CN103593675A - 一种基于对数极坐标变换的静脉匹配方法 - Google Patents
一种基于对数极坐标变换的静脉匹配方法 Download PDFInfo
- Publication number
- CN103593675A CN103593675A CN201310601384.8A CN201310601384A CN103593675A CN 103593675 A CN103593675 A CN 103593675A CN 201310601384 A CN201310601384 A CN 201310601384A CN 103593675 A CN103593675 A CN 103593675A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- template
- sample
- matching
- 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
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种基于对数极坐标变换的静脉匹配方法。该方法首先对图像进行预处理,得到静脉纹线图和单像素纹线图;接着依据手指静脉纹线图像结构特征划定模板图像和样本图像的匹配候选区域;然后计算模板图像和样本图像匹配候选区域LPT变换结果的相似测度;最后依据区域间的相似测度和相对位置分布判定匹配结果。
Description
技术领域
本发明主要涉及一种基于对数极坐标变换(LPT,Log-Polar Transform)的静脉匹配方法。
背景技术
基于生物特征识别的个人身份验证方法是当前安全防范领域的研究热点。静脉特征是一种生物活体特征,藏匿于人体内部,唯一性好且复制困难,有望成为新一代的通用个人身份验证特征。手指静脉识别主要采用全局特征匹配方法、局部特征匹配方法和多特征融合匹配方法。全局特征匹配方法中常见的是模板匹配方法和空间投影方法(PCA、LDA等)。模板匹配一般基于静脉二值图像进行,对于平移和平面旋转有较好的鲁棒性,但不太适合空间旋转引起的仿射变换;另外,模板匹配方法无法适应目标局部的非刚性形变;还有,对于静脉这样的小目标匹配,管径差异、断裂和毛刺现象都会对模板匹配的性能产生较大影响。空间投影方法一般针对灰度图像进行,避免了静脉纹路分割引起的误差,但对灰度变化敏感,受手指放置姿态、放置压力和环境温度影响大,对于目标局部的非刚性形变鲁棒性也比较差,而且对训练样本依赖较大。局部特征匹配方法常见的是点模式匹配方法和局部二元模式(LBP)匹配方法。点模式匹配受静脉分割效果的影响非常大,噪声、毛刺、断裂都易导致识别性能下降,而且,此类方法对于同是线条结构的不同静脉的区分能力较弱。LBP在低质量下表现能力一般,同样易受手指放置姿态、放置压力和环境温度的影响。有文献采用了多特征融合方法,包括局部纹理特征和全局不变矩特征的融合、局部几何特征(矩特征、拓扑特征、形状特征)和Gabor特征的融合、小波矩特征和PCA、LDA和LBP特征之间的融合,合理地融合多特征进行识别可以实现特征的优势互补,但必然引起方法复杂度的骤增,同时需避免特征冗余和劣势累积。
目前,安防领域对身份认证的需求正逐渐从基于独立设备的单机认证模式向基于网络互连的多机认证模式转变,在多机应用环境中,受采集设备的个体差异和不同环境下手指摆放位置不同的影响,样本图片和模板图片之间容易出现旋转、缩放等变化,对现有识别方法的识别效果产生了很大的影响。
发明内容
针对现有静脉识别方法识别结果易受手指摆放位置变化和成像设备个体差异影响的问题,特提出了一种基于LPT的静脉匹配方法。
该方法首先对图像进行预处理,得到静脉纹线图和单像素纹线图;接着依据手指静脉纹线图像结构特征划定模板图像和样本图像的匹配候选区域;然后计算模板图像和样本图像匹配候选区域LPT变换结果的相似测度;最后依据区域间的相似测度和相对位置分布判定匹配结果。
方法流程如图1所示。
1、图像预处理
预处理的目的是为了去除背景和噪声的干扰,凸显静脉结构,便于后续的处理。首先对原始静脉灰度图像I进行区域分割处理,得到二值静脉纹线图IB1;然后使用形态学处理方法对二值静脉纹线图IB1进行骨架化处理,得到静脉图像的单像素分布图像IB2。
2、特征区域选取
使用区域代替全局进行图像匹配,所选取的区域必须具有足够的代表性,对于手指静脉图像而言,所选取的区域必须具备如下特点:(1)区域内静脉分布足够复杂,可以提供足够多的待匹配特征;(2)区域内静脉分布不具备明显的旋转对称性,不会干扰LPT变换的旋转不变性。
(1)第一级候选特征区域选取
手指静脉呈网状分布,在这种结构中,静脉交叉点附近区域与非交叉点附近区域相比,通常前者的区域结构更为复杂,能够提供的特征也更多,如图5所示,因此待匹配的区域的应选择以静脉的交叉节点为中心的区域。经过预处理,我们已经得到了静脉单像素分布图像IB2,IB2中的每一个交叉点,就是一个可能的特征区域中心。为此对IB2中每一个非零像素点,统计其8邻域内非零像素点的个数,如果统计值大于2,则该点为一个交叉点,以该点为中心的一个L×L的区域为一个第一级候选特征区域,L的取值范围大于等于16。
(2)第二级候选特征区域选取
得到第一级候选特征区域后,需要根据区域的复杂度对区域进行筛选,剔除不适合做匹配的区域。为了衡量区域结构的复杂程度,引入如下定义:
定义1、二值图像点复杂度(Complexity of Binary Pixel,CBP)按下式进行计算:
其中p(i,j)表示二值图像中横坐标为i、纵坐标为j的像素点的取值。
定义2、二值图像区域复杂度(Complexity of Binary Area,CBA)按下式进行计算:
得到所有第一级候选特征区域后,根据式1、2,计算二值静脉纹线图IB1中对应区域的CBA值,将所有CBA值小于0.2的区域剔除,就得到了所有第二级候选特征区域。
(3)第三级候选特征区域选取
对于IB1中的每一个第二级候选特征区域bn,设bn’为bn绕区域中心旋转180°后的图像,以bn、bn’之间的差异dn作为衡量区域对称性的指标,满足式3所示的区域即为第三级候选特征区域。
其中,bn(i,j)、bn’(i,j)为bn、bn’中横坐标为i、纵坐标为j的像素点的取值,TH为阈值,通常取0.3。
(4)第三级候选特征区域分组与筛选
对于样本图像来说,经过上述步骤处理得到的所有第三级候选特征区域即为样本特征区域。对于模板图像而言,需要对得到的所有第三级候选特征区域进行分组和筛选,具体流程如下:
Step1.1:将IB1图像沿手指摆放平均分为left、middle、right 3个区域,依据第三级候选区域中心点的位置将所有第三级候选区域分为对应的left、middle、right 3区域组,对于中心点在分界线上的区域,统一划归到middle区域组;
Step1.2:在每一个区域组内,按照区域CBA(英文全拼)值的大小对区域进行排序,选取CBA值最大的3个区域作为该组的最终候选特征区域。三个区域组的所有最终候选特征区域即为模板特征区域。
(5)特征区域扩大
LPT变换的变换结果与变换中心密切相关,因此对于同一手指的同一处样本特征区域和模板特征区域而言,样本特征区域的覆盖范围应当完全包括模板特征区域的覆盖范围。前文中,区域的选取是以静脉单像素分布图中的静脉交叉点为中心进行的。在实际应用中,对于同一样本手指,每次采集到的样本图像不可能完全一致,这会导致在静脉单像素分布图IB2中交叉点的位置发生偏移。考虑到交叉点的偏移范围不会超过静脉的分布区域,将样本特征区域的尺寸在原有基础上向四周扩展1/2静脉的宽度即可消除交叉点位置的偏移对后续匹配的影响,如图6a所示。另外,当使用来自不同采集设备获取到的图像时,受采集设备个体差异的影响,样本图像和模板图像可能存在尺度上的差异,当模板图像尺度大于样本图像尺度时,模板图像的覆盖范围会超出样本图像的覆盖范围。本方法将加大后的样本特征区域尺寸再次放大1.5倍,即可消除尺度差异对后续匹配的影响,如图6b所示。
3、特征区域匹配
(1)单特征区域匹配
在衡量样本和模板单个特征区域间是否相似时,使用基于LPT变换的区域特征匹配方法。由于样本区域尺寸大于模板区域尺寸,因此在进行匹配时,需要考察样本区域中所有与模板区域相同尺寸的子区域与模板区域的匹配情况,如图7所示,从而判定样本区域与模板区域的匹配结果,具体流程如下:
Step2.1、以模板特征区域中心为变换中心,对整个模板特征区域图像进行LPT变换,得到变换图像TM;
Step2.2、以样本特征区域中所有距离区域边界最短距离大于等于1/2模板区域尺寸的点为变换中心,以1/2模板区域尺寸为变换半径r,对样本特征区域图像进行LPT变换,得到变换图像TSij,其中i、j是变换中心距离样本特征区域中心的偏移量;
Step2.3、对于TM和每一个TSij,计算其投影向量间的相关系数和平均绝对值系数,如果某个TSij满足相关系数达到最大值且平均绝对值系数达到最小值,则该TSij与TM匹配。投影向量BH(ρ)的计算如式4所示。
其中ρ为LPT变换中的极径,θ为LPT变换中的极角,N(ρ, θ)为区域LPT变换结果。
Step2.4、如果找到了和TM相匹配的TSij,比较TM和TSij的投影关系,得到样本特征区域相对模板特征区域的旋转变化值和尺度变化值。
(2)多特征区域匹配
前面获取到的特征区域仅包含了整幅静脉图像的一小部分特征,不同的特征区域在结构上可能存在空间相似性,这种相似性导致在进行单区域的匹配计算时,存在多个样本特征区域均和某个模板特征区域相匹配的情况。当匹配对象从单个区域变为多个区域所组成的特征区域组时,这种误匹配的几率将大幅下降。模板图像中left、middle、right 3个区域组各包含三个特征区域,这3个特征区域中心的中心可构成一个三角形,如图8所示。通过比较样本图像和模板图像这3个三角形的空间相对位置关系,可实现正确的匹配判别,具体流程如下:
Step3.1、对于模板图像的middle特征区域组中的三个特征区域,在样本图像的所有特征区域中寻找所有相匹配的区域;
Step3.2、根据所有相匹配区域的旋转变化值和尺度变化值的相近程度,将相匹配区域分成多个匹配组。对于每一个匹配组,如果其中缺失至少一个模板特征区域的匹配对象,则该匹配组无效。如果剩余匹配组个数为0,则样本和模板不匹配,匹配结束;
Step3.3、对于每一个匹配组,考察所有模板特征区域的对应匹配区域的中心构成的三角形和模板特征区域中心构成的三角形在角度和边长上的相似程度,从中选取出最相似的匹配区域组,如果找不到相似的匹配区域组,则样本和模板不匹配,匹配结束;
Step3.4、依据middle特征区域组的匹配结果,将样本图像分为left、middle、right 3个区域,选取left和right二者中包含特征区域较多一个区域与模板图像的对应区域进行匹配,匹配时重复Step3.1~ Step3.3,如果不能找到匹配区域组,则样本和模板不匹配,匹配结束;
Step3.5、考察获取到得两组样本特征区域匹配组构成的三角形与模板图像中对应特征组构成的三角形的空间分布位置相似性,如果相似则表明样本和模板匹配,反之则样本和模板不匹配,匹配结束。
本方法的优点在于:对手指的旋转和采集设备的尺度差异有很好的鲁棒性,可以极大提升不同设备提取结果的互通性。
附图说明
图1本方法流程图;
图2是静脉灰度图I;
图3是静脉纹线图IB1;
图4是静脉细化图IB2;
图5是不同区域特征对比图;
图6是消除区域覆盖范围差异图;
图7是遍历样本区域图;
图8是特征区域组构成的三角形。
具体实施方式
一种基于对数极坐标变换的静脉匹配方法,该方法首先对图像进行预处理,得到静脉纹线图和单像素纹线图;接着依据手指静脉纹线图像结构特征划定模板图像和样本图像的匹配候选区域;然后计算模板图像和样本图像匹配候选区域LPT变换结果的相似测度;最后依据区域间的相似测度和相对位置分布判定匹配结果。
Claims (4)
1.一种基于对数极坐标变换的静脉匹配方法,其特征在于:该方法首先对图像进行预处理,得到静脉纹线图和单像素纹线图;接着依据手指静脉纹线图像结构特征划定模板图像和样本图像的匹配候选区域;然后计算模板图像和样本图像匹配候选区域LPT变换结果的相似测度;最后依据区域间的相似测度和相对位置分布判定匹配结果。
2.根据权利要求1所述的一种基于对数极坐标变换的静脉匹配方法,其特征在于,所述图像预处理具体为:首先对原始静脉灰度图像I进行区域分割处理,得到二值静脉纹线图IB1;然后使用形态学处理方法对二值静脉纹线图IB1进行骨架化处理,得到静脉图像的单像素分布图像IB2。
3.根据权利要求1所述的一种基于对数极坐标变换的静脉匹配方法,其特征在于,所述划定模板图像和样本图像的匹配候选区域包括:
(1)第一级候选特征区域选取
对IB2中每一个非零像素点,统计其8邻域内非零像素点的个数,如果统计值大于2,则该点为一个交叉点,以该点为中心的一个L×L的区域为一个第一级候选特征区域,L的取值范围大于等于16;
(2)第二级候选特征区域选取
得到第一级候选特征区域后,需要根据区域的复杂度对区域进行筛选,剔除不适合做匹配的区域,为了衡量区域结构的复杂程度,引入如下定义:
定义1、二值图像点复杂度(Complexity of Binary Pixel,CBP)按下式进行计算:
其中p(i,j)表示二值图像中横坐标为i、纵坐标为j的像素点的取值,
定义2、二值图像区域复杂度(Complexity of Binary Area,CBA)按下式进行计算:
得到所有第一级候选特征区域后,根据式1、2,计算二值静脉纹线图IB1中对应区域的CBA值,将所有CBA值小于0.2的区域剔除,就得到了所有第二级候选特征区域;
(3)第三级候选特征区域选取
对于IB1中的每一个第二级候选特征区域bn,设bn’为bn绕区域中心旋转180°后的图像,以bn、bn’之间的差异dn作为衡量区域对称性的指标,满足式3所示的区域即为第三级候选特征区域,
其中,bn(i,j)、bn’(i,j)为bn、bn’中横坐标为i、纵坐标为j的像素点的取值,TH为阈值,通常取0.3,
(4)第三级候选特征区域分组与筛选
流程如下:
Step1.1:将IB1图像沿手指摆放平均分为left、middle、right 3个区域,依据第三级候选区域中心点的位置将所有第三级候选区域分为对应的left、middle、right 3区域组,对于中心点在分界线上的区域,统一划归到middle区域组;
Step1.2:在每一个区域组内,按照区域CBA值的大小对区域进行排序,选取CBA值最大的3个区域作为该组的最终候选特征区域,三个区域组的所有最终候选特征区域即为模板特征区域;
(5)特征区域扩大
将样本特征区域的尺寸在原有基础上向四周扩展1/2静脉的宽度,当模板图像尺度大于样本图像尺度时,将加大后的样本特征区域尺寸再次放大1.5倍。
4.根据权利要求1所述的一种基于对数极坐标变换的静脉匹配方法,其特征在于,所述计算模板图像和样本图像匹配候选区域LPT变换结果的相似测度,具体包括:
(1)单特征区域匹配
在衡量样本和模板单个特征区域间是否相似时,使用基于LPT变换的区域特征匹配方法,由于样本区域尺寸大于模板区域尺寸,因此在进行匹配时,要考察样本区域中所有与模板区域相同尺寸的子区域与模板区域的匹配情况,从而判定样本区域与模板区域的匹配结果,具体流程如下:
Step2.1、以模板特征区域中心为变换中心,对整个模板特征区域图像进行LPT变换,得到变换图像TM;
Step2.2、以样本特征区域中所有距离区域边界最短距离大于等于1/2模板区域尺寸的点为变换中心,以1/2模板区域尺寸为变换半径,对样本特征区域图像进行LPT变换,得到变换图像TSij,其中i、j是变换中心距离样本特征区域中心的偏移量;
Step2.3、对于TM和每一个TSij,计算其投影向量间的相关系数和平均绝对值系数,如果某个TSij满足相关系数达到最大值且平均绝对值系数达到最小值,则该TSij与TM匹配,投影向量BH(ρ)的计算如式4所示,
(4)
其中ρ为LPT变换中的极径,θ为LPT变换中的极角,N(ρ, θ)为区域LPT变换结果,
Step2.4、如果找到了和TM相匹配的TSij,比较TM和TSij的投影关系,得到样本特征区域相对模板特征区域的旋转变化值和尺度变化值;
(2)多特征区域匹配
前面获取到的特征区域仅包含了整幅静脉图像的一小部分特征,不同的特征区域在结构上可能存在空间相似性,这种相似性导致在进行单区域的匹配计算时,存在多个样本特征区域均和某个模板特征区域相匹配的情况,当匹配对象从单个区域变为多个区域所组成的特征区域组时,这种误匹配的几率将下降,模板图像中left、middle、right 3个区域组各包含三个特征区域,这3个特征区域中心的中心可构成一个三角形,通过比较样本图像和模板图像这3个三角形的空间相对位置关系,可实现正确的匹配判别,具体流程如下:
Step3.1、对于模板图像的middle特征区域组中的三个特征区域,在样本图像的所有特征区域中寻找所有相匹配的区域;
Step3.2、根据所有相匹配区域的旋转变化值和尺度变化值的相近程度,将相匹配区域分成多个匹配组,对于每一个匹配组,如果其中缺失至少一个模板特征区域的匹配对象,则该匹配组无效,如果剩余匹配组个数为0,则样本和模板不匹配,匹配结束;
Step3.3、对于每一个匹配组,考察所有模板特征区域的对应匹配区域的中心构成的三角形和模板特征区域中心构成的三角形在角度和边长上的相似程度,从中选取出最相似的匹配区域组,如果找不到相似的匹配区域组,则样本和模板不匹配,匹配结束;
Step3.4、依据middle特征区域组的匹配结果,将样本图像分为left、middle、right 3个区域,选取left和right二者中包含特征区域较多一个区域与模板图像的对应区域进行匹配,匹配时重复Step3.1~ Step3.3,如果不能找到匹配区域组,则样本和模板不匹配,匹配结束;
Step3.5、考察获取到得两组样本特征区域匹配组构成的三角形与模板图像中对应特征组构成的三角形的空间分布位置相似性,如果相似则表明样本和模板匹配,反之则样本和模板不匹配,匹配结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310601384.8A CN103593675A (zh) | 2013-11-25 | 2013-11-25 | 一种基于对数极坐标变换的静脉匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310601384.8A CN103593675A (zh) | 2013-11-25 | 2013-11-25 | 一种基于对数极坐标变换的静脉匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103593675A true CN103593675A (zh) | 2014-02-19 |
Family
ID=50083807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310601384.8A Pending CN103593675A (zh) | 2013-11-25 | 2013-11-25 | 一种基于对数极坐标变换的静脉匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103593675A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824301A (zh) * | 2014-03-12 | 2014-05-28 | 中国矿业大学(北京) | 一种数字散斑相关方法中测度函数改进方法 |
CN108304776A (zh) * | 2017-12-27 | 2018-07-20 | 北京智慧眼科技股份有限公司 | 指静脉图像互通识别的方法、装置及存储介质 |
CN108764249A (zh) * | 2018-04-23 | 2018-11-06 | 云南民族大学 | 一种旋转不变多源影像局部特征描述方法、系统和装置 |
CN109948653A (zh) * | 2019-02-15 | 2019-06-28 | 广东智媒云图科技股份有限公司 | 一种图像相似度判断方法、电子设备及存储介质 |
CN110660092A (zh) * | 2019-08-26 | 2020-01-07 | 广东奥普特科技股份有限公司 | 一种基于Log-Polar变换的图像快速匹配算法 |
CN111524066A (zh) * | 2020-01-13 | 2020-08-11 | 北京理工大学 | 一种基于滑窗式数据处理的高速压缩成像方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930529A (zh) * | 2012-09-24 | 2013-02-13 | 南京工业大学 | 一种基于非对称模板搜索的快速伪造区域盲检测方法 |
-
2013
- 2013-11-25 CN CN201310601384.8A patent/CN103593675A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930529A (zh) * | 2012-09-24 | 2013-02-13 | 南京工业大学 | 一种基于非对称模板搜索的快速伪造区域盲检测方法 |
Non-Patent Citations (1)
Title |
---|
WEI YAN ETC.: "An Algorithm for Vein Matching Based on Log-polar Transform", 《SMART COMPUTING REVIEW》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824301A (zh) * | 2014-03-12 | 2014-05-28 | 中国矿业大学(北京) | 一种数字散斑相关方法中测度函数改进方法 |
CN108304776A (zh) * | 2017-12-27 | 2018-07-20 | 北京智慧眼科技股份有限公司 | 指静脉图像互通识别的方法、装置及存储介质 |
CN108764249A (zh) * | 2018-04-23 | 2018-11-06 | 云南民族大学 | 一种旋转不变多源影像局部特征描述方法、系统和装置 |
CN108764249B (zh) * | 2018-04-23 | 2021-07-09 | 云南民族大学 | 一种旋转不变多源影像局部特征描述方法、系统和装置 |
CN109948653A (zh) * | 2019-02-15 | 2019-06-28 | 广东智媒云图科技股份有限公司 | 一种图像相似度判断方法、电子设备及存储介质 |
CN109948653B (zh) * | 2019-02-15 | 2023-08-25 | 广东智媒云图科技股份有限公司 | 一种图像相似度判断方法、电子设备及存储介质 |
CN110660092A (zh) * | 2019-08-26 | 2020-01-07 | 广东奥普特科技股份有限公司 | 一种基于Log-Polar变换的图像快速匹配算法 |
CN111524066A (zh) * | 2020-01-13 | 2020-08-11 | 北京理工大学 | 一种基于滑窗式数据处理的高速压缩成像方法 |
CN111524066B (zh) * | 2020-01-13 | 2022-12-23 | 北京理工大学 | 一种基于滑窗式数据处理的高速压缩成像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832672B (zh) | 一种利用姿态信息设计多损失函数的行人重识别方法 | |
CN101980250B (zh) | 基于降维局部特征描述子和隐条件随机场的目标识别方法 | |
US9665606B2 (en) | Edge-based recognition, systems and methods | |
CN103593675A (zh) | 一种基于对数极坐标变换的静脉匹配方法 | |
Puerto-Souza et al. | A fast and accurate feature-matching algorithm for minimally-invasive endoscopic images | |
CN109064502A (zh) | 基于深度学习和人工设计特征相结合的多源图像配准方法 | |
CN107424161B (zh) | 一种由粗至精的室内场景图像布局估计方法 | |
CN103400384A (zh) | 结合区域匹配和点匹配的大视角图像匹配方法 | |
CN113408492A (zh) | 一种基于全局-局部特征动态对齐的行人重识别方法 | |
CN104200461A (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN105160303A (zh) | 基于混合匹配的指纹识别方法 | |
CN105160686A (zh) | 一种基于改进sift算子的低空多视角遥感影像匹配方法 | |
CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
KR20180038169A (ko) | 딥 러닝 기반의 데이터특징을 이용한 도시영상의 안전도 분류방법 | |
Al-asadi et al. | Object detection and recognition by using enhanced speeded up robust feature | |
CN104281572A (zh) | 一种基于互信息的目标匹配方法及其系统 | |
CN110136125A (zh) | 一种基于层次特征点匹配的图像复制移动伪造检测方法 | |
Zhang et al. | Multimodal remote sensing image matching combining learning features and Delaunay triangulation | |
CN103914690A (zh) | 一种基于射影不变量的形状匹配方法 | |
CN111091129A (zh) | 一种基于多重颜色特征流形排序的图像显著区域提取方法 | |
CN114332172A (zh) | 一种基于协方差矩阵改进的激光点云配准方法 | |
Gao et al. | Occluded person re-identification based on feature fusion and sparse reconstruction | |
Huang et al. | Multi‐class obstacle detection and classification using stereovision and improved active contour models | |
CN111311657B (zh) | 一种基于改进角点主方向分配的红外图像同源配准方法 | |
Huang et al. | Improving keypoint matching using a landmark-based image representation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20140219 |