CN107689048A - 一种检测图像特征点的方法及一种服务器集群 - Google Patents
一种检测图像特征点的方法及一种服务器集群 Download PDFInfo
- Publication number
- CN107689048A CN107689048A CN201710787114.9A CN201710787114A CN107689048A CN 107689048 A CN107689048 A CN 107689048A CN 201710787114 A CN201710787114 A CN 201710787114A CN 107689048 A CN107689048 A CN 107689048A
- Authority
- CN
- China
- Prior art keywords
- grid
- candidate feature
- feature point
- response
- 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
- 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
- G06T1/00—General purpose image data processing
- G06T1/60—Memory management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Abstract
本发明公开了一种检测图像特征点的方法及一种服务器集群。一种检测图像特征点的方法,包括:将图像划分成格子,并为每个所述格子预设响应值;确定所述图像中的第一候选特征点;确定第一候选特征点所落入的至少一个第一格子;计算每个所述第一格子内的第一候选特征点的响应值,将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该第一格子的第二候选特征点,存储该第二候选特征点的位置并将该第二候选特征点的响应值作为该第一格子的响应值;在所述第二候选特征点中确定目标特征点。本发明的实施例,大大减少了对内存的需求,减少了计算量,运算速度加快,目标特征点相对图像来说比较有代表性。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种检测图像特征点的方法及一种服务器集群。
背景技术
在计算机视觉(CV)系统中,检测出图像的特征点并进而进行特征点匹配是基础性的技术手段,因此特征点检测的质量和特征点检测的速度在整个系统中占据了非常重要的地位。
以ORB Slam(即时定位与地图构建)系统为例,当前的特征点检测存在以下缺点:
1.占用内存空间巨大,初始检测出的特征点数量最大可达需求特征点数量的10倍,如金字塔0层常见配置是200多个特征点,但是需要2000多个特征点的空间来保存初始检测结果。
2.为了保证挑选出的特征点有代表性的分布,特征点检测的流程复杂,比如需要把图像分成32x32的小块来运算,每个小块可能存在两次阈值筛选,初始特征点检测完成以后,还需要8叉树/4叉树挑选出最终的代表性特征点。
3.因不能满足最小对齐条件或由于所需内存太大或流程复杂,使整个流程运行非常缓慢,尤其在某些系统如移动平台或数字信号处理(dsp)平台中表现更加明显。
发明内容
本发明实施例的目的在于提供一种检测图像特征点的方法及一种服务器集群,该方法能够快速检测出特征点,占据内存空间小,检测出的特征点代表性好。
为了解决上述技术问题,本发明的实施例采用了如下技术方案:
一种检测图像特征点的方法,包括:将图像划分成格子,并为每个所述格子预设响应值;确定所述图像中的第一候选特征点;确定第一候选特征点所落入的至少一个第一格子;计算每个所述第一格子内的第一候选特征点的响应值,将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该第一格子的第二候选特征点,存储该第二候选特征点的位置并将该第二候选特征点的响应值作为该第一格子的响应值;在所述第二候选特征点中确定目标特征点。
作为优选,确定所述图像中的第一候选特征点具体包括:将图像划分为多个区域,其中每个所述区域包括多个所述格子;在每个所述区域内,基于第一阈值检测所述第一候选特征点。
作为优选,将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该格子的第二候选特征点,包括:对于每个第一格子,依次判断各第一候选特征点的响应值是否大于该第一格子的响应值;每当确定存在响应值大于该第一格子的响应值的第一候选特征点,将该第一格子的响应值替换为该第一候选特征点的响应值。
作为优选,确定第一候选特征点所落入的至少一个第一格子,包括:根据所述第一候选特征点的坐标值判断其所落入的所述第一格子。
作为优选,在所述第二候选特征点中确定目标特征点,包括:根据目标特征点的期望数量在所述第二候选特征点中确定第一数量的目标特征点。
本发明还公开了一种服务器集群,包括至少一个处理器、至少一个存储器,所述至少一个存储器能够存储被所述至少一个处理器处理的指令,所述至少一个处理器配置为执行所述指令以:将图像划分成格子,并为每个所述格子预设响应值;确定所述图像中的第一候选特征点;确定第一候选特征点所落入的至少一个第一格子;
计算每个所述第一格子内的第一候选特征点的响应值,将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该第一格子的第二候选特征点,存储该第二候选特征点的位置并将该第二候选特征点的响应值作为该第一格子的响应值;在所述第二候选特征点中确定目标特征点。
作为优选,确定所述图像中的第一候选特征点具体包括:将图像划分为多个区域,其中每个所述区域包括多个所述格子;在每个所述区域内,基于第一阈值检测所述第一候选特征点。
作为优选,将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该格子的第二候选特征点,包括:对于每个第一格子,依次判断各第一候选特征点的响应值是否大于该第一格子的响应值;每当确定存在响应值大于该第一格子的响应值的第一候选特征点,将该第一格子的响应值替换为该第一候选特征点的响应值。
作为优选,确定第一候选特征点所落入的至少一个第一格子,包括:根据所述第一候选特征点的坐标值判断其所落入的所述第一格子。
作为优选,在所述第二候选特征点中确定目标特征点,包括:根据目标特征点的期望数量在所述第二候选特征点中确定第一数量的目标特征点。
本发明实施例的有益效果在于:通过将图像划分成格子,并将格子对应的第一候选特征点中最大响应值的第一候选特征点作为第二候选特征点,每个格子只需对应存储一个响应值和一个第二候选特征点的位置即可,大大减少了对内存的需求,而且,通过比较每个格子对应的第一候选特征点的响应值来选择最大响应值,不需要进行两次阈值筛选,仅通过对每个第一格子进行一次筛选即可,减少了计算量,运算速度加快,另外,因为格子能够基本遍布整个图像,目标特征点相对图像来说比较有代表性。
附图说明
图1为本发明实施例的一种检测图像特征点的方法的示意性流程图;
图2为本发明实施例的一种检测图像特征点的方法的步骤S2的示意性流程图;
图3为本发明实施例的一种检测图像特征点的方法的步骤S4的示意性流程图。
具体实施方式
此处参考附图描述本发明的各种方案以及特征。
应理解的是,可以对此处发明的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本发明的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且与上面给出的对本发明的大致描述以及下面给出的对实施例的详细描述一起用于解释本发明的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本发明的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本发明进行了描述,但本领域技术人员能够确定地实现本发明的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本发明的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本发明的具体实施例;然而,应当理解,所发明的实施例仅仅是本发明的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本发明模糊不清。因此,本文所发明的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本发明。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本发明的相同或不同实施例中的一个或多个。
如图1所示,本发明实施例的一种检测图像特征点的方法,包括:
S1,将图像划分成格子,并为每个格子预设响应值。
其中,将图像划分成格子前,可以先对图像进行去边界处理,然后对去边界处理后的图像划分格子,并为每个格子预设响应值,例如为每个格子预设响应值为0。用户可以根据自己的需要将图像划分成均匀的格子,如果用户想快速得到计算结果,可以选择将图像划分成较少的格子,如果用户对结果的要求较高,可以选择将图像划分成较多的格子。当然,用户也可以根据自己的需要将图像划分成非均匀的格子,对图像的一部分划分成排布密度较大的格子,对图像的另一部分划分成排布密度较小的格子。
S2,确定图像中的第一候选特征点。
通过检测图像中的各个特征点的响应值,从中确定多个第一候选特征点。
S3,确定第一候选特征点所落入的至少一个第一格子。
将多个第一候选特征点与每个格子分别对应,将对应有第一候选特征点的格子称为第一格子,其中,每个第一格子对应多个第一候选特征点。
S4,计算每个第一格子内的第一候选特征点的响应值,将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该第一格子的第二候选特征点,存储该第二候选特征点的位置并将该第二候选特征点的响应值作为该第一格子的响应值。
对每个第一格子对应的多个第一候选特征点的响应值进行计算,并将每个第一格子对应的第一候选特征点中响应值最大的第一候选特征点作为该第一格子的第二候选特征点,为每个第一格子存储第二候选特征点的位置,并将该第二候选特征点的响应值作为该第一格子的响应值,此时,第一格子的预设响应值0被替换为了第二候选特征点的响应值,即最大响应值。从而,每个格子只需对应存储一个响应值和一个第二候选特征点的位置即可,大大减少了对内存的需求。而且,通过比较每个格子对应的第一候选特征点的响应值来选择最大响应值,不需要进行两次阈值筛选,仅通过对每个第一格子进行一次筛选即可,减少了计算量,运算速度加快。
S5,在第二候选特征点中确定目标特征点。
在第一格子对应的第二候选特征点中确定目标特征点,也就是说,目标特征点相对图像来说比较有代表性,因为格子能够遍布整个图像。从而,不需要通过8叉树/4叉树对图像的特征点进行复杂的选择,能够进一步加快运算速度,并且,得到的目标特征点代表性好。
如图2所示,在一个优选实施例中,S2中,确定图像中的第一候选特征点具体包括:
S21,将图像划分为多个区域,其中每个区域包括多个格子。
对去除边界的图像或不去除边界的图像进行划分区域,划分的多个区域可以根据用户的需求而定,如果希望存储的中间数据较少,则可以将区域划分的小一些,如果希望存储的中间数据较多,则可以将区域划分的大一些,但是划分的多个区域必须遍历整个图像。另外,划分的区域的形状也可以根据用户的需求而定。一般情况下,每个区域包括多个格子,这样,可以减少每个区域检测特征点的时间。当然,用户也可以根据自己的需要,使划分的每个区域只包括一个格子,或者包括一个格子的一部分。
S22,在每个区域内,基于第一阈值检测第一候选特征点。
在每个区域内检测特征点时,可以设置第一阈值,例如将第一阈值设置为0,将每个区域内响应值大于0的特征点检测出来作为第一候选特征点。
将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该格子的第二候选特征点可以包括:
将每个第一格子对应的第一候选特征点的响应值进行比较,选择具有最大响应值的第一候选特征点作为第二候选特征点。
如图3所示,在另一优选实施例中,S4中,将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该格子的第二候选特征点,包括:
S41,对于每个第一格子,依次判断各第一候选特征点的响应值是否大于该第一格子的响应值;S42,每当确定存在响应值大于该第一格子的响应值的第一候选特征点,将该第一格子的响应值替换为该第一候选特征点的响应值。
对于每个第一格子,在检测到对应该第一格子的第一个第一候选特征点时,将第一个第一候选特征点的响应值与该第一格子的响应值进行比较,如果第一个第一候选特征点的响应值大于该第一格子的响应值,则将该第一格子的响应值替换为该第一个第一候选特征点的响应值,如果第一个第一候选特征点的响应值不大于该第一格子的响应值,则保持该第一格子的响应值。接着针对该第一格子的第二个第一候选特征点与该第一格子的响应值进行比较,在此不再赘述,直到比较完该第一格子的最后一个第一候选特征点的响应值。也就是说,当对每个第一格子对应的第一候选特征点比较完之后,每个第一格子仅会保留响应值最大的第一候选特征点作为该第一格子的第二候选特征点。
此种方法中由于不需要对每个第一格子对应的多个第一候选特征点的响应值同时进行比较,不会出现较多的中间比较结果,占用的内存空间较小。
在一个优选实施例中,S3中,确定第一候选特征点所落入的至少一个第一格子,包括:根据第一候选特征点的坐标值判断其所落入的所述第一格子。根据第一候选特征点的坐标值和格子的位置,判断第一候选特征点分别与哪一个格子对应,将对应有第一候选特征点的格子称为第一格子,其中,每个第一格子可以对应多个第一候选特征点。
在一个优选实施例中,S5中,在第二候选特征点中确定目标特征点,包括:根据目标特征点的期望数量在第二候选特征点中确定第一数量的目标特征点。例如,目标特征点的期望数量是200个,第二候选特征点的数量是190个,则将全部的第二候选特征点选为目标特征点。或者目标特征点的期望数量是200个,第二候选特征点的数量是210个,则根据第一格子的位置将前200个第二候选特征点选为目标特征点,未选为目标特征点的第二候选特征点一般位于图像的底部边界,对整个图像来说不太重要。
下面结合程序段对上述方法进行解释。
1.//划分格子,为每个格子预设响应值//
gridSize=floor(sqrt(width-2*border)*(height-2*border)/N);
xGrids=ceil((width-2*border)/gridSize);
yGrids=ceil((height-2*border)/gridSize);
scoreGird[yGrids][xGrids]={0,0…..};
2.//利用划分的区域检测特征点的响应值并确定第一候选特征点//
score[MAX_KEYPOINTS_PERBLOCK],
x[MAX_KEYPOINTS_PERBLOCK],
y[MAX_KEYPOINTS_PERBLOCK],
3.//确定第一候选特征点所落入的第一格子,选取每个第一格子的第二候选特征点//
4.//在第二候选特征点中确定目标特征点//
本发明实施例还公开了一种服务器集群,包括至少一个处理器、至少一个存储器,至少一个存储器能够存储被至少一个处理器处理的指令,至少一个处理器配置为执行指令以:
将图像划分成格子,并为每个格子预设响应值;
确定图像中的第一候选特征点;
确定第一候选特征点所落入的至少一个第一格子;
计算每个第一格子内的第一候选特征点的响应值,将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该第一格子的第二候选特征点,存储该第二候选特征点的位置并将该第二候选特征点的响应值作为该第一格子的响应值;
在第二候选特征点中确定目标特征点。
其中,将图像划分成格子前,可以先对图像进行去边界处理,然后对去边界处理后的图像划分格子,并为每个格子预设响应值,例如为每个格子预设响应值为0。用户可以根据自己的需要将图像划分成均匀的格子,如果用户想快速得到计算结果,可以选择将图像划分成较少的格子,如果用户对结果的要求较高,可以选择将图像划分成较多的格子。当然,用户也可以根据自己的需要将图像划分成非均匀的格子,对图像的一部分划分成排布密度较大的格子,对图像的另一部分划分成排布密度较小的格子。
进一步的,确定图像中的第一候选特征点具体包括:将图像划分为多个区域,其中每个区域包括多个格子;在每个区域内,基于第一阈值检测第一候选特征点。
进一步的,将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该格子的第二候选特征点,包括:对于每个第一格子,依次判断各第一候选特征点的响应值是否大于该第一格子的响应值;每当确定存在响应值大于该第一格子的响应值的第一候选特征点,将该第一格子的响应值替换为该第一候选特征点的响应值。
进一步的,确定第一候选特征点所落入的至少一个第一格子,包括:根据第一候选特征点的坐标值判断其所落入的第一格子。
进一步的,在第二候选特征点中确定目标特征点,包括:根据目标特征点的期望数量在第二候选特征点中确定第一数量的目标特征点。
通过将图像划分成格子,并将格子对应的第一候选特征点中最大响应值的第一候选特征点作为第二候选特征点,每个格子只需对应存储一个响应值和一个第二候选特征点的位置即可,大大减少了对内存的需求。而且,通过比较每个格子对应的第一候选特征点的响应值来选择最大响应值的,不需要进行两次阈值筛选,仅通过对每个第一格子进行一次筛选即可,减少了计算量,运算速度加快。另外,因为格子能够遍布整个图像,目标特征点相对图像来说比较有代表性,而且,不需要通过8叉树/4叉树对图像的特征点进行复杂的选择,能够进一步加快运算速度。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种检测图像特征点的方法,其特征在于,包括:
将图像划分成格子,并为每个所述格子预设响应值;
确定所述图像中的第一候选特征点;
确定第一候选特征点所落入的至少一个第一格子;
计算每个所述第一格子内的第一候选特征点的响应值,将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该第一格子的第二候选特征点,存储该第二候选特征点的位置并将该第二候选特征点的响应值作为该第一格子的响应值;
在所述第二候选特征点中确定目标特征点。
2.根据权利要求1所述的检测图像特征点的方法,其特征在于,确定所述图像中的第一候选特征点具体包括:
将图像划分为多个区域,其中每个所述区域包括多个所述格子;
在每个所述区域内,基于第一阈值检测所述第一候选特征点。
3.根据权利要求1所述的检测图像特征点的方法,其特征在于,将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该格子的第二候选特征点,包括:
对于每个第一格子,依次判断各第一候选特征点的响应值是否大于该第一格子的响应值;
每当确定存在响应值大于该第一格子的响应值的第一候选特征点,将该第一格子的响应值替换为该第一候选特征点的响应值。
4.根据权利要求1所述的检测图像特征点的方法,其特征在于,确定第一候选特征点所落入的至少一个第一格子,包括:
根据所述第一候选特征点的坐标值判断其所落入的所述第一格子。
5.根据权利要求1所述的检测图像特征点的方法,其特征在于,在所述第二候选特征点中确定目标特征点,包括:
根据目标特征点的期望数量在所述第二候选特征点中确定第一数量的目标特征点。
6.一种服务器集群,其特征在于,包括至少一个处理器、至少一个存储器,所述至少一个存储器能够存储被所述至少一个处理器处理的指令,所述至少一个处理器配置为执行所述指令以:
将图像划分成格子,并为每个所述格子预设响应值;
确定所述图像中的第一候选特征点;
确定第一候选特征点所落入的至少一个第一格子;
计算每个所述第一格子内的第一候选特征点的响应值,将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该第一格子的第二候选特征点,存储该第二候选特征点的位置并将该第二候选特征点的响应值作为该第一格子的响应值;
在所述第二候选特征点中确定目标特征点。
7.根据权利要求6所述的服务器集群,其特征在于,确定所述图像中的第一候选特征点具体包括:
将图像划分为多个区域,其中每个所述区域包括多个所述格子;
在每个所述区域内,基于第一阈值检测所述第一候选特征点。
8.根据权利要求6所述的服务器集群,其特征在于,将每个第一格子内各第一候选特征点的响应值中最大的响应值对应的第一候选特征点作为该格子的第二候选特征点,包括:
对于每个第一格子,依次判断各第一候选特征点的响应值是否大于该第一格子的响应值;
每当确定存在响应值大于该第一格子的响应值的第一候选特征点,将该第一格子的响应值替换为该第一候选特征点的响应值。
9.根据权利要求6所述的服务器集群,其特征在于,确定第一候选特征点所落入的至少一个第一格子,包括:
根据所述第一候选特征点的坐标值判断其所落入的所述第一格子。
10.根据权利要求6所述的服务器集群,其特征在于,在所述第二候选特征点中确定目标特征点,包括:
根据目标特征点的期望数量在所述第二候选特征点中确定第一数量的目标特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710787114.9A CN107689048B (zh) | 2017-09-04 | 2017-09-04 | 一种检测图像特征点的方法及一种服务器集群 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710787114.9A CN107689048B (zh) | 2017-09-04 | 2017-09-04 | 一种检测图像特征点的方法及一种服务器集群 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107689048A true CN107689048A (zh) | 2018-02-13 |
CN107689048B CN107689048B (zh) | 2022-05-31 |
Family
ID=61155862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710787114.9A Active CN107689048B (zh) | 2017-09-04 | 2017-09-04 | 一种检测图像特征点的方法及一种服务器集群 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107689048B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112005243A (zh) * | 2018-05-04 | 2020-11-27 | 华为技术有限公司 | 用于高级驾驶辅助系统的图像处理装置和方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455797A (zh) * | 2013-09-07 | 2013-12-18 | 西安电子科技大学 | 航拍视频中运动小目标的检测与跟踪方法 |
CN103745459A (zh) * | 2013-12-26 | 2014-04-23 | 西安交通大学 | 一种非结构化点云特征点检测方法及其提取方法 |
CN104574387A (zh) * | 2014-12-29 | 2015-04-29 | 张家港江苏科技大学产业技术研究院 | 水下视觉slam系统中的图像处理方法 |
CN104952109A (zh) * | 2015-06-17 | 2015-09-30 | 西安电子科技大学 | 一种基于Harris的脊椎特征点自动识别方法 |
US20160117797A1 (en) * | 2013-06-06 | 2016-04-28 | Hitachi, Ltd. | Image Processing Apparatus and Image Processing Method |
CN105869136A (zh) * | 2015-01-22 | 2016-08-17 | 北京雷动云合智能技术有限公司 | 一种基于多摄像机的协作式视觉slam方法 |
CN106228567A (zh) * | 2016-08-26 | 2016-12-14 | 西北工业大学 | 一种基于平均曲率流的脊椎特征点自动识别方法 |
US20170061236A1 (en) * | 2015-09-02 | 2017-03-02 | Apple Inc. | Detecting keypoints in image data |
CN106570913A (zh) * | 2016-11-04 | 2017-04-19 | 上海玄彩美科网络科技有限公司 | 基于特征的单目slam快速初始化方法 |
CN106778767A (zh) * | 2016-11-15 | 2017-05-31 | 电子科技大学 | 基于orb和主动视觉的视觉图像特征提取及匹配方法 |
CN107122782A (zh) * | 2017-03-16 | 2017-09-01 | 成都通甲优博科技有限责任公司 | 一种均衡的半密集立体匹配方法 |
CN107679498A (zh) * | 2017-10-11 | 2018-02-09 | 防灾科技学院 | 一种机载激光点云城区道路识别方法 |
-
2017
- 2017-09-04 CN CN201710787114.9A patent/CN107689048B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160117797A1 (en) * | 2013-06-06 | 2016-04-28 | Hitachi, Ltd. | Image Processing Apparatus and Image Processing Method |
CN103455797A (zh) * | 2013-09-07 | 2013-12-18 | 西安电子科技大学 | 航拍视频中运动小目标的检测与跟踪方法 |
CN103745459A (zh) * | 2013-12-26 | 2014-04-23 | 西安交通大学 | 一种非结构化点云特征点检测方法及其提取方法 |
CN104574387A (zh) * | 2014-12-29 | 2015-04-29 | 张家港江苏科技大学产业技术研究院 | 水下视觉slam系统中的图像处理方法 |
CN105869136A (zh) * | 2015-01-22 | 2016-08-17 | 北京雷动云合智能技术有限公司 | 一种基于多摄像机的协作式视觉slam方法 |
CN104952109A (zh) * | 2015-06-17 | 2015-09-30 | 西安电子科技大学 | 一种基于Harris的脊椎特征点自动识别方法 |
US20170061236A1 (en) * | 2015-09-02 | 2017-03-02 | Apple Inc. | Detecting keypoints in image data |
CN106228567A (zh) * | 2016-08-26 | 2016-12-14 | 西北工业大学 | 一种基于平均曲率流的脊椎特征点自动识别方法 |
CN106570913A (zh) * | 2016-11-04 | 2017-04-19 | 上海玄彩美科网络科技有限公司 | 基于特征的单目slam快速初始化方法 |
CN106778767A (zh) * | 2016-11-15 | 2017-05-31 | 电子科技大学 | 基于orb和主动视觉的视觉图像特征提取及匹配方法 |
CN107122782A (zh) * | 2017-03-16 | 2017-09-01 | 成都通甲优博科技有限责任公司 | 一种均衡的半密集立体匹配方法 |
CN107679498A (zh) * | 2017-10-11 | 2018-02-09 | 防灾科技学院 | 一种机载激光点云城区道路识别方法 |
Non-Patent Citations (2)
Title |
---|
PU, Y.,ET.AL: "Jointgan: Multi-domain joint distribution learning with generative adversarial nets", 《IN INTERNATIONAL CONFERENCE ON MACHINE LEARNING》 * |
储蓄: "基于改进SURF算法图像匹配方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112005243A (zh) * | 2018-05-04 | 2020-11-27 | 华为技术有限公司 | 用于高级驾驶辅助系统的图像处理装置和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107689048B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5171118B2 (ja) | 演算処理装置及びその制御方法 | |
US7937346B2 (en) | Calculation processing apparatus and method | |
CN110990516B (zh) | 地图数据的处理方法、装置和服务器 | |
CN106981092B (zh) | 基于Priority-Flood的内流流域提取方法 | |
CN109685806A (zh) | 图像显著性检测方法及装置 | |
WO2020023748A1 (en) | Class level artificial neural network | |
CN113837086A (zh) | 一种基于深度卷积神经网络的水库钓鱼人检测方法 | |
CN107689048A (zh) | 一种检测图像特征点的方法及一种服务器集群 | |
US9514155B1 (en) | Data presentation at different levels of detail | |
CN108509532B (zh) | 一种应用于地图的聚点方法和装置 | |
CN105913451B (zh) | 一种基于图模型的自然图像超像素分割方法 | |
CN106909552A (zh) | 图像检索服务器、系统、相关检索及排错方法 | |
CN114168318A (zh) | 存储释放模型的训练方法、存储释放方法及设备 | |
CN107004295A (zh) | 纹理生成系统 | |
KR101772676B1 (ko) | 이미지 내 연결화소 검출 방법 및 장치 | |
CN111599015B (zh) | 一种约束条件下的空间多边形网格化填充方法和装置 | |
CN108009281A (zh) | 基于矩形方格的渲染方法、装置及计算机可读存储介质 | |
CN112184900A (zh) | 高程数据的确定方法、装置及存储介质 | |
CN110333804A (zh) | 游戏系统中贴图的响应方法、装置、终端设备和存储介质 | |
JP2020107185A (ja) | 画像認識装置、画像認識方法及びプログラム | |
CN111630558B (zh) | 一种图像处理、匹配方法、装置及存储介质 | |
CN108229734A (zh) | 路径规划方法及装置 | |
CN113590042A (zh) | 一种数据保护存储方法、装置及设备 | |
CN107730464A (zh) | 基于块匹配的图像降噪并行算法 | |
CN110837699A (zh) | 河流水系连通数据的确定方法、装置、设备及存储介质 |
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 |