CN116912251A - 一种提高红外打猎相机检测灵敏度的检测方法 - Google Patents
一种提高红外打猎相机检测灵敏度的检测方法 Download PDFInfo
- Publication number
- CN116912251A CN116912251A CN202311176873.3A CN202311176873A CN116912251A CN 116912251 A CN116912251 A CN 116912251A CN 202311176873 A CN202311176873 A CN 202311176873A CN 116912251 A CN116912251 A CN 116912251A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- point cloud
- hunting camera
- phase
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000035945 sensitivity Effects 0.000 title claims abstract description 20
- 230000004075 alteration Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 39
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 abstract description 5
- 230000003287 optical effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种提高红外打猎相机检测灵敏度的检测方法,涉及效果评价领域,包括以下步骤:S1,激光点云生成;该提高红外打猎相机检测灵敏度的检测方法,通过红外打猎相机采集的光学影像和打猎环境的三维激光点云数据,基于点‑点约束,构造了一个非刚性几何配准的数学模型,并结合摄影测量共线性方程式,并对其进行迭代求解从而实现图像和激光点云的精确几何配准,解决了在两个三维点集的配准中确定同名点难的问题,同时通过共线条件方程可以解决由相机畸变引起的非刚性变形的问题,同时对红外打猎相机进行径向色差预补偿相位值计算,可以保证在进行影像点云重建不会因为色差从而导致影像点云重建失败,从而增加了红外打猎相机的检测灵敏度。
Description
技术领域
本发明涉及效果评价技术,具体涉及一种提高红外打猎相机检测灵敏度的检测方法。
背景技术
相机分为普通相机和打猎相机;打猎相机是一种应用于户外,能够自动捕捉人或动物运动状态的无人看守相机,打猎相机捕捉到人或动物(目标)运动后发出启动信号,采用热释电红外感应人或动物的感应技术,自动拍摄图片或者视频。
打猎相机只有检测到人或动物(目标)运动到相机的拍摄视线内,才启动相机的拍摄功能,因此如何高效检测运动目标进入视线范围是非常重要的。
目前的目标检测主要分为两大类:摄像机检测和红外传感器检测,但目前的打猎相机在识别时,只要检测到任何运动目标就会触发启动相机拍摄的功能,容易造成记录大量的无用信息,从而导致红外打猎相机检测灵敏度较低。
发明内容
本发明的目的是提供一种提高红外打猎相机检测灵敏度的检测方法,以解决现有技术中的上述不足之处。
为了实现上述目的,本发明提供如下技术方案:一种提高红外打猎相机检测灵敏度的检测方法,包括以下步骤:
S1,打猎环境的激光点云生成;
S2,红外打猎相机径向色差预补偿相位值计算;
S3,通过红外打猎相机获取影像点云重建;
S4,摄影点云与三维激光点云粗配准;
S5,摄影点云与三维激光点云精配准。
进一步地,所述计算红外打猎相机径向色差预补偿相位值的方法为:
在图像色彩采集模块像素坐标系下,红绿蓝颜色通道中任一点均对应着四个相位
值:LCD显示垂直条纹相位φLcd_v、LCD水平垂直条纹相位φLcd_h、LCD反射垂直条纹相位
φPro_v和LCD反射水平条纹相位φPro_h,取此时绿色通道为标准相位
,此时红色通道理想相位为,蓝色通道的理想相位为,且红色通道此时,蓝色通道同理可得,利用红色通道和蓝色通道的理想相位得到红色通道和蓝色
通道的预补偿相位即将其理想相位在绿色通道LCD反射条纹相位中的对应相位值,此过程
是对红色通道和蓝色通道提前产生偏移,其红色通道和蓝色通道补偿相位为和。
进一步地,所述步骤S2中影像点云的具体重建方法为:
A1,重叠多视序列影像;
A2,核线影像生成;
A3,匹配代价计算;
A4,匹配代价聚合;
A5,初始视差图生成;
A6,确定视差图搜索范围;
A7,视差图精化;
A8,粗匹配点生成;
A8,误匹配点剔除。
进一步地,所述步骤S3中的具体方法为:
B1,进行尺度估计,即基于影像点云体积和激光点云体积,计算尺度因子;
B2,将影像点云和激光点云通过RASANC算法计算转换参数,其中具体方法为:
B21,选取合适的四点共面基准基;
B22,基于距离进行候选点集选取;
B23,基于交叉线段比值进行四点一致集确定;
B24,计算初始转换参数;
B3,确定最大候选点集优化参数,作为最佳模型参数。
进一步地,所述步骤S4中的具体方法为:
C1,点-点距离约束的非刚性配准,其中包括:
C11,非刚性几何配准模型构建;
C12,刚性与非刚***替配准;
C13,精度评定;
C2,基于最邻近曲面约束的非刚性配准,其中包括:
C21,非刚性几何配准模型构建;
C22,最邻近曲面配准;
C23,精度评定。
进一步地,所述步骤C21的具体步骤为:
D1,将相机的畸变差参数、影像粗配准转换后的外方位元素、像主点和主距作为影像和三维点云配准参数的初始值;
D2,判断距离误差足够小时,执行步骤D6,若判断结果为距离误差不够小时执行步骤D3;
D3,构建基于曲面约束的光束法平差方程并不断迭代;
D4,调整影像连接点的位置及影像内外方位参数;
D5,直到参数变化足够小时执行步骤D6;
D6,结束迭代,此时的参数为最后精配准获取的参数。
进一步地,所述步骤C21的具体方法为:
E1,对任意影像稀疏重建生成的三维点云,采用KD树构建数据结构模型,利用最邻近算法,在三维激光点云中搜索与其邻近的n个点,并对这n个点进行曲面拟合,这n个点拟合的曲面拟合逼近物体的真是表面,这个曲面可作为最邻近曲面,当两点云最佳套合时,激光点云中的点落在对应的最邻近点所拟合的曲面上;
E2,当激光点云与影像点云精配准后,影像三维点云中每一个三维点都应落在其对应的最邻近曲面上,影像三维点坐标、像点坐标、影像的内外方位元素、畸变参数应满足摄影测量中的共线条件方程;
E3,泰勒级数改写为线性方程,转化为最小二乘问题。
进一步地,所述步骤C22的具体方法为:
F1,在像点观测的初始权中,像点方差,,其中为单位权方差,
像点方差受影像匹配精度的影响,因此像点观测的方差可以用像点匹配的方差代替;
F2,最邻近曲面虚拟观测初始权,其中为影像三维点与最邻近曲
面偏离方差;
F3,每次平差迭代过程中,分别计算上次平差后的值,令,,式中n1表示像点观测方程的个数,则在每次平差迭代中,令,
则,。
与现有技术相比,本发明提供的一种提高红外打猎相机检测灵敏度的检测方法,通过红外打猎相机采集的光学影像和打猎环境的三维激光点云数据,基于点-点约束,构造了一个非刚性几何配准的数学模型,并结合摄影测量共线性方程式,并对其进行迭代求解从而实现图像和激光点云的精确几何配准,解决了在两个三维点集的配准中确定同名点难的问题,同时通过共线条件方程可以解决由相机畸变引起的非刚性变形的问题,同时对红外打猎相机进行径向色差预补偿相位值计算,可以保证在进行影像点云重建不会因为色差从而导致影像点云重建失败,从而增加了红外打猎相机的检测灵敏度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的整体结构示意图;
图2为本发明实施例提供的结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面将结合附图对本发明作进一步的详细介绍。
请参阅图1-2,一种提高红外打猎相机检测灵敏度的检测方法,包括以下步骤:
S1,打猎环境的激光点云生成;
S2,红外打猎相机径向色差预补偿相位值计算;
S3,通过红外打猎相机获取影像点云重建;
S4,摄影点云与三维激光点云粗配准;
S5,摄影点云与三维激光点云精配准。
其中利用引入尺度参数的4PCS算法进行粗配准,实现激光扫描点云和近景光学影像的自动配准,同时基于影像生成的稀疏点云与三维激光点云精配准。以基于尺度改进的4PCS粗配准方法为刚性配准方法,以点-点约束的光束法平差模型作为非刚性配准的刚性-非刚***替配准方法。在点-点约束的平差模型基础上,研究点-面约束的光束法平差模型。
计算红外打猎相机径向色差预补偿相位值的方法为:
计算红外打猎相机径向色差预补偿相位值的方法为:
在图像色彩采集模块像素坐标系下,红绿蓝颜色通道中任一点均对应着四个相位
值:LCD显示垂直条纹相位φLcd_v、LCD水平垂直条纹相位φLcd_h、LCD反射垂直条纹相位
φPro_v和LCD反射水平条纹相位φPro_h,取此时绿色通道为标准相位,
此时红色通道理想相位为,蓝色通道的理想相位为,且红色通道此时,蓝色通道同理可得,利用红色通道和蓝色通道的理想相位得到红色通道和蓝色
通道的预补偿相位即将其理想相位在绿色通道LCD反射条纹相位中的对应相位值,此过程
是对红色通道和蓝色通道提前产生偏移,其红色通道和蓝色通道补偿相位为
和。
通过以绿色通道为基准,利用绿色LCD显示相位建立相位坐标系,将LCD显示的红绿蓝三种颜色通道的水平和垂直方向的展开相位和LCD反射的三通道的水平和垂直方向的展开相位统一到绿色通道LCD显示相位坐标系中。通过比较相位坐标相同时,红色和蓝色通道分别与绿色通道之间LCD反射条纹的相位差,此差值即为两通道间的色差。然后通过利用红色和蓝色通道的理想相位映射到绿色LCD反射条纹相位中进行红蓝通道的预补偿,这样设置不仅可以实现红外打猎相机投影图像的矫正,同时可以根据背景颜色的不同对红外打猎相机投影图像进行矫正,这样设置可以通过增加红外打猎相机的颜色矫正,保证红外打猎相机的拍摄效果。
其中匹配分辨率的方法为:
获得的红外打猎相机径向色差的预补偿相位是在图像色彩采集模块分辨率下进行的补偿,由于红外打猎相机的分辨率不同于图像色彩采集模块分辨率,而且进行重投影时是不同颜色通道的像素进行偏移投影,所以应将补偿的相位转换到红外打猎相机分辨率下的像素。
其中假设图像色彩采集模块像素坐标系下一点M的水平方向的绝对相位为,
垂直方向的绝对相位为,其对应到红外打猎相机分辨率中的像素坐标为,所以
红外打猎相机分辨率的像素和图像色彩采集模块像素坐标系相位之间的关系为:
其中H为投射条纹图像的宽度,V为投射条纹图像的高度,T为投射的最大正弦条纹个数。
同时由于图像色彩采集模块的分辨率低于红外打猎相机的分辨率,所以图像色彩采集模块分辨率的像素转换到红外打猎相机分辨率的像素中后,得到的像素非整数像素位置,且像素数明显不足,则对于整数像素则需利用griddata函数插值得到红外打猎相机全场整数像素位置的预补偿像素值。
所述步骤S2中影像点云的具体重建方法为:
A1,重叠多视序列影像;
A2,核线影像生成;
A3,匹配代价计算;
A4,匹配代价聚合;
A5,初始视差图生成;
A6,确定视差图搜索范围;
A7,视差图精化;
A8,粗匹配点生成;
A8,误匹配点剔除。
所述步骤S3中的具体方法为:
B1,进行尺度估计,即基于影像点云体积和激光点云体积,计算尺度因子;
B2,将影像点云和激光点云通过RASANC算法计算转换参数,其中具体方法为:
B21,选取合适的四点共面基准基;
B22,基于距离进行候选点集选取;
B23,基于交叉线段比值进行四点一致集确定;
B24,计算初始转换参数;
B3,确定最大候选点集优化参数,作为最佳模型参数。
所述步骤S4中的具体方法为:
C1,点-点距离约束的非刚性配准,其中包括:
C11,非刚性几何配准模型构建;
C12,刚性与非刚***替配准;
C13,精度评定;
C2,基于最邻近曲面约束的非刚性配准,其中包括:
C21,非刚性几何配准模型构建;
C22,最邻近曲面配准;
C23,精度评定。
所述步骤C21的具体步骤为:
D1,将相机的畸变差参数、影像粗配准转换后的外方位元素、像主点和主距作为影像和三维点云配准参数的初始值;
D2,判断距离误差足够小时,执行步骤D6,若判断结果为距离误差不够小时执行步骤D3;
D3,构建基于曲面约束的光束法平差方程并不断迭代;
D4,调整影像连接点的位置及影像内外方位参数;
D5,直到参数变化足够小时执行步骤D6;
D6,结束迭代,此时的参数为最后精配准获取的参数。
所述步骤C21的具体方法为:
E1,对任意影像稀疏重建生成的三维点云,采用KD树构建数据结构模型,利用最邻近算法,在三维激光点云中搜索与其邻近的n个点,并对这n个点进行曲面拟合,这n个点拟合的曲面拟合逼近物体的真是表面,这个曲面可作为最邻近曲面,当两点云最佳套合时,激光点云中的点落在对应的最邻近点所拟合的曲面上,该二次曲面拟合模型公式为:
:
式中A,B ,C ,D ,E ,F ,G ,H ,I ,J 为拟合曲面的曲面参数,X ,Y ,Z 为三维激光点坐标
E2,当激光点云与影像点云精配准后,影像三维点云中每一个三维点都应落在其对应的最邻近曲面上,影像三维点坐标、像点坐标、影像的内外方位元素、畸变参数应满足摄影测量中的共线条件方程,具体公式为:
:
其中:
式中XA,YA,ZA为影像的三维点坐标,XS,YS,ZS为影像的摄站点坐标,a1,a2,a3,b1,b2,b3,c1,c2,c3为由ϕ,ω,κ组成的旋转矩阵元素,f为相机焦距,x0,y0为像主点坐标,k1,k2,k3,p1,p2为相机的畸变差参数;
E3,泰勒级数改写为线性方程,转化为最小二乘问题,具体公式为:
:
其中
所述步骤C22的具体方法为:
F1,在像点观测的初始权中,像点方差,,其中为单位权方差,
像点方差受影像匹配精度的影响,因此像点观测的方差可以用像点匹配的方差代替;
F2,最邻近曲面虚拟观测初始权,其中为影像三维点与最邻近曲
面偏离方差;
F3,每次平差迭代过程中,分别计算上次平差后的值,令,,式中n1表示像点观测方程的个数,则在每次平差迭代中,令,
则,。
工作原理:使用时,对于红外打猎相机采集的光学影像和打猎环境的三维激光点云数据,基于点-点约束,构造了一个非刚性几何配准的数学模型,该模型以最近的相邻表面为约束,并结合摄影测量共线性方程式,并对其进行迭代求解从而实现图像和激光点云的精确几何配准,该方法解决了在两个三维点集的配准中确定同名点难的问题,同时通过共线条件方程可以解决由相机畸变引起的非刚性变形的问题,同时对红外打猎相机进行径向色差预补偿相位值计算,可以保证在进行影像点云重建不会因为色差从而导致影像点云重建失败,同时通过激光点云的匹配增加了红外打猎相机镜头内环境的变化监控精度,从而增加了红外打猎相机的检测灵敏度。
以上只通过说明的方式描述了本发明的某些示范性实施例,毋庸置疑,对于本领域的普通技术人员,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,上述附图和描述在本质上是说明性的,不应理解为对本发明权利要求保护范围的限制。
Claims (8)
1.一种提高红外打猎相机检测灵敏度的检测方法,其特征在于,包括以下步骤:
S1,打猎环境的激光点云生成;
S2,红外打猎相机径向色差预补偿相位值计算;
S3,通过红外打猎相机获取影像点云重建;
S4,摄影点云与三维激光点云粗配准;
S5,摄影点云与三维激光点云精配准。
2.根据权利要求1所述的一种提高红外打猎相机检测灵敏度的检测方法,其特征在于,所述计算红外打猎相机径向色差预补偿相位值的方法为:
在图像色彩采集模块像素坐标系下,红绿蓝颜色通道中任一点均对应着四个相位值:LCD显示垂直条纹相位φLcd_v、LCD水平垂直条纹相位φLcd_h、LCD反射垂直条纹相位φPro_v和LCD反射水平条纹相位φPro_h,取此时绿色通道为标准相位,此时红色通道理想相位为/>,蓝色通道的理想相位为,且红色通道此时/>,蓝色通道同理可得,利用红色通道和蓝色通道的理想相位得到红色通道和蓝色通道的预补偿相位即将其理想相位在绿色通道LCD反射条纹相位中的对应相位值,此过程是对红色通道和蓝色通道提前产生偏移,其红色通道和蓝色通道补偿相位为/>和/>。
3.根据权利要求1所述的一种提高红外打猎相机检测灵敏度的检测方法,其特征在于,所述步骤S2中影像点云的具体重建方法为:
A1,重叠多视序列影像;
A2,核线影像生成;
A3,匹配代价计算;
A4,匹配代价聚合;
A5,初始视差图生成;
A6,确定视差图搜索范围;
A7,视差图精化;
A8,粗匹配点生成;
A8,误匹配点剔除。
4.根据权利要求1所述的一种提高红外打猎相机检测灵敏度的检测方法,其特征在于,所述步骤S3中的具体方法为:
B1,进行尺度估计,即基于影像点云体积和激光点云体积,计算尺度因子;
B2,将影像点云和激光点云通过RASANC算法计算转换参数,其中具体方法为:
B21,选取合适的四点共面基准基;
B22,基于距离进行候选点集选取;
B23,基于交叉线段比值进行四点一致集确定;
B24,计算初始转换参数;
B3,确定最大候选点集优化参数,作为最佳模型参数。
5.根据权利要求1所述的一种提高红外打猎相机检测灵敏度的检测方法,其特征在于,所述步骤S4中的具体方法为:
C1,点-点距离约束的非刚性配准,其中包括:
C11,非刚性几何配准模型构建;
C12,刚性与非刚***替配准;
C13,精度评定;
C2,基于最邻近曲面约束的非刚性配准,其中包括:
C21,非刚性几何配准模型构建;
C22,最邻近曲面配准;
C23,精度评定。
6.根据权利要求4所述的一种提高红外打猎相机检测灵敏度的检测方法,其特征在于,所述步骤C21的具体步骤为:
D1,将相机的畸变差参数、影像粗配准转换后的外方位元素、像主点和主距作为影像和三维点云配准参数的初始值;
D2,判断距离误差足够小时,执行步骤D6,若判断结果为距离误差不够小时执行步骤D3;
D3,构建基于曲面约束的光束法平差方程并不断迭代;
D4,调整影像连接点的位置及影像内外方位参数;
D5,直到参数变化足够小时执行步骤D6;
D6,结束迭代,此时的参数为最后精配准获取的参数。
7.根据权利要求4所述的一种提高红外打猎相机检测灵敏度的检测方法,其特征在于,所述步骤C21的具体方法为:
E1,对任意影像稀疏重建生成的三维点云,采用KD树构建数据结构模型,利用最邻近算法,在三维激光点云中搜索与其邻近的n个点,并对这n个点进行曲面拟合,这n个点拟合的曲面拟合逼近物体的真是表面,这个曲面可作为最邻近曲面,当两点云最佳套合时,激光点云中的点落在对应的最邻近点所拟合的曲面上;
E2,当激光点云与影像点云精配准后,影像三维点云中每一个三维点都应落在其对应的最邻近曲面上,影像三维点坐标、像点坐标、影像的内外方位元素、畸变参数应满足摄影测量中的共线条件方程;
E3,泰勒级数改写为线性方程,转化为最小二乘问题。
8.根据权利要求4所述的一种提高红外打猎相机检测灵敏度的检测方法,其特征在于,所述步骤C22的具体方法为:
F1,在像点观测的初始权中,像点方差,/>,其中/>为单位权方差,像点方差受影像匹配精度的影响,因此像点观测的方差可以用像点匹配的方差代替;
F2,最邻近曲面虚拟观测初始权,其中/>为影像三维点与最邻近曲面偏离方差;
F3,每次平差迭代过程中,分别计算上次平差后的值,令/>,,式中n1表示像点观测方程的个数,/>则在每次平差迭代中,令/>,则/>,/>。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311176873.3A CN116912251A (zh) | 2023-09-13 | 2023-09-13 | 一种提高红外打猎相机检测灵敏度的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311176873.3A CN116912251A (zh) | 2023-09-13 | 2023-09-13 | 一种提高红外打猎相机检测灵敏度的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116912251A true CN116912251A (zh) | 2023-10-20 |
Family
ID=88367269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311176873.3A Pending CN116912251A (zh) | 2023-09-13 | 2023-09-13 | 一种提高红外打猎相机检测灵敏度的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912251A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160702A (zh) * | 2015-08-20 | 2015-12-16 | 武汉大学 | 基于LiDAR点云辅助的立体影像密集匹配方法及*** |
CN105466399A (zh) * | 2016-01-11 | 2016-04-06 | 中测新图(北京)遥感技术有限责任公司 | 快速半全局密集匹配方法和装置 |
CN112102458A (zh) * | 2020-08-31 | 2020-12-18 | 湖南盛鼎科技发展有限责任公司 | 基于激光雷达点云数据辅助的单镜头三维图像重构方法 |
CN112270698A (zh) * | 2019-12-31 | 2021-01-26 | 山东理工大学 | 基于最邻近曲面的非刚性几何配准方法 |
CN112365529A (zh) * | 2021-01-11 | 2021-02-12 | 南京邮电大学 | 基于重心偏离度的隧洞点云配准方法、装置 |
CN113298947A (zh) * | 2021-04-28 | 2021-08-24 | 江苏省送变电有限公司 | 一种基于多源数据融合的变电站三维建模方法介质及*** |
CN113375803A (zh) * | 2021-06-08 | 2021-09-10 | 河北工业大学 | 投影仪径向色差的测量方法、装置、存储介质及设备 |
-
2023
- 2023-09-13 CN CN202311176873.3A patent/CN116912251A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160702A (zh) * | 2015-08-20 | 2015-12-16 | 武汉大学 | 基于LiDAR点云辅助的立体影像密集匹配方法及*** |
CN105466399A (zh) * | 2016-01-11 | 2016-04-06 | 中测新图(北京)遥感技术有限责任公司 | 快速半全局密集匹配方法和装置 |
CN112270698A (zh) * | 2019-12-31 | 2021-01-26 | 山东理工大学 | 基于最邻近曲面的非刚性几何配准方法 |
CN112102458A (zh) * | 2020-08-31 | 2020-12-18 | 湖南盛鼎科技发展有限责任公司 | 基于激光雷达点云数据辅助的单镜头三维图像重构方法 |
CN112365529A (zh) * | 2021-01-11 | 2021-02-12 | 南京邮电大学 | 基于重心偏离度的隧洞点云配准方法、装置 |
CN113298947A (zh) * | 2021-04-28 | 2021-08-24 | 江苏省送变电有限公司 | 一种基于多源数据融合的变电站三维建模方法介质及*** |
CN113375803A (zh) * | 2021-06-08 | 2021-09-10 | 河北工业大学 | 投影仪径向色差的测量方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Remondino et al. | A critical review of automated photogrammetric processing of large datasets | |
US9965870B2 (en) | Camera calibration method using a calibration target | |
TWI555379B (zh) | 一種全景魚眼相機影像校正、合成與景深重建方法與其系統 | |
KR101626072B1 (ko) | 영상 보정 장치 및 영상 보정 방법 | |
CN103198524B (zh) | 一种大规模室外场景三维重建方法 | |
JP4181800B2 (ja) | ステレオ画像を用いた地形計測システム及び記憶媒体並びにプログラム | |
CN112465732A (zh) | 一种车载激光点云与序列全景影像的配准方法 | |
JPWO2011083669A1 (ja) | ステレオカメラ装置 | |
CN112270698A (zh) | 基于最邻近曲面的非刚性几何配准方法 | |
Barazzetti et al. | Fisheye lenses for 3D modeling: Evaluations and considerations | |
Li et al. | Pro-cam ssfm: Projector-camera system for structure and spectral reflectance from motion | |
CN114359406A (zh) | 自动对焦双目摄像头的标定、3d视觉及深度点云计算方法 | |
CN113643436A (zh) | 一种深度数据拼接融合方法及装置 | |
CN106500729A (zh) | 一种无需控制信息的智能手机自检校方法 | |
CN114485953A (zh) | 温度测量方法、装置及*** | |
Teppati Losè et al. | Preliminary evaluation of a commercial 360 multi-camera RIG for photogrammetric purposes | |
CN109920009B (zh) | 基于二维码标识的控制点检测与管理方法及装置 | |
CN107941241B (zh) | 一种用于航空摄影测量质量评价的分辨率板及其使用方法 | |
CN112308776B (zh) | 解决遮挡与错误映射的影像序列与点云数据融合的方法 | |
Li et al. | Spectral MVIR: Joint reconstruction of 3D shape and spectral reflectance | |
CN108921936A (zh) | 一种基于光场模型的水下激光条纹匹配和立体重建方法 | |
Zhao et al. | Alignment of continuous video onto 3D point clouds | |
CN112419427A (zh) | 用于提高飞行时间相机精度的方法 | |
CN116912251A (zh) | 一种提高红外打猎相机检测灵敏度的检测方法 | |
Zhu et al. | Generation of thermal point clouds from uncalibrated thermal infrared image sequences and mobile laser scans |
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: 20231020 |