CN107229935A - 一种三角形特征的二进制描述方法 - Google Patents
一种三角形特征的二进制描述方法 Download PDFInfo
- Publication number
- CN107229935A CN107229935A CN201710341830.4A CN201710341830A CN107229935A CN 107229935 A CN107229935 A CN 107229935A CN 201710341830 A CN201710341830 A CN 201710341830A CN 107229935 A CN107229935 A CN 107229935A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- mtd
- msub
- triangle
- 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
一种三角形特征的二进制描述方法,属于计算机视觉领域。主要是改进了原RTM算法对三角形特征的浮点描述方法,采用192bits二进制数表示原RTM算法的6维浮点型形状描述子;采用ORB算法中的rBRIEF二进制描述方法,将原RTM算法的32维浮点型区域描述子重建为256bits二进制区域描述子。改进RTM算法的速度大约是原RTM算法速度的3倍;原RTM算法中每个三角形描述子占用152字节,改进算法每个三角形的描述子仅占用56字节,内存占用量降为原RTM算法的36.8%。在精度方面,改进算法的正确率和匹配分数均高于原RTM算法,在结构场景中能匹配上原RTM算法和SIFT算法不能匹配的特征点。因此,本发明在实时性要求高而内存有限的情况下具有良好的应用前景。
Description
技术领域
本发明涉及计算机视觉领域,特别是涉及一种对三角形特征的二进制描述方法。
背景技术
图像匹配是计算机视觉领域的重要技术之一,已经被广泛应用在目标定位、视觉导航、三维重建、立体视觉测距等众多领域中。在现有图像匹配算法中,基于局部特征点(如斑点、角点)的方法具有鲁棒性好的明显优势,所以得到了重点研究和应用。随着研究的深入,人们逐渐注意到图像的结构信息和几何信息在提高图像匹配精度方面起着重要作用,于是将几何约束引入图像匹配算法中,并主要利用了三角形约束。例如,有的算法在特征描述阶段应用了三角形约束,有的算法在特征匹配阶段利用了三角形约束。
考虑到大部分三角形约束算法只是利用了三角形的边角关系,而没有利用图像的灰度信息,一种快速三角形匹配(Rapid Triangle Matching,RTM)算法被提出(曹建超,“基于新型特征描述的快速图像匹配算法”,大连理工大学硕士学位论文,2015;林秋华,曹建超,田敏,“一种浮点型三角形特征描述方法”,中国发明专利CN201510542180.0,已公开)。RTM算法综合利用了三角形的边角信息和图像的灰度信息。其主要过程为:首先,构建三角形特征单元,其中包含特征点检测、三角剖分、三角形选择;然后,基于浮点型(float)数据对每个三角形进行描述,描述子triDesc_f=[shapeDesc_f,blockDesc_f]由6维浮点型形状描述子shapeDesc_f和32维浮点型区域描述子blockDesc_f构成,其中6维形状描述子由三角形的三边三角构成,32维区域描述子则基于SIFT描述方法对三角形质心邻域构建而成;接着,进行特征匹配,将最近邻欧氏距离与次近邻欧氏距离的比值作为衡量匹配关系的标准,得到匹配三角形;最后,提取匹配三角形的三个顶点所对应的特征点对作为匹配点对,利用RANSAC(RANdom SAmple Consensus)算法进行错误匹配的消除,得到正确匹配的特征点。
RTM算法的形状描述子具有一定的平移、尺度和旋转不变性,区域描述子的位置具有完全的仿射不变性,因此,RTM算法既能显著降低特征描述的复杂度、提升匹配速度,也能提高特征描述的鲁棒性,其中匹配速度大约是SIFT算法的14倍。然而,在有些情况下,现有RTM算法仍然存在三个问题。第一,在视觉导航等对速度要求非常高的应用中,难于实现实时性。主要原因在于采用了浮点型描述子(SIFT描述子属于浮点描述子)。第二,在图像条件较差的情况下,算法的精度受限。主要原因是32维区域描述子的维数较低。第三,在内存有限(如手机)的条件下,占用了较大内存。RTM算法的描述子为浮点型数据,每个三角形描述子需占用152个字节。
发明内容
本发明提供了一种基于二进制(binary)描述的RTM改进算法,提高原RTM算法的速度和精度,同时降低算法对内存的要求,从而解决上述三个问题。
本发明的技术方案是,改进原RTM算法中对三角形特征的浮点描述方法,采用二进制数表示原RTM的三角形形状描述子;采用ORB算法(E.RUBLEE,V.RABAUD,K.KONOLIGE,G.BRADSKI.ORB:An efficient alternative to SIFT or SURF.IEEE InternationalConference on Computer Vision,pp.2564-2571,2011)中的rBRIEF二进制描述方法重建原RTM的三角形区域描述子。改进算法的具体步骤如下:
第一步:采用CN201510542180.0方法对每个三角形构建6维浮点型形状描述子:
式中,α=1448,β=461;l1为三角形最长边,l2和l3为按逆时针顺序排列的其他两个边,l=l1+l2+l3;θ1、θ2、θ3分别为与三条边l1,l2和l3相对的角,如图1(a)所示。l′1_f,l′2_f,l′3_f和θ′1_f,θ′2_f,θ′3_f分别表示6维浮点型形状描述子所包含的三个边和三个角信息。
第二步:构建192bits二进制形状描述子。应用4字节二进制数表示第一步获取的浮点型形状描述子的每一维,重新得到总计24字节共192bits的二进制形状描述子:shapeDesc_b=[l′1_b,l′2_b,l′3_b,θ′1_b,θ′2_b,θ′3_b]
式中,l′1_b,l′2_b,l′3_b,θ′1_b,θ′2_b,θ′3_b分别表示6维浮点型形状描述子l′1_f,l′2_f,l′3_f,θ′1_f,θ′2_f,θ′3_f的二进制形式。
第三步:构建256bits二进制区域描述子。如图1(b)所示,取三角形的质心为描述中心,描述主方向取为逆时针顺序的三角形最长边方向。描述区域为以三角形质心为中心划定的大小为wp×wp的正方形邻域,wp=31,使正方形的两条对边与描述子主方向平行。在该正方形邻域内,按照ORB算法提供的模板,选取256对大小为ws×ws,ws=5,相关性较小的子窗口。对于每对子窗口,采用公式(1)生成1bit描述子:
式中,x和y表示子窗口对,p(x)和p(y)表示子窗口x和子窗口y的平均灰度值。那么对于256对子窗口,共生成256bits二进制数,作为最终的二进制区域描述子blockDesc_b=[b1,b2,...,b256]。
第四步:将第二步获取的192bits二进制形状描述子shapeDesc_b和第三步获取的256bits二进制区域描述子blockDesc_b进行拼接,构成三角形特征的448bits二进制描述子:
triDesc_b=[shapeDesc_b,blockDesc_b]
=[l′1_b,l′2_b,l′3_b,θ′1_b,θ′2_b,θ′3_b,b1,b2,…,b256]
本发明所达到的效果和益处是,将原RTM算法的浮点型描述子改进为二进制描述子,显著提高原RTM算法的速度,同时降低对内存的要求。另外,由于增加二进制描述子的维数到448bits,改进RTM算法的精度也得到显著提高。具体而言,在速度方面,改进算法的速度大约是原RTM算法速度的3倍;在内存方面,原RTM算法中每个三角形描述子占用152字节(1216bits)的内存,而本发明改进后的RTM算法每个三角形的描述子占用内存量降为56字节(448bits),内存占用量降为原RTM算法的36.8%。
在精度方面,改进算法的正确率和匹配分数均高于原RTM算法,在结构场景中能匹配上原RTM算法不能匹配的特征点。例如,图2是Mikolajczyk图像库(MIKOLAJCZYK K,SCHMID C.A performance evaluation of local descriptors,IEEE Transactions onPattern Analysis and Machine Intelligence,vol.27,no 10,pp.1615-1630,2005)中bike图像组的一种匹配结果,图中比较了SIFT算法、原RTM算法,以及应用本发明二进制描述子的改进RTM算法。由图可见,三种算法的匹配特征点差异较大。对于图2(a)方框内区域,共有12对对应特征点真值(见图2(c)),SIFT算法正确匹配了3对(见图2(d)),原RTM算法正确匹配了7对(见图2(e)),而改进RTM算法正确匹配了9对(见图2(f)),多于原RTM算法以及SIFT算法。此外,由于ORB算法256对子窗口模板的优选性,改进RTM算法也具有较好的鲁棒性,不但优于原RTM算法,并且与SIFT算法的鲁棒性保持一致。
附图说明
图1(a)是三角形特征的二进制形状描述子构建示意图。
图1(b)是三角形特征的二进制区域描述子构建示意图。
图2是Mikolajczyk图像库bike图像组的一种匹配结果。
图中:(a)bike1和bike2中检测到的特征点;(b)图(a)方框区域的放大图像;(c)bike1和bike2的对应特征点(图像库提供的真值);(d)SIFT算法正确匹配的特征点;(e)原RTM算法正确匹配的特征点;(f)应用本发明改进的RTM算法正确匹配的特征点。
图3是改进RTM算法的图像匹配流程图。
具体实施方式
下面结合技术方案和附图,详细叙述本发明的一个具体实施例。
现有两幅待匹配图像,取自Mikolajczyk图像库bike图像组的第一幅bike1和第二幅bike2,分辨率均为1000×700。采用本发明进行图像匹配的流程如图3所示。
步骤1:输入待匹配图像bike1和bike2,分别作为参考图像和目标图像。
步骤2:特征点提取。对参考图像和目标图像进行Harris角点检测,根据特征点的响应强度限定角点的数目为200个。
步骤3:三角剖分。利用Delaunay算法分别对两幅图像所提取的角点进行三角剖分,得到两幅图像的三角形网络。
步骤4:三角形选择。剔除三角形网络中三角形最长边小于4个像素或大于25个像素的三角形,分别得到两幅图像的三角形集合。
步骤5:对于每幅图像,为其三角形集合中的所有三角形构建二进制描述子。下面以图1中三角形ABC为例,说明每个三角形的二进制描述子构建过程:
Step 1:采用CN201510542180.0方法对三角形ABC构建6维浮点型形状描述子
其中α=1448,β=461;l1为三角形ABC的最长边,l2和l3为按逆时针顺序排列的其他两个边,l=l1+l2+l3;θ1、θ2、θ3分别为与三条边l1,l2和l3相对的角,如图1(a)所示。
Step 2:构建192bits二进制形状描述子。对于Step 1获取的浮点型形状描述子中的6个浮点数l′1_f,l′2_f,l′3_f,θ′1_f,θ′2_f,θ′3_f,分别应用4字节二进制数进行表示,得到总计24字节共192bits的二进制形状描述子shapeDesc_b=[l′1_b,l′2_b,l′3_b,θ′1_b,θ′2_b,θ′3_b]。
Step 3:构建256bits二进制区域描述子。如图1(b)所示,取三角形的质心D为描述中心,描述主方向取为逆时针顺序的三角形最长边方向描述区域为以三角形质心D为中心划定的大小为31×31的正方形邻域,使正方形的两条对边与描述子主方向平行。在该正方形邻域内,按照ORB算法提供的模板,选取256对大小为5×5、相关性较小的子窗口。对于每对子窗口,例如子窗口x和子窗口y,采用公式(1)生成1bit描述子,共生成256bits二进制数,形成二进制区域描述子blockDesc_b=[b1,b2,...,b256]。
Step 4:将Step 2获取的192bits二进制形状描述子shapeDesc_b和Step 3获取的256bits二进制区域描述子blockDesc_b进行拼接,构成三角形特征的448bits二进制描述子triDesc_b=[l′1_b,l′2_b,l′3_b,θ′1_b,θ′2_b,θ′3_b,b1,b2,…,b256]。
对目标图像和参考图像的所有三角形构建二进制描述子之后,得到两幅图像的三角形特征描述子向量集合。
步骤6:三角形匹配。通过扫描遍历的方法进行匹配判断。对于目标图像中的每个三角形特征描述子向量,计算其到参考图像三角形特征描述子向量集合的最近邻汉明距离与次近汉明距离的比值,如果该比值小于阈值0.8,则认为具有最近邻距离的两个三角形之间存在匹配关系。
步骤7:剔除错误匹配。提取所有匹配三角形中三个顶点所对应的Harris角点对,使用RANSAC算法对这些角点对进行正确性验证,剔除错误匹配角点,最终得到正确匹配的角点集合。
步骤8:输出正确匹配的角点集合。
Claims (1)
1.一种三角形特征的二进制描述方法,其特征在于以下步骤:
第一步:对每个三角形构建6维浮点型形状描述子:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>h</mi>
<mi>a</mi>
<mi>p</mi>
<mi>e</mi>
<mi>D</mi>
<mi>e</mi>
<mi>s</mi>
<mi>c</mi>
<mo>_</mo>
<mi>f</mi>
<mo>=</mo>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mi>&alpha;</mi>
<mfrac>
<msub>
<mi>l</mi>
<mn>1</mn>
</msub>
<mi>l</mi>
</mfrac>
<mo>,</mo>
<mi>&alpha;</mi>
<mfrac>
<msub>
<mi>l</mi>
<mn>2</mn>
</msub>
<mi>l</mi>
</mfrac>
<mo>,</mo>
<mi>&alpha;</mi>
<mfrac>
<msub>
<mi>l</mi>
<mn>3</mn>
</msub>
<mi>l</mi>
</mfrac>
<mo>,</mo>
<msub>
<mi>&beta;&theta;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&beta;&theta;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&beta;&theta;</mi>
<mn>3</mn>
</msub>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msubsup>
<mi>l</mi>
<mrow>
<mn>1</mn>
<mo>_</mo>
<mi>f</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>l</mi>
<mrow>
<mn>2</mn>
<mo>_</mo>
<mi>f</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>l</mi>
<mrow>
<mn>3</mn>
<mo>_</mo>
<mi>f</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mrow>
<mn>1</mn>
<mo>_</mo>
<mi>f</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mrow>
<mn>2</mn>
<mo>_</mo>
<mi>f</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mrow>
<mn>3</mn>
<mo>_</mo>
<mi>f</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中,α=1448,β=461;l1为三角形最长边,l2和l3为按逆时针顺序排列的其他两个边,l=l1+l2+l3;θ1、θ2、θ3分别为与三条边l1,l2和l3相对的角;l′1_f,l'2_f,l′3_f和θ′1_f,θ′2_f,θ′3_f分别表示6维浮点型形状描述子所包含的三个边和三个角信息;
第二步:构建192bits二进制形状描述子;应用4字节二进制数表示第一步获取的浮点型形状描述子的每一维,重新得到总计24字节共192bits的二进制形状描述子:
shapeDesc_b=[l′1_b,l'2_b,l′3_b,θ′1_b,θ′2_b,θ′3_b]
式中,l′1_b,l'2_b,l′3_b,θ′1_b,θ′2_b,θ′3_b分别表示6维浮点型形状描述子l′1_f,l'2_f,l′3_f,θ′1_f,θ′2_f,θ′3_f的二进制形式;
第三步:构建256bits二进制区域描述子;取三角形的质心为描述中心,描述主方向取为逆时针顺序的三角形最长边方向;描述区域为以三角形质心为中心划定的大小为wp×wp的正方形邻域,wp=31,使正方形的两条对边与描述子主方向平行;在该正方形邻域内,按照ORB算法提供的模板,选取256对大小为ws×ws,ws=5,相关性较小的子窗口;对于每对子窗口,采用公式(1)生成1bit描述子:
<mrow>
<mi>&tau;</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>;</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,x和y表示子窗口对,p(x)和p(y)表示子窗口x和子窗口y的平均灰度值;那么对于256对子窗口,共生成256bits二进制数,作为最终的二进制区域描述子blockDesc_b=[b1,b2,...,b256];
第四步:将第二步获取的192bits二进制形状描述子shapeDesc_b和第三步获取的256bits二进制区域描述子blockDesc_b进行拼接,构成三角形特征的448bits二进制描述子:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>i</mi>
<mi>D</mi>
<mi>e</mi>
<mi>s</mi>
<mi>c</mi>
<mo>_</mo>
<mi>b</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>h</mi>
<mi>a</mi>
<mi>p</mi>
<mi>e</mi>
<mi>D</mi>
<mi>e</mi>
<mi>s</mi>
<mi>c</mi>
<mo>_</mo>
<mi>b</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>b</mi>
<mi>l</mi>
<mi>o</mi>
<mi>c</mi>
<mi>k</mi>
<mi>D</mi>
<mi>e</mi>
<mi>s</mi>
<mi>c</mi>
<mo>_</mo>
<mi>b</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msubsup>
<mi>l</mi>
<mrow>
<mn>1</mn>
<mo>_</mo>
<mi>b</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>l</mi>
<mrow>
<mn>2</mn>
<mo>_</mo>
<mi>b</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>l</mi>
<mrow>
<mn>3</mn>
<mo>_</mo>
<mi>b</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mrow>
<mn>1</mn>
<mo>_</mo>
<mi>b</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mrow>
<mn>2</mn>
<mo>_</mo>
<mi>b</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&theta;</mi>
<mrow>
<mn>3</mn>
<mo>_</mo>
<mi>b</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>b</mi>
<mn>256</mn>
</msub>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>.</mo>
</mrow>
1
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710341830.4A CN107229935B (zh) | 2017-05-16 | 2017-05-16 | 一种三角形特征的二进制描述方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710341830.4A CN107229935B (zh) | 2017-05-16 | 2017-05-16 | 一种三角形特征的二进制描述方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107229935A true CN107229935A (zh) | 2017-10-03 |
CN107229935B CN107229935B (zh) | 2020-12-11 |
Family
ID=59933535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710341830.4A Active CN107229935B (zh) | 2017-05-16 | 2017-05-16 | 一种三角形特征的二进制描述方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107229935B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102013A (zh) * | 2018-08-01 | 2018-12-28 | 重庆大学 | 一种适于隧道环境特性的改进freak特征点匹配稳像方法 |
CN109146972A (zh) * | 2018-08-21 | 2019-01-04 | 南京师范大学镇江创新发展研究院 | 基于快速特征点提取及网格化三角形约束的视觉导航方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120263385A1 (en) * | 2011-04-15 | 2012-10-18 | Yahoo! Inc. | Logo or image recognition |
CN104012093A (zh) * | 2012-04-20 | 2014-08-27 | 华为技术有限公司 | 用于处理图像的方法 |
CN104182974A (zh) * | 2014-08-12 | 2014-12-03 | 大连理工大学 | 一种基于特征点进行图像匹配的加速方法 |
CN105184786A (zh) * | 2015-08-28 | 2015-12-23 | 大连理工大学 | 一种浮点型三角形特征描述方法 |
-
2017
- 2017-05-16 CN CN201710341830.4A patent/CN107229935B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120263385A1 (en) * | 2011-04-15 | 2012-10-18 | Yahoo! Inc. | Logo or image recognition |
CN104012093A (zh) * | 2012-04-20 | 2014-08-27 | 华为技术有限公司 | 用于处理图像的方法 |
CN104182974A (zh) * | 2014-08-12 | 2014-12-03 | 大连理工大学 | 一种基于特征点进行图像匹配的加速方法 |
CN105184786A (zh) * | 2015-08-28 | 2015-12-23 | 大连理工大学 | 一种浮点型三角形特征描述方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102013A (zh) * | 2018-08-01 | 2018-12-28 | 重庆大学 | 一种适于隧道环境特性的改进freak特征点匹配稳像方法 |
CN109102013B (zh) * | 2018-08-01 | 2022-03-15 | 重庆大学 | 一种适于隧道环境特性的改进freak特征点匹配稳像方法 |
CN109146972A (zh) * | 2018-08-21 | 2019-01-04 | 南京师范大学镇江创新发展研究院 | 基于快速特征点提取及网格化三角形约束的视觉导航方法 |
CN109146972B (zh) * | 2018-08-21 | 2022-04-12 | 南京师范大学镇江创新发展研究院 | 基于快速特征点提取及网格化三角形约束的视觉导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107229935B (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuliang et al. | Detecting curve text in the wild: New dataset and new solution | |
CN103679702B (zh) | 一种基于图像边缘矢量的匹配方法 | |
CN103336957B (zh) | 一种基于时空特征的网络同源视频检测方法 | |
CN109190752A (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN107577990A (zh) | 一种基于gpu加速检索的大规模人脸识别方法 | |
CN106228129A (zh) | 一种基于matv特征的人脸活体检测方法 | |
CN103679151A (zh) | 一种融合LBP、Gabor特征的人脸聚类方法 | |
CN102074015A (zh) | 一种基于二维图像序列的目标对象的三维重建方法 | |
CN107944437B (zh) | 一种基于神经网络和积分图像的人脸定位方法 | |
CN105184786B (zh) | 一种浮点型三角形特征描述方法 | |
CN113160285B (zh) | 一种基于局部深度图像关键性的点云匹配方法 | |
CN105069809A (zh) | 一种基于平面混合标识物的相机定位方法及系统 | |
CN104616247B (zh) | 一种用于基于超像素sift航拍地图拼接的方法 | |
CN110263712A (zh) | 一种基于区域候选的粗精行人检测方法 | |
Li et al. | A complex junction recognition method based on GoogLeNet model | |
CN104376334B (zh) | 一种多尺度特征融合的行人比对方法 | |
Li et al. | Place recognition based on deep feature and adaptive weighting of similarity matrix | |
CN101794459A (zh) | 一种立体视觉影像与三维虚拟物体的无缝融合方法 | |
CN104598889A (zh) | 人体行为识别的方法和装置 | |
CN109583329A (zh) | 基于道路语义路标筛选的回环检测方法 | |
Zhang et al. | Real-Time object detection for 360-degree panoramic image using CNN | |
CN107229935A (zh) | 一种三角形特征的二进制描述方法 | |
CN103744903B (zh) | 一种基于草图的场景图像检索方法 | |
CN104376312A (zh) | 基于词袋压缩感知特征提取的人脸识别方法 | |
CN104573727B (zh) | 一种手写体数字图像降维方法 |
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 |