CN111780716A - 一种基于目标像素面积和宽高比的单目实时测距方法 - Google Patents
一种基于目标像素面积和宽高比的单目实时测距方法 Download PDFInfo
- Publication number
- CN111780716A CN111780716A CN202010629609.0A CN202010629609A CN111780716A CN 111780716 A CN111780716 A CN 111780716A CN 202010629609 A CN202010629609 A CN 202010629609A CN 111780716 A CN111780716 A CN 111780716A
- Authority
- CN
- China
- Prior art keywords
- target
- aspect ratio
- ranging
- real
- camera
- 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 33
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims abstract description 6
- 238000009432 framing Methods 0.000 claims abstract description 3
- 238000005259 measurement Methods 0.000 claims description 19
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003933 environmental pollution control Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C3/00—Measuring distances in line of sight; Optical rangefinders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Measurement Of Optical Distance (AREA)
Abstract
本发明涉及一种基于目标像素面积和宽高比的单目实时测距方法。本发明方法包含四部分的内容：采用ssd模型实现目标的检测处理，实现较为准确的框定；对相机进行参数标定，获取相机的内部参数和图像分辨率，基于目标检测的宽和高，求目标物的像素面积和宽高比值；通过目标检测的像素面积与距离的关系和特定目标像素宽高比的特性，实现多角度不同距离下的单目测距；由于目标检测的不稳定，在实时测距过程中引入卡尔曼滤波，实时测距的稳定性。本发明针对不同角度成像不同以及实时目标检测的不稳定，提出基于目标像素面积和宽高比的测距方法，并引入卡尔曼滤波方法，提高了多角度测距的适用性，从而提高了实时移动目标测距的稳定性。
Description
技术领域
本发明涉及图像处理和测距领域，特别涉及一种基于目标像素面积和宽高比的单目实时测距方法。
背景技术
在人力不能直接进行工作的地方，如高温、高福射作业等危险地方以及太空宇宙等遥远的地方，使用图像采集设备进行远距离、非接触测距系统可以对这些复杂环境进行监控以及做出相应的工作指示。通过计算机技术使研究对象和相关环境建立一种联系，为用户工作提供相应参考。目前，视觉测距的应用主要为机器人手臂抓取、定位、工业机器人检测、航空测绘、智能监控交通、反求工程、目标识别、军事运用、医学成像等领域。
测距技术在国内外都一直处于快速发展阶段，尤其在对测距系统实时性、稳定性及精确度的高标准要求下，国内外相关人员积极研究视觉测距这一门技术。目前，在图像距离测量上，各种各样数字图像快速处理算法不断的提出与改进。测距方法主要包括：激光测距、超声波测距、雷达测距以及计算机视觉测距。
激光测距法是一种在特定场合应用的高精度测距方式。激光测距由于光的波长短，光速快，因此对器件和信号处理技术的要求很高。在实际应用中主要利用计数原理和相位原理来实现距离测量计数原理测距工作原理简单，但对计数器的依赖性大，容易导致误差产生；利用相位原理测距可以方便地控制误差，但信号处理过程复杂。因而，激光测距受成本及可靠性限制。
超声波测距是一种比较成熟的测距方法，该方法成本低，工作原理简单。超声波是一种主动能量，在传输过程中必然会衰减，其衰减程度与传播距离的平方成正比。即有传播距离越远，反射回来的声波信号越弱，测量误差也就越大。因此，该方法的最佳测距范围为5-10m，测量范围的限制使它的应用场合大大减小。
雷达测距是一种具有高精度，受距离、气候条件影响非常小的测距方法。只要被测目标可以反射雷达波即可对距离进行测量。需要注意的是，利用雷达测距时，因为测距装置间相互干扰非常严重，因此不能同时在多个雷达测量环境下使用。此外，还应注意雷达其他通信系统之间的电磁干扰。
计算机视觉测距是一种通过摄像机采集图像后利用计算机对图像进行分析处理，根据相关测距原理求出摄像机与被测目标之间的距离。该方法是一种被动的测距方法，测量设备只需拍摄一幅包含被测目标的图像，而不是向被测物发射检测信号。因此，计算机机器视觉测距主要有测量成本低、测距原理简单、测量不受外界环境影响以及可以在复杂有害环境下应用等优点.
根据使用的视觉成像设备数量的不同，视觉测量方法可以分为单目视觉测量方法、双目视觉测量方法(立体视觉)和多目视觉测量方法(全方位视觉)。由于受到安装平台、场地以及价钱等实际因素影响，单目视觉的实际应用比例远大于双目和多目测距。单目视觉测量方法就是仅利用一台视觉成像设备采集图像，对目标的几何尺寸、目标在空间的位置、姿态等信息进行测量的方法，但是由于单目视觉信息获取不全面，目标的角度在实际运动中变化较多。因此，一直期望能够用单目摄像头对目标较为准确的测距，在目标与相机角度发生变化的条件下，也能有不错的效果。
发明内容
针对现有技术的不足，本发明提供了一种基于目标像素面积和宽高比的单目实时测距方法。
本发明进行三部分优化：
(1)采用目标像素面积大小来表示目标和相机间的距离关系
针对以往测距一般只依靠目标的像素宽或者高，来表示和距离的关系。可能在目标检测中宽高出现波动问题，采用像素宽高面积来取代单纯的像素宽或者高的方法，在一定程度上提高了测距的稳定性。
(2)采用目标检测宽高比来减小视角变化的影响
采用某类固定的目标，其正面角度的检测平均宽高和宽高比是固定的，以正面视角宽高比为基准，当摄像机和目标的视角发生变换时，根据宽高比的变换，推导正面的像素面积，进而达到测距效果。
(3)采用卡尔曼滤波处理减小实时测距波动
卡尔曼滤波不要求信号和噪声都是平稳过程的假设条件。对于每个时刻的系统扰动和观测误差(即噪声)，只要对它们的统计性质做某些适当的假定，通过对含有噪声的观测信号进行处理，就能在平均的意义上，求得误差为最小的真实信号的估计值。因此，自从卡尔曼滤波理论问世以来，在通信系统、电力系统、航空航天、环境污染控制、工业控制、雷达信号处理等许多部门都得到了应用，取得了许多成功应用的成果。例如在图像处理方面，应用卡尔曼滤波对由于某些噪声影响而造成模糊的图像进行复原。在对噪声做了某些统计性质的假定后，就可以用卡尔曼的算法以递推的方式从模糊图像中得到均方差最小的真实图像，使模糊的图像得到复原。由于目标检测每帧之间有波动，会产生测距的误差，采用卡尔曼滤波处理方法，减小帧与帧之间的检测误差，提高实时测距系统的整体稳定性。
本发明方法的具体步骤是：
步骤1：采用ssd模型实现目标的检测处理，实现较为准确的框定。
步骤2：对相机进行参数标定，获取相机的内部参数，基于目标检测的宽和高，获得目标正面角度的像素面积和宽高比。
步骤3：通过目标检测的像素面积与距离的关系和目标像素宽高比的特性，实现多角度不同距离下的单目测距。
步骤4：在实时测距中引入卡尔曼滤波，用于减小每帧之间目标检测的误差，进而提高实时测距的稳定性。
本发明的有益效果：本发明针对不同角度成像不同以及实时目标检测的不稳定，提出基于目标像素面积和宽高比的测距方法，并引入卡尔曼滤波方法，提高了多角度测距的适用性，从而提高了实时移动目标测距的稳定性。
附图说明
图1是针孔成像模型结构图。
图2是基于目标检测的宽和高的选取示意图。
图3是相机与目标角度变化的示意图。
图4是基于目标像素面积和宽高比的单目实时测距流程图。
图5摄像头载体平台速度等于检测目标速度的滤波效果图。
图6摄像头载体平台速度小于检测目标速度的滤波效果图。
图7摄像头载体平台速度大于检测目标速度的滤波效果图。
具体实施方式
下面对照附图并结合优选的实施方式对本发明作进一步说明。
步骤1：采用ssd模型实现目标检测，ssd的网络模型最开始部分是VGG-16，称作为基础网络。SSD在VGG-16网络后，增加了分辨率逐层递减的卷积特征图，这些特征图具有不同的感受，因此SSD能够进行多尺度的目标检测，即利用高分辨率的特征图检测图像中的小目标，利用低分辨率的特征图检测图像中的大目标。这种方法主要有两个优点：一、在高分辨率特征图上通过重定位(relocating)类别(classification)和外边框回归能够更加精确地定位小目标；二、SSD不用先进行区域生成，这种多尺度处理不增加基础网络的计算量，因此它比Faster R-CNN这类需要进行区域生成的方法快得多。本次发明SSD模型在PASCALVOC2012数据集基础上进行训练，在测试测试集过程中(只显示置信度大于0.5的检测框)，对于目标的检测框定比较准确。
步骤2：如图1和图2所示，本发明实施的基于单目摄像头像素面积方法包括以下步骤：
S1:获取单目相机的内部参数；
该步骤主要是对单目摄像头的焦距f进行相机标定(采用固定目标对相机进行标定)，等间距变换固定目标和相机间的距离u，以获取单目摄像头的水平方向焦距fx以及竖直方向焦距值fy。在本实施例中，该单目摄像头可以是普通相机、手机等可以拍照的设备。
S2：拍摄目标正面角度不同距离u的图像，设X为目标正面的实际宽度，Y为目标正面的实际高度，xo为目标正面在图像中的像素宽，yo为目标正面在图像中的像素高，目标正面角度的像素面积so和相机的距离u的关系如下所示：
目标正面的像素宽高比ro如下所示：
目标正面角度实际的宽高比R，以及ro与R的关系如下所示：
步骤3：如图3所示，本发明实施的基于单目摄像头像素宽高比的多角度测距算法如下所示：
算法输入B＝(x1,y1,x2,y2)表示目标检测左上角点(x1,y1)和右下角点(x2,y2)，R表示目标正面角度实际的宽高比，算法输出u表示目标和相机的实际距离。
算法主要内容：计算目标的像素宽x＝(x2-x1)和像素高y＝(y2-y1)，计算像素宽高比r＝x/y，当像素宽高比r<(R-α)时，相机拍摄目标侧面视角，y与正面视角相比是不变的，x与正面视角相比是减小的，推导出基于正面视角的宽高比例yc＝y和xc＝yc*R；当像素宽高比r>(R+α)时，相机拍摄目标俯视视角，x与正面视角相比是不变的，y与正面视角相比是减小的，推导出基于正面视角的宽高比例xc＝x和yc＝xc/R；当处于正面视角时，xc＝x和yc＝y。最后根据像素面积和距离的计算公式计算出距离u。引入α为提高算法稳定，保证宽高比改变较小时，不会频繁触发前两步的操作。xc和yc为算法处理后用于正真测距的像素宽和高，具体算法的伪代码如下：
Algorithm 1 Ranging algorithm based on the ratio of width to height
Input:Object box B＝(x1,y1,x2,y2)
Ratio of width to height R
Output:Distance u
1:x＝x2-x1
2:y＝y2-y1
3:r＝x/y
4:if r<(R-a)then
yc＝y
xc＝yc×R
5:else if r>(R+α)then
xc＝x
yc＝xc/R
6:else
xc＝x
yc＝y
7:end if
步骤4：为提高视频实时测距的稳定性，采用卡尔曼滤波处理的方法，对于实时视频的处理，每两帧时间间隔比较小，可以认为目标在相邻帧间运动变化缓慢，近似为匀速运动，由动力学公式：
xk＝xk-1+vk-1Δt，vk＝vk-1其中△t为两帧时间间隔。
系统为线性动态模型，系统状态方程:
X(k)＝AX(k-1)+G(k)
式中
X(k)＝(x1,y1,x2,y2)T；
Δt视频两次检测的周期，G(k)表示速率变动，即过程的高斯白噪声。
系统测量值为：
Y(k)＝HkX(k)+C(k)
H表示测量系统的参数，C(k)表示测量噪声。目标位置和相关联的误差协方差矩阵P使用卡尔曼滤波器预测：
式中，Q是过程噪声的协方差。
结合预测值和测量值，可以得到现在状态k的最优化估算值为：
并更新k状态下X(k|k)的误差协方差
P(k|k)＝P(k|k-1)-KkHkP(k|k-1)
式中，Kk为卡尔曼增益
式中，Rk表示测量噪声的协方差，测量协方差的值较低时意味着在当前的测量值上具有更大的加权，此时跟踪系统的灵敏度更高。
以下为本发明的检测效果：
在图像像素640*480条件下，当摄像机与运动目标之间的距离在275～700cm范围内时，测量误差很小，一般小于5％，距离过大目标特征不明显检测不准确。
| 编号 | 像素面积 | 实际距离(cm) | 计算距离(cm) | 误差(％) |
| 1 | 30854.77 | 275 | 278.7 | 1.35 |
| 2 | 26883.61 | 300 | 298.6 | 0.47 |
| 3 | 20284.81 | 325 | 340.8 | 4.62 |
| 4 | 17884.31 | 350 | 366.1 | 4.60 |
| 5 | 15963.73 | 375 | 387.5 | 3.33 |
| 6 | 15137.45 | 400 | 398.0 | 0.5 |
| 7 | 13006.46 | 425 | 429.3 | 1.01 |
| 8 | 11080.78 | 450 | 465.1 | 3.36 |
| 9 | 10291.51 | 475 | 482.7 | 1.62 |
| 10 | 9760.07 | 500 | 495.6 | 0.88 |
| 11 | 9189.83 | 525 | 510.8 | 2.70 |
| 12 | 7877.28 | 550 | 551.7 | 0.31 |
| 13 | 7159.28 | 575 | 578.7 | 0.64 |
| 14 | 6451.96 | 600 | 609.6 | 1.60 |
| 15 | 6157.56 | 625 | 624.0 | 0.16 |
| 16 | 5807.32 | 650 | 642.5 | 1.15 |
| 17 | 5232.53 | 675 | 676.9 | 0.28 |
| 18 | 4882.89 | 700 | 700.7 | 0.10 |
保持摄像机与目标之间的距离保持在2.6m。改变摄像机光轴与水平面的夹角10°—60°。基于宽高比的多角度测距误差小于5％。
| 角度 | 只基于面积 | 误差(％) | 面积和比例 | 误差(％) |
| 10 | 268.4 | 3.23 | 267.9 | 3.04 |
| 20 | 268.0 | 3.08 | 265.4 | 2.08 |
| 30 | 266.8 | 2.62 | 260.5 | 0.19 |
| 40 | 273.1 | 5.04 | 258.1 | 0.73 |
| 50 | 288.7 | 11.04 | 267.9 | 3.04 |
| 60 | 306.2 | 17.77 | 270.4 | 4.00 |
结合图5、图6和图7引入卡尔曼滤波在载体平台速度与目标相同，载体平台速度小于目标和载体平台速度大于目标三种情况下，卡尔曼滤波处理后，明显提高实时测距的稳定性，三种情况下，滤波处理之后平均减小25.221％的波动。
Claims (3)
1.一种基于目标像素面积和宽高比的单目实时测距方法，其特征在于该方法包括如下步骤：
步骤一：采用ssd模型实现目标的检测处理，实现较为准确的框定；
步骤二：对相机进行焦距标定，获取相机的内部参数，基于目标检测的宽和高，获得目标正面角度的像素面积和宽高比；
步骤三：通过目标检测的像素面积与距离的关系和目标像素宽高比的特性，实现多角度不同距离下的单目测距，具体是：
设目标的左上角点坐标为(x1,y1)和右下角点坐标为(x2,y2)，R为目标正面角度的宽高比；
计算目标的像素宽x＝(x2-x1)和像素高y＝(y2-y1)，计算实际的像素宽高比r＝x/y；当像素宽高比r<(R-α)时，α为通过实验设定的阈值，相机拍摄目标侧面视角，y与正面视角相比是不变的，x与正面视角相比是减小的，推导出基于正面视角的宽和高yc＝y和xc＝yc*R；
当像素宽高比r>(R+α)时，相机拍摄目标俯视视角，x与正面视角相比是不变的，y与正面视角相比是减小的，推导出基于正面视角的宽和高xc＝x和yc＝xc/R；
为α设定的阈值
当处于正面视角时，xc＝x和yc＝y；
最后根据像素面积和距离的计算公式计算出距离u；
步骤四：在实时测距中引入卡尔曼滤波，用于减小每帧之间目标检测的误差，进而提高实时测距的稳定性。
2.根据权利要求1所述的单目实时测距方法，其特征在于：基于针孔成像模型，采用固定的目标，等间距变换和相机间的距离u，拍摄目标正面角度图像，得到相机焦距f：
其中，fx为单目摄像头的水平方向焦距，fy为单目摄像头的竖直方向焦距值，X为目标正面的实际宽度，Y为目标正面的实际高度，xo为目标正面在图像中的像素宽，yo为目标正面在图像中的像素高。
3.根据权利要求2所述的单目实时测距方法，其特征在于：目标的大小通过它的像素面积表示，采用下式计算目标的像素面积值so：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010629609.0A CN111780716A (zh) | 2020-07-03 | 2020-07-03 | 一种基于目标像素面积和宽高比的单目实时测距方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010629609.0A CN111780716A (zh) | 2020-07-03 | 2020-07-03 | 一种基于目标像素面积和宽高比的单目实时测距方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111780716A true CN111780716A (zh) | 2020-10-16 |
Family
ID=72759172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010629609.0A Pending CN111780716A (zh) | 2020-07-03 | 2020-07-03 | 一种基于目标像素面积和宽高比的单目实时测距方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111780716A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112284330A (zh) * | 2020-11-18 | 2021-01-29 | 青岛科美创视智能科技有限公司 | 一种基于鱼眼摄像机的距离测量系统及方法 |
| CN112489116A (zh) * | 2020-12-07 | 2021-03-12 | 青岛科美创视智能科技有限公司 | 一种使用单相机估算目标距离的方法及系统 |
| CN113865617A (zh) * | 2021-08-30 | 2021-12-31 | 中国人民解放军火箭军工程大学 | 飞行器机动发射主动段后视景象匹配精确位姿修正方法 |
| CN114219767A (zh) * | 2021-11-24 | 2022-03-22 | 慧之安信息技术股份有限公司 | 一种基于物联网边缘盒子的羊群计数管理方法 |
| 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 |
| CN115578470A (zh) * | 2022-09-22 | 2023-01-06 | 虹软科技股份有限公司 | 一种单目视觉定位方法、装置、存储介质和电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109318227A (zh) * | 2018-09-21 | 2019-02-12 | 厦门理工学院 | 一种基于人形机器人的掷骰子方法及人形机器人 |
| CN109506628A (zh) * | 2018-11-29 | 2019-03-22 | 东北大学 | 一种基于深度学习的卡车环境下目标物测距方法 |
| CN111046843A (zh) * | 2019-12-27 | 2020-04-21 | 华南理工大学 | 一种智能驾驶环境下的单目测距方法 |
-
2020
- 2020-07-03 CN CN202010629609.0A patent/CN111780716A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109318227A (zh) * | 2018-09-21 | 2019-02-12 | 厦门理工学院 | 一种基于人形机器人的掷骰子方法及人形机器人 |
| CN109506628A (zh) * | 2018-11-29 | 2019-03-22 | 东北大学 | 一种基于深度学习的卡车环境下目标物测距方法 |
| CN111046843A (zh) * | 2019-12-27 | 2020-04-21 | 华南理工大学 | 一种智能驾驶环境下的单目测距方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112284330A (zh) * | 2020-11-18 | 2021-01-29 | 青岛科美创视智能科技有限公司 | 一种基于鱼眼摄像机的距离测量系统及方法 |
| CN112489116A (zh) * | 2020-12-07 | 2021-03-12 | 青岛科美创视智能科技有限公司 | 一种使用单相机估算目标距离的方法及系统 |
| CN113865617A (zh) * | 2021-08-30 | 2021-12-31 | 中国人民解放军火箭军工程大学 | 飞行器机动发射主动段后视景象匹配精确位姿修正方法 |
| CN114219767A (zh) * | 2021-11-24 | 2022-03-22 | 慧之安信息技术股份有限公司 | 一种基于物联网边缘盒子的羊群计数管理方法 |
| 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 |
| CN114755444B (zh) * | 2022-06-14 | 2022-10-21 | 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 |
| CN115578470A (zh) * | 2022-09-22 | 2023-01-06 | 虹软科技股份有限公司 | 一种单目视觉定位方法、装置、存储介质和电子设备 |
| CN115578470B (zh) * | 2022-09-22 | 2024-06-07 | 虹软科技股份有限公司 | 一种单目视觉定位方法、装置、存储介质和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111780716A (zh) | 一种基于目标像素面积和宽高比的单目实时测距方法 | |
| CN102798350B (zh) | 一种臂架挠度的测量方法、装置及系统 | |
| CN112880642B (zh) | 测距系统和测距方法 | |
| US9501839B1 (en) | Methods and systems for detecting moving objects in a sequence of image frames produced by sensors with inconsistent gain, offset, and dead pixels | |
| CN105547635B (zh) | 一种用于风洞试验的非接触式结构动力响应测量方法 | |
| CN107861920B (zh) | 点云数据配准方法 | |
| CN111385558B (zh) | Tof摄像模组精度测量方法及其系统 | |
| CN106503605A (zh) | 基于立体视觉技术的人体目标识别方法 | |
| CN107084680A (zh) | 一种基于机器单目视觉的目标深度测量方法 | |
| CN106249267A (zh) | 一种目标定位追踪方法和装置 | |
| CN108596117B (zh) | 一种基于二维激光测距仪阵列的场景监控方法 | |
| JP2017524122A (ja) | モバイルプラットフォームの変位を計測する方法及び装置 | |
| CN115717867A (zh) | 一种基于机载双相机和目标追踪的桥梁变形测量方法 | |
| CN115824170A (zh) | 一种摄影测量与激光雷达融合测量海洋波浪的方法 | |
| Jiang et al. | Bridge Deformation Measurement Using Unmanned Aerial Dual Camera and Learning‐Based Tracking Method | |
| CN117075099A (zh) | 三维形变测量方法、装置、计算机设备及介质 | |
| CN104713478B (zh) | 一种直线电机动子位置测量方法 | |
| CN115049784B (zh) | 一种基于双目粒子图像的三维速度场重建方法 | |
| Wang et al. | The human-height measurement scheme by using image processing techniques | |
| CN102798380A (zh) | 线阵图像中目标运动参数的测量方法 | |
| Su et al. | Obtaining obstacle information by an omnidirectional stereo vision system | |
| CN105717502B (zh) | 一种基于线阵ccd的高速激光测距装置 | |
| CN205300519U (zh) | 铁塔变形测量装置 | |
| CN113192011A (zh) | 一种基于监控视频图像的交通事故车速测量方法 | |
| CN117665805A (zh) | 一种基于射频信号的细粒度多尺度人体姿态估计方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201016 |