CN103700069A - 一种基于orb算子的无参考视频平滑度的评价方法 - Google Patents
一种基于orb算子的无参考视频平滑度的评价方法 Download PDFInfo
- Publication number
- CN103700069A CN103700069A CN201310674448.7A CN201310674448A CN103700069A CN 103700069 A CN103700069 A CN 103700069A CN 201310674448 A CN201310674448 A CN 201310674448A CN 103700069 A CN103700069 A CN 103700069A
- Authority
- CN
- China
- Prior art keywords
- smoothness
- video
- tajectory
- translation
- orb
- 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
Abstract
本发明涉及一种基于ORB算子的无参考视频平滑度的评价方法,包括以下步骤:取视频连续n帧图像,提取n帧图像中的ORB特征点;对每相邻两帧图像中的ORB特征点进行匹配;对每相邻两帧图像误匹配的ORB特征点进行筛选并剔除;根据运动仿射变换模型生成相邻两帧图像间的仿射变换矩阵,即相邻两帧图像间的单应性矩阵,对单应性矩阵A进行逐步迭代求解;计算每相邻两帧图像间的运动参数,所述运动参数包括图像的平移及旋转角度;生成视频序列平移运动轨迹及旋转运动轨迹;利用高斯滤波器对平移运动轨迹及旋转运动轨迹进行滤波处理,得到滤波后的平移轨迹、旋转运动轨迹;计算平移抖动数及旋转抖动数,并计算水平平滑度值及旋转平滑度值并判断视频平滑度。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种视频平滑度检测方法。
背景技术
现有的大部分视频质量评价方法都是在图片质量评价方法基础上发展而来的,一般先用图片质量评价方法得到每一帧视频的质量,然后按照某种标准对各帧视频进行加权,最后得到整个视频的质量,三类方法中都是针对如测量信号幅度、定时关系、信噪比等物理参数,以及通过各种算法来评价图像的模糊、噪声、块效应等现象来评价视频质量,但是都没有针对视频的抖动程度进行评估,视频的最终受体是人的眼睛,人眼观察是评价视频质量最精确的方法,视频的抖动,即视频的平滑度,是视频质量的另外一个重要指标,也是直接关系到人对视频的感受,因此本文提出了无参考视频平滑度的检测方法,可以通过对视频的平滑度检测评估来完善补充对视频质量的评价。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种无参考视频平滑度检测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于ORB算子的无参考视频平滑度的评价方法,包括以下步骤:
1)取视频连续n帧图像,提取n帧图像中的ORB特征点;
2)采用FLANN特征点匹配算法对每相邻两帧图像中的ORB特征点进行匹配;
3)对每相邻两帧图像误匹配的ORB特征点进行筛选并剔除;剔除方法为:求每相邻两帧图像中所有匹配特征点两两之间的距离,取得其距离的最小值记为min_dist,将特征点距离大于B*min_dist的特征点进行剔除,B取值范围为6~10;
4)生成两幅图像间的仿射变换矩阵,--单应性矩阵,利用RANSAC算法对
单应性矩阵A进行逐步迭代求解;利用RANSAC算法求解单应性矩阵A的步骤如下:
(a)从匹配的ORB特征点对中随机抽4个匹配的特征点对作为一个RANSAC样本。
(b)利用这4个匹配的ORB特征点对计算单应性矩阵A。
(c)利用ORB特征点对集、单应性矩阵A及误差度量函数计算满足当前单应性矩阵A的一致集consensus,并返回一致集中元素个数。
(d)如果当前一致集中元素个数大于某个阈值,则认为它是最优一致集,并利用此一致集对当前最优一致集进行更新。
(e)更新当前错误概率p,如果P大于设定的最小错误概率则重复(a)至(d)继续迭代,直到当前错误概率p小于最小错误概率。
5)根据单应性矩阵-计算每相邻两帧图像间的运动参数,平移及旋转角度;设前一帧图像为I,当前帧图像为J,则其运动参数可以通过下列公式求解:
其中(X,Y)分别表示原始图像I的中心点,Height、Width分别表示图像的高、宽,Dx、Dy分别表示图像水平、垂直方向的位移,θ表示图像间的旋转角度变化。所述运动参数包括图像的平移、旋转和尺度变化;
6)生成视频序列平移运动轨迹DTajectory及旋转运动轨迹;将视频序列中所有两两相邻图像间的位移及旋转角度求解出来便得到整个视频序列的平移、旋转轨迹,记D=[Dx,Dy]有:
DTajectory=(D1,D2,...DN-1)
θTajectory=(θ1,θ2,...θN-1)
其中N表示视频序列总帧数,DN-1表示第N-1幅视频图像与第N幅视频图像间的平移向量,θN-1表示第N-1幅视频图像与第N幅图像图像间的旋转角度。
7)利用高斯滤波器对平移运动轨迹及旋转运动轨迹进行滤波处理,得到滤波后的平移轨迹DS Tajectory、旋转运动轨迹θS Tajectory;高斯滤波器的定义如下:
对视频序列的运动轨迹进行高斯平滑有:
其中DS Tajectory、θS Tajectory表示平滑后的平移、旋转运动轨迹,N表示视频序列总帧数;
8)计算平移均值Daverage、旋转均值θaverage;平滑后帧间运动的平均值:
Daverage=(DS,1+DS,2+....DS,N-1)/(N-1)
θaverage=(θS,1+θS,2+...θS,N-1)/(N-1)
若图像中存在DS,i>m*Daverage(i=1,…N-1)则表示视频序列中存在平移抖动,若图像中存在θS,i>m*θaverage(i=1,…N-1)则表示视频序列中存在旋转抖动,m表示调整系数,取值范围一般为1~1.2。
9)计算平移抖动数count_T及旋转抖动数count_R,并计算水平平滑度值
Tsmoothness及旋转平滑度值Tsmoothness;
其中count_T表示平移抖动数,count_R表示旋转抖动数,δ(x)表示判断函数。平移抖动程度Tmeasure及旋转抖动程度值Rmeasure计算公式为:
因此,其水平平滑度值Tsmoothness及旋转平滑度值Rsmoothness为:
10)判断:Tsmoothness与Rsmoothness的值介于0~1之间,越接近于0表示视频序列中不存在抖动,视频平滑度好,越接近于1表示视频序列中抖动帧数越多,视频平滑度越差。
本发明产生的有益效果是:
本方法通过选取合适的特征对视频帧进行描述,利用运动模型计算前后相邻两帧的图像运动的参数,计算出整个视频序列相邻两帧图像的参数的序列,针对序列进行分析进而得出对视频平滑度的评价,实现效果良好,具有很大的使用价值。该方法不需要任何原始视频相关的信息,直接根据待评价视频的信息评价视频平滑度,具有更好的灵活性和通用性,以及更广泛的应用价值。
本方法进一步补充了对视频质量的评价方法,具有重要的理论意义和应用价值。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的步骤流程图;
图2是本发明实施例的ORB特征点匹配效果图。
图3是本发明实施例的特征点筛选后的匹配效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,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用以解释本发明,并不用于限定本发明。
如图1所示,一种无参考视频平滑度检测方法,包括以下步骤:
1)取视频连续n帧图像,提取n帧图像中的ORB特征点;通过一个二进制串描述某个图像块,该二进制串的构造方式如下:
其中p(x)表示点x处图像块P的灰度值。ORB算法中采用5×5的子窗口作为测试点,图像块大小为31×31,n取值为256。由于BEIEF算法在图像发生内平面旋转时,算法性能将急速下降,为解决这个问题,ORB算法中提出一种称之为Steered BRIEF的算法,它在特征点位置(xi,yi)构造一个2×n的矩阵S:
利用图像块的主方向θ及对应的旋转矩阵Rθ构造Steered版本的S:
Sθ=RθS (4)
其中图像块的主方向θ通过灰度中心(intensity centroid)[10]法计算得到,公式如下:
θ=atan2(m01,m10) (7)
上述公式中mpq表示点(x,y)处的力矩(moments),C表示图像块的中心,θ表示图像块的主方向。因此,ORB算法所得到的描述子为:
gn(p,θ)=fn(p)(xi,yi)∈S0(8)
算法将360度方向分成30份,并预先构造BRIEF模式的查找表,以加速ORB描述子的生成。
2)采用FLANN特征点匹配算法对每相邻两帧图像中的ORB特征点进行匹配;如图2所示;
3)对每相邻两帧图像误匹配的ORB特征点进行筛选并剔除;剔除方法为:求每相邻两帧图像中所有匹配特征点两两之间的距离,取得其距离的最小值记
为min_dist,将特征点距离大于B*min_dist的特征点进行剔除,B取值范围为6~10;在本实施例中B取10;剔除后如图3所示。
4)根据运动仿射变换模型生成两幅图像间的仿射变换矩阵,--单应性矩阵,利用RANSAC算法对单应性矩阵A进行逐步迭代求解;
仿射变换矩阵定义如下:
其中(x,y)表示第一幅图像中的像素点,(x′,y′)表示视频序列中相邻的第二幅图像中的像素点,矩阵A称为仿射变换矩阵,也称为单应性(Homography)矩阵,m13和m23用于描述视频序列中相邻两幅图像间的平移运动,m11,m12,m21及m22则用于描述相邻两幅图像间的尺度变化和旋转运动,因此要计算两幅图像间的仿射变换需要计算6个参数。
利用RANSAC算法求解单应性矩阵A的步骤如下:
(a)从匹配的ORB特征点对中随机抽4个匹配的特征点对作为一个RANSAC样本。
(b)利用这4个匹配的ORB特征点对计算单应性矩阵A。
(c)利用ORB特征点对集、单应性矩阵A及误差度量函数计算满足当前单应性矩阵A的一致集consensus,并返回一致集中元素个数。
(d)如果当前一致集中元素个数大于某个阈值,则认为它是最优一致集,并利用此一致集对当前最优一致集进行更新。
(e)更新当前错误概率p,如果P大于设定的最小错误概率则重复(a)至(d)继续迭代,直到当前错误概率p小于最小错误概率。
5)根据单应性矩阵-计算每相邻两帧图像间的运动参数,平移及旋转角度;设前一帧图像为I,当前帧图像为J,则其运动参数可以通过下列公式求解:
其中(X,Y)分别表示原始图像I的中心点,Height、Width分别表示图像的高、宽,Dx、Dy分别表示图像水平、垂直方向的位移,θ表示图像间的旋转角度变化。所述运动参数包括图像的平移、旋转和尺度变化;
6)生成视频序列平移运动轨迹DTajectory及旋转运动轨迹;将视频序列中所有两两相邻图像间的位移及旋转角度求解出来便得到整个视频序列的平移、旋转轨迹,记D=[Dx,Dy]有:
DTajectory=(D1,D2,...DN-1)(14)
θTajectory=(θ1,θ2,...θN-1)(15)
其中N表示视频序列总帧数,DN-1表示第N-1幅视频图像与第N幅视频图像间的平移向量,θN-1表示第N-1幅视频图像与第N幅图像图像间的旋转角度。
7)利用高斯滤波器对平移运动轨迹及旋转运动轨迹进行滤波处理,得到滤波后的平移轨迹DS Tajectory、旋转运动轨迹θS Tajectory;高斯滤波器的定义如下:
对视频序列的运动轨迹进行高斯平滑有:
其中DS Tajectory、θS Tajectory表示平滑后的平移、旋转运动轨迹,N表示视频序列总帧数;为简便计算,设M表示与图像前后两相邻的若干帧图像,例如对于第i幅图像,N取值可以为2M,即图像i前M帧图像与i后M帧图像间的运动轨迹都被高斯滤波器覆盖;
8)计算平移均值Daverage、旋转均值θaverage;平滑后帧间运动的平均值:
Daverage=(DS,1+DS,2+....DS,N-1)/(N-1) (21)
θaverage=(θS,1+θS,2+...θS,N-1)/(N-1) (22)
若图像中存在DS,i>m*Daverage(i=1,…N-1)则表示视频序列中存在平移抖动,若图像中存在θS,i>m*θaverage(i=1,…N-1)则表示视频序列中存在旋转抖动,m表示调整系数,取值范围一般为1~1.2。
9)计算平移抖动数count_T及旋转抖动数count_R,
并计算水平平滑度值Tsmoothness及旋转平滑度值Rsmoothness;
其中count_T表示平移抖动数,count_R表示旋转抖动数,δ(x)表示判断函数。平移抖动程度Tmeasure及旋转抖动程度值Rmeasure计算公式为:
因此,其水平平滑度值Tsmoothness及旋转平滑度值Rsmoothness为:
10)判断:Tsmoothness与Rsmoothness的值介于0~1之间,越接近于0表示视频序列中不存在抖动,视频平滑度好,越接近于1表示视频序列中抖动帧数越多,视频平滑度越差。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于ORB算子的无参考视频平滑度的评价方法,其特征在于,包括以下步骤:
1)取视频连续n帧图像,提取n帧图像中的ORB特征点;
2)对每相邻两帧图像中的ORB特征点进行匹配;
3)对每相邻两帧图像误匹配的ORB特征点进行筛选并剔除;剔除方法为:求每相邻两帧图像中所有匹配特征点两两之间的距离,取得其距离的最小值记为min_dist,将特征点距离大于B*min_dist的特征点进行剔除,B取值范围为6<B<10;
4)根据运动仿射变换模型生成相邻两帧图像间的仿射变换矩阵,即相邻两帧图像间的单应性矩阵,对单应性矩阵A进行逐步迭代求解;
5)根据单应性矩阵,计算每相邻两帧图像间的运动参数;所述运动参数包括图像的平移及旋转角度;
6)根据所有相邻两帧图像间的运动参数,生成视频序列平移运动轨迹DTajectory及旋转运动轨迹;将视频序列中所有两两相邻图像间的位移及旋转角度求解出来便得到整个视频序列的平移、旋转轨迹,记D=[Dx,Dy]有:
DTajectory=(D1,D2,...DN-1)
θTajectory=(θ1,θ2,...θN-1)
其中N表示视频序列总帧数,DN-1表示第N-1帧视频图像与第N帧视频图像间的平移向量,θN-1表示第N-1帧视频图像与第N帧图像间的旋转角度;Dx,Dy分别表示图像水平、垂直方向的位移;
7)利用高斯滤波器对平移运动轨迹及旋转运动轨迹进行滤波处理,得到滤波后的平移轨迹Ds Tajectory、旋转运动轨迹θs Tajectory;
8)根据滤波后的平移轨迹Ds Tajectory、旋转运动轨迹θs Tajectory,计算平移均值Daverage、旋转均值θaverage;平滑后帧间运动的平均值:
Daverage=(DS,1+DS,2+....DS,N-1)/(N-1)
θaverage=(θS,1+θS,2+...θS,N-1)/(N-1)
若图像中存在DS,i>m*Daverage(i=1,…N-1)则表示视频序列中存在平移抖动,若图像中存在θS,i>m*θaverage(i=1,…N-1)则表示视频序列中存在旋转抖动,m表示调整系数;
9)计算平移抖动数count_T及旋转抖动数count_R,计算水平平滑度值
Tsmoothness及旋转平滑度值Rsmoothness;
其中count_T表示平移抖动数,count_R表示旋转抖动数,δ(x)表示判断函;平移抖动程度Tmeasure及旋转抖动程度值Rmeasure计算公式为:
因此,其水平平滑度值Tsmoothness及旋转平滑度值Rsmoothness为:
10)判断:Tsmoothness与Rsmoothness的值介于0~1之间,越接近于0表示视频序列中不存在抖动,视频平滑度好,越接近于1表示视频序列中抖动帧数越多,视频平滑度越差。
2.根据权利要求1所述的无参考视频平滑度检测方法,其特征在于,步骤2)中对每相邻两帧图像中的ORB特征点进行匹配采用FLANN特征点匹配算法。
3.根据权利要求1所述的无参考视频平滑度检测方法,其特征在于,步骤4)中对单应性矩阵A进行逐步迭代求解采用RANSAC算法。
4.根据权利要求3所述的无参考视频平滑度检测方法,其特征在于,所述利用RANSAC算法求解单应性矩阵A的步骤如下:
(a)从匹配的ORB特征点对中随机抽4个匹配的特征点对作为一个RANSAC样本;
(b)利用这4个匹配的ORB特征点对计算单应性矩阵A;
(c)利用ORB特征点对集、单应性矩阵A及误差度量函数计算满足当前单应性矩阵A的一致集,并返回一致集中元素个数;
(d)如果当前一致集中元素个数大于某个阈值,则认为它是最优一致集,并利用此一致集对当前最优一致集进行更新;
(e)更新当前错误概率p,如果P大于设定的最小错误概率则重复(a)至(d)继续迭代,直到当前错误概率p小于最小错误概率。
5.根据权利要求1所述的无参考视频平滑度检测方法,其特征在于,所述步骤8)中调整系数m取值范围为1~1.2。
6.根据权利要求1所述的无参考视频平滑度检测方法,其特征在于,所述步骤7)中高斯滤波器的定义如下:
对视频序列的运动轨迹进行高斯平滑有:
其中DS Tajectory、θS Tajectory表示平滑后的平移、旋转运动轨迹,N表示视频序列总帧数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310674448.7A CN103700069B (zh) | 2013-12-11 | 一种基于orb算子的无参考视频平滑度的评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310674448.7A CN103700069B (zh) | 2013-12-11 | 一种基于orb算子的无参考视频平滑度的评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103700069A true CN103700069A (zh) | 2014-04-02 |
CN103700069B CN103700069B (zh) | 2016-11-30 |
Family
ID=
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200487A (zh) * | 2014-08-01 | 2014-12-10 | 广州中大数字家庭工程技术研究中心有限公司 | 一种基于orb特征点匹配的目标跟踪方法 |
CN104851094A (zh) * | 2015-05-14 | 2015-08-19 | 西安电子科技大学 | 一种基于rgb-d的slam算法的改进方法 |
CN105445932A (zh) * | 2015-12-21 | 2016-03-30 | 中国科学院长春光学精密机械与物理研究所 | 基于标准化点源敏感性的大口径望远镜抖动评价方法 |
CN105791705A (zh) * | 2016-05-26 | 2016-07-20 | 厦门美图之家科技有限公司 | 适用于移动式延时摄影的视频防抖方法、系统及拍摄终端 |
CN105812788A (zh) * | 2016-03-24 | 2016-07-27 | 北京理工大学 | 一种基于帧间运动振幅统计的视频稳定质量评价方法 |
CN106251399A (zh) * | 2016-08-30 | 2016-12-21 | 广州市绯影信息科技有限公司 | 一种基于lsd‑slam的实景三维重建方法 |
CN107046640A (zh) * | 2017-02-23 | 2017-08-15 | 北京理工大学 | 一种基于帧间运动光滑性的无参考视频稳定质量评价方法 |
CN107343145A (zh) * | 2017-07-12 | 2017-11-10 | 中国科学院上海技术物理研究所 | 一种基于鲁棒性特征点的视频相机电子稳像方法 |
CN108377320A (zh) * | 2018-04-25 | 2018-08-07 | 长沙全度影像科技有限公司 | 一种带有防抖校准的子弹时间制作方法 |
CN108520533A (zh) * | 2018-03-28 | 2018-09-11 | 武汉大学 | 一种面向工件定位的多维度特征配准方法 |
CN109655052A (zh) * | 2018-12-06 | 2019-04-19 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 目标运动轨迹平滑度评估方法 |
CN110120023A (zh) * | 2019-05-14 | 2019-08-13 | 浙江工大盈码科技发展有限公司 | 一种图像反馈矫正方法 |
CN110215198A (zh) * | 2019-06-03 | 2019-09-10 | Oppo广东移动通信有限公司 | 中心静脉压测量方法及相关装置 |
CN111031200A (zh) * | 2018-10-10 | 2020-04-17 | 三星电子株式会社 | 电子装置、摄像机及图像稳定化方法 |
CN111209920A (zh) * | 2020-01-06 | 2020-05-29 | 桂林电子科技大学 | 一种复杂动态背景下飞机检测方法 |
WO2020187065A1 (zh) * | 2019-03-15 | 2020-09-24 | 华为技术有限公司 | 一种视频的评价方法、终端、服务器及相关产品 |
CN113673283A (zh) * | 2020-05-14 | 2021-11-19 | 惟亚(上海)数字科技有限公司 | 一种基于增强现实的平滑跟踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5511153A (en) * | 1994-01-18 | 1996-04-23 | Massachusetts Institute Of Technology | Method and apparatus for three-dimensional, textured models from plural video images |
CN101316368A (zh) * | 2008-07-18 | 2008-12-03 | 西安电子科技大学 | 基于全局特征点迭代的全景稳像方法 |
CN102855649A (zh) * | 2012-08-23 | 2013-01-02 | 山东电力集团公司电力科学研究院 | 基于orb特征点的高压杆塔高清图像全景拼接方法 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5511153A (en) * | 1994-01-18 | 1996-04-23 | Massachusetts Institute Of Technology | Method and apparatus for three-dimensional, textured models from plural video images |
CN101316368A (zh) * | 2008-07-18 | 2008-12-03 | 西安电子科技大学 | 基于全局特征点迭代的全景稳像方法 |
CN102855649A (zh) * | 2012-08-23 | 2013-01-02 | 山东电力集团公司电力科学研究院 | 基于orb特征点的高压杆塔高清图像全景拼接方法 |
Non-Patent Citations (3)
Title |
---|
JIE XU, ET AL.: "Fast Feature-Based Video Stabilization without Accumulative Global Motion Estimation", 《CONSUMER ELECTRONICS, IEEE TRANSACTIONS ON》 * |
KEN-YI LEE, ET AL.: "Video Stabilization using Robust Feature Trajectories", 《2009 IEEE 12TH INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
倪乐真 等: "一种基于角点配对的稳像算法", 《电视技术》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200487A (zh) * | 2014-08-01 | 2014-12-10 | 广州中大数字家庭工程技术研究中心有限公司 | 一种基于orb特征点匹配的目标跟踪方法 |
CN104851094A (zh) * | 2015-05-14 | 2015-08-19 | 西安电子科技大学 | 一种基于rgb-d的slam算法的改进方法 |
CN105445932B (zh) * | 2015-12-21 | 2018-06-26 | 中国科学院长春光学精密机械与物理研究所 | 基于标准化点源敏感性的大口径望远镜抖动评价方法 |
CN105445932A (zh) * | 2015-12-21 | 2016-03-30 | 中国科学院长春光学精密机械与物理研究所 | 基于标准化点源敏感性的大口径望远镜抖动评价方法 |
CN105812788A (zh) * | 2016-03-24 | 2016-07-27 | 北京理工大学 | 一种基于帧间运动振幅统计的视频稳定质量评价方法 |
CN105791705A (zh) * | 2016-05-26 | 2016-07-20 | 厦门美图之家科技有限公司 | 适用于移动式延时摄影的视频防抖方法、系统及拍摄终端 |
CN105791705B (zh) * | 2016-05-26 | 2019-06-11 | 厦门美图之家科技有限公司 | 适用于移动式延时摄影的视频防抖方法、系统及拍摄终端 |
CN106251399A (zh) * | 2016-08-30 | 2016-12-21 | 广州市绯影信息科技有限公司 | 一种基于lsd‑slam的实景三维重建方法 |
CN107046640A (zh) * | 2017-02-23 | 2017-08-15 | 北京理工大学 | 一种基于帧间运动光滑性的无参考视频稳定质量评价方法 |
CN107343145A (zh) * | 2017-07-12 | 2017-11-10 | 中国科学院上海技术物理研究所 | 一种基于鲁棒性特征点的视频相机电子稳像方法 |
CN108520533A (zh) * | 2018-03-28 | 2018-09-11 | 武汉大学 | 一种面向工件定位的多维度特征配准方法 |
CN108520533B (zh) * | 2018-03-28 | 2021-08-03 | 武汉大学 | 一种面向工件定位的多维度特征配准方法 |
CN108377320A (zh) * | 2018-04-25 | 2018-08-07 | 长沙全度影像科技有限公司 | 一种带有防抖校准的子弹时间制作方法 |
CN108377320B (zh) * | 2018-04-25 | 2020-09-04 | 长沙全度影像科技有限公司 | 一种带有防抖校准的子弹时间制作方法 |
CN111031200A (zh) * | 2018-10-10 | 2020-04-17 | 三星电子株式会社 | 电子装置、摄像机及图像稳定化方法 |
CN111031200B (zh) * | 2018-10-10 | 2023-05-23 | 三星电子株式会社 | 电子装置、摄像机及图像稳定化方法 |
CN109655052A (zh) * | 2018-12-06 | 2019-04-19 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 目标运动轨迹平滑度评估方法 |
WO2020187065A1 (zh) * | 2019-03-15 | 2020-09-24 | 华为技术有限公司 | 一种视频的评价方法、终端、服务器及相关产品 |
CN110120023A (zh) * | 2019-05-14 | 2019-08-13 | 浙江工大盈码科技发展有限公司 | 一种图像反馈矫正方法 |
CN110215198A (zh) * | 2019-06-03 | 2019-09-10 | Oppo广东移动通信有限公司 | 中心静脉压测量方法及相关装置 |
CN110215198B (zh) * | 2019-06-03 | 2022-04-29 | Oppo广东移动通信有限公司 | 中心静脉压测量方法及相关装置 |
CN111209920A (zh) * | 2020-01-06 | 2020-05-29 | 桂林电子科技大学 | 一种复杂动态背景下飞机检测方法 |
CN111209920B (zh) * | 2020-01-06 | 2022-09-23 | 桂林电子科技大学 | 一种复杂动态背景下飞机检测方法 |
CN113673283A (zh) * | 2020-05-14 | 2021-11-19 | 惟亚(上海)数字科技有限公司 | 一种基于增强现实的平滑跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778668B (zh) | 一种联合ransac和cnn的鲁棒的车道线检测方法 | |
Kwak et al. | Learning occlusion with likelihoods for visual tracking | |
CN104299008B (zh) | 基于多特征融合的车型分类方法 | |
CN107330390B (zh) | 一种基于图像分析和深度学习的人数统计方法 | |
CN104680559B (zh) | 基于运动行为模式的多视角室内行人跟踪方法 | |
CN104282003B (zh) | 一种基于梯度筛选的数字模糊图像盲复原方法 | |
CN103996201A (zh) | 一种基于改进梯度和自适应窗口的立体匹配方法 | |
CN103793920B (zh) | 基于视频的逆行检测方法及其系统 | |
CN104574381B (zh) | 一种基于局部二值模式的全参考图像质量评价方法 | |
CN107516322A (zh) | 一种基于对数极空间的图像物体大小和旋转估计计算方法 | |
CN103870818A (zh) | 一种烟雾检测方法和装置 | |
CN103839255A (zh) | 视频抠像篡改检测方法及装置 | |
CN105205820A (zh) | 一种改进的特征相似性图像质量评估方法 | |
CN110428450A (zh) | 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法 | |
Hou et al. | Welding image edge detection and identification research based on canny operator | |
CN106339677A (zh) | 一种基于视频的铁路货车洒落物自动检测方法 | |
CN101815225B (zh) | 生成深度图的方法及其设备 | |
CN104537381A (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
CN101295401A (zh) | 基于线性pca的红外点目标检测方法 | |
CN103914829A (zh) | 一种含噪图像边缘检测方法 | |
CN103134476B (zh) | 一种基于水平集算法的海陆分界线检测方法 | |
CN106778766A (zh) | 一种基于定位点的旋转数字识别方法及系统 | |
CN104598906B (zh) | 车辆外轮廓检测方法及其装置 | |
CN109241981A (zh) | 一种基于稀疏编码的特征检测方法 | |
CN102081741A (zh) | 一种基于视觉注意原理的行人检测方法和系统 |
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: 20161130 Termination date: 20191211 |
|
CF01 | Termination of patent right due to non-payment of annual fee |