CN101488223A - 基于曲线均值标准差描述子的图像曲线特征匹配方法 - Google Patents
基于曲线均值标准差描述子的图像曲线特征匹配方法 Download PDFInfo
- Publication number
- CN101488223A CN101488223A CNA2008100562605A CN200810056260A CN101488223A CN 101488223 A CN101488223 A CN 101488223A CN A2008100562605 A CNA2008100562605 A CN A2008100562605A CN 200810056260 A CN200810056260 A CN 200810056260A CN 101488223 A CN101488223 A CN 101488223A
- Authority
- CN
- China
- Prior art keywords
- curve
- vector
- descriptor
- standard deviation
- description
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 74
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000008878 coupling Effects 0.000 claims description 30
- 238000010168 coupling process Methods 0.000 claims description 30
- 238000005859 coupling reaction Methods 0.000 claims description 30
- 239000004744 fabric Substances 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明基于曲线均值标准差描述子的图像曲线特征匹配方法,包括:拍摄待匹配场景的两幅或多幅图像;提取图像中的曲线特征;对曲线邻域进行划分分块,获取曲线上每一点的支撑区域的描述子向量;利用曲线上每一点支撑区域的描述子向量构造曲线的描述矩阵;计算曲线的描述矩阵的列向量的均值向量和标准差向量;分别对均值向量和标准差向量进行归一化并合并成一个向量;限制向量中每一维的最大值并重新进行整体归一化;利用所得的曲线描述子进行曲线匹配。本发明克服了困扰曲线匹配研究不同长度的曲线的统一描述问题,本发明具有完全基于图像内容,不需要对摄像机参数进行标定或其它已知条件,匹配过程不需要人机交互,完全基于图像内容自动完成。
Description
技术领域
本发明属于计算机辅助自动图像处理技术领域,涉及图像曲线特征匹配,具体地涉及基于曲线均值标准差描述子的图像曲线特征匹配方法。
背景技术
特征匹配技术在我们图像检索、物体识别、视频跟踪、三维重建以及增强现实等诸多领域有着极为重要的应用,也是许多系统的核心技术。近些年来,SIFT技术的提出使得图像中特征点的自动匹配取得了巨大进展。利用SIFT进行特征点匹配可以分为四个主要步骤:(1)是在图像尺度空间中检测DOG的极值点作为图像的特征点;(2)计算每一个特征点的主方向;(3)为每一个特征点选取一个正方形邻域并通过计算该邻域的梯度投影直方图来建立特征点的描述子;(4)利用特征点的描述子进行特征点匹配。但受诸多因素的制约,基于图像内容的曲线线匹配研究长期以来进展缓慢,目前文献中几乎没有成熟的自动曲线匹配算法或者技术报道。
发明内容
本发明要解决图像中曲线基于图像内容的自动匹配问题,即给定包含有相同场景的两幅或者多幅图像,要求为每一条曲线建立一个描述子向量,并通过计算这些描述子向量之间的相似度度量即欧氏距离找到其中对应的曲线对,本发明的目的在于提供一种较为简单、实用并且匹配性能好精度高的基于曲线均值标准差描述子的图像曲线特征匹配方法。
为实现上述目的,本发明基于曲线均值标准差描述子的图像曲线特征匹配方法包括以下步骤:
步骤1:拍摄待匹配场景的两幅或多幅图像;
步骤2:提取图像中的曲线特征;
步骤3:对曲线邻域进行划分分块,获取曲线上每一点的支撑区域的描述子向量;
步骤4:利用曲线上每一点支撑区域的描述子向量构造曲线的描述矩阵;
步骤5:计算曲线的描述矩阵的列向量的均值向量和标准差向量;
步骤6:分别对均值向量和标准差向量进行归一化并合并成一个向量;
步骤7:限制向量中每一维的最大值并重新进行整体归一化;
步骤8:利用所得的曲线描述子进行曲线匹配。
根据本发明的实施例,建立曲线描述子的分块策略是以特征点为中心,以其梯度方向为基准方向获得特征点的一个支撑区域,然后对该支撑区域沿基准方向分为多个的矩形子区域。
根据本发明的实施例,所述每个矩形子区域的四维描述子向量获取步骤如下:
步骤31:将支撑区域内的各像素点的梯度与曲线上该点的梯度进行内积运算;
步骤32:将每一点的梯度线性分配到相邻的矩形子区域内;
步骤33:分别在四个坐标轴方向累加分配到每一个矩形子区域内的梯度获得一个四维向量。
根据本发明的实施例,所述利用曲线上各点支撑区域的描述向量构造曲线描述子步骤如下:
步骤41:将各特征点的描述子向量排列构造成描述矩阵;
步骤42计算该描述矩阵各列的统计向量;
步骤43通过将所得到的两个统计向量合并获得曲线的描述子。
根据本发明的实施例,所述由描述矩阵获得曲线描述子向量计算的各列的统计向量是均值和标准差向量。
利用基于图像内容的曲线描述子的生成方法用于直线匹配,将需要匹配的直接当作曲线处理,并完全利用所述构造曲线描述子的步骤构造直线的描述子并进行直线匹配。根据本发明的实施例,所述构造的曲线为直线时,利用曲线描述子构造直线描述子并进行直线匹配。
利用基于图像内容的曲线描述子的生成方法用于区域匹配,首先提取每个需要匹配区域的边界曲线,然后构造这些边界曲线的描述子,最后利用边界曲线的描述子进行区域匹配。
本发明提供的曲线匹配方法克服了一直困扰曲线匹配研究的最大问题——不同长度的曲线的统一描述问题,本发明不需要对摄像机参数进行标定或其它已知条件,匹配过程不需要人机交互,完全基于图像内容自动完成,具有简单实用、匹配精度高、鲁棒性好等特点,此外,本发明提出的曲线匹配算法,可以不加任何改动的用于直线描述子和区域描述子的构造,并用于直线和区域的匹配。
附图说明
图1是利用本发明算法构造曲线描述子和并进行匹配的流程图;
图2是本发明曲线邻域划分示意图;
图3a、b、c、d是利用本发明算法进行曲线匹配的实例;
图4a、b、c、d是利用本发明算法进行直线匹配的实例;
图5a、b、c、d是利用本发明算法进行区域匹配的实例。
具体实施方式
下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是,所描述的实施例仅旨在便于对本发明的理解,而对其不起任何限定作用。
本发明首先对曲线邻域进行定义和划分,如附图2给出了曲线邻域的划分策略,然后通过引入向量的统计向量,克服了一直困扰曲线匹配研究的最大问题——不同长度的曲线的统一描述问题,提出了一种简单有效的基于图像内容的曲线匹配描述子。该方法中,描述子的构造简单,计算量比较小。其主要包括图像获取、曲线特征的提取、曲线描述子的构造以及匹配等步骤,具体流程图如附图1所示,具体说明如下:
一、图像获取
用普通照相机或者数码相机拍摄两幅或多幅同一场景的不同图像,并将图像输入计算机。
二、曲线特征的提取
首先利用Canny边缘算子或者任何其它边缘检测算法进行边缘检测获得图像中包含的曲线。
三、曲线邻域的划分,如图2所示:
建立曲线描述子的分块策略是以特征点为中心,以其梯度方向为基准方向获得特征点的一个大小为5×45的支撑区域,然后对该支撑区域沿基准方向分为9个大小为5×5的矩形子区域。
记曲线上某一点Pi的梯度方向为dN,该方向顺时针旋转90度的方向为dT,则以Pi为中心,以这两个方向(dN和dT)为基准确定一个大小为5×45像素的矩形子区域Gi,称为点Pi的的支撑区域。假设曲线有N个像素组成,所有像素确定的支撑区域G1,G2,...,GN相互重叠形成的区域称为曲线的支撑区域,反过来说,曲线的支撑区域被划分为N个相互重叠的矩形子区域。每一个支撑区域被进一步划分为9个大小为5×5的矩形子区域,得到曲线上每一点的支撑区域的描述子向量。
图2中,P1,...Pi,...,PN分别表示组成曲线的N个像素点,{dN1,dT1},{dNi,dTi},{dN1,dT1}分别表示点P1,...Pi,...,PN处局部坐标系的方向。G1,...Gi,...,GN分别表示点P1,...Pi,...,PN的支撑区域。Gi1,...Gij,...,Gi9表示为区域Gi进一步划分的9个矩形子区域。
四、曲线描述子向量的构造
曲线描述子的构造包括如下步骤:
步骤31:将曲线支撑区域内的所有像素的梯度向量与曲线上该点的梯度进行内积运算、投影;
步骤32:将每一点的梯度线性分配到相邻的矩形子区域内;将获得的每个投影向量分配给相邻的两个矩形子区域为降低分块效应带来的影响,将分配到与Xi最接近的两个矩形子区域内,即假设与Xi最接近的两个矩形子区域为Gij和Gi(j+1),Xi到它们中心线的距离分别为d1、d2,则分配到矩形子区域Gij、Gi(j+1)中的梯度向量分别为 和
步骤33:分别在四个坐标轴方向累加分配到每一个矩形子区域内的梯度获得一个四维向量。将分配给各个矩形子区域的梯度向量进行累加。
将矩形子区域Gi中所有像素点的梯度向量投影到方向dN、dN上并线性分配到与其最接近的两个矩形子区域后,记分配给某一矩形子区域中的梯度集合为分别在四个坐标轴上累加这些梯度可获得该矩形子区域的一个四维描述向量:其中是所有大于零的的累加,是所有小于零的的累加,是所有大于零的的累加,是所有小于零的的累加。
所述利用曲线上各点支撑区域的描述向量构造曲线描述子步骤如下:
步骤41:将各特征点的描述子向量排列构造成描述矩阵;构造描述矩阵,并计算其个列向量的均值和标准差:
将每一个矩形子区域的四维描述向量排列成矩阵的形式,称为描述矩阵:
描述矩阵中每一元素均为四维向量。
步骤42:计算该描述矩阵各列的统计向量,由描述矩阵获得曲线描述子向量计算的各列的统计向量是均值和标准差向量;计算描述矩阵中所有列向量V1,V2,...,VN的均值向量M=Mean{V1,V2,...,VN}和标准差向量S=Std{V1,V2,...,VN},其中Mean、Std分别表示计算向量的均值和标准差。M、S均为36维的列向量。
步骤43:通过将所得到的两个统计向量合并获得曲线的描述子;将均值向量M和标准差向量S分别进行归一化合并为一个维数为72的向量,限制每一维的最大值不超过0.4,即将超过0.4的值置为0.4,最后重新进行归一化获得最终的曲线描述子。
五、曲线匹配
应用最近邻/次近邻NNDR准则匹配准进行曲线匹配,得到最终的匹配结果:首先计算不同图像之间的任意两条曲线的曲线描述子之间的欧氏距离,对于第一幅图像中的一条曲线,分别找到另外一幅图像中与其描述子之间的欧氏距离最小和第二小的曲线,如果最小欧氏距离与次小欧氏距离的比值小于0.8,则该曲线与其最相似的曲线为一对匹配曲线对。
六、直线匹配和区域匹配
基于图像内容的曲线描述子的生成方法用于直线匹配,将需要匹配的直接当作曲线处理,并完全利用所述构造曲线描述子的步骤构造直线的描述子并进行直线匹配。
基于图像内容的曲线描述子的生成方法用于区域匹配,首先提取每个需要匹配区域的边界曲线,然后构造这些边界曲线的描述子,最后利用边界曲线的描述子进行区域匹配。
由于直线是一种特殊的曲线曲线,可以完全重复上述构造曲线描述子的过程构造直线描述子,然后完全利用曲线的匹配方法进行直线匹配。
图像中的区域的边界都是闭曲线,因此可以利用本发明的思路进行,该过程分以下三个步骤进行:
步骤61:提取每一个区域的边界曲线;
步骤62:按照本发明提出的步骤1—步骤8为一条边界曲线建立曲线描述子;将每一个曲线描述子直接作为其对应区域的描述子;
步骤63:利用步骤62得到的曲线描述子进行区域匹配,具体匹配方法。
实例中:
如图3a、b、c、d所示本发明算法在一组神像图像上进行曲线的匹配结果。图3a和图3b利用数码相机在不同视角拍摄的同一神像的两幅不同图像;图3c表示图3a中所有提取的曲线段中利用本发明所述算法匹配上的曲线段及编号,图3d表示图3b中所有提取的曲线段中利用本发明所述算法匹配上的曲线段及编号;图3c和图3d中的数字代表应用本发明算法获得的匹配曲线对的编号,即每组两幅图像中编号相同的曲线表示利用本发明获得的一对匹配曲线。图像大小为640×480,分别从两幅图像中提取的曲线数为136和131,NNDR值为0.8,获得的匹配数为96,其中1对匹配错误。
如图4a、b、c、d所示本发明算法在一组建筑图像上进行直线线的匹配结果。图4a和图4b利用数码相机在不同视角拍摄的同一建筑的两幅不同图像;图4c表示图4a中所有提取的直线段中利用本发明所述算法匹配上的直线段及编号,图4d表示图4b中所有提取的直线段中利用本发明所述算法匹配上的直线段及编号;图4c和图4d中,数字代表应用本发明算法获得的匹配直线对的编号,即每组两幅图像中编号相同的直线线表示利用本发明获得的一对匹配直线。图像大小为640×480,分别从两幅图像中提取的直线数为193和197,NNDR值为0.8,获得的匹配数为129,其中3对匹配错误。
如图5a、b、c、d所示本发明算法在一组存在较大仿射变形的图像上进行任意形状的边界曲线区域的匹配结果。图5a和图5b利用数码相机在不同视角拍摄的同一建筑的两幅不同图像;图5c表示图5a中所有提取的区域中利用本发明所述算法匹配上的区域及编号,图5d表示图5b中所有提取的区域中利用本发明所述算法匹配上的区域及编号;图5c和图5d中,数字代表应用本发明算法获得的匹配区域对的编号,即每组两幅图像中编号相同的直线线表示利用本发明获得的一对匹配区域。图像大小为640×480,分别从两幅图像中提取的区域是MSER不变区域,提取的区域个数分别为238和252,NNDR值为0.75,获得的匹配数为67,其中7对匹配错误。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1、一种基于曲线均值标准差描述子的图像曲线特征匹配方法,其特征在于,步骤包括:
步骤1:拍摄待匹配场景的两幅或多幅图像;
步骤2:提取图像中的曲线特征;
步骤3:对曲线邻域进行划分分块,获取曲线上每一点的支撑区域的描述子向量;
步骤4:利用曲线上每一点支撑区域的描述子向量构造曲线的描述矩阵;
步骤5:计算曲线的描述矩阵的列向量的均值向量和标准差向量;
步骤6:分别对均值向量和标准差向量进行归一化并合并成一个向量;
步骤7:限制向量中每一维的最大值并重新进行整体归一化;
步骤8:利用所得的曲线描述子进行曲线匹配。
2、按权利要求1所述的基于图像内容的曲线描述子的生成方法,其特征在于,建立曲线描述子的分块策略是以特征点为中心,以其梯度方向为基准方向获得特征点的一个支撑区域,然后对该支撑区域沿基准方向分为多个的矩形子区域。
3、按权利要求2所述的基于图像内容的曲线描述子的生成方法,其特征在于,所述每个矩形子区域的四维描述子向量获取步骤如下:
步骤31:将支撑区域内的各像素点的梯度与曲线上该点的梯度进行内积运算;
步骤32:将每一点的梯度线性分配到相邻的矩形子区域内;
步骤33:分别在四个坐标轴方向累加分配到每一个矩形子区域内的梯度获得一个四维向量。
4、按权利要求1所述的基于图像内容的曲线描述子的生成方法,其特征在于,所述利用曲线上各点支撑区域的描述向量构造曲线描述子步骤如下:
步骤41:将各特征点的描述子向量排列构造成描述矩阵;
步骤42:计算该描述矩阵各列的统计向量;
步骤43:通过将所得到的两个统计向量合并获得曲线的描述子。
5、按权利要求4所述的基于图像内容的曲线描述子的生成方法,其特征在于,所述由描述矩阵获得曲线描述子向量计算的各列的统计向量是均值和标准差向量。
6、按权利要求1所述的基于图像内容的曲线描述子的生成方法用于直线匹配,将需要匹配的直接当作曲线处理,并完全利用所述构造曲线描述子的步骤构造直线的描述子并进行直线匹配。
7、按权利要求1所述的基于图像内容的曲线描述子的生成方法用于区域匹配,首先提取每个需要匹配区域的边界曲线,然后构造这些边界曲线的描述子,最后利用边界曲线的描述子进行区域匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100562605A CN101488223B (zh) | 2008-01-16 | 2008-01-16 | 基于曲线均值标准差描述子的图像曲线特征匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100562605A CN101488223B (zh) | 2008-01-16 | 2008-01-16 | 基于曲线均值标准差描述子的图像曲线特征匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101488223A true CN101488223A (zh) | 2009-07-22 |
CN101488223B CN101488223B (zh) | 2012-03-28 |
Family
ID=40891104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008100562605A Expired - Fee Related CN101488223B (zh) | 2008-01-16 | 2008-01-16 | 基于曲线均值标准差描述子的图像曲线特征匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101488223B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592277A (zh) * | 2011-12-12 | 2012-07-18 | 河南理工大学 | 基于灰度子集合划分的曲线自动匹配方法 |
CN104123546A (zh) * | 2014-07-25 | 2014-10-29 | 黑龙江省科学院自动化研究所 | 基于多维特征提取的枪弹痕迹比对方法 |
CN105117728A (zh) * | 2015-08-11 | 2015-12-02 | 深圳大学 | 图像特征的提取方法以及提取装置 |
CN106485264A (zh) * | 2016-09-20 | 2017-03-08 | 河南理工大学 | 基于梯度序划分及映射策略的曲线描述及匹配方法 |
CN108171771A (zh) * | 2017-12-25 | 2018-06-15 | 天津科技大学 | 一种结合外部边缘信息和内部聚合笔道的线描画生成算法 |
CN108304870A (zh) * | 2018-01-30 | 2018-07-20 | 河南理工大学 | 点线特征融合的错误匹配剔除方法 |
CN109902718A (zh) * | 2019-01-24 | 2019-06-18 | 西北大学 | 一种二维形状匹配方法 |
CN110197254A (zh) * | 2019-04-25 | 2019-09-03 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 基于深度迁移学习的线特征描述方法 |
CN110490301A (zh) * | 2019-04-25 | 2019-11-22 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 基于卷积神经网络的线特征描述方法 |
CN113661497A (zh) * | 2020-04-09 | 2021-11-16 | 商汤国际私人有限公司 | 一种匹配方法、装置、电子设备及计算机可读存储介质 |
CN114267076A (zh) * | 2022-03-01 | 2022-04-01 | 天津所托瑞安汽车科技有限公司 | 一种图像识别方法、装置、设备及存储介质 |
TWI802363B (zh) * | 2022-04-08 | 2023-05-11 | 閎康科技股份有限公司 | 曲線對齊方法及曲線對齊裝置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1382937A4 (en) * | 2001-04-27 | 2009-11-11 | Panasonic Corp | METHOD FOR EXTRACTING SIGNIFICANT SIGNAL, RECORDING MEDIUM AND PROGRAM THEREOF |
CN1275024C (zh) * | 2003-07-09 | 2006-09-13 | 何林 | 大型结构损伤状况实时识别的变时基监测方法 |
CN1256704C (zh) * | 2003-10-30 | 2006-05-17 | 上海交通大学 | 遥感图像的光谱特征提取与比较方法 |
KR20070116523A (ko) * | 2006-08-24 | 2007-12-10 | 세종대학교산학협력단 | 통계적 성능평가 포락선을 활용한 성능기반설계법 |
-
2008
- 2008-01-16 CN CN2008100562605A patent/CN101488223B/zh not_active Expired - Fee Related
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592277A (zh) * | 2011-12-12 | 2012-07-18 | 河南理工大学 | 基于灰度子集合划分的曲线自动匹配方法 |
CN104123546A (zh) * | 2014-07-25 | 2014-10-29 | 黑龙江省科学院自动化研究所 | 基于多维特征提取的枪弹痕迹比对方法 |
CN105117728A (zh) * | 2015-08-11 | 2015-12-02 | 深圳大学 | 图像特征的提取方法以及提取装置 |
CN105117728B (zh) * | 2015-08-11 | 2019-01-25 | 深圳大学 | 图像特征的提取方法以及提取装置 |
CN106485264A (zh) * | 2016-09-20 | 2017-03-08 | 河南理工大学 | 基于梯度序划分及映射策略的曲线描述及匹配方法 |
CN108171771A (zh) * | 2017-12-25 | 2018-06-15 | 天津科技大学 | 一种结合外部边缘信息和内部聚合笔道的线描画生成算法 |
CN108304870B (zh) * | 2018-01-30 | 2021-10-08 | 河南理工大学 | 点线特征融合的错误匹配剔除方法 |
CN108304870A (zh) * | 2018-01-30 | 2018-07-20 | 河南理工大学 | 点线特征融合的错误匹配剔除方法 |
CN109902718A (zh) * | 2019-01-24 | 2019-06-18 | 西北大学 | 一种二维形状匹配方法 |
CN110197254A (zh) * | 2019-04-25 | 2019-09-03 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 基于深度迁移学习的线特征描述方法 |
CN110490301A (zh) * | 2019-04-25 | 2019-11-22 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 基于卷积神经网络的线特征描述方法 |
CN110197254B (zh) * | 2019-04-25 | 2022-05-24 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 基于深度迁移学习的线特征描述方法 |
CN113661497A (zh) * | 2020-04-09 | 2021-11-16 | 商汤国际私人有限公司 | 一种匹配方法、装置、电子设备及计算机可读存储介质 |
CN114267076A (zh) * | 2022-03-01 | 2022-04-01 | 天津所托瑞安汽车科技有限公司 | 一种图像识别方法、装置、设备及存储介质 |
CN114267076B (zh) * | 2022-03-01 | 2022-05-27 | 天津所托瑞安汽车科技有限公司 | 一种图像识别方法、装置、设备及存储介质 |
TWI802363B (zh) * | 2022-04-08 | 2023-05-11 | 閎康科技股份有限公司 | 曲線對齊方法及曲線對齊裝置 |
Also Published As
Publication number | Publication date |
---|---|
CN101488223B (zh) | 2012-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101488223B (zh) | 基于曲线均值标准差描述子的图像曲线特征匹配方法 | |
Jiang et al. | Cotr: Correspondence transformer for matching across images | |
CN103456022B (zh) | 一种高分辨率遥感图像特征匹配方法 | |
CN101789122B (zh) | 用于校正畸变文档图像的方法和系统 | |
CN102521810B (zh) | 一种基于局部约束表示的人脸超分辨率重建方法 | |
CN104966270A (zh) | 一种多图像拼接方法 | |
EP3438927B1 (en) | Image processing device, semiconductor device, image recognition device, mobile device, and image processing method | |
CN106447601A (zh) | 一种基于投影‑相似变换的无人机遥感影像拼接方法 | |
CN105787948A (zh) | 一种基于多变形分辨率的快速图像分割方法 | |
CN103970901B (zh) | 一种地理信息图形数据整合方法 | |
CN103473537A (zh) | 一种目标图像轮廓特征表示方法及装置 | |
CN103440667A (zh) | 一种遮挡状态下运动目标稳定追踪的自动装置 | |
CN103903238A (zh) | 图像特征的显著结构和相关结构融合方法 | |
Saovana et al. | Automated point cloud classification using an image-based instance segmentation for structure from motion | |
CN104091175A (zh) | 一种基于Kinect深度信息获取技术的害虫图像自动识别方法 | |
CN103914690B (zh) | 一种基于射影不变量的形状匹配方法 | |
CN104637066A (zh) | 基于序贯细化的二值图像快速骨架提取方法 | |
CN102663733A (zh) | 基于特征组对的特征点匹配方法 | |
Li et al. | Scale-aware monocular SLAM based on convolutional neural network | |
CN103854271A (zh) | 一种平面摄像机标定方法 | |
Tao et al. | F-PVNet: Frustum-level 3-D object detection on point–voxel feature representation for autonomous driving | |
Huang et al. | Overview of LiDAR point cloud target detection methods based on deep learning | |
CN105913065A (zh) | 一种图像目标区域提取的方法及系统 | |
CN102592277A (zh) | 基于灰度子集合划分的曲线自动匹配方法 | |
Zihao et al. | Printed Surface Defect Detection Model Based on Positive Samples. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120328 Termination date: 20180116 |
|
CF01 | Termination of patent right due to non-payment of annual fee |