CN105608671B - 一种基于surf算法的图像拼接方法 - Google Patents
一种基于surf算法的图像拼接方法 Download PDFInfo
- Publication number
- CN105608671B CN105608671B CN201511027879.XA CN201511027879A CN105608671B CN 105608671 B CN105608671 B CN 105608671B CN 201511027879 A CN201511027879 A CN 201511027879A CN 105608671 B CN105608671 B CN 105608671B
- Authority
- CN
- China
- Prior art keywords
- point
- characteristic point
- image
- characteristic
- camera
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000002592 echocardiography Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种基于SURF算法的图像拼接方法，涉及图像处理技术领域。本发明为了解决采用SIFT算法和Harris角点算法存在特征点提取速度慢，而且鲁棒性低，致使图像拼接处理效果不理想的问题。应用Matlab对工业摄像头进行驱动，完成摄像头的标定，以使用摄像头进行视频录制；应用灰色世界法，对所录制视频中每一帧的图像进行白平衡的调节；应用SURF算法，对白平衡调节后的同时刻录制的两张照片进行特征点提取；应用RANSAC算法，将已经标出特征点的两张图像进行误匹配特征点对剔除；采用插值运算，将经RANSAC算法处理后的图像拼接在一起，完成图像拼接，获得视角更大的图像。本发明尤其是适用于工业摄像头平台下的图像拼接。
Description
技术领域
本发明涉及一种图像拼接方法，涉及图像处理技术领域。
背景技术
现有的图像拼接方法一般采用SIFT算法和Harris角点算法，采用SIFT算法和Harris角点算法存在特征点提取速度慢，而且鲁棒性低。尤其是在图像中存在尺度变换、视角变换、光照变化时，图像拼接处理效果不理想。
发明内容
本发明的目的是提供一种基于SURF算法的图像拼接方法，以解决采用SIFT算法和Harris角点算法存在特征点提取速度慢，而且鲁棒性低，致使图像拼接处理效果不理想的问题。
本发明为解决上述技术问题采取的技术方案是：
一种基于SURF算法的图像拼接方法，所述方法的实现过程为：
步骤一：应用Matlab对工业摄像头进行驱动，完成摄像头的标定，以使用摄像头进行视频录制；
步骤二：应用灰色世界法，对所录制视频中每一帧的图像进行白平衡的调节；
步骤三：应用SURF算法，对白平衡调节后的同时刻录制的两张照片进行特征点提取；
步骤四：应用RANSAC算法，将已经标出特征点的两张图像进行误匹配特征点对剔除；
步骤五：采用插值运算，将经RANSAC算法处理后的图像拼接在一起，完成图像拼接，获得视角更大的图像。
步骤一中，在应用摄像头进行视频录制时，利用多媒体移动采集平台；所述多媒体移动采集平台用于同时承载充电电池、电脑、工业摄像头，以实现摄像头边录制边移动。
步骤三中，应用SURF算法进行特征点提取的过程为：
第一步、特征点检测：
利用盒子滤波器对白平衡调节后的同时刻录制的两张图像进行卷积，通过改变盒子滤波器的大小，用不同大小的滤波器在所述两张图像的x，y，z三个方向上作卷积，形成多尺度空间函数Dxx，Dyy，Dxy，构建尺度空间金字塔；
detH的含义是Hessian矩阵的行列式，
在尺度空间金字塔构建完毕后，通过下式近似代替detH
detH＝Dxx×Dyy-(0.9×Dxy)2
求取某一特定尺度下的局部极值；在得到局部极值后，需要对它们在3×3×3的立体邻域内进行非极大值抑制，把符合条件的点筛选为候选极值点，同时记下位置和尺寸，完成特征点检测；
第二步、特征点描述：
在确定特征点位置之后，利用haar小波对特征点进行主方向的确定以保证特征点的旋转和尺度不变性，在完成haar小波主方向确定之后，以特征点为中心，将坐标轴旋转到haar小波主方向上，做一个边长为20σ的正方形窗口，σ为高斯滤波器的尺度，并将窗口划分为16个大小为5σ×5σ的子窗口区域；
以采样间隔σ，分别计算每个子窗口水平和垂直方向上的小波响应，得到的小波系数记为dx和dy；然后对响应系数求和得到∑dx和∑dy，再求取响应系数绝对值之和得到∑|dx|和∑|dy|；因此，每个子窗口都能够得到一个4维向量v＝[∑dx,∑dy,∑|dx|,∑|dy]，并且用这个向量来描述该特征点；
第三步、特征点匹配：
完成特征点描述后进行特征匹配，特征匹配是指在高维向量空间中寻找出最相似的特征向量；
根据特征向量之间的欧式距离来衡量特征点的相似度，选取一张图像中的一个特征点与别一张图像中所有特征点分别求取欧式距离，从中选出最近邻特征点欧式距离和次近邻特征点欧式距离，计算二者的比值ratio；
对于比值ratio小于某阈值的特征点，则认为是正确匹配的特征点，否则是错误匹配的特征点，将正确匹配的特征点进行连接，
步骤四中，应用RANSAC算法，将已经标出特征点的两张图像进行误匹配特征点对剔除的具体过程为：
(1)从正确匹配的特征点对中随机选择m对特征点来求解单应性矩阵模型Hcur；
(2)将除上述m对特征点以外的其他特征点对利用Hcur计算其对称变换误差di，统计误差di<T_dist的内点的个数M；T_dist为指定的一个阈值，用于表示欧式距离；
(3)若M>M_inlier，或者M＝M_inlier，则认为Hcur是当前最好的模型，并且保存内点M；
M_inlier为指定的一个阈值，表示符合单应性矩阵模型Hcur的内点的个数；
(4)利用式(2)计算循环次数N，步骤(1)～(3)执行N次，当循环结束时，得到M最大的对应的单应性矩阵模型，得到最优的模型矩阵；
其中ε为外点所占的比例，P表示置信概率。
置信概率P取值为0.99、m取值为大于或等于4、公式(1)中阈值取0.7时为最佳的选择。
本发明的有益效果是：
利用本发明方法进行图像拼接时，拼接速度快，鲁棒性好，受图像的尺度变换、视角变换、光照变化等影响较小，拼接效果好。在工业摄像头平台下采用灰色世界法(图象预处理)、SURF算法、RANSAC算法，并且使用插值来对图像进行处理。
本发明解决了在工业摄像头平台下将摄像头驱动，应用灰色世界法对所拍摄照片进行白平衡处理，并且将相互有重叠的两幅图片快速、高效地拼接成大视角、高分辨率无缝的图像的问题。本发明依次采用了SURF算法、RANSAC算法对图像进行处理。本发明尤其是适用于工业摄像头平台下的图像拼接。
附图说明
图1是本发明中多媒体移动采集平台的结构示意图，图中：1-滑轮、2-底板、3-立杆、4-摄像头安装件、5-抽屉，抽屉5上部用于承载电脑、雷达等，平台下部可以承载电池等；图2是白平衡处理前的图像，图3是白平衡处理后的图像，图4是利用SURF算法特征匹配结果图，图5是利用RANSAC算法进宪剔除误匹配的结果图，图6是基于本发明方法进行图像拼接的结果图。
具体实施方式
具体实施方式一：本实施方式所述的一种基于SURF算法的图像拼接方法，所述方法的实现过程为：
步骤一：应用Matlab对工业摄像头进行驱动，完成摄像头的标定，以使用摄像头进行视频录制；
步骤二：应用灰色世界法，对所录制视频中每一帧的图像进行白平衡的调节；
步骤三：应用SURF算法，对白平衡调节后的同时刻录制的两张照片进行特征点提取；
步骤四：应用RANSAC算法，将已经标出特征点的两张图像进行误匹配特征点对剔除；
步骤五：采用插值运算，将经RANSAC算法处理后的图像拼接在一起，完成图像拼接，获得视角更大的图像。
针对上述实施方式中出现的技术手段进行如下阐述：
1多媒体移动采集平台：设计一个多媒体移动图像采集设备并制作。设备设计图如图1所示，小车下部可以承载充电电池，上部可以承载笔记本电脑、工业摄像头、以及西科激光雷达，利用人眼惰性的原理，将拍摄到的照片一帧帧播放形成视频，从而实现边录制边移动的功能。
2摄像头标定：用于获得摄像头的焦距，主点坐标，像素等内部参数。摄像头标定所利用的原理是用摄像机拍摄到的图像来还原空间物体，找到三维世界和二维图形之间的映射关系。在这里，可以假设摄像机拍摄的图像与三维空间中的物体之间存在一种简单的线性关系，即[像]＝M[像]。这里，矩阵M可以看成是摄像机成像的几何模型.M中的参数就是摄像机参数。通常，这些参数是要通过实验与计算来得到的，这个求解参数的过程就称为摄像机标定。
3SURF特征的提取：SURF特征提取的第一步是尺度空间极值检测，SURF在进行特征点极值检测时需要先构建尺度空间金字塔并且确定候选极值点。进行多尺度空间构建时，SURF算法使用的是盒子滤波器，并且在进行图像卷积的过程中应用了积分图像的技巧。通过改变盒子滤波器的大小，用不同大小的滤波器在原始图像的x，y，z三个方向上做卷积，即可形成多尺度空间函数Dxx，Dyy，Dxy，构建尺度空间金字塔。在尺度空间金字塔构建完毕后，需要求取某一特定尺度下的局部极值。在得到局部极值后，需要对它们在3×3×3的立体邻域内进行非极大值抑制，把符合条件的点筛选为候选极值点，同时记下位置和尺寸。在确定特征点位置之后，为了保证特征点的旋转和尺度不变性，需要利用haar小波对特征点进行主方向的确定。
在检测到SURF特征之后，接下来要做的就是进行特征匹配。特征匹配是指在高维向量空间中寻找出最相似的特征向量。特征点的相似度是根据特征向量之间的欧式距离来衡量的。基于最近邻与次近邻比的特征点匹配方法是指在图像的样本特征点中，寻找与它距离最近和次近的特征点，然后计算这两个特征点与样本点之间欧式距离的比值。对于比值小于某阈值的特征点，则认为是正确匹配的特征点，否则是错误匹配的特征点。公式(1)如下：
经大量实验证明阈值为0.7时为最佳的选择。
4RANSAC算法：由于特征点提取时存在一定的精度误差，提取出的特征点会比求解方程式所需的多很多。另外，自动提取和匹配得到的匹配点集中也难免存在一些误匹配点，因此需要一种容错能力很强的算法来优化匹配点集。本文使用RANSAC算法剔除匹配质量较差的点。RANSAC算法要求在一定的置信概率P(一般设为0.99)下，N组抽样中至少有一组数据全是内点，N可由式(2)求得。
其中ε为外点所占的比例，m为计算模型参数所需最小数据量。在用RANSAC算法求解变换矩阵时要判断一对匹配点是否为符合模型的内点。
指定一个阈值T_dist，当对应匹配点的对称变换误差小于该阈值时，认为这对匹配点是符合模型的内点。RANSAC算法的具体步骤如下：
(1)随机选择求解单应性矩阵的4对特征点，计算当前的参数模型Hcur；
(2)对由特征匹配得到的假定对应点，使用Hcur计算其对称变换误差di，统计误差di<T_dist的内点的个数M；
(3)若M>M_inlier，或者M＝M_inlier，则认为Hcur是当前最好的模型H＝Hcur，并且保存内点；
(4)利用式(2)计算循环次数N，循环执行第1到3步。当循环结束时，用最大内点集再进行一次参数模型的计算，得到的变换矩阵H即为最优的模型矩阵。
本发明的具体实施例如下：
1由于大恒工业摄像头不同于普通的USB摄像头，因此我们需要先安装DirectX接口程序，在安装注册接口程序后，才可以实现对摄像头的各种功能的控制，以及接口程序上的二次开发。
2为了获得摄像头的准确参数，需要进行摄像头标定，具体步骤如下：首先，打印一张棋盘格标定版，贴在一个水平面上；然后，从不同角度拍摄若干张模板图像；再将图片导入MATLAB，通过MATLAB程序检测出图像中的角点；最后求出摄像机的内参数、外参数和畸变系数。
本发明中的MATLAB是串行的，导致两个摄像头启动时间不同。因为我们需要将同时刻照片进行处理，但是帧数相同的照片不一定是同一时刻拍摄的照片。
在录制程序中加入MATLAB计时函数，选取同一时刻的照片进行处理。
3在哈尔滨工业大学科学院2A栋12层，推着承载着充电电池、笔记本电脑、两个工业摄像头的多媒体移动采集平台，同时运行笔记本中的MATLAB程序实现两个工业摄像头的调用，对走廊中的环境进行录制，得到两个视频。
4我们应用CCD工业摄像头拍摄两幅图片，原始图像的像素为1292×964，按照帧率把视频分成一帧帧的照片，使用MATLAB将同时刻的照片进行白平衡处理，把处理好的照片存入一个文件夹，以备提取SURF特征点时使用。取视频中的一帧照片为例，经过白平衡调节前后的效果如图2，图3所示：
5将白平衡处理之后的同一时刻拍摄的图像，如图4所示，使用SURF算法对两幅图像提取特征并进行粗匹配，其中用不同颜色的线条将匹配点连接起来，可以看出基本实现了特征点的匹配。我们分别在两幅图中提取特征点，调用的是SURF-64，也就意味着每个特征点都有一个64维向量来描述它的某个邻域里的灰度分布信息。两幅图像间进行特征点匹配，只需要用到描述子向量，而并不需要每个特征点的尺度特征、方向特征。尺度和方向信息的价值主要体现在特征点检测和特征点描述的计算过程中。把一幅图中的每一个特征点与同时可录制的另一张图中的所有特征点之间的距离计算一遍，使用的最近邻比次近邻的方法，就可以把特征点进行匹配。为了给人以直观的感受，我们根据每个特征点的位置、尺度、方向信息在图像中绘制了SURF特征的示意图，并用线连接起来。
6在图4所展示的特征点匹配结果中，我们看到有两条匹配点对的连接线明显的偏离了其他匹配点对的连接方向，这是明显的误配点对。当然也可能存在其他的误配点对，但是我们很难用肉眼去分辨。图5就展示了利用RANSAC算法剔除误配点对后的示意图。经过了RANSAC算法去除误匹配点，匹配点对的数量下降。从理论上说，被剔除的点对，也未必就是错误匹配导致的，也有可能是因为个别兴趣点定位的误差高出了RANSAC中的预先设定好的阈值。在这RANSAC的阈值取t＝0.001。匹配点对多一些是很有好处的，因为无需太多的匹配点对去估计最后的变换模型，估计单应矩阵(或者说透视变换矩阵)最少只需要4个匹配点对，用100个左右的匹配点对去估计最小二乘下误差最小的单应矩阵所能达到的精度是完全够用的。在匹配点对比较多的情况下，淘汰定位不准的匹配点对提高精确度有好处。
7根据RANSAC剔除误匹配过程中求得的变换矩阵，我们将两幅图像变换到统一的坐标系下。但是变化后的点坐标往往不是在整数坐标处，而数字图像只能输出离散的位置的信息，这容易造成拼接后的图像中出现空白的情况。因此利用插值运算将非整数的点坐标进行整数化处理，最终得到的图像拼接结果如图6所示。
Claims (5)
1.一种基于SURF算法的图像拼接方法，其特征在于，所述方法的实现过程为：
步骤一：应用Matlab对工业摄像头进行驱动，完成摄像头的标定，以使用摄像头进行视频录制；
步骤二：应用灰色世界法，对所录制视频中每一帧的图像进行白平衡的调节；
步骤三：应用SURF算法，对白平衡调节后的同时刻录制的两张照片进行特征点提取；
步骤四：应用RANSAC算法，将已经标出特征点的两张图像进行误匹配特征点对剔除；
步骤五：采用插值运算，将经RANSAC算法处理后的图像拼接在一起，完成图像拼接，获得视角更大的图像。
2.根据权利要求1所述的一种基于SURF算法的图像拼接方法，其特征在于，步骤一中，在应用摄像头进行视频录制时，利用多媒体移动采集平台；所述多媒体移动采集平台用于同时承载充电电池、电脑、工业摄像头，以实现摄像头边录制边移动。
3.根据权利要求1所述的一种基于SURF算法的图像拼接方法，其特征在于，步骤三中，应用SURF算法进行特征点提取的过程为：
第一步、特征点检测：
利用盒子滤波器对白平衡调节后的同时刻录制的两张图像进行卷积，通过改变盒子滤波器的大小，用不同大小的滤波器在所述两张图像的x，y，z三个方向上作卷积，形成多尺度空间函数Dxx，Dyy，Dxy，构建尺度空间金字塔；
detH的含义是Hessian矩阵的行列式，在尺度空间金字塔构建完毕后，通过下式近似代替detH
detH＝Dxx×Dyy-(0.9×Dxy)2
求取某一特定尺度下的局部极值；在得到局部极值后，需要对它们在3×3×3的立体邻域内进行非极大值抑制，把符合条件的点筛选为候选极值点，同时记下位置和尺寸，完成特征点检测；
第二步、特征点描述：
在确定特征点位置之后，利用haar小波对特征点进行主方向的确定以保证特征点的旋转和尺度不变性，在完成haar小波主方向确定之后，以特征点为中心，将坐标轴旋转到haar小波主方向上，做一个边长为20σ的正方形窗口，σ为高斯滤波器的尺度，并将窗口划分为16个大小为5σ×5σ的子窗口区域；
以采样间隔σ，分别计算每个子窗口水平和垂直方向上的小波响应，得到的小波系数记为dx和dy；然后对响应系数求和得到∑dx和∑dy，再求取响应系数绝对值之和得到∑|dx|和∑|dy|；因此，每个子窗口都能够得到一个4维向量v＝[∑dx,∑dy,∑|dx|,∑|dy|]，并且用这个向量来描述该特征点；
第三步、特征点匹配：
完成特征点描述后进行特征匹配，特征匹配是指在高维向量空间中寻找出最相似的特征向量；
根据特征向量之间的欧式距离来衡量特征点的相似度，选取一张图像中的一个特征点与别一张图像中所有特征点分别求取欧式距离，从中选出最近邻特征点欧式距离和次近邻特征点欧式距离，计算二者的比值ratio；
对于比值ratio小于某阈值的特征点，则认为是正确匹配的特征点，否则是错误匹配的特征点，将正确匹配的特征点进行连接，
4.根据权利要求1所述的一种基于SURF算法的图像拼接方法，其特征在于，步骤四中，应用RANSAC算法将已经标出特征点的两张图像进行误匹配特征点对剔除的具体过程为：
(1)从正确匹配的特征点对中随机选择m对特征点来求解单应性矩阵模型Hcur；
(2)将除上述m对特征点以外的其他特征点对利用Hcur计算其对称变换误差di，统计误差di<T_dist的内点的个数M；T_dist为指定的一个阈值，用于表示欧式距离；
(3)若M>M_inlier，或者M＝M_inlier，则认为Hcur是当前最好的模型，并且保存内点M；
M_inlier为指定的一个阈值，表示符合单应性矩阵模型Hcur的内点的个数；
(4)利用式(2)计算循环次数N，步骤(1)～(3)执行N次，当循环结束时，得到M最大的对应的单应性矩阵模型，得到最优的模型矩阵；
其中ε为外点所占的比例，P表示置信概率。
5.根据权利要求4所述的一种基于SURF算法的图像拼接方法，其特征在于，置信概率P取值为0.99、m取值为大于或等于4、公式(1)中阈值取0.7时为最佳的选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511027879.XA CN105608671B (zh) | 2015-12-30 | 2015-12-30 | 一种基于surf算法的图像拼接方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511027879.XA CN105608671B (zh) | 2015-12-30 | 2015-12-30 | 一种基于surf算法的图像拼接方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105608671A CN105608671A (zh) | 2016-05-25 |
| CN105608671B true CN105608671B (zh) | 2018-09-07 |
Family
ID=55988587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201511027879.XA Active CN105608671B (zh) | 2015-12-30 | 2015-12-30 | 一种基于surf算法的图像拼接方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105608671B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260555A (zh) * | 2020-01-15 | 2020-06-09 | 东华大学 | 一种基于surf的改进图像拼接方法 |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105869120B (zh) * | 2016-06-16 | 2018-10-26 | 哈尔滨工程大学 | 一种图像拼接的实时性优化方法 |
| CN106407885A (zh) * | 2016-08-22 | 2017-02-15 | 苏州华兴源创电子科技有限公司 | 一种基于微小型无人机的受灾面积估算方法 |
| CN106391397B (zh) * | 2016-09-07 | 2019-05-03 | Oppo广东移动通信有限公司 | 一种喷胶装置及边框轨迹的确定方法 |
| CN106940876A (zh) * | 2017-02-21 | 2017-07-11 | 华东师范大学 | 一种基于surf的快速无人机航拍图像拼接算法 |
| CN107103580A (zh) * | 2017-04-12 | 2017-08-29 | 湖南源信光电科技股份有限公司 | 一种高动态范围三维图像配准方法 |
| CN107103579A (zh) * | 2017-04-12 | 2017-08-29 | 湖南源信光电科技股份有限公司 | 一种面向图像拼接的ransac改进方法 |
| CN107134048A (zh) * | 2017-05-15 | 2017-09-05 | 广州市银科电子有限公司 | 一种智能识别水印特征的票据防伪鉴别方法 |
| CN107301674B (zh) * | 2017-05-22 | 2020-09-15 | 东南大学 | 一种基于窗口插值的三维重建纹理恢复方法 |
| CN107169999A (zh) * | 2017-06-19 | 2017-09-15 | 江南大学 | 基于融合特征的sift配准算法 |
| CN107197269B (zh) * | 2017-07-04 | 2020-02-21 | 广东工业大学 | 一种视频拼接的方法与装置 |
| CN107590234B (zh) * | 2017-09-07 | 2020-06-09 | 哈尔滨工业大学 | 一种基于ransac的室内视觉定位数据库冗余信息减少的方法 |
| CN108426576B (zh) * | 2017-09-15 | 2021-05-28 | 辽宁科技大学 | 基于标识点视觉导航与sins的飞行器路径规划方法及系统 |
| CN108230246A (zh) * | 2017-12-28 | 2018-06-29 | 江苏集萃智能制造技术研究所有限公司 | 一种飞机蒙皮检测图像的拼接方法 |
| CN108550165A (zh) * | 2018-03-18 | 2018-09-18 | 哈尔滨工程大学 | 一种基于局部不变特征的图像匹配方法 |
| CN108537732B (zh) * | 2018-04-10 | 2021-11-02 | 福州大学 | 基于pca-sift的快速图像拼接方法 |
| CN108830283B (zh) * | 2018-06-15 | 2020-10-20 | 阿依瓦（北京）技术有限公司 | 一种图像特征点匹配方法 |
| CN109559273B (zh) * | 2018-11-23 | 2020-03-13 | 河北工业大学 | 一种面向车底图像的快速拼接方法 |
| CN109712071B (zh) * | 2018-12-14 | 2022-11-29 | 电子科技大学 | 基于航迹约束的无人机图像拼接与定位方法 |
| CN109829853B (zh) * | 2019-01-18 | 2022-12-23 | 电子科技大学 | 一种无人机航拍图像拼接方法 |
| CN110120012B (zh) * | 2019-05-13 | 2022-07-08 | 广西师范大学 | 基于双目摄像头的同步关键帧提取的视频拼接方法 |
| CN110738695B (zh) * | 2019-10-12 | 2021-08-13 | 哈尔滨工业大学 | 一种基于局部变换模型的图像特征点误匹配剔除方法 |
| CN110992261A (zh) * | 2019-11-15 | 2020-04-10 | 国网福建省电力有限公司漳州供电公司 | 一种输电线路无人机影像快速拼接的方法 |
| CN112927142B (zh) * | 2021-04-02 | 2022-11-11 | 中国人民解放军国防科技大学 | 一种基于时域插值的高速高分辨率视频生成方法和装置 |
| CN114863692B (zh) * | 2022-04-18 | 2023-10-27 | 广州天长信息技术有限公司 | 一种基于局部特征对齐的车纹识别逃费稽查方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101533474A (zh) * | 2008-03-12 | 2009-09-16 | 三星电子株式会社 | 基于视频图像的字符和图像识别系统和方法 |
| CN102256111A (zh) * | 2011-07-17 | 2011-11-23 | 西安电子科技大学 | 多通道全景视频实时监控系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010504567A (ja) * | 2006-08-11 | 2010-02-12 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | コンテンツ拡張方法及びサービスセンタ |
-
2015
- 2015-12-30 CN CN201511027879.XA patent/CN105608671B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101533474A (zh) * | 2008-03-12 | 2009-09-16 | 三星电子株式会社 | 基于视频图像的字符和图像识别系统和方法 |
| CN102256111A (zh) * | 2011-07-17 | 2011-11-23 | 西安电子科技大学 | 多通道全景视频实时监控系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| A Fast Method for Image Mosaic Based on SURF;Fei Lei etal.;《2014 IEEE 9th Conference on Industrial Electronics and Applications (ICIEA)》;20141231;第79-82页 * |
| 基于SURF特征的图像与视频拼接技术的研究;张亚娟 等;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215;I138-1149 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260555A (zh) * | 2020-01-15 | 2020-06-09 | 东华大学 | 一种基于surf的改进图像拼接方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105608671A (zh) | 2016-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105608671B (zh) | 一种基于surf算法的图像拼接方法 | |
| CN110909693B (zh) | 3d人脸活体检测方法、装置、计算机设备及存储介质 | |
| US7733404B2 (en) | Fast imaging system calibration | |
| CN106709950B (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
| CN111652085B (zh) | 基于2d与3d特征结合的物体识别方法 | |
| CN104599258B (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
| US20060204035A1 (en) | Method and apparatus for tracking a movable object | |
| WO2018232518A1 (en) | DETERMINING POSITIONS AND OBJECT ORIENTATIONS | |
| JP2013089252A (ja) | 映像処理方法及び装置 | |
| CN101853524A (zh) | 使用图像序列生成玉米果穗全景图的方法 | |
| TW201118791A (en) | System and method for obtaining camera parameters from a plurality of images, and computer program products thereof | |
| CN108345821B (zh) | 面部追踪方法及设备 | |
| CN106228546A (zh) | 一种板卡的检测方法及装置 | |
| CN105934757B (zh) | 一种用于检测第一图像的关键点和第二图像的关键点之间的不正确关联关系的方法和装置 | |
| CN103902953B (zh) | 一种屏幕检测系统及方法 | |
| CN111709980A (zh) | 基于深度学习的多尺度图像配准方法和装置 | |
| CN110288511B (zh) | 基于双相机图像的最小化误差拼接方法、装置、电子设备 | |
| CN111161295B (zh) | 一种菜品图像背景剥离方法 | |
| CN110533686A (zh) | 线阵相机行频与物体运动速度是否匹配的判断方法及系统 | |
| CN106469455A (zh) | 图像处理方法、图像处理设备以及记录介质 | |
| CN113393439A (zh) | 一种基于深度学习的锻件缺陷检测方法 | |
| Wang et al. | Automatic fundus images mosaic based on SIFT feature | |
| CN115631210A (zh) | 一种边缘检测方法及装置 | |
| CN107680035A (zh) | 一种参数标定方法和装置、服务器及可读存储介质 | |
| CN113505629A (zh) | 一种基于轻量网络的智能仓储物件识别装置 |
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 |