CN115115861A - 一种应用于旋转双目立体视觉***的图像校正方法 - Google Patents
一种应用于旋转双目立体视觉***的图像校正方法 Download PDFInfo
- Publication number
- CN115115861A CN115115861A CN202211050257.9A CN202211050257A CN115115861A CN 115115861 A CN115115861 A CN 115115861A CN 202211050257 A CN202211050257 A CN 202211050257A CN 115115861 A CN115115861 A CN 115115861A
- Authority
- CN
- China
- Prior art keywords
- matching
- image
- neighborhood
- matching point
- point
- 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 52
- 238000003702 image correction Methods 0.000 title claims abstract description 27
- 238000012937 correction Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 238000012952 Resampling Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 abstract 2
- 238000000605 extraction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 101150011264 setB gene Proteins 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
-
- 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
- G06T2207/10012—Stereo images
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及三维视觉技术领域,具体涉及一种应用于旋转双目立体视觉***的图像校正方法,包括如下步骤:分别对左右两个相机获取的左图像和右图像进行特征点提取,并建立两者特征点的映射关系,进而获取若干特征点的匹配点对;对若干所述匹配点对进行优选和二次匹配优化;对优选和二次匹配优化后的若干所述匹配点对进行质量排序,选取排序中的若干所述匹配点对,计算出所述左右两个相机的精确位姿关系;基于所述精确位姿关系,得到所述左图像和所述右图像的极点和极线;根据立体校正准则,选取所述左图像和所述右图像的投影变换矩阵,对极点和极线进行重采样,实现立体图像校正。该方法提升图像校正的精确性的同时提升校正便利度。
Description
技术领域
本发明涉及三维视觉技术领域,具体涉及一种应用于旋转双目立体视觉***的图像校正方法。
背景技术
刚性连接的双目立体视觉广泛应用于工业检测和三维重构,受限于基线长度,难以在远距离大场景中应用。旋转双目立体视觉***,通过长基线双目相机的联动旋转实现大范围的扫描成像,采用图像立体匹配方法,实现大场景的三维重建。高精度转台机械间隙造成左右相机位姿的微小偏差,也会导致图像立体校正和匹配失败。旋转双目相机的动态位姿估计和双目图像的立体校正算法研究,是实现大场景三维重构的基础。立体校正算法主要两种:基于相机标定的立体校正法和非标定校正法。标定校正法需提前标定相机,根据标定参数完成左右图像的立体校正。而非标定校正法,由左右图像间的特征点映射关系,直接估计基础矩阵,由校正变换操作实现图像的立体校正。在旋转双目立体视觉***中,双目非刚性固定,只能采用非标定立体校正法。但由于图像间特征点的误匹配,会加剧校正图像畸变,影响校正图像的质量。
因此,有必要提供一种应用于旋转相机立体视觉***的方法,提升图像校正的精确性的同时提升校正便利度。
发明内容
解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种应用于旋转双目立体视觉***的图像校正方法,该方法可以提升图像校正的精确性的同时提升校正便利度。
技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
本发明提供了一种应用于旋转双目立体视觉***的图像校正方法,包括如下步骤:
S1、采用FAST特征检测和BRIEF特征描述方法,提取ORB特征点,并在左右图像中进行初始匹配,建立左右图像特征点的映射关系,得到匹配对点;
S2、对若干匹配点对进行优选和二次匹配优化;
S3、对优选和二次匹配优化后的若干所述匹配点对进行质量排序,选取排序中的若干所述匹配点对,计算出所述左右两个相机的精确位姿关系;
S4、基于所述精确位姿关系,得到左图像和右图像的极点和极线;
S5、根据立体校正准则,选取所述左图像和所述右图像的投影变换矩阵,对所述左图像和所述右图像的极点和极线进行重采样,实现立体图像校正。
进一步地,步骤S1具体包括:采用FAST特征检测和BRIEF特征描述方法,提取ORB特征点。然后检测特征点邻域描述符子,得到ORB特征描述向量,在所述左图像和所述右图像中进行快速初始匹配,建立两者特征点的映射关系,进而获取若干特征点的匹配点对。
进一步地,步骤S1具体包括:
对所述左图像和所述右图像,构造层图像尺度金字塔,分别在W个尺度上,利用FAST算法检测角点位置,并计算每个角点的响应值,选取固定数量的角点,作为该尺度的特征点;
再以该特征点为圆心,半径为r的圆形邻域内,计算图像质心位置,并将该特征点位置到质心位置的方向作为该特征点的主方向;
将该特征点邻域旋转到主方向,利用BRIEF算法构建特征描述符子,得到ORB特征描述向量;
最后对所述左图像和所述右图像中的所述ORB特征描述向量,进行初始匹配。
在所述匹配点集P LR 中,将N对匹配点对间欧氏距离按从小到大排序为,选取距离中值b u 作为基准,将匹配点对欧氏距离与基准距离之比定义为该匹配点对的相对距离,得到相对距离集合。由,计算上述B i 所对应的匹配点的连线斜率,得到斜率集合;
检验经上述步骤后所述匹配点集P LR 中剩余匹配点对的数量,如果匹配点对数量少,可判断为阈值设置过小,这时,分别按0.02和0.01的步长来增大和,重新对所述匹配点集P LR 按上述步骤进行特征点优选;
重复上述步骤,在全局层优选出T对匹配点集P LRE ,其中,
进一步地,所述二次匹配优化具体包括:
定义了特征点邻域空间一致性校检值c,
其中,为邻域内的特征点。使用来检验P L 和P R 是否满足邻域空间支持。向量用以检验P L 和P R 与邻域内匹配点向量偏移值,来衡量P L 和P R 的邻域是否具有空间约束。其中,v为P L 和P R 的向量,为匹配点邻域内和的向量;
当一对匹配点同时满足邻域空间支持和空间约束时,c =0,重复上述步骤,直至检验完所有匹配点,得到优化后的M对匹配点集P LRS ,其中,
进一步地,所述匹配点对进行质量排序具体包括:
进一步地,步骤S3具体包括:
对于质量排序后的若干匹配点对,采用八点法估计所述左图像和所述右图像之间的基础矩阵F,根据所述基础矩阵F计算出所述左右两个相机的精确位姿关系。
进一步地,步骤S4中采用图像对极几何得到所述左图像和所述右图像的极点和极线。
有益效果
本发明提供了一种应用于旋转双目立体视觉***的图像校正方法,受相机角度变换的影响较小。为开展动态会聚双目视觉测量理论研究、开展大场景高精度工业视觉测量和三维重建奠定基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的应用于旋转双目立体视觉***的图像校正方法流程示意图;
图2为本发明一实施例提供的应用于旋转双目立体视觉***的图像校正方法立体校正示意图;
图3为本发明一实施例提供的应用于旋转双目立体视觉***的图像校正方法匹配点对优选和优化示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
本发明一实施例提供一种应用于旋转双目立体视觉***的图像校正方法,包括如下步骤:
S1、采用FAST特征检测和BRIEF特征描述方法,提取ORB特征点,并在左右图像中进行初始匹配,建立左右图像特征点的映射关系,得到匹配对点;
S2、对若干所述匹配点对进行优选和二次匹配优化;
S3、对优选和二次匹配优化后的若干所述匹配点对进行质量排序,选取排序中的若干所述匹配点对,计算出所述左右两个相机的精确位姿关系;
S4、基于所述精确位姿关系,得到所述左图像和所述右图像的极点和极线;
S5、根据立体校正准则,选取所述左图像和所述右图像的投影变换矩阵,对所述左图像和所述右图像的极点和极线进行重采样,实现立体图像校正。
在本实施例中,步骤S1具体包括:采用FAST特征检测和BRIEF特征描述方法,提取ORB特征点。然后检测特征点邻域描述符子,得到ORB特征描述向量,在所述左图像和所述右图像中进行快速初始匹配,建立两者特征点的映射关系;
具体地,参阅图1,对于步骤S1,图像立体校正前,先进行特征点提取与匹配,采用的ORB特征提取算法是特征点提取的经典算法,采用FAST特征检测和BRIEF特征描述方法,提取ORB特征点,并完成初始匹配。由于双目相机每次旋转后,均需进行立体校正,那么,立体校正算法必要较快的执行速度。ORB特征提取算法,相对于SIFT和KAZE,具有明显的速度优势。
按照如下步骤进行:
1)构造左右图像I L 和I R 的W层图像金字塔,分别在W个尺度上,利用FAST算法检测角点位置,并计算每个角点的响应值,选取固定数量的角点,作为本尺度的特征点;
2)在以特征点为圆心,半径为r的圆形邻域内,计算图像质心位置,并将特征点位置到质心位置的方向作为特征点的主方向;
3)将特征点邻域旋转到主方向,利用BRIEF算法构建特征描述子,得到ORB特征描述向量;
4)对I L 和I R 中ORB特征描述向量,进行初始匹配。
在本实施例中,所述特征点优选过程如下:
ORB特征点误匹配率较高,如果能利用正确匹配点连线的几何特征,可有效剔除明显误匹配点。为此,结合了特征点连线的几何关系,定义匹配点对连线斜率和相对距离的全局几何约束,用以限定匹配点对斜率和相对距离的范围,在全局层面实现匹配点的优选。
在P LR 中,将N对匹配点间欧氏距离按从小到大排序为,选取距离中值b u 作为基准,将匹配点欧氏距离与基准距离之比定义为该匹配点的相对距离。得到相对距离集合。由,计算上述B i 所对应的匹配点的连线斜率,得到斜率集合。
具体步骤如下:
4)重复上述步骤,在全局层优选出T对匹配点集P LRE ,表示为下式所示;
在本实施例中,参阅图3,所述二次匹配优化过程如下:
特征点全局几何约束,实现了匹配点的优选,然而全局层的筛选,必会遗漏特征点邻域的部分外点,因此,有必要在特征点局部层进一步优化。鉴于此,借鉴内点邻域空间支持思想,提出内点邻域空间一致性的局部校验方法,完成二次匹配优化。
为了分别描述距离I L 中的特征点,以及与之对应的I R 中的最近的邻域集合,将P L 和P R 的邻域分别表示为和,用以描述特征点邻域内点的分布。其中,s为邻域特征点的序号, 和中包含t个P L 和P R 的邻域点(t按经验取9)。
为了描述P L 和P R 邻域内特征点空间支持和空间约束情况,定义了特征点邻域空间一致性校检值c,如下式所示。其中,为邻域内的特征点。使用来检验P L 和P R 是否满足邻域空间支持。向量用以检验P L 和P R 与邻域内匹配点向量偏移值,来衡量P L 和P R 的邻域是否具有空间约束。其中,v为P L 和P R 的向量,为匹配点邻域内和的向量。
具体步骤包括:
3)当一对匹配点同时满足邻域空间支持和空间约束时,c =0。重复上述步骤,直至检验完所有匹配点,得到优化后的M对匹配点集P LRS ;
在本实施例中,对于质量排序后的若干匹配点对,采用八点法估计所述左图像和所述右图像之间的基础矩阵F,根据所述基础矩阵F计算出所述左右两个相机的精确位姿关系。步骤S4中采用图像对极几何得到所述左图像和所述右图像的极点和极线。
在本实施例中,参阅图2,步骤S5中图像立体校正过程如下:
2)如图2(a)所示为两幅图像极点和极线分布情况,假设右图像I R 的中心像素坐标为,通过平移变换C t ,将I R 坐标轴的原点平移到图像的中心。如图2(b)所示以原点为轴心,将I R 的极点通过旋转矩阵C r 旋转到X轴上。此时,外极点坐标变换为,S为横坐标。并通过映射矩阵C g ,将映射到无穷远点,如图2(c)所示,以保证I R 上的极线与水平方向平行;
4)利用左右投影矩阵,分别重采样对极线,以此完成图像的立体校正,校正后的立体图像如图2(d)所示。
本发明的优点在于提供了一种应用于旋转双目立体视觉***的图像校正方法,受相机角度变换的影响较小。为开展动态会聚双目视觉测量理论研究、开展大场景高精度工业视觉测量和三维重建奠定基础。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的保护范围。
Claims (8)
1.一种应用于旋转双目立体视觉***的图像校正方法,其特征在于,包括如下步骤:
S1、采用FAST特征检测和BRIEF特征描述方法,提取ORB特征点,并在左右图像中进行初始匹配,建立左右图像特征点的映射关系,得到匹配点对;
S2、对若干匹配点对进行优选和二次匹配优化;
S3、对优选和二次匹配优化后的若干所述匹配点对进行质量排序,选取排序中的若干所述匹配点对,计算出所述左右两个相机的精确位姿关系;
S4、基于所述精确位姿关系,得到左图像和右图像的极点和极线;
S5、根据立体校正准则,选取所述左图像和所述右图像的投影变换矩阵,对所述左图像和所述右图像的极点和极线进行重采样,实现立体图像校正。
2.根据权利要求1所述的应用于旋转双目立体视觉***的图像校正方法,其特征在于,步骤S1具体包括:采用FAST特征检测和BRIEF特征描述方法,提取ORB特征点,然后检测特征点邻域描述符子,得到ORB特征描述向量,在所述左图像和所述右图像中进行快速初始匹配,建立两者特征点的映射关系,进而获取若干特征点的匹配点对。
3.根据权利要求2所述的应用于旋转双目立体视觉***的图像校正方法,其特征在于,步骤S1具体包括:
对所述左图像和所述右图像,构造W层图像尺度金字塔,分别在W个尺度上,利用FAST算法检测角点位置,并计算每个角点的响应值,选取固定数量的角点,作为该尺度的特征点;
再以该特征点为圆心,半径为r的圆形邻域内,计算图像质心位置,并将该特征点位置到质心位置的方向作为该特征点的主方向;
将该特征点邻域旋转到主方向,利用BRIEF算法构建特征描述符子,得到ORB特征描述向量;
最后对所述左图像和所述右图像中的所述ORB特征描述向量,进行全局匹配。
4.根据权利要求1所述的应用于旋转双目立体视觉***的图像校正方法,其特征在于,所述特征点优选具体包括:
在所述匹配点集中,将N对匹配点对间欧氏距离按从小到大排序为,选取距离中值作为基准,将匹配点对欧氏距离与基准距离之比定义为该匹配点对的相对距离,得到相对距离集合 ,由,计算上述所对应的匹配点的连线斜率,得到斜率集合;
5.根据权利要求4所述的应用于旋转双目立体视觉***的图像校正方法,其特征在于,所述二次匹配优化具体包括:
定义了特征点邻域空间一致性校检值c,
7.根据权利要求6所述的应用于旋转双目立体视觉***的图像校正方法,其特征在于,步骤S3具体包括:
对于质量排序后的若干匹配点对,采用八点法估计所述左图像和所述右图像之间的基础矩阵F,根据所述基础矩阵F计算出所述左右两个相机的精确位姿关系。
8.根据权利要求7所述的应用于旋转双目立体视觉***的图像校正方法,其特征在于,步骤S4中采用图像对极几何得到所述左图像和所述右图像的极点和极线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050257.9A CN115115861A (zh) | 2022-08-31 | 2022-08-31 | 一种应用于旋转双目立体视觉***的图像校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050257.9A CN115115861A (zh) | 2022-08-31 | 2022-08-31 | 一种应用于旋转双目立体视觉***的图像校正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115861A true CN115115861A (zh) | 2022-09-27 |
Family
ID=83336134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211050257.9A Pending CN115115861A (zh) | 2022-08-31 | 2022-08-31 | 一种应用于旋转双目立体视觉***的图像校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115861A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740374A (zh) * | 2022-10-31 | 2023-09-12 | 荣耀终端有限公司 | 重复纹理识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842118A (zh) * | 2012-07-17 | 2012-12-26 | 刘怡光 | 一种鲁棒的立体像对矫正新方法 |
CN105354856A (zh) * | 2015-12-04 | 2016-02-24 | 北京联合大学 | 一种基于mser与orb相结合的人体匹配与定位方法及*** |
US20180247429A1 (en) * | 2012-09-17 | 2018-08-30 | Nec Laboratories America, Inc. | Real-time monocular structure from motion |
CN108596867A (zh) * | 2018-05-09 | 2018-09-28 | 五邑大学 | 一种基于orb算法的图片校正方法及*** |
CN109086795A (zh) * | 2018-06-27 | 2018-12-25 | 上海理工大学 | 一种图像误匹配精确剔除方法 |
CN110189382A (zh) * | 2019-05-31 | 2019-08-30 | 东北大学 | 一种基于无共视区域的多双目相机运动标定方法 |
-
2022
- 2022-08-31 CN CN202211050257.9A patent/CN115115861A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842118A (zh) * | 2012-07-17 | 2012-12-26 | 刘怡光 | 一种鲁棒的立体像对矫正新方法 |
US20180247429A1 (en) * | 2012-09-17 | 2018-08-30 | Nec Laboratories America, Inc. | Real-time monocular structure from motion |
CN105354856A (zh) * | 2015-12-04 | 2016-02-24 | 北京联合大学 | 一种基于mser与orb相结合的人体匹配与定位方法及*** |
CN108596867A (zh) * | 2018-05-09 | 2018-09-28 | 五邑大学 | 一种基于orb算法的图片校正方法及*** |
CN109086795A (zh) * | 2018-06-27 | 2018-12-25 | 上海理工大学 | 一种图像误匹配精确剔除方法 |
CN110189382A (zh) * | 2019-05-31 | 2019-08-30 | 东北大学 | 一种基于无共视区域的多双目相机运动标定方法 |
Non-Patent Citations (2)
Title |
---|
JIAYI MA ETAL.: ""Locality Preserving Matching"", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
郑真真 等: ""一种采用最小平方中值的改进极线校正方法"", 《遥感信息》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740374A (zh) * | 2022-10-31 | 2023-09-12 | 荣耀终端有限公司 | 重复纹理识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564617B (zh) | 多目相机的三维重建方法、装置、vr相机和全景相机 | |
CN108648240B (zh) | 基于点云特征地图配准的无重叠视场相机姿态标定方法 | |
CN108489395B (zh) | 视觉测量***结构参数标定和仿射坐标系构建方法与*** | |
WO2018209968A1 (zh) | 摄像机标定方法及*** | |
US8593524B2 (en) | Calibrating a camera system | |
CN108876749A (zh) | 一种鲁棒的镜头畸变校正方法 | |
US8538198B2 (en) | Method and apparatus for determining misalignment | |
CN106643669B (zh) | 一种多镜头多探测器航空相机单中心投影转换方法 | |
CN110044301B (zh) | 基于单双目混合测量的三维点云计算方法 | |
CN109754459B (zh) | 一种用于构建人体三维模型的方法及*** | |
CN107564091A (zh) | 一种基于快速对应点搜索的三维重建方法及装置 | |
CN105118086B (zh) | 3d‑aoi设备中的3d点云数据配准方法及*** | |
CN113920205B (zh) | 一种非同轴相机的标定方法 | |
CN112598740B (zh) | 一种大范围多视倾斜影像连接点快速精确匹配方法 | |
EP2297699A1 (en) | Apparatus for evaluating images from a multi camera system, multi camera system and process for evaluating | |
CN108269289A (zh) | 一种相机参数标定的两步优化方法 | |
CN110738608B (zh) | 一种平面图像校正方法及*** | |
CN110349257B (zh) | 一种基于相位伪映射的双目测量缺失点云插补方法 | |
CN115115861A (zh) | 一种应用于旋转双目立体视觉***的图像校正方法 | |
CN114549746A (zh) | 一种高精度真彩三维重建方法 | |
CN116957987A (zh) | 一种多目极线校正方法、装置、计算机设备及存储介质 | |
CN114877826B (zh) | 一种双目立体匹配三维测量方法、***及存储介质 | |
CN117333367A (zh) | 基于图像局部特征的图像拼接方法、***、介质及装置 | |
CN106875374B (zh) | 一种基于线特征的弱连接影像拼接方法 | |
CN115719320A (zh) | 基于遥感影像的倾斜校正稠密匹配方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220927 |
|
RJ01 | Rejection of invention patent application after publication |