CN117876468B - 一种基于凸包的汽车灯光近光光型特征点检测方法和*** - Google Patents
一种基于凸包的汽车灯光近光光型特征点检测方法和*** Download PDFInfo
- Publication number
- CN117876468B CN117876468B CN202410275293.8A CN202410275293A CN117876468B CN 117876468 B CN117876468 B CN 117876468B CN 202410275293 A CN202410275293 A CN 202410275293A CN 117876468 B CN117876468 B CN 117876468B
- Authority
- CN
- China
- Prior art keywords
- point
- value
- pixel
- image
- points
- 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
- 238000001514 detection method Methods 0.000 title claims description 85
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000009499 grossing Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 11
- 238000009877 rendering Methods 0.000 claims description 3
- 230000036039 immunity Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于凸包的汽车灯光近光光型特征点检测方法和***,其中方法包括对初始图像依次进行平滑滤波处理、开运算和二值化处理,并利用Canny算子处理,得到第一轮廓点集;将第一轮廓点集及其相邻点的连线绘制在第一全0图像中;对第一轮廓点集进行处理,得到第一凸包点集;将第一凸包点集及其相邻点的连线绘制在第二全0图像中;分别对第一全0图像和第二全0图像逐列逐点进行像素值比对,分别得到第一点列和第二点列;对第一点列和第二点列中对应点的纵坐标进行求差,得到差值数列;对差值数列的各项求解得到第一数列;将第一数列每项数值与预设项阈值比对,得到近光光型的角点和特征点。本发明具有旋转不变性、尺度不变性和抗噪性。
Description
技术领域
本发明属于汽车近光灯光学检测技术领域,尤其涉及一种基于凸包的汽车灯光近光光型特征点检测方法和***。
背景技术
汽车前照灯是汽车安全行驶的重要保障,汽车近光灯的检测中近光灯光型图像检测占据重要位置,其中特征点的检测更是十分重要。然而,目前常用的近光光型特征点检测方法不论是在操作性、实用性,还是在检测效率和检测结果的精准性方面,都存在明显不足,无法满足当前汽车流水线生产的实际需求。
对于近光光型的特征点检测,经过多年的研究,研究者们取得了一定的成果。例如采用最大等级计算法和光电池法相结合检测前照近光灯的配光性能,探讨了明暗截止线的清晰度及特征点确定中的一些问题,但由于实际物理设备的影响,近光明暗截止线及特征点具有一定的模糊性,很难直接求取准确位置;针对明暗截止线模糊的光型图像,采用高斯拉普拉斯算子对图像进行边缘检测,将多次检测到的边缘进行叠加,重叠次数最多点即为特征点位置,显然这种方法在特征点提取的精度上有待提高;改进的Canny算子对光轴角进行提取以Canny算法为基础,灰度重心作为光斑中心,最后使用Tukey加权函数的线性拟合法,用于提取特征点信息,但由于相机光圈过曝、像素失真等问题的存在,特征点检测仍存在着较大误差。
发明内容
本发明针对现有技术中的不足,提供一种基于凸包的汽车灯光近光光型特征点检测方法和***。
第一方面,本发明提供一种基于凸包的汽车灯光近光光型特征点检测方法,包括:
获取近光光型的初始图像;
对初始图像进行平滑滤波处理,得到第一图像;
对第一图像进行开运算处理,得到第二图像;
对第二图像进行二值化处理,得到第三图像;
利用Canny算子对第三图像进行处理,得到近光光型的第一轮廓点集;
将第一轮廓点集及第一轮廓点集相邻点的连线绘制在第一全0图像中;其中,第一轮廓点集及第一轮廓点集相邻点的连线在第一全0图像中经过的点作为第二轮廓点集;
利用凸包算法对第一轮廓点集进行处理,得到近光光型轮廓的第一凸包点集;
将第一凸包点集及第一凸包点集相邻点的连线绘制在第二全0图像中;其中,第一凸包点集及第一凸包点集相邻点的连线在第二全0图像中经过的点作为第二凸包点集;
在第一全0图像中从左至右逐列,且从上至下逐点进行像素值与预设像素值阈值的比对;在一列像素点中第一目标点的像素值等于第一预设像素阈值的情况下,确定第一目标点满足比对条件并进行下一列像素点的像素值比对;其中,第一全0图像的一列像素点中第一目标点的像素值等于第一预设像素阈值作为第一比对条件,每列像素点最多一个点满足第一比对条件,所有满足第一比对条件的像素点作为第一点列;
在第二全0图像中从左至右逐列,且从上至下逐点进行像素值与预设像素值阈值的比对;在一列像素点中第二目标点的像素值等于第二预设像素阈值的情况下,确定第二目标点满足比对条件并进行下一列像素点的像素值比对;其中,第二全0图像的一列像素点中第二目标点的像素值等于第二预设像素阈值作为第二比对条件,每列像素点最多一个点满足第二比对条件,所有满足第二比对条件的像素点作为第二点列;
对第一点列和第二点列中对应点的纵坐标进行求差运算,得到差值数列;
根据差值数列的每项数值确定第一数列的每项数值;
将第一数列中每项数值与预设项阈值v进行比对;将第一点列中q 1+ε 1个点作为汽车灯光近光光型的第一角点;将第一点列中q 2+p-ε 1个点作为汽车灯光近光光型的第二角点;将第一点列中q 3+ε 2个点作为汽车灯光近光光型的特征点;将第一点列中q 4+p-ε 2个点作为汽车灯光近光光型的第三角点;其中,q 1为第一数列中第一个满足项值大于预设项阈值v的项的序号;ε 1为第一补偿值;q 2为第一数列中最后一个满足项值大于预设项阈值v的项的序号;ε 2为第二补偿值;p为预设项间距;q 3为第一数列中第一个满足项值小于-v的项的序号;q 4为第一数列中最后一个满足项值小于-v的项的序号;1≤ ε 1 ≤ p;1≤ ε 2 ≤ p。
进一步地,所述对第一点列和第二点列中对应点的纵坐标进行求差运算,得到差值数列,包括:
根据以下公式计算差值数列每项的值:
;
其中,d1 n 为差值数列的第n项的值;为第一点列中第n个点的纵坐标值;/>为第二点列中第n个点的纵坐标值;n=1,2,…,s;s为第一点列或第二点列的长度。
进一步地,所述根据差值数列的每项数值确定第一数列的每项数值,包括:
根据以下公式计算第一数列的每项数值:
d2 m =d1 m+p -d1 m ;
其中,d2 m 为第一数列的第m项的值;d1 m+p 为差值数列的第m+p项的值;d1 m 为差值数列的第m项的值;p为预设项间距;m=1,2,…,s-p。
进一步地,所述将第一轮廓点集及第一轮廓点集相邻点的连线绘制在第一全0图像中,包括:
根据以下公式计算第一全0图像每个像素点的像素值:
;
其中,P i j 为第二轮廓点集中坐标为(i, j)的点;/>为第一全0图像中像素点P ij 的像素值;V1为第二轮廓点集/>中每个点的像素值。
进一步地,所述将第一凸包点集及第一凸包点集相邻点的连线绘制在第二全0图像中,包括:
根据以下公式计算第二全0图像每个像素点的像素值:
;
其中,P i'j' 为第二凸包点集中坐标为(i',j')的点;/>为第二全0图像中像素点P i'j' 的像素值;V2为第二凸包点集/>中每个点的像素值。
第二方面,本发明提供一种基于凸包的汽车灯光近光光型特征点检测***,包括:
图像获取模块,用于获取近光光型的初始图像;
第一图像处理模块,用于对初始图像进行平滑滤波处理,得到第一图像;
第二图像处理模块,用于对第一图像进行开运算处理,得到第二图像;
第三图像处理模块,用于对第二图像进行二值化处理,得到第三图像;
第四图像处理模块,用于利用Canny算子对第三图像进行处理,得到近光光型的第一轮廓点集;
第一绘制模块,用于将第一轮廓点集及第一轮廓点集相邻点的连线绘制在第一全0图像中;其中,第一轮廓点集及第一轮廓点集相邻点的连线在第一全0图像中经过的点作为第二轮廓点集;
轮廓点集处理模块,用于利用凸包算法对第一轮廓点集进行处理,得到近光光型轮廓的第一凸包点集;
第二绘制模块,用于将第一凸包点集及第一凸包点集相邻点的连线绘制在第二全0图像中;其中,第一凸包点集及第一凸包点集相邻点的连线在第二全0图像中经过的点作为第二凸包点集;
第一像素值比对模块,用于在第一全0图像中从左至右逐列,且从上至下逐点进行像素值与预设像素值阈值的比对;在一列像素点中第一目标点的像素值等于第一预设像素阈值的情况下,确定第一目标点满足比对条件并进行下一列像素点的像素值比对;其中,第一全0图像的一列像素点中第一目标点的像素值等于第一预设像素阈值作为第一比对条件,每列像素点最多一个点满足第一比对条件,所有满足第一比对条件的像素点作为第一点列;
第二像素值比对模块,在第二全0图像中从左至右逐列,且从上至下逐点进行像素值与预设像素值阈值的比对;在一列像素点中第二目标点的像素值等于第二预设像素阈值的情况下,确定第二目标点满足比对条件并进行下一列像素点的像素值比对;其中,第二全0图像的一列像素点中第二目标点的像素值等于第二预设像素阈值作为第二比对条件,每列像素点最多一个点满足第二比对条件,所有满足第二比对条件的像素点作为第二点列;
求差模块,用于对第一点列和第二点列中对应点的纵坐标进行求差运算,得到差值数列;
确定模块,用于根据差值数列的每项数值确定第一数列的每项数值;
特征点检测模块,用于将第一数列中每项数值与预设项阈值v进行比对;将第一点列中q 1+ε 1个点作为汽车灯光近光光型的第一角点;将第一点列中q 2+p-ε 1个点作为汽车灯光近光光型的第二角点;将第一点列中q 3+ε 2个点作为汽车灯光近光光型的特征点;将第一点列中q 4+p-ε 2个点作为汽车灯光近光光型的第三角点;其中,q 1为第一数列中第一个满足项值大于预设项阈值v的项的序号;ε 1为第一补偿值;q 2为第一数列中最后一个满足项值大于预设项阈值v的项的序号;ε 2为第二补偿值;p为预设项间距;q 3为第一数列中第一个满足项值小于-v的项的序号;q 4为第一数列中最后一个满足项值小于-v的项的序号;1≤ ε 1 ≤p;1≤ ε 2 ≤ p。
进一步地,所述求差模块包括:
第一计算单元,用于根据以下公式计算差值数列每项的值:
;
其中,d1 n 为差值数列的第n项的值;为第一点列中第n个点的纵坐标值;/>为第二点列中第n个点的纵坐标值;n=1,2,…,s;s为第一点列或第二点列的长度。
进一步地,所述确定模块包括:
第二计算单元,用于根据以下公式计算第一数列的每项数值:
d2 m =d1 m+p -d1 m ;
其中,d2 m 为第一数列的第m项的值;d1 m+p 为差值数列的第m+p项的值;d1 m 为差值数列的第m项的值;p为预设项间距;m=1,2,…,s-p。
进一步地,所述第一绘制模块包括:
第三计算单元,用于根据以下公式计算第一全0图像每个像素点的像素值:
;
其中,P i j 为第二轮廓点集中坐标为(i, j)的点;/>为第一全0图像中像素点P ij 的像素值;V1为第二轮廓点集/>中每个点的像素值。
进一步地,所述第二绘制模块包括:
第四计算单元,用于根据以下公式计算第二全0图像每个像素点的像素值:
;
其中,P i'j' 为第二凸包点集中坐标为(i',j')的点;/>为第二全0图像中像素点P i'j' 的像素值;V2为第二凸包点集/>中每个点的像素值。
本发明提供一种基于凸包的汽车灯光近光光型特征点检测方法和***,其中方法包括对初始图像平滑滤波处理,得到第一图像;对第一图像进行开运算,得到第二图像;对第二图像进行二值化处理,得到第三图像;利用Canny算子对第三图像进行处理,得到近光光型的第一轮廓点集;将第一轮廓点集及其相邻点的连线绘制在第一全0图像中;利用凸包算法对第一轮廓点集进行处理,得到近光光型轮廓的第一凸包点集;将第一凸包点集及其相邻点的连线绘制在第二全0图像中;对第一全0图像逐列逐点进行像素值比对,得到第一点列;对第二全0图像逐列逐点进行像素值比对,得到第二点列;对第一点列和第二点列中对应点的纵坐标进行求差运算,得到差值数列;对差值数列及其各项求解得到第一数列;将第一数列每项数值与预设项阈值比对,即可检测得到近光光型的角点和特征点。本发明具有旋转不变性、尺度不变性和抗噪性,且运行速度较快。
附图说明
为了更清楚地说明本发明的技术方案,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的实施例,对于本领域普通技术人员而言,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为本发明实施例提供的一种基于凸包的汽车灯光近光光型特征点检测方法的流程图;
图2为本发明实施例提供的浴盆型近光光型近光截止线示意图;
图3为本发明实施例提供的浴盆型近光光型图;
图4为本发明实施例提供的带噪声的浴盆型近光光型图;
图5为本发明实施例提供的图3的一种降采样图;
图6为本发明实施例提供的图3的又一种降采样图;
图7为本发明实施例提供的图3的旋转30°后的图;
图8为本发明实施例提供的图3的旋转-30°后的图;
图9为本发明实施例提供的图3经平滑滤波处理的效果图;
图10为本发明实施例提供的图9经开运算处理后的效果图;
图11为本发明实施例提供的图10经二值化处理后的效果图;
图12为本发明实施例提供的针对图11计算得到的近光光型轮廓展示图;
图13为本发明实施例提供的针对图12近光光型轮廓计算得到的凸包展示图;
图14为本发明实施例提供的差值数列的变化曲线图;
图15为本发明实施例提供的第一数列的变化曲线图;
图16为本发明实施例提供的本发明方法的检测效果图;
图17为本发明实施例提供的本发明方法的截止线检测效果图;
图18为本发明实施例提供的harris检测算法的检测效果图;
图19为本发明实施例提供的SHI-Tomasi检测算法的检测效果图;
图20为本发明实施例提供的fast检测算法的检测效果图;
图21为本发明实施例提供的Moravec检测算法的检测效果图;
图22为本发明实施例提供的本发明方法对图5的检测效果图;
图23为本发明实施例提供的本发明方法对图6的检测效果图;
图24为本发明实施例提供的本发明方法对图5的截止线检测效果图;
图25为本发明实施例提供的本发明方法对图6的截止线检测效果图;
图26为本发明实施例提供的本发明方法对图7的检测效果图;
图27为本发明实施例提供的本发明方法对图7的截止线检测效果图;
图28为本发明实施例提供的本发明方法对图8的检测效果图;
图29为本发明实施例提供的本发明方法对图8的截止线检测效果图;
图30为本发明实施例提供的在噪声影响下本发明方法的检测效果图;
图31为本发明实施例提供的在噪声影响下本发明方法的截止线检测效果图;
图32为本发明实施例提供的在噪声影响下harris检测算法的检测效果图;
图33为本发明实施例提供的在噪声影响下SHI-Tomasi检测算法检测效果图;
图34为本发明实施例提供的在噪声影响下fast检测算法检测效果图;
图35为本发明实施例提供的在噪声影响下Moravec检测算法检测效果图;
图36为本发明实施例提供的一种基于凸包的汽车灯光近光光型特征点检测***的结构示意图。
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、完整的描述,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。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。
在一实施例中,如图1所示,本发明实施例提供一种基于凸包的汽车灯光近光光型特征点检测方法。本发明实施例中提及的特征点为近光明暗截止线水平部分与倾斜部分的交点,即图2中C点为特征点。浴盆型光型从左到右的第一个角点在本发明实施例中定义为第一角点,如图2中A点;浴盆型光型从左到右的第二个角点在本发明实施例中定义为第二角点,如图2中B点;浴盆型光型从左到右的第三个角点在本发明实施例中定义为第三角点,如图2中D点。其中,角点属于特征点,而特征点包括了角点以及其他点。因此本实施例中可以将角点作为特征点,但不能认为特征点是角点。
本发明实施例中提及的“浴盆”高度指第一角点与近光光型较低的水平截止线的垂向距离或像素差,近光光型较低的水平截止线即为第二角点与特征点的连线。
其中,汽车灯光近光光型特征点检测方法包括:
步骤101,获取近光光型的初始图像。
本步骤中,示例性地,以工业相机拍摄的实际近光光型图作为初始图像;如图3所示,其分辨率大小为1600×1200。
步骤102,对初始图像进行平滑滤波处理,得到第一图像。
利用均匀滤波算子对初始图像进行平滑滤波处理,得到第一图像,如图9所示,均匀滤波有助于提高图像边缘的平滑度。本发明实施例中,均匀滤波算子采用的滤波核大小为11×11。平滑滤波为侧窗均值滤波或侧窗高斯滤波,进一步提高算法的保边能力。
步骤103,对第一图像进行开运算处理,得到第二图像。
如图10所示,开运算可以进一步对边缘轮廓线进行平滑,同时可以消除边缘毛刺点。本实施例中,开运算的结构核大小为19×19。
步骤104,对第二图像进行二值化处理,得到第三图像。
本步骤中,示例性地,如图11所示,二值化阈值设为50。需要说明的是二值化阈值的设置影响检测结果的准确性,其大小的实际设置需要根据相机的曝光参数、灯具亮度、衰减片衰减率等参数进行实际调节,或者可以采样局部自适应阈值的二值化方法。
步骤105,利用Canny算子对第三图像进行处理,得到近光光型的第一轮廓点集。
步骤106,将第一轮廓点集及第一轮廓点集相邻点的连线绘制在第一全0图像中,如图12所示;其中,第一轮廓点集及第一轮廓点集相邻点的连线在第一全0图像中经过的点作为第二轮廓点集。
第一全0图像的大小与初始图像大小一致。第二轮廓点集中的每个点的像素值均设置为V1;示例性地,根据以下公式计算第一全0图像每个像素点的像素值:
。
其中,P i j 为第二轮廓点集中坐标为(i, j)的点;/>为第一全0图像中像素点P i j 的像素值;V1为第二轮廓点集/>中每个点的像素值。V1为1至255之间的整数;本发明实施例中V1为255。
步骤107,利用凸包算法对第一轮廓点集进行处理,得到近光光型轮廓的第一凸包点集。
步骤108,将第一凸包点集及第一凸包点集相邻点的连线绘制在第二全0图像中,如图13所示,其中,第一凸包点集及第一凸包点集相邻点的连线在第二全0图像中经过的点作为第二凸包点集。
第二全0图像的大小与初始图像大小一致。第二凸包点集中每个点的像素值均设置为V2;示例性地,根据以下公式计算第二全0图像每个像素点的像素值:
。
其中,P i'j' 为第二凸包点集中坐标为(i',j')的点;/>为第二全0图像中像素点P i'j' 的像素值;V2为第二凸包点集/>中每个点的像素值。V2为1至255之间的整数;本发明实施例中V2为255。
步骤109,在第一全0图像中从左至右逐列,且从上至下逐点进行像素值与预设像素值阈值(本步骤的预设像素值阈值为V1)的比对;在一列像素点中第一目标点的像素值等于第一预设像素阈值的情况下,确定第一目标点满足比对条件并立即进行下一列像素点的像素值比对;其中,第一全0图像的一列像素点中第一目标点的像素值等于第一预设像素阈值作为第一比对条件,每列像素点最多一个点满足第一比对条件,所有满足第一比对条件的像素点作为第一点列。第一点列中点的排列顺序与第一点列的点的检得顺序一致。
步骤1010,在第二全0图像中从左至右逐列,且从上至下逐点进行像素值与预设像素值阈值(本步骤的预设像素值阈值为V2)的比对;在一列像素点中第二目标点的像素值等于第二预设像素阈值的情况下,确定第二目标点满足比对条件并立即进行下一列像素点的像素值比对;其中,第二全0图像的一列像素点中第二目标点的像素值等于第二预设像素阈值作为第二比对条件,每列像素点最多一个点满足第二比对条件,所有满足第二比对条件的像素点作为第二点列。第二点列中点的排列顺序与第二点列的点的检得顺序一致。
步骤1011,对第一点列和第二点列中对应点的纵坐标进行求差运算,得到差值数列;差值数列的变化趋势如图14所示。
示例性地,根据以下公式计算差值数列每项的值:
。
其中,d1 n 为差值数列的第n项的值;为第一点列中第n个点的纵坐标值;/>为第二点列中第n个点的纵坐标值;n=1,2,…,s;s为第一点列或第二点列的长度。
步骤1012,根据差值数列的每项数值确定第一数列的每项数值。
示例性地,根据以下公式计算第一数列的每项数值:
d2 m =d1 m+p -d1 m 。
其中,d2 m 为第一数列的第m项的值;d1 m+p 为差值数列的第m+p项的值;d1 m 为差值数列的第m项的值;p为预设项间距;m=1,2,…,s-p。
各项求差时,为了避免噪声的影响,求差的两项之间的项间距p要大于1,在本发明实施例中,p为30。
步骤1013,将第一数列中每项数值与预设项阈值v进行比对;将第一点列中q 1+ε 1个点作为汽车灯光近光光型的第一角点;将第一点列中q 2+p-ε 1个点作为汽车灯光近光光型的第二角点;将第一点列中q 3+ε 2个点作为汽车灯光近光光型的特征点;将第一点列中q 4+p-ε 2个点作为汽车灯光近光光型的第三角点;其中,q 1为第一数列中第一个满足项值大于预设项阈值v的项的序号;ε 1为第一补偿值;q 2为第一数列中最后一个满足项值大于预设项阈值v的项的序号;ε 2为第二补偿值;p为预设项间距;q 3为第一数列中第一个满足项值小于-v的项的序号;q 4为第一数列中最后一个满足项值小于-v的项的序号;1≤ ε 1 ≤ p;1≤ ε 2 ≤ p。
本步骤中,v≥2,示例性地,v取4,ε 1和ε 2均取15。
为了使本发明的方案更清楚,本发明实施例进一步公开了具体示例。
在正常情况下(指近光光型图未发生上下颠倒或其倾斜角度在±90°以内),由于凸包与轮廓的差值的瞬时变化率在第一角点处会突然变大,由接近0突变到一个较大值V4(0→V4),如图15中A点所示;在第二角点处对应的凸包与轮廓的差值的瞬时变化率会产生陡降,由V4突变到0值附近(V4→0),如图15中B点所示;在特征点处对应的凸包与轮廓的差值的瞬时变化率会产生陡降,由0值附近突变到-V5(0→-V5),如图15中C点所示;在第四角点处对应的凸包与轮廓的差值的瞬时变化率会产生陡增,由-V5突变到0值附近(-V5→0),如图15中D点所示。
因此只需要取一个值v,满足0<v<V4且v<V5,当检测出第一个和最后一个满足凸包与轮廓的差值的瞬时变化率大于v的点,再进行一定的补偿,即可认为是第一角点和第二角点,当检测出第一个和最后一个满足凸包与轮廓的差值的瞬时变化率小于-v的点,再进行一定的补偿,即可认为是特征点和第四角点。
到此,近光光型的特征点和所有角点已经全部检得,只需要再取轮廓点集中的第一个点和最后一个点,并与测得的特征点和角点依序相连,即可得到明暗截止线。
图3是“浴盆型”光型图像,是目前行业内主流的近光光型型式,将其作为输入图片,分别利用harris角点检测法、SHI-Tomasi角点检测法、fast角点检测法和Moravec角点检测算法进行特征点检测,并与本发明提出的汽车灯光近光光型特征点检测方法(以下简称本发明方法)检测结果进行比较。
如图16所示,为本发明提出的汽车灯光近光光型特征点检测方法对近光光型特征点及角点检测的结果,可以看出本发明方法可以很准确地检测出近光特征点,同时对近光光型包含的其他角点,也都被准确的检测出来,如图16中的十字点。将角点之间进行相互连接,并分别在两侧取边缘梯度最大变化的两个点,则可得到近光截止线,如图17所示。而对比图18、图19、图20和图21的结果来看,harris角点检测法、SHI-Tomasi角点检测法和fast角点检测法并不能精准地检测出近光的特征点,且算法的参数也较多,不便于调试。对于图21的结果来看,虽然Moravec角点检测算法检测出了近光特征点,但是同时也检测出许多干扰点,不便于精准定位实际所需特征点,且其运行效率较低。本发明实施例中,本发明方法在运行速度上要比Moravec角点检测算法快68.6%左右。
为了进一步验证本发明方法的检测性能,本发明实施例结合图3、图5、图6、图22和图23进行说明。
采用图5和图6作为输入图像,图5和图6是图3的降采样图像,且降采样因子分别为1/2和1/4,即分辨率分别为800×600和400×300。
图3中“浴盆”高度约为22个像素;图5中“浴盆”高度为10个像素;而图6中“浴盆”高度仅为6个像素,明暗截止线几乎成了一条水平线,在这么小的尺度内,传统的角点检测算法已经很难准确检得近光光型的特征点及截止线。
图22是本发明方法对图5的近光光型角点检测的结果,从图22中可以看出即使在分辨率较低的情况下,本发明方法依旧可以准确地检测到近光特征点和近光光型包含的其他的角点(图22中的十字点)。图23是本发明方法对图6的近光光型角点检测的结果,从图23中可以看出,即使是截止线已经达到接近水平状态,本发明方法依旧可以准确地检测到近光光型的特征点和角点。
通过此实施例可以发现,本发明方法对不同“浴盆”高度的近光光型和不同分辨率的近光光型,都能准确地检测到近光光型的特征点和角点,如图24和图25所示,并准确绘制出近光截止线,验证了本发明方法具有尺度不变性。
结合图3、图7、图8、图26和图28进一步验证本发明方法的旋转不变性。
采用图7和图8作为输入图像,图7和图8是图3的旋转图像,其中图7为图3顺时针旋转角度30°变化而来,而图8为图3顺时针旋转角度-30°变化而来。
图26是本发明方法对图7的近光光型角点检测的结果,从图26中可以看出图像顺时针旋转30°后,本发明方法依旧可以准确地检测到近光特征点和近光光型包含的其他的角点(图26中的十字点)。图28是本发明方法对图8的近光光型角点检测的结果,从图28中可以看出,即使是图像顺时针旋转-30°后,本发明方法依旧可以准确地检测到近光光型的特征点和角点。
通过此实施例可以发现,本发明方法对旋转不同角度的近光光型,都能准确地检测到近光光型的特征点和角点,如图27和图29所示,并准确绘制出近光截止线,验证了本发明方法具有旋转不变性,可以很好地应用于复杂车灯在线调节检测***。
结合图3和图30至图35验证本发明方法的抗噪声能力。
针对图3的近光光型图增加了均值为0,方差为0.01的强高斯随机噪声,如图4所示。分别利用本发明方法进行检测,并与传统的角点检测算法进行比较,结果如图30至图35所示。由图30、图31、图32、图33、图34和图35可知,本发明方法即使在较强的噪声情况下依旧可以准确地识别出近光特征点。而harris角点检测法、SHI-Tomasi角点检测法、fast角点检测法受噪声影响严重,将很多噪声点识别为了角点;对于Moravec角点检测算法,其受噪声影响较小,但是干扰点的问题依旧很难解决,且运行效率远低于本发明方法。
基于同一发明构思,本发明实施例还提供了一种基于凸包的汽车灯光近光光型特征点检测***,由于该***解决问题的原理与基于凸包的汽车灯光近光光型特征点检测方法相似,因此该***的实施可以参见基于凸包的汽车灯光近光光型特征点检测方法的实施,重复之处不再赘述。
在另一实施例中,本发明实施例提供的基于凸包的汽车灯光近光光型特征点检测***,如图36所示,包括:
图像获取模块10,用于获取近光光型的初始图像。
第一图像处理模块20,用于对初始图像进行平滑滤波处理,得到第一图像。
第二图像处理模块30,用于对第一图像进行开运算处理,得到第二图像。
第三图像处理模块40,用于对第二图像进行二值化处理,得到第三图像。
第四图像处理模块50,用于利用Canny算子对第三图像进行处理,得到近光光型的第一轮廓点集。
第一绘制模块60,用于将第一轮廓点集及第一轮廓点集相邻点的连线绘制在第一全0图像中;其中,第一轮廓点集及第一轮廓点集相邻点的连线在第一全0图像中经过的点作为第二轮廓点集。
轮廓点集处理模块70,用于利用凸包算法对第一轮廓点集进行处理,得到近光光型轮廓的第一凸包点集。
第二绘制模块80,用于将第一凸包点集及第一凸包点集相邻点的连线绘制在第二全0图像中;其中,第一凸包点集及第一凸包点集相邻点的连线在第二全0图像中经过的点作为第二凸包点集。
第一像素值比对模块90,用于在第一全0图像中从左至右逐列,且从上至下逐点进行像素值与预设像素值阈值的比对;在一列像素点中第一目标点的像素值等于第一预设像素阈值的情况下,确定第一目标点满足比对条件并进行下一列像素点的像素值比对;其中,第一全0图像的一列像素点中第一目标点的像素值等于第一预设像素阈值作为第一比对条件,每列像素点最多一个点满足第一比对条件,所有满足第一比对条件的像素点作为第一点列。
第二像素值比对模块100,在第二全0图像中从左至右逐列,且从上至下逐点进行像素值与预设像素值阈值的比对;在一列像素点中第二目标点的像素值等于第二预设像素阈值的情况下,确定第二目标点满足比对条件并进行下一列像素点的像素值比对;其中,第二全0图像的一列像素点中第二目标点的像素值等于第二预设像素阈值作为第二比对条件,每列像素点最多一个点满足第二比对条件,所有满足第二比对条件的像素点作为第二点列。
求差模块110,用于对第一点列和第二点列中对应点的纵坐标进行求差运算,得到差值数列;
确定模块120,用于根据差值数列的每项数值确定第一数列的每项数值。
特征点检测模块130,用于将第一数列中每项数值与预设项阈值v进行比对;将第一点列中q 1+ε 1个点作为汽车灯光近光光型的第一角点;将第一点列中q 2+p-ε 1个点作为汽车灯光近光光型的第二角点;将第一点列中q 3+ε 2个点作为汽车灯光近光光型的特征点;将第一点列中q 4+p-ε 2个点作为汽车灯光近光光型的第三角点;其中,q 1为第一数列中第一个满足项值大于预设项阈值v的项的序号;ε 1为第一补偿值;q 2为第一数列中最后一个满足项值大于预设项阈值v的项的序号;ε 2为第二补偿值;p为预设项间距;q 3为第一数列中第一个满足项值小于-v的项的序号;q 4为第一数列中最后一个满足项值小于-v的项的序号;1≤ε 1 ≤ p;1≤ ε 2 ≤ p。
示例性地,所述求差模块包括:
第一计算单元,用于根据以下公式计算差值数列每项的值:
。
其中,d1 n 为差值数列的第n项的值;为第一点列中第n个点的纵坐标值;/>为第二点列中第n个点的纵坐标值;n=1,2,…,s;s为第一点列或第二点列的长度。
示例性地,所述确定模块包括:
第二计算单元,用于根据以下公式计算第一数列的每项数值:
d2 m =d1 m+p -d1 m 。
其中,d2 m 为第一数列的第m项的值;d1 m+p 为差值数列的第m+p项的值;d1 m 为差值数列的第m项的值;p为预设项间距;m=1,2,…,s-p。
示例性地,所述第一绘制模块包括:
第三计算单元,用于根据以下公式计算第一全0图像每个像素点的像素值:
。
其中,P i j 为第二轮廓点集中坐标为(i, j)的点;/>为第一全0图像中像素点P i j 的像素值;V1为第二轮廓点集/>中每个点的像素值。
示例性地,所述第二绘制模块包括:
第四计算单元,用于根据以下公式计算第二全0图像每个像素点的像素值:
。
其中,P i'j' 为第二凸包点集中坐标为(i',j')的点;/>为第二全0图像中像素点P i'j' 的像素值;V2为第二凸包点集/>中每个点的像素值。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
在另一实施例中,本发明提供一种计算机设备,包括处理器和存储器;其中,处理器执行存储器中保存的计算机程序时实现上述基于凸包的汽车灯光近光光型特征点检测方法的步骤。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
在另一实施例中,本发明提供一种计算机可读存储介质,用于存储计算机程序;计算机程序被处理器执行时实现上述基于凸包的汽车灯光近光光型特征点检测方法的步骤。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的***、设备和存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上结合具体实施方式和范例性实例对本发明进行了详细说明,不过这些说明并不能理解为对本发明的限制。本领域技术人员理解,在不偏离本发明精神和范围的情况下,可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。
Claims (10)
1.一种基于凸包的汽车灯光近光光型特征点检测方法,其特征在于,包括:
获取近光光型的初始图像;
对初始图像进行平滑滤波处理,得到第一图像;
对第一图像进行开运算处理,得到第二图像;
对第二图像进行二值化处理,得到第三图像;
利用Canny算子对第三图像进行处理,得到近光光型的第一轮廓点集;
将第一轮廓点集及第一轮廓点集相邻点的连线绘制在第一全0图像中;其中,第一轮廓点集及第一轮廓点集相邻点的连线在第一全0图像中经过的点作为第二轮廓点集;
利用凸包算法对第一轮廓点集进行处理,得到近光光型轮廓的第一凸包点集;
将第一凸包点集及第一凸包点集相邻点的连线绘制在第二全0图像中;其中,第一凸包点集及第一凸包点集相邻点的连线在第二全0图像中经过的点作为第二凸包点集;
在第一全0图像中从左至右逐列,且从上至下逐点进行像素值与预设像素值阈值的比对;在一列像素点中第一目标点的像素值等于第一预设像素阈值的情况下,确定第一目标点满足比对条件并进行下一列像素点的像素值比对;其中,第一全0图像的一列像素点中第一目标点的像素值等于第一预设像素阈值作为第一比对条件,每列像素点最多一个点满足第一比对条件,所有满足第一比对条件的像素点作为第一点列;
在第二全0图像中从左至右逐列,且从上至下逐点进行像素值与预设像素值阈值的比对;在一列像素点中第二目标点的像素值等于第二预设像素阈值的情况下,确定第二目标点满足比对条件并进行下一列像素点的像素值比对;其中,第二全0图像的一列像素点中第二目标点的像素值等于第二预设像素阈值作为第二比对条件,每列像素点最多一个点满足第二比对条件,所有满足第二比对条件的像素点作为第二点列;
对第一点列和第二点列中对应点的纵坐标进行求差运算,得到差值数列;
根据差值数列的每项数值确定第一数列的每项数值;
将第一数列中每项数值与预设项阈值v进行比对;将第一点列中q 1+ε 1个点作为汽车灯光近光光型的第一角点;将第一点列中q 2+p-ε 1个点作为汽车灯光近光光型的第二角点;将第一点列中q 3+ε 2个点作为汽车灯光近光光型的特征点;将第一点列中q 4+p-ε 2个点作为汽车灯光近光光型的第三角点;其中,q 1为第一数列中第一个满足项值大于预设项阈值v的项的序号;ε 1为第一补偿值;q 2为第一数列中最后一个满足项值大于预设项阈值v的项的序号;ε 2为第二补偿值;p为预设项间距;q 3为第一数列中第一个满足项值小于-v的项的序号;q 4为第一数列中最后一个满足项值小于-v的项的序号;1≤ ε 1 ≤ p;1≤ ε 2 ≤ p。
2.根据权利要求1所述的基于凸包的汽车灯光近光光型特征点检测方法,其特征在于,所述对第一点列和第二点列中对应点的纵坐标进行求差运算,得到差值数列,包括:
根据以下公式计算差值数列每项的值:
;
其中,d1 n 为差值数列的第n项的值;为第一点列中第n个点的纵坐标值;/>为第二点列中第n个点的纵坐标值;n=1,2,…,s;s为第一点列或第二点列的长度。
3.根据权利要求1所述的基于凸包的汽车灯光近光光型特征点检测方法,其特征在于,所述根据差值数列的每项数值确定第一数列的每项数值,包括:
根据以下公式计算第一数列的每项数值:
d2 m =d1 m+p -d1 m ;
其中,d2 m 为第一数列的第m项的值;d1 m+p 为差值数列的第m+p项的值;d1 m 为差值数列的第m项的值;p为预设项间距;m=1,2,…,s-p。
4.根据权利要求1所述的基于凸包的汽车灯光近光光型特征点检测方法,其特征在于,所述将第一轮廓点集及第一轮廓点集相邻点的连线绘制在第一全0图像中,包括:
根据以下公式计算第一全0图像每个像素点的像素值:
;
其中,P i j 为第二轮廓点集中坐标为(i, j)的点;/>为第一全0图像中像素点P i j 的像素值;V1为第二轮廓点集/>中每个点的像素值。
5.根据权利要求1所述的基于凸包的汽车灯光近光光型特征点检测方法,其特征在于,所述将第一凸包点集及第一凸包点集相邻点的连线绘制在第二全0图像中,包括:
根据以下公式计算第二全0图像每个像素点的像素值:
;
其中,P i'j' 为第二凸包点集中坐标为(i',j')的点;/>为第二全0图像中像素点P i'j' 的像素值;V2为第二凸包点集/>中每个点的像素值。
6.一种基于凸包的汽车灯光近光光型特征点检测***,其特征在于,包括:
图像获取模块,用于获取近光光型的初始图像;
第一图像处理模块,用于对初始图像进行平滑滤波处理,得到第一图像;
第二图像处理模块,用于对第一图像进行开运算处理,得到第二图像;
第三图像处理模块,用于对第二图像进行二值化处理,得到第三图像;
第四图像处理模块,用于利用Canny算子对第三图像进行处理,得到近光光型的第一轮廓点集;
第一绘制模块,用于将第一轮廓点集及第一轮廓点集相邻点的连线绘制在第一全0图像中;其中,第一轮廓点集及第一轮廓点集相邻点的连线在第一全0图像中经过的点作为第二轮廓点集;
轮廓点集处理模块,用于利用凸包算法对第一轮廓点集进行处理,得到近光光型轮廓的第一凸包点集;
第二绘制模块,用于将第一凸包点集及第一凸包点集相邻点的连线绘制在第二全0图像中;其中,第一凸包点集及第一凸包点集相邻点的连线在第二全0图像中经过的点作为第二凸包点集;
第一像素值比对模块,用于在第一全0图像中从左至右逐列,且从上至下逐点进行像素值与预设像素值阈值的比对;在一列像素点中第一目标点的像素值等于第一预设像素阈值的情况下,确定第一目标点满足比对条件并进行下一列像素点的像素值比对;其中,第一全0图像的一列像素点中第一目标点的像素值等于第一预设像素阈值作为第一比对条件,每列像素点最多一个点满足第一比对条件,所有满足第一比对条件的像素点作为第一点列;
第二像素值比对模块,在第二全0图像中从左至右逐列,且从上至下逐点进行像素值与预设像素值阈值的比对;在一列像素点中第二目标点的像素值等于第二预设像素阈值的情况下,确定第二目标点满足比对条件并进行下一列像素点的像素值比对;其中,第二全0图像的一列像素点中第二目标点的像素值等于第二预设像素阈值作为第二比对条件,每列像素点最多一个点满足第二比对条件,所有满足第二比对条件的像素点作为第二点列;
求差模块,用于对第一点列和第二点列中对应点的纵坐标进行求差运算,得到差值数列;
确定模块,用于根据差值数列的每项数值确定第一数列的每项数值;
特征点检测模块,用于将第一数列中每项数值与预设项阈值v进行比对;将第一点列中q 1+ε 1个点作为汽车灯光近光光型的第一角点;将第一点列中q 2+p-ε 1个点作为汽车灯光近光光型的第二角点;将第一点列中q 3+ε 2个点作为汽车灯光近光光型的特征点;将第一点列中q 4+p-ε 2个点作为汽车灯光近光光型的第三角点;其中,q 1为第一数列中第一个满足项值大于预设项阈值v的项的序号;ε 1为第一补偿值;q 2为第一数列中最后一个满足项值大于预设项阈值v的项的序号;ε 2为第二补偿值;p为预设项间距;q 3为第一数列中第一个满足项值小于-v的项的序号;q 4为第一数列中最后一个满足项值小于-v的项的序号;1≤ ε 1 ≤ p;1≤ ε 2 ≤ p。
7.根据权利要求6所述的基于凸包的汽车灯光近光光型特征点检测***,其特征在于,所述求差模块包括:
第一计算单元,用于根据以下公式计算差值数列每项的值:
;
其中,d1 n 为差值数列的第n项的值;为第一点列中第n个点的纵坐标值;/>为第二点列中第n个点的纵坐标值;n=1,2,…,s;s为第一点列或第二点列的长度。
8.根据权利要求6所述的基于凸包的汽车灯光近光光型特征点检测***,其特征在于,所述确定模块包括:
第二计算单元,用于根据以下公式计算第一数列的每项数值:
d2 m =d1 m+p -d1 m ;
其中,d2 m 为第一数列的第m项的值;d1 m+p 为差值数列的第m+p项的值;d1 m 为差值数列的第m项的值;p为预设项间距;m=1,2,…,s-p。
9.根据权利要求6所述的基于凸包的汽车灯光近光光型特征点检测***,其特征在于,所述第一绘制模块包括:
第三计算单元,用于根据以下公式计算第一全0图像每个像素点的像素值:
;
其中,P i j 为第二轮廓点集中坐标为(i, j)的点;/>为第一全0图像中像素点P ij 的像素值;V1为第二轮廓点集/>中每个点的像素值。
10.根据权利要求6所述的基于凸包的汽车灯光近光光型特征点检测***,其特征在于,所述第二绘制模块包括:
第四计算单元,用于根据以下公式计算第二全0图像每个像素点的像素值:
;
其中,P i'j' 为第二凸包点集中坐标为(i',j')的点;/>为第二全0图像中像素点P i'j' 的像素值;V2为第二凸包点集/>中每个点的像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275293.8A CN117876468B (zh) | 2024-03-12 | 2024-03-12 | 一种基于凸包的汽车灯光近光光型特征点检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275293.8A CN117876468B (zh) | 2024-03-12 | 2024-03-12 | 一种基于凸包的汽车灯光近光光型特征点检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117876468A CN117876468A (zh) | 2024-04-12 |
CN117876468B true CN117876468B (zh) | 2024-05-10 |
Family
ID=90583345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410275293.8A Active CN117876468B (zh) | 2024-03-12 | 2024-03-12 | 一种基于凸包的汽车灯光近光光型特征点检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117876468B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10289319A (ja) * | 1997-04-16 | 1998-10-27 | Sumitomo Electric Ind Ltd | 筋状欠陥の検査方法と検査装置 |
CN117444441A (zh) * | 2023-09-07 | 2024-01-26 | 桂林电子科技大学 | 一种搭接焊缝智能焊接方法 |
CN117576219A (zh) * | 2023-10-21 | 2024-02-20 | 东北石油大学 | 大广角鱼眼镜头单次拍摄图像的相机标定设备及标定方法 |
-
2024
- 2024-03-12 CN CN202410275293.8A patent/CN117876468B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10289319A (ja) * | 1997-04-16 | 1998-10-27 | Sumitomo Electric Ind Ltd | 筋状欠陥の検査方法と検査装置 |
CN117444441A (zh) * | 2023-09-07 | 2024-01-26 | 桂林电子科技大学 | 一种搭接焊缝智能焊接方法 |
CN117576219A (zh) * | 2023-10-21 | 2024-02-20 | 东北石油大学 | 大广角鱼眼镜头单次拍摄图像的相机标定设备及标定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117876468A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
JP6358351B1 (ja) | 表面欠陥検査方法及び表面欠陥検査装置 | |
CN109003258B (zh) | 一种高精度亚像素圆形零件测量方法 | |
CN108369650B (zh) | 标识校准图案的可能特征点的方法 | |
CN111968144B (zh) | 一种图像边缘点获取方法及装置 | |
CN108122256B (zh) | 一种逼近状态下旋转目标位姿测量的方法 | |
CN109001757B (zh) | 一种基于2d激光雷达的车位智能检测方法 | |
CN107797560B (zh) | 一种用于机器人跟踪的视觉识别***及方法 | |
CN110660072B (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN115294099A (zh) | 一种钢板轧制过程发纹缺陷的检测方法及*** | |
CN111524139B (zh) | 一种基于双边滤波器的角点检测方法和检测*** | |
CN116503462A (zh) | 一种圆形斑点圆心快速提取方法及*** | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN114674826A (zh) | 基于布匹的视觉检测方法及检测*** | |
CN117876468B (zh) | 一种基于凸包的汽车灯光近光光型特征点检测方法和*** | |
CN113310426A (zh) | 一种基于三维轮廓的螺纹参数测量方法及*** | |
CN117611525A (zh) | 一种受电弓滑板磨耗视觉检测方法和*** | |
CN110348363B (zh) | 基于多帧角度信息融合消除相似车辆干扰的车辆跟踪方法 | |
US20030156748A1 (en) | Adaptive threshold determination for ball grid array component modeling | |
CN114842041A (zh) | 一种基于嵌入式的钢轨廓形检测光条提取方法 | |
CN113505811A (zh) | 一种轮毂生产用机器视觉成像方法 | |
KR100955736B1 (ko) | 표면 검사용 방법 및 이를 수행하는 장치 | |
CN118135019A (zh) | 一种汽车近光光型特征点检测方法、设备及介质 | |
CN113034372B (zh) | 一种水下图像的快速旋转方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |