CN108038849A - 一种识别性能优良的机器人视觉*** - Google Patents
一种识别性能优良的机器人视觉*** Download PDFInfo
- Publication number
- CN108038849A CN108038849A CN201711289370.1A CN201711289370A CN108038849A CN 108038849 A CN108038849 A CN 108038849A CN 201711289370 A CN201711289370 A CN 201711289370A CN 108038849 A CN108038849 A CN 108038849A
- Authority
- CN
- China
- Prior art keywords
- mrow
- target
- msub
- msubsup
- module
- 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.)
- Withdrawn
Links
- 238000011156 evaluation Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005352 clarification Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种识别性能优良的机器人视觉***,包括图像采集模块、图像预处理模块、特征提取模块、图像识别模块和识别评价模块,所述图像采集模块用于通过摄像头对图像进行采集,所述图像预处理模块用于对采集的图像进行预处理,所述特征提取模块用于对预处理后的图像特征进行提取,得到目标特征向量,所述图像识别模块根据目标特征向量和目标模板进行匹配,对目标进行识别,所述识别评价模块用于对图像识别模块的识别性能进行评价。本发明的有益效果为:实现了机器人对目标的识别和识别性能的评价。
Description
技术领域
本发明涉及机器人技术领域,具体涉及一种识别性能优良的机器人视觉***。
背景技术
机器视觉作为获得环境信息的主要手段之一,可以增加工业机器人的自主能力,提高其灵活性。工业机器人通过视觉如何根据所获取的图像信息,正确地、实时地提取出工件特征参数并判断出工件所处的位置,是机器视觉应用于工业领域的关键技术之一。
图像识别的方法很多,大体上可以归纳为统计图像识别、结构图像识别、模糊集图像识别、图像匹配识别。图像匹配是其中最有代表性、应用最为广泛的方法,其在运动目标跟踪、遥感图像识别、机器人视觉等领域都已得到了应用,但现有的识别方法识别性能差,无法进行有效识别。
发明内容
针对上述问题,本发明旨在提供一种识别性能优良的机器人视觉***。
本发明的目的采用以下技术方案来实现:
提供了一种识别性能优良的机器人视觉***,包括图像采集模块、图像预处理模块、特征提取模块、图像识别模块和识别评价模块,所述图像采集模块用于通过摄像头对图像进行采集,所述图像预处理模块用于对采集的图像进行预处理,所述特征提取模块用于对预处理后的图像特征进行提取,得到目标特征向量,所述图像识别模块根据目标特征向量和目标模板进行匹配,对目标进行识别,所述识别评价模块用于对图像识别模块的识别性能进行评价。
本发明的有益效果为:实现了机器人对目标的识别和识别性能的评价。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的结构示意图;
附图标记:
图像采集模块1、图像预处理模块2、特征提取模块3、图像识别模块4、识别评价模块5。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的一种识别性能优良的机器人视觉***,包括图像采集模块1、图像预处理模块2、特征提取模块3、图像识别模块4和识别评价模块5,所述图像采集模块1用于通过摄像头对图像进行采集,所述图像预处理模块2用于对采集的图像进行预处理,所述特征提取模块3用于对预处理后的图像特征进行提取,得到目标特征向量,所述图像识别模块4根据目标特征向量和目标模板进行匹配,对目标进行识别,所述识别评价模块5用于对图像识别模块4的识别性能进行评价。
本实施例实现了机器人对目标的识别和识别性能的评价。
优选的,所述图像预处理模块2包括第一目标分割子模块和第二预处理子模块,所述第一目标分割子模块采用Canny算子对图像中目标的外边缘进行提取,将图像中多个目标分割成单一目标图像,所述第二预处理子模块对单一目标图像进行灰度变换和滤波处理。
由于不同目标之间差别,本优选实施例第一目标分割子模块将图像中的多目标分割成多个单一目标,对每个目标图像进行预处理,便于后续提取不同目标特征;由于在图像采集过程中,不可避免地受到各种干扰而混入随机噪声,本优选实施例第二预处理子模块对图像进行灰度化和滤波处理,有助于减少识别误差,更好地保持目标的边缘信息。
优选的,所述特征提取模块3包括第一特征提取子模块、第二特征提取子模块和特征向量生成子模块,所述第一特征提取子模块用于提取目标的第一特征,所述第二特征提取子模块用于提取目标的第二特征,所述特征向量生成子模块根据第一特征和第二特征生成目标的特征向量。
所述第一特征提取子模块用于提取目标的第一特征,具体为:提取目标的内外边缘,得到目标外轮廓像素和各内轮廓像素的坐标,目标的第一特征为:
T1=[W,N1,…,NL]
上述式子中,T1表示目标的第一特征,W表示目标外轮廓的特征值,Nl(l=1,2,…,L)表示目标第l个内轮廓的特征值,L表示目标的内轮廓的个数;
所述目标外轮廓的特征值通过以下方式获取:对图像进行二值化处理,将外轮廓像素灰度值记为1,其余位置像素灰度值记为0;计算目标外轮廓的特征值W:
上述式子中,I(i,j)表示像素点位置为(i,j)的灰度值,n和m分别表示目标图像的宽和高,表示目标外轮廓像素个数;
所述目标外轮廓的特征值通过以下方式获取:对图像进行二值化处理,将目标第l个内轮廓的像素灰度值记为1,其余位置像素灰度值记为0;计算目标第l个内轮廓的特征值Nl:
所述第二特征提取子模块用于提取目标的第二特征,具体为:提取目标的外边缘,得到目标的外轮廓包含区域的像素,对图像进行二值化处理,将外轮廓包含区域的像素灰度值记为1,其余位置像素灰度值记为0,计算目标的第二特征值:
上述式子中,T2表示目标的第二特征;
所述特征向量生成子模块根据第一特征和第二特征生成目标的特征向量,具体为:将目标的第一特征和第二特征构成特征向量:T=[T1,T2],上述式子中,T表示目标的特征向量。
本优选实施例通过特征提取模块对目标特征进行提取,为后续目标匹配和识别奠定了基础,通过建立目标的特征向量,能够对目标进行更为准确的识别,具体的,第一特征充分考虑了目标的外轮廓和内轮廓,第二特征充分考虑了外轮廓内整体像素,目标特征向量综合了第一特征和第二特征,得到了更为完整的目标特征。
优选的,所述识别评价模块5包括第一评价子模块、第二评价子模块和综合评价子模块,所述第一评价子模块用于获取识别性能的第一评价值,所述第二评价子模块用于获取识别性能的第二评价值,所述综合评价子模块用于根据第一评价值和第二评价值对目标识别性能进行综合评价;
所述第一评价子模块用于获取识别性能的第一评价值,具体为:
上述式子中,S1表示第一评价值,A表示图像中包含的目标数目,A1表示能够识别的目标个数,A2表示正确识别的目标个数;
所述第二评价子模块用于获取识别性能的第二评价值,具体为:
上述式子中,S2表示第二评价值,B表示待识别的图像数目,B1表示的第一评价值大于设定阈值的图像数目;
所述综合评价子模块用于根据第一评价值和第二评价值对目标识别性能进行综合评价,具体为:计算综合评价因子:
上述式子中,S表示综合评价因子;综合评价因子越大,表示目标识别性能越好。
本优选实施例通过识别评价模块实现了图像识别模块识别性能的评价,保证了目标识别水平,具体的,第一评价值考虑了目标的识别准确性,第二评价值考虑了目标的识别稳定性,目标识别的通过第一评价值和第二评价值计算综合评价因子,能够综合反映识别性能。
采用本发明识别性能优良的机器人视觉***对目标进行识别,选取5个待识别目标进行实验,分别为待识别目标1、待识别目标2、待识别目标3、待识别目标4、待识别目标5,对识别效率和识别准确性进行统计,同现有机器人视觉***相比,产生的有益效果如下表所示:
识别效率提高 | 识别准确性提高 | |
待识别目标1 | 29% | 27% |
待识别目标2 | 27% | 26% |
待识别目标3 | 26% | 26% |
待识别目标4 | 25% | 24% |
待识别目标5 | 24% | 22% |
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (7)
1.一种识别性能优良的机器人视觉***,其特征在于,包括图像采集模块、图像预处理模块、特征提取模块、图像识别模块和识别评价模块,所述图像采集模块用于通过摄像头对图像进行采集,所述图像预处理模块用于对采集的图像进行预处理,所述特征提取模块用于对预处理后的图像特征进行提取,得到目标特征向量,所述图像识别模块根据目标特征向量和目标模板进行匹配,对目标进行识别,所述识别评价模块用于对图像识别模块的识别性能进行评价。
2.根据权利要求1所述的识别性能优良的机器人视觉***,其特征在于,所述图像预处理模块包括第一目标分割子模块和第二预处理子模块,所述第一目标分割子模块采用Canny算子对图像中目标的外边缘进行提取,将图像中多个目标分割成单一目标图像,所述第二预处理子模块对单一目标图像进行灰度变换和滤波处理。
3.根据权利要求2所述的识别性能优良的机器人视觉***,其特征在于,所述特征提取模块包括第一特征提取子模块、第二特征提取子模块和特征向量生成子模块,所述第一特征提取子模块用于提取目标的第一特征,所述第二特征提取子模块用于提取目标的第二特征,所述特征向量生成子模块根据第一特征和第二特征生成目标的特征向量。
4.根据权利要求3所述的识别性能优良的机器人视觉***,其特征在于,所述第一特征提取子模块用于提取目标的第一特征,具体为:提取目标的内外边缘,得到目标外轮廓像素和各内轮廓像素的坐标,目标的第一特征为:
T1=[W,N1,…,NL]
上述式子中,T1表示目标的第一特征,W表示目标外轮廓的特征值,Nl(l=1,2,…,L)表示目标第l个内轮廓的特征值,L表示目标的内轮廓的个数;
所述目标外轮廓的特征值通过以下方式获取:对图像进行二值化处理,将外轮廓像素灰度值记为1,其余位置像素灰度值记为0;计算目标外轮廓的特征值W:
<mrow>
<mi>W</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>i</mi>
<mo>&times;</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>j</mi>
<mo>&times;</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
上述式子中,I(i,j)表示像素点位置为(i,j)的灰度值,n和m分别表示目标图像的宽和高,表示目标外轮廓像素个数;
所述目标外轮廓的特征值通过以下方式获取:对图像进行二值化处理,将目标第l个内轮廓的像素灰度值记为1,其余位置像素灰度值记为0;计算目标第l个内轮廓的特征值Nl:
<mrow>
<msub>
<mi>N</mi>
<mi>l</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>i</mi>
<mo>&times;</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>j</mi>
<mo>&times;</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>.</mo>
</mrow>
5.根据权利要求4所述的识别性能优良的机器人视觉***,其特征在于,所述第二特征提取子模块用于提取目标的第二特征,具体为:提取目标的外边缘,得到目标的外轮廓包含区域的像素,对图像进行二值化处理,将外轮廓包含区域的像素灰度值记为1,其余位置像素灰度值记为0,计算目标的第二特征值:
<mrow>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>+</mo>
<mn>2</mn>
<mi>&pi;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
上述式子中,T2表示目标的第二特征;
所述特征向量生成子模块根据第一特征和第二特征生成目标的特征向量,具体为:将目标的第一特征和第二特征构成特征向量:T=[T1,T2],上述式子中,T表示目标的特征向量。
6.根据权利要求5所述的识别性能优良的机器人视觉***,其特征在于,所述识别评价模块包括第一评价子模块、第二评价子模块和综合评价子模块,所述第一评价子模块用于获取识别性能的第一评价值,所述第二评价子模块用于获取识别性能的第二评价值,所述综合评价子模块用于根据第一评价值和第二评价值对目标识别性能进行综合评价。
7.根据权利要求6所述的识别性能优良的机器人视觉***,其特征在于,所述第一评价子模块用于获取识别性能的第一评价值,具体为:
<mrow>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<mi>A</mi>
<mo>+</mo>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mo>&times;</mo>
<mi>lg</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
<mi>A</mi>
</mfrac>
<mo>+</mo>
<mfrac>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>+</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
上述式子中,S1表示第一评价值,A表示图像中包含的目标数目,A1表示能够识别的目标个数,A2表示正确识别的目标个数;
所述第二评价子模块用于获取识别性能的第二评价值,具体为:
<mrow>
<msub>
<mi>S</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>B</mi>
<mn>1</mn>
</msub>
<mi>B</mi>
</mfrac>
<mo>+</mo>
<mfrac>
<msub>
<mi>B</mi>
<mn>1</mn>
</msub>
<mrow>
<mi>B</mi>
<mo>+</mo>
<msub>
<mi>B</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msqrt>
<mrow>
<mfrac>
<msub>
<mi>B</mi>
<mn>1</mn>
</msub>
<mi>B</mi>
</mfrac>
<mo>+</mo>
<mfrac>
<msub>
<mi>B</mi>
<mn>1</mn>
</msub>
<mrow>
<mi>B</mi>
<mo>+</mo>
<msub>
<mi>B</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
</mrow>
</msqrt>
</mrow>
上述式子中,S2表示第二评价值,B表示待识别的图像数目,B1表示的第一评价值大于设定阈值的图像数目;
所述综合评价子模块用于根据第一评价值和第二评价值对目标识别性能进行综合评价,具体为:计算综合评价因子:
<mrow>
<mi>S</mi>
<mo>=</mo>
<mn>1</mn>
<mo>+</mo>
<msqrt>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mo>&times;</mo>
<msub>
<mi>S</mi>
<mn>2</mn>
</msub>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mo>&times;</mo>
<msub>
<mi>S</mi>
<mn>2</mn>
</msub>
</mrow>
</msqrt>
</mrow>
上述式子中,S表示综合评价因子;综合评价因子越大,表示目标识别性能越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711289370.1A CN108038849A (zh) | 2017-12-07 | 2017-12-07 | 一种识别性能优良的机器人视觉*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711289370.1A CN108038849A (zh) | 2017-12-07 | 2017-12-07 | 一种识别性能优良的机器人视觉*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108038849A true CN108038849A (zh) | 2018-05-15 |
Family
ID=62096025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711289370.1A Withdrawn CN108038849A (zh) | 2017-12-07 | 2017-12-07 | 一种识别性能优良的机器人视觉*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038849A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108839032A (zh) * | 2018-06-27 | 2018-11-20 | 深圳大图科创技术开发有限公司 | 一种智能机器人 |
CN111679661A (zh) * | 2019-02-25 | 2020-09-18 | 北京奇虎科技有限公司 | 基于深度相机的语义地图构建方法及扫地机器人 |
-
2017
- 2017-12-07 CN CN201711289370.1A patent/CN108038849A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108839032A (zh) * | 2018-06-27 | 2018-11-20 | 深圳大图科创技术开发有限公司 | 一种智能机器人 |
CN111679661A (zh) * | 2019-02-25 | 2020-09-18 | 北京奇虎科技有限公司 | 基于深度相机的语义地图构建方法及扫地机器人 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097093B (zh) | 一种异源图像精确匹配方法 | |
CN106709950B (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
CN108335331B (zh) | 一种钢卷双目视觉定位方法及设备 | |
CN104268519B (zh) | 基于模式匹配的图像识别终端及其识别方法 | |
CN103839265A (zh) | 基于sift和归一化互信息的sar图像配准方法 | |
CN103198477B (zh) | 一种采用苹果套袋机器人进行视觉定位的方法 | |
CN107464252A (zh) | 一种基于混合特征的可见光与红外异源图像识别方法 | |
CN102722731A (zh) | 一种基于改进sift算法的高效图像匹配方法 | |
CN110782477A (zh) | 基于序列图像的运动目标快速检测方法、计算机视觉*** | |
CN106408597A (zh) | 基于邻域熵和一致性检测的sar图像配准方法 | |
CN103530599A (zh) | 一种真实人脸和图片人脸的区别方法和*** | |
CN104134208B (zh) | 利用几何结构特征从粗到精的红外与可见光图像配准方法 | |
CN108257155B (zh) | 一种基于局部和全局耦合的扩展目标稳定跟踪点提取方法 | |
CN104268602A (zh) | 一种基于二进制特征匹配的遮挡工件识别方法及装置 | |
CN108447016B (zh) | 基于直线交点的光学图像和sar图像的匹配方法 | |
CN106023187A (zh) | 一种基于sift特征和角度相对距离的图像配准方法 | |
CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN104715251A (zh) | 一种基于直方图线性拟合的显著目标检测方法 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
Han et al. | An improved corner detection algorithm based on harris | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
CN110335280A (zh) | 一种基于移动端的金融单据图像分割与矫正方法 | |
CN106127258A (zh) | 一种目标匹配方法 | |
CN108038849A (zh) | 一种识别性能优良的机器人视觉*** |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180515 |