CN104156965B - 一种矿井监控图像自动快速拼接方法 - Google Patents
一种矿井监控图像自动快速拼接方法 Download PDFInfo
- Publication number
- CN104156965B CN104156965B CN201410399021.5A CN201410399021A CN104156965B CN 104156965 B CN104156965 B CN 104156965B CN 201410399021 A CN201410399021 A CN 201410399021A CN 104156965 B CN104156965 B CN 104156965B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- point
- image
- mtd
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种矿井监控图像自动快速拼接方法，包含以下步骤：首先利用Harris算法初步得到单一尺度下的特征点，再采用SIFT算法对特征点进行精确定位，在此基础上结合SIFT描述符信息，从而稳定、快速地提取到图像特征点；利用位置敏感散列算法(LSH，Locality‑Sensitive Hashing)进行特征匹配查找，解决基于Kd树查找算法在高维数据集上的时间效率并不高的问题；再采用改进的RANSAC算法筛选匹配点并计算变换矩阵,提高筛选匹配点的精确度；最后通过图像融合算法进行拼接。实验结果表明，该方法能够应用于煤矿井下视频监控图像的自动拼接，对其他复杂环境下的图像拼接亦具有科学的参考价值。
Description
技术领域
本发明涉及图像拼接技术领域，特别是涉及一种矿井监控图像自动快速拼接方法。
背景技术
图像拼接的核心问题在于准确找到待拼接图像的重叠区域位置和范围，即图像配准。目前提出的图像配准算法大多可分为两类：基于灰度配准的方法和基于特征配准的方法。基于灰度的配准方法计算量较大，不能符合实时性的需求，而且容易受到图像旋转、形变及遮挡的影响，而基于特征配准的方法可以克服这些缺点，提高匹配的精确程度，因此在图像配准方面有着广泛的应用，如Harris算法、SIFT算法等。国内外许多学者对图像拼接技术进行了大量的研究工作，针对不同的应用领域，提出了不同的图像配准方法，如：D.Glowe总结了现有的特征提取方法，提出了基于尺度不变特征的图像拼接技术；Glocker B等人基于离散马尔可夫随机场提出了一种新的图像拼接的方法；Jain D K等人基于随机角点法，利用单应性矩阵，匹配角点对，提出了将多幅有交叠的图像拼接成全景图的方法；高健等提出了基于Harris角点和高斯差分的特征点提取算法；周文兵等人针对数字图像篡改的常用手法图像拼接，提出了一种基于多特征融合的被动盲取证算法来检测图像拼接。
虽然上述的各种方法都是面向一定范围的应用领域，也具有各自的特点，但大致上来讲，能够应用于煤矿井下复杂环境的图像拼接算法并不是很多，由于矿井下获取图像环境的复杂性及算法本身的限制，很多的图像序列并不能成功的被拼接起来，因此需要研究一种成功率较高的图像拼接算法；另外，由于图像拼接技术能够普遍应用于煤矿井下的视频监控系统，因此其实时性问题也是研究中的一个关键问题；再者，受到煤矿井下照度低、光照不均匀的以及井下煤尘的影响，很大程度上引起监控图像退化，导致图像质量不佳，很多监控图像序列并不能成功的被拼接起来，对监控图像的后期处理和评判带来诸多不便，难以满足煤矿安全生产自由监控场景的需求。
发明内容
为了克服上述现有技术的不足，本发明提供了一种矿井监控图像自动快速拼接方法。
本发明所采用的技术方案包含以下步骤：
一种矿井监控图像自动快速拼接方法，其特征在于，包括以下步骤：
S1、利用Harris算法得到两幅或者多幅待拼接图像的特征点，再采用SIFT算法对特征点进行定位，且结合SIFT描述符信息，提取到图像特征点；
S2、针对S1中提取到的图像特征点，利用位置敏感散列算法进行特征匹配点查找；
S3、采用改进的RANSAC算法筛选特征匹配点并计算变换矩阵；
S4、通过图像融合算法进行拼接。
进一步的，所述步骤S1中的Harris算法得到待拼接图像特征点，处理过程表示如下：
R＝det(M)-k*tr2(M)
k＝0.04～0.06
式中：gx为x方向上的梯度，gy为y方向上的梯度，为高斯模板，det为矩阵的行列式，tr为矩阵的迹，k为常数，R表示待拼接图中相应像素点的兴趣值。
进一步的，所述的采用SIFT算法对特征点进行定位，且结合SIFT描述符信息，提取到图像特征点；在Harris算法初步获得图像中特征点的基础上，采用SIFT算法获得图像特征点的尺度信息，根据特征点领域内的梯度方向为每个特征点建立一个描述符，确定特征点的主方向，保证其旋转不变性；计算位置(x,y)处梯度幅度大小和方向公式分别以下两式：
其中L所用的尺度为每个特征点各自所在的尺度。
进一步的，所述步骤S2中利用位置敏感散列算法进行特征匹配点查找，该算法包括以下步骤：
T1、将特征匹配点集转化为海明空间中的二进制串，对于任意一特征匹配点p∈P，P为d维空间，设P＝{x1,x2,…xd}，将空间P映射到d′维海明空间映射方法如下：
其中Unaryc(xi)表示转化后的二进制串，C表示空间P中任意点p坐标的最大值；
T2、经过了步骤T1中点集到二进制串的映射后，需要对集合中的每个点进行哈希操作使其散列到哈希表中；在族函数H＝{h1,...,hl}中独立随机选取hx1,hx2,...,hxt，g(p)是一个长度为k的向量，表示如下：
g(p)＝(hx1(p),hx2(p),...,hxt(p))t＝1,2,…,k
对每一个点p计算函数gj(p),j＝1,...,L，并将值存入哈希表的哈希桶中；
T3、对于给定的q，计算g1(q)，g2(q)，…，gL(q)，取出gi(q)对应哈希桶中所有的点作为候选集，最后在候选集中顺序排序，得到检索结果。
进一步的，所述步骤S3中采用改进的RANSAC算法筛选特征匹配点并计算变换矩阵，包含以下步骤：
(1)设置当前特征匹配点的最佳估计数目S＝0；
(2)将图像按32×32类型的方法进行分割，形成1024个子块，采用随机抽样的方法抽取其中4个子块，并随机地在每一个子块中选择一个点，初始化4个特征匹配点对；
(3)根据步骤(2)中抽中的特征匹配点对，采用最小平方法计算变换矩阵M中的8个参数，然后根据给定的距离阈值T，统计该变换矩阵M的匹配点数目；
(4)设当前内点数目为N，将N与S进行比较，如果N＞S,则将M作为当前最佳估计，并更新N＝S，同时动态评估剩余所需迭代次数K，K的值正比于1/log(p)，其中P为当前错误概率，如果当前迭代次数达到K，则转入步骤(5)；否则转向步骤(2)；
(5)算法结束，退出。
进一步的，所述步骤S4中通过图像融合算法进行拼接，包含以下步骤：
采用加权平均的方法来实现图像的无缝拼接，假设待拼接的图像为f1和f2，采用加权平均法融合后的图像f可表示为：
式中d1、d2表示加权系数，它们的关系满足：d1+d2＝1。
与现有技术相比，本发明的有益效果：
本发明方法结合了Harris特征点检测算法检测效率高和SIFT算法的尺度不变性和抗噪声强的优点，并采用改进的RANSAC算法改善算法的抗尺度变化和抗噪性能，采用位置敏感散列算法提高了图像拼接的成功率与实时性，从而稳定、快速地提取图像特征点。实验结果表明，该方法能够应用于煤矿井下视频监控图像的自动拼接，对其他复杂环境下的图像拼接亦具有科学的参考价值。
附图说明
图1为一种矿井监控图像自动快速拼接方法的流程图；
图2为一种图像提取特征点描述；
图3为一种图像提取特征点实验；
图4为一种图像特征点匹配。
具体实施方式
如图1所示为一种矿井监控图像自动快速拼接技术的方法，包含以下步骤：
S1、利用Harris算法初步得到特征点，再采用SIFT算法对特征点进行精确定位，在此基础上结合SIFT描述符信息，从而稳定、快速地提取到图像特征点；
S2、针对S1中提取到的图像特征点，利用位置敏感散列算法(LSH,Locality-Sensitive Hashing)进行特征匹配点查找；
S3、采用改进的RANSAC算法筛选特征匹配点并计算变换矩阵，提高筛选匹配点的精确度；
S4、通过图像融合算法进行拼接。
利用Harris算法初步得到单一尺度下的特征点，包含以下步骤：
Harris算子是一种基于信号的角点特征提取算子，Harris特征检测算法的基本原理是取以目标像素点为中心的一个小窗口，计算窗口沿任何方向移动后的灰度变化，从而得到整幅图像的特征点。其处理过程表示如下：
R＝det(M)-k*tr2(M)
k＝0.04～0.06
式中：gx为x方向上的梯度，gy为y方向上的梯度，为高斯模板，det为矩阵的行列式，tr为矩阵的迹，k为常数，R表示图中相应像素点的兴趣值。
采用SIFT算法对特征点进行精确定位，在此基础上结合SIFT描述符信息，从而稳定、快速地提取到图像特征点。包含以下步骤：
在Harris算法初步获得图像中特征点的基础上，采用SIFT算法获得图像特征点的尺度信息，根据特征点领域内的梯度方向为每个特征点建立一个描述符，确定特征点的主方向，保证其旋转不变性。计算位置(x,y)处梯度幅度大小和方向公式分别以下两式：
其中L所用的尺度为每个关键点各自所在的尺度。
如图2所示，圆环代表高斯加权的范围，箭头方向代表该像素的梯度方向，箭头长度代表梯度幅度大小。把特征点邻域范围划分为4×4的像素块，并根据邻域梯度信息生成特征向量，每个像素块用一个特征描述为8维度的向量表示，在16×16的邻域范围内生成16(4×4)个直方图，目的是描述出特征点的特征。所以，每个特征点为了描述其特征总计使用了4×4×8＝128维的特征向量，提取特征点描述方式如图2所示。
利用位置敏感散列算法(LSH,Locality-Sensitive Hashing)进行特征匹配查找，包含以下步骤：
(1)将特征匹配点集转化为海明空间中的二进制串，对于任意一特征匹配点p∈P，P为d维空间，设P＝{x1,x2,…xd}，将空间P映射到d′维海明空间映射方法如下：
其中Unaryc(xi)表示转化后的二进制串，C表示空间P中任意点p坐标的最大值；
(2)、经过了步骤T1中点集到二进制串的映射后，需要对集合中的每个点进行哈希操作使其散列到哈希表中；在族函数H＝{h1,…,hl}中独立随机选取hx1,hx2,…,hxt，g(p)是一个长度为k的向量，表示如下：
g(p)＝(hx1(p),hx2(p),…,hxt(p))t＝1,2,…,k
对每一个点p计算函数gj(p),j＝1,…,L，并将值存入哈希表的哈希桶中；
(3)对于查询q，计算g1(q)，g2(q)，…，gL(q)，取出gi(q)对应哈希桶中所有的点作为候选集。最后在候选集中顺序排序，得到检索结果。
采用改进的RANSAC算法筛选匹配点并计算变换矩阵，提高筛选匹配点的精确度，包含以下步骤：
算法主要思想是：将图像进行分块，而不是采用传统的RANSAC算法从样本集中直接随机抽选样本，降低样本的点共线的风险，同时避免了点与点之间的距离过近，从而提高随机抽样的效率，并引入动态评价机制自动估测迭代次数，使得RANSAC算法得到的结果尽可能是最优结果。具体步骤如下：
(1)设置当前内点的最佳估计数目S＝0；
(2)将图像按32×32类型的方法进行分割，形成1024个子块，采用随机抽样的方法抽取其中4个子块，并随机地在每一个子块中选择一个点，初始化4个匹配点对；
(3)根据上一步中抽中的匹配点对，采用最小平方法计算变换矩阵M中的8个参数，然后根据给定的距离阈值T，统计该变换矩阵M的匹配点数目；
(4)设当前内点数目为N，将N与S进行比较，如果N＞S,则将M作为当前最佳估计，并更新N＝S，同时动态评估剩余所需迭代次数K，K的值正比于1/log(p)，其中P为当前错误概率，如果当前迭代次数达到K，则转入步骤(5)；否则转向步骤(2)；
(5)算法结束，退出。
通过图像融合算法进行拼接，包含以下步骤：
采用加权平均的方法来实现图像的无缝拼接。假设待拼接的图像为f1和f2，采用加权平均法融合后的图像f可表示为：
式中d1、d2表示加权系数，它们的关系满足：d1+d2＝1，目的是为了实现重叠区域的平滑过渡。
实验结果：
图3选取矿井下的一张含噪图像，分别采用Harris算法、SIFT算法提取其特征点，其中图3a为利用Harris算法提取特征点，图3b为SIFT算法提取的特征点。表1为特征提取的结果。
表1特征点提取结果
从图3和表l中可以看出，Harris算法提取图像中的角点作为特征点，SIFT算法提取的特征点具有尺度不变的特征，抗噪能力比Harris算法强很多，因此很适合矿井等复杂环境，但SIFT算法的时间复杂度也较高，需要改进。
图4分别采用本文算法和SIFT算法进行特征点匹配，其中图4a为利用本文进行特征点匹配的结果。图4b为利用SIFT算法进行特征点匹配结果。表2为特征点匹配的结果。
表2特征点匹配结果
从图4和表2中可以看出，本文算法与SIFT算法相比，具有很好的鲁棒性和快速拼接能力，提高了井下图像拼接的成功率与实时性。
与现有技术相比，本发明的有益效果：
本发明方法结合了Harris特征点检测算法检测效率高和SIFT算法的尺度不变性和抗噪声强的优点，并采用改进的RANSAC算法改善算法的抗尺度变化和抗噪性能，采用位置敏感散列算法提高了图像拼接的成功率与实时性，从而稳定、快速地提取图像特征点。实验结果表明，该方法能够应用于煤矿井下视频监控图像的自动拼接，对其他复杂环境下的图像拼接亦具有科学的参考价值。
Claims (3)
1.一种矿井监控图像自动快速拼接方法，其特征在于，包括以下步骤：
S1、利用Harris算法得到两幅或者多幅待拼接图像的特征点，再采用SIFT算法对特征点进行定位，且结合SIFT描述符信息，提取到图像特征点；
S2、针对S1中提取到的图像特征点，利用位置敏感散列算法进行特征匹配点查找；
所述步骤S2中利用位置敏感散列算法进行特征匹配点查找，该算法包括以下步骤：
T1、将特征匹配点集转化为海明空间中的二进制串，对于任意一特征匹配点p∈P，P为d维空间，设P＝{x1,x2,…xd}，将空间P映射到d′维海明空间映射方法如下：
其中Unaryc(xi)表示转化后的二进制串，C表示空间P中任意点p坐标的最大值；
T2、经过了步骤T1中点集到二进制串的映射后，需要对集合中的每个点进行哈希操作使其散列到哈希表中；在族函数H＝{h1,...,hl}中独立随机选取hx1,hx2,...,hxt，g(p)是一个长度为k的向量，表示如下：
g(p)＝(hx1(p),hx2(p),...,hxt(p))t＝1,2,…,k
对每一个点p计算函数gj(p),j＝1,...,L，并将值存入哈希表的哈希桶中；
T3、对于给定的q，计算g1(q)，g2(q)，…，gL(q)，取出gi(q)对应哈希桶中所有的点作为候选集，最后在候选集中顺序排序，得到检索结果；
S3、采用改进的RANSAC算法筛选特征匹配点并计算变换矩阵；
S4、通过图像融合算法进行拼接；
其中，所述步骤S3中采用改进的RANSAC算法筛选特征匹配点并计算变换矩阵，包含以下步骤：
(1)设置当前特征匹配点的最佳估计数目S＝0；
(2)将图像按32×32类型的方法进行分割，形成1024个子块，采用随机抽样的方法抽取其中4个子块，并随机地在每一个子块中选择一个点，初始化4个特征匹配点对；
(3)根据步骤(2)中抽中的特征匹配点对，采用最小平方法计算变换矩阵M中的8个参数，然后根据给定的距离阈值T，统计该变换矩阵M的匹配点数目；
(4)设当前内点数目为N，将N与S进行比较，如果N＞S,则将M作为当前最佳估计，并更新N＝S，同时动态评估剩余所需迭代次数K，K的值正比于1/log(p)，其中P为当前错误概率，如果当前迭代次数达到K，则转入步骤(5)；否则转向步骤(2)；
(5)算法结束，退出；
所述步骤S1中的Harris算法得到待拼接图像特征点，处理过程表示如下：
<mrow>
<mi>M</mi>
<mo>=</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>s</mi>
<mo>~</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>&CircleTimes;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>g</mi>
<mi>x</mi>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mi>x</mi>
</msub>
<msub>
<mi>g</mi>
<mi>y</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mi>x</mi>
</msub>
<msub>
<mi>g</mi>
<mi>y</mi>
</msub>
</mrow>
</mtd>
<mtd>
<msubsup>
<mi>g</mi>
<mi>y</mi>
<mn>2</mn>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
R＝det(M)-k*tr2(M)
k＝0.04～0.06
式中：gx为x方向上的梯度，gy为y方向上的梯度，为高斯模板，det为矩阵的行列式，tr为矩阵的迹，k为常数，R表示待拼接图中相应像素点的兴趣值。
2.根据权利要求1所述的一种矿井监控图像自动快速拼接方法，其特征在于，所述的采用SIFT算法对特征点进行定位，且结合SIFT描述符信息，提取到图像特征点；在Harris算法初步获得图像中特征点的基础上，采用SIFT算法获得图像特征点的尺度信息，根据特征点领域内的梯度方向为每个特征点建立一个描述符，确定特征点的主方向，保证其旋转不变性；计算位置(x,y)处梯度幅度大小和方向公式分别以下两式：
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>,</mo>
</mrow>
<mrow>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>tan</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>{</mo>
<mfrac>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>}</mo>
</mrow>
其中L所用的尺度为每个特征点各自所在的尺度。
3.根据权利要求1所述的一种矿井监控图像自动快速拼接方法，其特征在于，所述步骤S4中通过图像融合算法进行拼接，拼接方式如下：
采用加权平均的方法来实现图像的无缝拼接，假设待拼接的图像为f1和f2，采用加权平均法融合后的图像f可表示为：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>&Element;</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>d</mi>
<mn>2</mn>
</msub>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>&cap;</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>&Element;</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中d1、d2表示加权系数，它们的关系满足：d1+d2＝1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410399021.5A CN104156965B (zh) | 2014-08-13 | 2014-08-13 | 一种矿井监控图像自动快速拼接方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410399021.5A CN104156965B (zh) | 2014-08-13 | 2014-08-13 | 一种矿井监控图像自动快速拼接方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104156965A CN104156965A (zh) | 2014-11-19 |
| CN104156965B true CN104156965B (zh) | 2017-10-03 |
Family
ID=51882455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410399021.5A Active CN104156965B (zh) | 2014-08-13 | 2014-08-13 | 一种矿井监控图像自动快速拼接方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104156965B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104751465A (zh) * | 2015-03-31 | 2015-07-01 | 中国科学技术大学 | 一种基于lk光流约束的orb图像特征配准方法 |
| CN105150937B (zh) * | 2015-09-25 | 2017-07-14 | 武汉华安科技股份有限公司 | 一种智能泊车辅助系统及其辅助方法 |
| CN105128746A (zh) * | 2015-09-25 | 2015-12-09 | 武汉华安科技股份有限公司 | 一种车辆泊车方法及其泊车系统 |
| CN105554447B (zh) * | 2015-12-11 | 2018-10-23 | 北京天地玛珂电液控制系统有限公司 | 一种基于图像处理技术的采煤工作面实时视频拼接系统 |
| CN105787876B (zh) * | 2015-12-31 | 2019-01-04 | 上海颐本信息科技有限公司 | 一种基于surf特征跟踪匹配的全景视频自动拼接方法 |
| CN105809640B (zh) * | 2016-03-09 | 2019-01-22 | 长春理工大学 | 基于多传感器融合的低照度视频图像增强方法 |
| CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
| CN106791719A (zh) * | 2017-03-01 | 2017-05-31 | 中国矿业大学(北京) | 基于图像跟踪监测设备的掘进机异常工作及灾害报警系统 |
| CN109146963B (zh) * | 2017-06-13 | 2020-07-07 | 南京鑫和汇通电子科技有限公司 | 一种基于快速特征匹配的图像位置偏移检测方法 |
| CA3078991A1 (en) | 2017-11-28 | 2019-06-06 | Groundprobe Pty Ltd | Slope stability visualisation |
| CN113269050A (zh) * | 2021-04-29 | 2021-08-17 | 李会 | 基于无人机遥感影像的农田画像及药肥大数据分析方法 |
-
2014
- 2014-08-13 CN CN201410399021.5A patent/CN104156965B/zh active Active
Non-Patent Citations (3)
| Title |
|---|
| 基于改进ORB算法的遥感图像自动配准方法;张云生等;《国土资源遥感》;20130930;第25卷(第3期);第20-24页 * |
| 基于改进局部敏感散列算法的图像配准;龚卫国等;《光学精密工程》;20110630;第19卷(第6期);第1375-1383页 * |
| 基于特征点的图像配准与拼接技术研究;杨占龙;《中国博士学位论文全文数据库信息科技辑（月刊）》;20090715(第07期);第33-105页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104156965A (zh) | 2014-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104156965B (zh) | 一种矿井监控图像自动快速拼接方法 | |
| Ye et al. | A multiscale framework with unsupervised learning for remote sensing image registration | |
| US10607362B2 (en) | Remote determination of containers in geographical region | |
| Zhu et al. | Detection of large-scale concrete columns for automated bridge inspection | |
| CN104778679B (zh) | 一种基于高分一号卫星数据的控制点图元快速匹配方法 | |
| 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 | |
| CN105975929A (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
| US20150363663A1 (en) | Describing objects using edge-pixel-feature descriptors | |
| CN104599258A (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
| CN104217459B (zh) | 一种球面特征提取方法 | |
| Yuan et al. | Learning to count buildings in diverse aerial scenes | |
| CN104574401A (zh) | 一种基于平行线匹配的图像配准方法 | |
| CN104463233A (zh) | 车标识别方法及车标识别装置 | |
| CN108960115A (zh) | 基于角点的多方向文本检测方法 | |
| CN103577840A (zh) | 物品识别方法 | |
| CN110443295A (zh) | 改进的图像匹配与误匹配剔除算法 | |
| Hsu et al. | Cross-camera vehicle tracking via affine invariant object matching for video forensics applications | |
| Tao et al. | F-pvnet: Frustum-level 3-d object detection on point–voxel feature representation for autonomous driving | |
| CN107038710B (zh) | 一种以纸张为目标的视觉跟踪算法 | |
| CN103336964A (zh) | 一种基于模值差镜像不变性的sift图像匹配方法 | |
| Changjie et al. | Algorithm of remote sensing image matching based on corner-point | |
| CN113095316A (zh) | 基于多级融合和角点偏移的图像旋转目标检测方法 | |
| Yu et al. | Dual-Resolution and Deformable Multihead Network for Oriented Object Detection in Remote Sensing Images | |
| Zhang et al. | An IR and visible image sequence automatic registration method based on optical flow | |
| CN103942276A (zh) | 一种商标检测新技术 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder |
Address after: 221018 Jiangsu Province, Xuzhou City Yunlong District No. 2 Lishui Road Patentee after: Xuzhou University of Technology Address before: 221008 No. 18 tricyclic South Road, Jiangsu, Xuzhou Patentee before: Xuzhou University of Technology |
|
| CP02 | Change in the address of a patent holder |