CN114049399B - 一种结合rgbd图像的镜面定位方法 - Google Patents
一种结合rgbd图像的镜面定位方法 Download PDFInfo
- Publication number
- CN114049399B CN114049399B CN202210034516.2A CN202210034516A CN114049399B CN 114049399 B CN114049399 B CN 114049399B CN 202210034516 A CN202210034516 A CN 202210034516A CN 114049399 B CN114049399 B CN 114049399B
- Authority
- CN
- China
- Prior art keywords
- mirror
- mask
- image
- color
- depth
- 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
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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种结合RGBD图像的镜面定位方法,涉及视觉识别与定位技术领域,该方法包括:步骤S1:由机器人对深度图像上镜子进行初步定位;步骤S2:定位完成后,对彩色图像上镜子边框进行提取;步骤S3:提取完成之后,进行彩色图像到深度图像的坐标变换,完成最终定位。本发明能够准确的识别和定位镜子,有对室内机器人的工作有重要的支撑作用;广泛的适应于各种场景下的镜子定位,有很好的通用性以及抗干扰性,对于复杂的背景墙都能适应。
Description
技术领域
本发明涉及图像处理、视觉识别与定位技术领域,具体地,涉及一种结合RGBD图像的镜面定位方法。
背景技术
目前,酒店客房清洁工作量大,成本高,质量难以保证,并且酒店客房清洁是一个标准化流程,每间客房的清洁工作几乎完全一致,存在大量可重复性工作,适合机器人操作。
公开号为CN111652069A的中国发明专利,公开了一种移动机器人的目标识别与定位方法,包括识别步骤、定位步骤,所述识别步骤的子步骤包括图像采集步骤、滤波步骤、边缘检测步骤、特征提取步骤,所述定位步骤的子步骤包括成像建模步骤、畸变纠正步骤、重新定位步骤、计算步骤。其有益效果是:改善了机器人对目标定位不准,时效性差的问题,提高了计算效率及定位精度,实时性好。
在室内场景下,机器人与环境的交互,需要视觉对场景的物品进行识别和定位。同过视觉图像的处理,识别出室内各个物品并计算出物品的位置信息,从而指导机器人的动作。
室内场景下的对物品镜子定位,镜子本身特征不明显,并且由于镜子的能够反射周围环境的光线,导致镜子不能呈现统一的表现特征,从而导致镜子的识别和定位非常困难。镜子形态多样,镜子识别算法难以覆盖各种场景,且镜子场景的干扰多,难以准确定位,获取镜子的坐标信息不全面,不易得到镜子的三维坐标信息。
发明内容
针对现有技术中的缺陷,本发明提供一种结合RGBD图像的镜面定位方法。
根据本发明提供的一种结合RGBD图像的镜面定位方法及***,所述方案如下:
第一方面,提供了一种结合RGBD图像的镜面定位方法,所述方法包括:
步骤S1:由机器人对深度图像上镜子进行初步定位;
步骤S2:定位完成后,对彩色图像上镜子边框进行提取;
步骤S3:提取完成之后,进行彩色图像到深度图像的坐标变换,完成最终定位。
优选的,所述步骤S1包括:
步骤S1.1:基于集合树对深度图像进行分割;
步骤S1.2:基于导数估计对墙面区域进行分割;
步骤S1.3:对镜面区域进行分割,并计算得到镜面区域包围框二值图掩模。
优选的,所述步骤S1.1包括:
步骤S1.1.1:对深度图像DepthImg像素进行聚类,设定距离阈值T,遍历深度图像中的每个像素,对像素值V(i,j)查看该像素的多个领域,若领域的像素值V(i+n,j+m),|n|+|m|<2和该像素值的差的绝对值小于距离阈值,则领域像素和该像素分为一类;
步骤S1.1.2:深度图像聚类后,筛选出包含像素最多的一类,根据其中的像素坐标,生成二值图像Mask1。
优选的,所述步骤S1.2包括:
步骤S1.2.1:对深度图像分别求取x和y方向的sobel图像,记为S_x,S_y;使用Mask1分别对S_x,S_y图像做乘法:
S_x(i,j)=S_x(i,j)*Mask1(i,j);
S_y(i,j)=S_y(i,j)*Mask1(i,j);
步骤S1.2.2:分别求取S_x,S_y的直方图,再分别求取两个直方图的峰值,记为Peak_x,Peak_Y;
设定范围距离阈值为R,分别在S_x,S_y根据灰度区间(Peak_x-R,Peak_x+R),(Peak_y-R,Peak_y+R)进行二值分割,分别得到Q_x,Q_y;
步骤S1.2.3:连乘Q_x*Q_y*Mask1=Mask2,Mask2即为包含墙面深度像素的二值图掩模;
步骤S1.2.4:使用Mask2,在深度图像上扣取深度信息,记为DepthWallImg,DepthImg*Mask2=DepthWallImg;
步骤S1.2.5:根据深度相机内参,将DepthWallImg图像换算为3D点云,并使用ransac算法拟合出平面方程。
优选的,所述步骤S1.3包括:
步骤S1.3.1:基于平面方程,生成该平面的深度图像Depth2,设定距离阈值Dist,使DepthImg减去Depth2,对应像素超出距离阈值Dist的,视为墙后的镜面区域Mask_mirror,深度图像上镜面区域Mask_mirror的二值图掩模为:
Mask_mirror=DepthImg-Depth2;
其中,DepthImg-Depth2>Dist;
步骤S1.3.2:对镜面掩模Mask_mirror进行闭运算,得到Mask_c1,再进行膨胀运算,得到Mask_c1_d2;使用Mask_c1_d2减去Mask_c1,得到镜面区域包围框二值图掩模:
Mask_surround= Mask_c1_d2-Mask_c1。
优选的,所述步骤S2包括:
步骤S2.1:对彩色图像上的特征线条进行提取,即使用opencv相关算法提取彩色图像上线条特征;
步骤S2.2:计算镜面包围框到彩色图像上的映射和边界矩形;
步骤S2.3:计算边界线条的聚合及边界线;
步骤S2.4:拟合直线,计算各个边框直线的交点。
优选的,所述步骤S2.2包括:
步骤S2.2.1:根据深度图像和彩色图像相机的内参,将深度图像上的镜面区域包围框Mask_surround换算到彩色图像上,记为Mask_color;
步骤S2.2.2:对Mask_color进行闭运算,记为Mask_color_c1;
步骤S2.2.3:分别构建结构元素S1(40*3),S2(3*40),对Mask_color_c1二值图进行开运算,分别得到Mask_color_o1,Mask_color_o2;
步骤S2.2.4:分别对Mask_color_o1,Mask_color_o2进行连通域分割,最终得到4或3个矩形,分别对应镜子的上下左右4或3个位置;当镜子较高,镜子的上边界超出了相机的视野时,只能检测出镜子的3个边缘位置。
优选的,所述步骤S2.3包括:
步骤S2.3.1:设定角度差值Ang,设定距离阈值为Dist;
步骤S2.3.2:分别处理步骤S2.2.4中的4或3个矩形框,计算矩形对应的长轴;
步骤S2.3.3:遍历步骤S2.1中提取的特征线条,如果线条和某一个长轴的夹角小于Ang,并且线条的中点与中点在主轴上的投影点的距离小于Dist,则该线条属于这个长轴。
优选的,所述步骤S2.4包括:
步骤S2.4.1:每一个长轴得到了相应的线条,对一个长轴的所有线条进行点的抽样,其中线条的起点和终点默认抽样为点,设定抽样步长step,线条每间隔一段,增一个抽样点;
步骤S2.4.2:对每一个长轴的抽样点集,使用最小二乘法进行拟合,计算出对应直线方程;
步骤S2.4.3:对4或3个直线方程两两计算直线的角点,得到镜子在彩色图像上的4或2个角点。
优选的,所述步骤S3包括:根据深度图像和彩色图像相机的内参,将彩色图像上的多个角点换算到深度图像上,得到最终的镜子多个角点的坐标。
与现有技术相比,本发明具有如下的有益效果:
1、镜子作为室内环境中非常重要的一个物品,准确的识别和定位镜子,有对室内机器人的工作有重要的支撑作用;
2、广泛的适应于各种场景下的镜子定位,镜子算法有很好的通用性;
3、镜子算法有很好的抗干扰性,对于复杂的背景墙都能适应。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明镜面定位算法流程图;
图2为镜面区域的二值掩模图;
图3为镜面区域包围框二值图掩模;
图4为图像上提取线条特征图;
图5为镜子边界矩形框图;
图6为图上镜子坐标和角点。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种结合RGBD图像的镜面定位方法,参照图1所示,该方法如下:首先,步骤S1:由机器人对深度图像上镜子进行初步定位,具体地,
步骤S1.1:基于集合树对深度图像进行分割:
对深度图像DepthImg像素进行聚类,设定距离阈值T,如T=70,遍历深度图像中的每个像素,对像素值V(i,j)查看该像素的4个领域,若领域的像素值V(i+n,j+m)(|n|+|m|<2)和该像素值的差的绝对值小于距离阈值,则领域像素和该像素分为一类。
深度图像聚类后,筛选出包含像素最多的一类,根据其中的像素坐标,生成二值图像Mask1,本实施例中属于该类别的设置为1,不属于该类别的设置为0;Mask1是主要的分割面,包含了墙面部分。
步骤S1.2:基于导数估计对墙面区域进行分割:
对深度图像分别求取x和y方向的sobel图像,记为S_x,S_y;使用Mask1分别对S_x,S_y图像做乘法:
S_x(i,j)=S_x(i,j)*Mask1(i,j);
S_y(i,j)=S_y(i,j)*Mask1(i,j);
分别求取S_x,S_y的直方图,再分别求取两个直方图的峰值,记为Peak_x,Peak_Y;设定范围距离阈值为R,分别在S_x,S_y根据灰度区间(Peak_x-R,Peak_x+R),(Peak_y-R,Peak_y+R)进行二值分割,分别得到Q_x,Q_y。
连乘Q_x*Q_y*Mask1=Mask2,Mask2即为包含墙面深度像素的二值图掩模;使用Mask2,在深度图像上扣取深度信息,记为DepthWallImg,DepthImg*Mask2=DepthWallImg;
根据深度相机内参,将DepthWallImg图像换算为3D点云,并使用ransac算法拟合出平面方程。
参照图2和图3所示,步骤S1.3:对镜面区域进行分割,并计算得到镜面区域包围框二值图掩模。
基于平面方程,生成该平面的深度图像Depth2,设定距离阈值Dist,如Dist=50,使DepthImg减去Depth2,对应像素超出距离阈值Dist的,视为墙后的镜面区域Mask_mirror,深度图像上镜面区域Mask_mirror的二值图掩模为:
Mask_mirror=DepthImg-Depth2;
其中,DepthImg-Depth2>Dist;
对镜面掩模Mask_mirror进行闭运算,得到Mask_c1,再进行膨胀运算,得到Mask_c1_d2;使用Mask_c1_d2减去Mask_c1,得到镜面区域包围框二值图掩模:
Mask_surround=Mask_c1_d2-Mask_c1。
其次,步骤S2:定位完成后,对彩色图像上镜子边框进行提取,具体地,
参照图4所示,步骤S2.1:对彩色图像上的特征线条进行提取,即使用opencv相关算法提取彩色图像上线条特征。
步骤S2.2:镜面包围框到彩色图像上的映射和边界矩形计算:
根据深度图像和彩色图像相机的内参,将深度图像上的镜面区域包围框Mask_surround换算到彩色图像上,记为Mask_color。
对Mask_color进行闭运算,记为Mask_color_c1。
分别构建结构元素S1(40*3),S2(3*40),对Mask_color_c1二值图进行开运算,分别得到Mask_color_o1,Mask_color_o2。
分别对Mask_color_o1,Mask_color_o2进行连通域分割,最终得到4或3个矩形,分别对应镜子的上下左右4或3个位置;当镜子较高,镜子的上边界超出了相机的视野时,只能检测出镜子的3个边缘位置。
步骤S2.3:计算边界线条的聚合及边界线:
设定角度差值Ang,如Ang=3,设定距离阈值为Dist,如dist=8;
分别处理上述步骤中的4或3个矩形框,计算矩形对应的长轴,镜子边界矩形框如图5所示。
遍历步骤S2.1中提取的特征线条,如果线条和某一个长轴的夹角小于Ang,并且线条的中点与中点在主轴上的投影点的距离小于Dist,则该线条属于这个长轴。
步骤S2.4:拟合直线,计算各个边框直线的交点:
每一个长轴得到了相应的线条,对一个长轴的所有线条进行点的抽样,其中线条的起点和终点默认抽样为点,设定抽样步长step,如step=35,线条每间隔35,增一个抽样点。
对每一个长轴的抽样点集,使用最小二乘法进行拟合,计算出对应直线方程。
对4或3个直线方程两两计算直线的角点,得到镜子在彩色图像上的4或2个角点,如图6所示。
步骤S3:提取完成之后,进行彩色图像到深度图像的坐标变换,完成最终定位。
根据深度图像和彩色图像相机的内参,将彩色图像上的4个角点换算到深度图像上,得到最终的镜子4个角点的坐标。
本发明实施例提供了一种结合RGBD图像的镜面定位方法,镜子作为室内环境中非常重要的一个物品,准确的识别和定位镜子,有对室内机器人的工作有重要的支撑作用;广泛的适应于各种场景下的镜子定位,镜子算法有很好的通用性;镜子算法有很好的抗干扰性,对于复杂的背景墙都能适应。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (2)
1.一种结合RGBD图像的镜面定位方法,其特征在于,包括:
步骤S1:由机器人对深度图像上镜子进行初步定位;
步骤S2:定位完成后,对彩色图像上镜子边框进行提取;
步骤S3:提取完成之后,进行彩色图像到深度图像的坐标变换,完成最终定位;
所述步骤S1包括:
步骤S1.1:基于集合树对深度图像进行分割;
步骤S1.2:基于导数估计对墙面区域进行分割;
步骤S1.3:对镜面区域进行分割,并计算得到镜面区域包围框二值图掩模;
所述步骤S1.1包括:
步骤S1.1.1:对深度图像DepthImg像素进行聚类,设定距离阈值T,遍历深度图像中的每个像素,对像素值V(i,j)查看该像素的多个领域,若领域的像素值V(i+n,j+m),|n|+|m|<2和该像素值的差的绝对值小于距离阈值,则领域像素和该像素分为一类;
步骤S1.1.2:深度图像聚类后,筛选出包含像素最多的一类,根据其中的像素坐标,生成二值图像Mask1;
所述步骤S1.2包括:
步骤S1.2.1:对深度图像分别求取x和y方向的sobel图像,记为S_x,S_y;使用Mask1分别对S_x,S_y图像做乘法:
S_x(i,j)=S_x(i,j)*Mask1(i,j);
S_y(i,j)=S_y(i,j)*Mask1(i,j);
步骤S1.2.2:分别求取S_x,S_y的直方图,再分别求取两个直方图的峰值,记为Peak_x,Peak_y;
设定范围距离阈值为R,分别在S_x,S_y根据灰度区间(Peak_x-R,Peak_x+R),(Peak_y-R,Peak_y+R)进行二值分割,分别得到Q_x,Q_y;
步骤S1.2.3:连乘Q_x*Q_y*Mask1=Mask2,Mask2即为包含墙面深度像素的二值图掩模;
步骤S1.2.4:使用Mask2,在深度图像上扣取深度信息,记为DepthWallImg,DepthImg*Mask2=DepthWallImg;
步骤S1.2.5:根据深度相机内参,将DepthWallImg图像换算为3D点云,并使用ransac算法拟合出平面方程;
所述步骤S1.3包括:
步骤S1.3.1:基于平面方程,生成该平面的深度图像Depth2,设定距离阈值Dist,使DepthImg减去Depth2,对应像素超出距离阈值Dist的,视为墙后的镜面区域Mask_mirror,深度图像上镜面区域Mask_mirror的二值图掩模为:
Mask_mirror=DepthImg-Depth2;
其中,DepthImg-Depth2>Dist;
步骤S1.3.2:对镜面掩模Mask_mirror进行闭运算,得到Mask_c1,再进行膨胀运算,得到Mask_c1_d2;使用Mask_c1_d2减去Mask_c1,得到镜面区域包围框二值图掩模:
Mask_surround= Mask_c1_d2-Mask_c1;
所述步骤S2包括:
步骤S2.1:对彩色图像上的特征线条进行提取,即使用opencv相关算法提取彩色图像上线条特征;
步骤S2.2:计算镜面包围框到彩色图像上的映射和边界矩形;
步骤S2.3:计算边界线条的聚合及边界线;
步骤S2.4:拟合直线,计算各个边框直线的交点;
所述步骤S2.2包括:
步骤S2.2.1:根据深度图像和彩色图像相机的内参,将深度图像上的镜面区域包围框Mask_surround换算到彩色图像上,记为Mask_color;
步骤S2.2.2:对Mask_color进行闭运算,记为Mask_color_c1;
步骤S2.2.3:分别构建结构元素S1(40*3),S2(3*40),对Mask_color_c1二值图进行开运算,分别得到Mask_color_o1,Mask_color_o2;
步骤S2.2.4:分别对Mask_color_o1,Mask_color_o2进行连通域分割,最终得到4或3个矩形,分别对应镜子的上下左右4或3个位置;当镜子较高,镜子的上边界超出了相机的视野时,只能检测出镜子的3个边缘位置;
所述步骤S2.3包括:
步骤S2.3.1:设定角度差值Ang,设定距离阈值为Dist;
步骤S2.3.2:分别处理步骤S2.2.4中的4或3个矩形框,计算矩形对应的长轴;
步骤S2.3.3:遍历步骤S2.1中提取的特征线条,如果线条和某一个长轴的夹角小于Ang,并且线条的中点与中点在主轴上的投影点的距离小于Dist,则该线条属于这个长轴;
所述步骤S2.4包括:
步骤S2.4.1:每一个长轴得到了相应的线条,对一个长轴的所有线条进行点的抽样,其中线条的起点和终点默认抽样为点,设定抽样步长step,线条每间隔一段,增一个抽样点;
步骤S2.4.2:对每一个长轴的抽样点集,使用最小二乘法进行拟合,计算出对应直线方程;
步骤S2.4.3:对4或3个直线方程两两计算直线的角点,得到镜子在彩色图像上的4或2个角点。
2.根据权利要求1所述的结合RGBD图像的镜面定位方法,其特征在于,所述步骤S3包括:根据深度图像和彩色图像相机的内参,将彩色图像上的多个角点换算到深度图像上,得到最终的镜子多个角点的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034516.2A CN114049399B (zh) | 2022-01-13 | 2022-01-13 | 一种结合rgbd图像的镜面定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034516.2A CN114049399B (zh) | 2022-01-13 | 2022-01-13 | 一种结合rgbd图像的镜面定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114049399A CN114049399A (zh) | 2022-02-15 |
CN114049399B true CN114049399B (zh) | 2022-04-12 |
Family
ID=80196408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210034516.2A Active CN114049399B (zh) | 2022-01-13 | 2022-01-13 | 一种结合rgbd图像的镜面定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049399B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830272A (zh) * | 2018-08-03 | 2018-11-16 | 中国农业大学 | 基于rgb-d相机的马铃薯图像采集装置及芽眼识别和定位方法 |
CN111311679A (zh) * | 2020-01-31 | 2020-06-19 | 武汉大学 | 一种基于深度相机的自由漂浮目标位姿估计方法 |
CN111339919A (zh) * | 2020-02-24 | 2020-06-26 | 大连理工大学 | 一种基于多任务协作的镜子检测方法 |
CN111553252A (zh) * | 2020-04-24 | 2020-08-18 | 福建农林大学 | 一种基于深度学习及u-v视差算法的道路行人自动识别定位方法 |
CN112045676A (zh) * | 2020-07-31 | 2020-12-08 | 广州中国科学院先进技术研究所 | 一种基于深度学习的机器人抓取透明物体的方法 |
KR20200143044A (ko) * | 2019-06-14 | 2020-12-23 | 고려대학교 산학협력단 | 이동 로봇과 이동 로봇의 엘리베이터 인식 방법 |
CN112767418A (zh) * | 2021-01-21 | 2021-05-07 | 大连理工大学 | 基于深度感知的镜子图像分割方法 |
CN113888632A (zh) * | 2021-09-14 | 2022-01-04 | 上海景吾智能科技有限公司 | 结合rgbd图像水池污渍定位方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384353A (zh) * | 2016-09-12 | 2017-02-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于rgbd的目标定位方法 |
CN106570904B (zh) * | 2016-10-25 | 2019-04-09 | 大连理工大学 | 一种基于Xtion摄像头的多目标相对位姿识别方法 |
US11589029B2 (en) * | 2019-04-29 | 2023-02-21 | Microvision, Inc. | 3D imaging system for RGB-D imaging |
-
2022
- 2022-01-13 CN CN202210034516.2A patent/CN114049399B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830272A (zh) * | 2018-08-03 | 2018-11-16 | 中国农业大学 | 基于rgb-d相机的马铃薯图像采集装置及芽眼识别和定位方法 |
KR20200143044A (ko) * | 2019-06-14 | 2020-12-23 | 고려대학교 산학협력단 | 이동 로봇과 이동 로봇의 엘리베이터 인식 방법 |
CN111311679A (zh) * | 2020-01-31 | 2020-06-19 | 武汉大学 | 一种基于深度相机的自由漂浮目标位姿估计方法 |
CN111339919A (zh) * | 2020-02-24 | 2020-06-26 | 大连理工大学 | 一种基于多任务协作的镜子检测方法 |
CN111553252A (zh) * | 2020-04-24 | 2020-08-18 | 福建农林大学 | 一种基于深度学习及u-v视差算法的道路行人自动识别定位方法 |
CN112045676A (zh) * | 2020-07-31 | 2020-12-08 | 广州中国科学院先进技术研究所 | 一种基于深度学习的机器人抓取透明物体的方法 |
CN112767418A (zh) * | 2021-01-21 | 2021-05-07 | 大连理工大学 | 基于深度感知的镜子图像分割方法 |
CN113888632A (zh) * | 2021-09-14 | 2022-01-04 | 上海景吾智能科技有限公司 | 结合rgbd图像水池污渍定位方法及*** |
Non-Patent Citations (2)
Title |
---|
A New VLC Localization System with the Assistance of RGB-D Camera;XiaoLong zheng et al;《2018 Ubiquitous Positioning, Indoor Navigation and Location-Based Services (UPINLBS)》;20181206;1-5 * |
基于机器视觉的目标识别和表面缺陷检测研究;戴君洁;《中国优秀硕士学位论文全文数据(电子期刊)》;20210815;第2021年卷(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114049399A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108694741B (zh) | 一种三维重建方法及装置 | |
US9888235B2 (en) | Image processing method, particularly used in a vision-based localization of a device | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
CN110458897B (zh) | 多摄像头自动标定方法及***、监控方法及*** | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
CN108470356B (zh) | 一种基于双目视觉的目标对象快速测距方法 | |
CN105303514A (zh) | 图像处理方法和装置 | |
CN109544635B (zh) | 一种基于枚举试探的相机自动标定方法 | |
CN107862713B (zh) | 针对轮询会场的摄像机偏转实时检测预警方法及模块 | |
CN111028271A (zh) | 基于人体骨架检测的多摄像机人员三维定位跟踪*** | |
Valero et al. | Detection, modeling, and classification of moldings for automated reverse engineering of buildings from 3D data | |
CN110634138A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN113689365B (zh) | 一种基于Azure Kinect的目标跟踪定位方法 | |
CN111161219B (zh) | 一种适用于阴影环境的鲁棒单目视觉slam方法 | |
US10132912B2 (en) | Method and apparatus for estimating reflectance parameters and a position of a light source in a scene | |
CN114049399B (zh) | 一种结合rgbd图像的镜面定位方法 | |
CN110322508B (zh) | 一种基于计算机视觉的辅助定位方法 | |
CN111630569B (zh) | 双目匹配的方法、视觉成像装置及具有存储功能的装置 | |
CN114569004B (zh) | 行进方向调整方法、移动机器人***及电子设备 | |
CN114119738A (zh) | 水池污渍检测方法及*** | |
TWI595446B (zh) | 擴充實境中基於深度攝影機之遮蔽邊緣品質改善方法 | |
Yin et al. | Motion detection and tracking using the 3D-camera | |
Zhang et al. | 3D reconstruction of indoor environment using the Kinect sensor | |
Rantung et al. | Real-Time Image Segmentation and Determination of 3D Coordinates for Fish Surface Area and Volume Measurement based on Stereo Vision | |
CN112614182B (zh) | 基于深度学习的识别加工位置的方法、存储设备、移动终端 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 311231 building 3, No. 477, Hongxing Road, Qiaonan block, economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou Jingwu Intelligent Technology Co.,Ltd. Address before: Room 12, 3rd floor, No.2 Lane 1446, Yunguan Road, Lingang New District, Pudong New Area pilot Free Trade Zone, Shanghai, 201306 Patentee before: Shanghai Jingwu Intelligent Technology Co.,Ltd. |