CN108256545B - 一种曲线匹配方法及目标物体的形状匹配方法 - Google Patents

一种曲线匹配方法及目标物体的形状匹配方法 Download PDF

Info

Publication number
CN108256545B
CN108256545B CN201711230510.8A CN201711230510A CN108256545B CN 108256545 B CN108256545 B CN 108256545B CN 201711230510 A CN201711230510 A CN 201711230510A CN 108256545 B CN108256545 B CN 108256545B
Authority
CN
China
Prior art keywords
curve
matched
template
character
local
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.)
Active
Application number
CN201711230510.8A
Other languages
English (en)
Other versions
CN108256545A (zh
Inventor
张雨禾
张顺利
陈小雪
耿国华
周明全
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.)
Northwest University
Original Assignee
Northwest University
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 Northwest University filed Critical Northwest University
Priority to CN201711230510.8A priority Critical patent/CN108256545B/zh
Publication of CN108256545A publication Critical patent/CN108256545A/zh
Application granted granted Critical
Publication of CN108256545B publication Critical patent/CN108256545B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/70—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
    • G06V10/752—Contour matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种曲线匹配方法及目标物体的形状匹配方法，属于计算机图形图像处理领域。其中，曲线匹配方法首先对给定的两个曲线进行均匀采样得到采样点，在每个采样点局部构建坐标系及局部立方体，局部立方体中包含了采样点的邻域点。然后，对立方体进行等间距剖分得到多个小立方体，并设计小立方体的标号方法，邻域点所在立方体的字母构成采样点局部形状字符串。最后，每个采样点局部形状字符串构成曲线字符模式，利用字符串匹配技术对曲线字符模式进行匹配，从而得到曲线的匹配关系。本发明提出的曲线匹配方法，能够快速有效的确定曲线的匹配关系，无需计算采样点的微分几何量，具有效率高、自动化程度高及准确度高的优点。

Description

一种曲线匹配方法及目标物体的形状匹配方法
技术领域
本发明属于计算机图形图像处理技术领域，涉及一种曲线匹配方法及目标物体的形状匹配方法。
背景技术
当观察目标物体时，人们通常会注意到目标物体的轮廓形状及其表面的纹饰图样，因此，物体的形状对于一个物体具有较好的表征意义。在计算机视觉和模式识别领域，目标形状通常能够借助于轮廓曲线进行表示，且目标物体表面的纹理信息等也能够利用曲线进行刻画，因此，曲线匹配是重要的形状匹配方法之一，利用曲线匹配技术能够有效实现目标物体的识别、检索、拼接等处理，且该技术在目标识别和遥感图像检测、医疗诊断、文物复原等领域具有广泛的应用。
曲线匹配技术的核心问题即曲线的描述(利用特征描述子或形状描述子)及其描述子的相似性度量，通过曲线上点的特征(或形状)的相似度确定曲线的匹配关系。目前，针对曲线的匹配，现有工作可以分为两大类：一是采用样条逼近曲线对曲线进行表示，二是利用曲线上采样点的特征不变量对曲线进行描述，这类方法则相对更加准确。在进行相似性度量时，现有方法则主要集中于利用关键点(特征突变点)对曲线进行分段或计算采样点的相似度矩阵，判断曲线的匹配关系或识别相匹配的子曲线段。
利用特征不变量进行曲线描述时，需要计算采样点的微分几何不变量，微分几何不变量的计算往往会受到噪声的影响，且具有较大的计算量，另外，其相似性度量阈值的设定均存在多次调参的问题，因此针对受到噪声扰动、或形状及特征较粗糙的曲线时，不易获得令人满意的效果。另外，在进行目标检索时，需要在一组曲线中识别出与目标曲线相匹配的曲线，利用现有方法需要对所有曲线上采样点的微分几何不变量进行计算及相似性度量，因此效率较低。
发明内容
针对上述现有技术中存在的问题，本发明的目的在于，提供一种曲线匹配方法，解决了现有技术需要计算曲线上采样点的微分几何不变量及其相似性度量所造成的噪声敏感、多次调参及效率较低的问题。
为了实现上述目的，本发明采用如下技术方案：
一种求曲线的有向局部字符模式的方法，包括以下步骤：
步骤一，对曲线进行均匀采样，得到离散的采样点；
步骤二，以每个采样点为坐标原点，以法矢、切矢和副法矢为坐标轴，构建局部坐标系；
步骤三，以采样点为中心，选取该采样点的多个邻域点，构建包含多个邻域点的立方体，立方体的边与局部坐标系的坐标轴平行；
步骤四，分别沿三个坐标轴对立方体进行等间距剖分，形成多个小立方体；对每个小立方体采用字符进行标记；
步骤五，采样点的多个邻域点所在的小立方体对应的字符构成该采样点的局部形状字符串；所有采样点的局部形状字符串构成曲线的有向局部字符模式。
本发明的第二个方面提供一种曲线匹配方法，包括以下步骤：
步骤一，求待匹配曲线的有向字符模式，其包括组成该待匹配曲线的所有采样点的局部形状字符串；
步骤二，求多条模板曲线的有向字符模式，模板曲线的有向字符模式包括组成该模板曲线的所有采样点的局部形状字符串；
步骤三，选取所述多条模板曲线中的一条模板曲线，利用待匹配曲线的有向字符模式和该模板曲线的有向字符模式，采用字符串匹配算法，得到多组初步匹配的子曲线段；
步骤四，对每组初步匹配的子曲线段，求其有向字符模式，采用字符串匹配算法，得到多组二次匹配的子曲线段；
步骤五，对每组二次匹配的子曲线段，求其有向字符模式，采用字符串匹配算法，得到多组三次匹配的子曲线段；
步骤六，若三次匹配的子曲线段的组数、二次匹配的子曲线段的组数和初步匹配的子曲线段的组数一致，则该模板曲线与待匹配曲线相匹配；否则，返回步骤三，在所述多条模板曲线中重新选取一条模板曲线，直到在多个模板曲线中选出与待匹配曲线相匹配的模板曲线；
所述步骤一中的求待匹配曲线的有向字符模式为上述求曲线的有向局部字符模式的方法进行求取；
所述步骤二中的求多条模板曲线的有向字符模式为上述求曲线的有向局部字符模式的方法进行求取；
所述步骤四中的对每组初步匹配的子曲线段，求其有向字符模式，为上述求曲线的有向局部字符模式的方法进行求取；
所述步骤五中的对每组二次匹配的子曲线段，求其有向字符模式，为上述求曲线的有向局部字符模式的方法进行求取。
可选地，所述步骤三中的选取所述多条模板曲线中的一条模板曲线，利用待匹配曲线的有向字符模式和该模板曲线的有向字符模式，采用字符串匹配算法，得到多组初步匹配的子曲线段；包括以下步骤：
步骤3.1：计算待匹配曲线和模板曲线的相似度矩阵；相似度矩阵的行表示待匹配曲线的所有采样点，相似度矩阵的列表示模板曲线的所有采样点，相似度矩阵中的元素表示，待匹配曲线中的采样点的局部形状字符串与模板曲线中的采样点的局部形状字符串相同或者不相同；
步骤3.2：在相似度矩阵中，若表示待匹配曲线中的采样点的局部形状字符串与模板曲线中的采样点的局部形状字符串相同的元素存在多个且连续时，该多个且连续的元素对应的采样点形成为待匹配曲线和模板曲线上的一组初步匹配的子曲线段。
本发明的第三个方面提供一种目标物体的形状匹配方法，包括以下步骤：
提取目标物体的目标轮廓曲线；
提取多个模板物体的模板轮廓曲线；
在多个模板轮廓曲线中，求取与目标轮廓曲线相匹配的模板轮廓曲线；
与目标轮廓曲线相匹配的模板轮廓曲线对应的模板物体即为与目标物体形状匹配的物体；
其中，在多个模板轮廓曲线中，求取与目标轮廓曲线相匹配的模板轮廓曲线，为上述曲线匹配方法进行求取。
与现有技术相比，本发明具有以下技术效果：
通过在多尺度下计算曲线上采样点的有向局部字符模式进行匹配，能够有效地将曲线匹配问题转化为字符串的匹配问题，无需计算点的微分几何量及其相似性度量，且基于多尺度的思想，能够在提高算法鲁棒性的同时，加快曲线匹配效率。采用本发明，能够快速有效地实现三维曲线的匹配，为后续处理提供可靠的基础。
附图说明
图1是本发明曲线匹配方法的流程图；
图2是曲线均匀采样示意图；
图3是局部立方体构建示意图；其中(a)为局部坐标系构建示意图，(b)为所构建的局部立方体示意图；
图4是局部立方体剖分及字母标号示意图；
图5是立方体尺度为1时采样点OLAP计算示意图；
图6是待匹配曲线OLAP计算示意图；
图7是两个部分匹配曲线及其OLAP表示示意图；
图8是待匹配曲线采样点相似度矩阵示意图；
图9是非空立方体二次剖分即尺度为2时采样点OLAP计算示意图；
图10是利用本发明的方法进行曲线完全匹配的结果；(a)为完全匹配曲线对#1，(b)为完全匹配曲线对#2，(c)为完全匹配曲线对#3；
图11是利用本发明的方法进行曲线部分匹配的结果；
下面结合附图和具体实施方式对本发明的方案作进一步详细地解释和说明。
具体实施方式
本发明的一个方面提供一种求曲线的有向局部字符模式的方法，包括以下步骤：
步骤一，对曲线进行均匀采样，得到离散的、分布均匀的采样点；此时曲线转化为具有一定顺序的离散采样点，参见图2。
步骤二，以每个采样点为坐标原点，以法矢
Figure GDA0001674463630000063
切矢
Figure GDA0001674463630000064
副法矢
Figure GDA0001674463630000065
为坐标轴，构建局部坐标系，所构建的局部坐标系参见图3中的(a)图，其中的pi表示第i个采样点。
步骤三，以采样点为中心，从该采样点的两侧分别选取个数相等的连续相邻点作为该采样点的邻域点，邻域点均成对出现，参见图3中的(a)图，点pi的两个邻域点即：pi+1及pi-1，4个邻域点即pi+1、pi-1、pi+2、pi-2。然后构建包含该采样点及其邻域点的立方体:以该采样点为立方体的中心，立方体的边与局部坐标系的坐标轴平行，参见图3中的(b)图，立方体的边长为(n+1)d，其中，n为邻域点个数，d为邻域点间的距离，由于采样点是均匀采样，因此点间距离相等且均为d。
步骤四，分别沿三个坐标轴对立方体进行等间距剖分，形成27个小立方体，中心立方体(即采样点所在小立方体)标记为0，其余26个立方体分别用26个字母标记，参见图4。
步骤五，采样点的多个邻域点所在的小立方体的标记字母构成该采样点的局部形状字符串，参见图5，所有采样点的局部形状字符串构成的字符串，即为该曲线的有向局部字符模式，参见图6。
在图5中，kNN(pi)为采样点pi的邻域点，包括pi-5，pi-4，pi-3，pi-2，pi-1，pi+1，pi+2，pi+3，pi+4，pi+5，此时立方体为尺度(边长)最大的立方体，因此尺度为1，
Figure GDA0001674463630000071
为采样点pi在尺度为1的立方体中的局部形状字符串。
Figure GDA0001674463630000073
为xxxmm0niii。图6中，曲线l1的有向局部字符模式为：(xxxabcoopq)(nnnoprniii)...(oprstuvwni)(xpoummnhij)。
本发明的另一个方面提供一种曲线匹配方法，包括以下步骤：
步骤一，求待匹配曲线的有向字符模式，其包括组成该待匹配曲线的所有采样点的局部形状字符串；
步骤二，求多条模板曲线的有向字符模式，模板曲线的有向字符模式包括组成该模板曲线的所有采样点的局部形状字符串；
步骤三，选取所述多条模板曲线中的一条模板曲线，利用待匹配曲线的有向字符模式和该模板曲线的有向字符模式，采用字符串匹配算法，得到多组初步匹配的子曲线段；由于曲线划为连续离散采样点表示，因此，可以允许曲线中存在部分匹配，参见图7；
步骤四，对每组初步匹配的子曲线段，求其有向字符模式，采用字符串匹配算法，得到多组二次匹配的子曲线段；参见图9，此时立方体为尺度(边长)更小的立方体，因此尺度为2，
Figure GDA0001674463630000072
为一个子曲线段上的采样点pi在尺度为2的立方体中的局部形状字符串，
Figure GDA0001674463630000081
为另一个子曲线段上的采样点qi在尺度为2的立方体中的局部形状字符串，图9中，
Figure GDA0001674463630000082
为xogzqfmrvq，
Figure GDA0001674463630000083
为0o0zqfmiii。
步骤五，对每组二次匹配的子曲线段，求其有向字符模式，采用字符串匹配算法，得到多组三次匹配的子曲线段；
步骤六，若三次匹配的子曲线段的组数、二次匹配的子曲线段的组数和初步匹配的子曲线段的组数一致，则该模板曲线与待匹配曲线相匹配；否则，返回步骤三，在所述多条模板曲线中重新选取一条模板曲线，直到在多个模板曲线中选出与待匹配曲线相匹配的模板曲线。
所述步骤一中的求待匹配曲线的有向字符模式为根据上述求曲线的有向局部字符模式的方法进行求取。
所述步骤二中的求多条模板曲线的有向字符模式为根据上述求曲线的有向局部字符模式的方法进行求取。
所述步骤四中的对每组初步匹配的子曲线段，求其有向字符模式，为根据上述求曲线的有向局部字符模式的方法进行求取。
所述步骤五中的对每组二次匹配的子曲线段，求其有向字符模式，为根据上述求曲线的有向局部字符模式的方法进行求取。
本发明的基于有向局部字符模式的曲线匹配方法，采用由粗到精(Coarse-to-Fine)的多尺度匹配框架，逐步判定曲线的匹配关系。在较粗的尺度上相匹配的子曲线段，在较精细的尺度上不一定相匹配，相反，在较精细的尺度上相匹配的子曲线段，则在较粗的尺度上仍相匹配。因此，在较粗尺度上进行初步匹配，能快速筛选得到潜在匹配的子曲线段，而进一步在较精细尺度上，对在较粗尺度上相匹配的子曲线段进行匹配，则保证了曲线匹配的正确性。
具体地，所述步骤三中的选取所述多条模板曲线中的一条模板曲线，利用待匹配曲线的有向字符模式和该模板曲线的有向字符模式，采用字符串匹配算法，得到多组初步匹配的子曲线段；包括以下步骤：
步骤3.1：计算待匹配曲线和模板曲线的相似度矩阵；相似度矩阵的行表示待匹配曲线的所有采样点，相似度矩阵的列表示模板曲线的所有采样点，相似度矩阵中的元素表示，待匹配曲线中的采样点的局部形状字符串与模板曲线中的采样点的局部形状字符串相同或者不相同；参见图8，其中的“·”表示待匹配曲线中的采样点的局部形状字符串与模板曲线中的采样点的局部形状字符串相同，“×”表示待匹配曲线中的采样点的局部形状字符串与模板曲线中的采样点的局部形状字符串不相同。
即矩阵中具有如下关系的点构成匹配子曲线段：
(i,i+1,i+2,…,i+n)⊙(j,j+1,j+2,…,j+n)(1)
其中，i为矩阵的行标号，j为矩阵的列标号，⊙表示一一对应匹配。
步骤3.2：在相似度矩阵中，若表示待匹配曲线中的采样点的局部形状字符串与模板曲线中的采样点的局部形状字符串相同的元素存在多个且连续时，该多个且连续的元素对应的采样点形成为待匹配曲线和模板曲线上的一组初步匹配的子曲线段。
本发明的第三个方面提供一种目标物体的形状匹配方法，包括以下步骤：
提取目标物体的目标轮廓曲线；
提取多个模板物体的模板轮廓曲线；
在多个模板轮廓曲线中，求取与目标轮廓曲线相匹配的模板轮廓曲线；
与目标轮廓曲线相匹配的模板轮廓曲线对应的模板物体即为与目标物体形状匹配的物体；
其中，在多个模板轮廓曲线中，求取与目标轮廓曲线相匹配的模板轮廓曲线，为根据上述曲线匹配方法进行求取。
实施例
如图10所示为利用本发明的方法进行曲线完全匹配的结果，其中，(a)为完全匹配曲线对#1，(b)为完全匹配曲线对#2，(c)为完全匹配曲线对#3；曲线均为从实际扫描的三维模型中提取出的三维曲线，因此具有一定的噪声扰动，但给定的两个待匹配曲线均为完全匹配。该实验结果验证了本发明方法针对具有噪声扰动的完全匹配曲线，能够得到准确的匹配结果。
如图11所示为利用本发明的方法进行部分曲线匹配的结果，曲线为从实际扫描的三维模型中提取出的三维曲线，因此具有一定的噪声扰动，且给定的两个待匹配曲线中仅有部分子曲线段相互匹配。该实验结果验证了本发明方法针对具有噪声扰动的部分匹配曲线，能够得到准确的匹配结果。

Claims (3)

1.一种曲线匹配方法，其特征在于，包括以下步骤：
步骤一，求待匹配曲线的有向字符模式，其包括组成该待匹配曲线的所有采样点的局部形状字符串；
步骤二，求多条模板曲线的有向字符模式，模板曲线的有向字符模式包括组成该模板曲线的所有采样点的局部形状字符串；
步骤三，选取所述多条模板曲线中的一条模板曲线，利用待匹配曲线的有向字符模式和该模板曲线的有向字符模式，采用字符串匹配算法，得到多组初步匹配的子曲线段；
步骤四，对每组初步匹配的子曲线段，求其有向字符模式，采用字符串匹配算法，得到多组二次匹配的子曲线段；
步骤五，对每组二次匹配的子曲线段，求其有向字符模式，采用字符串匹配算法，得到多组三次匹配的子曲线段；
步骤六，若三次匹配的子曲线段的组数、二次匹配的子曲线段的组数和初步匹配的子曲线段的组数一致，则该模板曲线与待匹配曲线相匹配；否则，返回步骤三，在所述多条模板曲线中重新选取一条模板曲线，直到在多个模板曲线中选出与待匹配曲线相匹配的模板曲线；
所述步骤一中的求待匹配曲线的有向字符模式为根据求曲线的有向局部字符模式的方法进行求取；
所述步骤二中的求多条模板曲线的有向字符模式为根据求曲线的有向局部字符模式的方法进行求取；
所述步骤四中的对每组初步匹配的子曲线段，求其有向字符模式，为根据求曲线的有向局部字符模式的方法进行求取；
所述步骤五中的对每组二次匹配的子曲线段，求其有向字符模式，为根据求曲线的有向局部字符模式的方法进行求取；
所述求曲线的有向局部字符模式的方法包括以下步骤：
步1，对曲线进行均匀采样，得到离散的采样点；
步2，以每个采样点为坐标原点，以法矢、切矢和副法矢为坐标轴，构建局部坐标系；
步3，以采样点为中心，选取该采样点的多个邻域点，构建包含多个邻域点的立方体，立方体的边与局部坐标系的坐标轴平行；
步4，分别沿三个坐标轴对立方体进行等间距剖分，形成多个小立方体；对每个小立方体采用字符进行标记；
步5，采样点的多个邻域点所在的小立方体对应的字符构成该采样点的局部形状字符串；所有采样点的局部形状字符串构成曲线的有向局部字符模式。
2.如权利要求1所述的曲线匹配方法，其特征在于，所述步骤三中的选取所述多条模板曲线中的一条模板曲线，利用待匹配曲线的有向字符模式和该模板曲线的有向字符模式，采用字符串匹配算法，得到多组初步匹配的子曲线段；包括以下步骤：
步骤3.1：计算待匹配曲线和模板曲线的相似度矩阵；相似度矩阵的行表示待匹配曲线的所有采样点，相似度矩阵的列表示模板曲线的所有采样点，相似度矩阵中的元素表示，待匹配曲线中的采样点的局部形状字符串与模板曲线中的采样点的局部形状字符串相同或者不相同；
步骤3.2：在相似度矩阵中，若表示待匹配曲线中的采样点的局部形状字符串与模板曲线中的采样点的局部形状字符串相同的元素存在多个且连续时，该多个且连续的元素对应的采样点形成为待匹配曲线和模板曲线上的一组初步匹配的子曲线段。
3.一种目标物体的形状匹配方法，其特征在于，包括以下步骤：
提取目标物体的目标轮廓曲线；
提取多个模板物体的模板轮廓曲线；
在多个模板轮廓曲线中，求取与目标轮廓曲线相匹配的模板轮廓曲线；
与目标轮廓曲线相匹配的模板轮廓曲线对应的模板物体即为与目标物体形状匹配的物体；
其中，在多个模板轮廓曲线中，求取与目标轮廓曲线相匹配的模板轮廓曲线，为根据权利要求1或2所述的曲线匹配方法进行求取。
CN201711230510.8A 2017-11-29 2017-11-29 一种曲线匹配方法及目标物体的形状匹配方法 Active CN108256545B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711230510.8A CN108256545B (zh) 2017-11-29 2017-11-29 一种曲线匹配方法及目标物体的形状匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711230510.8A CN108256545B (zh) 2017-11-29 2017-11-29 一种曲线匹配方法及目标物体的形状匹配方法

Publications (2)

Publication Number Publication Date
CN108256545A CN108256545A (zh) 2018-07-06
CN108256545B true CN108256545B (zh) 2021-12-28

Family

ID=62722344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711230510.8A Active CN108256545B (zh) 2017-11-29 2017-11-29 一种曲线匹配方法及目标物体的形状匹配方法

Country Status (1)

Country Link
CN (1) CN108256545B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902718B (zh) * 2019-01-24 2023-04-07 西北大学 一种二维形状匹配方法
CN112270815B (zh) * 2020-12-23 2021-03-16 四川写正智能科技有限公司 一种基于智能手表的读写姿态识别方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334845A (zh) * 2007-06-27 2008-12-31 中国科学院自动化研究所 一种基于轨迹序列分析和规则归纳的视频行为识别方法
CN102254146A (zh) * 2010-05-18 2011-11-23 山东新北洋信息技术股份有限公司 磁墨水字符的识别方法、装置及系统
CN105469110A (zh) * 2015-11-19 2016-04-06 武汉大学 基于局部线性迁移的非刚性变换图像特征匹配方法及系统
CN106250938A (zh) * 2016-07-19 2016-12-21 易视腾科技股份有限公司 目标跟踪方法、增强现实方法及其装置
CN106446499A (zh) * 2016-07-04 2017-02-22 北京理工大学 一种基于三维链码的空间曲线识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7894647B2 (en) * 2004-06-21 2011-02-22 Siemens Medical Solutions Usa, Inc. System and method for 3D contour tracking of anatomical structures

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334845A (zh) * 2007-06-27 2008-12-31 中国科学院自动化研究所 一种基于轨迹序列分析和规则归纳的视频行为识别方法
CN102254146A (zh) * 2010-05-18 2011-11-23 山东新北洋信息技术股份有限公司 磁墨水字符的识别方法、装置及系统
CN105469110A (zh) * 2015-11-19 2016-04-06 武汉大学 基于局部线性迁移的非刚性变换图像特征匹配方法及系统
CN106446499A (zh) * 2016-07-04 2017-02-22 北京理工大学 一种基于三维链码的空间曲线识别方法
CN106250938A (zh) * 2016-07-19 2016-12-21 易视腾科技股份有限公司 目标跟踪方法、增强现实方法及其装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
3-D Curve Matching Using Splines;Eyat Kishon 等;《ECCV 1990:European Conference on Computer Vision》;20050609;589-591 *
Feature-preserving T-mesh construction using skeleton-based polycubes;Lei Liu 等;《ELSEVIER:Computer-Aided Design》;20140826;162-172 *
一种轮廓曲线的匹配方法;高瑞璞;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140915;I138-1083 *
医学影象数据库（MidBASE）的关键技术研究;耿国华;《中国博士学位论文全文数据库 信息科技辑》;20020215;I138-37 *
基于断裂面匹配的破碎刚体复原研究;李群辉;《中国博士学位论文全文数据库 信息科技辑》;20140215;I138-26 *
逆向工程中回转体碎片旋转轴提取方法研究;聂博林;《轻工机械》;20170411;11-15+19 *

Also Published As

Publication number Publication date
CN108256545A (zh) 2018-07-06

Similar Documents

Publication Publication Date Title
CN102663391B (zh) 一种图像的多特征提取与融合方法及系统
CN103077512B (zh) 基于主成分析的数字图像的特征提取与匹配方法
CN102938066B (zh) 一种基于多元数据重建建筑物外轮廓多边形的方法
WO2018072233A1 (zh) 一种基于选择性搜索算法的车标检测识别方法及系统
CN105389550B (zh) 一种基于稀疏指引与显著驱动的遥感目标检测方法
CN101526944B (zh) 图像检索比对方法
CN107392215A (zh) 一种基于sift算法的重图检测方法
Tao et al. Unsupervised detection of built-up areas from multiple high-resolution remote sensing images
CN107424161B (zh) 一种由粗至精的室内场景图像布局估计方法
CN104298971A (zh) 一种3d点云数据中的目标识别方法
CN108573511B (zh) 点状分布合作编码标志及其识别定位方法
CN104850822B (zh) 基于多特征融合的简单背景下的叶片识别方法
CN105069395B (zh) 基于地面三维激光扫描技术的道路标线自动识别方法
CN107392929A (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
CN105718552A (zh) 基于服装手绘草图的服装图像检索方法
CN110634131A (zh) 一种裂缝图像识别与建模方法
CN108256545B (zh) 一种曲线匹配方法及目标物体的形状匹配方法
CN108182705A (zh) 一种基于机器视觉的三维坐标定位方法
CN113379777A (zh) 一种基于最小外接矩形垂直内距离比例的形状描述与检索方法
CN108932518A (zh) 一种基于视觉词袋模型的鞋印图像特征提取及检索方法
CN114091606A (zh) 一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法
CN115731257A (zh) 基于图像的叶片形态信息提取方法
Musicco et al. Automatic point cloud segmentation for the detection of alterations on historical buildings through an unsupervised and clustering-based Machine Learning approach
CN109472785B (zh) 基于多结构元素震害受损建筑物快速识别方法
CN107330886A (zh) 一种表面微小损伤的高精度量化方法

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