CN107239780A - 一种多特征融合的图像匹配方法 - Google Patents
一种多特征融合的图像匹配方法 Download PDFInfo
- Publication number
- CN107239780A CN107239780A CN201710298045.5A CN201710298045A CN107239780A CN 107239780 A CN107239780 A CN 107239780A CN 201710298045 A CN201710298045 A CN 201710298045A CN 107239780 A CN107239780 A CN 107239780A
- Authority
- CN
- China
- Prior art keywords
- image
- similarity
- point
- matching
- interest
- 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.)
- Pending
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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,具体涉及一种多特征融合的图像匹配方法,包括以下步骤:1)、对目标图像进行处理获取兴趣点特征、边缘特征、区域特征以及HOG特征;2)、借助目标图像和模板图像的HOG特征的初步对比选定目标图像上匹配模板图像的多个位置区域作为精确搜索候选区域;3)、在目标图像的每个候选区域内进行匹配,并记录配相似度;4)、将步骤3)得到的目标图像上每个候选区域内的不同位置的匹配相似度进行融合,得到目标图像不同位置的总相似度;5)、根据总相似度,确定目标板图像和模板图像匹配最佳位置。本发明能够发挥局部特征描述精准的优势,解决了对空间位置偏移敏感的缺陷,算法的速度完全可以满足实时要求。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种多特征融合的图像匹配方法。
背景技术
图像匹配是图像处理和计算机视觉行业中常见的技术,该技术经常应用于图像的拼接、目标的跟踪,以及图像识别领域。
常规的图像匹配方法,主要分成两大类——基于兴趣点的局部匹配,以及基于图像块的相似性计算。这两类方法,要么对坐标点的位置偏移比较敏感,要么计算量过大,匹配过程耗时严重。
发明内容
本发明针对现有技术的缺陷和不足,提出一种多特征融合的图像匹配方法。
本发明采用的技术方案如下:
一种多特征融合的图像匹配方法,其特征在于,包括以下步骤:
1)、确定匹配特征,对目标图像进行处理获取匹配特征,所述的匹配特征包括兴趣点特征、边缘特征、区域特征以及HOG特征;
具体如下:
(1)、兴趣点检测处理:使的SUSAN算子检测目标图像兴趣点,对兴趣点进行筛选,使得与模板图尺寸相同的范围内,兴趣点数目在30个左右,获得用于匹配的兴趣点;
(2)、边缘提取处理:对目标图像利用canny边缘检测算法,提取其中的边缘,并且对距离较近的断裂边缘进行拼接,形成更长的边缘,同时将T字形边缘和十字形边缘打断成边缘子线段,获得待匹配边缘;
(3)、区域提取处理:采用MSER算法提取目标图像中的稳定一致性区域,然后将这些区域都存下来,获得用于后续的匹配的稳定性区域;
(4)、HOG积分图计算:计算目标图像的梯度图,然后计算每一个像素位置的梯度方向,设置梯度方向直方图中的角度种类数为9,根据每个像素的梯度方向所属的角度种类,计算其对应的梯度方向积分图,获得HOG积分图;
2)、借助目标图像和模板图像的HOG特征的初步对比,确定模板图像和目标图像不同位置的相似程度,根据相似程度排序选定模板图像上匹配目标图像的多个位置区域作为精确搜索候选区域;
具体如下:
(1)、提取模板图像图像的HOG特征,得到模板图像总特征:将模板图像分成3*3个子方格,计算每个子方格内的梯度方向直方图,然后将所有方格内的特征进行拼接,得到模板图像总特征;特征的维度是3*3*9=81.
(2)、在当前图像上设定步长间隔为20,每隔20个像素选定一个图像子块,每个像素间隔点叫粗定位点,将模板图像总特征和每个粗定位点的当前图像子块的HOG特征进行相似性计算;具体为:计算当前图像每个粗定位点处的图像子块的HOG特征,与模板图进行比较,通过当前位置的HOG特征和与模板图特征的欧式距离判定对当前图像中不同粗定位点区域和模板图的相似度,欧式距离越小,则相似度越高;
(3)、对当前图像中不同粗定位点区域和模板图的相似度从高到低进行排序,选择相似度高的粗定位点位置区域作为后续精确搜索匹配用的候选位置区域,这里选择5个。
3)、在目标图像的每个候选位置区域内进行目标图像和模板图像的兴趣点、边缘、区域匹配,并记录目标图像上每个兴趣点、边缘、区域和模板图像的匹配相似度;
在每个候选位置区域内精确设定搜索范围,具体以粗定位点为中心,向四周各扩展50个像素,作为搜索范围,然后以该范围内的每一个像素点作为中心,依次进行兴趣点匹配、边缘匹配、区域匹配实现模板图像上目标图像最佳匹配位置的精细搜索;
(1)所述兴趣点匹配过程如下:
(a)在兴趣点周边9*9的方格内,计算方块LBP特征;
(b)在目标图像中的当前像素位置,遍历模板图中的每一个兴趣点;具体为针对模板兴趣点,在当前像素位置周边5个像素范围内,搜索是否存在目标兴趣点;如果存在,则找到匹配度最高的那一个点;记录下该点的相似度和到粗定位点的欧式距离;
(c)若当前像素位置不存在能够匹配的模板兴趣点的兴趣点,则进行特殊标记;
(d)遍历过程中降低重复匹配:由于在初定位位置的周边,进行的是逐像素的相似度计算,因此在搜索兴趣点匹配对时,存在重复计算;用如下方法去除重复计算:模板图中每一个进行过匹配的兴趣点对,都需要记录下其匹配的相似度和彼此的位置;在下一个像素位置在进行配对时,先检查该目标兴趣点,是否在上一个像素点位置已经计算过,就可以去除重复计算;
(2)所述边缘的匹配过程如下:
根据边缘的形状,以及边缘两侧的图像内容衡量边缘之间的相似性,具体过程如下:
(a)目标图像块边缘子线段的更新:虽然目标图中的边缘,已经利用canny算子提前计算好,并且已经将子线段拆分,但是在匹配过程中,还需要根据模板图矩形框的当前位置,对各区域位置和范围进行重新计算;
(b)边缘子线段形状相似度计算:在子线段上,计算所有边缘点位置的曲率,将曲率较大的点作为关键点,通过缩放、平移、旋转三个步骤,将首尾两个关键点的位置重合之后,就计算其余的每一对关键点之前的欧式距离,将平均欧式距离作为对形状相似度的衡量;
(c)边缘子线段两侧内容的提取及相似度计算:在每个关键点的两侧,各选取一个9*9大小的矩形框,两个矩形框的中心的连线,经过关键点,并且与轮廓垂直。提取矩形框内的HOG特征;在计算相似度时,分别计算每一个对应位置的矩形框的HOG特征的欧式距离,将其作为对内容相似度的衡量;
(d)子线段距离的计算:子线段之间的距离,就是两个子线段的重心之间的欧式距离;
(3)所述区域匹配过程如下:
通过色彩直方图、外部轮廓、重叠程度等三个方面进行区域之间的相似度的计算和匹配,具体过程如下:
(a)根据模板图对应的矩形框位置,对目标图的区域进行位置和范围更新;虽然目标图中的区域,已经利用MSER算子提前计算好,但是在匹配过程中,还需要根据模板图矩形框的当前位置,对各区域位置和范围进行重新计算;
(b)提取目标图各区域的色彩直方图;
(c)更新目标图各区域的轮廓;
(d)计算色彩相似度;
计算模板图中各区域的色彩直方图,与目标图色彩直方图之间的欧式距离。利用该欧式距离来衡量相似度;
(e)计算形状相似度;
形状相似度通过区域的外部轮廓来进行比较。将两个轮廓的重心进行重合,然后计算关键轮廓点之间的距离。计算平均距离,用来衡量相似度的大小;
(f)计算重叠面积;
相似度的另一个衡量准则,是两个区域之间的重叠面积,相对于二者合并面积的比值,比值越大,相似度越高;
(g)总的区域相似度以及距离计算
区域相似度由色彩相似度、形状相似度、重叠度三个部分相加得到;模板区域与目标区域的距离,就是它们的重心的欧式距离;
4)、将步骤3)得到的模板图像上每个候选区域内的不同位置的每个兴趣点、边缘、区域和目标图像的匹配相似度进行融合,得到模板图像不同位置和目标图像的总相似度;具体为每一个特征为Fi,它对应的相似度为Si,其距离为Di,则最终的总的相似度S按照下式进行计算:
S=sum(Si/Di)
5)、根据总相似度,确定模板图像和目标图像匹配最佳位置:在5个候选区域内,找到相似度最高的位置,作为最终的匹配位置,至此,基于多特征综合的图像匹配完成。
本发明通过多特征融合的计算图像相似度,实现图像匹配,不仅能够发挥局部特征描述精准的优势,同时又解决了对空间位置偏移敏感的缺陷。同时,由于避免了全图所有像素匹配时密集计算,算法的速度完全可以满足实时要求。
附图说明
图1是本发明流程图。
图2是本发明区域匹配流程图
具体实施方式
如图1所示的多特征融合的图像匹配方法,其特征在于,包括以下步骤:
1)、目标图像特征准备:考虑到目标图像和模板图像进行匹配实,要用到一些特征,本发明中,采用兴趣点、边缘、区域以及HOG特征四个特征,所以先对目标图像进行兴趣点检测、边缘提取、区域提取处理以及目标图像的梯度方向积分图的计算完成目标图像特征准备,获得兴趣点、边缘、稳定区域以及目标图HOG积分图作为待匹配特征,具体如下:
(1)、兴趣点检测处理:使的SUSAN算子检测目标图像兴趣点,采用SUSAN算子可以得到精度较高的兴趣点,然后对兴趣点进行筛选,使得与模板图尺寸相同的范围内,兴趣点数目在30个左右,获得用于匹配的兴趣点,满足匹配的需求;
(2)、边缘提取处理:对目标图像利用canny边缘检测算法,提取其中的边缘,并且对距离较近的断裂边缘进行拼接,形成更长的边缘,同时将T字形边缘和十字形边缘打断成边缘子线段,获得待匹配边缘;
(3)、区域提取处理:采用MSER算法提取目标图像中的稳定一致性区域,然后将这些区域都存下来,获得用于后续的匹配的稳定性区域;
(4)、计算目标图像的HOG积分图:先计算目标图像的梯度图,设置梯度方向直方图中的角度种类数,然后计算每一个像素位置的梯度方向,获得HOG积分图,具体操作时设置梯度方向直方图中的角度种类数为9,根据每个像素的梯度方向所属的角度种类,计算其对应的梯度方向积分图,获得HOG积分图;
2)、选定目标图像子块候选搜索区域的快速定位:结合HOG将选定目标图像子块和模板图像进行初步比较,确定选定目标图像子块和模板图像的相似程度,根据相似程度进行排序确定模板图像上作为选定目标图像子块位置精确搜索的候选搜索区域;具体如下:
(1)、提取模板图像图像的HOG特征,得到模板图像总特征:将模板图像分成3*3个子方格,计算每个子方格内的梯度方向直方图,然后将所有方格内的特征进行拼接,得到模板图像总特征;特征的维度是3*3*9=81.
(2)、在当前图像上设定步长间隔为20,每隔20个像素选定一个图像子块,每个像素间隔点叫粗定位点,将模板图像总特征和每个粗定位点的当前图像子块的HOG特征进行相似性计算;具体为:计算当前图像每个粗定位点处的图像子块的HOG特征,与模板图进行比较,通过当前位置的HOG特征和与模板图特征的欧式距离判定对当前图像中不同粗定位点区域和模板图的相似度,欧式距离越小,则相似度越高;
(3)、对当前图像中不同粗定位点区域和模板图的相似度从高到低进行排序,选择相似度高的粗定位点位置区域作为后续精确搜索匹配用的候选位置区域,这里选择5个。
3)、在步骤2)得到的所有候选搜索区域,针对每个像素点以及该像素点所在搜索范围进行选定目标图像子块和候选搜索区域的兴趣点匹配、边缘匹配以及区域匹配,进行选定目标图像子块在模板图像上的最佳匹配位置精细搜索,并确定选定目标图像子块与模板图像上的最佳匹配位置像之间的兴趣点、边缘、区域的相似度和欧式距离;具体如下:
在步骤2)得到的5个相似度较高的候选精确搜索位置,设定搜索范围(以粗定位点为中心,向四周各扩展50个像素,作为搜索范围),然后以该范围内的每一个像素点作为中心,依次进行兴趣点匹配、边缘匹配、区域匹配实现选定目标图像子块最佳位置的精细搜索;
(1)所述兴趣点匹配过程如下:
(a)在兴趣点周边9*9的方格内,计算方块LBP特征;
(b)在目标图像中的当前像素位置,遍历模板图中的每一个兴趣点;具体为针对模板兴趣点,在当前像素位置周边5个像素范围内,搜索是否存在目标兴趣点;如果存在,则找到匹配度最高的那一个点;记录下该点的相似度和到粗定位点的欧式距离;
(c)若当前像素位置不存在能够匹配的模板兴趣点的兴趣点,则进行特殊标记;
(d)遍历过程中降低重复匹配:由于在初定位位置的周边,进行的是逐像素的相似度计算,因此在搜索兴趣点匹配对时,存在重复计算;用如下方法去除重复计算:模板图中每一个进行过匹配的兴趣点对,都需要记录下其匹配的相似度和彼此的位置;在下一个像素位置在进行配对时,先检查该目标兴趣点,是否在上一个像素点位置已经计算过,就可以去除重复计算;
(2)所述边缘匹配过程如下:
根据边缘的形状,以及边缘两侧的图像内容衡量边缘之间的相似性,具体过程如下:
(a)首先进行目标图像块边缘子线段更新:虽然目标图中的边缘,已经利用canny算子提前计算好,并且已经将子线段拆分,但是在匹配过程中,还需要根据模板图矩形框的当前位置,对各区域位置和范围进行重新计算;
(b)边缘子线段形状相似度计算:在子线段上,计算所有边缘点位置的曲率,将曲率较大的点作为关键点,通过缩放、平移、旋转三个步骤,将首尾两个关键点的位置重合之后,就计算其余的每一对关键点之前的欧式距离,将平均欧式距离作为对形状相似度的衡量;
(c)边缘子线段两侧内容的提取及相似度计算:在每个关键点的两侧,各选取一个9*9大小的矩形框,两个矩形框的中心的连线,经过关键点,并且与轮廓垂直,提取矩形框内的HOG特征;在计算相似度时,分别计算每一个对应位置的矩形框的HOG特征的欧式距离,将其作为对内容相似度的衡量;
(d)子线段距离的计算:子线段之间的距离,就是两个子线段的重心之间的欧式距离;
(3)所述区域匹配过程如下:
通过色彩直方图、外部轮廓、重叠程度等三个方面进行区域之间的相似度的计算和匹配,具体过程如下:
(a)根据模板图对应的矩形框位置,对目标图的区域进行位置和范围更新;虽然目标图中的区域,尽管目标图区域已经利用MSER算子提前计算好,但是在匹配过程中,还需要根据模板图矩形框的当前位置,对各区域位置和范围进行重新计算;
(b)提取目标图各区域的色彩直方图;
(c)更新目标图各区域的轮廓;
(d)计算色彩相似度:计算模板图中各区域的色彩直方图与目标图色彩直方图之间的欧式距离,利用该欧式距离来衡量相似度;
(e)计算形状相似度:形状相似度通过区域的外部轮廓来进行比较。将两个轮廓的重心进行重合,然后计算关键轮廓点之间的距离,计算所有关键轮廓点之间距离的平均距离,用来衡量相似度的大小;
(f)计算重叠面积:相似度的另一个衡量准则,是两个区域之间的重叠面积,相对于二者合并面积的比值,比值越大,相似度越高;
(g)总的区域相似度以及距离计算:区域相似度由色彩相似度、形状相似度、重叠度三个部分相加得到;模板区域与目标区域的距离,就是它们的重心的欧式距离;
4)、将目标图像的所有单独特征与模板图像相比得到的匹配相似度以及与模板图像距离,进行多特征融合得到相似度,并选择相似度最高的位置,作为最终匹配位置,具体如下:
将每一个兴趣点,每一条边缘,每一个区域,都当做一个单独的特征,在得到目标图像每一个单独特征与模板图像的匹配相似度,以及与模板图像的距离之后,将其融合起来,得到总的相似度,具体如下:
假设每一个特征为Fi,它对应的相似度为Si,其距离为Di,则最终的总的相似度S按照下式进行计算:
S=sum(Si/Di)
在5个候选区域内,找到相似度最高的位置,作为最终的匹配位置,至此,基于多特征综合的图像匹配完成。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种多特征融合的图像匹配方法,其特征在于,包括以下步骤:
1)、确定匹配特征,对目标图像进行处理获取匹配特征,所述的匹配特征包括兴趣点特征、边缘特征、区域特征以及HOG特征;
2)、借助目标图像和模板图像的HOG特征的初步对比,确定目标图像不同位置图像子块和模板图像的相似程度,根据相似程度排序选定目标图像上匹配模板图像的多个位置区域作为精确搜索候选区域;
3)、在目标图像的每个候选区域内进行目标图像和模板图像的兴趣点、边缘、区域匹配,并记录候选区域兴趣点、边缘、区域和模板图像兴趣点、边缘、区域的匹配相似度;
4)、将步骤3)得到的目标图像上每个候选区域和模板图像兴趣点、边缘、区域匹配相似度进行融合,得到模板图像每个候选区域和模板图像的总相似度;
5)、根据总相似度,确定模板图像和模板图像最佳匹配位置。
2.根据权利要求1所述的多特征融合的图像匹配方法,其特征在于,所述步骤2)的具体过程如下:
(1)、提取模板图像图像的HOG特征,得到模板图像总特征;
(2)、在当前图像上设定步长间隔为20,每隔20个像素选定一个图像子块,每个像素间隔点叫粗定位点,将模板图像总特征和每个粗定位点的当前图像子块的HOG特征进行相似性计算;
(3)、对当前图像中不同粗定位点区域和模板图的相似度从高到低进行排序,选择相似度高的粗定位点位置区域作为后续精确搜索匹配用的候选位置区域。
3.根据权利要求1所述的多特征融合的图像匹配方法,其特征在于,所述步骤3)中的兴趣点匹配过程如下:
(a)在兴趣点周边9*9的方格内,计算方块LBP特征;
(b)针对目标图像候选位置区域的所有像素,遍历模板图中的兴趣点;若某像素位置存在模板图兴趣点则作为目标兴趣点,并进行标记,同时记录下该像素点位置、相似度和到目标点的欧式距离;
(c)若模板图中的兴趣点不存在能够匹配兴趣点,则进行特殊标记;
(d)通过目标兴趣点的标记检查,降低重复匹配。
4.根据权利要求1所述的多特征融合的图像匹配方法,其特征在于,所述步骤3)中的边缘匹配过是指根据边缘的形状,以及边缘两侧的图像内容衡量边缘之间的相似性,具体过程如下:
(a)目标图像块边缘子线段的更新:根据模板图矩形框的当前位置,对目标图像各候选区域位置和范围进行重新计算;
(b)计算候选区域边缘子线段和模板图像边缘子线段形状相似度:在子线段上,计算所有边缘点位置的曲率,将曲率较大的点作为关键点,通过缩放、平移、旋转三个步骤,将首尾两个关键点的位置重合之后,计算其余的每一对关键点之前的欧式距离,将平均欧式距离作为对形状相似度的衡量;
(c)选区域边缘子线段和模板图像边缘子线段两侧内容相似度计算:在每个关键点的两侧,各选取一个9*9大小的矩形框,两个矩形框的中心的连线,经过关键点,提取矩形框内的HOG特征进行内容相似度的衡量。
5.根据权利要求1所述的多特征融合的图像匹配方法,其特征在于,所述步骤3)中的区域匹配是指通过色彩直方图、外部轮廓、重叠程度进行的匹配,具体过程如下:
(a)根据模板图对应的矩形框位置,更新目标图的区域位置和范围;
(b)提取目标图各区域的色彩直方图;
(c)更新目标图各区域的轮廓;
(d)计算模板图中各区域的色彩直方图,与目标图色彩直方图之间的欧式距离,利用该欧式距离来衡量相似度;
(e)通过区域的外部轮廓来进行比较计算形状相似度;
(f)计算两个区域之间的重叠面积计算相似度;
(g)由色彩相似度、形状相似度、重叠度三个部分相加得到总的区域相似度。
6.根据权利要求1-6所述的多特征融合的图像匹配方法,其特征在于,所述多个位置区域为5个位置区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710298045.5A CN107239780A (zh) | 2017-04-29 | 2017-04-29 | 一种多特征融合的图像匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710298045.5A CN107239780A (zh) | 2017-04-29 | 2017-04-29 | 一种多特征融合的图像匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107239780A true CN107239780A (zh) | 2017-10-10 |
Family
ID=59985474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710298045.5A Pending CN107239780A (zh) | 2017-04-29 | 2017-04-29 | 一种多特征融合的图像匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107239780A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734139A (zh) * | 2018-05-24 | 2018-11-02 | 辽宁工程技术大学 | 基于特征融合及svd自适应模型更新的相关滤波跟踪方法 |
CN108805915A (zh) * | 2018-04-19 | 2018-11-13 | 南京市测绘勘察研究院股份有限公司 | 一种抗视角变化的近景影像区域特征匹配方法 |
CN108846854A (zh) * | 2018-05-07 | 2018-11-20 | 中国科学院声学研究所 | 一种基于运动预测与多特征融合的车辆跟踪方法 |
CN108920580A (zh) * | 2018-06-25 | 2018-11-30 | 腾讯科技(深圳)有限公司 | 图像匹配方法、装置、存储介质及终端 |
CN108932727A (zh) * | 2017-12-29 | 2018-12-04 | 浙江宇视科技有限公司 | 人脸跟踪方法和装置 |
CN108984576A (zh) * | 2018-02-07 | 2018-12-11 | 广州集创佳禾知识产权运营有限公司 | 一种基于卷积神经网络的专利文献获取方法及系统 |
CN109948526A (zh) * | 2019-03-18 | 2019-06-28 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、检测设备及存储介质 |
WO2019149186A1 (zh) * | 2018-02-01 | 2019-08-08 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
CN110852319A (zh) * | 2019-11-08 | 2020-02-28 | 深圳市深视创新科技有限公司 | 快速通用型roi匹配方法 |
CN111948215A (zh) * | 2020-08-11 | 2020-11-17 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于光学成像的水下构筑物探伤方法 |
CN112001412A (zh) * | 2020-07-10 | 2020-11-27 | 浙江大华技术股份有限公司 | 一种多视角车辆关联的方法及相关装置 |
CN112070084A (zh) * | 2020-09-04 | 2020-12-11 | 北京百度网讯科技有限公司 | 重复图像单元的位置确定方法和装置 |
CN113160076A (zh) * | 2021-04-06 | 2021-07-23 | 中航航空电子有限公司 | 一种基于目标边缘邻域信息的地物红外目标截获方法 |
CN113674270A (zh) * | 2021-09-06 | 2021-11-19 | 深邦智能科技(青岛)有限公司 | 一种轮胎花纹一致性检测系统及其方法 |
CN113743105A (zh) * | 2021-09-07 | 2021-12-03 | 深圳海域信息技术有限公司 | 一种基于大数据特征识别的文字近似度检索分析方法 |
CN113744133A (zh) * | 2021-09-13 | 2021-12-03 | 烟台艾睿光电科技有限公司 | 一种图像拼接方法、装置、设备及计算机可读存储介质 |
TWI798459B (zh) * | 2018-10-18 | 2023-04-11 | 南韓商三星電子股份有限公司 | 提取特徵之方法、圖像匹配之方法以及處理圖像之方法 |
CN115965856A (zh) * | 2023-02-23 | 2023-04-14 | 深圳思谋信息科技有限公司 | 图像检测模型构建方法、装置、计算机设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663391A (zh) * | 2012-02-27 | 2012-09-12 | 安科智慧城市技术(中国)有限公司 | 一种图像的多特征提取与融合方法及系统 |
CN103150715A (zh) * | 2013-03-13 | 2013-06-12 | 腾讯科技(深圳)有限公司 | 图像拼接处理方法及装置 |
CN103473542A (zh) * | 2013-09-16 | 2013-12-25 | 清华大学 | 多线索融合的目标跟踪方法 |
CN103714554A (zh) * | 2013-12-12 | 2014-04-09 | 华中科技大学 | 一种基于传播融合的视频跟踪方法 |
CN104036524A (zh) * | 2014-06-18 | 2014-09-10 | 哈尔滨工程大学 | 一种改进sift算法的快速目标跟踪方法 |
CN104077605A (zh) * | 2014-07-18 | 2014-10-01 | 北京航空航天大学 | 一种基于颜色拓扑结构的行人搜索识别方法 |
CN104166841A (zh) * | 2014-07-24 | 2014-11-26 | 浙江大学 | 一种视频监控网络中指定行人或车辆的快速检测识别方法 |
CN105630906A (zh) * | 2015-12-21 | 2016-06-01 | 苏州科达科技股份有限公司 | 一种人员搜索方法、装置及系统 |
-
2017
- 2017-04-29 CN CN201710298045.5A patent/CN107239780A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663391A (zh) * | 2012-02-27 | 2012-09-12 | 安科智慧城市技术(中国)有限公司 | 一种图像的多特征提取与融合方法及系统 |
CN103150715A (zh) * | 2013-03-13 | 2013-06-12 | 腾讯科技(深圳)有限公司 | 图像拼接处理方法及装置 |
CN103473542A (zh) * | 2013-09-16 | 2013-12-25 | 清华大学 | 多线索融合的目标跟踪方法 |
CN103714554A (zh) * | 2013-12-12 | 2014-04-09 | 华中科技大学 | 一种基于传播融合的视频跟踪方法 |
CN104036524A (zh) * | 2014-06-18 | 2014-09-10 | 哈尔滨工程大学 | 一种改进sift算法的快速目标跟踪方法 |
CN104077605A (zh) * | 2014-07-18 | 2014-10-01 | 北京航空航天大学 | 一种基于颜色拓扑结构的行人搜索识别方法 |
CN104166841A (zh) * | 2014-07-24 | 2014-11-26 | 浙江大学 | 一种视频监控网络中指定行人或车辆的快速检测识别方法 |
CN105630906A (zh) * | 2015-12-21 | 2016-06-01 | 苏州科达科技股份有限公司 | 一种人员搜索方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
朱奇光等: "基于全局和局部特征融合的图像匹配算法研究", 《仪器仪表学报》 * |
武岫缘: "基于快速收敛蚁群算法的图像拼接技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932727B (zh) * | 2017-12-29 | 2021-08-27 | 浙江宇视科技有限公司 | 人脸跟踪方法和装置 |
CN108932727A (zh) * | 2017-12-29 | 2018-12-04 | 浙江宇视科技有限公司 | 人脸跟踪方法和装置 |
WO2019149186A1 (zh) * | 2018-02-01 | 2019-08-08 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
US11250292B2 (en) | 2018-02-01 | 2022-02-15 | Beijing Jingdong Shangke Information Technology Co., Ltd. | Method and apparatus for generating information |
CN108984576A (zh) * | 2018-02-07 | 2018-12-11 | 广州集创佳禾知识产权运营有限公司 | 一种基于卷积神经网络的专利文献获取方法及系统 |
CN108805915A (zh) * | 2018-04-19 | 2018-11-13 | 南京市测绘勘察研究院股份有限公司 | 一种抗视角变化的近景影像区域特征匹配方法 |
CN108805915B (zh) * | 2018-04-19 | 2022-02-15 | 南京市测绘勘察研究院股份有限公司 | 一种抗视角变化的近景影像区域特征匹配方法 |
CN108846854A (zh) * | 2018-05-07 | 2018-11-20 | 中国科学院声学研究所 | 一种基于运动预测与多特征融合的车辆跟踪方法 |
CN108734139A (zh) * | 2018-05-24 | 2018-11-02 | 辽宁工程技术大学 | 基于特征融合及svd自适应模型更新的相关滤波跟踪方法 |
CN108734139B (zh) * | 2018-05-24 | 2021-12-14 | 辽宁工程技术大学 | 基于特征融合及svd自适应模型更新的相关滤波跟踪方法 |
CN108920580A (zh) * | 2018-06-25 | 2018-11-30 | 腾讯科技(深圳)有限公司 | 图像匹配方法、装置、存储介质及终端 |
TWI798459B (zh) * | 2018-10-18 | 2023-04-11 | 南韓商三星電子股份有限公司 | 提取特徵之方法、圖像匹配之方法以及處理圖像之方法 |
CN109948526A (zh) * | 2019-03-18 | 2019-06-28 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、检测设备及存储介质 |
CN109948526B (zh) * | 2019-03-18 | 2021-10-29 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、检测设备及存储介质 |
CN110852319A (zh) * | 2019-11-08 | 2020-02-28 | 深圳市深视创新科技有限公司 | 快速通用型roi匹配方法 |
CN112001412A (zh) * | 2020-07-10 | 2020-11-27 | 浙江大华技术股份有限公司 | 一种多视角车辆关联的方法及相关装置 |
CN111948215A (zh) * | 2020-08-11 | 2020-11-17 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于光学成像的水下构筑物探伤方法 |
CN112070084B (zh) * | 2020-09-04 | 2024-01-12 | 北京百度网讯科技有限公司 | 重复图像单元的位置确定方法和装置 |
CN112070084A (zh) * | 2020-09-04 | 2020-12-11 | 北京百度网讯科技有限公司 | 重复图像单元的位置确定方法和装置 |
CN113160076A (zh) * | 2021-04-06 | 2021-07-23 | 中航航空电子有限公司 | 一种基于目标边缘邻域信息的地物红外目标截获方法 |
CN113674270B (zh) * | 2021-09-06 | 2023-11-14 | 深邦智能科技集团(青岛)有限公司 | 一种轮胎花纹一致性检测系统及其方法 |
CN113674270A (zh) * | 2021-09-06 | 2021-11-19 | 深邦智能科技(青岛)有限公司 | 一种轮胎花纹一致性检测系统及其方法 |
CN113743105A (zh) * | 2021-09-07 | 2021-12-03 | 深圳海域信息技术有限公司 | 一种基于大数据特征识别的文字近似度检索分析方法 |
CN113744133A (zh) * | 2021-09-13 | 2021-12-03 | 烟台艾睿光电科技有限公司 | 一种图像拼接方法、装置、设备及计算机可读存储介质 |
CN115965856B (zh) * | 2023-02-23 | 2023-05-30 | 深圳思谋信息科技有限公司 | 图像检测模型构建方法、装置、计算机设备及存储介质 |
CN115965856A (zh) * | 2023-02-23 | 2023-04-14 | 深圳思谋信息科技有限公司 | 图像检测模型构建方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107239780A (zh) | 一种多特征融合的图像匹配方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN109443480B (zh) | 基于图像处理的水位标尺定位及水位测量方法 | |
CN108918526B (zh) | 一种柔性ic封装基板线路的缺口缺陷检测方法 | |
US10942130B2 (en) | Damage information processing device and damage information processing method | |
CN111474184A (zh) | 基于工业机器视觉的aoi字符缺陷检测方法和装置 | |
CN107239742B (zh) | 一种仪表指针刻度值计算方法 | |
CN107220976B (zh) | 一种航拍公路图像的公路定位方法 | |
CN110919653A (zh) | 机器人的爬楼控制方法、装置、存储介质和机器人 | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN110765992B (zh) | 印章鉴别方法、介质、设备及装置 | |
CN106611416B (zh) | 一种医学图像中肺分割的方法及装置 | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
JP4521568B2 (ja) | 対応点探索方法、相互標定方法、3次元画像計測方法、対応点探索装置、相互標定装置、3次元画像計測装置、対応点探索プログラム及び対応点探索プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
CN112819895A (zh) | 一种摄像机标定方法及装置 | |
US6442292B1 (en) | Measuring apparatus | |
US20150324628A1 (en) | Microscope slide coordinate system registration | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN103902953A (zh) | 一种屏幕检测系统及方法 | |
CN115457044B (zh) | 基于类激活映射的路面裂缝分割方法 | |
CN111080631A (zh) | 一种拼接影像楼面缺陷检测的故障定位方法及系统 | |
CN111524154B (zh) | 一种基于影像的隧道管片自动化分割方法 | |
CN102004911A (zh) | 提高人脸识别正确率的方法 | |
CN113343976A (zh) | 基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 230000 Yafu Park, Juchao Economic Development Zone, Chaohu City, Hefei City, Anhui Province Applicant after: ANHUI HUISHI JINTONG TECHNOLOGY Co.,Ltd. Address before: 102, room 602, C District, Hefei National University, Mount Huangshan Road, 230000 Hefei Road, Anhui, China Applicant before: ANHUI HUISHI JINTONG TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171010 |