CN105719272B - 保持空间结构的图像特征点匹配方法 - Google Patents

保持空间结构的图像特征点匹配方法 Download PDF

Info

Publication number
CN105719272B
CN105719272B CN201410740484.3A CN201410740484A CN105719272B CN 105719272 B CN105719272 B CN 105719272B CN 201410740484 A CN201410740484 A CN 201410740484A CN 105719272 B CN105719272 B CN 105719272B
Authority
CN
China
Prior art keywords
image
descriptor
matching
distance matrix
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.)
Active
Application number
CN201410740484.3A
Other languages
English (en)
Other versions
CN105719272A (zh
Inventor
胡懋地
范宜强
李其均
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aisino Corp
Original Assignee
Aisino Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aisino Corp filed Critical Aisino Corp
Priority to CN201410740484.3A priority Critical patent/CN105719272B/zh
Publication of CN105719272A publication Critical patent/CN105719272A/zh
Application granted granted Critical
Publication of CN105719272B publication Critical patent/CN105719272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开一种保持空间结构的图像特征点匹配方法，包括步骤：提取和表征出待匹配的图像I、II的特征点；构建图像I、II的特征点的描述子距离矩阵；构建图像I、II的特征点的坐标距离矩阵；归一化图像I、II的特征点的坐标距离矩阵；用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵；根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度。本发明的有益效果是，由于在特征点匹配过程中融入了空间结构的匹配，提高了特征点匹配的准确性。

Description

保持空间结构的图像特征点匹配方法
技术领域
本发明涉及模式识别与计算机视觉领域，尤其涉及一种保持空间结构的图像特征点匹配方法。
背景技术
在计算机视觉应用中，图像间匹配的常用方法是先从各个图像中提取出特征点，并用描述子表征各特征点，然后通过比较描述子的相似程度，对不同图像的特征点进行匹配。
图像特征点提取和表征的输出的结果是图像特征点的位置和描述子，它是图像特征点匹配的前一步。SIFT（尺度不变特征转换）是一种经典的图像特征点提取和表征方法，主要步骤包括构建尺度空间，检测和过滤高斯差分极值点，分配方向值生成描述子等。
图像特征点匹配是实现图像检索、三维重建、图像配准与融合、目标识别与跟踪等多种应用的关键步骤之一。常用的匹配方法是对一个图像上的每个特征点，在另一个图像中找出与之描述子相似度最高的特征点，然后统计相似度大于经验阈值的匹配点个数，用来度量图像的相似程度。这种方法没有考虑特征点的位置关系，容易导致一个目标上的特征点被匹配到多个目标等错误。
发明内容
为了解决现阶段图像匹配方法未考虑特征点位置关系而容易导致错误的问题，本发明提供一种保持空间结构的图像特征点匹配方法，该方法在特征点匹配过程中融入了空间结构的匹配，提高了特征点匹配的准确性。
本发明实施例提供一种保持空间结构的图像特征点匹配方法，包括步骤：提取和表征出待匹配的图像I、II的特征点；构建图像I、II的特征点的描述子距离矩阵；构建图像I、II的特征点的坐标距离矩阵；归一化图像I、II的特征点的坐标距离矩阵；用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵；根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度。
上述实施例中，所述“构建图像I、II的特征点的描述子距离矩阵”步骤中，设N表示图像I中提取到的特征点数，
Figure DEST_PATH_IMAGE001
表示图像I中第i个特征点的描述子，i=1...N；设M表示图像II中提取到的特征点数，
Figure DEST_PATH_IMAGE003
表示图像II中第j个特征点的描述子，j=1...M；设D（N×M的矩阵）表示图像I和图像II的特征点的描述子距离矩阵，D中第i行第j列的元素
Figure 652357DEST_PATH_IMAGE004
表示图像I中第i个特征点与图像II中第j个特征点的描述子距离，其计算方法为
Figure DEST_PATH_IMAGE005
。
上述实施例中，所述“构建图像I、II的特征点的坐标距离矩阵”步骤中，设
Figure 795763DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
分别表示图像I中第i个和第k个特征点的坐标，k=1...N，设
Figure 568809DEST_PATH_IMAGE008
（N×N的矩阵）表示图像I中特征点的坐标距离矩阵，其各元素为
Figure DEST_PATH_IMAGE009
；
设
Figure 190283DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE011
分别表示图像II中第j个和第l个特征点的坐标，l=1...M，设
Figure 716073DEST_PATH_IMAGE012
（M×M的矩阵）表示图像II中特征点的坐标距离矩阵，其各元素为
Figure DEST_PATH_IMAGE013
；
其中，
Figure DEST_PATH_IMAGE015
为经验值，
Figure 938370DEST_PATH_IMAGE015
控制了实际坐标距离对结构距离加权的权值的影响程度。
上述实施例中，所述“归一化图像I、II的特征点的坐标距离矩阵”步骤中，使
Figure 759564DEST_PATH_IMAGE008
每行加和、每列加和都为1，归一化后图像I的特征点的坐标距离矩阵为
Figure 760230DEST_PATH_IMAGE016
，
归一化后，
Figure DEST_PATH_IMAGE017
将作为匹配时图像I各特征点结构距离加和的权值，即对于图像I中的第i个特征点，
Figure 655373DEST_PATH_IMAGE018
表示了第k个特征点
Figure DEST_PATH_IMAGE019
对
Figure 376467DEST_PATH_IMAGE020
的权值，图像I中除
Figure 684957DEST_PATH_IMAGE020
之外所有特征点对的权值加和为1；
使
Figure 992442DEST_PATH_IMAGE012
每行加和、每列加和都为1，归一化后图像II的特征点的坐标距离矩阵为
Figure DEST_PATH_IMAGE021
。
归一化后，
Figure 509136DEST_PATH_IMAGE022
将作为匹配时图像II各特征点结构距离加和的权值，即对于图像II中的第j个特征点
Figure 493142DEST_PATH_IMAGE003
，
Figure DEST_PATH_IMAGE023
表示了第l个特征点
Figure DEST_PATH_IMAGE025
对
Figure 196918DEST_PATH_IMAGE003
的权值，图像II中除
Figure 42514DEST_PATH_IMAGE003
之外所有特征点对
Figure 505725DEST_PATH_IMAGE003
的权值加和为1。
上述实施例中，所述“用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵”步骤中，设C（N×M的矩阵）表示图像I和图像II的特征点的描述子结构距离矩阵，其初始值为C=D，C中第i行第j列的元素
Figure 145785DEST_PATH_IMAGE026
表示图像I中第i个特征点与图像II中第j个特征点的描述子结构距离，对于所有i和j，即i=1...N，j=1...M，计算并更新
Figure DEST_PATH_IMAGE027
，
其中，
Figure 851704DEST_PATH_IMAGE028
表示图像I中第k个特征点与图像II中最佳匹配的特征点的描述子结构距离，取值区间是1到M之间的整数，对于k=1...N，
Figure DEST_PATH_IMAGE029
；
Figure 923827DEST_PATH_IMAGE030
表示图像II中第l个特征点与图像I中最佳匹配的特征点的描述子结构距离，取值区间是1到N之间的整数，对于l=1...M，
Figure 992278DEST_PATH_IMAGE031
。
上述实施例中，所述“根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度”步骤中，如果迭代优化前后C中没有元素发生变化，或者迭代次数达到预设的最大次数，则统计
Figure 318086DEST_PATH_IMAGE033
和
Figure 839197DEST_PATH_IMAGE034
中小于预设的最大匹配阈值的元素个数之和，作为图像I和图像II的匹配度进行输出。
上述实施例中，所述“根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度”步骤中，如果迭代优化前后C中有元素发生变化且迭代次数未达到预设的最大次数，则再次执行前述“用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵”的步骤，直至迭代优化前后C中没有元素发生变化，或者迭代次数达到预设的最大次数，再统计
Figure 42907DEST_PATH_IMAGE033
和
Figure 231443DEST_PATH_IMAGE034
中小于预设的最大匹配阈值的元素个数之和，作为图像I和图像II的匹配度进行输出。
上述实施例中，所述“提取和表征出待匹配的图像I、II的特征点”的步骤采用尺度不变特征转换算法进行。
上述实施例中，该尺度不变特征转换算法包括步骤：尺度空间极值检测、关键点定位、方向确定以及关键点描述。
上述实施例中，所述度空间极值检测是在尺度空间通过高斯微分函数来检测潜在的对于尺度和旋转不变的兴趣点；所述关键点定位是在兴趣点位置上确定关键点的位置和尺度；所述方向确定是指基于图像局部的梯度方向给每个关键点分配方向；所述关键点描述是在每个关键点的领域内测量图像局部的梯度，最终用一个特征向量来表达。
本发明的上述保持空间结构的图像特征点匹配方法，在特征点匹配过程中，除了描述子的直接比较，还加入了基于位置关系的结构距离计算，使得匹配结果能够保持空间结构；将特征点之间的位置距离作为权值，对于每个特征点，其周围较近的其他特征点对该点的匹配有较大影响，较远特征点只有较小影响，如此设计既融入了空间结构的匹配、又保证了全局匹配的正确性；并且该方法容易通过矩阵乘法等线性运算近似实现，算法效率高。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明实施例提供的保持空间结构的图像特征点匹配方法，包括步骤：
提取和表征出待匹配的图像I、II的特征点；
构建图像I、II的特征点的描述子距离矩阵；
构建图像I、II的特征点的坐标距离矩阵；
归一化图像I、II的特征点的坐标距离矩阵；
用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵；
根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度。
本实施例中，在进行所述“提取和表征出待匹配的图像I、II的特征点”的步骤时，优先采用SIFT（尺度不变特征转换(Scale-invariant feature transform，SIFT）算法作为特征点提取和表征的方法。
该SIFT算法大致有尺度空间极值检测、关键点定位、方向确定以及关键点描述四个步骤。具体的，该SIFT算法包括步骤：在尺度空间通过高斯微分函数来检测潜在的对于尺度和旋转不变的兴趣点；在兴趣点位置上，确定关键点的位置和尺度；基于图像局部的梯度方向，给每个关键点分配方向；在每个关键点的领域内测量图像局部的梯度，最终用一个特征向量来表达。
本实施例中，在进行所述“构建图像I、II的特征点的描述子距离矩阵”的步骤时，设N表示图像I中提取到的特征点数，
Figure 478885DEST_PATH_IMAGE035
表示图像I中第i个特征点的描述子，i=1...N；设M表示图像II中提取到的特征点数，
Figure 736560DEST_PATH_IMAGE003
表示图像II中第j个特征点的描述子，j=1...M；设D（N×M的矩阵）表示图像I和图像II的特征点的描述子距离矩阵，D中第i行第j列的元素
Figure 727649DEST_PATH_IMAGE036
表示图像I中第i个特征点与图像II中第j个特征点的描述子距离，其计算方法为
Figure 521424DEST_PATH_IMAGE037
。
本实施例中，在进行所述“构建图像I、II的特征点的坐标距离矩阵”的步骤时，设
Figure 939767DEST_PATH_IMAGE038
和
Figure 950317DEST_PATH_IMAGE007
分别表示图像I中第i个和第k个特征点的坐标，k=1...N，设
Figure 479519DEST_PATH_IMAGE008
（N×N的矩阵）表示图像I中特征点的坐标距离矩阵，其各元素为
Figure 642647DEST_PATH_IMAGE039
；
设
Figure 970905DEST_PATH_IMAGE040
和
Figure 953904DEST_PATH_IMAGE011
分别表示图像II中第j个和第l个特征点的坐标，l=1...M，设
Figure 536064DEST_PATH_IMAGE041
（M×M的矩阵）表示图像II中特征点的坐标距离矩阵，其各元素为
Figure 288120DEST_PATH_IMAGE042
；
其中，为经验值，
Figure 64577DEST_PATH_IMAGE015
控制了实际坐标距离对结构距离加权的权值的影响程度。
本实施例中，在进行所述“归一化图像I、II的特征点的坐标距离矩阵”的步骤时，使
Figure 269293DEST_PATH_IMAGE043
每行加和、每列加和都为1，归一化后图像I的特征点的坐标距离矩阵为
Figure 655144DEST_PATH_IMAGE044
，
归一化后，
Figure 527285DEST_PATH_IMAGE045
将作为匹配时图像I各特征点结构距离加和的权值，即对于图像I中的第i个特征点
Figure 209065DEST_PATH_IMAGE046
，
Figure 901077DEST_PATH_IMAGE047
表示了第k个特征点
Figure 106930DEST_PATH_IMAGE048
对
Figure 817266DEST_PATH_IMAGE046
的权值，图像I中除
Figure 919215DEST_PATH_IMAGE046
之外所有特征点对
Figure 114835DEST_PATH_IMAGE046
的权值加和为1；
使
Figure 593221DEST_PATH_IMAGE049
每行加和、每列加和都为1，归一化后图像II的特征点的坐标距离矩阵为
Figure 423642DEST_PATH_IMAGE050
。
归一化后，
Figure 962071DEST_PATH_IMAGE051
将作为匹配时图像II各特征点结构距离加和的权值，即对于图像II中的第j个特征点
Figure 113829DEST_PATH_IMAGE003
，
Figure 395906DEST_PATH_IMAGE052
表示了第l个特征点
Figure 80834DEST_PATH_IMAGE054
对
Figure 790164DEST_PATH_IMAGE003
的权值，图像II中除
Figure 429218DEST_PATH_IMAGE003
之外所有特征点对
Figure 514986DEST_PATH_IMAGE003
的权值加和为1。
本实施例中，在进行所述“用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵”的步骤时，设C（N×M的矩阵）表示图像I和图像II的特征点的描述子结构距离矩阵，其初始值为C=D，C中第i行第j列的元素
Figure 70732DEST_PATH_IMAGE055
表示图像I中第i个特征点与图像II中第j个特征点的描述子结构距离，对于所有i和j，即i=1...N，j=1...M，计算并更新
Figure 200231DEST_PATH_IMAGE056
，
其中，
Figure 841428DEST_PATH_IMAGE057
表示图像I中第k个特征点与图像II中最佳匹配的特征点的描述子结构距离，取值区间是1到M之间的整数，对于k=1...N，
Figure 216039DEST_PATH_IMAGE058
；
Figure 626292DEST_PATH_IMAGE059
表示图像II中第l个特征点与图像I中最佳匹配的特征点的描述子结构距离，取值区间是1到N之间的整数，对于l=1...M，
Figure 926692DEST_PATH_IMAGE060
。
本实施例中，在进行所述“根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度”的步骤时，如果迭代优化前后C中没有元素发生变化，或者迭代次数达到预设的最大次数，则统计
Figure 55185DEST_PATH_IMAGE062
和
Figure 217176DEST_PATH_IMAGE063
中小于预设的最大匹配阈值的元素个数之和，作为图像I和图像II的匹配度进行输出。
在进行所述“根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度”的步骤时，如果迭代优化前后C中有元素发生变化，且迭代次数未达到预设的最大次数，则再次执行“用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵”的步骤，直至迭代优化前后C中没有元素发生变化，或者迭代次数达到预设的最大次数，再统计
Figure 232668DEST_PATH_IMAGE062
和
Figure 189123DEST_PATH_IMAGE063
中小于预设的最大匹配阈值的元素个数之和，作为图像I和图像II的匹配度进行输出。
有利地，所述保持空间结构的图像特征点匹配方法，在特征点匹配过程中，除了描述子的直接比较，还加入了基于位置关系的结构距离计算，使得匹配结果能够保持空间结构；将特征点之间的位置距离作为权值，对于每个特征点，其周围较近的其他特征点对该点的匹配有较大影响，较远特征点只有较小影响，如此设计既融入了空间结构的匹配、又保证了全局匹配的正确性；并且该方法容易通过矩阵乘法等线性运算近似实现，算法效率高。
以上所揭露的仅为本发明实施例中的较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.一种保持空间结构的图像特征点匹配方法，包括步骤：
提取和表征出待匹配的图像I、II的特征点；
构建图像I、II的特征点的描述子距离矩阵；
构建图像I、II的特征点的坐标距离矩阵；
归一化图像I、II的特征点的坐标距离矩阵；
用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵；
根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度；
其中，所述“构建图像I、II的特征点的描述子距离矩阵”步骤中，
设N表示图像I中提取到的特征点数，
Figure 710960DEST_PATH_IMAGE001
表示图像I中第i个特征点的描述子，i=1...N；
设M表示图像II中提取到的特征点数，表示图像II中第j个特征点的描述子，j=1...M；
设N×M的矩阵D表示图像I和图像II的特征点的描述子距离矩阵，D中第i行第j列的元素
Figure 161533DEST_PATH_IMAGE002
表示图像I中第i个特征点与图像II中第j个特征点的描述子距离，其计算方法为
Figure 324661DEST_PATH_IMAGE003
；
所述“构建图像I、II的特征点的坐标距离矩阵”步骤中，
设
Figure 805584DEST_PATH_IMAGE004
和
Figure 929529DEST_PATH_IMAGE005
分别表示图像I中第i个和第k个特征点的坐标，k=1...N，设N×N的矩阵
Figure 793579DEST_PATH_IMAGE006
表示图像I中特征点的坐标距离矩阵，其各元素为
Figure 935848DEST_PATH_IMAGE007
；
设
Figure 966165DEST_PATH_IMAGE008
和
Figure 92253DEST_PATH_IMAGE009
分别表示图像II中第j个和第l个特征点的坐标，l=1...M，设M×M的矩阵
Figure 963257DEST_PATH_IMAGE010
表示图像II中特征点的坐标距离矩阵，其各元素为
Figure 258235DEST_PATH_IMAGE011
；
其中，
Figure 438549DEST_PATH_IMAGE012
为经验值，
Figure 661720DEST_PATH_IMAGE012
控制了实际坐标距离对结构距离加权的权值的影响程度。
2.如权利要求1所述的保持空间结构的图像特征点匹配方法，其特征在于，所述“归一化图像I、II的特征点的坐标距离矩阵”步骤中，
使
Figure 493672DEST_PATH_IMAGE006
每行加和、每列加和都为1，归一化后图像I的特征点的坐标距离矩阵为
Figure 735166DEST_PATH_IMAGE013
，
归一化后，
Figure 259951DEST_PATH_IMAGE014
将作为匹配时图像I各特征点结构距离加和的权值，即对于图像I中的第i个特征点，
Figure 626210DEST_PATH_IMAGE015
表示了第k个特征点
Figure 635755DEST_PATH_IMAGE016
对
Figure 702062DEST_PATH_IMAGE001
的权值，图像I中除
Figure 630704DEST_PATH_IMAGE001
之外所有特征点对
Figure 828467DEST_PATH_IMAGE001
的权值加和为1；
使
Figure 2221DEST_PATH_IMAGE010
每行加和、每列加和都为1，归一化后图像II的特征点的坐标距离矩阵为
Figure 890412DEST_PATH_IMAGE017
，
归一化后，将作为匹配时图像II各特征点结构距离加和的权值，即对于图像II中的第j个特征点
Figure 819316DEST_PATH_IMAGE018
，
Figure 973217DEST_PATH_IMAGE019
表示了第l个特征点
Figure 839410DEST_PATH_IMAGE020
对
Figure 129577DEST_PATH_IMAGE018
的权值，图像II中除
Figure 760541DEST_PATH_IMAGE018
之外所有特征点对
Figure 870580DEST_PATH_IMAGE018
的权值加和为1。
3.如权利要求2所述的保持空间结构的图像特征点匹配方法，其特征在于，所述“用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵”步骤中，
设N×M的矩阵C表示图像I和图像II的特征点的描述子结构距离矩阵，其初始值为C=D，C中第i行第j列的元素
Figure 150251DEST_PATH_IMAGE021
表示图像I中第i个特征点与图像II中第j个特征点的描述子结构距离，对于所有i和j，即i=1...N，j=1...M，计算并更新
Figure 57376DEST_PATH_IMAGE022
，
其中，
Figure 842929DEST_PATH_IMAGE023
表示图像I中第k个特征点与图像II中最佳匹配的特征点的描述子结构距离，取值区间是1到M之间的整数，对于k=1...N，
Figure 955111DEST_PATH_IMAGE024
；
Figure 913839DEST_PATH_IMAGE025
表示图像II中第l个特征点与图像I中最佳匹配的特征点的描述子结构距离，取值区间是1到N之间的整数，对于l=1...M，
Figure 335856DEST_PATH_IMAGE026
。
4.如权利要求3所述的保持空间结构的图像特征点匹配方法，其特征在于，所述“根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度”步骤中，如果迭代优化前后C中没有元素发生变化，或者迭代次数达到预设的最大次数，则统计和
Figure 541578DEST_PATH_IMAGE027
中小于预设的最大匹配阈值的元素个数之和，作为图像I和图像II的匹配度进行输出。
5.如权利要求4所述的保持空间结构的图像特征点匹配方法，其特征在于，所述“根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度”步骤中，如果迭代优化前后C中有元素发生变化且迭代次数未达到预设的最大次数，则再次执行前述“用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵”的步骤，直至迭代优化前后C中没有元素发生变化，或者迭代次数达到预设的最大次数，再统计
Figure 891788DEST_PATH_IMAGE028
和
Figure 139361DEST_PATH_IMAGE027
中小于预设的最大匹配阈值的元素个数之和，作为图像I和图像II的匹配度进行输出。
6.如权利要求1所述的保持空间结构的图像特征点匹配方法，其特征在于，所述“提取和表征出待匹配的图像I、II的特征点”的步骤采用尺度不变特征转换算法进行。
7.如权利要求6所述的保持空间结构的图像特征点匹配方法，其特征在于，该尺度不变特征转换算法包括步骤：尺度空间极值检测、关键点定位、方向确定以及关键点描述。
8.如权利要求7所述的保持空间结构的图像特征点匹配方法，其特征在于，所述尺度空间极值检测是在尺度空间通过高斯微分函数来检测潜在的对于尺度和旋转不变的兴趣点；所述关键点定位是在兴趣点位置上确定关键点的位置和尺度；所述方向确定是指基于图像局部的梯度方向给每个关键点分配方向；所述关键点描述是在每个关键点的领域内测量图像局部的梯度，最终用一个特征向量来表达。
CN201410740484.3A 2014-12-05 2014-12-05 保持空间结构的图像特征点匹配方法 Active CN105719272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410740484.3A CN105719272B (zh) 2014-12-05 2014-12-05 保持空间结构的图像特征点匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410740484.3A CN105719272B (zh) 2014-12-05 2014-12-05 保持空间结构的图像特征点匹配方法

Publications (2)

Publication Number Publication Date
CN105719272A CN105719272A (zh) 2016-06-29
CN105719272B true CN105719272B (zh) 2020-07-10

Family

ID=56144280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410740484.3A Active CN105719272B (zh) 2014-12-05 2014-12-05 保持空间结构的图像特征点匹配方法

Country Status (1)

Country Link
CN (1) CN105719272B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107360371B (zh) * 2017-08-04 2021-03-02 台州市吉吉知识产权运营有限公司 一种自动拍照方法
CN113408592B (zh) * 2021-06-01 2024-03-01 北京百度网讯科技有限公司 特征点匹配方法、装置、电子设备及计算机可读存储介质
CN116563096B (zh) * 2023-07-11 2023-09-26 福建自贸试验区厦门片区Manteia数据科技有限公司 用于图像配准的形变场的确定方法、装置以及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521838A (zh) * 2011-12-19 2012-06-27 国家计算机网络与信息安全管理中心 一种图像检索/匹配方法及系统
CN102592281A (zh) * 2012-01-16 2012-07-18 北方工业大学 图像匹配方法
CN103279955A (zh) * 2013-05-23 2013-09-04 中国科学院深圳先进技术研究院 图像匹配方法和系统
CN103544717A (zh) * 2013-10-22 2014-01-29 北京交通大学长三角研究院 一种基于sift特征的二阶段三维图像压缩编码方法
CN103700099A (zh) * 2013-12-18 2014-04-02 同济大学 一种旋转和尺度不变的宽基线立体匹配方法
CN103839265A (zh) * 2014-02-26 2014-06-04 西安电子科技大学 基于sift和归一化互信息的sar图像配准方法
CN104121902A (zh) * 2014-06-28 2014-10-29 福州大学 基于Xtion摄像机的室内机器人视觉里程计实现方法
CN104134206A (zh) * 2014-07-15 2014-11-05 中国人民解放军信息工程大学 基于三维二值特征描述子的ct体数据快速匹配方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521838A (zh) * 2011-12-19 2012-06-27 国家计算机网络与信息安全管理中心 一种图像检索/匹配方法及系统
CN102592281A (zh) * 2012-01-16 2012-07-18 北方工业大学 图像匹配方法
CN103279955A (zh) * 2013-05-23 2013-09-04 中国科学院深圳先进技术研究院 图像匹配方法和系统
CN103544717A (zh) * 2013-10-22 2014-01-29 北京交通大学长三角研究院 一种基于sift特征的二阶段三维图像压缩编码方法
CN103700099A (zh) * 2013-12-18 2014-04-02 同济大学 一种旋转和尺度不变的宽基线立体匹配方法
CN103839265A (zh) * 2014-02-26 2014-06-04 西安电子科技大学 基于sift和归一化互信息的sar图像配准方法
CN104121902A (zh) * 2014-06-28 2014-10-29 福州大学 基于Xtion摄像机的室内机器人视觉里程计实现方法
CN104134206A (zh) * 2014-07-15 2014-11-05 中国人民解放军信息工程大学 基于三维二值特征描述子的ct体数据快速匹配方法

Also Published As

Publication number Publication date
CN105719272A (zh) 2016-06-29

Similar Documents

Publication Publication Date Title
Kundegorski et al. On using feature descriptors as visual words for object detection within X-ray baggage security screening
Karami et al. Image identification using SIFT algorithm: performance analysis against different image deformations
CN106682700B (zh) 基于关键点描述算子的分块快速匹配方法
Patel et al. Image registration of satellite images with varying illumination level using HOG descriptor based SURF
CN105354841B (zh) 一种快速遥感影像匹配方法及系统
KR100972849B1 (ko) 객체 인식 방법
Chen et al. Robust affine-invariant line matching for high resolution remote sensing images
CN113420640B (zh) 红树林高光谱图像分类方法、装置、电子设备及存储介质
CN105719272B (zh) 保持空间结构的图像特征点匹配方法
Niazmardi et al. A novel multiple kernel learning framework for multiple feature classification
Seib et al. Object recognition using hough-transform clustering of surf features
Chao-jian et al. Image target identification of UAV based on SIFT
KR101528757B1 (ko) 이분된 로컬 영역을 가지는 윤곽선 분할 기반 특징을 이용한 물체 인식 방법
Nanni et al. Ensemble of shape descriptors for shape retrieval and classification
JP2015007919A (ja) 異なる視点の画像間で高精度な幾何検証を実現するプログラム、装置及び方法
Li et al. A genetic-optimized multi-angle normalized cross correlation SIFT for automatic remote sensing registration
Wu et al. An accurate feature point matching algorithm for automatic remote sensing image registration
Ren et al. SAR image matching method based on improved SIFT for navigation system
Chen et al. Method of item recognition based on SIFT and SURF
Tao et al. Research Progress of the Scale Invariant Feature Transform (SIFT) Descriptors.
Chen et al. Target recognition of ground armor based on combinatorial part model
Schwind et al. Evaluating the applicability of BRISK for the geometric registration of remote sensing images
Stamatis et al. Fast 3D object matching with projection density energy
Sun et al. Performance analysis of SIFT feature extraction algorithm in application to registration of SAR image
CN111626325A (zh) 一种基于特征的图像匹配方法

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
GR01 Patent grant
GR01 Patent grant