CN114580559A - 一种基于单目视觉***的测速方法 - Google Patents
一种基于单目视觉***的测速方法 Download PDFInfo
- Publication number
- CN114580559A CN114580559A CN202210248482.7A CN202210248482A CN114580559A CN 114580559 A CN114580559 A CN 114580559A CN 202210248482 A CN202210248482 A CN 202210248482A CN 114580559 A CN114580559 A CN 114580559A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- pixel
- detected
- template
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005259 measurement Methods 0.000 claims abstract description 42
- 238000006073 displacement reaction Methods 0.000 claims abstract description 16
- 239000000203 mixture Substances 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000000691 measurement method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000827 velocimetry Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 14
- 238000002474 experimental method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001292396 Cirrhitidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于单目视觉***的测速方法,属于机器视觉技术领域,该测速方法具体步骤如下:(1)利用混合高斯模型进行背景建模;(2)使用参数优化的模板匹配法获取目标的高精度像素位移;(3)用改进的二维测量模型法精确获取待测目标对应的像素尺寸;(4)根据比例关系计算实际速度;本发明基于模板匹配融合混合高斯模型,针对复杂背景,混合高斯模型通过自动更新背景模型,能得到相较于传统背景差分更稳定的前景提取效果,然后对模板匹配的参数设置进行优化,进一步提高匹配的成功率,最后使用改进二维测量模型法精确获取目标对应的像素尺寸,通过目标物理尺寸与像素尺寸的比例关系来换算实际速度,有利于提高视觉测速精度及鲁棒性。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及一种基于单目视觉***的测速方法。
背景技术
随着机器视觉技术的发展,基于视觉的目标测速在智能交通、工业生产和军事等领域有着越来越广泛的应用和发展空间;传统测速方式中雷达测速、地感线圈测速和激光测速等需要提前安装精密的传感器设备,且测量时对周围环境有严苛的要求;相比之下,基于视觉测速具有设备安装简便且成本低、应用条件相对宽松等优势;但缺点在于其易受复杂背景和光照变化的影响,所以如何对测速算法进行优化以提高视觉测速算法的鲁棒性和精度成为目前热门的研究方向;基于视觉的测速方法利用相机以非接触方式采集目标的运动图像,通过目标检测算法从每帧图像中识别目标,并计算两帧之间目标的位移实现测速的目的;主流的运动目标检测算法包括:帧差法、背景差分法和光流法;光流法的运算复杂,易受光照干扰,实际应用较少;帧差法应用广泛,不易受环境的干扰,但不适用于检测速度较慢的目标;目前改进的帧差法包括三帧差法、五帧差法等,但“空洞”现象仍难以消除;背景差分法能够准确提取运动目标,但对背景环境的改变敏感;改进的背景差分法通过在背景建模的基础上引入像素变异系数分离背景,但仍无法实现精确检测;因此,发明出一种基于单目视觉***的测速方法变得尤为重要。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的一种基于单目视觉***的测速方法。
为了实现上述目的,本发明采用了如下技术方案:
一种基于单目视觉***的测速方法,该测速方法具体步骤如下:
(1)利用混合高斯模型进行背景建模:通过单目视觉相机采集待测目标的原始目标图像序列;同时利用混合高斯模型对其进行背景建模,并提取出背景建模后所述待测目标的原始目标图像序列中仅包含目标轮廓信息的前景区域图像序列;
(2)使用参数优化的模板匹配法获取目标的高精度像素位移:基于所述待测目标的目标轮廓创建形状模板,得到模板图像,并利用相似性度量函数在所述前景区域图序列中搜索与所述模板图像最相似的区域,同时通过仿射变换函数实现所述待测目标的像素定位,以获取所述待测目标在两帧之间的像素位移;
(3)用改进的二维测量模型法精确获取待测目标对应的像素尺寸:获取所述待测目标的物理尺寸,并使用改进二维测量模型法获取所述待测目标对应的像素尺寸;
(4)根据比例关系计算实际速度:利用所述待测目标的物理尺寸与待测目标对应的像素尺寸的比例关系来计算实际速度。
进一步地,步骤(1)所述待测目标的原始目标视频图像在进行背景建模前需要进行预处理,所述预处理利用中值滤波去除噪声,并进行图像增强,以提升图像高频区域的对比度,该高频区域包括边缘和拐角。
进一步地,步骤(2)所述形状模板创建时对参数的设置进行以下优化:设置较低的金字塔层数,以保证充足的信息来完成匹配;模板图像较小时,设置较大的步长;模板的点存储模式设置中等,并设置预处理步骤;调整对比度的最大和最小阈值,使模板形状完整,并通过设置合适的最小组件尺寸去除干扰。
进一步地,步骤(2)所述前景区域图序列在搜索时对参数的设置进行以下优化:优先设置较低的最小匹配分数;匹配个数设置为目标的个数;选择较高的亚像素优化方法;最低金字塔层数设为最小值;将贪心算法设置为0并增加公差公式,增强质量较差的待匹配图像。
进一步地,步骤(3)所述改进二维测量模型法公式如下:
式中:L物表示待测目标的物理尺寸;L像示待测目标对应的像素尺寸。
进一步地,步骤(3)所述改进测量模型法具体步骤如下:
S1:选取预处理后前景区域图像序列中待测目标图像较为清晰的一帧,并记录其经过模板匹配得到的目标质心像素坐标;
S2:分别用Prewitt算子、Sobel算子和Canny算子对所述待测目标图像进行边缘提取;
S3:利用最小二乘法对边缘提取后的所述待测目标图像边缘轮廓线进行拟合操作补全;
S4:利用改进二维测量模型求像素尺寸。
相比于现有技术,本发明的有益效果在于:
本申请提出的一种基于单目视觉***的测速方法,其利用混合高斯模型背景建模与参数优化的模板匹配法相结合,实现了复杂背景下快速而精确的目标识别定位;混合高斯模型解决复杂背景下的目标识别问题,提取出前景目标区域再进行搜索匹配,提升算法的鲁棒性;避免目标表面产生反射光斑或者背景相似形状物体干扰而导致的错误匹配,使模板匹配法更有效地对目标搜索定位;并且本申请提出改进的二维测量模型法,通过精确求取目标像素尺寸降低速度解算时像素位移转换成物理位移造成的误差,从而有利于提高视觉测速精度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的一种基于单目视觉***的测速方法的整体流程图。
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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
参照图1,本实施例公开了一种基于单目视觉***的测速方法,该测速方法具体步骤如下:
(1)采集待测目标的原始目标图像序列,利用中值滤波去除噪声,并进行图像增强,提升图像高频区域(边缘和拐角)的对比度,使图像更清晰;利用混合高斯模型背景建模提取前景目标区域并转换成图像输出,在复杂的背景中分离出仅包含目标轮廓信息的前景区域图像序列;
具体的,该混合高斯模型背景建模本质是利用混合高斯模型描述运动目标图像序列中所有像素点的样本灰度值序列的分布情况;通过K个高斯模型对运动图像序列中每个像素点的像素值进行加权和建模,并计算得出当前像素值出现的概率,如下式所示: 式中:Xt表示t时刻像素值,ωi,t表示权重,Ui,t为均值向量,∑i,t为协方差矩阵;其中,高斯分布的密度函数如下:若t时刻像素值与其对应的高斯分布的关系满足:∣Xt-Ui,t∣≤2.5δi,则该像素点与高斯分布匹配;当像素点无法找到匹配的高斯分布时,则重新构建分布替代权值最小的分布,根据ωi,t=(1-α)ωi,t-1+αMi,t计算权值的更新,式中:α表示更新速率;随着背景建模的不断更新,匹配次数最多的分布拥有最大的权重;由于权重越大越可能是背景点,将像素点按权重从大到小排序后,用前B个分布作为背景,如下式所示:式中:T表示构成背景的最小权重比例,若B个高斯分布中有至少一个与当前像素匹配,则判定其为背景点,否则为前景点;
(2)基于待测目标的目标轮廓创建形状模板,得到模板图像,并利用相似性度量函数在前景区域图序列中搜索与模板图像最相似的区域,优化匹配参数确保匹配效果良好,通过仿射变换函数得到每一帧图像中目标的质心像素坐标;
具体的,该模板匹配法基于Halcon平台对目标进行高精度定位,为关心匹配成功率,需对相关参数的设置进行优化以提升匹配的成功率;在创建模板时对参数的设置进行以下优化:设置较低的金字塔层数,以保证充足的信息来完成匹配;模板图像较小时,要设置较大的步长;模板的点存储模式设置中等,并设置预处理步骤;调整对比度的最大和最小阈值,使模板形状完整,并通过设置合适的最小组件尺寸去除干扰点;在搜索模板时对参数的设置进行以下优化:优先设置较低的最小匹配分数;匹配个数设置为目标的个数;选择较高的亚像素优化方法;最低金字塔层数设为最小值;将贪心算法设置为0并增加公差公式,增强质量较差的待匹配图像;
(3)获取待测目标的物理尺寸,并使用改进二维测量模型法获取待测目标对应的像素尺寸;
在这需要说明一点的是,模板匹配得到一系列目标质心点像素坐标后,可以得到目标在两帧之间的像素位移,但是要计算速度,还需将像素位移换算成物理位移;通过传统相机标定获取的内外参数能够解算像素位移与物理位移的比例,借助Halcon软件中的相机标定助手,在固定相机位姿下,采集15张左右不同位姿摆放的标定板图像;加载并检查图像质量,剔除不满足要求的图像并重新拍摄;选择其中一张图片作为参考位姿,得到标定结果;但是传统标定的过程繁琐,同时会引入一些误差,直接影响测速结果的精度;据此提出一种利用目标本身物理尺寸与图像中目标像素尺寸比例关系来换算位移的改进二维测量模型法;
具体的,该Halcon软件中定义了一种测量模型来获取图像中某物体的像素尺寸,该改进测量模型法是在建立测量模型的基础上,融合边缘提取和最小二乘法拟合的思想解决测量模型中边缘判定困难的问题,并依据模板匹配得到的目标质心像素坐标为初始模型的创建提供更准确的模型中心点坐标,精确求解目标的像素尺寸,其具体步骤如下:
S1:选取预处理后前景区域图像序列中待测目标图像较为清晰的一帧,并记录其经过模板匹配得到的目标质心像素坐标;
S2:分别用Prewitt算子、Sobel算子和Canny算子对待测目标图像进行边缘提取;
S3:利用最小二乘法对边缘提取后的待测目标图像边缘轮廓线进行拟合操作补全;
S4:利用改进二维测量模型求像素尺寸:首先,将待测目标的XLD边缘轮廓线转换成IMAGE图像,得到的边缘轮廓图像,仅强调显示了目标轮廓信息,其图像灰度值是0或255,也就是非黑即白,在后续测量中不受最小边缘幅度、平滑系数(sigma)以及插值方式的影响;其次,输入当前帧目标质心像素坐标,创建测量模型并调整参数;最后,完成目标像素尺寸的测量。
(4)根据比例关系计算实际速度:利用待测目标的物理尺寸与待测目标对应的像素尺寸的比例关系来计算实际速度。
本实施例将通过实验针对本申请提出的一种基于单目视觉***的测速方法进行效果测试,该实验中使用2000万像素卷帘快门的黑白CCD工业相机,搭配焦距为35mm的镜头,设置相机的快门速度为千分之一,帧率为16;为获取清晰的边缘细节,减轻目标的运动拖影现象,设置了环形LED直射式光源从而显著提高图像质量;通过程序驱动交叉轴步进电机,实现目标在二维平面内的高精度定速运动计;为验证本申请中算法在换算像素位移与物理位移时精度较高的优势,与传统标定方法进行对比实验;分别利用改进测量模型法和传统标定法求得此平台上的换算比例;在平台上采集不同物理尺寸和形状的工件图像并分别利用两方法对应的比例解算工件的实际尺寸,实验结果数据见下表:
表1换算精度对比表
通过上表中的实验数据可以看出,本申请方法中算法的换算结果相较于传统标定方法,相对误差更低,更加稳定。
本实施例将对不同形状的目标(包括箭头形状、星形状和圆环形状),分别设定步进电机以1mm/s、5mm/s和10mm/s的运行速度进行测速实验,以验证本申请中提出的测速方法能够精确测速,具体数据见下表:
表2测速精度表
通过上表中的实验数据可以看出,本申请方法对于不同形状和不同运动速度的目标,测速结果的相对误差均在5%以内,证明了该算法的有效性和准确性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于单目视觉***的测速方法,其特征在于,该测速方法具体步骤如下:
(1)利用混合高斯模型进行背景建模:通过单目视觉相机采集待测目标的原始目标图像序列;同时利用混合高斯模型对其进行背景建模,并提取出背景建模后所述待测目标的原始目标图像序列中仅包含目标轮廓信息的前景区域图像序列;
(2)使用参数优化的模板匹配法获取目标的高精度像素位移:基于所述待测目标的目标轮廓创建形状模板,得到模板图像,并利用相似性度量函数在所述前景区域图序列中搜索与所述模板图像最相似的区域,同时通过仿射变换函数实现所述待测目标的像素定位,以获取所述待测目标在两帧之间的像素位移;
(3)用改进的二维测量模型法精确获取待测目标对应的像素尺寸:获取所述待测目标的物理尺寸,并使用改进二维测量模型法获取所述待测目标对应的像素尺寸;
(4)根据比例关系计算实际速度:利用所述待测目标的物理尺寸与待测目标对应的像素尺寸的比例关系来计算实际速度。
2.根据权利要求1所述的一种基于单目视觉***的测速方法,其特征在于,步骤(1)所述待测目标的原始目标视频图像在进行背景建模前需要进行预处理,所述预处理利用中值滤波去除噪声,并进行图像增强,以提升图像高频区域的对比度,该高频区域包括边缘和拐角。
3.根据权利要求1所述的一种基于单目视觉***的测速方法,其特征在于,步骤(2)所述形状模板创建时对参数的设置进行以下优化:设置较低的金字塔层数,以保证充足的信息来完成匹配;模板图像较小时,设置较大的步长;模板的点存储模式设置中等,并设置预处理步骤;调整对比度的最大和最小阈值,使模板形状完整,并通过设置合适的最小组件尺寸去除干扰。
4.根据权利要求1所述的一种基于单目视觉***的测速方法,其特征在于,步骤(2)所述前景区域图序列在搜索时对参数的设置进行以下优化:优先设置较低的最小匹配分数;匹配个数设置为目标的个数;选择较高的亚像素优化方法;最低金字塔层数设为最小值;将贪心算法设置为0并增加公差公式,增强质量较差的待匹配图像。
6.根据权利要求1所述的一种基于单目视觉***的测速方法,其特征在于,步骤(3)所述改进测量模型法具体步骤如下:
S1:选取预处理后前景区域图像序列中待测目标图像较为清晰的一帧,并记录其经过模板匹配得到的目标质心像素坐标;
S2:分别用Prewitt算子、Sobel算子和Canny算子对所述待测目标图像进行边缘提取;
S3:利用最小二乘法对边缘提取后的所述待测目标图像边缘轮廓线进行拟合操作补全;
S4:利用改进二维测量模型求像素尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210248482.7A CN114580559A (zh) | 2022-03-14 | 2022-03-14 | 一种基于单目视觉***的测速方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210248482.7A CN114580559A (zh) | 2022-03-14 | 2022-03-14 | 一种基于单目视觉***的测速方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114580559A true CN114580559A (zh) | 2022-06-03 |
Family
ID=81774825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210248482.7A Pending CN114580559A (zh) | 2022-03-14 | 2022-03-14 | 一种基于单目视觉***的测速方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580559A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114755444A (zh) * | 2022-06-14 | 2022-07-15 | 天津所托瑞安汽车科技有限公司 | 目标速度测定方法、装置、电子设备及存储介质 |
CN115690205A (zh) * | 2022-10-09 | 2023-02-03 | 北京自动化控制设备研究所 | 基于点线综合特征的视觉相对位姿测量误差估计方法 |
CN115775278A (zh) * | 2023-02-13 | 2023-03-10 | 合肥安迅精密技术有限公司 | 包含局部特征约束的元件识别定位方法及***、存储介质 |
-
2022
- 2022-03-14 CN CN202210248482.7A patent/CN114580559A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114755444A (zh) * | 2022-06-14 | 2022-07-15 | 天津所托瑞安汽车科技有限公司 | 目标速度测定方法、装置、电子设备及存储介质 |
CN115690205A (zh) * | 2022-10-09 | 2023-02-03 | 北京自动化控制设备研究所 | 基于点线综合特征的视觉相对位姿测量误差估计方法 |
CN115690205B (zh) * | 2022-10-09 | 2023-12-05 | 北京自动化控制设备研究所 | 基于点线综合特征的视觉相对位姿测量误差估计方法 |
CN115775278A (zh) * | 2023-02-13 | 2023-03-10 | 合肥安迅精密技术有限公司 | 包含局部特征约束的元件识别定位方法及***、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544456B (zh) | 基于二维图像和三维点云数据融合的全景环境感知方法 | |
CN114580559A (zh) | 一种基于单目视觉***的测速方法 | |
CN103093191B (zh) | 一种三维点云数据结合数字影像数据的物体识别方法 | |
CN106408527B (zh) | 一种基于视频分析的自动报靶方法 | |
CN108007388A (zh) | 一种基于机器视觉的转盘角度高精度在线测量方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN111415376B (zh) | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 | |
CN111862037A (zh) | 基于机器视觉的精密孔类零件几何特征检测方法及*** | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
JP2021168143A (ja) | ビジョンシステムで画像内のプローブを効率的に採点するためのシステム及び方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及*** | |
CN109492525B (zh) | 一种测量基站天线工程参数的方法 | |
Li et al. | Road markings extraction based on threshold segmentation | |
CN115830018B (zh) | 基于深度学习与双目视觉的碳素块检测方法及*** | |
CN112734761A (zh) | 工业品图像边界轮廓提取方法 | |
CN114331879A (zh) | 一种均衡化二阶梯度直方图描述子的可见光与红外图像配准方法 | |
Ma et al. | An intelligent object detection and measurement system based on trinocular vision | |
CN113313116A (zh) | 一种基于视觉的水下人工目标准确检测与定位方法 | |
CN117496401A (zh) | 一种用于视频测量影像序列椭圆形目标点全自动识别与跟踪方法 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN111415378B (zh) | 用于汽车玻璃检测的图像配准方法及汽车玻璃检测方法 | |
CN117611525A (zh) | 一种受电弓滑板磨耗视觉检测方法和*** | |
CN112767459A (zh) | 基于2d-3d转换的无人机激光点云与序列影像配准方法 | |
CN116883498A (zh) | 基于灰度质心提取算法的视觉合作靶标特征点定位方法 | |
CN114332629B (zh) | 基于高速视觉耦合轮廓特征提取的多农药雾滴撞击叶面延迟性的测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |