CN116503387A - 图像检测方法、装置、设备、***及可读存储介质 - Google Patents
图像检测方法、装置、设备、***及可读存储介质 Download PDFInfo
- Publication number
- CN116503387A CN116503387A CN202310745475.2A CN202310745475A CN116503387A CN 116503387 A CN116503387 A CN 116503387A CN 202310745475 A CN202310745475 A CN 202310745475A CN 116503387 A CN116503387 A CN 116503387A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- image detection
- characteristic
- detected
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 14
- 238000000605 extraction Methods 0.000 description 12
- 238000003466 welding Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的图像检测方法、装置、设备、***及可读存储介质,包括:获取待检测图像;待检测图像中包含特征目标;确定待检测图像中的目标像素点以及各个目标像素点处椭圆切线的向量表示以及权重;根据全部椭圆切线对应的向量表示以及权重,对特征目标的特征参数进行参数值估计,并基于更新策略得到最优参数值;根据最优参数值对特征目标进行定位和检测;本发明能够快速准确的估计图像中特征目标的最优参数值,进而能够精准地对待检测图像中的特征目标进行定位和检测。
Description
技术领域
本发明涉及机器视觉技术领域,具体而言,涉及一种图像检测方法、装置、设备、***及可读存储介质。
背景技术
圆形特征广泛应用于机器视觉领域,基于圆孔靶标的摄像机标定、基于圆形特征的机器人自动引导、物体空间位置和姿态测量、视觉导航以及目标对象识别等。圆是一种特殊的椭圆,并且圆的透视投影往往表现为椭圆特征,因此研究图像中椭圆特征提取的方法具有重要的意义。
在机器视觉的实际应用中,常常需要精准定位图像中的椭圆形目标,从而可以实现缺陷检测、边界拟合等目的。在对图像中进行椭圆目标定位的现有技术中,常用的方法有形心法、Hough变换法以及基于边界点拟合的方法,这些方法要么会受到图像灰度噪声或者边界噪声的影响,要么算法复杂度较高,降低了定位与检测的精准性和效率。
发明内容
本发明的目的包括,例如,提供了一种图像检测方法、装置、设备、***及可读存储介质,其能够快速准确的提取图像中椭圆形目标的最优特征参数值,这能够提高后续在待检测图像中对特征目标进行定位和检测的精准性。本发明的实施例可以这样实现:
第一方面,本发明提供一种图像检测方法,所述方法包括:获取待检测图像;所述待检测图像中包含特征目标; 确定所述待检测图像中的目标像素点以及各个所述目标像素点处椭圆切线的向量表示以及权重;根据全部所述椭圆切线对应的所述向量表示以及所述权重,对所述特征目标的特征参数进行参数值估计,并基于更新策略得到最优参数值;根据所述最优参数值对所述特征目标进行定位和检测。
第二方面,本发明提供一种图像检测装置,包括:获取模块,用于获取待检测图像;所述待检测图像中包含特征目标; 确定模块,用于确定所述待检测图像中的目标像素点以及各个所述目标像素点处椭圆切线的向量表示以及权重;估计模块,用于根据全部所述椭圆切线对应的所述向量表示以及所述权重,对所述特征目标的特征参数进行参数值估计,并基于更新策略得到最优参数值;定位与检测模块,用于根据所述最优参数值对所述特征目标进行定位和检测。
第三方面,本发明提供一种图像检测设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现第一方面所述的图像检测方法。
第四方面,本发明提供一种图像检测***,包括如前述实施方式所述的图像检测设备和相机平台;所述相机平台用于获取待检测图像,并将所述待检测图像发送给所述图像检测设备,所述图像检测设备用于执行如第一方面所述的图像检测方法。
第五方面,本发明提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的图像检测方法。
本发明提供的图像检测方法、装置、设备、***及可读存储介质, 包括:获取待检测图像;所述待检测图像中包含特征目标; 确定所述待检测图像中的目标像素点以及各个所述目标像素点处椭圆切线的向量表示以及权重,其中,筛选出目标像素点可以避免人为因素以及相机噪声对检测精度的干扰,设置权重可以提升基于椭圆切线进行检测的精度和鲁棒性;再根据全部所述椭圆切线对应的所述向量表示以及所述权重,对所述特征目标的特征参数进行参数值估计,并基于更新策略得到最优参数值,基于更新策略反复迭代直到得到最优参数,可以提升参数值的估计精度,这能够提高后续在待检测图像中对特征目标进行定位和检测的精准性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的图像检测***的结构框图;
图2为本发明实施例提供的图像检测设备的结构框图;
图3为本发明实施例提供的图像检测方法的示意性流程图;
图4A为本发明实施例提供的仿真椭圆的特征参数提取效果;
图4B为图4A中左上角的椭圆的局部放大效果;
图5为本发明实施例提供的拟合效果对比图;
图6为本发明实施例提供的图像检测装置的功能模块图。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“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,或者是该发明产品使用时惯常摆放的方位或位置关系,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。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
圆形特征广泛应用于机器视觉领域,基于圆孔靶标的摄像机标定、基于圆形特征的机器人自动引导、物体空间位置和姿态测量、视觉导航以及目标对象识别等。圆是一种特殊的椭圆,并且圆的透视投影往往表现为椭圆特征,因此研究图像中椭圆特征提取的方法具有重要的意义。
检测精度与计算效率是椭圆形目标特征提取中的两个重要问题。目前已经存在大量的椭圆特征提取方法,比如形心法、Hough变换法以及基于椭圆边界点进行拟合的方法,其中,基于不变矩方法以及基于最小二乘法是最常见的基于椭圆边界点进行拟合的算法;然而不变矩方法虽然可以得到亚像素级别的椭圆中心,但是容易受到图像灰度噪声的影响;而基于椭圆边界点的最小二乘算法必须先提取椭圆边界再进行椭圆拟合,不仅提高了椭圆拟合算法的复杂程度,而且极容易受到边界噪声的影响,大大降低椭圆拟合的精度。而且,边缘提取是个复杂的过程,包括梯度估计、非极大值抑制、阈值选择等多个步骤,步骤中存在着众多的不确定因素,严重地影响最终的参数估计精度。
因此,为了解决上述技术问题,提高椭圆形目标的特征提取精度和效率,本发明实施例提供的一种图像检测方法,可以基于对偶二次曲线理论模型进行椭圆参数估计,并且在参数估计时使用多种参数约束方式,为椭圆参数估计的精度提供了保证,整个过程中不存在边缘提取环节,有效避免了由边缘提取所引入的误差,并提高了效率。
请参见图1,图1为本发明实施例提供的图像检测***的结构框图,图像检测***10包括图像检测设备100和相机标定平台110,图像检测设备100和相机标定平台110可以有线连接或者无线网连接。
相机标定平台110,包括用于拍摄图像的相机和用于标定的平台,相机可以固定在平台上,相机的拍摄角度可以调整以保证能够全方位对待检测对象进行拍摄,相机可以但不限于是工业相机,相机对待检测对象进行图像采集,并将采集到的图像发送给图像检测设备100进行检测,待检测对象可以是电路板、芯片等,此处不作限定。
图像检测设备100,用于执行本发明实施例提供的图像检测方法,请参见图2,图2为本发明实施例提供的图像检测设备的结构框图,包括:存储器101、处理器102、通信接口103、和总线104,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
可选的,总线104可以是外设部件互连标准(,PCI)总线或扩展工业标准结构(/>,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本发明实施例中,处理器102可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储器101中,处理器102读取存储器101中的程序指令,结合其硬件完成上述方法的步骤。
在本发明实施例中,存储器101可以是非易失性存储器,比如硬盘(,HDD)或固态硬盘(/>,SSD)等,还可以是易失性存储器(/>),例如RAM。存储器还可以是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本发明实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置,用于存储指令和/或数据。
存储器101可用于存储软件程序及模块,如本发明实施例提供的图像检测装置400的指令/模块,可以软件或固件(firmware)的形式存储于存储器101中或固化在图像检测设备100的操作***(,OS)中,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
可以理解,图2所示的结构仅为示意,图像检测设备100还可以包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2所示的各组件可以采用硬件、软件或其组合实现。
图像检测设备100可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(,PDA)、游戏机、交互式网络电视(/>,IPTV)、智能式穿戴式设备等。
图像检测设备100还可以包括网络设备和/或用户设备。其中,网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。
图像检测设备100所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(,VPN)等。
在本发明实施例中,可以利用相机标定平台对IC电路板进行拍摄,并将拍摄到的图像发送给图像检测设备100,图像检测设备100可以执行本发明实施例提供的图像检测设备,对IC电路板上焊接的焊点进行特征参数的检测,并基于获得的特征参数进行边界拟合,从而确定焊点在图像中的位置,并可根据拟合结果可以对焊点进行缺陷检测。
下面以图1中的图像检测设备100为执行主体,介绍本发明实施例提供的图像检测方法,请参见图3,图3为本发明实施例提供的图像检测方法的示意性流程图,可以包括如下步骤:
S301:获取待检测图像;待检测图像中包含特征目标;
S302:确定待检测图像中的目标像素点以及各个目标像素点处椭圆切线的向量表示以及权重;
S303:根据全部椭圆切线对应的向量表示以及权重,对特征目标的特征参数进行参数值估计,并基于更新策略得到最优参数值;
S304:根据最优参数值对特征目标进行定位和检测。
在上述步骤S301至步骤S304的技术方案中,获取待检测图像后筛选出目标像素点,可以避免人为因素以及相机噪声对检测精度的干扰,然后得到目标像素点处的椭圆切线所对应的向量表示和权重,设置权重可以提升基于椭圆切线进行检测的精度和鲁棒性,根据得到的全部椭圆切线的向量表示和权重来进行参数估计,得到椭圆形目标特征参数的参数值,为了确定该参数值是否是最优参数值,还基于更新策略得到反复迭代,得到最优参数值,提升了参数值的估计精度,这能够提高后续在待检测图像中对特征目标进行定位和检测的精准性。
在可选的实施方式中,上述特征目标是椭圆形目标,特征参数可以包括椭圆形目标的中心点坐标、旋转角度、长轴值和短轴值,那么,可以根据中心坐标确定椭圆形目标在待检测图像的目标位置;在目标位置处,根据旋转角度、长轴值和短轴值进行曲线拟合,得到椭圆形边界,拟合出来的椭圆形边界与特征目标的实际边界相比较误差较小,准确度较高。
下面对上述各个步骤进行详细说明。
在步骤S301中,待检测图像可以是图像检测设备实时接收的图像或者预先存储的图像,待检测图像中具有特征目标,该特征目标具有椭圆特征。比如,待检测图像是对IC电路板进行拍摄得到的图像,其中椭圆形目标为IC电路板上的焊点。
在步骤S302中,确定待检测图像中的目标像素点以及各个目标像素点处椭圆切线的向量表示以及权重。
在本发明实施例中,从待检测目标中筛选出目标像素点可以避免人为因素以及相机噪声对检测精度的干扰,设置权重可以提升基于椭圆切线进行检测的精度和鲁棒性,为了实现上述技术效果,步骤S302可以包括如下子步骤:
子步骤1:将待检测图像转换成梯度图像;
子步骤2:根据梯度图像中各个像素点的梯度幅值,确定目标像素点以及椭圆切线的向量表示和权重。
可以理解的是,图像梯度计算的是图像像素变化的程度。对于图像的边缘部分,其灰度值变化较大,梯度值也较大;对于图像中比较平滑的部分,其灰度值变化较小,相应的梯度值也小,因此图像梯度计算的是图像的边缘信息,因此,为了实现对椭圆形目标的定位,确定椭圆形目标的边界位置信息能够提升定位精度,所以本发明实施例可以通过梯度信息来构造椭圆切线,以此求解椭圆形目标的特征参数的参数值,在该参数值的约束下进行边界拟合,能够得到与实际情况相符合的拟合结果,因此在得到待检测图像之后,可以将待检测图像转换为梯度图像,从而获得椭圆边界像素点的梯度幅值等信息。其中,梯度图像的转换方式为现有技术,此处不再赘述。
在本发明实施例中,考虑到传统的椭圆参数估计方法常常先提取椭圆的边界,然后对提取的边界使用数值方法拟合为所需的椭圆参数。边缘提取环节存在的原因在于椭圆特征的定义方式采用点二次曲线的形式,形如等式(1):
其中,为二次曲线表达式中的系数,也是椭圆形目标的特征参数,在二次曲线上的一点/>,存在等式(2):
(2)
式中、/>为第i个像素点/>的水平坐标和垂直坐标。
由点和线的对偶关系,椭圆在其对偶空间中也可由切线表示,对椭圆上一切直线,其中/>为切线/>对应的标准方程的系数,也存在等式(3):
(3)
式中为/>的逆矩阵/>中的特征参数,/>形如等式(4):
理论上只要确切获知5条不同位置的椭圆切线,便可唯一确定上述特征参数。因此,从上述对偶二次曲线理论可知,确定椭圆形目标的特征参数的参数值必须先获取椭圆切线,椭圆边界处的图像梯度不仅可以区分图像,也可以表征图像边缘的法向,本发明实施例将通过梯度信息构造椭圆切线并求解椭圆形目标的特征参数的参数值。
因此,在本发明实施例为了避免人为因素以及相机噪声对检测精度的干扰,本发明实施例提供了一种阈值分割方法,来筛选出用于进行参数估计的目标像素点,即子步骤1的实施方式可以是:在梯度图像中确定特征目标的边界邻域;在边界邻域处,将梯度幅值大于预设阈值的像素点确定为目标像素点。
其中,边界邻域可以理解为椭圆形目标的边界像素点在八个方向上的相邻的像素点所组成的区域,将边界邻域内的像素点对应的梯度幅值的平均值的预设倍数确定为预设阈值,比如,预设倍数为2倍或者3倍,通过该预设阈值即可在边界邻域内筛选出目标像素点。
为了确定各个目标像素点处椭圆切线的向量表示以及权重,针对上述子步骤2,本发明实施例提供的实施方式可以是:
将目标像素点在水平方向上的水平梯度幅值、在竖直方向上的竖直梯度幅值、负梯度方向上的梯度幅值与目标像素点的坐标之间的乘积组成的向量,作为向量表示,并将目标像素点对应的梯度的模值,作为椭圆切线的权重。
在本发明实施例中,边界邻域处的像素点的梯度可以表示为,其中,分别为第i个像素点的水平方向梯度幅值和竖直方向梯度幅值,那么在该像素点处的椭圆切线li的向量表示如等式(5):
(5)
其中,,为第i个像素点的坐标表示;负号表示该梯度的负方向, 该直线方向的法向指向第i个像素点的梯度方向,并且椭圆焦点处于该直线法向中。
为了提升检测精度以及鲁棒性,将各个目标像素点的梯度幅值的模值作为椭圆切线的权重,一般而言,梯度模值大的椭圆切线更大概率位于椭圆边界上,并且,梯度模值大的椭圆边界对于椭圆形目标的特征参数估计的重要性远大于梯度模值较小的椭圆边界,因此,本发明实施例将梯度幅值的模值作为权重值加入到椭圆形目标的特征参数估计问题中,可以大大加强本发明实施例提供的图像检测算法的抗噪性以及精度。
获得一组椭圆切线之后,下面对步骤S303进行详细介绍。
在步骤S303的技术方案中,首先根据全部椭圆切线对应的向量表示以及权重,对特征目标的特征参数进行参数值估计,可以包括如下步骤:
步骤1:根据向量表示以及权重构建关于特征参数的待求解函数;
正如上述等式(1)和等式(4)所示,可以看出本发明实施例待求解的特征参数为椭圆对应的二次曲线的系数,将待求解的特征参数向量记作,那么/>,针对每条椭圆切线li,将其权重设为/>,那么待求解函数形如等式(6):
(6)
其中,表征第i条椭圆切线,形如/>;/>为/>的向量参数;/>、/>为/>处的目标像素点的水平梯度幅值和竖直梯度幅值,/>表征目标像素点的负方向梯度和坐标之积;R表征椭圆切线的集合;/>表征第/>条椭圆切线的权重;/>表征待求解的特征参数向量;/>表征待求解函数,可以看出,待求解函数是基于待求解的特征参数向量,椭圆切线的向量表示以及权重构建而成。
步骤2:对待求解函数进行求解,得到除常参数以外的特征参数的参数值。
在本发明实施例中,椭圆的二次曲线方程中存在一个数值为常数的特征参数,即上述特征参数向量中的F,因此,对待求解函数进行求解之前,可以先将待求解的特征参数向量中的常参数的参数值设置为数值一,基于常参数的参数值对待求解函数进行转换,并基于最小二乘法对转换后的待求解函数进行求解,得到除常参数以外的剩余特征参数的参数值。
考虑到直线尺度的不确定性,对于每条椭圆切线,可以令其满足,从而实现直线归一化的效果,那么上述等式(6)可以变为等式(7):
(7)
其中,由椭圆切线的参数组成,且/>。
在现有技术中,通常是在约束条件的限制下,对上述待求解函数进行通过SVD分解法直接求解,得到各个特征参数的参数值。
然而,并不满足椭圆的实际参数情况,所计算得到的椭圆参数常常为椭圆的有偏估计。因此本发明实施例不采用这种方法计算椭圆参数的最小二乘解。由于椭圆的判别式为/>。观察到等式(8):
上式中为对称正定矩阵,/>,因此/>必然大于0。本发明实施例中对于式(3)两边同时乘以非零尺度因子,使/>=1。从而式(7)可写为:
其中,由/>的参数组成,形如/>;/>由/>的部分参数组合而成,形如/>。等式(9)即为本发明实施例提供的转换后的待求解函数,/> 。此时,利用最小二乘法对等式(9)进行求解,能够得到满足椭圆基本判别式的最小二乘解,即上述特征参数的参数值。
在获得特征参数的参数值之后,为了确定该参数值是否是最优参数值,可以基于更新策略对该参数值进行更新,在实施过程中可以包括如下步骤:
步骤3:在估计出来的参数值的约束下确定特征目标的中心坐标方差。
首先,可以在待求解函数等于零的约束下,对待求解的特征参数向量进行变换,得到特征参数的观测残差向量;然后,根据全部权重构建权重方阵,并计算观测残差向量的转置、权重方阵和观测残差向量的乘积矩阵,计算乘积矩阵与乘积矩阵的转置之间的乘积,将乘积除以预设观测次数与剩余特征参数的参数值的个数之差,得到特征参数对应的方差矩阵;最后,在方差矩阵中,根据中心坐标的横坐标与对应特征参数之间的关系以及协方差传播定律,计算横坐标的方差,根据中心坐标的纵坐标与对应特征参数之间的关系以及协方差传播定律,计算纵坐标的方差。
在上述实施例中,利用了概率统计知识来确定所估计出来的特征参数的参数值的精度, 在概率统计中,令参数的观测残差矩阵为,/>为系数矩阵,/>为参数矩阵,/>为常量矩阵;参数的权重矩阵为/>;观测次数为/>,参数个数为/>。此时定义参数的单位权方差/>形如等式(10):
对于参数矩阵,定义参数矩阵的方差形如等式(11):
因此,结合上述概率统计知识,本发明实施例假设上述等式(4)等于零,即给定的拟合数据不存在误差,意味着等式(4)中这部分等于零,结合椭圆切线的向量表示对这部分表达式进行展开,能够得到特征参数的观测残差向量,形如:形如:;n表征椭圆切线的总数;/>形如:/>,/>表征求解后的特征参数向量。
从上述内容可知,需要被估计的特征参数的个数为5,设观测次数为,因此,假设为/>构造的方阵,特征参数对应的方差矩阵/>为5x5的方阵,可通过等式(10)计算得到:
(12)
由对极几何理论可知,椭圆中心坐标与特征参数组成的矩阵/>满足以下关系式(13):即椭圆上的点所构造的极线,其无穷远处为椭圆中心位置:
(13)
根据上述关系式(13)可知椭圆中心与/>的关系,通过协方差传播定律,可得到椭圆中心的方差的计算等式如等式(14):
(14)
其中,为椭圆形目标中心坐标的横坐标方差,/>为椭圆形目标中心坐标的纵坐标方差,/>为特征参数D的方差;/>为特征参数E的方差。
通过计算椭圆形目标的中心坐标的方差,即可定量评估椭圆的拟合精度,参见步骤4。
步骤4:根据中心坐标方差与预设精度阈值的比较结果确定最优参数值。
在本发明实施例中,若中心坐标方差小于预设精度阈值,则将参数值作为最优参数值,否则,说明估出来的参数不是当前椭圆形目标的最优估计,更新椭圆切线的权重,并基于更新后的权重,更新特征参数的参数值,并基于更新后的权重再次进行参数估计,直到中心坐标方差小于预设精度阈值或达到所设迭代次数上限,得到最优参数值。
在本发明实施例中,还给出了更新椭圆切线的权重的实施方式,即计算所有像素点到当前椭圆参数的距离,若大于所设定距离阈值,则设定该像素点对应的切线权重为0,因此可以按照如下步骤进行:
步骤a:根据全部特征参数的参数值得到椭圆形目标的二次曲线方程;
步骤b:将每个目标像素点的坐标值代入二次曲线方程中,得到每个目标像素点对应的方程解;
步骤c:将方程解大于预设方程解的目标像素点对应的椭圆切线的权重更新为零。
可以理解的是,针对二次曲线上的任意一个点,当把这个点的坐标值带入到二次曲线方程中,方程结果为零,否则方程结果不为零,因此,在本发明实施例中,预设方程解为零,在估计得到的参数值的约束下,如果全部目标像素点的坐标值带入到二次曲线方程中为零,证明说明目标像素点在托椭圆形目标的边界上,根据该参数值能够准确拟合出椭圆形目标,否则,将不能使二次曲线方程等于零的目标像素点的对应的椭圆形切线的权重更新为零,然后返回进行参数估计。
在步骤304中,特征目标为椭圆形目标;特征参数的参数值包括椭圆形目标的中心点坐标、旋转角度、长轴值和短轴值,根据最优参数值对特征目标进行定位检测,包括:根据中心点坐标确定特征目标在待检测图像的目标位置;在目标位置处,根据旋转角度、长轴值和短轴值进行曲线拟合,得到特征目标的边界,从而实现对特征目标的定位与检测的效果。
通过上述实施例可知,本发明基于对偶二次曲线理论模型,并且在椭圆参数求解中,加入阈值分割,权重分配、直线归一化、椭圆判别式等约束条件,相对于简单的点约束,本发明实施例能快速而准确的估计椭圆形目标特征参数的参数值,通过实验验证,本发明实施例的椭圆参数拟合精度为0.03pixel;而且,本发明实施例在进行特征参数的参数值估计时,无需事先提取椭圆轮廓数据,大大提升了椭圆参数估计的效率;对椭圆拟合结果进行精度评价,并且基于精度评价结果进行拟合迭代,在椭圆存在缺陷情况下,依然可以得到精确稳定的拟合结果。
为了验证本发明实施例提出算法的精度性以及鲁棒性,可以利用图1所示的图像检测***10进行验证,***的硬件包括:1台MV-CE200-11GM型工业相机。其中,相机像元尺寸为2.4 2.4/>;分辨率为2688/> 1520/>。镜头尺寸为4.8/>。配备百万像素25/>焦距的工业相机镜头以及外径120/>的蓝色环形光源。
在标定实验前,首先进行了椭圆拟合实验,首先,对模拟图像进行椭圆参数提取,并与传统的Sobel算子进行了比较。模拟图像通过PhotoShop软件绘制4个标定板上的大圆。考虑到实际的CMOS传感器和光学***对图像的平滑作用,对生成的图像经过邻域平滑后进行椭圆参数估计,验证算法的精度,仿真实验图像以及椭圆参数估计的结果如图4A和图4B所示。其中,图4A为本发明实施例提供的仿真椭圆的特征参数提取效果,图4B为图4A中左上角的椭圆的局部放大效果,明显可以看出,本发明实施例提供的图像检测方法所估计出来的椭圆参数,能够准确拟合出真实椭圆,精度较高。
为了定量验证本发明实施例的检测精度,将椭圆形目标的中心坐标提取的结果与真实值进行对比,对比结果如表1所示的仿真图像中椭圆中心提取结果。
表1
从表中可以看出,四个椭圆中心的横坐标误差均值为0.028,纵坐标误差均值为0.027/>。因此,本发明实施例提供的图像检测方法提取的特征参数的精度可达0.03以下,相较于Sobel算子的提取结果,本发明实施例大大提高了椭圆参数的提取精度。/>
在IC板中对焊点进行检测的业务场景中,本发明实施例提供的图像检测方法也能够准确对焊点进行检测和定位,比如,对芯片进行图像采集得到的芯片图像中具有焊点,比如,选择其中一个焊点,分别使用现有技术和本发明实施例提供的图像检测方法进行拟合,拟合效果如图5所示,其中,左图为现有技术的拟合效果,右图为本发明实施例的拟合效果,可以明显看出,本发明实施例的拟合结果可以避免缺陷的影响,这表明本发明实施例提供的图像检测方法在椭圆具有缺陷时依然可以稳定精确提取出椭圆参数,利用该参数值进行拟合便可得到较高的拟合精度,鲁棒性较好。
基于相同的发明构思,本发明实施例还提供一种图像检测装置,该图像检测装置如图6所示,图6为本发明实供的图像检测装置的功能模块图,该图像检测装置400可包括:获取模块410、确定模块420、估计模块430、定位与检测模块440。
获取模块410,用于获取待检测图像;待检测图像中包含特征目标;
确定模块420,用于确定待检测图像中的目标像素点以及各个目标像素点处椭圆切线的向量表示以及权重;
估计模块430,用于根据全部椭圆切线对应的向量表示以及权重,对特征目标的特征参数进行参数值估计,并基于更新策略得到最优参数值;
定位与检测模块440,用于根据最优参数值对特征目标进行定位和检测。
可以理解的是,获取模块410、确定模块420、估计模块430、定位与检测模块440可以协同的执行图3中的各个步骤以实现相应的技术效果。
在可选的实施方式中,确定模块420可以具体用来执行子步骤1和子步骤2以及子步骤1和子步骤2各自的实施方式,以实现相应的技术效果。
在可选的实施方式中,估计模块430可以具体用于执行本发明实施例中的步骤1至步骤4以及步骤a至步骤c以实现相应的技术效果。
在可选的实施方式中,定位与检测模块440,具体用于根据中心坐标确定椭圆形目标在待检测图像的目标位置;在目标位置处,根据旋转角度、长轴值和短轴值进行曲线拟合,得到椭圆形边界。
需要说明的是,本申请以上实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台图像检测设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(,ROM)、随机存取存储器(/>,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
基于以上实施例,本申请还提供了一种存储介质,存储介质中存储有计算机程序,计算机程序被计算机执行时,使得计算机执行以上实施例提供的图像检测方法。
基于以上实施例,本发明实施例还提供了一种计算机程序,当计算机程序在计算机上运行时,使得计算机执行以上实施例提供的图像检测方法。
基于以上实施例,本发明实施例还提供了一种芯片,芯片用于读取存储器中存储的计算机程序,用于执行以上实施例提供的图像检测方法。
本发明实施例中还提供一种计算机程序产品,包括指令,当其在计算机上运行时,使得计算机执行以上实施例提供的图像检测方法。
本发明实施例是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上,仅为本发明的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种图像检测方法,其特征在于,所述方法包括:
获取待检测图像;所述待检测图像中包含特征目标;
确定所述待检测图像中的目标像素点以及各个所述目标像素点处椭圆切线的向量表示以及权重;
根据全部所述椭圆切线对应的所述向量表示以及所述权重,对所述特征目标的特征参数进行参数值估计,并基于更新策略得到最优参数值;
根据所述最优参数值对所述特征目标进行定位和检测。
2.根据权利要求1所述的图像检测方法,其特征在于,确定所述待检测图像中的目标像素点以及各个所述目标像素点处椭圆切线的向量表示以及权重,包括:
将所述待检测图像转换成梯度图像;
根据所述梯度图像中各个像素点的梯度幅值,确定所述目标像素点以及所述椭圆切线的向量表示和所述权重。
3.根据权利要求2所述的图像检测方法,其特征在于, 根据所述梯度图像中各个像素点的梯度幅值,确定所述目标像素点以及所述椭圆切线的向量表示和所述权重,包括:
在所述梯度图像中确定所述特征目标的边界邻域;
在所述边界邻域处,将梯度幅值大于预设阈值的所述像素点确定为所述目标像素点;
将所述目标像素点在水平方向上的水平梯度幅值、在竖直方向上的竖直梯度幅值、负梯度方向上的所述梯度幅值与所述目标像素点的坐标之间的乘积组成的向量,作为所述向量表示,并将所述目标像素点对应的所述梯度的模值,作为所述椭圆切线的权重。
4.根据权利要求1所述的图像检测方法,其特征在于,根据全部所述椭圆切线对应的所述向量表示以及所述权重,对所述特征目标的特征参数进行参数值估计,包括:
根据所述向量表示以及所述权重构建关于所述特征参数的待求解函数;
对所述待求解函数进行求解,得到除常参数以外的所述特征参数的参数值。
5.根据权利要求1所述的图像检测方法,其特征在于,基于更新策略得到最优参数值,包括:
在估计出来的参数值的约束下确定所述特征目标的中心坐标方差;
根据所述中心坐标方差与预设精度阈值的比较结果确定所述最优参数值。
6.根据权利要求5所述的图像检测方法,其特征在于,根据所述中心坐标方差与预设精度阈值的比较结果确定所述最优参数值,包括:
若所述中心坐标方差小于所述预设精度阈值,则将所述参数值作为最优参数值,否则,更新所述椭圆切线的所述权重,并基于更新后的所述权重,更新所述特征参数的参数值,直到所述中心坐标方差小于所述预设精度阈值或达到所设迭代次数上限,得到所述最优参数值。
7.根据权利要求6所述的图像检测方法,其特征在于,更新所述椭圆切线的所述权重,包括:
根据全部所述特征参数的参数值得到所述特征目标的二次曲线方程;
将每个所述目标像素点的坐标值代入所述二次曲线方程中,得到每个所述目标像素点对应的方程解;
将所述方程解大于预设方程解的所述目标像素点对应的所述椭圆切线的权重更新为零。
8.根据权利要求1所述的图像检测方法,其特征在于,所述特征目标为椭圆形目标;所述特征参数的参数值包括所述椭圆形目标的中心点坐标、旋转角度、长轴值和短轴值,根据所述最优参数值对所述特征目标进行定位和检测,包括:
根据所述中心点坐标确定所述特征目标在所述待检测图像的目标位置;
在所述目标位置处,根据所述旋转角度、所述长轴值和所述短轴值进行曲线拟合,得到所述特征目标的边界。
9.一种图像检测装置,其特征在于,包括:
获取模块,用于获取待检测图像;所述待检测图像中包含特征目标;
确定模块,用于确定所述待检测图像中的目标像素点以及各个所述目标像素点处椭圆切线的向量表示以及权重;
估计模块,用于根据全部所述椭圆切线对应的所述向量表示以及所述权重,对所述特征目标的特征参数进行参数值估计,并基于更新策略得到最优参数值;
定位与检测模块,用于根据所述最优参数值对所述特征目标进行定位和检测。
10.一种图像检测设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现权利要求1至8任一项所述的图像检测方法。
11.一种图像检测***,其特征在于,包括如权利要求10所述的图像检测设备和相机平台;所述相机平台用于获取待检测图像,并将所述待检测图像发送给所述图像检测设备,所述图像检测设备用于执行如权利要求1至8任意一项所述的图像检测方法。
12.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任意一项所述的图像检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310745475.2A CN116503387B (zh) | 2023-06-25 | 2023-06-25 | 图像检测方法、装置、设备、***及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310745475.2A CN116503387B (zh) | 2023-06-25 | 2023-06-25 | 图像检测方法、装置、设备、***及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503387A true CN116503387A (zh) | 2023-07-28 |
CN116503387B CN116503387B (zh) | 2024-03-26 |
Family
ID=87318651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310745475.2A Active CN116503387B (zh) | 2023-06-25 | 2023-06-25 | 图像检测方法、装置、设备、***及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503387B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020150280A1 (en) * | 2000-12-04 | 2002-10-17 | Pingshan Li | Face detection under varying rotation |
JP2006350553A (ja) * | 2005-06-14 | 2006-12-28 | Kyoto Univ | 対応点探索方法、相互標定方法、3次元画像計測方法、対応点探索装置、相互標定装置、3次元画像計測装置、対応点探索プログラム及び対応点探索プログラムを記録したコンピュータ読み取り可能な記録媒体 |
CN107209849A (zh) * | 2015-01-07 | 2017-09-26 | 微软技术许可有限责任公司 | 眼睛跟踪 |
CN107301638A (zh) * | 2017-05-27 | 2017-10-27 | 东南大学 | 一种基于弧支持线段的椭圆检测方法 |
CN109086734A (zh) * | 2018-08-16 | 2018-12-25 | 新智数字科技有限公司 | 一种对人眼图像中瞳孔图像进行定位的方法及装置 |
CN110276324A (zh) * | 2019-06-27 | 2019-09-24 | 北京万里红科技股份有限公司 | 一种虹膜图像中确定瞳孔椭圆的方法 |
CN110781956A (zh) * | 2019-10-24 | 2020-02-11 | 精硕科技(北京)股份有限公司 | 一种目标检测的方法、装置、电子设备及可读存储介质 |
CN111626236A (zh) * | 2020-05-29 | 2020-09-04 | 常州工学院 | 一种快速的椭圆目标检测方法 |
CN112967281A (zh) * | 2021-04-07 | 2021-06-15 | 洛阳伟信电子科技有限公司 | 一种基于弧支持生长的椭圆检测算法 |
US20220172393A1 (en) * | 2019-04-05 | 2022-06-02 | Airbus Defence And Space Sas | Method for locating a target from an elliptical contour |
CN114648544A (zh) * | 2022-03-22 | 2022-06-21 | 聚时领臻科技(浙江)有限公司 | 一种亚像素椭圆提取方法 |
CN115423870A (zh) * | 2022-08-29 | 2022-12-02 | 中汽创智科技有限公司 | 一种瞳孔中心定位方法和装置 |
CN115457063A (zh) * | 2022-08-23 | 2022-12-09 | 武汉海微科技有限公司 | Pcb板圆孔的边缘提取方法、装置、设备及存储介质 |
-
2023
- 2023-06-25 CN CN202310745475.2A patent/CN116503387B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020150280A1 (en) * | 2000-12-04 | 2002-10-17 | Pingshan Li | Face detection under varying rotation |
JP2006350553A (ja) * | 2005-06-14 | 2006-12-28 | Kyoto Univ | 対応点探索方法、相互標定方法、3次元画像計測方法、対応点探索装置、相互標定装置、3次元画像計測装置、対応点探索プログラム及び対応点探索プログラムを記録したコンピュータ読み取り可能な記録媒体 |
CN107209849A (zh) * | 2015-01-07 | 2017-09-26 | 微软技术许可有限责任公司 | 眼睛跟踪 |
CN107301638A (zh) * | 2017-05-27 | 2017-10-27 | 东南大学 | 一种基于弧支持线段的椭圆检测方法 |
CN109086734A (zh) * | 2018-08-16 | 2018-12-25 | 新智数字科技有限公司 | 一种对人眼图像中瞳孔图像进行定位的方法及装置 |
US20220172393A1 (en) * | 2019-04-05 | 2022-06-02 | Airbus Defence And Space Sas | Method for locating a target from an elliptical contour |
CN110276324A (zh) * | 2019-06-27 | 2019-09-24 | 北京万里红科技股份有限公司 | 一种虹膜图像中确定瞳孔椭圆的方法 |
CN110781956A (zh) * | 2019-10-24 | 2020-02-11 | 精硕科技(北京)股份有限公司 | 一种目标检测的方法、装置、电子设备及可读存储介质 |
CN111626236A (zh) * | 2020-05-29 | 2020-09-04 | 常州工学院 | 一种快速的椭圆目标检测方法 |
CN112967281A (zh) * | 2021-04-07 | 2021-06-15 | 洛阳伟信电子科技有限公司 | 一种基于弧支持生长的椭圆检测算法 |
CN114648544A (zh) * | 2022-03-22 | 2022-06-21 | 聚时领臻科技(浙江)有限公司 | 一种亚像素椭圆提取方法 |
CN115457063A (zh) * | 2022-08-23 | 2022-12-09 | 武汉海微科技有限公司 | Pcb板圆孔的边缘提取方法、装置、设备及存储介质 |
CN115423870A (zh) * | 2022-08-29 | 2022-12-02 | 中汽创智科技有限公司 | 一种瞳孔中心定位方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116503387B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3735344B2 (ja) | キャリブレーション装置、キャリブレーション方法、及びキャリブレーション用プログラム | |
CN112232279B (zh) | 一种人员间距检测方法和装置 | |
CN111445531B (zh) | 一种多目相机导航方法、装置、设备及存储介质 | |
CN107038443B (zh) | 一种在电路板上定位感兴趣区域的方法和装置 | |
CN107980138A (zh) | 一种虚警障碍物检测方法及装置 | |
CN108447094B (zh) | 一种单目彩色相机的姿态估算方法及*** | |
CN112270719B (zh) | 相机标定方法、装置及*** | |
CN114862973B (zh) | 基于固定点位的空间定位方法、装置、设备及存储介质 | |
CN111681186A (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
CN113763478B (zh) | 无人车相机标定方法、装置、设备、存储介质及*** | |
CN112348909A (zh) | 一种目标定位方法、装置、设备及存储介质 | |
CN111353325A (zh) | 关键点检测模型训练方法及装置 | |
CN111383264A (zh) | 一种定位方法、装置、终端及计算机存储介质 | |
WO2019123554A1 (ja) | 画像処理装置、画像処理方法、及び、記録媒体 | |
KR101188296B1 (ko) | 스트랩다운 이중 모드 영상탐색기의 가중치 기반 표적 결정 방법 및 이를 이용한 가중치 기반 표적 결정 시스템 | |
CN116503387B (zh) | 图像检测方法、装置、设备、***及可读存储介质 | |
CN115272482A (zh) | 一种相机外参标定方法及存储介质 | |
CN112270693B (zh) | 一种飞行时间深度相机运动伪差检测方法和装置 | |
CN114648544A (zh) | 一种亚像素椭圆提取方法 | |
EP4054187A1 (en) | Calibration method of a portable electronic device | |
CN111223139B (zh) | 目标定位方法及终端设备 | |
CN113587895A (zh) | 双目测距方法及装置 | |
CN114415129A (zh) | 基于多项式模型的视觉与毫米波雷达联合标定方法及装置 | |
CN116958931B (zh) | 用于仓储中车辆碰撞预警的方法及计算设备 | |
CN111586299B (zh) | 一种图像处理方法和相关设备 |
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 |