CN103065135A - 基于数字图像处理的车牌号码匹配算法 - Google Patents
基于数字图像处理的车牌号码匹配算法 Download PDFInfo
- Publication number
- CN103065135A CN103065135A CN2013100274011A CN201310027401A CN103065135A CN 103065135 A CN103065135 A CN 103065135A CN 2013100274011 A CN2013100274011 A CN 2013100274011A CN 201310027401 A CN201310027401 A CN 201310027401A CN 103065135 A CN103065135 A CN 103065135A
- Authority
- CN
- China
- Prior art keywords
- unique point
- gradient
- point
- image processing
- feature
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于数字图像处理的车牌号码匹配算法，拍摄设备对同一车牌进行两次拍摄，得到两幅图像，对两幅图像进行尺度空间极值检测、精确定位特征点位置、确定特征点主方向、生成特征向量得到图像特征，然后对两幅图像特征向量进行匹配，此算法通过实验具体验证算法在尺度缩放，旋转，亮度变化，仿射变换和噪声影响情况下仍然能够完成匹配并且保持较好的稳定性与鲁棒性。适用于在海量特征数据库中进行快速、准确的匹配。
Description
技术领域
本发明涉及一种图像识别技术，特别涉及一种基于数字图像处理的车牌号码匹配算法。
背景技术
目前，有关研究人员对图像匹配技术进行了大量的研究，提出了很多匹配算法：有基于面积的方法，有基于比值的方法，有相位相关算法等等，但是这些匹配算法有一个共同点：图像间的焦距要一致，不能有尺度缩放，旋转不能太大，变形不能太明显，还有光照变化、放射变换等等方面受到限制。随着图像技术和计算机技术的发展，出现了基于特征的图像匹配技术。这种技术的优点是能处理具有不同特征的图像和图像间变形复杂的情况。缺点是特征的检测困难，算法稳定性差。
发明内容
本发明是针对特征匹配和检测两者都满足困难的问题，提出了一种基于数字图像处理的车牌号码匹配算法，完成算法的特征点提取，并完成两幅图像的匹配。通过实验具体验证算法在尺度缩放，旋转，亮度变化，仿射变换和噪声影响情况下仍然能够完成匹配并且保持较好的稳定性与鲁棒性。
本发明的技术方案为：一种基于数字图像处理的车牌号码匹配算法，包括如下步骤：
1）图像信息采集：拍摄设备对同一车牌进行两次拍摄，得到两幅图像，一幅设定为待匹配图像，另一幅作为参考图像；
2）待匹配和参考图像特征提取：
A:首先进行尺度空间极值检测：
（1）建立高斯金字塔:为了得到在不同尺度空间下的稳定特征点,将图像I(x, y)与不同尺度因子下的高斯核G(x, y,σ)进行卷积操作，构成高斯金字塔；
（2）建立DOG金字塔：DOG金字塔通过高斯金字塔中相邻尺度空间函数相减即可；
（3）DOG空间的极值检测在上面建立的DOG尺度空间金字塔中，为了检测到DOG空间的最大值和最小值，DOG尺度空间中中间层（最底层和最顶层除外）的每个像素点需要跟同一层的相邻8个像素点以及它上一层和下一层的9个相邻像素点总共26个相邻像素点进行比较；
B:精确定位特征点位置：
对上面DOG尺度空间中检测到局部极值点进行进一步的检验精确定位为特征点，然后通过附近区域的差分来近似估计，去除低对比度的特征点和不稳定的边缘响应点；
C:确定特征点主方向：利用特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数，在实际计算过程中，在以特征点为中心的邻域窗口内采样，并用梯度方向直方图统计邻域像素的梯度方向,梯度直方图的范围是0°～360°，其中每10°一个柱，总共36个柱；梯度方向直方图的峰值则代表了该特征点处邻域梯度的主方向, 即作为该特征点的方向；在梯度方向直方图中, 当存在另一个相当于主峰值80%能量的峰值时，则将这个方向认为是该特征点的辅方向；一个特征点可能会被指定具有多个方向(一个主方向, 一个以上辅方向) ；
D:生成特征向量:首先将坐标轴旋转为特征点的方向，接下来以特征点为中心取8×8 的窗口(特征点所在的行和列不取)，中央黑点为当前特征点的位置，每个小格代表特征点邻域所在尺度空间的一个像素，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，图中圈内代表高斯加权的范围（越靠近特征点的像素，梯度方向信息贡献越大）；然后在每4×4 的图像小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,形成一个种子点；一个特征点由2×2共4个种子点组成，每个种子点有8个方向向量信息，可产生2×2×8共32个数据，形成32维的特征向量即特征点描述器，所需的图像数据块为8×8；
3）两幅图像特征向量的匹配: 首先，进行相似性度量：可采用距离函数作为特征的相似性度量；其次，消除错配：通过相似性度量得到潜在匹配对，根据几何限制和附加约束消除错误匹配，得到匹配结果。
所述步骤2）待匹配和参考图像特征提取中精确定位特征点位置，可通过对局部极值点进行三维二次函数拟和以精确确定特征点的位置和尺度。
所述步骤3）两幅图像特征向量的匹配中进行相似性度量采用优先k - d树进行优先搜索来查找每个特征点的2近似最近邻特征点，在这两个特征点中，如果最近的距离除以次近的距离少于设定比例阈值，则接受这一对匹配点。
所述步骤3）两幅图像特征向量的匹配中消除错配，附加约束可选RANSAC随机抽样一致性算法，几何约束是极线约束关系。
本发明的有益效果在于：本发明基于数字图像处理的车牌号码匹配算法，算法通过实验具体验证算法在尺度缩放，旋转，亮度变化，仿射变换和噪声影响情况下仍然能够完成匹配并且保持较好的稳定性与鲁棒性。适用于在海量特征数据库中进行快速、准确的匹配。
附图说明
图1为本发明基于数字图像处理的车牌号码匹配算法流程图；
图2为本发明特征向量的生成原理图；
图3为本发明实施例待参考图像的特征向量图；
图4为本发明实施例待匹配图像的特征向量图；
图5为本发明实施例匹配结果图；
图6为本发明实施例待匹配图像旋转30°的匹配结果图；
图7为本发明实施例待匹配图像旋转45°的匹配结果图。
具体实施方式
如图1所示基于数字图像处理的车牌号码匹配算法流程图，包括图像信息采集、待匹配和参考图像特征提取、图像特征匹配、实验验证结果。图像信息采集即将拍摄设备拍摄的图像作为实验对象，这里就同一车牌进行两次拍摄，得到两幅图像，一幅设定为待匹配图像，另一幅作为参考图像；特征提取对两幅实验图像进行分析，提取特征信息；图像特征匹配即对提取出的两幅图像的特征进行相似性匹配；最后从不同的阈值，不同的维数，以及从不同的旋转角度情况的方面进行研究，通过具体的实验结果验证了算法的优良特性。
一、特征提取方法包括如下步骤：
1、尺度空间极值检测：尺度空间理论是利用高斯核对原始图像进行尺度变换，获得图像多尺度下的尺度空间表示序列，对这些序列进行尺度空间特征提取。二维高斯核的定义如公式所示,其中σ代表了高斯正态分布的方差: 
。
（1）建立高斯金字塔:为了得到在不同尺度空间下的稳定特征点,将图像I(x, y)与不同尺度因子下的高斯核G(x, y,σ)进行卷积操作，构成高斯金字塔。高斯金字塔有o阶，一般选择4阶，每一阶有s层尺度图像，s一般选择5层。在高斯金字塔的构成中要注意，第1阶的第1层是放大2倍的原始图像，其目的是为了得到更多的特征点；在同一阶中相邻两层的尺度因子比例系数是k，则第1阶第2层的尺度因子是kσ, 然后其它层以此类推则可；第2阶的第1层由第一阶的中间层尺度图像进行子抽样获得, 其尺度因子是k2σ,然后第2阶的第2层的尺度因子是第1层的k倍即k3σ；第3阶的第1层由第2阶的中间层尺度图像进行子抽样获得；其它阶的构成以此类推。
（2）建立DOG金字塔：DOG金字塔通过高斯金字塔中相邻尺度空间函数相减即可。用D(x, y,σ)来表示相邻两尺度空间函数之差，则:
（3）DOG空间的极值检测在上面建立的DOG尺度空间金字塔中，为了检测到DOG空间的最大值和最小值，DOG尺度空间中中间层（最底层和最顶层除外）的每个像素点需要跟同一层的相邻8个像素点以及它上一层和下一层的9个相邻像素点总共26个相邻像素点进行比较，以确保在尺度空间和二维图像空间都检测到局部极值。
2.精确定位特征点位置：由于DOG值对噪声和边缘较敏感，因此，在上面DOG尺度空间中检测到局部极值点还要经过进一步的检验才能精确定位为特征点。下面对局部极值点进行三维二次函数拟和以精确确定特征点的位置和尺度,尺度空间函数D(x,y,σ)在局部极值点(x0,y0,σ0)处的泰勒展开式如公式所示:
通过对公式求导, 并令其为0，得出精确的极值位置Xmax，如公式所示:
，通过式计算出D(Xmax),若|D(Xmax)|≥0.03,则该特征点就保留下来,否则就丢弃。去除不稳定的边缘响应点:海森矩阵如公式所示：
设α是最大幅值特征,β是次小的，r =αβ,则ratio如公式所示:
通过公式求出ratio，常取r = 10，若ratio≤(r + 1)2r,则保留该特征点,否则就丢弃。
3.确定特征点主方向：利用特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数，使算子具备旋转不变性。
公式为( x, y)处的梯度值和方向。L 为所用的尺度为每个特征点各自所在的尺度, (x, y)要确定是哪一阶的哪一层。在实际计算过程中，在以特征点为中心的邻域窗口内采样,并用梯度方向直方图统计邻域像素的梯度方向。梯度直方图的范围是0°～360°，其中每10°一个柱，总共36个柱。梯度方向直方图的峰值则代表了该特征点处邻域梯度的主方向, 即作为该特征点的方向。在梯度方向直方图中, 当存在另一个相当于主峰值80%能量的峰值时，则将这个方向认为是该特征点的辅方向。一个特征点可能会被指定具有多个方向(一个主方向, 一个以上辅方向) , 这可以增强匹配的鲁棒性。
4.生成特征向量:首先将坐标轴旋转为特征点的方向，以确保旋转不变性。接下来以特征点为中心取8×8 的窗口(特征点所在的行和列不取) 在图2中，中央黑点为当前特征点的位置，每个小格代表特征点邻域所在尺度空间的一个像素，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，图中圈内代表高斯加权的范围（越靠近特征点的像素，梯度方向信息贡献越大）。然后在每4×4 的图像小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,形成一个种子点,如图所示。此图中一个特征点由2×2共4个种子点组成，每个种子点有8个方向向量信息，可产生2×2×8共32个数据，形成32维的特征向量即特征点描述器，所需的图像数据块为8×8。这种邻域方向性信息联合的思想增强了算法抗噪声的能力,同时对于含有定位误差的特征匹配也提供了较好的容错性。实际计算过程中，为了增强匹配的稳健性，建议对每个特征点使用4×4共16个种子点来描述，每个种子点有8个方向向量信息，这样对于一个特征点就可以产生4×4×8共128个数据，最终形成128维的特征向量,所需的图像数据块为16×16。此时特征向量已经去除了尺度变化、旋转等几何变形因素的影响,再继续将特征向量的长度归一化，则可以进一步去除光照变化的影响。
二、特征向量的匹配步骤: 首先，进行相似性度量：一般采用各种距离函数作为特征的相似性度量，如欧氏距离、马氏距离等。通过相似性度量得到图像间的潜在匹配。获取特征向量后，采用优先k - d树进行优先搜索来查找每个特征点的2近似最近邻特征点。在这两个特征点中，如果最近的距离除以次近的距离少于某个比例阈值,则接受这一对匹配点。降低这个比例阈值，匹配点数目会减少，但更加稳定。其次，消除错配：通过相似性度量得到潜在匹配对，其中不可避免会产生一些错误匹配，因此需要根据几何限制和其它附加约束消除错误匹配，提高鲁棒性。常用的去外点方法是RANSAC随机抽样一致性算法，常用的几何约束是极线约束关系。
经过上面算法的步骤，附图3、4分别显示进行匹配的两幅图像中的特征点方向，参考图像中找到特征点401个，待匹配图像中找到特征点1177个。其中线段的长度代表该特征点的大小，箭头所指代表该特征点的方向。附图5显示了用算法将这两幅图像进行匹配后的结果，共得到57个匹配点。当更改算法中的参数阈值时，匹配的结果会发生改变，经过实验验证，发现：当阈值取0.7时匹配的效果是最好的。
待匹配图像的不同旋转角度也会对匹配的结果产生影响，经实践得知在旋转180°的角度内，旋转15°角与旋转165°角效果基本一致，所以下面只考虑90°角内的旋转。附图6、7分别显示了待匹配图像在两个不同旋转角度情况下的匹配结果，其中附图6的匹配显示的是匹配点数最多但是错误也最多的结果，即旋转30°时的情况；附图7显示的是旋转45°的情况，此旋转角度下的匹配点数相对较少，但是准确率最高。
Claims (4)
1.一种基于数字图像处理的车牌号码匹配算法，其特征在于，包括如下步骤：
1）图像信息采集：拍摄设备对同一车牌进行两次拍摄，得到两幅图像，一幅设定为待匹配图像，另一幅作为参考图像；
2）待匹配和参考图像特征提取：
A:首先进行尺度空间极值检测：
（1）建立高斯金字塔:为了得到在不同尺度空间下的稳定特征点,将图像I(x, y)与不同尺度因子下的高斯核G(x, y,σ)进行卷积操作，构成高斯金字塔；
（2）建立DOG金字塔：DOG金字塔通过高斯金字塔中相邻尺度空间函数相减即可；
（3）DOG空间的极值检测在上面建立的DOG尺度空间金字塔中，为了检测到DOG空间的最大值和最小值，DOG尺度空间中中间层（最底层和最顶层除外）的每个像素点需要跟同一层的相邻8个像素点以及它上一层和下一层的9个相邻像素点总共26个相邻像素点进行比较；
B:精确定位特征点位置：
对上面DOG尺度空间中检测到局部极值点进行进一步的检验精确定位为特征点，然后通过附近区域的差分来近似估计，去除低对比度的特征点和不稳定的边缘响应点；
C:确定特征点主方向：利用特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数，在实际计算过程中，在以特征点为中心的邻域窗口内采样，并用梯度方向直方图统计邻域像素的梯度方向,梯度直方图的范围是0°～360°，其中每10°一个柱，总共36个柱；梯度方向直方图的峰值则代表了该特征点处邻域梯度的主方向, 即作为该特征点的方向；在梯度方向直方图中, 当存在另一个相当于主峰值80%能量的峰值时，则将这个方向认为是该特征点的辅方向；一个特征点可能会被指定具有多个方向(一个主方向, 一个以上辅方向) ；
D:生成特征向量:首先将坐标轴旋转为特征点的方向，接下来以特征点为中心取8×8 的窗口(特征点所在的行和列不取)，中央黑点为当前特征点的位置，每个小格代表特征点邻域所在尺度空间的一个像素，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，图中圈内代表高斯加权的范围（越靠近特征点的像素，梯度方向信息贡献越大）；然后在每4×4 的图像小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,形成一个种子点；一个特征点由2×2共4个种子点组成，每个种子点有8个方向向量信息，可产生2×2×8共32个数据，形成32维的特征向量即特征点描述器，所需的图像数据块为8×8；
3）两幅图像特征向量的匹配: 首先，对进行相似性度量：可采用距离函数作为特征的相似性度量；其次，消除错配：通过相似性度量得到潜在匹配对，根据几何限制和附加约束消除错误匹配，得到匹配结果。
2.根据权利要求1所述基于数字图像处理的车牌号码匹配算法，其特征在于，所述步骤2）待匹配和参考图像特征提取中精确定位特征点位置，可通过对局部极值点进行三维二次函数拟和以精确确定特征点的位置和尺度。
3.根据权利要求1所述基于数字图像处理的车牌号码匹配算法，其特征在于，所述步骤3）两幅图像特征向量的匹配中进行相似性度量采用优先k - d树进行优先搜索来查找每个特征点的2近似最近邻特征点，在这两个特征点中，如果最近的距离除以次近的距离少于设定比例阈值，则接受这一对匹配点。
4.根据权利要求1所述基于数字图像处理的车牌号码匹配算法，其特征在于，所述步骤3）两幅图像特征向量的匹配中消除错配，附加约束可选RANSAC随机抽样一致性算法，几何约束是极线约束关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013100274011A CN103065135A (zh) | 2013-01-25 | 2013-01-25 | 基于数字图像处理的车牌号码匹配算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013100274011A CN103065135A (zh) | 2013-01-25 | 2013-01-25 | 基于数字图像处理的车牌号码匹配算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103065135A true CN103065135A (zh) | 2013-04-24 |
Family
ID=48107758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2013100274011A Pending CN103065135A (zh) | 2013-01-25 | 2013-01-25 | 基于数字图像处理的车牌号码匹配算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103065135A (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104077770A (zh) * | 2014-06-17 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种植物叶片图像局部自适应树形结构特征匹配方法 |
| CN105184778A (zh) * | 2015-08-25 | 2015-12-23 | 广州视源电子科技股份有限公司 | 一种检测方法及装置 |
| CN105512660A (zh) * | 2015-11-27 | 2016-04-20 | 浙江宇视科技有限公司 | 车牌号码识别方法及装置 |
| CN105550381A (zh) * | 2016-03-17 | 2016-05-04 | 北京工业大学 | 一种基于改进sift特征的高效图像检索方法 |
| CN105844260A (zh) * | 2016-04-14 | 2016-08-10 | 吴本刚 | 一种多功能智能清洁机器人装置 |
| CN105849774A (zh) * | 2014-01-15 | 2016-08-10 | 欧姆龙株式会社 | 图像对照装置、图像传感器、处理系统、图像对照方法 |
| CN105913030A (zh) * | 2016-04-14 | 2016-08-31 | 吴本刚 | 一种智能车辆监控系统 |
| CN107180230A (zh) * | 2017-05-08 | 2017-09-19 | 上海理工大学 | 通用车牌识别方法 |
| CN107845096A (zh) * | 2018-01-24 | 2018-03-27 | 西安平原网络科技有限公司 | 基于图像的行星三维信息测定方法 |
| CN107862345A (zh) * | 2017-12-01 | 2018-03-30 | 北京智芯原动科技有限公司 | 一种车牌比对方法及装置 |
| CN107944352A (zh) * | 2017-11-09 | 2018-04-20 | 石数字技术成都有限公司 | 一种基于图片检索方法的车牌识别系统和方法 |
| CN108304883A (zh) * | 2018-02-12 | 2018-07-20 | 西安电子科技大学 | 基于改进sift的sar图像匹配方法 |
| CN108528368A (zh) * | 2017-03-06 | 2018-09-14 | 奥迪股份公司 | 检测系统和方法 |
| CN109376656A (zh) * | 2018-10-24 | 2019-02-22 | 弭吉荣 | 一种通过拍照方式分辨物品种类并计算数量的方法和系统 |
| CN109740591A (zh) * | 2018-11-14 | 2019-05-10 | 国网浙江宁波市鄞州区供电有限公司 | 一种仪表识别算法 |
| CN109961475A (zh) * | 2017-12-22 | 2019-07-02 | 深圳市优必选科技有限公司 | 图像方向识别方法、装置、终端设备及可读存储介质 |
| CN110443245A (zh) * | 2019-08-14 | 2019-11-12 | 上海世茂物联网科技有限公司 | 一种非限制场景下的车牌区域的定位方法、装置及设备 |
| CN110659638A (zh) * | 2019-09-24 | 2020-01-07 | 北京精英路通科技有限公司 | 车牌的识别方法、装置、计算机设备及存储介质 |
| CN110675388A (zh) * | 2019-09-27 | 2020-01-10 | 沈阳派得林科技有限责任公司 | 一种焊缝图像相似性比较方法 |
| CN106997366B (zh) * | 2016-01-26 | 2020-05-15 | 视辰信息科技(上海)有限公司 | 数据库构建方法、增强现实融合追踪方法及终端设备 |
| CN113188661A (zh) * | 2021-03-12 | 2021-07-30 | 浙江黑卡电气有限公司 | 一种红外热图的智能拍摄记录方法及装置 |
| CN114596347A (zh) * | 2022-03-14 | 2022-06-07 | 西南交通大学 | 基于移动摄影图像的滑坡体三维重建与体积计算方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147858A (zh) * | 2011-03-31 | 2011-08-10 | 重庆大学 | 车牌字符识别方法 |
| CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
-
2013
- 2013-01-25 CN CN2013100274011A patent/CN103065135A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147858A (zh) * | 2011-03-31 | 2011-08-10 | 重庆大学 | 车牌字符识别方法 |
| CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭金芝: "基于SIFT算法的车牌识别系统研究", 《万方数据》, 31 July 2012 (2012-07-31) * |
Cited By (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105849774B (zh) * | 2014-01-15 | 2019-01-11 | 欧姆龙株式会社 | 图像对照装置、图像传感器、处理系统、图像对照方法 |
| US9978138B2 (en) | 2014-01-15 | 2018-05-22 | Omron Corporation | Image comparison device, image sensor, processing system, and image comparison method |
| CN105849774A (zh) * | 2014-01-15 | 2016-08-10 | 欧姆龙株式会社 | 图像对照装置、图像传感器、处理系统、图像对照方法 |
| CN104077770A (zh) * | 2014-06-17 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种植物叶片图像局部自适应树形结构特征匹配方法 |
| CN104077770B (zh) * | 2014-06-17 | 2017-03-15 | 中国科学院合肥物质科学研究院 | 一种植物叶片图像局部自适应树形结构特征匹配方法 |
| CN105184778A (zh) * | 2015-08-25 | 2015-12-23 | 广州视源电子科技股份有限公司 | 一种检测方法及装置 |
| CN105184778B (zh) * | 2015-08-25 | 2018-04-24 | 广州视源电子科技股份有限公司 | 一种检测方法及装置 |
| WO2017032311A1 (zh) * | 2015-08-25 | 2017-03-02 | 广州视源电子科技股份有限公司 | 一种检测方法及装置 |
| CN105512660A (zh) * | 2015-11-27 | 2016-04-20 | 浙江宇视科技有限公司 | 车牌号码识别方法及装置 |
| CN105512660B (zh) * | 2015-11-27 | 2020-04-10 | 浙江宇视科技有限公司 | 车牌号码识别方法及装置 |
| CN106997366B (zh) * | 2016-01-26 | 2020-05-15 | 视辰信息科技(上海)有限公司 | 数据库构建方法、增强现实融合追踪方法及终端设备 |
| CN105550381A (zh) * | 2016-03-17 | 2016-05-04 | 北京工业大学 | 一种基于改进sift特征的高效图像检索方法 |
| CN105550381B (zh) * | 2016-03-17 | 2019-04-05 | 北京工业大学 | 一种基于改进sift特征的高效图像检索方法 |
| CN105913030A (zh) * | 2016-04-14 | 2016-08-31 | 吴本刚 | 一种智能车辆监控系统 |
| CN105844260A (zh) * | 2016-04-14 | 2016-08-10 | 吴本刚 | 一种多功能智能清洁机器人装置 |
| CN108528368A (zh) * | 2017-03-06 | 2018-09-14 | 奥迪股份公司 | 检测系统和方法 |
| CN107180230B (zh) * | 2017-05-08 | 2020-06-23 | 上海理工大学 | 通用车牌识别方法 |
| CN107180230A (zh) * | 2017-05-08 | 2017-09-19 | 上海理工大学 | 通用车牌识别方法 |
| CN107944352A (zh) * | 2017-11-09 | 2018-04-20 | 石数字技术成都有限公司 | 一种基于图片检索方法的车牌识别系统和方法 |
| CN107862345B (zh) * | 2017-12-01 | 2020-05-08 | 北京智芯原动科技有限公司 | 一种车牌比对方法及装置 |
| CN107862345A (zh) * | 2017-12-01 | 2018-03-30 | 北京智芯原动科技有限公司 | 一种车牌比对方法及装置 |
| CN109961475A (zh) * | 2017-12-22 | 2019-07-02 | 深圳市优必选科技有限公司 | 图像方向识别方法、装置、终端设备及可读存储介质 |
| CN107845096B (zh) * | 2018-01-24 | 2021-07-27 | 西安平原网络科技有限公司 | 基于图像的行星三维信息测定方法 |
| CN107845096A (zh) * | 2018-01-24 | 2018-03-27 | 西安平原网络科技有限公司 | 基于图像的行星三维信息测定方法 |
| CN108304883A (zh) * | 2018-02-12 | 2018-07-20 | 西安电子科技大学 | 基于改进sift的sar图像匹配方法 |
| CN109376656A (zh) * | 2018-10-24 | 2019-02-22 | 弭吉荣 | 一种通过拍照方式分辨物品种类并计算数量的方法和系统 |
| CN109740591A (zh) * | 2018-11-14 | 2019-05-10 | 国网浙江宁波市鄞州区供电有限公司 | 一种仪表识别算法 |
| CN110443245A (zh) * | 2019-08-14 | 2019-11-12 | 上海世茂物联网科技有限公司 | 一种非限制场景下的车牌区域的定位方法、装置及设备 |
| CN110443245B (zh) * | 2019-08-14 | 2022-02-15 | 上海世茂物联网科技有限公司 | 一种非限制场景下的车牌区域的定位方法、装置及设备 |
| CN110659638A (zh) * | 2019-09-24 | 2020-01-07 | 北京精英路通科技有限公司 | 车牌的识别方法、装置、计算机设备及存储介质 |
| CN110659638B (zh) * | 2019-09-24 | 2023-04-07 | 北京精英路通科技有限公司 | 车牌的识别方法、装置、计算机设备及存储介质 |
| CN110675388A (zh) * | 2019-09-27 | 2020-01-10 | 沈阳派得林科技有限责任公司 | 一种焊缝图像相似性比较方法 |
| CN110675388B (zh) * | 2019-09-27 | 2024-02-02 | 沈阳派得林科技有限责任公司 | 一种焊缝图像相似性比较方法 |
| CN113188661A (zh) * | 2021-03-12 | 2021-07-30 | 浙江黑卡电气有限公司 | 一种红外热图的智能拍摄记录方法及装置 |
| CN114596347A (zh) * | 2022-03-14 | 2022-06-07 | 西南交通大学 | 基于移动摄影图像的滑坡体三维重建与体积计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103065135A (zh) | 基于数字图像处理的车牌号码匹配算法 | |
| CN103077512B (zh) | 基于主成分析的数字图像的特征提取与匹配方法 | |
| CN104574347B (zh) | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 | |
| CN104867126B (zh) | 基于点对约束和三角形网的有变化区域的合成孔径雷达图像配准方法 | |
| Lin et al. | Image registration based on corner detection and affine transformation | |
| Han et al. | Automatic registration of high-resolution images using local properties of features | |
| CN102122359B (zh) | 一种图像配准方法及装置 | |
| Patel et al. | Image registration of satellite images with varying illumination level using HOG descriptor based SURF | |
| CN103729654A (zh) | 基于改进sift算法的图像匹配检索系统 | |
| CN106558072A (zh) | 一种基于改进sift特征在遥感图像上配准的方法 | |
| CN102722731A (zh) | 一种基于改进sift算法的高效图像匹配方法 | |
| CN101714254A (zh) | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 | |
| CN103177444A (zh) | 一种sar图像自动配准方法 | |
| CN104182973A (zh) | 基于圆形描述算子csift的图像复制粘贴检测方法 | |
| Qu et al. | Evaluation of SIFT and SURF for vision based localization | |
| Tzeng et al. | User-driven geolocation of untagged desert imagery using digital elevation models | |
| Daixian | SIFT algorithm analysis and optimization | |
| Lee et al. | Accurate registration using adaptive block processing for multispectral images | |
| CN110222661A (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
| CN105631860B (zh) | 基于局部排序方向直方图描述子的图像同名点提取方法 | |
| CN110246165B (zh) | 提高可见光图像与sar图像配准速度的方法及系统 | |
| CN103336964B (zh) | 一种基于模值差镜像不变性的sift图像匹配方法 | |
| CN104700359A (zh) | 像平面不同极轴方向图像序列进行超分辨率重建的方法 | |
| Changjie et al. | Algorithm of remote sensing image matching based on corner-point | |
| Dai et al. | Remote sensing image matching via Harris detector and SIFT discriptor |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130424 |