CN106780579A - 一种超大规模图像特征点匹配方法及系统 - Google Patents

一种超大规模图像特征点匹配方法及系统 Download PDF

Info

Publication number
CN106780579A
CN106780579A CN201710035674.9A CN201710035674A CN106780579A CN 106780579 A CN106780579 A CN 106780579A CN 201710035674 A CN201710035674 A CN 201710035674A CN 106780579 A CN106780579 A CN 106780579A
Authority
CN
China
Prior art keywords
image
matching
sequence
characteristic
pair
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
Application number
CN201710035674.9A
Other languages
English (en)
Other versions
CN106780579B (zh
Inventor
陶文兵
黄文杰
孙琨
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201710035674.9A priority Critical patent/CN106780579B/zh
Publication of CN106780579A publication Critical patent/CN106780579A/zh
Application granted granted Critical
Publication of CN106780579B publication Critical patent/CN106780579B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种超大规模图像特征点匹配方法及系统，其中，方法的实现包括：首先进行图像近邻搜索得到图像匹配对；以图像为节点、图像近邻之间构成边形成一个无向图，对这个图进行广度优先排序，得到排序之后的图像和图像对；按照排序结果对图像的特征信息进行重排，并分块保存成二进制文件；按序读取保存有特征信息的二进制文件，根据排序后的图像对来依次进行特征匹配，并及时释放掉后续无用的特征信息；迭代的读取特征信息和进行特征匹配直到所有图像对完成匹配。实施本发明，可以保证在图像匹配的过程中图像特征点一次读取、局部完全利用，可以在内存不会溢出的同时，保证了算法的效率。

Description

一种超大规模图像特征点匹配方法及系统
技术领域
本发明属于计算机视觉领域，更具体地，涉及一种超大规模图像特征点匹配方法及系统。
背景技术
大规模无序图片集的三维重建在最近几十年一直是计算机视觉领域比较热门的一个研究课题。该项技术可以用于城市数字地图的搭建、数字博物馆的构建和灾后建筑的重建等。对于大规模无序图片数据集的三维重建，近年来，一整套比较成熟且被学术界认可的重建流程已经搭建完成，主要包含以下步骤：1)图片特征点提取，2)图像之间的特征匹配，3)对图像匹配对进行几何校验，4)根据匹配估计相机姿态和稀疏三维点云。大部分研究者遵照这样的一个大体流程，对于其中的分步骤进行改进。
按照上面的流程，对于大规模数据集而言，算法的主要瓶颈出现在第二步，为了避免两两进行匹配而带来大量的时间浪费，这里涉及到图像之间是否有匹配关系的问题，目前很多针对大规模无序图片集的三维重建的工作正是为了解决这个问题。他们的主要途径都是通过某种高效率方式近似地找到有场景重叠的图像对，从而减少总的匹配时间。其中比较经典的方法是Agarwal提出的Vocabulary tree词汇树搜索近邻的方法，主要思想是通过图像的特征点训练得到一个词汇树，通过这个树用一种检索机制来找到每幅图像的近邻，特征点匹配只在近邻图像间进行。
目前对于第二步的改进工作主要解决的是在特征匹配之前如何减少图像对的数量。但是对于大规模图像数据集合来说，在特征匹配的过程中，内存和效率同样需要进行较大的改进。对于多个图像对的特征匹配，最理想的情况是把所有的图像特征点一次性放入内存中，这样就能保证所有图像之间能进行特征匹配。但是对于超大规模图像集来说，把所有图像的特征点一次性放入内存中将会造成内存溢出。另外还有一种思路是需要用到哪副图像进行匹配时就加载那副图片的特征点，用完之后就释放掉。这样就能保证内存不会溢出，但是这样就会出现频繁的I/O操作，大大降低了算法的效率。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种超大规模图像特征点匹配方法及系统，在过滤得到有场景重叠的图像对之后，通过广度优先排序把有场景重叠的图像聚集在一起，从而保证在图像匹配的过程中图像特征点一次读取、局部完全利用，可以在内存不会溢出的同时，保证了算法的效率。由此解决现有技术中存在的内存溢出以及频繁的I/O交换导致效率下降的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种超大规模图像特征点匹配方法，包括：
(1)特征点提取和图像对的初始过滤：对每幅图像提取特征点，然后采用图像检索的方法找到每幅图像的近邻，剔除不相关的图像对，得到有场景重叠的图像对；
(2)广度优先遍历重排图像和图像对序列：在得到有场景重叠的图像对之后，以图像为节点、图像对形成边，构成一个无向图，以其中匹配数目最多的图像为起点，进行广度优先排序，得到排序之后的图像序列和图像对序列；
(3)分块保存排序后的特征点：根据排序之后的图像序列对特征点进行重排，并分块保存成二进制文件；
(4)加载初始块的特征点并进行匹配：读取起始的二进制文件信息，根据排序后的图像对序列进行特征匹配，释放无用的特征信息所占用的内存资源；
(5)迭代加载后续块的特征点并进行匹配：迭代的读取后续的二进制文件信息、再进行特征匹配，直到所有的图像对完成匹配，并把匹配结果保存到文件中。
优选地，步骤(2)具体包括以下子步骤：
(2.1)以图像为节点、图像对形成边，构成一个无向图，以其中匹配数目最多的图像为起点，进行广度优先遍历；
(2.2)在广度优先遍历的过程中，依次经过若干个节点和边，对应着图像和图像对，经过一次遍历之后，得到图像序列H和图像对序列S，其中，将一条边连接的两幅图像中每幅图像的匹配图像数目分别记为Mi、Mj，其中i、j对应边连接的两幅图像中每幅图像的索引号。
优选地，步骤(3)具体包括以下子步骤：
(3.1)在图像序列H中，依次将每n个图像的特征点信息保存成一个二进制文件，最后不足n个的图像保存成一个二进制文件，其中，n为正整数；
(3.2)记录每张图像特征点信息的起始位置相对该图像对应的二进制文件起始位置的偏移量。
优选地，步骤(4)具体包括以下子步骤：
(4.1)从保存的所有二进制文件中读取初始的p个二进制文件，并加载所述p个二进制文件中的图像，其中，p为正整数；
(4.2)加载图像对序列S，从S的起始索引开始，不断遍历图像对，并进行特征匹配，直到图像对中至少有一幅图像没有被加载，则终止遍历，记录下此时S的索引位置s1，在特征匹配过程中如果图像对中的任一幅图像的已匹配图像数目达到步骤(2.2)中记录的该图像的匹配图像数目，则释放掉该图像所占用的内存资源。
优选地，步骤(5)具体包括以下子步骤：
(5.1)继续读取后续的q个二进制文件，并加载所述q个二进制文件中的图像，其中，q为正整数；
(5.2)从S的索引位置s1开始，不断遍历图像对，并进行特征匹配，直到图像对中至少有一幅图像没有被加载，则终止遍历，同时记录下此时S的索引位置s2，将s2的值赋予s1，在特征匹配过程中如果图像对中的任一幅图像的已匹配图像数目达到步骤(2.2)中记录的该图像的匹配图像数目，则释放掉该图像所占用的内存资源；
(5.3)重复执行(5.1)和(5.2)直到S中的图像对全部匹配完成；
(5.4)保存所有的匹配结果到文件中。
按照本发明的另一方面，提供了一种超大规模图像特征点匹配系统，包括：
图像对确定模块，用于对每幅图像提取特征点，然后采用图像检索的方法找到每幅图像的近邻，剔除不相关的图像对，得到有场景重叠的图像对；
广度优先排序模块，用于在得到有场景重叠的图像对之后，以图像为节点、图像对形成边，构成一个无向图，以其中匹配数目最多的图像为起点，进行广度优先排序，得到排序之后的图像序列和图像对序列；
存储模块，用于根据排序之后的图像序列对特征点进行重排，并分块保存成二进制文件；
匹配模块，用于读取起始的二进制文件信息，根据排序后的图像对序列进行特征匹配，释放无用的特征信息所占用的内存资源；
迭代匹配模块，用于迭代的读取后续的二进制文件信息、再进行特征匹配，直到所有的图像对完成匹配，并把匹配结果保存到文件中。
优选地，所述广度优先排序模块包括：
第一广度优先排序子模块，用于以图像为节点、图像对形成边，构成一个无向图，以其中匹配数目最多的图像为起点，进行广度优先遍历；
第二广度优先排序子模块，用于在广度优先遍历的过程中，依次经过若干个节点和边，对应着图像和图像对，经过一次遍历之后，得到图像序列H和图像对序列S，其中，将一条边连接的两幅图像中每幅图像的匹配图像数目分别记为Mi、Mj，其中i、j对应边连接的两幅图像中每幅图像的索引号。
优选地，所述存储模块包括：
第一存储模块，用于在图像序列H中，依次将每n个图像的特征点信息保存成一个二进制文件，最后不足n个的图像保存成一个二进制文件，其中，n为正整数；
第二存储模块，用于记录每张图像特征点信息的起始位置相对该图像对应的二进制文件起始位置的偏移量。
优选地，所述匹配模块包括：
第一加载模块，用于从保存的所有二进制文件中读取初始的p个二进制文件，并加载所述p个二进制文件中的图像，其中，p为正整数；
第一图像对遍历模块，用于加载图像对序列S，从S的起始索引开始，不断遍历图像对，并进行特征匹配，直到图像对中至少有一幅图像没有被加载，则终止遍历，记录下此时S的索引位置s1，在特征匹配过程中如果图像对中的任一幅图像的已匹配图像数目达到所述第二广度优先排序子模块中记录的该图像的匹配图像数目，则释放掉该图像所占用的内存资源。
优选地，所述迭代匹配模块包括：
第二加载模块，用于继续读取后续的q个二进制文件，并加载所述q个二进制文件中的图像，其中，q为正整数；
第二图像对遍历模块，用于从S的索引位置s1开始，不断遍历图像对，并进行特征匹配，直到图像对中至少有一幅图像没有被加载，则终止遍历，同时记录下此时S的索引位置s2，将s2的值赋予s1，在特征匹配过程中如果图像对中的任一幅图像的已匹配图像数目达到所述第二广度优先排序子模块中记录的该图像的匹配图像数目，则释放掉该图像所占用的内存资源；
迭代匹配子模块，用于重复执行所述第二加载模块和所述第二图像对遍历模块的操作直到S中的图像对全部匹配完成；
结果保存模块，用于保存所有的匹配结果到文件中。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要有以下的技术优点：本发明对图像和图像对进行排序之后，把相关的图像特征信息保存在一起，提高了文件的读取效率；同时特征信息在局部被完整利用，大大减少了乱序匹配中频繁的I/O操作；另外特征信息在局部被利用完之后，占用的资源能得到及时的释放，保证了算法较低的内存占用。本发明针对大规模图像特征匹配，在时间复杂度和内存占用这两方面做了较大改进，在保证较低的内存占用的同时，减少了频繁的I/O操作，大大提高了效率。
附图说明
图1为本发明实施例公开的一种超大规模图像特征点匹配方法的流程示意图；
图2为本发明实施例公开的一种基于广度优先遍历得到二进制文件的流程示意图；
图3为本发明实施例公开的一种图像对迭代特征匹配流程示意图；
图4为本发明实施例公开的一种超大规模图像特征点匹配系统的结构示意图。
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，以下结合附图及实施例，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仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
该方法涉及到特征点提取、大规模图像对过滤、快速hash特征点匹配算法、广度优先遍历、内存的有效管理和高效的核外特征匹配等技术，在较低内存占用的情况下，保证了大规模图像特征匹配的整体效率，最终得到的匹配信息保存成文件的形式可用于后续三维重建。
如图1所示为本发明实施例公开的一种超大规模图像特征点匹配方法的流程示意图。在图1中，核心创新包括两大部分：一是广度优先遍历来对图像和图像对进行排序；二是基于高效内存管理的核外特征匹配。最终得到的匹配信息保存成文件可用于后续三维重建。其具体实施方式如下：
(1)特征点提取和图像对的初始过滤：对每幅图像提取尺度不变特征变换(Scale-invariant feature transform，SIFT)特征点，然后用一种图像检索的方法来找到图像近邻，剔除不相关的图像对，得到有场景重叠的图像对；
(2)广度优先遍历重排图像和图像对序列：以图像为节点、图像对形成边，构成一个无向图，以其中匹配数目最多的图像为起点，进行广度优先排序，得到排序之后的节点(图像序列)和边(图像对序列)；
(3)分块保存排序后的特征点：根据排序之后的图像序列对特征点进行重排，并分块保存成二进制文件；
(4)加载初始块的特征点并进行匹配：首先读取起始的特征点二进制文件信息，并根据排序后的图像对序列进行特征匹配，并及时释放后续无用的特征信息所占用的内存资源；
(5)迭代加载后续块的特征点并进行匹配：迭代的读取特征信息、再进行特征匹配，直到所有的图像对完成匹配，并把匹配结果保存到文件中用于后续重建。
在本发明的一个实施例中，步骤(1)具体包括：
(1.1)用SIFT特征提取算法提取图像的特征点；
(1.2)用SIFT特征训练得到一个词汇树(vocabulary tree)，通过词汇树搜索得到每个图像的k个近邻，这样就得到了有场景重叠的图像匹配对。
在本发明的一个实施例中，步骤(2)具体包括：
(2.1)以图像为节点、图像对形成边，构成一个无向图，以其中匹配数目最多的图像为起点，如图2所示，图中左上角为原始的图像匹配图，S4的匹配数目最多，以S4为起点，进行广度优先遍历，得到图中右上角的广度优先遍历图；
(2.2)在遍历的过程中，会依次经过一些节点和边，对应着图像和图像对，经过一次遍历之后，就得到了图像序列H和图像对序列S，对应图2中的右下角，分别把这两个序列保存成文件，另外在图像序列文件中同时保存着每张图像i的匹配图像数目，记为M(i)。
在本发明的一个实施例中，所述步骤(3)具体包括：
(3.1)根据(2)中得到的图像序列H，每n个图像的特征点保存成一个二进制文件，把所有图像的特征点信息分块保存，如图2中左下角所示，每3张图像的特征点保存成一个特征点文件，最后两个图像不足3个，但也保存成一个特征点文件；
(3.2)另外，我们在保存特征点信息的同时，记录下每张图像特征点信息的起始位置相对文件起始位置的偏移量。
在本发明的一个实施例中，步骤(4)具体包括：
(4.1)读取(3)中得到的最开始的p个二进制文件，并记录相应的图像已经加载完成，如图3所示，这里最开始只加载1个特征点文件；
(4.2)如图3所示，根据(2)中得到的图像对序列S，从S的起始索引0开始，不断遍历其中的图像对，用传统的特征匹配算法进行特征匹配，直到图像对中至少有一幅图像没有被加载，则终止遍历，同时记录下此时S的索引位置s，另外，在这个过程中如果图像对＜p,q＞的图像p,q的已匹配图像数目N(p)达到了M(p)，或者N(q)达到了M(q)，则释放掉对应图像所占用的内存资源。
在本发明的一个实施例中，步骤(5)具体包括：
(5.1)延续(4)的步骤，继续读取后续的q个二进制特征点文件，并记录相应的图像已经加载完成，如图3所示，这里只加载后续的1个特征点文件；
(5.2)从S的索引位置s开始，不断遍历其中图像对，用传统的特征匹配算法进行特征匹配，直到图像对中至少有一幅图像没有被加载，则终止遍历，同时记录下此时S的索引位置并将其赋给s，另外，在这个过程中如果图像对＜p,q＞的图像p,q的已匹配图像数目N(p)达到了M(p)，或者N(q)达到了M(q)，则释放掉对应图像所占用的内存资源；
(5.3)如图3所示，重复执行(5.1)和(5.2)直到S中的图像对全部匹配完成；
(5.4)保存所有的匹配结果到文件中，用于后续重建。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种超大规模图像特征点匹配方法，其特征在于，包括：
(1)特征点提取和图像对的初始过滤：对每幅图像提取特征点，然后采用图像检索的方法找到每幅图像的近邻，剔除不相关的图像对，得到有场景重叠的图像对；
(2)广度优先遍历重排图像和图像对序列：在得到有场景重叠的图像对之后，以图像为节点、图像对形成边，构成一个无向图，以其中匹配数目最多的图像为起点，进行广度优先排序，得到排序之后的图像序列和图像对序列；
(3)分块保存排序后的特征点：根据排序之后的图像序列对特征点进行重排，并分块保存成二进制文件；
(4)加载初始块的特征点并进行匹配：读取起始的二进制文件信息，根据排序后的图像对序列进行特征匹配，释放无用的特征信息所占用的内存资源；
(5)迭代加载后续块的特征点并进行匹配：迭代的读取后续的二进制文件信息、再进行特征匹配，直到所有的图像对完成匹配，并把匹配结果保存到文件中。
2.根据权利要求1所述的方法，其特征在于，步骤(2)具体包括以下子步骤：
(2.1)以图像为节点、图像对形成边，构成一个无向图，以其中匹配数目最多的图像为起点，进行广度优先遍历；
(2.2)在广度优先遍历的过程中，依次经过若干个节点和边，对应着图像和图像对，经过一次遍历之后，得到图像序列H和图像对序列S，其中，将一条边连接的两幅图像中每幅图像的匹配图像数目分别记为Mi、Mj，其中i、j对应边连接的两幅图像中每幅图像的索引号。
3.根据权利要求2所述的方法，其特征在于，步骤(3)具体包括以下子步骤：
(3.1)在图像序列H中，依次将每n个图像的特征点信息保存成一个二进制文件，最后不足n个的图像保存成一个二进制文件，其中，n为正整数；
(3.2)记录每张图像特征点信息的起始位置相对该图像对应的二进制文件起始位置的偏移量。
4.根据权利要求3所述的方法，其特征在于，步骤(4)具体包括以下子步骤：
(4.1)从保存的所有二进制文件中读取初始的p个二进制文件，并加载所述p个二进制文件中的图像，其中，p为正整数；
(4.2)加载图像对序列S，从S的起始索引开始，不断遍历图像对，并进行特征匹配，直到图像对中至少有一幅图像没有被加载，则终止遍历，记录下此时S的索引位置s1，在特征匹配过程中如果图像对中的任一幅图像的已匹配图像数目达到步骤(2.2)中记录的该图像的匹配图像数目，则释放掉该图像所占用的内存资源。
5.根据权利要求4所述的方法，其特征在于，步骤(5)具体包括以下子步骤：
(5.1)继续读取后续的q个二进制文件，并加载所述q个二进制文件中的图像，其中，q为正整数；
(5.2)从S的索引位置s1开始，不断遍历图像对，并进行特征匹配，直到图像对中至少有一幅图像没有被加载，则终止遍历，同时记录下此时S的索引位置s2，将s2的值赋予s1，在特征匹配过程中如果图像对中的任一幅图像的已匹配图像数目达到步骤(2.2)中记录的该图像的匹配图像数目，则释放掉该图像所占用的内存资源；
(5.3)重复执行(5.1)和(5.2)直到S中的图像对全部匹配完成；
(5.4)保存所有的匹配结果到文件中。
6.一种超大规模图像特征点匹配系统，其特征在于，包括：
图像对确定模块，用于对每幅图像提取特征点，然后采用图像检索的方法找到每幅图像的近邻，剔除不相关的图像对，得到有场景重叠的图像对；
广度优先排序模块，用于在得到有场景重叠的图像对之后，以图像为节点、图像对形成边，构成一个无向图，以其中匹配数目最多的图像为起点，进行广度优先排序，得到排序之后的图像序列和图像对序列；
存储模块，用于根据排序之后的图像序列对特征点进行重排，并分块保存成二进制文件；
匹配模块，用于读取起始的二进制文件信息，根据排序后的图像对序列进行特征匹配，释放无用的特征信息所占用的内存资源；
迭代匹配模块，用于迭代的读取后续的二进制文件信息、再进行特征匹配，直到所有的图像对完成匹配，并把匹配结果保存到文件中。
7.根据权利要求6所述的系统，其特征在于，所述广度优先排序模块包括：
第一广度优先排序子模块，用于以图像为节点、图像对形成边，构成一个无向图，以其中匹配数目最多的图像为起点，进行广度优先遍历；
第二广度优先排序子模块，用于在广度优先遍历的过程中，依次经过若干个节点和边，对应着图像和图像对，经过一次遍历之后，得到图像序列H和图像对序列S，其中，将一条边连接的两幅图像中每幅图像的匹配图像数目分别记为Mi、Mj，其中i、j对应边连接的两幅图像中每幅图像的索引号。
8.根据权利要求7所述的系统，其特征在于，所述存储模块包括：
第一存储模块，用于在图像序列H中，依次将每n个图像的特征点信息保存成一个二进制文件，最后不足n个的图像保存成一个二进制文件，其中，n为正整数；
第二存储模块，用于记录每张图像特征点信息的起始位置相对该图像对应的二进制文件起始位置的偏移量。
9.根据权利要求8所述的系统，其特征在于，所述匹配模块包括：
第一加载模块，用于从保存的所有二进制文件中读取初始的p个二进制文件，并加载所述p个二进制文件中的图像，其中，p为正整数；
第一图像对遍历模块，用于加载图像对序列S，从S的起始索引开始，不断遍历图像对，并进行特征匹配，直到图像对中至少有一幅图像没有被加载，则终止遍历，记录下此时S的索引位置s1，在特征匹配过程中如果图像对中的任一幅图像的已匹配图像数目达到所述第二广度优先排序子模块中记录的该图像的匹配图像数目，则释放掉该图像所占用的内存资源。
10.根据权利要求9所述的系统，其特征在于，所述迭代匹配模块包括：
第二加载模块，用于继续读取后续的q个二进制文件，并加载所述q个二进制文件中的图像，其中，q为正整数；
第二图像对遍历模块，用于从S的索引位置s1开始，不断遍历图像对，并进行特征匹配，直到图像对中至少有一幅图像没有被加载，则终止遍历，同时记录下此时S的索引位置s2，将s2的值赋予s1，在特征匹配过程中如果图像对中的任一幅图像的已匹配图像数目达到所述第二广度优先排序子模块中记录的该图像的匹配图像数目，则释放掉该图像所占用的内存资源；
迭代匹配子模块，用于重复执行所述第二加载模块和所述第二图像对遍历模块的操作直到S中的图像对全部匹配完成；
结果保存模块，用于保存所有的匹配结果到文件中。
CN201710035674.9A 2017-01-17 2017-01-17 一种超大规模图像特征点匹配方法及系统 Active CN106780579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710035674.9A CN106780579B (zh) 2017-01-17 2017-01-17 一种超大规模图像特征点匹配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710035674.9A CN106780579B (zh) 2017-01-17 2017-01-17 一种超大规模图像特征点匹配方法及系统

Publications (2)

Publication Number Publication Date
CN106780579A true CN106780579A (zh) 2017-05-31
CN106780579B CN106780579B (zh) 2019-08-13

Family

ID=58944419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710035674.9A Active CN106780579B (zh) 2017-01-17 2017-01-17 一种超大规模图像特征点匹配方法及系统

Country Status (1)

Country Link
CN (1) CN106780579B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763481A (zh) * 2018-05-29 2018-11-06 清华大学深圳研究生院 一种基于大规模街景数据的图片地理定位方法和系统
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
CN112131904A (zh) * 2019-06-24 2020-12-25 曜科智能科技（上海）有限公司 基于图匹配的多目标跨镜追踪方法、装置、设备和介质
CN112488943A (zh) * 2020-12-02 2021-03-12 北京字跳网络技术有限公司 模型训练和图像去雾方法、装置、设备
CN113435479A (zh) * 2021-06-03 2021-09-24 湖北大学 基于区域特征表达约束的特征点匹配方法与系统
CN115086544A (zh) * 2021-03-10 2022-09-20 株式会社斯库林集团 拍摄方法及装置、位置偏移量计算方法、程序、记录介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034237A (zh) * 2010-12-10 2011-04-27 中国人民解放军国防科学技术大学 二维图像对应性寻找方法
US20130028519A1 (en) * 2011-07-29 2013-01-31 Oscar Zuniga Feature based image registration
CN104156362A (zh) * 2013-05-14 2014-11-19 视辰信息科技(上海)有限公司 一种大规模图像特征点匹配方法
CN104318576A (zh) * 2014-11-05 2015-01-28 浙江工业大学 一种超像素级别的图像全局匹配方法
CN105654548A (zh) * 2015-12-24 2016-06-08 华中科技大学 一种基于大规模无序图像的多起点增量式三维重建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034237A (zh) * 2010-12-10 2011-04-27 中国人民解放军国防科学技术大学 二维图像对应性寻找方法
US20130028519A1 (en) * 2011-07-29 2013-01-31 Oscar Zuniga Feature based image registration
CN104156362A (zh) * 2013-05-14 2014-11-19 视辰信息科技(上海)有限公司 一种大规模图像特征点匹配方法
CN104318576A (zh) * 2014-11-05 2015-01-28 浙江工业大学 一种超像素级别的图像全局匹配方法
CN105654548A (zh) * 2015-12-24 2016-06-08 华中科技大学 一种基于大规模无序图像的多起点增量式三维重建方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763481A (zh) * 2018-05-29 2018-11-06 清华大学深圳研究生院 一种基于大规模街景数据的图片地理定位方法和系统
CN112131904A (zh) * 2019-06-24 2020-12-25 曜科智能科技（上海）有限公司 基于图匹配的多目标跨镜追踪方法、装置、设备和介质
CN112131904B (zh) * 2019-06-24 2024-03-15 曜科智能科技（上海）有限公司 基于图匹配的多目标跨镜追踪方法、装置、设备和介质
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
CN112488943A (zh) * 2020-12-02 2021-03-12 北京字跳网络技术有限公司 模型训练和图像去雾方法、装置、设备
CN112488943B (zh) * 2020-12-02 2024-02-02 北京字跳网络技术有限公司 模型训练和图像去雾方法、装置、设备
CN115086544A (zh) * 2021-03-10 2022-09-20 株式会社斯库林集团 拍摄方法及装置、位置偏移量计算方法、程序、记录介质
CN113435479A (zh) * 2021-06-03 2021-09-24 湖北大学 基于区域特征表达约束的特征点匹配方法与系统

Also Published As

Publication number Publication date
CN106780579B (zh) 2019-08-13

Similar Documents

Publication Publication Date Title
CN106780579B (zh) 一种超大规模图像特征点匹配方法及系统
CN107480707B (zh) 一种基于信息无损池化的深度神经网络方法
CN111882040B (zh) 基于通道数量搜索的卷积神经网络压缩方法
CN108345850B (zh) 基于超像素的笔画特征变换和深度学习的区域分类的场景文本检测方法
CN109086437A (zh) 一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法
CN114937151A (zh) 基于多感受野和注意力特征金字塔的轻量级目标检测方法
CN108614997B (zh) 一种基于改进AlexNet的遥感图像识别方法
CN108491856B (zh) 一种基于多尺度特征卷积神经网络的图像场景分类方法
CN110663971A (zh) 基于双分支深度融合卷积神经网络的红枣品质分类方法
CN105589908A (zh) 用于事务集合的关联规则计算方法
CN110097581B (zh) 基于点云配准icp算法构建k-d树的方法
CN109670506B (zh) 基于克罗内克卷积的场景分割方法和系统
CN112183001B (zh) 一种基于超图的集成电路的多级聚类方法
CN111461135B (zh) 利用卷积神经网络集成的数字图像局部滤波取证方法
CN103761298B (zh) 一种基于分布式架构的实体匹配方法
JPH05342408A (ja) 文書画像ファイリング装置
CN111126395B (zh) R-cnn网络中选择性搜索算法的优化方法、存储介质
Yu et al. Cascaded temporal spatial features for video action recognition
CN111414941B (zh) 一种基于特征复用的点云卷积神经网络
CN114419356A (zh) 一种稠密排列电力设备检测方法、系统、设备及存储介质
CN106778811B (zh) 一种图像字典生成方法、图像处理方法及装置
WO2023241276A1 (zh) 图像编辑方法及相关设备
CN111126571B (zh) 基于dht网络的r-cnn网络优化方法、存储介质
CN115376022B (zh) 基于神经网络的小目标检测算法在无人机航拍中的应用
JPH07160879A (ja) 画像処理方法

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