CN113192126A - 一种基于图像圆形物体识别的测距定位方法 - Google Patents

一种基于图像圆形物体识别的测距定位方法 Download PDF

Info

Publication number
CN113192126A
CN113192126A CN202110417685.XA CN202110417685A CN113192126A CN 113192126 A CN113192126 A CN 113192126A CN 202110417685 A CN202110417685 A CN 202110417685A CN 113192126 A CN113192126 A CN 113192126A
Authority
CN
China
Prior art keywords
image
points
positioning
camera
circular object
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.)
Pending
Application number
CN202110417685.XA
Other languages
English (en)
Inventor
刘毅
郝雅婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202110417685.XA priority Critical patent/CN113192126A/zh
Publication of CN113192126A publication Critical patent/CN113192126A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像圆形物体识别的测距定位方法，所述方法通过摄像机采集监测区域内的数字图像，对数字图像进行处理，判定圆形物体，对包括圆形物体的图像进行测距，得到摄像机圆形物体的距离，实现摄像机的测距定位。所述方法可有效去除图像中的干扰噪声，并去除图像中直线、矩形、多边型等轮廓包含直线线段的物体，快速、准确地识别平面圆形物体，进而实现精确定位，解决了限定空间中无线电定位定位精度无法进一步提高的技术问题。所述方法兼具快速性和准确性等优点，易于程序实现，有望在煤矿井下等限定空间中的移动目标定位领域得到广泛推广应用。

Description

一种基于图像圆形物体识别的测距定位方法
技术领域
本发明涉及基于一种基于图像圆形物体识别的测距定位方法，该方法涉及数字图像处理、测距、定位等领域。
背景技术
随着技术通信、信息等领域科学技术的飞速发展，数字图像处理、大数据、人工智能等信息技术已广泛应用于生活和生产活动中，特别是数字图像处理技术，已应用于监测、监控、身份识别、文字识别、无人驾驶等领域，很多国内外学者已开始研究应用数字图像处理技术进行目标定位的相关技术。在开放空间一般采用卫星定位技术进行目标定位，但在室内、隧道、煤矿井下等限定空间中，无法接收卫星无线电波信号，无法使用卫星定位技术，因此在限定空间一般采用RSSI、TOA、TDOA等无线电测距技术进行定位。但限定空间中由于物体阻挡等存在无线电波衰减模型复杂，和无线电波的反射、折射等干扰因素，以煤矿井下定位为例，煤矿井下巷道分支、弯曲、倾斜，巷道断面尺寸和形状，巷道围岩及支护，巷道中设备和导体等，均影响着无线电信号传输衰减，无法建立统一的无线电波衰减模型，基于RSSI的井下定位***误差可达10米以上；煤矿井下还存在巷道分支、弯曲和倾斜，胶轮车、电机车、带式输送机、移动变电站等设备和作业人员等对无线电波的反射、折射，基于TOA、TDOA等无线电测距技术的定位***定位精度最高为0.3米，定位精度难以进一步提高。应用数字图像处理技术进行目标定位，可从不同的技术层面解决现有限定空间中定位技术的问题。使用图像识别进行定位的主要需要解决定位标志物的识别问题和测距问题，特别是图像特征较为明显的圆形物体的识别和测距问题，因此需要一种适合煤矿等限定空间环境的、简单有效、建设成本低且定位精度高的定位方法，进而保障生产作业的安全。
发明内容
本发明提供了一种基于图像圆形物体识别的测距定位方法，利用平面圆形的特有特征，实现对图像采集设备的定位。所述方法可有效去除图像中的干扰噪声，并去除图像中直线、矩形、多边型等轮廓包含直线线段的物体，快速、准确地识别平面圆形物体，进而实现精确定位，解决了限定空间中无线电定位定位精度无法进一步提高的技术问题。所述方法兼具快速性和准确性等优点，易于程序实现，有望在煤矿井下等限定空间中的移动目标定位领域得到广泛推广应用。
所述测距定位方法包括：在监测区域内放置已知直径的平面的圆形物体，通过摄像机采集监测区域内的数字图像，对数字图像进行处理，判定圆形物体，对包括圆形物体的图像进行测距，得到摄像机圆形物体的距离，实现摄像机的测距定位；所述判定圆形物体的过程包括预处理、粗过滤处理、检测圆形处理；
所述预处理用于得到边缘二值化图像；
所述粗过滤处理用于检测和去除边缘二值化图像中的直线与多边形；
所述检测圆形处理用于检测经过粗过滤后图像中的圆形物体。
所述预处理的过程包括：
(1)灰度化处理，将彩色图像转换为灰度图像；
(2)平滑降噪，去除灰度图像中的噪声像素；
(3)寻找梯度模值及方向；
(4)梯度幅值的非极大化抑制；
(5)边缘连接及二值化输出。
1.所述预处理的过程进一步包括：设边缘二值图像在直角坐标系所有非零点的集合为E＝(e1,e2,e3,...,ek)，k为非零点的个数，设定容差t，所述粗过滤处理的过程包括：
(1)选取边缘二值化图像中像素点连通的线上的五个点e1、e2、e3、e4、e5，对应的坐标分别为(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，(x5,y5)，这五个点的约束条件为x1至x5的值一次等差递增，且x1至x5之间所含点数不能超过多边形的边长点数；
(2)计算是否满足(y3-y1)·(x2-x1)-(x3-x1)·(y2-y1)≤t，如满足则置零e1、e2、e3、e4、e5点及其连通域，并返回步骤(1)；否则执行步骤(3)；
(3)计算是否满足(y5-y3)·(x4-x3)-(x4-x3)·(y5-y3)≤t，如满足则置零e1、e2、e3、e4、e5点及其连通域，并结束粗过滤处理过程；
(4)判定是否遍历所有非零点，如未遍历则返回步骤(1)继续执行，否则结束粗过滤处理过程。
2.所述预处理的过程进一步包括：建立五维坐标系OBCDEF的五维参数空间，将五维参数空间均匀量化分隔为l个格子，量化分隔的格子单元集合为U＝{u1,u2,u3,...,ul}，第i个的格子单元表示为ui＝{Bi,Ci,Di,Ei,Fi}，其中Bi,Ci,Di,Ei,Fi为该格子的中心点坐标，每个格中对应一个初始值为零的累加器记为T1,T2,T3,...,Tl，设定参数误差阈值t2，设定累加器阈值t1；设经粗过滤处理后的图像在直角坐标系所有非零点的集合为E′＝{e1,e2,e3,...,eq}，q为现存非零点的个数，，所述检测圆形处理的过程包括：
(1)在E′集合中随机选取五个点e1、e2、e3、e4、e5，对应的坐标分别为(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，(x5,y5)
(2)将步骤(1)选取的五个点的坐标分别代入以下公式
x2+Bxy+Cy2+Dx+Ey+F＝0
得到方程组
Figure BDA0003026610970000031
求解该方程组，若有解则执行步骤(2)，否则返回步骤(1)；
(3)判定步骤(2)得到的椭圆参数u0＝{B0,C0,D0,E0,F0}是否满足
Figure BDA0003026610970000032
如满足则执行步骤(4)，否则返回步骤(1)；
(4)将步骤(2)得到的椭圆参数u0与U中各元素进行差值运算，如ui与u0的差小于设定阈值t2，即满足
Figure BDA0003026610970000033
，则ui对应的累加器Ti的数值加一。
(5)判定是否遍历所有非零点，如未遍历则返回步骤(1)继续执行，否则输出满足Ti＞t1的ui＝{Bi,Ci,Di,Ei,Fi}，验证是否满足
Figure BDA0003026610970000034
如满足则认为检测到椭圆，其参数为ui，执行步骤(6)；否则认为没有检测到椭圆，结束检测圆形处理的过程；
(6)计算椭圆长轴
Figure BDA0003026610970000041
输出长轴长度d，结束检测圆形处理的过程。
3.所述预处理的过程进一步包括：根据公式u＝f(d)实现摄像机的测距定位，式中u为摄像机到圆形物体的距离，d检测圆形处理得到的图像中圆形物体投影椭圆的长轴长度；所述公式的确定方法为，选择一个已知直径的圆模板，通过所述摄像头采集多组不同距离圆模板图像，通过预处理、检测圆形处理获得成像椭圆的长轴长d，将椭圆长轴长d和距离u通过拟合的手段得到两者的函数关系u＝f(d)。
附图说明
图1一种基于图像圆形物体识别的测距定位方法应用示例图。
图2一种基于图像圆形物体识别的测距定位方法总体流程图。
图3判定圆形物体总流程图。
图4预处理流程图。
图5粗过滤处理流程图。
图6检测圆形处理流程图。
具体实施方式
所述基于图像圆形物体识别的测距定位方法应用示例如图1所示，在一个矩形限定空间中，在边缘间隔一定距离放置具有唯一性特征的平面的圆形物体作为标志物(101)，移动目标携带摄像机(102)采集包括标志物的图像，应用所述测距定位方法可检测到图像中的标志物并测距定位。
基于图像圆形物体识别的测距定位方法总体流程如图2所示，步骤包括：
1.(201)移动目标携带摄像机采集包括作为标志物的圆形物体图像。
2.(202)对步骤(201)所采集的图像进行判定圆形物体处理，判定图像中是否包括作为标志物的圆形物体，如判定包括圆形物体，则执行(203)，否则结束此次处理过程，返回重新采集图像并处理。
3.(203)对经过步骤(202)判定处理的图像进行测距处理，根据图像中圆形物体的投影椭圆长轴计算得到摄像机与圆形物体距离，进而根据圆形物体的位置得到摄像机的位置。
判定圆形物体包括的处理步骤如图3所示，包括：
1.(301)预处理，用于得到边缘二值化图像。
2.(302)粗过滤处理，用于检测和去除边缘二值化图像中的直线与多边形。
3.(303)检测圆形处理，用于检测经过粗过滤后图像中的圆形物体投影椭圆，并获得椭圆长轴。
预处理包括的处理步骤如图4所示，包括：
1.(401)灰度化处理，将彩色图像转换为灰度图像。使用的灰度化算法为加权平均法，其算法公式为f(x,y)＝0.299×R(x,y)+0.587×G(x,y)+0.114×B(x,y)，其中式中，f(x,y)为坐标(x,y)处图像灰度化后输出的灰度值，R(x,y)、G(x,y)、B(x,y)分别为红、绿、蓝三个通道的值。
2.(402)平滑降噪，去除灰度图像中的噪声像素。使用的高斯平滑函数为：
Figure BDA0003026610970000051
令g(x,y)为平滑后的图像，用h(x,y,σ)对图像f(x,y)的平滑公式可表示为:g(x,y)＝h(x,y,σ)*f(x,y)，其中*代表卷积。
3.(403)寻找梯度模值及方向。使用Sobel算子计算梯度，可以得到相对明亮粗壮的边缘。过程如下：
水平方向的差分Gx(x,y)：
Figure BDA0003026610970000052
竖直方向的差分Gy(x,y)：
Figure BDA0003026610970000053
其中A(x,y)是以点(x,y)为中心以该模板为窗口内的所有点。
梯度模值M(x,y)：
Figure BDA0003026610970000054
梯度方向θ(x,y)：
θ(x,y)＝arctan[Gx(x,y)/Gy(x,y)]
梯度角度θ范围从弧度-π到π，然后将它近似到四个方向，分别代表水平，垂直和两个对角线方向(0°,45°,90°,135°)
4.(404)梯度幅值的非极大化抑制。寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，去除大部分的非边缘点，具体过程：对于一点P(x,y)，计算点梯度方向与其8连通邻域点所组成的正方形的交点(x1,y1)和(x2,y2)，交点坐标通过插值法得到。如果P(x,y)的值和这两个交点的梯度相比最大，保留P(x,y)的值，否则置零，即抑制。
5.(405)边缘连接及二值化输出。消除因噪声的影响造成的本应该连续的边缘出现断裂的问题，得到边缘二值图。设定两个阈值一大一小将边缘像素分为三类：强边缘点、弱边缘点、非边缘点。即边缘像素点梯度值比设定的高阀值大，就标记为强边缘点。若边缘梯度值在高阀值和低阀值之间，则认为是弱边缘点。若低于低阀值的点，认为是非边缘像素点直接被置零抑制掉。最后采用再对弱边缘点的8连通领域像素进行检查，只要有强边缘点存在，那么这个弱边缘点被认为是真是边缘保留下来。最后留下的点连接起来，得到边界图。根据灰度图的特点，背景和主体一般可区分为两个部分，用程序计算图像两部分之间的类间方差，这个类间方差值越大，说明两部分的差别越大，分割的效果越好，这样通过全局阈值得到一个0到1之间的标准化灰度值，获得一个自适应阈值作为二值化的分割依据将图片变为黑白二值图像。
粗过滤处理包括的步骤如图5所示，包括：
1.(501)选取边缘二值化图像中像素点连通的线上的五个点e1、e2、e3、e4、e5，对应的坐标分别为(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，(x5,y5)，这五个点的约束条件为x1至x5的值一次等差递增，且x1至x5之间所含点数不能超过多边形的边长点数。
2.(502)计算判定是否满足(y3-y1)·(x2-x1)-(x3-x1)·(y2-y1)≤t，如满足则执行(504)；否则执行(503)。
3.(503)计算判定是否满足(y5-y3)·(x4-x3)-(x4-x3)·(y5-y3)≤t，如满足则执行(504)；否则执行(505)。
4.(504)置零5个点及其连通域像素。
5.(505)判定是否遍历了所有点，如已遍历则结束粗过滤处理，否则返回(501)继续执行。
检测圆形处理包括的步骤如图6所示，检测圆形处理需先建立五维坐标系OBCDEF的五维参数空间，将五维参数空间均匀量化分隔为l个格子，量化分隔的格子单元集合为U＝{u1,u2,u3,...,ul}，第i个的格子单元表示为ui＝{Bi,Ci,Di,Ei,Fi}，其中Bi,Ci,Di,Ei,Fi为该格子的中心点坐标，每个格中对应一个初始值为零的累加器记为T1,T2,T3,...,Tl，设定参数误差阈值t2，设定累加器阈值t1，t1、t2的值可参考经验值设定。检测圆形处理过程具体包括：
1.(601)随机选取五个点e1、e2、e3、e4、e5，对应的坐标分别为(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，(x5,y5)。
2.(602)将(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，(x5,y5)带入公式x2+Bxy+Cy2+Dx+Ey+F＝0，得到方程组
Figure BDA0003026610970000071
，解方程组，若有解则执行(603)，否则返回(601)。
3.(603)判定(602)得到的椭圆参数u0＝{B0,C0,D0,E0,F0}是否满足
Figure BDA0003026610970000072
如满足则执行(604)，否则返回(605)。
4.(604)将(603)得到的椭圆参数u0与U中各元素进行差值运算，如ui与u0的差小于设定阈值t2，则ui对应的累加器Ti的数值加一。
5.(605)判定是否遍历了所有点，如已遍历则执行(606)，否则返回(601)继续执行。
6.(606)判定存在满足Ti＞t1的ui，如果存在则执行(607)，否则判定未检测到圆形物体，结束检测圆形处理的过程。
7.(607)判定(606)得到的椭圆参数ui是否满足
Figure BDA0003026610970000073
如满足则执行(608)，)，否则判定未检测到圆形物体，结束检测圆形处理的过程。
8.(608)计算椭圆长轴d，
Figure BDA0003026610970000081
输出长轴长度d，结束检测圆形处理的过程。

Claims (5)

1.一种基于图像圆形物体识别的测距定位方法，其特征在于：在监测区域内放置已知直径的平面的圆形物体，通过摄像机采集监测区域内的数字图像，对数字图像进行处理，判定圆形物体，对包括圆形物体的图像进行测距，得到摄像机圆形物体的距离，实现摄像机的测距定位；所述判定圆形物体的过程包括预处理、粗过滤处理、检测圆形处理；
所述预处理用于得到边缘二值化图像；
所述粗过滤处理用于检测和去除边缘二值化图像中的直线与多边形；
所述检测圆形处理用于检测经过粗过滤后图像中的圆形物体。
2.如权利要求1所述的测距定位方法，其特征在于：所述预处理的过程包括：
(1)灰度化处理，将彩色图像转换为灰度图像；
(2)平滑降噪，去除灰度图像中的噪声像素；
(3)寻找梯度模值及方向；
(4)梯度幅值的非极大化抑制；
(5)边缘连接及二值化输出。
3.如权利要求1所述的测距定位方法，其特征在于：设边缘二值图像在直角坐标系所有非零点的集合为E＝(e1,e2,e3,...,ek)，k为非零点的个数，设定容差t，所述粗过滤处理的过程包括：
(1)选取边缘二值化图像中像素点连通的线上的五个点e1、e2、e3、e4、e5，对应的坐标分别为(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，(x5,y5)，这五个点的约束条件为x1至x5的值一次等差递增，且x1至x5之间所含点数不能超过多边形的边长点数；
(2)计算是否满足(y3-y1)·(x2-x1)-(x3-x1)·(y2-y1)≤t，如满足则置零e1、e2、e3、e4、e5点及其连通域，并返回步骤(1)；否则执行步骤(3)；
(3)计算是否满足(y5-y3)·(x4-x3)-(x4-x3)·(y5-y3)≤t，如满足则置零e1、e2、e3、e4、e5点及其连通域，并结束粗过滤处理过程；
(4)判定是否遍历所有非零点，如未遍历则返回步骤(1)继续执行，否则结束粗过滤处理过程。
4.如权利要求1所述的测距定位方法，其特征在于：建立五维坐标系OBCDEF的五维参数空间，将五维参数空间均匀量化分隔为l个格子，量化分隔的格子单元集合为U＝{u1,u2,u3,...,ul}，第i个的格子单元表示为ui＝{Bi,Ci,Di,Ei,Fi}，其中Bi,Ci,Di,Ei,Fi为该格子的中心点坐标，每个格中对应一个初始值为零的累加器记为T1,T2,T3,...,Tl，设定参数误差阈值t2，设定累加器阈值t1；设经粗过滤处理后的图像在直角坐标系所有非零点的集合为E′＝{e1,e2,e3,...,eq}，q为现存非零点的个数，所述检测圆形处理的过程包括：
(1)在E′集合中随机选取五个点e1、e2、e3、e4、e5，对应的坐标分别为(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，(x5,y5)
(2)将步骤(1)选取的五个点的坐标分别代入以下公式
x2+Bxy+Cy2+Dx+Ey+F＝0
得到方程组
Figure FDA0003026610960000021
求解该方程组，若有解则执行步骤(2)，否则返回步骤(1)；
(3)判定步骤(2)得到的椭圆参数u0＝{B0,C0,D0,E0,F0}是否满足
Figure FDA0003026610960000022
如满足则执行步骤(4)，否则返回步骤(1)；
(4)将步骤(2)得到的椭圆参数u0与U中各元素进行差值运算，如ui与u0的差小于设定阈值t2，即满足
Figure FDA0003026610960000023
，
则ui对应的累加器Ti的数值加一；
(5)判定是否遍历所有非零点，如未遍历则返回步骤(1)继续执行，否则判定满足Ti＞t1的ui，验证是否满足
Figure FDA0003026610960000031
如满足则认为检测到椭圆，其参数为ui，执行步骤(6)；否则认为没有检测到椭圆，结束检测圆形处理的过程；
(6)计算椭圆长轴
Figure FDA0003026610960000032
输出长轴长度d，结束检测圆形处理的过程。
5.如权利要求1所述的测距定位方法，其特征在于：根据公式u＝f(d)实现摄像机的测距定位，式中u为摄像机到圆形物体的距离，d检测圆形处理得到的图像中圆形物体投影椭圆的长轴长度；所述公式的确定方法为，选择一个已知直径的圆模板，通过所述摄像头采集多组不同距离圆模板图像，通过预处理、检测圆形处理获得成像椭圆的长轴长d，将椭圆长轴长d和距离u通过拟合的手段得到两者的函数关系u＝f(d)。
CN202110417685.XA 2021-04-19 2021-04-19 一种基于图像圆形物体识别的测距定位方法 Pending CN113192126A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110417685.XA CN113192126A (zh) 2021-04-19 2021-04-19 一种基于图像圆形物体识别的测距定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110417685.XA CN113192126A (zh) 2021-04-19 2021-04-19 一种基于图像圆形物体识别的测距定位方法

Publications (1)

Publication Number Publication Date
CN113192126A true CN113192126A (zh) 2021-07-30

Family

ID=76977510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110417685.XA Pending CN113192126A (zh) 2021-04-19 2021-04-19 一种基于图像圆形物体识别的测距定位方法

Country Status (1)

Country Link
CN (1) CN113192126A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332077A (zh) * 2022-03-02 2022-04-12 国网江西省电力有限公司电力科学研究院 基于ransac的轻量型表盘识别方法
CN114663645A (zh) * 2022-04-02 2022-06-24 河海大学 一种基于图像识别的图像定位方法
CN116524017A (zh) * 2023-03-13 2023-08-01 明创慧远科技集团有限公司 一种用于矿山井下检测识别定位***

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332077A (zh) * 2022-03-02 2022-04-12 国网江西省电力有限公司电力科学研究院 基于ransac的轻量型表盘识别方法
CN114663645A (zh) * 2022-04-02 2022-06-24 河海大学 一种基于图像识别的图像定位方法
CN114663645B (zh) * 2022-04-02 2024-02-23 河海大学 一种基于图像识别的图像定位方法
CN116524017A (zh) * 2023-03-13 2023-08-01 明创慧远科技集团有限公司 一种用于矿山井下检测识别定位***
CN116524017B (zh) * 2023-03-13 2023-09-19 明创慧远科技集团有限公司 一种用于矿山井下检测识别定位***

Similar Documents

Publication Publication Date Title
CN107154040B (zh) 一种隧道衬砌表面图像裂缝检测方法
CN113192126A (zh) 一种基于图像圆形物体识别的测距定位方法
CN107808378B (zh) 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法
CN107358617B (zh) 一种探地雷达记录剖面中目标顶点的检测方法
CN102706291B (zh) 一种道路曲率半径自动测量方法
CN102540264B (zh) 一种人体隐私部位自动检测与遮挡的微波安检***
CN115115612B (zh) 一种用于机械配件的表面缺陷检测方法及***
CN102346850A (zh) 复杂金属背景下DataMatrix条码区域定位方法
CN113487722B (zh) 一种基于三维激光扫描方法的混凝土构件自动化检测方法
CN105574521A (zh) 房屋轮廓提取方法和装置
CN115564771A (zh) 一种基于建筑物基柱的混凝土裂纹识别方法
CN112528868B (zh) 一种基于改进Canny边缘检测算法的违章压线判别方法
CN110619328A (zh) 基于图像处理和深度学习的船舶水尺读数智能识别方法
CN116740072B (zh) 基于机器视觉的道路表面缺陷检测方法及***
CN112102287B (zh) 一种基于图像的生球裂纹自动检测与识别方法
CN111968224A (zh) 船舶3d扫描点云数据处理方法
CN111091071B (zh) 基于探地雷达双曲波拟合的地下目标检测方法及***
CN103186900B (zh) 一种InSAR水体和阴影区域自动提取和识别的方法
CN117197700B (zh) 智能化无人巡检接触网缺陷识别***
CN116468729B (zh) 一种汽车底盘异物检测方法、***及计算机
CN113012181A (zh) 一种基于Hough变换的新型类圆形检测方法
CN113408519A (zh) 一种基于模板旋转匹配的指针仪表读数的方法及***
CN117233762A (zh) 一种基于gb-sar的水库监测方法
CN116184407B (zh) Sar影像辐射质量问题自动化标记方法、装置及设备
CN111428538B (zh) 一种车道线提取方法、装置和设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication