CN106919944A - 一种基于orb算法的大视角图像快速识别方法 - Google Patents
一种基于orb算法的大视角图像快速识别方法 Download PDFInfo
- Publication number
- CN106919944A CN106919944A CN201710044944.2A CN201710044944A CN106919944A CN 106919944 A CN106919944 A CN 106919944A CN 201710044944 A CN201710044944 A CN 201710044944A CN 106919944 A CN106919944 A CN 106919944A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- camera
- matching
- orb
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Abstract
本发明公开了一种基于ORB算法的大视角图像快速识别方法,建立透视变换模型,模拟可能的视角变换,基于目标图像生成模拟图像集,用尺度不变ORB算法对模拟图像和基准图像进行粗匹配,当匹配点对达到要求时,停止粗匹配,用双向匹配的方法筛选粗匹配中所有匹配点对,根据筛选后的特征点对集合采用RANSAC算法求得基准图像与目标图像间的单应性矩阵,基于单应性矩阵对目标图像进行重采样,利用重采样图像与基准图像进行尺度不变ORB匹配,最终实现目标图像与基准图像的精匹配。本发明可以在大视角变换下正常工作,具备抗视角变换能力,实时性强,具有较高的工程使用价值。
Description
技术领域
本发明属于计算机视觉技术领域,特别涉及了一种基于ORB算法的大视角图像快速识别方法。
背景技术
图像匹配技术在很多领域都有广泛的应用,大约有40%的计算机视觉应用中都会用到图像匹配技术。人脸识别、指纹识别、笔迹识别、机器人定位等技术已经广泛应用到社会生活中,其安全性与图像匹配算法的性能有着不可分割的联系。在军事、工业和精密农业等领域中,拥有高精度优点的景象匹配技术是发展主流。巡航导弹就是应用景象匹配技术来实现匹配制导的典型例子,且制导系统的性能决定了巡航导弹的制导精度,而巡航导弹末端制导系统的重要组成部分是景象匹配技术。提高景象匹配技术的匹配性能提高工作任务系统的精确率和准确率。
经典的图像匹配算法可分为基于灰度信息的图像匹配算法、基于变换域的图像匹配算法和基于特征的图像匹配算法。基于特征的图像匹配算法是通过图像上有代表性的特征信息,如点、线、面等,进行图像间匹配的算法,主要分为特征提取、特征描述和特征匹配三部分。优秀的不变特征量至少满足三个不变性,即平移不变性、旋转不变性和缩放不变性,这样基于特征的方法具有更强的普适性和稳健性,不仅对同源图像间的匹配效果很好,对异源图像之间的匹配效果较好。基于特征的图像匹配算法操作相对简单,计算量比较少,有一定的抗噪声、抗形变能力,是当前图像匹配技术的主流方向。
目前,国内外学者对大视角图像匹配算法有着广泛而深入的研究。国外,MSER、Harris-Affine、Hessian-Affine、ASIFT等算法均实现了尺度不变性和一定程度的仿射不变性,能够在大视角差异下正常工作。国内,中国矿业大学、河南理工大学、国防科大、上海大学、长春光学精密机械与物理研究所等均提出了相关算法,可以在一定大视角情况获得较好的效果。上述算法可以在一定大视角情况获得较好的效果,但是匹配速度慢,提高匹配算法的速度就成了关键。
发明内容
为了解决上述背景技术提出的技术问题,本发明旨在提供一种基于ORB算法的大视角图像快速识别方法,该方法结合了透视变换模型和ORB算法,在粗匹配算法获得单应性矩阵基础上进行精匹配,有效减少了模拟次数,并提高了算法运算效率。
为了实现上述技术目的,本发明的技术方案为:
一种基于ORB算法的大视角图像快速识别方法,包括以下步骤:
(1)建立世界坐标系W-XwYwZw、相机坐标系C-XcYcZc和图像坐标系O-UV,设物体平面位于世界坐标系W-XwYwZw中XwWYw平面的中心,根据相机成像原理和世界坐标系W-XwYwZw与相机坐标系C-XcYcZc的位置关系,建立透视变换模型,用于表征同一点在图像坐标系O-UV与世界坐标系W-XwYwZw中的对应关系;
(2)通过采样的方式设置透视变换模型的相机外参参数,获得不同的透视变换矩阵,对目标图像O进行透视变换,得到模拟图像集S;
(3)按顺序选择模拟图像集S中的某一子图Si,对子图Si和基准图像B进行尺度不变ORB特征提取与描述,采用最小汉明距离度量特征点间的相似性进行粗匹配,将子图Si中粗匹配点映射到目标图像O中,保存目标图像O中粗匹配点位置及其描述符至匹配点对集D1、基准图像B中粗匹配点的位置及其描述符至匹配点对集D2;
(4)当子图Si与基准图像B的粗匹配点对达到设定对数N时,停止粗匹配,进入步骤(5);若子图Si不为模拟图像集S中最后一幅图像,且获得的粗匹配点对少于N时,重新选择模拟图像集S中的子图S′i,返回步骤(3),若子图Si为模拟图像集S中最后一幅图像,且获得的粗匹配点对少于N时,则算法失效;
(5)对匹配点对集D1、D2中所有特征点进行双向匹配以筛除错误匹配点对,得到筛除后的特征点对集T1、T2,根据T1和T2,利用RANSAC算法获取基准图像B和目标图像O之间的单应性矩阵H,并对目标图像O进行重采样,获得重采样图像R;
(6)对重采样图像R和基准图像B进行尺度不变ORB特征提取与描述,根据最近次临近原则,采用最小汉明距离度量特征点间的相似性完成精匹配;利用单应性矩阵H将重采样图像R和基准图像B的匹配结果投影到基准图像B和目标图像O中。
进一步地,在步骤(1)中,根据相机成像原理,同一点p在世界坐标系W-XwYwZw、相机坐标系C-XcYcZc和图像坐标系O-UV的位置关系如下:
上式中,为点p在图像坐标系O-UV上的坐标,为点p在相机坐标系C-XcYcZc上的坐标,为点p在世界坐标系W-XwYwZw上的坐标;sa是尺度因子;K3×3是相机内参,通过相机标定获得;和是相机外参旋转矩阵Ra的前两列,是相机外参平移矩阵,由相机坐标系和世界坐标系的位置关系确定;为单应性矩阵;
设相机光轴CZc在XwWZw平面的投影与WZw的夹角为θ,相机光轴CZc与XwWZw平面的夹角为相机绕光轴CZc的旋转角度为γ,则相机外参旋转矩阵Ra和相机外参平移矩阵
上式中,Ci表示cosi,Sγ表示sini,r为相机到世界坐标系原点的距离;
将式(2)、(3)代入式(1)中,得到透视变换模型
进一步地,在步骤(2)中,透视变换模型中相机外参参数θ、γ的采样方式如下:
θ∈[0,2π),γ∈[0,2π)
上式中,b为设定的常数,决定了采样间隔。
进一步地,在步骤(3)中,建立多尺度空间,获得不同尺度下像素点的Hessian矩阵行列式,将尺度空间中的Hessian矩阵的行列式局部极值点作为特征点,依据灰度质心法获得特征点的主方向,将特征点位置与其主方向输入ORB描述符获得尺度不变ORB特征点描述符。
进一步地,利用特征点到邻域灰度质心的向量方向表示特征点的主方向,对任意一个特征点,定义其局部区域灰度矩为:
其中,m(x,y)为点(x,y)处的灰度值,p与q的和为灰度矩的阶数,局部区域零阶灰度矩表示该局部区域总的灰度值,局部区域一阶灰度矩和用于确定局部区域的灰度质心C:
特征点的主方向为:
θ=arctan(m01,m10) (6)
进一步地,设I(x,y)表示图像,(x,y)表示图像中某一点,尺度为σ的Hessian矩阵:
上式中,Lxx(x,y,σ)、Lxy(x,y,σ)、Lyy(x,y,σ)是高斯滤波后的图像点(x,y)的二阶导数,
用方框滤波器与图像I(x,y)的卷积Dxx(x,y,σ)、Dxy(x,y,σ)、Dyy(x,y,σ)近似代替Lxx(x,y,σ)、Lxy(x,y,σ)、Lyy(x,y,σ),将Hessian矩阵近似表示:
采用行列式作为检测值,将每个像素点的与在尺度空间邻域内所有点的进行比较,将其中最大的点作为特征点。
进一步地,行列式其中Dxx、Dyy、Dxy即为Dxx(x,y,σ)、Dxy(x,y,σ)、Dyy(x,y,σ),ω是为补偿近似所产生的误差而设定的比例因子。
进一步地,在步骤(5)中,获取基准图像B和目标图像O之间的单应性矩阵H的过程:
在特征点对集T1中随机选取4个特征点,要求其中3个特征点为非共线的,根据这4个点及其对应的T2中的点获得变换矩阵,即初始单应性矩阵;然后将T1中的其他各点通过变换矩阵变换得到点集temp_T1,求得T2中各点与temp_T1中对应点的误差;当误差小于设定值时,该点为内点,统计初始单应性矩阵下的内点数目;重复前述过程,选择内点数最多时的初始单应性矩阵为所求的单应性矩阵H。
采用上述技术方案带来的有益效果:
本发明采用的基于球坐标系的透视变换模型,从相机成像原理出发,将相机内参带入模型中,与传统的仿射变换模型相比,更能够描述三维场景到二维图像的映射,更精确。
本发明采用基于单应性矩阵的精匹配算法,有效减少模拟视角变换的次数,加快了算法运算效率;先筛除错误匹配点对再采用RANSAC算法计算单应性矩阵,不存在由于采样间隔选取产生的图像模拟误差,更精确地描述基准图像和目标图像坐标间的对应关系,提高了匹配正确率。
附图说明
图1是本发明的整体流程示意图。
图2是摄像机成像模型。
图3是基于球坐标的透视变换模型。
图4是方框滤波器示意图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
一种基于ORB算法的大视角图像快速识别方法,如图1所示,利用目标图像根据透视变换模型和其采样参数生成一组模拟图像,依次对基准图像和模拟图像集中子图进行粗匹配,求解单应性矩阵,根据单应性矩阵获得重采样图像,进行精匹配。下文将具体阐述本发明的过程。
步骤1:如图2所示,建立世界坐标系W-XwYwZw、相机坐标系C-XcYcZc和图像坐标系O-UV,W、C、O分别为世界坐标系、相机坐标系、图像坐标系的原点,设物体平面位于世界坐标系W-XwYwZw中XwWYw平面的中心,根据相机成像原理和世界坐标系W-XwYwZw与相机坐标系C-XcYcZc的位置关系,建立基于球坐标系的透视变换模型,用于表征同一点在图像坐标系O-UV与世界坐标系W-XwYwZw中的对应关系。
根据相机成像原理,同一点p在世界坐标系W-XwYwZw、相机坐标系C-XcYcZc和图像坐标系O-UV的位置关系如下:
上式中,为点p在图像坐标系O-UV上的坐标,为点p在相机坐标系C-XcYcZc上的坐标,为点p在世界坐标系W-XwYwZw上的坐标;sa是尺度因子;K3×3是相机内参,通过相机标定获得;和是相机外参旋转矩阵Ra的前两列,是相机外参平移矩阵,由相机坐标系和世界坐标系的位置关系确定;为单应性矩阵。
世界坐标系W-XwYwZw和相机坐标系C-XcYcZc的位置关系如图3所示。相机初始位置位于世界坐标系WZw轴上,相机光轴WZw垂直于XwWYw平面,物体中心位于世界坐标系原点。设相机光轴CZc在XwWZw平面的投影与WZw的夹角为θ,相机光轴CZc与XwWZw平面的夹角为相机绕光轴CZc的旋转角度为γ,则相机外参旋转矩阵Ra和相机外参平移矩阵
上式中,Ci表示cosi,Sγ表示sini,r为相机到世界坐标系原点的距离。
将式(2)、(3)代入式(1)中,得到透视变换模型
步骤2:通过采样的方式设置透视变换模型的相机外参参数,获得不同的透视变换矩阵,对目标图像O进行透视变换,得到模拟图像集S。
透视变换模型中相机外参参数θ、γ的采样方式如下:
θ∈[0,2π),γ∈[0,2π)
上式中,b为设定的常数,决定了采样间隔,本实施例设定b=0.4。
步骤3:按顺序选择模拟图像集S中的某一子图Si,对子图Si和基准图像B进行尺度不变ORB特征提取与描述,采用最小汉明距离度量特征点间的相似性进行粗匹配,将子图Si中粗匹配点映射到目标图像O中,保存目标图像O中粗匹配点位置及其描述符至匹配点对集D1、基准图像B中粗匹配点的位置及其描述符至匹配点对集D2。
建立多尺度空间,获得不同尺度下像素点的Hessian矩阵行列式,将尺度空间中的Hessian矩阵的行列式局部极值点作为特征点,依据灰度质心法获得特征点的主方向,将特征点位置与其主方向输入ORB描述符获得尺度不变ORB特征点描述符。
利用特征点到邻域灰度质心的向量方向表示特征点的主方向,对任意一个特征点,定义其局部区域灰度矩为:
其中,m(x,y)为点(x,y)处的灰度值,p与q的和为灰度矩的阶数,局部区域零阶灰度矩表示该局部区域总的灰度值,局部区域一阶灰度矩和用于确定局部区域的灰度质心C:
特征点的主方向为:
θ=arctan(m01,m10) (6)
设I(x,y)表示图像,(x,y)表示图像中某一点,尺度为σ的Hessian矩阵:
上式中,Lxx(x,y,σ)、Lxy(x,y,σ)、Lyy(x,y,σ)是高斯滤波后的图像点(x,y)的二阶导数,
在离散的像素点中,可以用方框滤波器近似表示 方框滤波器如图4所示,各部分的权值如图标注。用方框滤波器与图像I(x,y)的卷积Dxx(x,y,σ)、Dxy(x,y,σ)、Dyy(x,y,σ)近似代替Lxx(x,y,σ)、Lxy(x,y,σ)、Lyy(x,y,σ),将Hessian矩阵近似表示:
采用行列式作为检测值,定义如下:
其中,ω是为补偿近似所产生的误差而设定的比例因子,本实施例设定为0.9。
将每个像素点与在尺度空间邻域内26个点的进行比较,提取多尺度空间图像的局部极值点作为特征点。
步骤4:当子图Si与基准图像B的粗匹配点对达到设定对数N时,停止粗匹配,进入步骤5;若子图Si不为模拟图像集S中最后一幅图像,且获得的粗匹配点对少于N时,重新选择模拟图像集S中的子图S′i,返回步骤3,若子图Si为模拟图像集S中最后一幅图像,且获得的粗匹配点对少于N时,则算法失效。
步骤5:先将粗匹配阶段获得的匹配点对集D1和D2中所有特征点进行双向匹配,即计算出D1和D2中既满足匹配映射关系{D1→D2}又满足{D2→D1}的匹配点对集合T1、T2,特征点对集T1、T2分别对应目标图像O和基准图像B。根据T1和T2利用RANSAC算法获取基准图像B和目标图像O间的单应性矩阵H。特征点对集T1、T2将粗匹配阶段所有正确匹配点对保留,增加匹配利用率,获得更精确的单应性矩阵H;再根据H进行视角变换,消除部分变形,获得重采样图像R。
在特征点对集T1中随机选取4个特征点,要求其中3个特征点为非共线的,根据这4个点及其对应的T2中的点获得变换矩阵,即初始单应性矩阵;然后将T1中的其他各点通过变换矩阵变换得到点集temp_T1,求得T2中各点与temp_T1中对应点的误差;当误差小于设定值时,该点为内点,统计初始单应性矩阵下的内点数目;重复前述过程,选择内点数最多时的初始单应性矩阵为所求的单应性矩阵H。
步骤6:对重采样图像R和基准图像B进行尺度不变ORB特征提取与描述,根据最近次临近原则,采用最小汉明距离度量特征点间的相似性完成精匹配;利用单应性矩阵H将重采样图像R和基准图像B的匹配结果投影到基准图像B和目标图像O中。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (8)
1.一种基于ORB算法的大视角图像快速识别方法,其特征在于,包括以下步骤:
(1)建立世界坐标系W-XwYwZw、相机坐标系C-XcYcZc和图像坐标系O-UV,设物体平面位于世界坐标系W-XwYwZw中XwWYw平面的中心,根据相机成像原理和世界坐标系W-XwYwZw与相机坐标系C-XcYcZc的位置关系,建立透视变换模型,用于表征同一点在图像坐标系O-UV与世界坐标系W-XwYwZw中的对应关系;
(2)通过采样的方式设置透视变换模型的相机外参参数,获得不同的透视变换矩阵,对目标图像O进行透视变换,得到模拟图像集S;
(3)按顺序选择模拟图像集S中的某一子图Si,对子图Si和基准图像B进行尺度不变ORB特征提取与描述,采用最小汉明距离度量特征点间的相似性进行粗匹配,将子图Si中粗匹配点映射到目标图像O中,保存目标图像O中粗匹配点位置及其描述符至匹配点对集D1、基准图像B中粗匹配点的位置及其描述符至匹配点对集D2;
(4)当子图Si与基准图像B的粗匹配点对达到设定对数N时,停止粗匹配,进入步骤(5);若子图Si不为模拟图像集S中最后一幅图像,且获得的粗匹配点对少于N时,重新选择模拟图像集S中的子图Si′,返回步骤(3),若子图Si为模拟图像集S中最后一幅图像,且获得的粗匹配点对少于N时,则算法失效;
(5)对匹配点对集D1、D2中所有特征点进行双向匹配以筛除错误匹配点对,得到筛除后的特征点对集T1、T2,根据T1和T2,利用RANSAC算法获取基准图像B和目标图像O之间的单应性矩阵H,并对目标图像O进行重采样,获得重采样图像R;
(6)对重采样图像R和基准图像B进行尺度不变ORB特征提取与描述,根据最近次临近原则,采用最小汉明距离度量特征点间的相似性完成精匹配;利用单应性矩阵H将重采样图像R和基准图像B的匹配结果投影到基准图像B和目标图像O中。
2.根据权利要求1所述基于ORB算法的大视角图像快速识别方法,其特征在于:在步骤(1)中,根据相机成像原理,同一点p在世界坐标系W-XwYwZw、相机坐标系C-XcYcZc和图像坐标系O-UV的位置关系如下:
上式中,为点p在图像坐标系O-UV上的坐标,为点p在相机坐标系C-XcYcZc上的坐标,为点p在世界坐标系W-XwYwZw上的坐标;sa是尺度因子;K3×3是相机内参,通过相机标定获得;r1 a和是相机外参旋转矩阵Ra的前两列,是相机外参平移矩阵,由相机坐标系和世界坐标系的位置关系确定;为单应性矩阵;
设相机光轴CZc在XwWZw平面的投影与WZw的夹角为θ,相机光轴CZc与XwWZw平面的夹角为相机绕光轴CZc的旋转角度为γ,则相机外参旋转矩阵Ra和相机外参平移矩阵
上式中,Ci表示cosi,Sγ表示sini,r为相机到世界坐标系原点的距离;
将式(2)、(3)代入式(1)中,得到透视变换模型
3.根据权利要求2所述基于ORB算法的大视角图像快速识别方法,其特征在于:在步骤(2)中,透视变换模型中相机外参参数θ、γ的采样方式如下:
θ∈[0,2π),γ∈[0,2π)
上式中,b为设定的常数,决定了采样间隔。
4.根据权利要求1所述基于ORB算法的大视角图像快速识别方法,其特征在于:在步骤(3)中,建立多尺度空间,获得不同尺度下像素点的Hessian矩阵行列式,将尺度空间中的Hessian矩阵的行列式局部极值点作为特征点,依据灰度质心法获得特征点的主方向,将特征点位置与其主方向输入ORB描述符获得尺度不变ORB特征点描述符。
5.根据权利要求4所述基于ORB算法的大视角图像快速识别方法,其特征在于:利用特征点到邻域灰度质心的向量方向表示特征点的主方向,对任意一个特征点,定义其局部区域灰度矩为:
其中,m(x,y)为点(x,y)处的灰度值,p与q的和为灰度矩的阶数,局部区域零阶灰度矩表示该局部区域总的灰度值,局部区域一阶灰度矩和用于确定局部区域的灰度质心C:
特征点的主方向为:
θ=arctan(m01,m10) (6)。
6.根据权利要求4所述基于ORB算法的大视角图像快速识别方法,其特征在于:设I(x,y)表示图像,(x,y)表示图像中某一点,尺度为σ的Hessian矩阵:
上式中,Lxx(x,y,σ)、Lxy(x,y,σ)、Lyy(x,y,σ)是高斯滤波后的图像点(x,y)的二阶导数,
用方框滤波器与图像I(x,y)的卷积Dxx(x,y,σ)、Dxy(x,y,σ)、Dyy(x,y,σ)近似代替Lxx(x,y,σ)、Lxy(x,y,σ)、Lyy(x,y,σ),将Hessian矩阵近似表示:
采用行列式作为检测值,将每个像素点的与在尺度空间邻域内所有点的进行比较,将其中最大的点作为特征点。
7.根据权利要求6所述基于ORB算法的大视角图像快速识别方法,其特征在于:行列式其中Dxx、Dyy、Dxy即为Dxx(x,y,σ)、Dxy(x,y,σ)、Dyy(x,y,σ),ω是为补偿近似所产生的误差而设定的比例因子。
8.根据权利要求1所述基于ORB算法的大视角图像快速识别方法,其特征在于:在步骤(5)中,获取基准图像B和目标图像O之间的单应性矩阵H的过程:
在特征点对集T1中随机选取4个特征点,要求其中3个特征点为非共线的,根据这4个点及其对应的T2中的点获得变换矩阵,即初始单应性矩阵;然后将T1中的其他各点通过变换矩阵变换得到点集temp_T1,求得T2中各点与temp_T1中对应点的误差;当误差小于设定值时,该点为内点,统计初始单应性矩阵下的内点数目;重复前述过程,选择内点数最多时的初始单应性矩阵为所求的单应性矩阵H。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710044944.2A CN106919944B (zh) | 2017-01-20 | 2017-01-20 | 一种基于orb算法的大视角图像快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710044944.2A CN106919944B (zh) | 2017-01-20 | 2017-01-20 | 一种基于orb算法的大视角图像快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106919944A true CN106919944A (zh) | 2017-07-04 |
CN106919944B CN106919944B (zh) | 2020-03-24 |
Family
ID=59454300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710044944.2A Active CN106919944B (zh) | 2017-01-20 | 2017-01-20 | 一种基于orb算法的大视角图像快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106919944B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952299A (zh) * | 2017-03-14 | 2017-07-14 | 大连理工大学 | 一种适用于智能移动设备的三维光场技术实现方法 |
CN108520502A (zh) * | 2018-04-13 | 2018-09-11 | 苏州大学 | 一种扫描电镜图像漂移的快速矫正方法 |
CN110189368A (zh) * | 2019-05-31 | 2019-08-30 | 努比亚技术有限公司 | 图像配准方法、移动终端及计算机可读存储介质 |
CN110536479A (zh) * | 2019-08-28 | 2019-12-03 | 维沃移动通信有限公司 | 对象传输方法和电子设备 |
CN110991501A (zh) * | 2019-11-19 | 2020-04-10 | 东南大学 | 一种基于Hessian矩阵的改进ORB特征点匹配方法 |
CN110992263A (zh) * | 2019-11-27 | 2020-04-10 | 国网山东省电力公司电力科学研究院 | 一种图像拼接方法及系统 |
CN111429493A (zh) * | 2020-03-20 | 2020-07-17 | 青岛联合创智科技有限公司 | 一种多图像间特征点匹配方法 |
CN111596296A (zh) * | 2019-12-19 | 2020-08-28 | 上海大学 | 一种基于前视声呐图像的水下目标跟踪方法 |
CN111753719A (zh) * | 2020-06-24 | 2020-10-09 | 上海依图网络科技有限公司 | 一种指纹识别方法及装置 |
CN111833249A (zh) * | 2020-06-30 | 2020-10-27 | 电子科技大学 | 一种基于双向点特征的uav图像配准与拼接方法 |
CN111861871A (zh) * | 2020-07-17 | 2020-10-30 | 浙江商汤科技开发有限公司 | 一种图像匹配方法及装置、电子设备和存储介质 |
CN112485262A (zh) * | 2020-12-22 | 2021-03-12 | 常州信息职业技术学院 | 一种混凝土表观裂缝宽度及其扩展演化的检测方法及装置 |
CN114067130A (zh) * | 2021-11-12 | 2022-02-18 | 中国电子科技集团公司第三十八研究所 | 用于机载光电图像模板匹配的特征点提取方法及系统 |
CN114140365A (zh) * | 2022-01-27 | 2022-03-04 | 荣耀终端有限公司 | 基于事件帧的特征点匹配方法及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408931A (zh) * | 2007-10-11 | 2009-04-15 | Mv科技软件有限责任公司 | 用于三维目标识别的系统和方法 |
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 |
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 |
-
2017
- 2017-01-20 CN CN201710044944.2A patent/CN106919944B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408931A (zh) * | 2007-10-11 | 2009-04-15 | Mv科技软件有限责任公司 | 用于三维目标识别的系统和方法 |
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 |
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 |
Non-Patent Citations (2)
Title |
---|
WARRANT ERIC等: "Visual Navigation in Nocturnal Insects", 《PHYSIOLOGY》 * |
陈振学等: "基于局部特征与全局特征的图像显著性目标检测", 《控制与决策》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952299B (zh) * | 2017-03-14 | 2019-07-16 | 大连理工大学 | 一种适用于智能移动设备的三维光场技术实现方法 |
CN106952299A (zh) * | 2017-03-14 | 2017-07-14 | 大连理工大学 | 一种适用于智能移动设备的三维光场技术实现方法 |
CN108520502A (zh) * | 2018-04-13 | 2018-09-11 | 苏州大学 | 一种扫描电镜图像漂移的快速矫正方法 |
CN110189368A (zh) * | 2019-05-31 | 2019-08-30 | 努比亚技术有限公司 | 图像配准方法、移动终端及计算机可读存储介质 |
CN110189368B (zh) * | 2019-05-31 | 2023-09-19 | 努比亚技术有限公司 | 图像配准方法、移动终端及计算机可读存储介质 |
CN110536479A (zh) * | 2019-08-28 | 2019-12-03 | 维沃移动通信有限公司 | 对象传输方法和电子设备 |
CN110991501A (zh) * | 2019-11-19 | 2020-04-10 | 东南大学 | 一种基于Hessian矩阵的改进ORB特征点匹配方法 |
CN110992263B (zh) * | 2019-11-27 | 2023-07-11 | 国网智能科技股份有限公司 | 一种图像拼接方法及系统 |
CN110992263A (zh) * | 2019-11-27 | 2020-04-10 | 国网山东省电力公司电力科学研究院 | 一种图像拼接方法及系统 |
CN111596296A (zh) * | 2019-12-19 | 2020-08-28 | 上海大学 | 一种基于前视声呐图像的水下目标跟踪方法 |
CN111596296B (zh) * | 2019-12-19 | 2023-09-15 | 上海大学 | 一种基于前视声呐图像的水下目标跟踪方法 |
CN111429493A (zh) * | 2020-03-20 | 2020-07-17 | 青岛联合创智科技有限公司 | 一种多图像间特征点匹配方法 |
CN111753719A (zh) * | 2020-06-24 | 2020-10-09 | 上海依图网络科技有限公司 | 一种指纹识别方法及装置 |
CN111833249A (zh) * | 2020-06-30 | 2020-10-27 | 电子科技大学 | 一种基于双向点特征的uav图像配准与拼接方法 |
CN111861871A (zh) * | 2020-07-17 | 2020-10-30 | 浙江商汤科技开发有限公司 | 一种图像匹配方法及装置、电子设备和存储介质 |
CN112485262A (zh) * | 2020-12-22 | 2021-03-12 | 常州信息职业技术学院 | 一种混凝土表观裂缝宽度及其扩展演化的检测方法及装置 |
CN112485262B (zh) * | 2020-12-22 | 2023-08-11 | 常州信息职业技术学院 | 一种混凝土表观裂缝宽度及其扩展演化的检测方法及装置 |
CN114067130A (zh) * | 2021-11-12 | 2022-02-18 | 中国电子科技集团公司第三十八研究所 | 用于机载光电图像模板匹配的特征点提取方法及系统 |
CN114140365A (zh) * | 2022-01-27 | 2022-03-04 | 荣耀终端有限公司 | 基于事件帧的特征点匹配方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106919944B (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106919944A (zh) | 一种基于orb算法的大视角图像快速识别方法 | |
Kang et al. | Study of a full-view 3D finger vein verification technique | |
CN104063702B (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN108010045A (zh) | 基于orb的视觉图像特征点误匹配提纯方法 | |
CN103310196B (zh) | 感兴趣区域与方向元素的手指静脉识别方法 | |
CN107063228A (zh) | 基于双目视觉的目标姿态解算方法 | |
CN113298934B (zh) | 一种基于双向匹配的单目视觉图像三维重建方法及系统 | |
CN106709950A (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 | |
CN108921895A (zh) | 一种传感器相对位姿估计方法 | |
CN106023187A (zh) | 一种基于sift特征和角度相对距离的图像配准方法 | |
CN109741240A (zh) | 一种基于层次聚类的多平面图像拼接方法 | |
CN111462198B (zh) | 一种尺度、旋转和辐射不变性的多模态影像配准方法 | |
CN103632142A (zh) | 基于局部坐标系特征描述的图像匹配方法 | |
CN104318552B (zh) | 基于凸包投影图匹配的模型配准方法 | |
CN110084743B (zh) | 基于多航带起始航迹约束的图像拼接与定位方法 | |
CN106155299A (zh) | 一种对智能设备进行手势控制的方法及装置 | |
CN108154066B (zh) | 一种基于曲率特征递归神经网络的三维目标识别方法 | |
Huang et al. | Correlation and local feature based cloud motion estimation | |
CN110443295A (zh) | 改进的图像匹配与误匹配剔除算法 | |
CN102324045A (zh) | 基于Radon变换和极谐波变换的不变矩目标识别方法 | |
CN115601407A (zh) | 一种红外与可见光图像配准方法 | |
CN110176041B (zh) | 一种基于双目视觉算法的新型列车辅助装配方法 | |
Fan et al. | Convex hull aided registration method (CHARM) | |
CN111199558A (zh) | 一种基于深度学习的图像匹配方法 |
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 |