CN110097015B - 一种基于稠密特征点匹配的球机预置位偏移自动识别方法 - Google Patents

一种基于稠密特征点匹配的球机预置位偏移自动识别方法 Download PDF

Info

Publication number
CN110097015B
CN110097015B CN201910380395.5A CN201910380395A CN110097015B CN 110097015 B CN110097015 B CN 110097015B CN 201910380395 A CN201910380395 A CN 201910380395A CN 110097015 B CN110097015 B CN 110097015B
Authority
CN
China
Prior art keywords
image
detected
deviation
matching
feature point
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
Application number
CN201910380395.5A
Other languages
English (en)
Other versions
CN110097015A (zh
Inventor
张凯丽
刘立力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Shizai Technology Co ltd
Original Assignee
Hangzhou Shizai Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Shizai Technology Co ltd filed Critical Hangzhou Shizai Technology Co ltd
Priority to CN201910380395.5A priority Critical patent/CN110097015B/zh
Publication of CN110097015A publication Critical patent/CN110097015A/zh
Application granted granted Critical
Publication of CN110097015B publication Critical patent/CN110097015B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于稠密特征点匹配的球机预置位偏移自动识别方法，涉及智能视频监控技术领域。包括以下步骤，获取预置位图像和待检测图像；分别提取预置位图像和待检测图像的特征描述子；建立优化目标函数；筛选所述特征点对；根据筛选后的特征点对，求其单应性矩阵，得到x方向和y方向上的偏置参数；比较待检测图像在两个方向上的偏移程度，再判断待检测图像在该方向的偏移是否大于用户设定的置信范围；若偏移大于用户设定的置信范围，则返回待检测图像发生偏移并计算偏移程度，否则返回待检测图像未发生偏移。本发明基于稠密特征点匹配对发生偏移的图像做画面自动校正，节省硬件成本的同时保证了精确度。

Description

一种基于稠密特征点匹配的球机预置位偏移自动识别方法
技术领域
本发明涉及智能视频监控技术领域，尤其涉及一种基于稠密特征点匹配的球机预置位偏移自动识别方法。
背景技术
随着计算机视觉技术的发展，智能视频监控技术在银行、公司、机场、海关以及火车站等场景中被广泛应用.对于一些特定的场景做视频监控的智能分析时，会限制固定的预置位做模板.但是由于监控镜头会因为一些外力作用或者遮挡等偶然因素导致其拍摄角度发生变化，从而场景中设置好的预置位会发生偏置.实际场景中，很多时候预置位发生的偏移很微小，但是造成的监控视频的智能分析结果却千差万别.为了及时准确的发现预置位的偏移状况以及在做视频智能处理前完成画面自动校正，提出一种基于稠密特征点匹配的球机预置位偏移自动识别方法.
当前的预置位偏移的检测方法主要有以下几种：背景建模和模板匹配等.背景建模方法是通过比较当前场景和背景模型之间的像素值的差异，根据像素值的差异来判断预置位是否发生偏移，但是像素值的变化并不是很可靠，当像素值的变化受到光照的条件影响较大时，预置位偏移的检测异常的概率非常大.模板匹配方法是通过预先建立的模板在图像中做滑动窗口匹配，遇到某个区域的相似度高于设置的阈值时，既认为匹配成功，此方法的准确度严重依赖模板的选择，在实际场景中也不是很实用。为了不影响视频智能分析的结果,公布号为CN105812720的发明专利“一种球机预置位的校正方法及装置”和授权公告号为CN102937816B的发明专利“一种摄像机预置位偏差校准方法及装置”针对偏置位的修正都是采用硬件调整的方式以调整预置位的偏置问题，但是加入硬件以解决该类问题成本较高且调整存在一定的误差。
发明内容
本发明的目的在于提供一种基于稠密特征点匹配的球机预置位偏移自动识别方法，基于稠密特征点匹配自动识别球机预置位偏移以及对发生偏移的图像做画面自动校正，节省硬件成本的同时保证了精确度。
为实现上述目的，本发明提供如下技术方案：
一种基于稠密特征点匹配的球机预置位偏移自动识别方法，其特征在于，包括以下步骤，
S1，获取预置位图像和待检测图像；
S2，分别提取预置位图像和待检测图像的特征描述子，并依次在每个象限内递归至最小单元求得匹配源像素描述子和目标像素描述子；
S3，建立优化目标函数，递归优化四个象限至最小单元的匹配值使预置位图像和待检测图像的相似度匹配最大化，同时更新特征点对，所述特征点对包括预置位图像特征点和待检测图像特征点；
S4，筛选所述特征点对；
S5，根据筛选后的特征点对，求其单应性矩阵，得到x方向和y方向上的偏置参数；
S6，比较待检测图像在两个方向上的偏移程度，取偏移较大的方向；
S7，判断待检测图像在该方向的偏移是否大于用户设定的置信范围；若偏移大于用户设定的置信范围，则返回待检测图像发生偏移并计算偏移程度，否则返回待检测图像未发生偏移。
进一步的，所述S3中的优化目标函数具体为：
Figure BDA0002053188790000031
其中，Mi(pi)和Mi'(pi)分别表示匹配源像素描述子和目标像素描述子；S(·)为相似度匹配函数；M和M'分别表示预置位图像和待检测图像的特征描述子；
优化过程如下：从最小的象限单元开始计算局部的匹配点以及以该匹配点为中心的局部区域的相似度；选取局部的最优匹配点，然后合并局部的匹配点至上一层父象限中，计算出每个象限内坐标的移动方向，更新预置位图像特征点和待检测图像特征点构成特征点对，依次迭代至整幅图像为止。
进一步的，所述相似度匹配函数具体为：
S(M(pi),M′(pi))＝IN,p*I′*代表卷积运算
其中，
Figure BDA0002053188790000032
为以pi为中心点，尺寸为N×N的局部区域，I′为待检测图像。
进一步的，所述S4中的筛选过程为：将选取的特征点对按照相应区域的相似度大小做大顶堆排序，根据相似度筛选出Top-K的特征点对。
进一步的，所述S5中，单应性矩阵为
Figure BDA0002053188790000041
其中[h02,h12]T是用来产生透视变换的，h02为x方向上的偏置参数，h12为y方向上的偏置参数。
进一步的，所述S6中，若h02大于h12，则待检测图像在x方向偏移较大；若h12大于h02，则待检测图像在y方向偏移较大；若h02等于h12，则待检测图像在x方向和y方向偏移一样大。
进一步的，所述S7中的具体过程如下：
如果在x方向的偏移程度大于y方向的偏移程度，则继续判断待检测图像在x方向上的偏置是否大于用户可接受的置信范围w×C,若是，则返回图像发生偏移并计算偏移程度conx＝h02/w，否则返回图像未发生偏移；其中，w为图像在x方向上的长度，C为用户预设的可接受置信度；
如果在y方向的偏移程度大于x方向的偏移程度，则继续判断待检测图像在y方向上的偏置是否大于用户可接受的置信范围h×C,若是，则返回图像发生偏移并计算偏移程度cony＝h12/h，否则返回图像未发生偏移；其中，h为图像在y方向上的长度。
与现有技术相比，本发明的有益效果是：本发明为了及时准确的发现预置位的偏移状况以及消除预置位偏置带来视频智能分析的误差，从最小的象限单元开始迭代计算局部的匹配点以及以该匹配点为中心的局部区域的相似度，获取稠密的特征点对，基于稠密特征点匹配对发生偏移的图像做画面自动校正，节省硬件成本的同时保证了精确度。
附图说明
图1为本发明的整体流程图。
图2为本发明一实施例的预置位图像。
图3为本发明一实施例发生偏移的待检测图像。
图4为本发明一实施例的特征点提取示意图。
图5为图3校正后的图像。
具体实施方式
下面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做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。
请参阅图1，本发明提供一种基于稠密特征点匹配的球机预置位偏移自动识别方法，其特征在于，包括以下步骤，
S1，如图2和图3所示，获取预置位图像和待检测图像；
S2，分别提取预置位图像和待检测图像的特征描述子，并依次在每个象限内递归至最小单元求得匹配源像素描述子和目标像素描述子；当前最有效的匹配算法是SIFT描述子。SIFT描述子是具有4*4个空间单元和8个方向单元的梯度直方图，将SIFT描述子分为4个象限，M和M'分别表示预置位图像和待检测图像的特征描述子，依次在每个象限中递归至最小单元求出匹配源像素描述子M(pi)和目标像素描述子M'(pi)，假设预置位图像记为I，待检测图像记为I′，在图像中最小单元表示为中心为pi也称为匹配点，尺寸为N×N的局部区域，分别记为
Figure BDA0002053188790000061
和
Figure BDA0002053188790000062
源像素描述子M(pi)和目标像素描述子M′(pi)分别表示为从源图像与目标图像对应的最小单元提取出的描述子；
S3，建立优化目标函数。为了在每个象限内递归的对每个像素点获得稠密的非刚性匹配，在本发明中我们假设四个象限中的每一个象限都能在一定范围内独立运动，优化目标是递归优化四个象限至最小单元的匹配值使预置位图像和待检测图像的相似度匹配最大化，同时更新特征点对，所述特征点对包括预置位图像特征点和待检测图像特征点；优化目标函数具体为：
Figure BDA0002053188790000063
其中，Mi(pi)和Mi'(pi)分别表示匹配源像素描述子和目标像素描述子；S(·)为相似度匹配函数；M和M'分别表示预置位图像和待检测图像的特征描述子；
优化过程如下：从最小的象限单元开始计算局部的匹配点以及以该匹配点为中心的局部区域的相似度；选取局部的最优匹配点，然后合并局部的匹配点至上一层父象限中，计算出每个象限内坐标的移动方向，更新预置位图像特征点和待检测图像特征点构成特征点对，依次迭代至整幅图像为止。至此，请参照图4，对预置位图像和待检测图像已建立稠密的特征点。
其中，局部的相似度匹配函数具体如下：
S(M(pi),M′(pi))＝IN,p*I′*代表卷积运算
S4，筛选所述特征点对；具体的，将选取的特征点对按照相应区域的相似度大小做大顶堆排序，根据相似度筛选出Top-K的特征点对，K根据实际需求指定。
S5，根据筛选后的特征点对，使用opencv中的findHomography算法求其单应性矩阵
Figure BDA0002053188790000071
其中[h02,h12]T是用来产生透视变换的，h02为x方向上的偏置参数，h12为y方向上的偏置参数；以下主要用这两个值做预置位偏移的判断。
S6，比较待检测图像在两个方向上的偏移程度，取偏移较大的方向；具体的，若h02大于h12，则待检测图像在x方向偏移较大；若h12大于h02，则待检测图像在y方向偏移较大；若h02等于h12，则待检测图像在x方向和y方向偏移一样大。
S7，判断待检测图像在该方向的偏移是否大于用户设定的置信范围；若偏移大于用户设定的置信范围，则返回待检测图像发生偏移并计算偏移程度，否则返回待检测图像未发生偏移。
所述S7中的具体过程如下：
假设图像的尺寸是w×h；其中，w为图像在x方向上的长度，h为图像在y方向上的长度，用户预设的可接受置信度为C，C取值一般为0.1或0.2。如果在x方向的偏移程度大于y方向的偏移程度，则继续判断待检测图像在x方向上的偏置是否大于用户可接受的置信范围w×C,若是，则返回图像发生偏移并计算偏移程度conx＝h02/w，否则返回图像未发生偏移。
如果在y方向的偏移程度大于x方向的偏移程度，则继续判断待检测图像在y方向上的偏置是否大于用户可接受的置信范围h×C,若是，则返回图像发生偏移并计算偏移程度cony＝h12/h，否则返回图像未发生偏移。
如果在y方向的偏移程度与x方向的偏移程度相同，则任选一个方向，后续步骤请参照以上两种情况。
最后请参照图5，根据两幅图像之间的单应性矩阵对发生偏移的预置位图像映射扭转图像完成画面的自动校正。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

Claims (6)

1.一种基于稠密特征点匹配的球机预置位偏移自动识别方法，其特征在于，包括以下步骤，
S1，获取预置位图像和待检测图像；
S2，分别提取预置位图像和待检测图像的特征描述子，并依次在每个象限内递归至最小单元求得匹配源像素描述子和目标像素描述子；
S3，建立优化目标函数，递归优化四个象限至最小单元的匹配值使预置位图像和待检测图像的相似度匹配最大化，同时更新特征点对，所述特征点对包括预置位图像特征点和待检测图像特征点；
S4，筛选所述特征点对；
S5，根据筛选后的特征点对，求其单应性矩阵，得到x方向和y方向上的偏置参数；
S6，比较待检测图像在两个方向上的偏移程度，取偏移较大的方向；
S7，判断待检测图像在该方向的偏移是否大于用户设定的置信范围；若偏移大于用户设定的置信范围，则返回待检测图像发生偏移并计算偏移程度，否则返回待检测图像未发生偏移；
所述S3中的优化目标函数具体为：
Figure FDA0002438435470000011
其中，Mi(pi)和Mi'(pi)分别表示匹配源像素描述子和目标像素描述子；S(·)为相似度匹配函数；M和M'分别表示预置位图像和待检测图像的特征描述子；
优化过程如下：从最小的象限单元开始计算局部的匹配点以及以该匹配点为中心的局部区域的相似度；选取局部的最优匹配点，然后合并局部的匹配点至上一层父象限中，计算出每个象限内坐标的移动方向，更新预置位图像特征点和待检测图像特征点构成特征点对，依次迭代至整幅图像为止。
2.根据权利要求1所述的基于稠密特征点匹配的球机预置位偏移自动识别方法，其特征在于，所述相似度匹配函数具体为：
S(M(pi),M′(pi))＝IN,p*I′ *代表卷积运算
其中，
Figure FDA0002438435470000021
为以pi为中心点，尺寸为N×N的局部区域，I′为待检测图像。
3.根据权利要求1所述的基于稠密特征点匹配的球机预置位偏移自动识别方法，其特征在于，所述S4中的筛选过程为：将选取的特征点对按照相应区域的相似度大小做大顶堆排序，根据相似度筛选出Top-K的特征点对。
4.根据权利要求1所述的基于稠密特征点匹配的球机预置位偏移自动识别方法，其特征在于，所述S5中，单应性矩阵为
Figure FDA0002438435470000022
其中[h02,h12]T是用来产生透视变换的，h02为x方向上的偏置参数，h12为y方向上的偏置参数。
5.根据权利要求4所述的基于稠密特征点匹配的球机预置位偏移自动识别方法，其特征在于，所述S6中，若h02大于h12，则待检测图像在x方向偏移较大；若h12大于h02，则待检测图像在y方向偏移较大；若h02等于h12，则待检测图像在x方向和y方向偏移一样大。
6.根据权利要求4所述的基于稠密特征点匹配的球机预置位偏移自动识别方法，其特征在于，所述S7中的具体过程如下：
如果在x方向的偏移程度大于y方向的偏移程度，则继续判断待检测图像在x方向上的偏置是否大于用户可接受的置信范围w×C,若是，则返回图像发生偏移并计算偏移程度conx＝h02/w，否则返回图像未发生偏移；其中，w为图像在x方向上的长度，C为用户预设的可接受置信度；
如果在y方向的偏移程度大于x方向的偏移程度，则继续判断待检测图像在y方向上的偏置是否大于用户可接受的置信范围h×C,若是，则返回图像发生偏移并计算偏移程度cony＝h12/h，否则返回图像未发生偏移；其中，h为图像在y方向上的长度。
CN201910380395.5A 2019-05-08 2019-05-08 一种基于稠密特征点匹配的球机预置位偏移自动识别方法 Active CN110097015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910380395.5A CN110097015B (zh) 2019-05-08 2019-05-08 一种基于稠密特征点匹配的球机预置位偏移自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910380395.5A CN110097015B (zh) 2019-05-08 2019-05-08 一种基于稠密特征点匹配的球机预置位偏移自动识别方法

Publications (2)

Publication Number Publication Date
CN110097015A CN110097015A (zh) 2019-08-06
CN110097015B true CN110097015B (zh) 2020-05-26

Family

ID=67447373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910380395.5A Active CN110097015B (zh) 2019-05-08 2019-05-08 一种基于稠密特征点匹配的球机预置位偏移自动识别方法

Country Status (1)

Country Link
CN (1) CN110097015B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU1537199A (en) * 1997-11-25 1999-06-15 Interval Research Corporation Detection of image correspondence using radial cumulative similarity
US6226418B1 (en) * 1997-11-07 2001-05-01 Washington University Rapid convolution based large deformation image matching via landmark and volume imagery
CN104318548A (zh) * 2014-10-10 2015-01-28 西安电子科技大学 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法
CN104915965A (zh) * 2014-03-14 2015-09-16 华为技术有限公司 一种摄像机跟踪方法及装置
CN105427308A (zh) * 2015-11-20 2016-03-23 中国地质大学（武汉） 一种稀疏和稠密特征匹配结合的图像配准方法
CN107567632A (zh) * 2015-05-12 2018-01-09 高通股份有限公司 具有可跟踪性测量结果的关键点检测
CN108154526A (zh) * 2016-12-06 2018-06-12 奥多比公司 突发模式图像的图像对准

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106846367B (zh) * 2017-02-15 2019-10-01 北京大学深圳研究生院 一种基于运动约束光流法的复杂动态场景的运动物体检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6226418B1 (en) * 1997-11-07 2001-05-01 Washington University Rapid convolution based large deformation image matching via landmark and volume imagery
AU1537199A (en) * 1997-11-25 1999-06-15 Interval Research Corporation Detection of image correspondence using radial cumulative similarity
CN104915965A (zh) * 2014-03-14 2015-09-16 华为技术有限公司 一种摄像机跟踪方法及装置
CN104318548A (zh) * 2014-10-10 2015-01-28 西安电子科技大学 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法
CN107567632A (zh) * 2015-05-12 2018-01-09 高通股份有限公司 具有可跟踪性测量结果的关键点检测
CN105427308A (zh) * 2015-11-20 2016-03-23 中国地质大学（武汉） 一种稀疏和稠密特征匹配结合的图像配准方法
CN108154526A (zh) * 2016-12-06 2018-06-12 奥多比公司 突发模式图像的图像对准

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MBR-SIFT: A mirror reflected invariant feature descriptor using a binary representation for image matching;Su, MZ等;《PLOS ONE》;20170518;全文 *
基于局部统计特性及SIFT算法的图像配准;冀振宁;《太原理工大学学报》;20170930;全文 *

Also Published As

Publication number Publication date
CN110097015A (zh) 2019-08-06

Similar Documents

Publication Publication Date Title
WO2022002150A1 (zh) 一种视觉点云地图的构建方法、装置
CN110070536B (zh) 一种基于深度学习的pcb板元器件检测方法
WO2018219054A1 (zh) 一种车牌识别方法、装置及系统
CN104598883B (zh) 一种多摄像机监控网络中目标再识别的方法
CN108492263B (zh) 一种镜头径向畸变校正方法
CN109993052B (zh) 一种复杂场景下尺度自适应的目标跟踪方法和系统
CN110555377B (zh) 一种基于鱼眼相机俯视拍摄的行人检测与跟踪方法
CN113052170B (zh) 一种无约束场景下的小目标车牌识别方法
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
TW201516969A (zh) 視訊物件追蹤方法
CN111553845B (zh) 一种基于优化的三维重建的快速图像拼接方法
CN116052222A (zh) 自然采集牛脸图像的牛脸识别方法
CN111709317B (zh) 一种基于显著性模型下多尺度特征的行人重识别方法
CN111080665B (zh) 图像边框识别方法、装置、设备和计算机存储介质
CN110288026B (zh) 一种基于度量关系图学习的图像分割方法及装置
TWI383690B (zh) 影像處理的方法
CN113095385B (zh) 一种基于全局和局部特征描述的多模图像匹配方法
CN114235815A (zh) 基于场景过滤的换流站户外电气设备表面缺陷检测方法
CN110097015B (zh) 一种基于稠密特征点匹配的球机预置位偏移自动识别方法
CN115880683B (zh) 一种基于深度学习的城市内涝积水智能水位检测方法
CN109919164B (zh) 用户界面对象的识别方法及装置
CN113591548B (zh) 靶环识别方法及系统
CN112288372B (zh) 一种可同时识别一维条码和三段码字符的快递单识别方法
CN112233020A (zh) 无人机图像拼接方法、装置、计算机设备及存储介质
CN113963070A (zh) 一种圆形标定板识别方法

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