CN102521838A - 一种图像检索/匹配方法及系统 - Google Patents
一种图像检索/匹配方法及系统 Download PDFInfo
- Publication number
- CN102521838A CN102521838A CN2011104271047A CN201110427104A CN102521838A CN 102521838 A CN102521838 A CN 102521838A CN 2011104271047 A CN2011104271047 A CN 2011104271047A CN 201110427104 A CN201110427104 A CN 201110427104A CN 102521838 A CN102521838 A CN 102521838A
- Authority
- CN
- China
- Prior art keywords
- initial matching
- unique point
- image
- width
- initial
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种图像检索/匹配方法。该方法首先求取两幅图像的初始匹配特征点集,然后判断并消除误匹配特征点对,再根据正确匹配特征点对的数量判断两幅图像是否匹配;其中,判断是否为误匹配特征点对,包括:在两幅图像中,分别以初始匹配特征点为中心,将图像均划分为两个以上的区域,并对各区域编号;在两幅图像中,分别以其他各初始匹配特征点所处区域的编号构成的矢量来描述该初始匹配特征点的全局特征;对两个矢量进行比较,如果相似度达到要求,则为正确的匹配特征点对。本发明方法不仅适应于图像尺度变化、图像嵌套、视角变化等复杂情况下的图像检索,而且具有较高的检索效率和识别准确率。本发明还相应公开了一种图像检索/匹配系统。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种图像检索/匹配方法及系统。
背景技术
目前,图像局部特征点匹配已经在多个领域取得了成功应用,如图像配准、目标识别、机器人导航、图像检索、移动视频搜索、脸部识别、指纹识别、眼虹膜识别、医学图像处理等。图像中的特征点(如边缘交叉点、角点、高熵区域、尺度空间极大值点等)具有尺度不变性、旋转不变性、灰度不变性,并对光线、噪声、仿射变换等具有鲁棒性,能够有效反应图像中的局部稳定特征。
常用的局部不变量(Local Invariant)的计算方法,如SIFT(Scale InvariantFeature Transform,尺度不变特征变换)、SURF(Speeded Up Robust Features,快速鲁棒特征)算法等,由于仅描述了特征点附近的邻域信息,不能够反应全局特性,因此当图像中出现大量相似结构特征时,极易发生误匹配。研究者们已经提出了一些方式来解决图像局部特征点的误匹配问题,与本发明解决的问题最相近的方法有:局部特征点全局描述符方法和RANSAC(RANdom SAmpleConsensus)方法。
局部特征点全局描述符方法抽取图像中局部特征点附近的60维的上下文全局特征,通过加权方式与SIFT算法的128维特征描述符连接在一起,构成188维局部特征点的全局描述符。再利用全局描述符来进行特征点匹配,以减少误匹配现象的发生。由于新的全局描述符维度太高,在特征点匹配之前,该方法使用降维算法对拼接后高维的全局描述符进行了简化处理。此方法使得特征点匹配过程变得十分复杂,计算效率大大降低;更为重要的是,拼接了全局描述的特征描述符在很大程度上丧失了局部特征描述符原有的对上下文不敏感的优秀特性,导致难以应对图像尺度变化、图像嵌套等问题,对视角变化的应对能力也相应降低。因此局部特征点全局描述符方法虽然通过引入上下文环境,在一定程度上解决了局部特征点使用全局位置信息的问题,但是却导致了识别能力下降、计算效率降低等比较严重的问题。
RANSAC方法通过求解匹配点的变换矩阵来判消除特征点误匹配造成的错误检索现象。RANSAC方法从初始匹配点集中选择样本点求解变换矩阵,然后找出误差小于一定阈值的一致集。如一致集中的点数多于给定门限值,则计算停止;否则重新选择样本点,直到找到一致集。其中,与一致集的变换矩阵小于给定阈值的是正确匹配点,否则是误匹配点。如重复选择样本点的次数大于一定数值仍未找到一致集,则认为这两幅图像无法匹配。该方法需要从初始匹配点集中选择样本点来求解变换矩阵,对样本点的选择具有一定随机性,如果样本点确定的变换矩阵不能构成一致集,需要重新选择样本点。对于两幅完全不能匹配的图像,这种样本点的选择一般要到迭代次数超过给定阈值后才会停止。因此,对于两幅基本相同的图像,RANSAC方法的匹配速度很快,而对于完全不同的图像,RANSAC方法速度很慢。由于图像检索/匹配中,大部分情况下两幅图像是完全不同的。所以RANSAC方法难以适用于海量图像检索/匹配算法问题中。
发明内容
针对上述现有技术中存在的问题与缺陷,本发明提出一种图像检索/匹配方法及系统,不仅能适应于图像尺度变化、图像嵌套、视角变化等复杂情况下的图像检索,而且具有较高的检索效率和识别准确率。
为解决上述技术问题,本发明图像检索/匹配方法包括:
求取两幅图像的初始匹配特征点集;
判断并消除所述初始匹配特征点集中的误匹配特征点对;
根据所述初始匹配特征点集中余下的正确的匹配特征点对的数量判断两幅图像是否匹配;
其中,判断某个初始匹配特征点对是否为误匹配特征点对,采用的方法包括:
在两幅图像中,分别以该初始匹配特征点对中的初始匹配特征点为中心,将图像划分为两个以上的区域,并对各个区域进行编号;图像划分区域时,两幅图的特征点主方向保持一致,且两幅图的图像划分标准一致;
在两幅图像中,分别以其他各初始匹配特征点所处区域的编号按既定顺序构成的矢量来描述该初始匹配特征点的全局特征;
对两个矢量进行比较,如果相似度达到要求,则该初始匹配特征点对为正确的匹配特征点对;否则,为误匹配特征点对。
进一步地,两幅图的特征点主方向保持一致,是指在两幅图中,当以该初始匹配特征点对中的初始匹配特征点为原点时,X轴与该初始匹配特征点的特征点主方向的夹角相等。
进一步地,将图像划分为两个以上的区域,是指将图像划分为两个以上均匀的区域。
进一步地,所述按既定顺序,是指按照预先对各个初始匹配特征点的排列顺序。
进一步地,对两个矢量进行比较,判断相似度是否达到要求,采用的一种方法为:
求两个矢量的各相应位置元素的误差,包括:如果相应位置元素的差值的绝对值小于等于Z/2向上取整得到的值,则以该差值作为该位置的相应元素的误差;如果相应位置元素的差值的绝对值大于Z/2向上取整得到的值,则以Z减去该差值的绝对值得到的值作为该位置的相应元素的误差;
将各个位置的误差求和,如果求得的和小于预设的门限值,则相似度达到要求;如果求得的和大于等于预设的门限值,则相似度未达到要求;
其中,Z为其中一个图像中,对图像所划分的区域的个数。
进一步地,对两个矢量进行比较,判断相似度是否达到要求,采用的另一种方法为:
求两个矢量的各相应位置元素不一致的个数,如果该个数小于预设的门限值,则相似度达到要求;如果该个数大于等于预设的门限值,则相似度未达到要求。
为解决上述技术问题,本发明图像检索/匹配系统包括:
初始匹配特征点集求取模块,用于求取两幅图像的初始匹配特征点集;
误匹配特征点对消除模块,用于判断并消除所述初始匹配特征点集中的误匹配特征点对;
图像匹配判断模块,用于根据所述初始匹配特征点集中余下的正确的匹配特征点对的数量判断两幅图像是否匹配;
其中,所述误匹配特征点对消除模块包括:
图像区域划分子模块,用于在两幅图像中,分别以该初始匹配特征点对中的初始匹配特征点为中心,将图像划分为两个以上的区域,并对各个区域进行编号;图像划分区域时,两幅图的特征点主方向保持一致,且两幅图的图像划分标准一致;
矢量构建子模块,用于在两幅图像中,分别以其他各初始匹配特征点所处区域的编号按既定顺序构成的矢量来描述该初始匹配特征点的全局特征;
矢量比较子模块,用于对两个矢量进行比较,如果相似度达到要求,则该初始匹配特征点对为正确的匹配特征点对;否则,为误匹配特征点对;
误匹配消除子模块,用于消除所述初始匹配特征点集中的误匹配特征点对。
进一步地,两幅图的特征点主方向保持一致,是指在两幅图中,当以该初始匹配特征点对中的初始匹配特征点为原点时,X轴与该初始匹配特征点的特征点主方向的夹角相等。
进一步地,将图像划分为两个以上的区域,是指将图像划分为两个以上均匀的区域。
进一步地,所述按既定顺序,是指按照预先对各个初始匹配特征点的排列顺序。
进一步地,对两个矢量进行比较,判断相似度是否达到要求,采用的一种方案为:
求两个矢量的各相应位置元素的误差,包括:如果相应位置元素的差值的绝对值小于等于Z/2向上取整得到的值,则以该差值作为该位置的相应元素的误差;如果相应位置元素的差值的绝对值大于Z/2向上取整得到的值,则以Z减去该差值的绝对值得到的值作为该位置的相应元素的误差;
将各个位置的误差求和,如果求得的和小于预设的门限值,则相似度达到要求;如果求得的和大于等于预设的门限值,则相似度未达到要求;
其中,Z为其中一个图像中,对图像所划分的区域的个数。
进一步地,对两个矢量进行比较,判断相似度是否达到要求,采用的另一种方案为:
求两个矢量的各相应位置元素不一致的个数,如果该个数小于预设的门限值,则相似度达到要求;如果该个数大于等于预设的门限值,则相似度未达到要求。
本发明有益效果如下:
1,相同物体或目标在不同视角、尺度、旋转、光照下,局部特征点间的相对位置具有一定的稳定性。本发明首先通过局部特征描述子得到初始特征匹配点,再由初始匹配特征点的相对位置关系得到初始匹配特征点的全局特征信息,然后利用全局特征信息对初始特征匹配点进行误匹配点筛除,本发明使用的特征点全局信息在利用形式上完全独立于局部特征描述,从而消除了使用局部特征不变量进行局部特征匹配时易产生的误匹配现象,大大提高了利用局部特征描述子(即局部不变量)进行图像检索的准确性。
2,本发明提出了一种新的全局位置信息描述方式,该全局特征不需要与局部特征进行拼接,因而能够保留局部特征描述的所有优秀特性,不但显著提高了局部特征点匹配的准确率,而且能适应于图像尺度变化、图像嵌套、视角变化等复杂情况下的图像检索。
3,本发明在进行两幅图像的误匹配点筛除时,只需进行一轮计算,所增加的计算开销与局部特征提取所需的计算开销相比,几乎可以忽略不计,因此本发明与单纯利用局部特征点进行图像检索的方法相比,计算效率基本上不发生变化;与RANSAC方法相比,在被检索的图像与样本图像完全不同时,本发明只需要进行一轮误匹配特征点判断,而无需等至迭代次数超过阈值,因而检索效率较RANSAC方法大大提高,尤其是在海量图像检索/匹配问题中更为明显。
附图说明
图1为本发明实施例的图像检索/匹配方法流程示意图;
图2为本发明实施例的判断误匹配特征点对示意图;
图3为本发明实施例的相对位置参照系示意图;
图4为本发明实施例的图像检索/匹配系统结构示意图;
图5为本发明实施例的误匹配特征点对消除模块结构示意图。
具体实施方式
以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不限定本发明。
方法实施例
根据本发明的实施例,提供了一种图像检索/匹配方法,图1是本发明实施例的图像检索/匹配方法的流程图,如图1所示,根据本发明实施例的图像检索/匹配方法,包括如下处理:
步骤101,求取两幅图像的初始匹配特征点集。
对于图像A与B,用标准的局部特征描述子的计算方法,如SIFT算法、SURF算法等,分别求取局部特征点,并以局部特征描述子表示,得到两幅图像的初始匹配特征点集为M={(ai,bi)|1≤i≤n},其中n为两幅图像的初始匹配特征点数,n>0,MA={ai|1≤i≤n},MB={bi|1≤i≤n}分别表示图像A与B中的初始匹配特征点。
步骤102,判断并消除初始匹配特征点集中的误匹配特征点对。
其中,判断某个初始匹配特征点对是否为误匹配特征点对,采用的具体方案如图2所示,包括:
步骤1021,在两幅图像中,分别以该初始匹配特征点对中的初始匹配特征点为中心,将图像划分为两个以上的区域,并对各个区域进行编号;图像划分区域时,两幅图的特征点主方向保持一致,且两幅图的图像划分标准一致。
该实施例中,两幅图的特征点主方向保持一致,是指在两幅图中,当以该初始匹配特征点对中的初始匹配特征点为原点时,X轴或Y轴与该初始匹配特征点的特征点主方向的夹角相等。
该实施例中,将图像划分为两个以上的区域,是指将图像划分为两个以上均匀的区域。当然,本发明方法具体实施时,不要求划分的图像区域一定均匀,只要两幅图的划分标准保持一致即可。
步骤1022,在两幅图像中,分别以其他各初始匹配特征点所处区域的编号按既定顺序构成的矢量来描述该初始匹配特征点的全局特征。
该实施例中,所谓按既定顺序,是指按照预先对各个初始匹配特征点的排列顺序。例如,按照MA和MB中各初始匹配特征点的编号,或者,按照预先对各初始匹配特征点以其他方式所做的排序。
步骤1023,对步骤1022得到的两个矢量进行比较,如果两个矢量的相似度达到要求,则该初始匹配特征点对为正确的匹配特征点对;否则,为误匹配特征点对。
该步骤中,对两个矢量进行比较,判断相似度是否达到要求,采用的一种方法为:
求两个矢量的各相应位置元素的误差,具体方法包括:如果相应位置元素的差值的绝对值小于等于Z/2向上取整得到的值,则以该差值作为该位置的相应元素的误差;如果相应位置元素的差值的绝对值大于Z/2向上取整得到的值,则以Z减去该差值的绝对值得到的值作为该位置的相应元素的误差;
将各个位置的误差求和,如果求得的和小于预设的门限值,则相似度达到要求;如果求得的和大于等于预设的门限值,则相似度未达到要求;
其中,Z为其中一个图像中,对图像所划分的区域的个数。
该步骤中,对两个矢量进行比较,判断相似度是否达到要求,采用的另一种方法为:
求两个矢量的各相应位置元素不一致的个数,如果该个数小于预设的门限值,则相似度达到要求;如果该个数大于等于预设的门限值,则相似度未达到要求。
以上给出了本步骤中判断相似度是否达到要求的两个具体的例子,本发明方法具体实施时,不限于采用以上两种具体的方式,只要能够判断两个矢量的相似度的方案,本发明方法均可以采行。
当求出初始匹配特征点集中的误匹配特征点对后,将其从初始匹配特征点集中消除。
步骤103,根据初始匹配特征点集中余下的正确的匹配特征点对的数量判断两幅图像是否匹配。
例如,如果初始匹配特征点集中余下的正确的匹配特征点对的数量与初始匹配特征点集中的初始匹配特征点对的数量之比超出了预设的阀值,则认为两幅图像是匹配的。同理,在图像检索时,认为检索到正确的图像。
下面再以一个具体实例对本发明方法中消除误匹配特征点的步骤(即上述步骤102)做进一步详细说明。
对于图像A与B,用SIFT算法分别求取局部特征点,并以局部特征描述子表示,得到两幅图像的初始匹配特征点集为M={(ai,bi)|1≤i≤n},其中n为两幅图像的匹配特征点数,n>0,MA={ai|1≤i≤n},MB={bi|1≤i≤n}分别表示图像A与B中的初始匹配特征点。为了对由局部特征描述子求得的每一对匹配特征点进行全局特征描述,需要以其为基准在两幅图像中建立新的坐标系,这里称这对匹配特征点为基准特征点对,点对中的特征点称为基准特征点。该实施例具体包括如下处理:
1,利用相对位置信息进行局部特征点全局特征描述
选择(ai,bi)∈M作为当前的基准特征点对,即:ai和bi分别对应为图像A和B中的基准特征点。下面以ai为例,说明如何利用它与图像A中其它匹配特征点的相对位置信息构造ai的全局特征描述。设:特征点ai在A中对应的坐标为(aix,aiy),A中另一匹配特征点aj(aj∈MA)的坐标为(ajx,ajy)。
a)首先,将图像A的原点移至(aix,aiy),则此时aj在新坐标系中的坐标变换为(Najx′,Najy′):
b)然后,将坐标轴进行旋转,其中X轴方向转至ai的特征点主方向,则此时aj在新坐标系中的坐标(Najx,Najy)可以表示为(其中θ为ai对应的特征点主方向角):
c)接下来,在新坐标系中以原点为中心将图像分为8个区域,如图3所示进行区域编号。这样就以ai为基准点建立了相对位置参照系,同时能得到aj在该参照系中所处的位置,并用aj所处的区域编号表示aj相对于ai的位置信息。
d)判断MA中所有初始匹配特征点所处的区域,并依次进行编号组成n维特征向量GAi=[gai1,gai2,...,gaij,...,gain],gaij表示特征点aj在以ai为基准点的新坐标系中的区域编号,该实施例中,ai相对于自身的位置gaii置为0或其他值。GAi即为ai的全局特征描述子,简称为全局描述符。同样在图像B中求得bi的全局特征描述子GBi=[gbi1,gbi2,...,gbij,...,gbin]。ai与bi的全局特征描述子的向量维数都等于n,即利用局部特征描述子得到的初始匹配特征点数。
该实施例中,ai与bi的全局特征描述子的向量维数都等于n。当然,本发明方法具体实施时,也可以将ai与bi的全局特征描述子的向量维数取为n-1,即将ai与bi排除在全局特征描述子的向量之外,使该两个向量仅由除基准特征点之外的初始匹配特征点所处区域的编号组成。
2,利用全局描述符进行误匹配检测
定义相对位置误差向量Ri=[ri1,ri2,...,rij,...,rin],其中:
根据式(4)计算相对位置误差向量Ri的一范数Di,即Di为分别以ai和bi为基准特征点时的相对位置误差总量,
依据Di的大小可判断(ai,bi)是否为误匹配,如果Di值小于设定阈值β,则ai和bi为正确匹配的特征点对,否则为误匹配。
最终,通过图像A、B间全部正确匹配的特征点对数量来判断两幅图像间是否存在匹配关系,如果正确匹配的特征点对数量大于设定阈值α,则图像A、B为正确匹配的图像,否则不是。
装置实施例
根据本发明的实施例,提供了一种图像检索/匹配系统,图4是本发明实施例的图像检索/匹配系统的结构示意图,如图4所示,根据本发明实施例的图像检索/匹配系统,包括:初始匹配特征点集求取模块401、误匹配特征点对消除模块402、图像匹配判断模块403。
其中,初始匹配特征点集求取模块401用于求取两幅图像的初始匹配特征点集;误匹配特征点对消除模块402用于判断并消除初始匹配特征点集中的误匹配特征点对;图像匹配判断模块403用于根据初始匹配特征点集中余下的正确的匹配特征点对的数量判断两幅图像是否匹配。
以下对本发明实施例的误匹配特征点对消除模块402进行详细的说明。
如图5所示,误匹配特征点对消除模块402包括图像区域划分子模块501、矢量构建子模块502、矢量比较子模块503和误匹配消除子模块504。
具体地,图像区域划分子模块501用于在两幅图像中,分别以该初始匹配特征点对中的初始匹配特征点为中心,将图像均划分为两个以上的区域,并对各个区域进行编号;图像划分区域时,两幅图的特征点主方向保持一致,且两幅图的图像划分标准一致。
该实施例中,两幅图的特征点主方向保持一致,是指在两幅图中,当以该初始匹配特征点对中的初始匹配特征点为原点时,X轴或Y轴与该初始匹配特征点的特征点主方向的夹角相等。
该实施例中,将图像划分为两个以上的区域,是指将图像划分为两个以上均匀的区域。当然,本发明方法具体实施时,不要求划分的图像区域一定均匀,只要两幅图的划分标准保持一致即可。
矢量构建子模块502用于在两幅图像中,分别以其他各初始匹配特征点所处区域的编号按既定顺序构成的矢量来描述该初始匹配特征点的全局特征。
该实施例中,所谓按既定顺序,是指按照预先对各个初始匹配特征点的排列顺序。例如,按照MA和MB中各初始匹配特征点的编号,或者,按照预先对各初始匹配特征点以其他方式所做的排序。
矢量比较子模块503用于对两个矢量进行比较,如果相似度达到要求,则该初始匹配特征点对为正确的匹配特征点对;否则,为误匹配特征点对。
该实施例中,矢量比较子模块503对两个矢量进行比较,判断相似度是否达到要求,采用的一种方案为:
求两个矢量的各相应位置元素的误差,具体方法包括:如果相应位置元素的差值的绝对值小于等于Z/2向上取整得到的值,则以该差值作为该位置的相应元素的误差;如果相应位置元素的差值的绝对值大于Z/2向上取整得到的值,则以Z减去该差值的绝对值得到的值作为该位置的相应元素的误差;
将各个位置的误差求和,如果求得的和小于预设的门限值,则相似度达到要求;如果求得的和大于等于预设的门限值,则相似度未达到要求;
其中,Z为其中一个图像中,对图像所划分的区域的个数。
该实施例中,矢量比较子模块503对两个矢量进行比较,判断相似度是否达到要求,采用的另一种方案为:
求两个矢量的各相应位置元素不一致的个数,如果该个数小于预设的门限值,则相似度达到要求;如果该个数大于等于预设的门限值,则相似度未达到要求。
以上给出了矢量比较子模块503判断相似度是否达到要求的两个具体的例子,本发明系统具体实施时,不限于采用以上两种具体的方式,只要能够判断两个矢量的相似度的方案,本发明系统均可以采行。
误匹配消除子模块504用于消除初始匹配特征点集中的误匹配特征点对。
尽管为示例目的,已经公开了本发明的优选实施例,本领域的技术人员将意识到各种改进、增加和取代也是可能的,因此,本发明的范围应当不限于上述实施例。
Claims (10)
1.一种图像检索/匹配方法,包括:
求取两幅图像的初始匹配特征点集;
判断并消除所述初始匹配特征点集中的误匹配特征点对;
根据所述初始匹配特征点集中余下的正确的匹配特征点对的数量判断两幅图像是否匹配;
其特征在于,判断某个初始匹配特征点对是否为误匹配特征点对,采用的方法包括:
在两幅图像中,分别以该初始匹配特征点对中的初始匹配特征点为中心,将图像划分为两个以上的区域,并对各个区域进行编号;图像划分区域时,两幅图的特征点主方向保持一致,且两幅图的图像划分标准一致;
在两幅图像中,分别以其他各初始匹配特征点所处区域的编号按既定顺序构成的矢量来描述该初始匹配特征点的全局特征;
对两个矢量进行比较,如果相似度达到要求,则该初始匹配特征点对为正确的匹配特征点对;否则,为误匹配特征点对。
2.如权利要求1所述的图像检索/匹配方法,其特征在于,两幅图的特征点主方向保持一致,是指在两幅图中,当以该初始匹配特征点对中的初始匹配特征点为原点时,X轴与该初始匹配特征点的特征点主方向的夹角相等。
3.如权利要求1所述的图像检索/匹配方法,其特征在于,将图像划分为两个以上的区域,是指将图像划分为两个以上均匀的区域。
4.如权利要求1所述的图像检索/匹配方法,其特征在于,所述按既定顺序,是指按照预先对各个初始匹配特征点的排列顺序。
5.如权利要求1至4中任一项所述的图像检索/匹配方法,其特征在于,对两个矢量进行比较,判断相似度是否达到要求,采用的方法为:
求两个矢量的各相应位置元素的误差,包括:如果相应位置元素的差值的绝对值小于等于Z/2向上取整得到的值,则以该差值作为该位置的相应元素的误差;如果相应位置元素的差值的绝对值大于Z/2向上取整得到的值,则以Z减去该差值的绝对值得到的值作为该位置的相应元素的误差;
将各个位置的误差求和,如果求得的和小于预设的门限值,则相似度达到要求;如果求得的和大于等于预设的门限值,则相似度未达到要求;
其中,Z为其中一个图像中,对图像所划分的区域的个数。
6.如权利要求1至4中任一项所述的图像检索/匹配方法,其特征在于,对两个矢量进行比较,判断相似度是否达到要求,采用的方法为:
求两个矢量的各相应位置元素不一致的个数,如果该个数小于预设的门限值,则相似度达到要求;如果该个数大于等于预设的门限值,则相似度未达到要求。
7.一种图像检索/匹配系统,包括:
初始匹配特征点集求取模块,用于求取两幅图像的初始匹配特征点集;
误匹配特征点对消除模块,用于判断并消除所述初始匹配特征点集中的误匹配特征点对;
图像匹配判断模块,用于根据所述初始匹配特征点集中余下的正确的匹配特征点对的数量判断两幅图像是否匹配;
其特征在于,所述误匹配特征点对消除模块包括:
图像区域划分子模块,用于在两幅图像中,分别以该初始匹配特征点对中的初始匹配特征点为中心,将图像划分为两个以上的区域,并对各个区域进行编号;图像划分区域时,两幅图的特征点主方向保持一致,且两幅图的图像划分标准一致;
矢量构建子模块,用于在两幅图像中,分别以其他各初始匹配特征点所处区域的编号按既定顺序构成的矢量来描述该初始匹配特征点的全局特征;
矢量比较子模块,用于对两个矢量进行比较,如果相似度达到要求,则该初始匹配特征点对为正确的匹配特征点对;否则,为误匹配特征点对;
误匹配消除子模块,用于消除所述初始匹配特征点集中的误匹配特征点对。
8.如权利要求7所述的图像检索/匹配系统,其特征在于,两幅图的特征点主方向保持一致,是指在两幅图中,当以该初始匹配特征点对中的初始匹配特征点为原点时,X轴与该初始匹配特征点的特征点主方向的夹角相等。
9.如权利要求7或8所述的图像检索/匹配系统,其特征在于,矢量比较子模块对两个矢量进行比较,判断相似度是否达到要求,采用的方案为:
求两个矢量的各相应位置元素的误差,包括:如果相应位置元素的差值的绝对值小于等于Z/2向上取整得到的值,则以该差值作为该位置的相应元素的误差;如果相应位置元素的差值的绝对值大于Z/2向上取整得到的值,则以Z减去该差值的绝对值得到的值作为该位置的相应元素的误差;
将各个位置的误差求和,如果求得的和小于预设的门限值,则相似度达到要求;如果求得的和大于等于预设的门限值,则相似度未达到要求;
其中,Z为其中一个图像中,对图像所划分的区域的个数。
10.如权利要求7或8所述的图像检索/匹配系统,其特征在于,矢量比较子模块对两个矢量进行比较,判断相似度是否达到要求,采用的方案为:
求两个矢量的各相应位置元素不一致的个数,如果该个数小于预设门限,则相似度达到要求;如果该个数大于等于预设门限,则相似度未达到要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104271047A CN102521838B (zh) | 2011-12-19 | 2011-12-19 | 一种图像匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104271047A CN102521838B (zh) | 2011-12-19 | 2011-12-19 | 一种图像匹配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102521838A true CN102521838A (zh) | 2012-06-27 |
CN102521838B CN102521838B (zh) | 2013-11-27 |
Family
ID=46292742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104271047A Expired - Fee Related CN102521838B (zh) | 2011-12-19 | 2011-12-19 | 一种图像匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102521838B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631932A (zh) * | 2013-12-06 | 2014-03-12 | 中国科学院自动化研究所 | 一种对重复视频进行检测的方法 |
CN104112284A (zh) * | 2013-04-22 | 2014-10-22 | 阿里巴巴集团控股有限公司 | 一种图片的相似度检测方法和设备 |
CN104869462A (zh) * | 2014-02-24 | 2015-08-26 | 三星电子株式会社 | 显示装置、移动装置、系统及其图像质量匹配方法 |
CN105190226A (zh) * | 2013-03-12 | 2015-12-23 | 富士胶片株式会社 | 图像判定装置、摄像装置、三维计量装置、图像判定方法以及程序 |
CN105719272A (zh) * | 2014-12-05 | 2016-06-29 | 航天信息股份有限公司 | 保持空间结构的图像特征点匹配方法 |
CN105849776A (zh) * | 2013-12-26 | 2016-08-10 | 日本电气株式会社 | 图像处理装置、主题识别方法和程序 |
CN106204518A (zh) * | 2015-05-08 | 2016-12-07 | 无锡天脉聚源传媒科技有限公司 | 一种镜头切分方法和装置 |
WO2017067291A1 (zh) * | 2015-10-19 | 2017-04-27 | 广东欧珀移动通信有限公司 | 一种指纹识别的方法、装置及终端 |
CN107247752A (zh) * | 2017-05-27 | 2017-10-13 | 西安电子科技大学 | 一种基于角点描述子的图像检索方法 |
CN107688816A (zh) * | 2016-08-04 | 2018-02-13 | 北京大学 | 一种图像特征的池化方法及装置 |
CN108122011A (zh) * | 2017-12-26 | 2018-06-05 | 中国科学院半导体研究所 | 基于多种不变性混合的目标跟踪方法和系统 |
CN108470028A (zh) * | 2017-02-23 | 2018-08-31 | 北京唱吧科技股份有限公司 | 一种图片审核方法和装置 |
CN108845999A (zh) * | 2018-04-03 | 2018-11-20 | 南昌奇眸科技有限公司 | 一种基于多尺度区域特征比对的商标图像检索方法 |
CN109635533A (zh) * | 2018-12-07 | 2019-04-16 | 中国移动通信集团江苏有限公司 | 身份识别方法、装置、设备及介质 |
CN109657083A (zh) * | 2018-12-27 | 2019-04-19 | 广州华迅网络科技有限公司 | 纺织品图片特征库的建立方法和装置 |
CN110263621A (zh) * | 2019-05-06 | 2019-09-20 | 北京迈格威科技有限公司 | 图像识别方法、装置及可读存储介质 |
CN110730296A (zh) * | 2013-04-30 | 2020-01-24 | 索尼公司 | 图像处理装置、图像处理方法及计算机可读介质 |
CN111382298A (zh) * | 2018-12-30 | 2020-07-07 | 贝壳技术有限公司 | 基于图片内容的图像检索方法、装置与电子设备 |
CN113077410A (zh) * | 2020-01-03 | 2021-07-06 | 上海依图网络科技有限公司 | 图像检测方法、装置方法、芯片及计算机可读存储介质 |
CN116167921A (zh) * | 2023-04-21 | 2023-05-26 | 深圳市南天门网络信息有限公司 | 一种飞行太空舱全景图像拼接方法及系统 |
CN117315032A (zh) * | 2023-11-28 | 2023-12-29 | 北京智愈医疗科技有限公司 | 一种组织偏移的监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000339455A (ja) * | 1999-05-31 | 2000-12-08 | Nec Corp | 指紋照合装置 |
JP2005182201A (ja) * | 2003-12-16 | 2005-07-07 | Glory Ltd | 画像の対応点探索方法、対応点探索装置および対応点探索プログラム |
CN101957992A (zh) * | 2010-09-30 | 2011-01-26 | 清华大学 | 一种二维单射曲面数据的特征提取与匹配方法 |
-
2011
- 2011-12-19 CN CN2011104271047A patent/CN102521838B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000339455A (ja) * | 1999-05-31 | 2000-12-08 | Nec Corp | 指紋照合装置 |
JP2005182201A (ja) * | 2003-12-16 | 2005-07-07 | Glory Ltd | 画像の対応点探索方法、対応点探索装置および対応点探索プログラム |
CN101957992A (zh) * | 2010-09-30 | 2011-01-26 | 清华大学 | 一种二维单射曲面数据的特征提取与匹配方法 |
Non-Patent Citations (2)
Title |
---|
周志强,等: "不同分辨率图像的角点匹配方法", 《北京理工大学学报》, vol. 28, no. 7, 31 July 2008 (2008-07-31), pages 598 - 601 * |
郑永斌,等: "SIFT和旋转不变LBP相结合的图像匹配算法", 《计算机辅助设计与图形学学报》, vol. 22, no. 2, 28 February 2010 (2010-02-28), pages 286 - 292 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105190226B (zh) * | 2013-03-12 | 2017-09-19 | 富士胶片株式会社 | 图像判定装置、摄像装置、三维计量装置以及图像判定方法 |
CN105190226A (zh) * | 2013-03-12 | 2015-12-23 | 富士胶片株式会社 | 图像判定装置、摄像装置、三维计量装置、图像判定方法以及程序 |
CN104112284A (zh) * | 2013-04-22 | 2014-10-22 | 阿里巴巴集团控股有限公司 | 一种图片的相似度检测方法和设备 |
CN110730296B (zh) * | 2013-04-30 | 2022-02-11 | 索尼公司 | 图像处理装置、图像处理方法及计算机可读介质 |
CN110730296A (zh) * | 2013-04-30 | 2020-01-24 | 索尼公司 | 图像处理装置、图像处理方法及计算机可读介质 |
CN103631932B (zh) * | 2013-12-06 | 2017-03-01 | 中国科学院自动化研究所 | 一种对重复视频进行检测的方法 |
CN103631932A (zh) * | 2013-12-06 | 2014-03-12 | 中国科学院自动化研究所 | 一种对重复视频进行检测的方法 |
CN105849776A (zh) * | 2013-12-26 | 2016-08-10 | 日本电气株式会社 | 图像处理装置、主题识别方法和程序 |
CN104869462A (zh) * | 2014-02-24 | 2015-08-26 | 三星电子株式会社 | 显示装置、移动装置、系统及其图像质量匹配方法 |
CN104869462B (zh) * | 2014-02-24 | 2019-06-25 | 三星电子株式会社 | 显示装置、移动装置、系统及其图像质量匹配方法 |
CN105719272A (zh) * | 2014-12-05 | 2016-06-29 | 航天信息股份有限公司 | 保持空间结构的图像特征点匹配方法 |
CN105719272B (zh) * | 2014-12-05 | 2020-07-10 | 航天信息股份有限公司 | 保持空间结构的图像特征点匹配方法 |
CN106204518A (zh) * | 2015-05-08 | 2016-12-07 | 无锡天脉聚源传媒科技有限公司 | 一种镜头切分方法和装置 |
WO2017067291A1 (zh) * | 2015-10-19 | 2017-04-27 | 广东欧珀移动通信有限公司 | 一种指纹识别的方法、装置及终端 |
CN108021912A (zh) * | 2015-10-19 | 2018-05-11 | 广东欧珀移动通信有限公司 | 一种指纹识别的方法和装置 |
CN108021912B (zh) * | 2015-10-19 | 2021-06-29 | Oppo广东移动通信有限公司 | 一种指纹识别的方法和装置 |
CN107688816A (zh) * | 2016-08-04 | 2018-02-13 | 北京大学 | 一种图像特征的池化方法及装置 |
CN108470028A (zh) * | 2017-02-23 | 2018-08-31 | 北京唱吧科技股份有限公司 | 一种图片审核方法和装置 |
CN107247752A (zh) * | 2017-05-27 | 2017-10-13 | 西安电子科技大学 | 一种基于角点描述子的图像检索方法 |
CN108122011B (zh) * | 2017-12-26 | 2021-09-03 | 中国科学院半导体研究所 | 基于多种不变性混合的目标跟踪方法和系统 |
CN108122011A (zh) * | 2017-12-26 | 2018-06-05 | 中国科学院半导体研究所 | 基于多种不变性混合的目标跟踪方法和系统 |
CN108845999A (zh) * | 2018-04-03 | 2018-11-20 | 南昌奇眸科技有限公司 | 一种基于多尺度区域特征比对的商标图像检索方法 |
CN108845999B (zh) * | 2018-04-03 | 2021-08-06 | 南昌奇眸科技有限公司 | 一种基于多尺度区域特征比对的商标图像检索方法 |
CN109635533A (zh) * | 2018-12-07 | 2019-04-16 | 中国移动通信集团江苏有限公司 | 身份识别方法、装置、设备及介质 |
CN109635533B (zh) * | 2018-12-07 | 2021-09-03 | 中国移动通信集团江苏有限公司 | 身份识别方法、装置、设备及介质 |
CN109657083A (zh) * | 2018-12-27 | 2019-04-19 | 广州华迅网络科技有限公司 | 纺织品图片特征库的建立方法和装置 |
CN111382298A (zh) * | 2018-12-30 | 2020-07-07 | 贝壳技术有限公司 | 基于图片内容的图像检索方法、装置与电子设备 |
CN110263621A (zh) * | 2019-05-06 | 2019-09-20 | 北京迈格威科技有限公司 | 图像识别方法、装置及可读存储介质 |
CN113077410A (zh) * | 2020-01-03 | 2021-07-06 | 上海依图网络科技有限公司 | 图像检测方法、装置方法、芯片及计算机可读存储介质 |
CN116167921A (zh) * | 2023-04-21 | 2023-05-26 | 深圳市南天门网络信息有限公司 | 一种飞行太空舱全景图像拼接方法及系统 |
CN117315032A (zh) * | 2023-11-28 | 2023-12-29 | 北京智愈医疗科技有限公司 | 一种组织偏移的监测方法 |
CN117315032B (zh) * | 2023-11-28 | 2024-03-08 | 北京智愈医疗科技有限公司 | 一种组织偏移的监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102521838B (zh) | 2013-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102521838B (zh) | 一种图像匹配方法及系统 | |
CN107506763B (zh) | 一种基于卷积神经网络的多尺度车牌精准定位方法 | |
US8774510B2 (en) | Template matching with histogram of gradient orientations | |
CN104200495B (zh) | 一种视频监控中的多目标跟踪方法 | |
US8009879B2 (en) | Object recognition device, object recognition method, object recognition program, feature registration device, feature registration method, and feature registration program | |
Han et al. | The use of maximum curvature points for the recognition of partially occluded objects | |
CN104036480B (zh) | 基于surf算法的快速消除误匹配点方法 | |
CN101819680B (zh) | 图像匹配点对的检测方法 | |
CN102393904A (zh) | 图像处理装置以及图像处理方法 | |
CN104008379A (zh) | 一种基于surf特征的物体识别方法 | |
CN107564006B (zh) | 一种利用Hough变换的圆形目标检测方法 | |
Chen et al. | Rapid detection of multi-QR codes based on multistage stepwise discrimination and a compressed MobileNet | |
CN101754038A (zh) | 一种视差提取方法 | |
US20180121757A1 (en) | System and method for automated object recognition | |
Shan | A Novel Image Correlation Matching Approach. | |
Higa et al. | Multiple object identification using grid voting of object center estimated from keypoint matches | |
Junayed et al. | PDS-Net: A novel point and depth-wise separable convolution for real-time object detection | |
Song et al. | Online and real-time tracking with the GM-PHD filter using group management and relative motion analysis | |
CN115239902A (zh) | 移动设备的周边地图建立方法、装置、设备及存储介质 | |
Zhao et al. | Research on Feature Matching of an Improved ORB Algorithm | |
Liu et al. | An improved best bin first algorithm for fast image registration | |
Fang et al. | Optimized generalized hough transform for road marking recognition application | |
Wu et al. | The design of a novel artificial label for robot navigation | |
Paul et al. | Performance analysis of keypoint detectors and binary descriptors under varying degrees of photometric and geometric transformations | |
CN109919998A (zh) | 卫星姿态确定方法、装置和终端设备 |
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: 20131127 Termination date: 20141219 |
|
EXPY | Termination of patent right or utility model |