CN111932635B - 采用二维与三维视觉处理相结合的图像标定方法 - Google Patents
采用二维与三维视觉处理相结合的图像标定方法 Download PDFInfo
- Publication number
- CN111932635B CN111932635B CN202010791609.0A CN202010791609A CN111932635B CN 111932635 B CN111932635 B CN 111932635B CN 202010791609 A CN202010791609 A CN 202010791609A CN 111932635 B CN111932635 B CN 111932635B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- image
- images
- foreign matter
- processed
- 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 30
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30261—Obstacle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及机场道面异物检测技术领域,具体为采用二维与三维视觉处理相结合的图像标定方法。本发明利用二维图像采集机构和三维图像采集机构分别独立的采集机场道面图像,采集完成后分别将图像反馈给图像计算核心;图像计算核心再对二维图像和三维图像分别进行计算,然后再进行融合运算,最终确定异物形态并获得异物的坐标位置。本发明利用Dempster‑Shafer证据理论融合了二维与三维路面异物检测结果,并获得道面异物的深度特征和外形轮廓,从而提高了异物检测的准度,提高了道面清理人员的工作效率。
Description
技术领域
本发明涉及机场道面异物检测技术领域,具体为采用二维与三维视觉处理相结合的图像标定方法。
背景技术
机场跑道异物(简称FOD)一直以来都是危害飞机飞行安全的重要因素之一,其不仅影响起落架的展开与收敛,也影响着襟翼等设备的正常运行,而更为严重的是一旦异物被吸入发动机内,不仅会导致发动机受损,造成重大经济损失,甚至可能引发事故夺去飞行员和乘客的宝贵生命。根据国家民航局统计,全国每年因机场道面异物导致的飞机轮胎损坏达4000多条,全球每年因机场道面异物造成的直接损失至少达30至40亿美元,因此对于机场道面异物的检测刻不容缓。
目前,我国也在大力开发自己独立的FOD检测***,或采用雷达,或采用视觉扫描机构,但总体而言,和国外先进的设备相比仍有不小的差距,这主要体现在识别精度不够,且常容易造成误判,比如将轮胎刹车印误判成异物,或对于小体积物体无法识别。这主要是因为,现有技术中的视觉扫描机构所采集到的二维平面图像无法清楚的还原机场道面信息,无法获得异物的深度特征,也难以确定异物的轮廓,所以才会频繁出现误判和漏判,因此,若能够设计一种可以将二维平面图像与三维轮廓图像相融合的异物识别技术,将可以大大提高异物的探测精度,为机场工作人员的异物清理带来便利,为此,我们提出了采用二维与三维视觉处理相结合的图像标定方法以良好的解决上述弊端。
发明内容
本发明的目的在于提供采用二维与三维视觉处理相结合的图像标定方法,用于将图像采集机构采集到的二维平面图像与三维轮廓图像进行融合,并获取异物的深度特征和轮廓,提高异物的探测精度。
本发明的上述发明目的是通过以下技术方案得以实现的:
采用二维与三维视觉处理相结合的图像标定方法,包括以下步骤:
步骤一:利用二维图像采集机构和三维图像采集机构分别独立的采集机场道面图像,采集完成后分别将图像反馈给图像计算核心;
步骤二:图像计算核心对二维图像采集机构反馈的图像依次进行标定和预处理操作;
步骤三:图像计算核心对步骤二处理后的图像进行轮廓梯度提取;
步骤四:图像计算核心对三维图像采集机构反馈的图像进行预处理操作;
步骤五:图像计算核心将步骤三处理后的二维图像与步骤四处理后的三维轮廓图像进行融合运算,最终确定异物形态并获得异物的坐标位置;
所述步骤四中对于三维轮廓图像的预处理包括有以下步骤:
S1:对三维轮廓图像进行灰度化处理;
S2:确定S1处理后的图像中的结构光光条位置,并提取该图像的激光中心线;
S3:将提取的激光中心线,通过权值进行三次均值降噪,输出深度图;
S4:对深度图像进行线性拉伸变换,并采用分水岭算法将异物从背景中分隔出来;
S5:利用Adaboost的识别算法对S4得到的图像进行深度特征识别,并生成深度直方图;
所述步骤五中对于二维图像和三维图像的融合处理具体包括有如下步骤:
S1:检测经过步骤三处理后的图像上可能存在的异物;
S2:计算每幅图像上每个异物通过的三维激光光条个数,同时检测三维光条与二维异物线的交点;
S3:根据交点上的每根光条是否发生变形,采用Dempster-Shafer理论融合所有的3D激光光条异物信息,并获得3D结构光检测方法的异物检测结果;
S4:利用Dempster-Shafer证据理论融合二维与三维路面异物检测结果,采用一定的决策规则,对异物信息进行综合的决策判断,获得路面异物检测结果。
进一步的,所述步骤二中针对二维图像进行的预处理包括有以下步骤:
S1:对标定后的图像进行灰度化和空间滤波处理;
S2:对S1处理后的图像进行分段线性灰度增强处理;
S3:对S2处理后的图像进行分割,然后再进行形态学图像处理;
S4:对S3处理后当图像进行特征提取和识别,并输出结果。
进一步的,所述步骤三中针对二维图像进行的轮廓梯度提取包括有以下步骤:
S1:令迭代系数次数为t=0,精度控制参数res=0.1;
S2:利用Forstner算子和内插值法进一步提高精度t=t+1;
S3:更新后角点与原角点之间的距离为:
S4:若Δ≤res,或者t≥10,则终止迭代;否则,重复S2、S3,多次迭代后,得精度在0.1像素级别的角点位置。
进一步的,所述图像计算核心由三台I7处理器和一台交换机互联组成,用于图像的处理计算,且其中一台I7处理器用于二维图像的采集计算以及融合计算,另外两台I7处理器用于三维图像的采集。
进一步,所述二维图像采集机构由不少于十台的线阵CCD相机组成,所述三维图像采集机构由不少于六台的面阵CCD相机组成,所述线阵CCD相机和面阵CCD相机均与对应的I7处理器连接。
进一步的,所述线阵CCD相机在采集图像时须配合扫描运动,所述面阵CCD相机在采集图像时保持相对静止。
与现有技术相比,本发明提供了采用二维与三维视觉处理相结合的图像标定方法,具备以下有益效果:
1.本发明利用Dempster-Shafer证据理论融合二维与三维路面异物检测结果,并获得道面异物的深度特征和外形轮廓,从而提高了异物检测的准度,提高了道面清理人员的工作效率;
2.本发明针对二维平面图像进行轮廓梯度提取,从而获得精度在0.1像素的角点位置,大大提高了异物的探测精度,降低了误判和漏判的情况发生的概率。
附图说明
图1为本发明图像计算核心分块图;
图2为本发明二维图像的处理过程示意图;
图3为本发明二维图像的预处理流程图;
图4为本发明三维图像的处理过程示意图;
图5为本发明提取激光中心线时所用的算法公式。
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。
实施例:请参阅图1-5,采用二维与三维视觉处理相结合的图像标定方法,包括以下步骤:
步骤一:利用二维图像采集机构和三维图像采集机构分别独立的采集机场道面图像,采集完成后分别将图像反馈给图像计算核心;图像计算核心由三台I7处理器和一台交换机互联组成,用于图像的处理计算,且其中一台I7处理器用于二维图像的采集计算以及融合计算,另外两台I7处理器用于三维图像的采集。二维图像采集机构由十台线阵CCD相机组成,三维图像采集机构由六台面阵CCD相机组成,线阵CCD相机和面阵CCD相机均与对应的I7处理器连接;其中线阵CCD相机均为全千兆相机,并且相互连接,又均与同一台I7处理器连接,而面阵CCD相机均为全速USB3.0相机连接,且每一台I7处理器分别和三台面阵CCD相机连接。
线阵CCD相机在采集图像时须配合扫描运动,面阵CCD相机在采集图像时保持相对静止;线阵CCD相机采集二维图像具有采集速度快,形态学处理简单的优势,可以弥补三维图像的采集时所丢失的道面纹理、外形、光泽等特征。
步骤二:图像计算核心对二维图像采集机构反馈的图像依次进行标定和预处理操作;步骤二中针对二维图像进行的预处理包括有以下步骤:
S1:对标定后的图像进行灰度化和空间滤波处理;
S2:对S1处理后的图像进行分段线性灰度增强处理;
S3:对S2处理后的图像进行分割,然后再进行形态学图像处理;
S4:对S3处理后当图像进行特征提取和识别,并输出结果。
其中空间滤波处理即将所有有噪声的图像叠加起来取平均值来去除噪声,优化图像;另外,在进行灰度化处理过后,往往会导致灰度图像亮度丢失的现象,这样的几何失真是不利于接下来的处理的,因此需要通过灰度插值法进行图像增强,即根据不完全的信息点反推建立完整的信息链。
步骤三:图像计算核心对步骤二处理后的图像进行轮廓梯度提取;步骤三中针对二维图像进行的轮廓梯度提取包括有以下步骤:
S1:令迭代系数次数为t=0,精度控制参数res=0.1;
S2:利用Forstner算子和内插值法进一步提高精度t=t+1;
S3:更新后角点与原角点之间的距离为:
S4:若Δ≤res,或者t≥10,则终止迭代;否则,重复S2、S3,多次迭代后,得精度在0.1像素级别的角点位置。
角点即与周围邻点有着明显差异的点,它指示了图像在二维空间内灰度变化剧烈的位置,即曲线上曲率变化较大的位置,因此,算出了图像上的角点位置,即大致确定了物体的轮廓。
步骤四:图像计算核心对三维图像采集机构反馈的图像进行预处理操作;步骤四中对于三维轮廓图像的预处理包括有以下步骤:
S1:对三维轮廓图像进行灰度化处理;
S2:确定S1处理后的图像中的结构光光条位置,并提取该图像的激光中心线;
S3:将提取的激光中心线,通过权值进行三次均值降噪,输出深度图;
S4:对深度图像进行线性拉伸变换,并采用分水岭算法将异物从背景中分隔出来;
S5:利用Adaboost的识别算法对S4得到的图像进行深度特征识别,并生成深度直方图。
对于激光中心线的提取主要包括光条区域定位、光条中心提取、光线中心拐点提取、特征点拓扑坐标确定、光条点提取以及光条中心亚像素精度计算六个步骤,其中对于光条中心亚像素的求取算法采用灰度平方加权重心法计算,公式如图5所示,其中,gray(x,y)代表坐标位置为位置(x,y)位置的灰度值,X为横向位置也作为权值,在光条位置基本确定,并在目标背景具有较大的灰阶差距时,会有明显优势的提取效果。
步骤五:图像计算核心将步骤三处理后的二维图像与步骤四处理后的三维轮廓图像进行融合运算,最终确定异物形态并获得异物的坐标位置;步骤五中对于二维图像和三维图像的融合处理具体包括有如下步骤:
S1:检测经过步骤三处理后的图像上可能存在的异物;
S2:计算每幅图像上每个异物通过的三维激光光条个数,同时检测三维光条与二维异物线的交点;
S3:根据交点上的每根光条是否发生变形,采用Dempster-Shafer理论融合所有的3D激光光条异物信息,并获得3D结构光检测方法的异物检测结果;
S4:利用Dempster-Shafer证据理论融合二维与三维路面异物检测结果,采用一定的决策规则,对异物信息进行综合的决策判断,获得路面异物检测结果。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且包括没有明确列出的其他要素,或者是包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神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,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.采用二维与三维视觉处理相结合的图像标定方法,其特征在于:包括以下步骤:
步骤一:利用二维图像采集机构和三维图像采集机构分别独立的采集机场道面图像,采集完成后分别将图像反馈给图像计算核心;
步骤二:图像计算核心对二维图像采集机构反馈的图像依次进行标定和预处理操作;
步骤三:图像计算核心对步骤二处理后的图像进行轮廓梯度提取;
步骤四:图像计算核心对三维图像采集机构反馈的图像进行预处理操作;
步骤五:图像计算核心将步骤三处理后的二维图像与步骤四处理后的三维轮廓图像进行融合运算,最终确定异物形态并获得异物的坐标位置;
所述步骤四中对于三维轮廓图像的预处理包括有以下步骤:
S1:对三维轮廓图像进行灰度化处理;
S2:确定S1处理后的图像中的结构光光条位置,并提取该图像的激光中心线;
S3:将提取的激光中心线,通过权值进行三次均值降噪,输出深度图;
S4:对深度图像进行线性拉伸变换,并采用分水岭算法将异物从背景中分隔出来;
S5:利用Adaboost的识别算法对S4得到的图像进行深度特征识别,并生成深度直方图;
所述步骤五中对于二维图像和三维图像的融合处理具体包括有如下步骤:
S1:检测经过步骤三处理后的图像上可能存在的异物;
S2:计算每幅图像上每个异物通过的三维激光光条个数,同时检测三维光条与二维异物线的交点;
S3:根据交点上的每根光条是否发生变形,采用Dempster-Shafer理论融合所有的3D激光光条异物信息,并获得3D结构光检测方法的异物检测结果;
S4:利用Dempster-Shafer证据理论融合二维与三维路面异物检测结果,采用一定的决策规则,对异物信息进行综合的决策判断,获得路面异物检测结果。
2.根据权利要求1所述的采用二维与三维视觉处理相结合的图像标定方法,其特征在于:所述步骤二中针对二维图像进行的预处理包括有以下步骤:
S1:对标定后的图像进行灰度化和空间滤波处理;
S2:对S1处理后的图像进行分段线性灰度增强处理;
S3:对S2处理后的图像进行分割,然后再进行形态学图像处理;
S4:对S3处理后当图像进行特征提取和识别,并输出结果。
3.根据权利要求1所述的采用二维与三维视觉处理相结合的图像标定方法,其特征在于:所述步骤三中针对二维图像进行的轮廓梯度提取包括有以下步骤:
S1:令迭代系数次数为t=0,精度控制参数res=0.1;
S2:利用Forstner算子和内插值法进一步提高精度t=t+1;
S3:更新后角点与原角点之间的距离为:
S4:若Δ≤res,或者t≥10,则终止迭代;否则,重复S2、S3,多次迭代后,得精度在0.1像素级别的角点位置。
4.根据权利要求1所述的采用二维与三维视觉处理相结合的图像标定方法,其特征在于:所述图像计算核心由三台I7处理器和一台交换机互联组成,用于图像的处理计算,且其中一台I7处理器用于二维图像的采集计算以及融合计算,另外两台I7处理器用于三维图像的采集。
5.根据权利要求4所述的采用二维与三维视觉处理相结合的图像标定方法,其特征在于:所述二维图像采集机构由不少于十台的线阵CCD相机组成,所述三维图像采集机构由不少于六台的面阵CCD相机组成,所述线阵CCD相机和面阵CCD相机均与对应的I7处理器连接。
6.根据权利要求5所述的采用二维与三维视觉处理相结合的图像标定方法,其特征在于:所述线阵CCD相机在采集图像时须配合扫描运动,所述面阵CCD相机在采集图像时保持相对静止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010791609.0A CN111932635B (zh) | 2020-08-07 | 2020-08-07 | 采用二维与三维视觉处理相结合的图像标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010791609.0A CN111932635B (zh) | 2020-08-07 | 2020-08-07 | 采用二维与三维视觉处理相结合的图像标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932635A CN111932635A (zh) | 2020-11-13 |
CN111932635B true CN111932635B (zh) | 2023-11-17 |
Family
ID=73307969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010791609.0A Active CN111932635B (zh) | 2020-08-07 | 2020-08-07 | 采用二维与三维视觉处理相结合的图像标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932635B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113000910B (zh) * | 2021-03-01 | 2023-01-20 | 创新奇智(上海)科技有限公司 | 轮毂加工辅助方法、装置、存储介质、控制设备及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706880A (zh) * | 2012-06-26 | 2012-10-03 | 哈尔滨工业大学 | 基于二维图像和深度信息的路面信息提取装置及使用该装置实现路面裂纹信息的检测方法 |
US8326084B1 (en) * | 2003-11-05 | 2012-12-04 | Cognex Technology And Investment Corporation | System and method of auto-exposure control for image acquisition hardware using three dimensional information |
CN105654732A (zh) * | 2016-03-03 | 2016-06-08 | 上海图甲信息科技有限公司 | 一种基于深度图像的道路监控***及方法 |
CN107578464A (zh) * | 2017-06-30 | 2018-01-12 | 长沙湘计海盾科技有限公司 | 一种基于线激光扫描的传送带工件三维轮廓测量方法 |
CN109166125A (zh) * | 2018-07-06 | 2019-01-08 | 长安大学 | 一种基于多边缘融合机制的三维深度图像分割算法 |
US10205929B1 (en) * | 2015-07-08 | 2019-02-12 | Vuu Technologies LLC | Methods and systems for creating real-time three-dimensional (3D) objects from two-dimensional (2D) images |
CN110456377A (zh) * | 2019-08-15 | 2019-11-15 | 中国人民解放军63921部队 | 一种基于三维激光雷达的卫星来袭异物检测方法和*** |
CN111476767A (zh) * | 2020-04-02 | 2020-07-31 | 南昌工程学院 | 一种基于异源图像融合的高铁扣件缺陷识别方法 |
-
2020
- 2020-08-07 CN CN202010791609.0A patent/CN111932635B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8326084B1 (en) * | 2003-11-05 | 2012-12-04 | Cognex Technology And Investment Corporation | System and method of auto-exposure control for image acquisition hardware using three dimensional information |
CN102706880A (zh) * | 2012-06-26 | 2012-10-03 | 哈尔滨工业大学 | 基于二维图像和深度信息的路面信息提取装置及使用该装置实现路面裂纹信息的检测方法 |
US10205929B1 (en) * | 2015-07-08 | 2019-02-12 | Vuu Technologies LLC | Methods and systems for creating real-time three-dimensional (3D) objects from two-dimensional (2D) images |
CN105654732A (zh) * | 2016-03-03 | 2016-06-08 | 上海图甲信息科技有限公司 | 一种基于深度图像的道路监控***及方法 |
CN107578464A (zh) * | 2017-06-30 | 2018-01-12 | 长沙湘计海盾科技有限公司 | 一种基于线激光扫描的传送带工件三维轮廓测量方法 |
CN109166125A (zh) * | 2018-07-06 | 2019-01-08 | 长安大学 | 一种基于多边缘融合机制的三维深度图像分割算法 |
CN110456377A (zh) * | 2019-08-15 | 2019-11-15 | 中国人民解放军63921部队 | 一种基于三维激光雷达的卫星来袭异物检测方法和*** |
CN111476767A (zh) * | 2020-04-02 | 2020-07-31 | 南昌工程学院 | 一种基于异源图像融合的高铁扣件缺陷识别方法 |
Non-Patent Citations (6)
Title |
---|
Automatic Extraction of Railroad Centerlines from Mobile Laser Scanning Data;Sandr Oude Elberink 等;《remote sensing》;1-19 * |
Training convolutional neural network from multi-domain contour images for 3D shape retrieval;Zongxiao Zhu 等;《Pattern Recognition Letters》;1-8 * |
一般大气环境下锈蚀结构钢表面特征与随机模型;王友德 等;《金属学报》;第56卷(第2期);148-160 * |
基于多模态信息的机器人视觉识别与定位研究;魏玉锋 等;《光电工程》;第45卷(第2期);170650-1-12 * |
基于深度图像的建筑物点云平面边界线提取算法;赵玲娜 等;《测绘地理信息》;第42卷(第3期);48-52 * |
基于视觉的无人驾驶车辆运动控制的研究;刘红星;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;C035-18 * |
Also Published As
Publication number | Publication date |
---|---|
CN111932635A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103047943B (zh) | 基于单投射编码结构光的车门外板形状尺寸检测方法 | |
CN103714541B (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
CN104299260B (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
CN105260737B (zh) | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN101398886A (zh) | 一种基于双目被动立体视觉的快速三维人脸识别方法 | |
CN112825192B (zh) | 基于机器学习的对象辨识***及其方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN113011388B (zh) | 一种基于车牌及车道线的车辆外轮廓尺寸检测方法 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
Li et al. | Road markings extraction based on threshold segmentation | |
CN117058646B (zh) | 基于多模态融合鸟瞰图的复杂道路目标检测方法 | |
CN112683228A (zh) | 单目相机测距方法及装置 | |
CN111932635B (zh) | 采用二维与三维视觉处理相结合的图像标定方法 | |
CN113902709B (zh) | 引导飞机复合材料蒙皮修复的表面平整度实时分析方法 | |
CN114549549B (zh) | 一种动态环境下基于实例分割的动态目标建模跟踪方法 | |
Jing et al. | Island road centerline extraction based on a multiscale united feature | |
CN117710458A (zh) | 一种基于双目视觉的舰载机着舰过程相对位置测量方法及*** | |
CN112733678A (zh) | 测距方法、装置、计算机设备和存储介质 | |
CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
CN114565629A (zh) | 一种基于多尺度邻域的大型蒙皮边缘缺陷检测方法 | |
CN111553876B (zh) | 一种气动光学视线误差图像处理方法及*** | |
CN111445578A (zh) | 一种地图三维道路特征识别方法和*** | |
Gauci et al. | Correspondence and clustering methods for image-based wing-tip collision avoidance techniques | |
Qingii et al. | Airport PAPI Lamp Image Detection Algorithm Based on Saliency and Configuration Features |
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 |