CN106682700A - 一种基于关键点描述算子的分块快速匹配算法 - Google Patents
一种基于关键点描述算子的分块快速匹配算法 Download PDFInfo
- Publication number
- CN106682700A CN106682700A CN201710006658.7A CN201710006658A CN106682700A CN 106682700 A CN106682700 A CN 106682700A CN 201710006658 A CN201710006658 A CN 201710006658A CN 106682700 A CN106682700 A CN 106682700A
- Authority
- CN
- China
- Prior art keywords
- matching
- point
- image
- feature
- key point
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种基于关键点描述算子的分块快速匹配算法,即通过分块局部信息的特征点选取以达到高效图像特征匹配的算法。它首先使用SIFT特征提取方法获得图像特征点;然后再对图像的SIFT特征点进行快速准确的匹配;通过基于角度假设的Neighbor‑select算法对非匹配点进行局部快速匹配,并在已经确认的匹配几何邻域中剔除误匹配点来降低计算复杂度和匹配的时间损耗。实验结果表明:与标准SIFT算法相比,基于关键点描述算子的分块快速匹配算法在实时性和鲁棒性方面得到了进一步的提升,在实际图像匹配中具有一定的应用价值。
Description
一、技术领域:
本发明提供一种基于关键点描述算子的分块快速匹配算法,属于图像匹配技术领域。
二、背景技术:
图像匹配是计算机视觉的基础,在图像拼接、目标识别、医学图像分析、三维重建等诸多领域应用广泛。图像匹配根据匹配元的不同分为基于区域的匹配和基于特征的匹配两类算法。当前基于特征的匹配算法逐渐成为主流研究方向,发展迅速。Lowe于1999年提出了一种尺度不变特征变换算法(SIFT),虽然SIFT算法在特征匹配算法领域具有独特的优势,但是经过不断发展,SIFT算法在特征匹配过程中仍然具有数据处理量大、计算速度慢的问题。
为此,本发明提出一种基于关键点描述算子的分块快速匹配算法,即通过分块局部信息的特征点选取以达到高效图像特征匹配的算法。它首先使用SIFT特征提取方法获得图像特征点;然后再对图像的SIFT特征点进行快速准确的匹配;通过基于角度假设的Neighbor-select算法对非匹配点进行局部快速匹配,并在已经确认的匹配几何邻域中剔除误匹配点来降低计算复杂度和匹配的时间损耗。实验结果表明:与标准SIFT算法相比,基于关键点描述算子的分块快速匹配算法在实时性和鲁棒性方面得到了进一步的提升,在实际图像匹配中具有一定的应用价值。
三、发明内容:
(1)目的:本发明的目的在于提供一种基于关键点描述算子的分块快速匹配算法,即通过基于角度假设的Neighbor-select算法对候选区域进行局部快速匹配,并在已经确认的匹配几何邻域中剔除非匹配点来降低计算复杂度和匹配时间损耗,在降低算法复杂度的同时提高了图像匹配的准确率。
(2)本发明提出一种基于关键点描述算子的分块快速匹配算法,具体包括如下步骤:
步骤一:SIFT特征提取。对目标图像进行圆形目标分割法及对查询图像进行矩形目标分割法,提取图像序列中的SIFT特征点,建立初始点集,为后续的图像特征点匹配做准备。
SIFT算法的本质就是从图像中提取局部特征,在尺度空间寻找极值点,提取位置、尺度、旋转不变量。SIFT特征提取包括:初步定位特征点、准确定位特征点、确定特征点方向、生成关键点描述算子。
步骤二:SIFT特征快速准确匹配。首先,利用步骤一得到的初始特征点集,采用调整缩略图模型建立初始匹配点对;通过计算两组特征点的128维的关键点的欧式距离实现特征点匹配;然后采用Neighbor-select方法判断匹配对集合是否需要更新,去除误匹配点,并对未匹配特征点进行基于角度假设的快速准确匹配。
步骤2.1,调整缩略图模型建立初始匹配点对,先将两个图像的大小调整为缩略图,并使用比率匹配来获得一组匹配和比率,用τ阈值以获得初始种子匹配。
步骤2.2,分别对查询图像和目标图像建立关键点描述子集合。128维的关键点相似度量采用欧氏距离,基于该比率,目标图像中的每个特征在目标图像中具有至多一个对应项。如果图像中特征点在目标图像中没有任何匹配点,则使用基于角度假设的Neighbor-select方法对特征点在目标图像中角度对应区域选择其匹配点。
步骤2.3,根据当前匹配对采用角度假设合理推测出下一匹配对,如此使特征匹配在限制的范围内进行,缩小搜索范围,达到快速匹配的目的。最后,利用最近邻和次近邻特征点的比值关系验证匹配的准确性,完成图像的配准。
步骤三:利用步骤二所配准的图像,在经过Neighbor-select满足角度假设的匹配域内,进行进一步的搜索计算;在查询图像域内选择三个新的区域对潜在匹配的特征进行搜索,返回步骤二进行迭代计算提高查询性能,避免重复计算相同的匹配或特征,保存正确的匹配结果。
本发明的优点和积极效果在于:本发明在图像匹配方面,弥补了SIFT算法 在特征匹配过程中数据处理量大、计算速度慢的不足。通过基于角度假设的Neighbor-select算法减少不匹配对的个数,在图像匹配过程中减少了计算量,使得匹配时间远小于其他特征匹配方法。并且基于角度假设,使匹配点尽可能满足在一定角度范围内进行匹配,因此大大提高了匹配准确程度,在实际图像匹配中具有一定的应用价值。
四、附图说明:
图1为本发明一种基于关键点描述算子的分块快速匹配算法的整体步骤流程图;
图2、图3为本发明一种基于关键点描述算子的分块快速匹配算法的实验效果对比图。
五、具体实施方式:
下面结合图1、2对本发明一种基于关键点描述算子的分块快速匹配算法作进一步的说明:
步骤一:SIFT特征提取。提取图像序列中的SIFT特征点。
步骤1.1,构建尺度空间。
二维高斯函数定义如下:
其中,σ表示高斯正太分布的方差,是尺度坐标。
输入图像用I(x,y)表示,在不同尺度空间的表示可由图像与高斯核的卷积得到:
采用DoG(Difference of Gaussian)算子来创建尺度空间。Dog算子由两个不同尺度的高斯核的差分与图像卷积生成。
其中,常系数k用来区分相邻的尺度。
步骤1.2,在尺度空间寻找极值点。图像多次使用DoG算子,该算子的泰勒展开式如下:
对其泰勒展开式求导,当导数为零时,取这些高斯差分图像中的局部极值点得到尺度空间域上的图像特征点
步骤1.3,计算特征点方向和生成特征点描述算子
特征点方向θ(x,y)及模值m(x,y)可以通过如下公式运算确定:
最后形成包括位置、尺度、方向等信息的128维特征向量。根据经验值,实际计算取高斯内核函数的尺度因子σ=0.5,每组高斯尺度图像的尺度级数中s=3,去除低对比度的特征点的阈值设定为0.01,主曲率间的比值的阈值设定为15。
步骤二:SIFT特征快速准确匹配。首先对图片进行相应的缩略,在满足关键点检测的同时提高匹配效率;通过计算关键点中的匹配信度查找匹配项;在匹配项中,使用Neighbor-select方法对匹配项进行筛选,为满足角度假设的关键点进行匹配。
步骤2.1,先将目标图像与查询图像的大小调整为缩略图,缩略图在满足关键点检测的同时,最大化提高匹配效率(一般来言,对于大于一百万像素的图像,缩略图大小为300×300像素)。使用比率匹配来获得一组匹配和比率并采用τ阈值以获得初始种子匹配。
步骤2.3,搜集分别以查询图像中的点pq为中心Rq为半径的区域和以目标图像中的点pt为中心Rt为半径的区域的所有的匹配对;在每个区域中提取一组特征点,将匹配的特征点存入匹配对Mqt中并计算出匹配特征对之间的置信度值Cqt。
使用该比率计算匹配置信度,r的值越低,特征对之间的匹配置信度值越高;
其中fq是查询图像中的一个特征点;ft,fb是fq在目标图片中最近邻特征点;d(fq,ft),d(fq,fb)是特征点fq对ft,fb的距离。
步骤2.4,如果图像中特征点在目标图像中没有任何匹配点,那么则使用基于角度假设的Neighbor-select方法对特征点在对应目标图像的其余区域选择匹配点
所谓Neighbor-select方法,是指假定在未匹配特征点fi(匹配点<fq,ft>集合为空)的N个最近邻域中,使用最近邻和次近邻(fj,fj+1∈Rt)作为当前查询图像中关键点并加入到匹配对集合Mqt中;否则,根据已匹配特征点的集合方向计算出fi在目标图像的匹配区域对应方向下的匹配区域(满足角度假设),并在新的区域计算出匹配置信度最高的匹配点(假定fi待匹配区域中最近邻比次近邻的匹配置信度要高)。
步骤三,进行相应的图像匹配;在目标图像中,收集给定半径Rt内的所有特征(圆形目标分割法);在查询图像中,计算矩形Rq中的所有特征(矩形目标分割法);计算区域内的匹配对及匹配置信度来预测该区域的邻域是否值得进一步搜索计算(若搜索区域部分重叠,仅计算搜素区域9个正方形区域)。
如果在步骤三中在ft和fq之间找到一对匹配,则在区域Rq中以fq的位置为搜索起点选择三个新的区域对潜在匹配的特征进行搜索;每个新区域的中心与ft匹配以产生用于下一次迭代的三个种子匹配,返回步骤二进行迭代计算提高查询性能,避免重复计算相同的匹配或特征,保存正确的匹配结果。
最终,通过对比试验进行算法匹配度的验证;本次实验使用手机随机拍摄几幅图片,满足对不同光照和颜色物品的多样性的要求,尽可能模拟真实生活场景中图像匹配可能遇到的情况;所有的图片均由同一手机拍摄,图片大小统一为:960*1280。
试验表明,本发明一种基于关键点描述算子的分块快速匹配算法能够极大减少图像匹配中不匹配对的个数,同时减少了过程计算量,使得匹配时间远小于其他特征匹配。图2采用本发明方法进行匹配,可以看到特征点尽可能的满足在一定角度范围内进行匹配;对比图2,同样的两张图采用BFMatch方法,在ratio=0.8的时候的图像匹配,可以看到本发明可以极大提高了图像匹配的准确程度。
应当指出,本实例仅列示性说明本发明的应用方法,而非用于限制本发明。任何熟悉此种使用技术的人员,均可在不违背本发明的精神及范围下,对上述实施例进行修改。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (3)
1.一种基于关键点描述算子的分块快速匹配算法,其特征在于:
具体实现步骤如下:
步骤一:SIFT特征提取。提取图像序列中的SIFT特征点,建立初始点集,为后续的图像特征点匹配做准备。
SIFT算法的本质就是从图像中提取局部特征,在尺度空间寻找极值点,提取位置、尺度、旋转不变量。SIFT特征提取包括:初步定位特征点、准确定位特征点、确定特征点方向、生成关键点描述算子。
步骤二:SIFT特征快速准确匹配。首先,利用步骤一得到的初始特征点集,采用调整缩略图模型建立初始匹配点对;通过计算两组特征点的128维的关键点的欧式距离实现特征点匹配;然后采用Neighbor-select方法判断匹配对集合是否需要更新,去除误匹配点,并对未匹配特征点进行基于角度假设的快速准确匹配。
步骤2.1,调整缩略图模型建立初始匹配点对,先将两个图像的大小调整为缩略图,并使用比率匹配来获得一组匹配和比率,用τ阈值以获得初始种子匹配。
步骤2.2,分别对查询图像和目标图像建立关键点描述子集合。128维的关键点相似度量采用欧氏距离,基于该比率,目标图像中的每个特征在目标图像中具有至多一个对应项。如果图像中特征点在目标图像中没有任何匹配点,则使用基于角度假设的Neighbor-select方法对特征点在目标图像中角度对应区域选择其匹配点。
步骤2.3,根据当前匹配对采用角度假设合理推测出下一匹配对,如此使特征匹配在限制的范围内进行,缩小搜索范围,达到快速匹配的目的。最后,利用最近邻和次近邻特征点的比值关系验证匹配的准确性,完成图像的配准。
步骤三:利用步骤二所配准的图像,在经过Neighbor-select满足角度假设的匹配域内,进行进一步的搜索计算;在查询图像域内选择三个新的区域对潜在匹配的特征进行搜索,返回步骤二进行迭代计算提高查询性能,避免重复计 算相同的匹配或特征,保存正确的匹配结果。
2.一种基于关键点描述算子的分块快速匹配算法,其特征在于:
步骤二中所述的Neighbor-select方法,具体是:假定在未匹配特征点fi(匹配点<fq,ft>集合为空)的N个最近邻域中,使用最近邻和次近邻(fj,fj+1∈Rt)作为当前查询图像中关键点并加入到匹配对集合Mqt中;否则,根据已匹配特征点的集合方向计算出fi在目标图像的匹配区域对应方向下的匹配区域(满足角度假设),并在新的区域计算出匹配置信度最高的匹配点(假定fi待匹配区域中最近邻比次近邻的匹配置信度要高)。
3.一种基于关键点描述算子的分块快速匹配算法,其特征在于:
步骤三中所述的图像分割匹配法,具体是:在目标图像中,收集给定半径Rt内的所有特征(圆形目标分割法);在查询图像中,计算矩形Rq中的所有特征(矩形目标分割法);计算区域内的匹配对及匹配置信度来预测该区域的邻域是否值得进一步搜索计算(若搜索区域部分重叠,仅计算搜素区域9个正方形区域)。如果在ft和fq之间找到一对匹配,则在区域Rq中以fq的位置为搜索起点选择三个新的区域对潜在匹配的特征进行搜索;每个新区域的中心与ft匹配以产生用于下一次迭代的三个种子匹配,由此返回步骤二进行迭代计算提高查询性能,避免重复计算相同的匹配或特征,保存正确的匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710006658.7A CN106682700B (zh) | 2017-01-05 | 2017-01-05 | 基于关键点描述算子的分块快速匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710006658.7A CN106682700B (zh) | 2017-01-05 | 2017-01-05 | 基于关键点描述算子的分块快速匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106682700A true CN106682700A (zh) | 2017-05-17 |
CN106682700B CN106682700B (zh) | 2021-04-20 |
Family
ID=58849951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710006658.7A Active CN106682700B (zh) | 2017-01-05 | 2017-01-05 | 基于关键点描述算子的分块快速匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682700B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481273A (zh) * | 2017-07-12 | 2017-12-15 | 南京航空航天大学 | 一种航天器自主导航快速图像匹配方法 |
CN108229500A (zh) * | 2017-12-12 | 2018-06-29 | 西安工程大学 | 一种基于函数拟合的sift误匹配点剔除法 |
CN109685078A (zh) * | 2018-12-17 | 2019-04-26 | 浙江大学 | 基于自动标注的红外图像识别方法 |
CN110019964A (zh) * | 2018-01-02 | 2019-07-16 | 北京小度互娱科技有限公司 | 视频去重方法及装置 |
WO2020147406A1 (zh) * | 2019-01-17 | 2020-07-23 | 平安科技(深圳)有限公司 | 目标信息查找方法、装置、设备及计算机可读存储介质 |
CN111461196A (zh) * | 2020-03-27 | 2020-07-28 | 上海大学 | 基于结构特征的快速鲁棒图像识别跟踪方法和装置 |
CN111968243A (zh) * | 2020-06-28 | 2020-11-20 | 成都威爱新经济技术研究院有限公司 | 一种ar图像生成方法、系统、设备以及存储介质 |
CN112001432A (zh) * | 2020-08-12 | 2020-11-27 | 福建农林大学 | 基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法 |
CN112183553A (zh) * | 2020-06-05 | 2021-01-05 | 吉林大学 | 一种确定场景下sift特征的快速提取方法 |
CN112308027A (zh) * | 2020-11-23 | 2021-02-02 | 敦泰电子(深圳)有限公司 | 图像匹配方法、生物识别芯片及电子装置 |
CN113763328A (zh) * | 2021-08-12 | 2021-12-07 | 江苏大学 | 一种基于改进Anchor Free的无序电子元器件快速准确定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120033896A1 (en) * | 2010-08-08 | 2012-02-09 | Geoffrey Louis Barrows | Visual Motion Processing with Offset Downsampling |
CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
CN105976399A (zh) * | 2016-04-29 | 2016-09-28 | 北京航空航天大学 | 一种基于sift特征匹配的运动目标检测方法 |
-
2017
- 2017-01-05 CN CN201710006658.7A patent/CN106682700B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120033896A1 (en) * | 2010-08-08 | 2012-02-09 | Geoffrey Louis Barrows | Visual Motion Processing with Offset Downsampling |
CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
CN105976399A (zh) * | 2016-04-29 | 2016-09-28 | 北京航空航天大学 | 一种基于sift特征匹配的运动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
吴伟交: ""基于SIFT特征点的图像匹配算法"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481273A (zh) * | 2017-07-12 | 2017-12-15 | 南京航空航天大学 | 一种航天器自主导航快速图像匹配方法 |
CN107481273B (zh) * | 2017-07-12 | 2021-01-15 | 南京航空航天大学 | 一种航天器自主导航快速图像匹配方法 |
CN108229500A (zh) * | 2017-12-12 | 2018-06-29 | 西安工程大学 | 一种基于函数拟合的sift误匹配点剔除法 |
CN110019964A (zh) * | 2018-01-02 | 2019-07-16 | 北京小度互娱科技有限公司 | 视频去重方法及装置 |
CN109685078A (zh) * | 2018-12-17 | 2019-04-26 | 浙江大学 | 基于自动标注的红外图像识别方法 |
WO2020147406A1 (zh) * | 2019-01-17 | 2020-07-23 | 平安科技(深圳)有限公司 | 目标信息查找方法、装置、设备及计算机可读存储介质 |
CN111461196A (zh) * | 2020-03-27 | 2020-07-28 | 上海大学 | 基于结构特征的快速鲁棒图像识别跟踪方法和装置 |
CN111461196B (zh) * | 2020-03-27 | 2023-07-21 | 上海大学 | 基于结构特征的快速鲁棒图像识别跟踪方法和装置 |
CN112183553A (zh) * | 2020-06-05 | 2021-01-05 | 吉林大学 | 一种确定场景下sift特征的快速提取方法 |
CN112183553B (zh) * | 2020-06-05 | 2024-03-29 | 吉林大学 | 一种确定场景下sift特征的快速提取方法 |
CN111968243A (zh) * | 2020-06-28 | 2020-11-20 | 成都威爱新经济技术研究院有限公司 | 一种ar图像生成方法、系统、设备以及存储介质 |
CN112001432A (zh) * | 2020-08-12 | 2020-11-27 | 福建农林大学 | 基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法 |
CN112001432B (zh) * | 2020-08-12 | 2022-07-08 | 福建农林大学 | 基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法 |
CN112308027A (zh) * | 2020-11-23 | 2021-02-02 | 敦泰电子(深圳)有限公司 | 图像匹配方法、生物识别芯片及电子装置 |
CN112308027B (zh) * | 2020-11-23 | 2022-04-01 | 敦泰电子(深圳)有限公司 | 图像匹配方法、生物识别芯片及电子装置 |
CN113763328A (zh) * | 2021-08-12 | 2021-12-07 | 江苏大学 | 一种基于改进Anchor Free的无序电子元器件快速准确定位方法 |
CN113763328B (zh) * | 2021-08-12 | 2024-05-14 | 江苏大学 | 一种基于改进Anchor Free的无序电子元器件快速准确定位系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106682700B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682700A (zh) | 一种基于关键点描述算子的分块快速匹配算法 | |
Goforth et al. | GPS-denied UAV localization using pre-existing satellite imagery | |
US8994723B2 (en) | Recognition and pose determination of 3D objects in multimodal scenes | |
CN105844669B (zh) | 一种基于局部哈希特征的视频目标实时跟踪方法 | |
Aldoma et al. | Multimodal cue integration through hypotheses verification for rgb-d object recognition and 6dof pose estimation | |
CN114730490A (zh) | 用于虚拟现实和增强现实的系统和方法 | |
CN104090972A (zh) | 用于三维城市模型检索的图像特征提取和相似性度量方法 | |
CN109903313A (zh) | 一种基于目标三维模型的实时位姿跟踪方法 | |
Subramanyam | Automatic feature based image registration using SIFT algorithm | |
Son et al. | A multi-vision sensor-based fast localization system with image matching for challenging outdoor environments | |
Cieslewski et al. | Matching features without descriptors: implicitly matched interest points | |
CN111709317B (zh) | 一种基于显著性模型下多尺度特征的行人重识别方法 | |
CN115641367A (zh) | 一种基于多级特征匹配的红外和可见光图像配准方法 | |
CN114358166B (zh) | 一种基于自适应k均值聚类的多目标定位方法 | |
Ma et al. | Visual homing via guided locality preserving matching | |
CN114689038A (zh) | 基于机器视觉的果实检测定位与果园地图构建方法 | |
Wang et al. | Multi-features visual odometry for indoor mapping of UAV | |
Tang et al. | Modified sift descriptor for image matching under interference | |
Chen et al. | Multi-neighborhood guided Kendall rank correlation coefficient for feature matching | |
Zhao et al. | Visual homing by robust interpolation for sparse motion flow | |
CN111160433B (zh) | 一种高分辨率图像特征点的高速匹配方法及系统 | |
Pham et al. | Feature descriptors: A review of multiple cues approaches | |
Ren et al. | SAR image matching method based on improved SIFT for navigation system | |
Kweon et al. | Robust invariant features for object recognition and mobile robot navigation | |
Nakamura et al. | Congruence transformation invariant feature descriptor for robust 2D scan matching |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |