-
公开(公告)号：CN107274415A
公开(公告)日：2017-10-20
申请号：CN201710416337.4
申请日：2017-06-06
Applicant: 东北大学
IPC: G06T7/11
CPC classification number: G06T7/11
Abstract: 本发明公开了一种基于Tarjan算法和区域连接的图像分割技术，所述的Tarjan算法用于求解有向图的最小分支，当构建完最小分支后，图像被分割成大量碎片。为防止图像出现过分割，若相邻区域间的大小和相似性满足区域连接条件，则连接相邻区域。对比目前存在的图像分割技术，该算法用于图像分割具有时间快，分割准确，构建过程中不需要设置任何参数等优点。
-
公开(公告)号：CN107341823B
公开(公告)日：2019-08-09
申请号：CN201710415745.8
申请日：2017-06-06
Applicant: 东北大学
IPC: G06T7/33
Abstract: 本发明公开了一种基于特征融合的最小分支立体匹配方法，能够有效解决弱纹理区域、不连续区域、遮挡区域的误匹配问题，提高立体匹配精度。最小分支结构首次利用梯度信息构建有向图聚合匹配代价，构建最小分支后图像被分割成若干区域，图像被分割成区域的过程不需要设置任何参数，不仅分割过程自然，而且可以有效地区分图像中的纹理区域，提高了立体匹配准确性。基于特征融合的初始匹配代价计算改善了弱纹理区域和不连续区域的误匹配问题，基于四个方向寻找未遮挡点的左右一致性检测，有效改善了遮挡区域的误匹配问题，进一步提高了立体匹配的准确性。
-
-
Patent Agency Ranking
公开(公告)号：CN107341822A
公开(公告)日：2017-11-10
申请号：CN201710416336.X
申请日：2017-06-06
Applicant: 东北大学
IPC: G06T7/32
Abstract: 本发明公开了一种基于最小分支代价聚合的立体匹配方法。所述的最小分支构建于有向图，有向图的方向是由图像像素点的梯度信息决定的。在最小分支构建完成后，输入图像被分割成很多碎片，碎片的大小和强度信息能够有效的区分图像的强弱纹理区域，再根据碎片的大小和相似性将最可能处于同一视差下的碎片连接在一起，最后在所建立的完整最小分支结构上执行代价聚合步骤。基于最小分支的代价聚合方法保留了更多的图像自然信息，使得代价聚合结果更加准确，从而有效的提高了立体匹配的精度。
-
公开(公告)号：CN107341822B
公开(公告)日：2019-11-08
申请号：CN201710416336.X
申请日：2017-06-06
Applicant: 东北大学
IPC: G06T7/32
Abstract: 本发明公开了一种基于最小分支代价聚合的立体匹配方法。所述的最小分支构建于有向图，有向图的方向是由图像像素点的梯度信息决定的。在最小分支构建完成后，输入图像被分割成很多碎片，碎片的大小和强度信息能够有效的区分图像的强弱纹理区域，再根据碎片的大小和相似性将最可能处于同一视差下的碎片连接在一起，最后在所建立的完整最小分支结构上执行代价聚合步骤。基于最小分支的代价聚合方法保留了更多的图像自然信息，使得代价聚合结果更加准确，从而有效的提高了立体匹配的精度。
-
公开(公告)号：CN109636905B
公开(公告)日：2023-01-24
申请号：CN201811492375.9
申请日：2018-12-07
Applicant: 东北大学
Abstract: 本发明提出了一种基于深度卷积神经网络的环境语义建图方法，该方法能够借助深度学习在场景识别方面的优势，与SLAM技术的自主定位优势相结合，构建包含物体类别信息的环境地图。具体地，利用ORB‑SLAM对输入图像序列进行关键帧筛选和帧间位姿估计；利用一种基于Deeplab图像分割的改进方法进行二维语义分割；在卷积网络最后一层的后面引入上采样卷积层；利用深度信息作为门限信号控制不同卷积核的选择，并对齐分割后的图像与深度图，利用相邻关键帧之间的空间对应关系构建三维稠密语义地图。上述方案能够提高图像分割的精度，具有更高的构图效率。
-
公开(公告)号：CN109636905A
公开(公告)日：2019-04-16
申请号：CN201811492375.9
申请日：2018-12-07
Applicant: 东北大学
CPC classification number: G06T17/05 , G06T7/11 , G06T7/38 , G06T19/20 , G06T2207/10024 , G06T2207/10028 , G06T2207/20016 , G06T2207/20084 , G06T2219/2012
Abstract: 本发明提出了一种基于深度卷积神经网络的环境语义建图方法，该方法能够借助深度学习在场景识别方面的优势，与SLAM技术的自主定位优势相结合，构建包含物体类别信息的环境地图。具体地，利用ORB‑SLAM对输入图像序列进行关键帧筛选和帧间位姿估计；利用一种基于Deeplab图像分割的改进方法进行二维语义分割；在卷积网络最后一层的后面引入上采样卷积层；利用深度信息作为门限信号控制不同卷积核的选择，并对齐分割后的图像与深度图，利用相邻关键帧之间的空间对应关系构建三维稠密语义地图。上述方案能够提高图像分割的精度，具有更高的构图效率。
-
公开(公告)号：CN107341823A
公开(公告)日：2017-11-10
申请号：CN201710415745.8
申请日：2017-06-06
Applicant: 东北大学
IPC: G06T7/33
CPC classification number: G06T7/337 , G06T2207/10012
Abstract: 本发明公开了一种基于特征融合的最小分支立体匹配方法，能够有效解决弱纹理区域、不连续区域、遮挡区域的误匹配问题，提高立体匹配精度。最小分支结构首次利用梯度信息构建有向图聚合匹配代价，构建最小分支后图像被分割成若干区域，图像被分割成区域的过程不需要设置任何参数，不仅分割过程自然，而且可以有效地区分图像中的纹理区域，提高了立体匹配准确性。基于特征融合的初始匹配代价计算改善了弱纹理区域和不连续区域的误匹配问题，基于四个方向寻找未遮挡点的左右一致性检测，有效改善了遮挡区域的误匹配问题，进一步提高了立体匹配的准确性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.026 seconds)
