐标系与动坐标系如图4所示,其中, {W}={OW-XWYWZW}和{C}={OC-XCYCZC}、{P}={OP-XPYPZP}分别表示定坐标系和动坐标系,则新型混联式汽车电泳涂装输送机构末端位姿的变化可表示为中心点OP点的位姿变化。本实施例采用张正友标定法实现双目视觉***的摄像机标定,并通过前期图像处理和后期坐标变换求出新型混联式汽车电泳涂装输送机构末端位置信息如式(46)所示:
PW=(ATA)-1ATB (46)
式中,(ul,vl,1), (ur,vr,1)分别表示像素投影点pl和pr的齐次坐标;(X,Y,Z,1)为标志点在世界坐标系下的齐次坐标;表示左右投影矩阵的第i行,第j列。同时,新型混联式汽车电泳涂装输送机构末端姿态角如式(47)所示:
式中,α为绕X轴旋转的俯仰角(单位为:rad),β为绕Y轴旋转的翻滚角(单位为:rad),γ为绕Z轴旋转的航向角(单位为:rad)。
根据新型混联式汽车电泳涂装输送机构运动特点,其运动过程中俯仰角α和航向角γ,及中心点OP沿Y轴方向位移相较于世界坐标系不变,只有翻滚角β在变化,故该机构末端位姿参数即为(x,z,β),其中x和z的单位为m,β单位为:rad。
本实施例同一时刻采集左右两个相机分别拍摄的新型混联式汽车电泳涂装输送机构图像,对两幅图像分别采用SURF特征点检测算法和本发明提出的特征提取方法检测特征点,如图4所示。依据每组图像检测到的特征点数目及检测时间比较分析两种方法,本发明提出的特征提取方法相对于常规的SURF特征点检测算法提取的机构特征点具有更好的准确性。然后,定时采集一个运动周期内9个时刻的机构运动图像,求出每个时刻的机构三维位姿参数,并将结果与激光测距仪INR-Laser Scanner H和电子罗盘Honeywell-HMR3100测得的机构末端实际位姿参数进行对比,跟踪误差如图6所示。分析图6可见,测量点P1、P3和P9在β方向的跟踪误差较大,这与机构的对称性和运行轨迹有关,由于机构在P3 开始向下翻转,使得β方向的速度和加速度变化较大,外加机构惯性的影响,导致误差较大,表明实验测量得到的输送机构末端位姿运动状态与实际运动状态相一致。实验结果表明,本发明所提出的针对混联式汽车电泳涂装输送机构末端运动位姿检测的特征提取和特征匹配方法,较常规算法有效解决了混联式汽车电泳涂装输送机构运行过程中机构末端连接杆图像特征点少,易受其他构件遮挡难以准确检测等问题,提高了机构末端连接杆特征点提取和匹配的准确度,进而有效提高了位姿检测的准确度。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种混联式汽车电泳涂装输送机构末端运动位姿检测方法,其特征是包括如下步骤:
步骤1,基于双目视觉的图像获取:基于双目视觉采集混联式汽车电泳涂装输送机构原始图像,通过双目相机实时获取混联式汽车电泳涂装输送机构图像信息,相机应调节到适宜的位置以保证在输送机构运动过程中,输送机构末端连接杆始终在相机视野范围之内;
步骤2,特征提取:2.1基于像素点空间几何距离以及像素点相似度进行加权滤波;2.2利用非最大值抑制和滞后阈值化来抑制错误边缘;2.3在空间映射后的参数空间中使用聚类分析的方法提取复杂机构末端连接杆的特征点,通过改变直线描述方法,检测空间映射后的点累计结果的局部最大值获取机构连杆、连接杆及车体固定架边缘直线,并获取边缘直线上的边缘点;
步骤3,图像匹配与特征点对的获取:沿着特征点主方向设计移动掩膜,在掩膜区域基于离散Gaussian-Hermit矩对特征点进行描述,并构建64维特征向量,实现图像特征点的准确全面描述,进一步基于欧氏距离计算特征向量间相似度准则,对特征点对进行筛选,得到高精度的混联式汽车电泳涂装输送机构末端特征点对;
步骤4,三维位姿的获取:构建机构双目视觉模型,将图像处理提取到的特征点对带入该机构视觉模型,经过坐标转换后获取机构末端的高精度三维位姿参数。
2.根据权利要求1所述的一种混联式汽车电泳涂装输送机构末端运动位姿检测方法,其特征是,步骤2.1的具体过程为:对原始图像采用如式(1)(2)所示的离散化公式去噪:
f(x)=h(x)*I(x) (1)
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>&Omega;</mi>
</munder>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
</mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>(</mo>
<mi>&xi;</mi>
<mo>)</mo>
<mo>,</mo>
<mi>I</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,I(x)表示原始图像灰度函数;h(x)表示滤波函数;f(x)表示滤波后灰度函数;表示对滤波结果的单位化;表示基于像素点间空间几何距离的权重,式中||ξ-x||表示两像素点的欧氏距离;表示基于像素点灰度值相似度的权重,式中||Ι(ξ)-Ι(x)||表示两像素点灰度值之差。
3.根据权利要求2所述的一种混联式汽车电泳涂装输送机构末端运动位姿检测方法,其特征是,步骤2.2的具体过程为:
增强非最大值抑制,在3*3像素模板基础上,利用公式(3)和(4),分别求出去噪后各像素点在x方向的水平梯度Gx和y方向的垂直梯度Gy:
<mrow>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<msup>
<mn>2</mn>
<mi>N</mi>
</msup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<msup>
<mn>2</mn>
<mi>N</mi>
</msup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
像素点梯度值为两梯度绝对值之和如式(5)所示:
G(x,y)=|Gx|+|Gy| (5)
梯度方向角如式(6)所示:
<mrow>
<mi>&lambda;</mi>
<mo>=</mo>
<mi>arctan</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
同时,将0°到360°梯度方向角λ划分为8个域,每个区域包含45°角范围,归并为4个方向θ,如式(7)所示:
沿这两个方向的像素梯度值可由式(8)和式(9)给出的G(a)和G(b)判断:
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
若该像素点梯度G(x,y)同时满足如式(10)所示条件:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>G</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>G</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>G</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>G</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
则标记该像素点为边缘点;
滞后阈值化:选择高阈值和低阈值追踪尚未被抑制的候选边缘像素点:若候选像素点远大于高阈值,则标记为边缘点;若其在高低阈值之间,且与已经标记的边缘点直接相连,也标记其为边缘点,整个过程反复迭代后,将未满足条件的候选边缘点视为非边缘点。
4.根据权利要求3所述的一种混联式汽车电泳涂装输送机构末端运动位姿检测方法,其特征是,步骤2.3的具体过程为:
首先利用式(11)所示的极坐标方法表示直线边缘,并将变量与参量进行交换,把(ρ,θ)作为变量,将图像空间(x,y)映射到参数空间(ρ,θ),将图像空间中直线检测问题转化为参数空间中点检测问题,图像空间中直线上每个点对应于参数空间中一条曲线,且图像空间中同一条直线的所有点对应于参数空间中相交于同一点(ρ,θ)的曲线簇;
ρ=xcosθ+ysinθ (11)
参数空间中曲线相交点累加峰值处的特定参数(ρ,θ)表示为图像空间中候选直线,通过对累加峰值筛选阈值H的设定,调整候选直线数量;
n个边缘点(Xn,Yn),其中n=1…n,任意两个点可构成直线,求该直线极坐标表示的r、θ值,并构成矩阵Qnn,如式(12)所示,式中Qij是由rij、θij两个值构成的矩阵,表示点和所构成直线的极坐标值r、θ;
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>n</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>Q</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>Q</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>Q</mi>
<mn>13</mn>
</msub>
</mtd>
<mtd>
<mi>L</mi>
</mtd>
<mtd>
<msub>
<mi>Q</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>Q</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>Q</mi>
<mn>23</mn>
</msub>
</mtd>
<mtd>
<mi>L</mi>
</mtd>
<mtd>
<msub>
<mi>Q</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>Q</mi>
<mn>33</mn>
</msub>
</mtd>
<mtd>
<mi>L</mi>
</mtd>
<mtd>
<msub>
<mi>Q</mi>
<mrow>
<mn>3</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mi>O</mi>
</mtd>
<mtd>
<mi>M</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>Q</mi>
<mrow>
<mi>n</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
注:Qnn为上三角阵,且对角线上元素Qii为0;
同一条直线上的任意点求取的r、θ值相同,故用累加数组A(r,θ,i)对矩阵Qnn中相同的元素进行累加,对于同一r、θ值,其i加1;对每个r、θ值的i数值大于等于n/2,则保留并根据r、θ值画出该直线线段。
5.根据权利要求4所述的一种混联式汽车电泳涂装输送机构末端运动位姿检测方法,其特征是,通过对累加峰值筛选阈值H的设定,H=50。
6.根据权利要求4所述的一种混联式汽车电泳涂装输送机构末端运动位姿检测方法,其特征是,还包括将末端视为与车体固定架焊接的连接杆,根据机构的结构特性和运动特性,机构第一支链的连杆边缘直线、第四支链的连杆边缘直线及连接杆边缘直线的参数坐标(ρ,θ)分布规律,故在参数空间(ρ,θ)中采用K-均值聚类算法对所有直线的参数点(ρ,θ)进行分类,提取机构特征直线边缘点为特征点,即为第一支链连杆边缘点、第四支链的连杆边缘点及连接杆边缘点。
7.根据权利要求1所述的一种混联式汽车电泳涂装输送机构末端运动位姿检测方法,其特征在于:步骤(3)中,
以特征点为中心构造一个大小为20s*20s的方形窗口,将窗口划分4*4个子区域,并对每个区域的5*5个均匀的空间采样点使用Gaussian-Hermit矩定义的描述符描述,求出每个子区域的四维描述符矢量,串联4*4个子区域的描述符矢量,产生一个64维描述符矢量作为该特征点的特征向量;以最近邻距离与次近邻距离的比值作为左右图像特征向量间相似程度准则,匹配筛选特征点对。
8.根据权利要求7所述的一种混联式汽车电泳涂装输送机构末端运动位姿检测方法,其特征在于:步骤(3)的具体步骤如下:
步骤3.1,计算采样点离散Gaussian-Hermit矩:沿着特征点主方向,以特征点为中心构造一个窗口大小为20s*20s的方形区域,并将该区域均匀的分割成4*4个方形子区域;对于每个子区域的5*5个均匀的空间采样点,计算X和Y方向的离散Gaussian-Hermit矩,分别记作ηp,0和η0,q,其公式如式(13)(14)(15)所示:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&eta;</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>i</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mi>j</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mi>m</mi>
<mi>M</mi>
</msub>
<mo>,</mo>
<msub>
<mi>m</mi>
<mi>N</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>4</mn>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<msub>
<mi>K</mi>
<mi>M</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<msub>
<mi>K</mi>
<mi>N</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>i</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>m</mi>
<mi>M</mi>
</msub>
<mi>u</mi>
<mo>-</mo>
<mfrac>
<mi>M</mi>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>j</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>m</mi>
<mi>N</mi>
</msub>
<mi>v</mi>
<mo>-</mo>
<mfrac>
<mi>N</mi>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>H</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>&sigma;</mi>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>H</mi>
<mi>q</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mo>=</mo>
<mn>2</mn>
<mo>&times;</mo>
<mi>r</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>N</mi>
<mo>=</mo>
<mn>2</mn>
<mo>&times;</mo>
<mi>r</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
3
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>H</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>&sigma;</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>2</mn>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<msup>
<mn>2</mn>
<mi>p</mi>
</msup>
</msqrt>
<mi>p</mi>
<mo>!</mo>
<msqrt>
<mi>&pi;</mi>
</msqrt>
<mi>&sigma;</mi>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>H</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>/</mo>
<mi>&sigma;</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>H</mi>
<mi>q</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>2</mn>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<msup>
<mn>2</mn>
<mi>q</mi>
</msup>
</msqrt>
<mi>q</mi>
<mo>!</mo>
<msqrt>
<mi>&pi;</mi>
</msqrt>
<mi>&sigma;</mi>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>H</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>y</mi>
<mo>/</mo>
<mi>&sigma;</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
式中:公式(13)(14)为特征点处的离散Gaussian-Hermit矩表达式,特征点的坐标为(it,jt),t为特征点序列号,(p+q)阶数,mM和mN分别表示u轴和v轴的采样间隔大小,σ表示高斯标准差,和为关于X和Y的离散Gaussian-Hermit函数即公式(15);其特征点主方向的幅值和角度大小如式(16)(17)所示:
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>&eta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mn>0</mn>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>&eta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>&mu;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>arctan</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>&eta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mn>0</mn>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>&eta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>17</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤3.2,生成特征点描述符:在每个子区域,求和和并采用响应绝对值之和;因此,四维描述符矢量如式(18)所示:
V=(∑ηp,0,∑η0,q,∑|ηp,0|,∑|η0,q|) (18)
V表示每个子区域的底层亮度结构,再串联所有4*4个子区域的描述符矢量,将产生一个长度为64的描述符矢量;
步骤3.3,特征向量匹配:以最近邻距离与次近邻距离的比值作为左右图像特征向量间相似程度准则,匹配筛选特征点对,两距离采用欧氏距离表示,如式(19)所示:
<mrow>
<mi>D</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>l</mi>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>r</mi>
<mi>j</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>l</mi>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>r</mi>
<mi>j</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>lim</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>r</mi>
<mi>j</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>19</mn>
<mo>)</mo>
</mrow>
</mrow>
式中:(xli1,xli2,...,xli64)和(xrj1,xrj2,...,xrj64)分别为左右两幅图像中待匹配特征点的64维特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710631483.9A CN107423766B (zh) | 2017-07-28 | 2017-07-28 | 一种混联式汽车电泳涂装输送机构末端运动位姿检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710631483.9A CN107423766B (zh) | 2017-07-28 | 2017-07-28 | 一种混联式汽车电泳涂装输送机构末端运动位姿检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423766A true CN107423766A (zh) | 2017-12-01 |
CN107423766B CN107423766B (zh) | 2020-07-31 |
Family
ID=60430730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710631483.9A Active CN107423766B (zh) | 2017-07-28 | 2017-07-28 | 一种混联式汽车电泳涂装输送机构末端运动位姿检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423766B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080698A (zh) * | 2019-11-27 | 2020-04-28 | 上海新时达机器人有限公司 | 长型板材位置标定方法、***和存储装置 |
CN113784797A (zh) * | 2019-05-07 | 2021-12-10 | 杜尔***股份公司 | 涂覆方法及相应的涂覆设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893894A (zh) * | 2010-06-30 | 2010-11-24 | 上海交通大学 | 可重构微型移动机器人集群定位跟踪*** |
CN104200442A (zh) * | 2014-09-19 | 2014-12-10 | 西安电子科技大学 | 基于改进的canny边缘检测的非局部均值MRI图像去噪方法 |
CN106570877A (zh) * | 2016-10-27 | 2017-04-19 | 西安科技大学 | 基于采煤机虚拟样机与真实图像配准的采煤机位姿定位***及方法 |
-
2017
- 2017-07-28 CN CN201710631483.9A patent/CN107423766B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893894A (zh) * | 2010-06-30 | 2010-11-24 | 上海交通大学 | 可重构微型移动机器人集群定位跟踪*** |
CN104200442A (zh) * | 2014-09-19 | 2014-12-10 | 西安电子科技大学 | 基于改进的canny边缘检测的非局部均值MRI图像去噪方法 |
CN106570877A (zh) * | 2016-10-27 | 2017-04-19 | 西安科技大学 | 基于采煤机虚拟样机与真实图像配准的采煤机位姿定位***及方法 |
Non-Patent Citations (4)
Title |
---|
REZA EBRAHIMPOUR ET AL.: "Vanishing point detection in corridors: Using Hough transform and K-means clustering", 《IET COMPUTER VISION》 * |
张姝: "基于双目视觉的并联机构末端位姿检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
朱奇光 等: "基于高斯矩改进SURF 算法的移动机器人定位研究", 《仪器仪表学报》 * |
李德军 等: "一种基于双边滤波的图像边缘检测方法", 《计算机技术与发展》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113784797A (zh) * | 2019-05-07 | 2021-12-10 | 杜尔***股份公司 | 涂覆方法及相应的涂覆设备 |
CN113784797B (zh) * | 2019-05-07 | 2023-05-02 | 杜尔***股份公司 | 涂覆方法及相应的涂覆设备 |
CN111080698A (zh) * | 2019-11-27 | 2020-04-28 | 上海新时达机器人有限公司 | 长型板材位置标定方法、***和存储装置 |
CN111080698B (zh) * | 2019-11-27 | 2023-06-06 | 上海新时达机器人有限公司 | 长型板材位置标定方法、***和存储装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107423766B (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695522B (zh) | 一种平面内的旋转不变人脸检测方法、装置及存储介质 | |
CN109949361A (zh) | 一种基于单目视觉定位的旋翼无人机姿态估计方法 | |
CN105069746B (zh) | 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其*** | |
CN105260712B (zh) | 一种车辆前方行人检测方法及*** | |
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
CN108711166A (zh) | 一种基于四旋翼无人机的单目相机尺度估计方法 | |
CN107481315A (zh) | 一种基于Harris‑SIFT‑BRIEF算法的单目视觉三维环境重建方法 | |
CN106127145B (zh) | 瞳孔定位及跟踪方法 | |
CN109284704A (zh) | 基于cnn的复杂背景sar车辆目标检测方法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN104794737B (zh) | 一种深度信息辅助粒子滤波跟踪方法 | |
CN104657717B (zh) | 一种基于分层核稀疏表示的行人检测方法 | |
CN109767454A (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 | |
CN106780546B (zh) | 基于卷积神经网络的运动模糊编码点的身份识别方法 | |
CN106803265A (zh) | 基于光流法和卡尔曼滤波的多目标跟踪方法 | |
CN107194343B (zh) | 基于位置相关的卷积与Fire模型的红绿灯检测方法 | |
CN103761747B (zh) | 一种基于加权分布场的目标跟踪方法 | |
CN107704833A (zh) | 一种基于机器学习的前方车辆检测与跟踪方法 | |
CN103985143A (zh) | 基于字典学习的视频中判别性在线目标跟踪方法 | |
Chen et al. | A stereo visual-inertial SLAM approach for indoor mobile robots in unknown environments without occlusions | |
CN105488541A (zh) | 增强现实***中基于机器学习的自然特征点识别方法 | |
CN108538052A (zh) | 基于车头灯轨迹跟踪和动态配对的夜间交通流量检测方法 | |
CN110458128A (zh) | 一种姿态特征获取方法、装置、设备及存储介质 | |
CN107808524A (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
CN115147644A (zh) | 图像描述模型的训练和描述方法、***、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |