CN108573269A - 图像特征点匹配方法、匹配装置、电子设备及存储介质 - Google Patents
图像特征点匹配方法、匹配装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN108573269A CN108573269A CN201710999538.1A CN201710999538A CN108573269A CN 108573269 A CN108573269 A CN 108573269A CN 201710999538 A CN201710999538 A CN 201710999538A CN 108573269 A CN108573269 A CN 108573269A
- Authority
- CN
- China
- Prior art keywords
- image
- position offset
- rectangular area
- characteristic point
- layer
- 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
- G06V10/70—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
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram 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
本发明实施例提供了一种图像特征点匹配方法、匹配装置、电子设备及存储介质,其中方法包括:将获取的模板图像和待匹配图像分别转换为第一、第二图像金字塔模型,将第一图像金字塔模型的其它层中与特征点对应的点的坐标进行取整处理,从最高层开始,逐层计算所述第二图像金字塔中各层的矩形窗口相对于所述第一图像金字塔中对应层的矩形区域的位置偏移量,生成所述第二图像金字塔的最底层对应的最终位置偏移量,根据生成的最终位置偏移量,确定模板图像的特征点在待匹配图像中的匹配位置。本发明实施例在计算各层区域的位置偏移量时,不需要再进行双线性插值运算,从而能够降低图像特征点匹配计算过程的运算量。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种图像特征点匹配方法、匹配装置、电子设备及存储介质。
背景技术
随着科技进步,越来越多的移动终端开始具有拍照功能。并且,随着移动终端的摄像头规格不断提升,能够拍摄的图像分辨率也越来越高。现有大多数移动终端的摄像头,能够轻易地拍出千万级别像素的图像。用户在获取高像素图像的同时,也越来越注重基于图像的后期处理。从过去的单张图像处理,到现在逐渐广泛采用的多张图像处理,从而能够结合多张图片的信息,创造出更多的图像特效。例如,在一段时间内拍摄多张不同时刻物体运动的图像,将多张静态图像合成为一张动态图像。
在需要合成的图像中,各图像往往存在相同的部分,因此,可以利用这一特点,将两张图像中相同的部分对齐,从而达到合成动态图像的目的。当进行图像对齐时,可以使用图像特征点匹配技术,即,将其中一张图像作为模板图像,在模板图像中取一特征点,在另一张待匹配图像中寻找与模板图像中的特征点最相似的点,这个最相似的点便是最佳匹配点。
现有的特征点匹配技术,一般包含全局特征点匹配技术和局部特征点匹配技术。
其中,全局特征点匹配技术,通过分别确定出模板图像和待匹配图像中所有满足约束条件的特征点,然后计算每个特征点的描述向量,通过对比两张图像上所有特征点的描述向量的相似程度,最终得到两两最匹配的特征点序列。
局部特征点匹配技术,通过确定模板图像中满足预设约束条件的特征点,然后在一定范围的矩形框中,寻找待匹配图像与模板图像中指定的点最相似的点,这个最相似的点也就是局部最佳匹配点。
图像局部特征点匹配技术,一般采用块匹配方法,在待匹配图像中对模板图像的特征点进行匹配。参考图1,图1为现有的块匹配方法的操作示意图。该方法具体为:先在模板图像T中取一特征点P,再以特征点P为中心,取一个矩形块,然后在待匹配图像I中取一个同样大小的矩形块,待匹配图像I的图像块相对于模板图像T的图像块的偏移量为(u,v),移动待匹配图像的矩形块,每次移动时,计算当前位置两个矩形块内,每个对应位置的像素点的差值的平方和,在预设的图像搜索范围内,差值平方和最小的位置,就是特征点在待匹配图像中的匹配位置。
当采用块匹配方法确定模板图像的特征点在待匹配图像中的匹配位置时,需要将模板图像和待匹配图像分别转换为图像金字塔模型。图像金字塔模型是将一张图像通过逐层降采样得到的多层图像层,各图像层按从下到上的次序编号。在图像金字塔模型中,每一层图像的尺寸都比其下一层图像的尺寸小。通过从上到下逐层计算模板图像对应的图像金字塔中每层图像的位置偏移量,从而确定出最底层对应的最终位置偏移量,即可通过最终位置偏移量确定模板图像的特征点在待匹配图像中的匹配位置。但是,现有的块匹配方法,在确定图像金字塔中每一层图像的位置偏移量时,均需要进行双线性插值运算,导致运算量大。
发明内容
本发明实施例的目的在于提供一种图像特征点匹配方法、匹配装置、电子设备及存储介质,以实现降低图像特征点匹配计算过程运算量的目的。具体技术方案如下:
第一方面,本发明实施例提供了一种图像特征点匹配方法,包括:
获取模板图像和待匹配图像,并确定所述模板图像中的特征点;
将所述模板图像转换为第一图像金字塔模型,将所述待匹配图像转换为第二图像金字塔模型,其中,所述第一图像金字塔模型和所述第二图像金字塔模型具有相同层数,所述模板图像位于所述第一图像金字塔模型的最底层,所述待匹配图像位于所述第二图像金字塔模型的最底层;
在所述第一图像金字塔模型的最底层中,以所述特征点为中心选取一矩形区域;
在所述第一图像金字塔模型的其它层中,生成与所述特征点对应的点的坐标,并在所述第一图像金字塔模型的其它层中,对与所述特征点对应的点的坐标进行取整处理;
针对经取整处理后的所述第一图像金字塔模型其它层中与所述特征点对应的点的坐标,生成各层的矩形区域,在第二图像金字塔模型中生成与所述各层的矩形区域对应的矩形窗口,逐层计算所述矩形窗口相对于所述矩形区域的位置偏移量,根据计算得到的最终位置偏移量,确定所述模板图像的特征点在所述待匹配图像中的匹配位置。
可选地,所述针对经取整处理后的所述第一图像金字塔模型其它层中与所述特征点对应的点的坐标,生成各层的矩形区域,在第二图像金字塔模型中生成与所述各层的矩形区域对应的矩形窗口,逐层计算所述矩形窗口相对于所述矩形区域的位置偏移量,根据计算得到的最终位置偏移量,确定所述模板图像的特征点在所述待匹配图像中的匹配位置,包括:
通过经取整处理后的与所述特征点对应的点的坐标,在与所述特征点对应的点所在的所述其它层中,分别生成与所述最底层的矩形区域相对应的各矩形区域;
在所述第二图像金字塔模型的各层中,分别生成与所述第一图像金字塔模型中对应各层的矩形区域尺寸相同的矩形窗口;
从最高层开始,逐层计算所述第二图像金字塔中各层的矩形窗口相对于所述第一图像金字塔中对应层的矩形区域的位置偏移量,生成所述第二图像金字塔的最底层对应的最终位置偏移量,其中,每一层的迭代初始值均为上一层计算得到的位置偏移量;
根据所述最终位置偏移量的大小及方向,确定所述模板图像的特征点在所述待匹配图像中的匹配位置。
可选地,所述在所述第一图像金字塔模型的最底层中,以所述特征点为中心选取一矩形区域,包括:
在所述第一图像金字塔模型的最底层中,以所述特征点为圆心,选取一半径为r的圆,并选取所述圆的外接正方形作为所述矩形区域。
可选地,所述在所述第一图像金字塔模型的最底层中,以所述特征点为圆心,选取一半径为r的圆,并选取所述圆的外接正方形作为所述矩形区域,包括:
通过以下公式,在所述第一图像金字塔模型的最底层中,生成所述矩形区域W:
W=[xp-r,xp+r]×[yp-r,yp+r],
式中,xp表示所述特征点的横坐标,yp表示所述特征点的纵坐标,xp-r表示所述矩形区域的左边界,xp+r表示所述矩形区域的右边界,yp-r表示所述矩形区域的下边界,yp+r表示所述矩形区域的上边界,r表示所述矩形区域内切圆的半径。
可选地,所述通过经取整处理后的与所述特征点对应的点的坐标,在所述第一图像金字塔模型的其它层中,分别生成与所述最底层的矩形区域相对应的各矩形区域,包括:
通过以下公式,在所述第一图像金字塔模型其它任一L层中,生成与所述最底层的矩形区域相对应的矩形区域W(L):
式中,表示L层中经取整处理后的与特征点对应的点的横坐标,表示L层中经取整处理后的与特征点对应的点的纵坐标,表示L层中矩形区域的左边界,表示L层中矩形区域的右边界,表示L层中矩形区域的下边界,表示L层中矩形区域的上边界。
可选地,所述从最高层开始,逐层计算所述第二图像金字塔中各层的矩形窗口相对于所述第一图像金字塔中对应层的矩形区域的位置偏移量,生成所述第二图像金字塔的最底层对应的最终位置偏移量,包括:
将所述第二图像金字塔模型最高层的矩形窗口相对于所述第一图像金字塔模型最高层的矩形区域的位置偏移量作为最高层的位置偏移量初始值;
将最高层作为当前层,计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算所述当前层的残差矩阵;
将所述海森矩阵的可逆矩阵与所述当前层的残差矩阵相乘,得到所述当前层的位置偏移量初始值的增量;
将所述当前层的位置偏移量初始值与所述当前层的位置偏移量初始值的增量相加,得到当前层的更新位置偏移量,并判断所述位置偏移量初始值的增量是否小于当前层对应的预设阈值;
如果不小于预设阈值,则使用所述当前层的更新位置偏移量更新所述当前层的位置偏移量初始值,并返回执行所述根据当前层的位置偏移量初始值计算所述当前层矩形区域的残差矩阵的步骤,直到迭代次数达到当前层对应的预设次数,或者位置偏移量初始值的增量小于预设阈值为止,得到新的当前层的更新位置偏移量;
将所述新的当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,将下一层作为当前层,并返回执行所述计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算所述当前层矩形区域的残差矩阵,直到生成最终位置偏移量;
如果小于预设阈值,将所述当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,将下一层作为当前层,并返回执行所述计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算所述当前层矩形区域的残差矩阵,直到生成最终位置偏移量。
可选地,所述计算当前层的海森矩阵,包括:
通过以下公式,计算L层的海森矩阵H:
式中,Tx(x,y)和Ty(x,y)均表示偏导数,T(L)表示第一图像金字塔模型中第L层的图像,W(L)表示第一图像金字塔模型中第L层的矩形区域。
可选地,所述根据当前层的位置偏移量初始值计算所述当前层的残差矩阵,包括:
通过以下公式,计算L层的残差矩阵b:
式中,Tx(x,y)和Ty(x,y)均表示偏导数,T(L)表示第一图像金字塔模型中第L层的图像,W(L)表示第一图像金字塔模型中第L层的矩形区域,I(L)表示第二图像金字塔模型中第L层的图像,u(L)表示第L层的位置偏移量在X轴的分量,v(L)表示第L层的位置偏移量在Y轴的分量。
可选地,所述根据所述最终位置偏移量的大小及方向,确定所述模板图像的特征点在所述待匹配图像中的匹配位置,包括:
将所述最终位置偏移量与所述特征点的坐标相加,将所述待匹配图像中与相加后得到的坐标对应的位置确定为所述特征点的匹配位置。
第二方面,本发明实施例提供了一种图像特征点匹配装置,包括:
获取模块,用于获取模板图像和待匹配图像,并确定所述模板图像中的特征点;
转换模块,用于将所述模板图像转换为第一图像金字塔模型,将所述待匹配图像转换为第二图像金字塔模型,其中,所述第一图像金字塔模型和所述第二图像金字塔模型具有相同层数,所述模板图像位于所述第一图像金字塔模型的最底层,所述待匹配图像位于所述第二图像金字塔模型的最底层;
选取模块,用于在所述第一图像金字塔模型的最底层中,以所述特征点为中心选取一矩形区域;
生成模块,用于在所述第一图像金字塔模型的其它层中,生成与所述特征点对应的点的坐标,并在所述第一图像金字塔模型的其它层中,对与所述特征点对应的点的坐标进行取整处理;
确定模块,用于针对经取整处理后的所述第一图像金字塔模型其它层中与所述特征点对应的点的坐标,生成各层的矩形区域,在第二图像金字塔模型中生成与所述各层的矩形区域对应的矩形窗口,逐层计算所述矩形窗口相对于所述矩形区域的位置偏移量,根据计算得到的最终位置偏移量,确定所述模板图像的特征点在所述待匹配图像中的匹配位置。
可选地,所述确定模块,包括:
第一生成子模块,用于通过经取整处理后的与所述特征点对应的点的坐标,在与所述特征点对应的点所在的所述其它层中,分别生成与所述最底层的矩形区域相对应的各矩形区域;
第二生成子模块,用于在所述第二图像金字塔模型的各层中,分别生成与所述第一图像金字塔模型中对应各层的矩形区域尺寸相同的矩形窗口;
计算子模块,用于从最高层开始,逐层计算所述第二图像金字塔中各层的矩形窗口相对于所述第一图像金字塔中对应层的矩形区域的位置偏移量,生成所述第二图像金字塔的最底层对应的最终位置偏移量,其中,每一层的迭代初始值均为上一层计算得到的位置偏移量;
确定子模块,用于根据所述最终位置偏移量的大小及方向,确定所述模板图像的特征点在所述待匹配图像中的匹配位置。
可选地,所述选取模块,具体用于:
在所述第一图像金字塔模型的最底层中,以所述特征点为圆心,选取一半径为r的圆,并选取所述圆的外接正方形作为所述矩形区域。
可选地,所述选取模块,具体用于:
通过以下公式,在所述第一图像金字塔模型的最底层中,生成所述矩形区域W:
W=[xp-r,xp+r]×[yp-r,yp+r],
式中,xp表示所述特征点的横坐标,yp表示所述特征点的纵坐标,xp-r表示所述矩形区域的左边界,xp+r表示所述矩形区域的右边界,yp-r表示所述矩形区域的下边界,yp+r表示所述矩形区域的上边界,r表示所述矩形区域内切圆的半径。
可选地,所述生成模块,具体用于:
通过以下公式,在所述第一图像金字塔模型其它任一L层中,生成与所述最底层的矩形区域相对应的矩形区域W(L):
式中,表示L层中经取整处理后的与特征点对应的点的横坐标,表示L层中经取整处理后的与特征点对应的点的纵坐标,表示L层中矩形区域的左边界,表示L层中矩形区域的右边界,表示L层中矩形区域的下边界,表示L层中矩形区域的上边界。
可选地,所述计算子模块,包括:
初始化单元,用于将所述第二图像金字塔模型最高层的矩形窗口相对于所述第一图像金字塔模型最高层的矩形区域的位置偏移量作为最高层的位置偏移量初始值;
第一计算单元,用于将最高层作为当前层,计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算所述当前层的残差矩阵;
第二计算单元,用于将所述海森矩阵的可逆矩阵与所述当前层的残差矩阵相乘,得到所述当前层的位置偏移量初始值的增量;
判断单元,用于将所述当前层的位置偏移量初始值与所述当前层的位置偏移量初始值的增量相加,得到当前层的更新位置偏移量,并判断所述位置偏移量初始值的增量是否小于当前层对应的预设阈值;
第三计算单元,用于如果不小于预设阈值,则使用所述当前层的更新位置偏移量更新所述当前层的位置偏移量初始值,并触发所述第一计算单元根据当前层的位置偏移量初始值计算所述当前层矩形区域的残差矩阵,直到迭代次数达到当前层对应的预设次数,或者位置偏移量初始值的增量小于预设阈值为止,得到新的当前层的更新位置偏移量;
第四计算单元,用于将所述新的当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,将下一层作为当前层,并触发所述第一计算单元计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算所述当前层矩形区域的残差矩阵,直到生成最终位置偏移量;
第五计算单元,用于如果小于预设阈值,将所述当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,将下一层作为当前层,并触发所述第一计算单元计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算所述当前层矩形区域的残差矩阵,直到生成最终位置偏移量。
可选地,所述第一计算单元,具体用于:
通过以下公式,计算L层的海森矩阵H:
式中,Tx(x,y)和Ty(x,y)均表示偏导数,T(L)表示第一图像金字塔模型中第L层的图像,W(L)表示第一图像金字塔模型中第L层的矩形区域。
可选地,所述第一计算单元,具体用于:
通过以下公式,计算L层的残差矩阵b:
式中,Tx(x,y)和Ty(x,y)均表示偏导数,T(L)表示第一图像金字塔模型中第L层的图像,W(L)表示第一图像金字塔模型中第L层的矩形区域,I(L)表示第二图像金字塔模型中第L层的图像,u(L)表示第L层的位置偏移量在X轴的分量,v(L)表示第L层的位置偏移量在Y轴的分量。
可选地,所述确定子模块,具体用于:
将所述最终位置偏移量与所述特征点的坐标相加,将所述待匹配图像中与相加后得到的坐标对应的位置确定为所述特征点的匹配位置。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
机器可读存储介质存储有能够被处理器执行的机器可执行指令,处理器被机器可执行指令促使:实现上述第一方面提供的图像特征点匹配方法步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现上述第一方面提供的图像特征点匹配方法步骤。
第五方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面提供的一种图像特征点匹配方法步骤。
第六方面,本发明实施例还提供了一种计算机程序,当其在计算机上运行时,使得计算机执行上述第一方面提供的一种图像特征点匹配方法步骤。
本发明实施例提供的一种图像特征点匹配方法、匹配装置、电子设备及存储介质,通过将第一图像金字塔模型的其它层中与特征点对应的点的坐标进行取整处理,将第一图像金字塔模型的其它层的区域,由原来的小数表示转化为整数表示,从而在计算各层区域的位置偏移量时,不需要再进行双线性插值运算,从而能够降低图像特征点匹配计算过程的运算量。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为现有的块匹配方法的操作示意图;
图2为本发明实施例的图像特征点匹配方法的流程示意图;
图3为本发明实施例的图像特征点匹配方法中,确定矩形区域和矩形窗口及计算位置偏移量的流程示意图;
图4为本发明实施例的图像特征点匹配装置的结构示意图;
图5为本发明实施例的图像特征点匹配装置中确定模块的结构示意图;
图6为本发明实施例的图像特征点匹配装置中计算子模块的结构示意图;
图7为本发明实施例的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图2所示,本发明实施例提供了一种图像特征点匹配方法过程,可以应用于移动终端,当然也可以应用于其他类型的具有数据处理运算功能的设备,该过程可以包括以下步骤:
S101、获取模板图像和待匹配图像,并确定模板图像中的特征点。
模板图像,是指一幅用以参考的图像,在模板图像中,包含有至少一个特征点。待匹配图像,是指一幅包含模板图像重叠部分的、有待与模板图像中特征点进行匹配的图像。因此,可以通过将待匹配图像中的像素点与模板图像中的特征点进行匹配,从而达到匹配特征点的目的。
可选地,可以从用户拍摄的多张照片中,选取两张具有画面重叠部分的照片分别作为模板图像和待匹配图像;或者,也可以从存储器或者互联网直接获取模板图像和待匹配图像。
特征点也称为角点,可以是指与周围像素有显著明暗差异的像素点,它指示了物体边缘变化的不连续方向。从数学角度分析可知,特征点处的一阶导数往往最大,二阶导数往往为零,因此可以认为,特征点是一阶导数的局部最大所对应的像素点。
确定模板图像中的特征点,可以通过多种方法确定,例如,可以通过模板图像中某一轮廓上的曲率极大点确定,也可以根据模板图像中各像素点的色度、亮度信息确定,或者还可以显示模板图像,机器根据用户在模板图像中选取的点,确认为特征点。
S102、将模板图像转换为第一图像金字塔模型,将待匹配图像转换为第二图像金字塔模型,其中,第一图像金字塔模型和第二图像金字塔模型具有相同层数,模板图像位于第一图像金字塔模型的最底层,待匹配图像位述第二图像金字塔模型的最底层。
图像金字塔模型是将一张图像通过逐层降采样得到的多层图像层,各图像层可以按照从下到上的次序编号。在图像金字塔模型中,每一层图像的尺寸都比其下一层图像的尺寸小。具体地,当某一层图像的长和宽分别为M,则下一层图像的长和宽可以分别为2M。
可选地,可以利用OpenCV软件将模板图像转换为第一图像金字塔模型,将待匹配图像转换为第二图像金字塔模型。具体地,可以以模板图像或者待匹配图像作为最底层图像,然后通过降采样,生成与模板图像或者待匹配图像对应的次底层图像,且次底层图像的大小为最底层图像大小的四分之一。通过逐层降采样,最终生成第一图像金字塔模型和第二图像金字塔模型。
本发明实施例中,第一图像金字塔模型和第二图像金字塔模型分别由模板图像和待匹配图像转换而来。因此容易理解,模板图像位于第一图像金字塔模型的最底层,待匹配图像位述第二图像金字塔模型的最底层。
S103、在第一图像金字塔模型的最底层中,以特征点为中心选取一矩形区域。
本发明实施例中,容易理解的是,第一图像金字塔模型的最底层可以是模板图像。在第一图像金字塔模型的最底层中确定特征点,并以该特征点为中心,选取一个矩形区域,相当于在模板图像中选取一个矩形区域。需要说明的是,选取的矩形区域可以为长方形区域,也可以为正方形区域,可以根据实际需求选取。
具体地,可以在第一图像金字塔模型的最底层中,以特征点为圆心,选取一个半径为r的圆,然后,以该圆的外接正方形作为所选取的矩形区域。通过上述方法选取的矩形区域,其边长的一半即为半径r,能够方便后续计算该矩形区域,本领域技术人员可以根据实际情况(例如模板图像和待匹配图像的大小、所需矩形区域大小)选择半径r的大小,本发明实施例在此不做限定。
进一步,具体地,可以通过以下公式,在第一图像金字塔模型的最底层中,生成矩形区域W:
W=[xp-r,xp+r]×[yp-r,yp+r] (1)
式(1)中,xp表示特征点的横坐标,yp表示特征点的纵坐标,xp-r表示矩形区域的左边界,xp+r表示矩形区域的右边界,yp-r表示矩形区域的下边界,yp+r表示矩形区域的上边界,r表示矩形区域内切圆的半径。
通过上述公式,可以明确地表示第一图像金字塔模型的最底层中(即模板图像中),根据特征点所确定的矩形区域的范围。
S104、在第一图像金字塔模型的其它层中,生成与特征点对应的点的坐标,并在第一图像金字塔模型的其它层中,对与特征点对应的点的坐标进行取整处理。
本发明实施例中,根据步骤S103确定矩形区域的范围后,容易理解的是,由于当前层矩形区域的边长是其上一层矩形区域边长的2倍,则在第一图像金字塔模型中,如果当前层特征点的坐标为(xp,yp),则当前层的上一层中,与特征点对应的点的坐标为再上一层中与特征点对应的点的坐标为……以此类推,可以在第一图像金字塔模型的其它层中,生成与特征点对应的点的坐标。
在本发明实施例中,由于上一层与特征点对应的点的坐标为当前层坐标的一半,因此,当前层的上一层的特征点的坐标可能会出现小数。例如,当前层特征点的坐标为(3,5),则上一层与特征点对应的点的坐标为可见,横、纵坐标均为小数。
传统的逆向混合算法在后续迭代计算的时候都是按高精度计算的,由于出现小数,在计算图像块内每个点的差值的时候就要进行双线性插值运算,运算量较大。为了降低运算量,本发明实施例可以在第一图像金字塔模型的其它层中,对与特征点对应的点的坐标进行取整处理,从而避免出现带有小数的特征点坐标,在后续迭代计算时,不需要再进行双线性插值,从而降低计算量。由于计算量降低,能够更快地确定出模板图像的特征点在待匹配图像中的匹配位置。
例如,可选地,仍以上述坐标举例,上一层与特征点对应的点的坐标为 由于2是大于且与最近似的整数,3是大于且与最近似的整数,因此,可通过取整处理,将该坐标改变为(2,3)。或者,由于1是小于的且与最近似的整数,2是小于且与最近似的整数,因此,可通过取整处理,还可以将该坐标改变为(1,2);当然,也可以根据四舍五入法则,直接对与特征点对应的点的坐标进行取整。
S105、针对经取整处理后的第一图像金字塔模型其它层中与特征点对应的点的坐标,生成各层的矩形区域,在第二图像金字塔模型中生成与各层的矩形区域对应的矩形窗口,逐层计算矩形窗口相对于矩形区域的位置偏移量,根据计算得到的最终位置偏移量,确定模板图像的特征点在待匹配图像中的匹配位置。
本发明实施例中,对与特征点对应的点的坐标进行取整处理后,可以利用这些点的坐标,生成第一图像金字塔模型中各层的矩形区域,从而可以在第二图像金字塔模型中,生成各层的矩形区域对应的矩形窗口。至此,便可以确定出第一图像金字塔模型各层的矩形区域,以及第二图像金字塔模型中各层的矩形窗口,从而逐层计算各层矩形窗口相对于各层矩形区域的位置偏移量,直到计算出最终的位置偏移量,进而根据最终位置偏移量确定模板图像的特征点在待匹配图像中的匹配位置。
如图3所示,可选地,上述确定矩形区域和矩形窗口及计算位置偏移量的过程,可以为:
S1051、通过经取整处理后的与特征点对应的点的坐标,在与特征点对应的点所在的其它层中,分别生成与最底层的矩形区域相对应的各矩形区域。
根据图像金字塔模型的特点可知,图像金字塔的其它层图像是由其最底层图像逐层缩小得到的,因此,各层间的矩形区域也存在对应关系。得到取整处理后的与特征点对应的点的坐标后,可以通过该坐标表示其它层中的矩形区域,也即,在与特征点对应的点所在的其它层中,分别生成与最底层的矩形区域相对应的各矩形区域。
具体的,可以通过以下公式,在第一图像金字塔模型其它任一L层中,生成与最底层的矩形区域相对应的矩形区域W(L):
式(2)中,表示L层中经取整处理后的与特征点对应的点的横坐标,表示L层中经取整处理后的与特征点对应的点的纵坐标,表示L层中矩形区域的左边界,表示L层中矩形区域的右边界,表示L层中矩形区域的下边界,表示L层中矩形区域的上边界。
通过上述公式,可以明确地表示第一图像金字塔模型的其它层中,根据与特征点对应的点所确定的矩形区域的范围。
S1052、在第二图像金字塔模型的各层中,分别生成与第一图像金字塔模型中对应各层的矩形区域尺寸相同的矩形窗口。
本发明实施例中,确定第一图像金字塔模型中各层的矩形区域后,可以在第二图像金字塔模型的各层中,确定与第一图像金字塔模型中对应各层的矩形区域尺寸相同的矩形窗口。该矩形窗口可以以第二图像金字塔模型的当前层的左上角的像素点为起点建立,然后逐像素点不断生成,可以保证所生成的矩形窗口遍历第二图像金字塔模型的当前层中每一个像素点。
本发明实施例中,第二图像金字塔模型中矩形窗口的大小与对应层的第一图像金字塔模型中矩形区域的尺寸相同,可以便于匹配计算。
S1053、从最高层开始,逐层计算第二图像金字塔中各层的矩形窗口相对于第一图像金字塔中对应层的矩形区域的位置偏移量,生成第二图像金字塔的最底层对应的最终位置偏移量;其中,每一层的迭代初始值均为上一层计算得到的位置偏移量。
本发明实施例中,逐层计算第二图像金字塔中各层的矩形窗口相对于第一图像金字塔中对应层的矩形区域的位置偏移量的过程,可以是将第二图像金字塔各层图像的矩形窗口中的像素点与第一图像金字塔中对应层的矩形区域的像素点进行比对的过程。
由于图像金字塔的特点,第二图像金字塔最高层的图像相对于第一图像金字塔最高层的图像,位置偏移量最小。因此其数学计算过程可以为,从最高层开始,逐层计算第二图像金字塔中各层的矩形窗口相对于第一图像金字塔中对应层的矩形区域的位置偏移量,并将上一层计算得到的位置偏移量作为当前层的迭代初始值,通过迭代计算,计算得到最终的偏移量。
其中,S1053中计算位置偏移量的具体计算过程,可以为:
步骤A、初始化第二图像金字塔模型最高层的矩形窗口相对于第一图像金字塔模型最高层的矩形区域的位置偏移量,将初始化得到的位置偏移量作为最高层的位置偏移量初始值。
本发明实施例中,根据图像金字塔模型的特点,第二图像金字塔模型中最高层的矩形窗口和第一图像金字塔模型最高层的矩形区域已经变得很小,因此,第二图像金字塔模型最高层的矩形窗口相对于第一图像金字塔模型最高层的矩形区域的位置偏移量也已经变的很小,此时可以认为第二图像金字塔模型最高层的矩形窗口相对于第一图像金字塔模型最高层的矩形区域的位置偏移量为零。
对于之后的迭代计算步骤,可以对第二图像金字塔模型最高层的矩形窗口相对于第一图像金字塔模型最高层的矩形区域的位置偏移量赋予初始值,该过程为初始化操作过程。初始化操作得到的位置偏移量,可以作为最高层的位置偏移量初始值。
具体地,在第一图像金字塔模型最高层Lmax中,可以通过式(5),初始化第二图像金字塔模型最高层的矩形窗口相对于第一图像金字塔模型最高层的矩形区域的位置偏移量和
即表示令和分别赋值为0,从而得到最高层的位置偏移量初始值。
步骤B、将最高层作为当前层,计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算当前层的残差矩阵。
本发明实施例中,通过计算当前层的海森矩阵和残差矩阵,可以得到当前层位置偏移量的增量。
具体的,通过以下公式,计算当前层L层的海森矩阵H:
式(3)中,Tx(x,y)和Ty(x,y)均表示偏导数,T(L)表示第一图像金字塔模型中第L层的图像,W(L)表示第一图像金字塔模型中第L层的矩形区域。
或者,直接将上述公式表示为:
海森矩阵是一个多元函数的二阶偏导数,或二次函数梯度与梯度转置的矩阵乘积构成的方阵。海森矩阵描述函数的局部曲率,本发明实施例中,构建海森矩阵的目的,是为了检测图像的角点(突变点)。
通过以下公式,计算当前层L层的残差矩阵b:
式(4)中,Tx(x,y)和Ty(x,y)均表示偏导数,T(L)表示第一图像金字塔模型中第L层的图像,W(L)表示第一图像金字塔模型中第L层的矩形区域,I(L)表示第二图像金字塔模型中第L层的图像,u(L)表示第L层的位置偏移量在X轴的分量,v(L)表示第L层的位置偏移量在Y轴的分量。
或者,直接将上述公式表示为:
残差矩阵描述了梯度与实际值与估计值的差的乘积,本申请实施例中,通过残差矩阵得到的值,是实际位置对应的像素值与偏移位置对应的像素值的插值,经过梯度缩放后的结果。
步骤C、将海森矩阵的可逆矩阵与当前层的残差矩阵相乘,得到当前层的位置偏移量初始值的增量。
本发明实施例中,计算得到当前层L层的海森矩阵H后,可以得到其可逆矩阵H-1,通过将计算得到的海森矩阵的可逆矩阵与当前层的残差矩阵相乘,即可得到当前层的位置偏移量初始值的增量。
步骤D、将当前层的位置偏移量初始值与当前层的位置偏移量初始值的增量相加,得到当前层的更新位置偏移量,并判断位置偏移量初始值的增量是否小于当前层对应的预设阈值。
容易理解的是,将当前层的位置偏移量初始值与当前层的位置偏移量初始值的增量相加,可以得到当前层的更新位置偏移量。具体地可以为,在第一图像金字塔模型当前层L中,可以通过式(6),得到当前层的更新位置偏移量u(L)和v(L):
即表示当前层的位置偏移量初始值u1 (L)和v1 (L)与当前层的位置偏移量初始值的增量H-1b相加后,得到的当前层的更新位置偏移量。
然后,通过判断上述位置偏移量初始值的增量是否小于预设阈值,从而根据判断结果,选择:继续迭代计算更新位置偏移量,还是直接将该更新位置偏移量作为下一层的初始值。
现有的图像特征点匹配方法中,每一层的偏移量的增量阈值均相同,这就导致对每一层的位置偏移量进行计算时,其阈值固定不变。
发明人研究发现,计算图像金字塔的各层中的位置偏移量时,从上至下计算得到的位置偏移量的精度是逐渐提高的。因此,可以根据不同的层数,设置对应的预设阈值。
具体地,将越高层的预设阈值设置的越大,将越低层的预设阈值设置的越小,只要达到预设阈值要求就停止层内迭代计算,从而减少每一层的层内迭代计算次数,进一步降低计算量。例如,可以将最底层的预设阈值设置为0.04,将其它层的预设阈值设置为0.4。
需要说明的是,本发明实施例中的当前层对应的预设阈值,是一个与当前层层数存在对应关系的数值;而现有图像特征点匹配方法中的阈值,与图像金字塔的层数完全没有关系。因此应用现有的图像特征点匹配方法,无法根据不同的层数确定不同的预设阈值,进而根据不同层对应的阈值,进行不同次数的迭代计算,因而无法降低计算量。
步骤E、如果不小于预设阈值,则使用当前层的更新位置偏移量更新当前层的位置偏移量初始值,并返回步骤B中,执行根据当前层的位置偏移量初始值计算当前层矩形区域的残差矩阵的步骤,直到迭代次数达到当前层对应的预设次数,或者位置偏移量初始值的增量小于预设阈值为止,得到新的当前层的更新位置偏移量。
根据上述发明人的研究发现,图像金字塔的各层中,从上至下计算得到的位置偏移量的精度是逐渐提高的。因此,可以根据不同的层数,设置对应的迭代次数的预设次数。
具体地,将越高层的预设次数设置的越大,将越低层的预设次数设置的越小,直到达到预设次数就停止层内迭代计算,从而减少每一层的层内迭代计算次数,进一步降低计算量。例如,可以将最顶层的预设次数设置为20,将其它层的预设次数设置为5。
需要说明的是,本发明实施例中的当前层对应的预设次数,是一个与当前层层数存在对应关系的数值;而现有图像特征点匹配方法中的迭代次数,与图像金字塔的层数完全没有关系,因此应用现有的图像特征点匹配方法,无法根据不同的层数确定不同的迭代次数,进行不同次数的迭代计算,因而无法降低计算量。
本发明实施例中,通过将计算得到的位置偏移量初始值的增量与当前层对应的预设阈值对比,如果位置偏移量初始值的增量不小于预设阈值,说明仍旧超过预设阈值所限制的偏移量,则可以返回执行根据当前层的位置偏移量初始值计算当前层矩形区域的残差矩阵的步骤,即步骤B,再次计算残差矩阵,并再次执行步骤C-步骤D过程,直到迭代次数达到当前层对应的预设次数,或者位置偏移量初始值的增量小于预设阈值为止,得到新的当前层的更新位置偏移量。
步骤F、将新的当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,将下一层作为当前层,并返回步骤B中,执行计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算当前层矩形区域的残差矩阵的步骤,直到生成最终位置偏移量。
本发明实施例中,通过步骤E得到新的当前层的更新位置偏移量后,可以将该新的当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,同时将下一层作为当前层,返回步骤B,迭代计算新的当前层的海森矩阵和残差矩阵。通过上述步骤逐层迭代计算每一层的更新位置偏移量,直到生成最终位置偏移量。
需要说明的是,根据图像金字塔模型的特点,由于下一层矩形区域的偏移量为当前层矩形区域偏移量的2倍,因此预设倍数通常为2倍,可以通过式(7),初始化下一层矩形区域位置偏移量u和v:
即表示:令下一层矩形区域的位置偏移量初始值,为新的当前层的更新位置偏移量的2倍,其中,角标L表示的是当前层,角标L-1表示与当前层对应的下一层。
步骤G、如果小于预设阈值,将当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,将下一层作为当前层,并返回步骤B中,执行计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算当前层矩形区域的残差矩阵地步骤,直到生成最终位置偏移量。
在本发明实施例中,如果位置偏移量初始值的增量小于预设阈值,说明已达到预设阈值所限制的偏移量,也就是说,已达到层内迭代计算的终止条件。将当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,同时将下一层作为当前层,返回步骤B,迭代计算新的当前层的海森矩阵和残差矩阵。通过上述步骤逐层迭代计算每一层的更新位置偏移量,直到生成最终位置偏移量。
S1054、根据最终位置偏移量的大小及方向,确定模板图像的特征点在待匹配图像中的匹配位置。
本发明实施例中,计算得到最终的位置偏移量是一个向量,表明了特征点在待匹配图像中的最佳匹配位置。可以通过确定该位置偏移量的大小及方向,在待匹配图像中,确定模板图像的特征点的匹配位置,从而在待匹配图像中找到与特征点匹配的点。
具体地,可以将最终位置偏移量与特征点的坐标相加,将待匹配图像中与相加后得到的坐标对应的位置确定为特征点的匹配位置。
本发明实施例提供的图像特征点匹配方法,通过将第一图像金字塔模型的其它层中与特征点对应的点的坐标进行取整处理,将第一图像金字塔模型的其它层的区域,由原来的小数表示转化为整数表示,从而在计算各层区域的位置偏移量时,不需要再进行双线性插值运算,从而降低图像特征点匹配计算过程的运算量。
相应于上面的方法实施例,本发明实施例还提供了相应的装置实施例。
如图4所示,其示出了本发明实施例提供的一种图像特征点匹配装置,装置包括:
获取模块201,用于获取模板图像和待匹配图像,并确定模板图像中的特征点;
转换模块202,用于将模板图像转换为第一图像金字塔模型,将待匹配图像转换为第二图像金字塔模型,其中,第一图像金字塔模型和第二图像金字塔模型具有相同层数,模板图像位于第一图像金字塔模型的最底层,待匹配图像位于第二图像金字塔模型的最底层;
选取模块203,用于在第一图像金字塔模型的最底层中,以特征点为中心选取一矩形区域;
生成模块204,用于在第一图像金字塔模型的其它层中,生成与特征点对应的点的坐标,并在第一图像金字塔模型的其它层中,对与特征点对应的点的坐标进行取整处理;
确定模块205,用于针对经取整处理后的所述第一图像金字塔模型其它层中与所述特征点对应的点的坐标,生成各层的矩形区域,在第二图像金字塔模型中生成与所述各层的矩形区域对应的矩形窗口,逐层计算所述矩形窗口相对于所述矩形区域的位置偏移量,根据计算得到的最终位置偏移量,确定所述模板图像的特征点在所述待匹配图像中的匹配位置。
可选地,如图5所示,确定模块205,包括:
第一生成子模块2051,用于通过经取整处理后的与特征点对应的点的坐标,在与特征点对应的点所在的其它层中,分别生成与最底层的矩形区域相对应的各矩形区域;
第二生成子模块2052,用于在第二图像金字塔模型的各层中,分别生成与第一图像金字塔模型中对应各层的矩形区域尺寸相同的矩形窗口;
计算子模块2053,用于从最高层开始,逐层计算第二图像金字塔中各层的矩形窗口相对于第一图像金字塔中对应层的矩形区域的位置偏移量,生成第二图像金字塔的最底层对应的最终位置偏移量;其中,每一层的迭代初始值均为上一层计算得到的位置偏移量;
确定子模块2054,用于根据最终位置偏移量的大小及方向,确定模板图像的特征点在待匹配图像中的匹配位置。
本发明实施例提供的图像特征点匹配装置,通过将第一图像金字塔模型的其它层中与特征点对应的点的坐标进行取整处理,将第一图像金字塔模型的其它层的区域,由原来的小数表示转化为整数表示,从而在计算各层区域的位置偏移量时,不需要再进行双线性插值运算,从而降低图像特征点匹配计算过程的运算量。
可选地,选取模块203,具体用于:
在第一图像金字塔模型的最底层中,以特征点为圆心,选取一半径为r的圆,并选取圆的外接正方形作为矩形区域。
可选地,在第一图像金字塔模型的最底层中,以特征点为圆心,选取一半径为r的圆,并选取圆的外接正方形作为矩形区域,包括:
通过以下公式,在第一图像金字塔模型的最底层中,生成矩形区域W:
W=[xp-r,xp+r]×[yp-r,yp+r] (1)
式(1)中,xp表示特征点的横坐标,yp表示特征点的纵坐标,xp-r表示矩形区域的左边界,xp+r表示矩形区域的右边界,yp-r表示矩形区域的下边界,yp+r表示矩形区域的上边界,r表示矩形区域内切圆的半径。
可选地,生成模块204,具体用于:
通过以下公式,在第一图像金字塔模型其它任一L层中,生成与最底层的矩形区域相对应的矩形区域W(L):
式(2)中,表示L层中经取整处理后的与特征点对应的点的横坐标,表示L层中经取整处理后的与特征点对应的点的纵坐标,表示L层中矩形区域的左边界,表示L层中矩形区域的右边界,表示L层中矩形区域的下边界,表示L层中矩形区域的上边界。
可选地,计算子模块2053,如图6所示,包括:
初始化单元20531,用于初始化第二图像金字塔模型最高层的矩形窗口相对于第一图像金字塔模型最高层的矩形区域的位置偏移量,将初始化得到的位置偏移量作为最高层的位置偏移量初始值。
第一计算单元20532,用于将最高层作为当前层,计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算当前层的残差矩阵。
第二计算单元20533,用于将海森矩阵的可逆矩阵与当前层的残差矩阵相乘,得到当前层的位置偏移量初始值的增量。
判断单元20534,用于将当前层的位置偏移量初始值与当前层的位置偏移量初始值的增量相加,得到当前层的更新位置偏移量,并判断位置偏移量初始值的增量是否小于当前层对应的预设阈值。
第三计算单元20535,用于如果不小于预设阈值,则使用当前层的更新位置偏移量更新当前层的位置偏移量初始值,并返回执行根据当前层的位置偏移量初始值计算当前层矩形区域的残差矩阵的步骤,直到迭代次数达到当前层对应的预设次数,或者位置偏移量初始值的增量小于预设阈值为止,得到新的当前层的更新位置偏移量。
第四计算单元20536,用于将新的当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,将下一层作为当前层,并返回执行计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算当前层矩形区域的残差矩阵,直到生成最终位置偏移量。
第五计算单元20537,用于如果小于预设阈值,将当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,将下一层作为当前层,并返回执行计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算当前层矩形区域的残差矩阵,直到生成最终位置偏移量。
可选地,第一计算单元20532,具体用于:
通过以下公式,计算L层的海森矩阵H:
式(3)中,Tx(x,y)和Ty(x,y)均表示偏导数,T(L)表示第一图像金字塔模型中第L层的图像,W(L)表示第一图像金字塔模型中第L层的矩形区域。
可选地,第一计算单元20532,具体用于:
通过以下公式,计算L层的残差矩阵b:
式(4)中,Tx(x,y)和Ty(x,y)均表示偏导数,T(L)表示第一图像金字塔模型中第L层的图像,W(L)表示第一图像金字塔模型中第L层的矩形区域,I(L)表示第二图像金字塔模型中第L层的图像,u(L)表示第L层的位置偏移量在X轴的分量,v(L)表示第L层的位置偏移量在Y轴的分量。
可选地,确定子模块2054,具体用于:将最终位置偏移量与特征点的坐标相加,将待匹配图像中与相加后得到的坐标对应的位置确定为特征点的匹配位置。
本发明实施例还提供了一种电子设备,如图7所示,包括处理器301和机器可读存储介质302,机器可读存储介质存储有能够被处理器执行的机器可执行指令,处理器被机器可执行指令促使实现以下步骤:
获取模板图像和待匹配图像,并确定模板图像中的特征点;
将模板图像转换为第一图像金字塔模型,将待匹配图像转换为第二图像金字塔模型,其中,第一图像金字塔模型和第二图像金字塔模型具有相同层数,模板图像位于第一图像金字塔模型的最底层,待匹配图像位于第二图像金字塔模型的最底层;
在第一图像金字塔模型的最底层中,以特征点为中心选取一矩形区域;
在第一图像金字塔模型的其它层中,生成与特征点对应的点的坐标,并在第一图像金字塔模型的其它层中,对与特征点对应的点的坐标进行取整处理;
针对经取整处理后的所述第一图像金字塔模型其它层中与所述特征点对应的点的坐标,生成各层的矩形区域,在第二图像金字塔模型中生成与所述各层的矩形区域对应的矩形窗口,逐层计算所述矩形窗口相对于所述矩形区域的位置偏移量,根据计算得到的最终位置偏移量,确定所述模板图像的特征点在所述待匹配图像中的匹配位置。
本发明实施例提供的一种电子设备,通过将第一图像金字塔模型的其它层中与特征点对应的点的坐标进行取整处理,将第一图像金字塔模型的其它层的区域,由原来的小数表示转化为整数表示,从而在计算各层区域的位置偏移量时,不需要再进行双线性插值运算,从而降低图像特征点匹配计算过程的运算量。
机器可读存储介质302可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,机器可读存储介质302还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时,用以执行如下步骤:
获取模板图像和待匹配图像,并确定模板图像中的特征点;
将模板图像转换为第一图像金字塔模型,将待匹配图像转换为第二图像金字塔模型,其中,第一图像金字塔模型和第二图像金字塔模型具有相同层数,模板图像位于第一图像金字塔模型的最底层,待匹配图像位于第二图像金字塔模型的最底层;
在第一图像金字塔模型的最底层中,以特征点为中心选取一矩形区域;
在第一图像金字塔模型的其它层中,生成与特征点对应的点的坐标,并在第一图像金字塔模型的其它层中,对与特征点对应的点的坐标进行取整处理;
针对经取整处理后的所述第一图像金字塔模型其它层中与所述特征点对应的点的坐标,生成各层的矩形区域,在第二图像金字塔模型中生成与所述各层的矩形区域对应的矩形窗口,逐层计算所述矩形窗口相对于所述矩形区域的位置偏移量,根据计算得到的最终位置偏移量,确定所述模板图像的特征点在所述待匹配图像中的匹配位置。
本发明实施例提供的一种计算机可读存储介质,通过将第一图像金字塔模型的其它层中与特征点对应的点的坐标进行取整处理,将第一图像金字塔模型的其它层的区域,由原来的小数表示转化为整数表示,从而在计算各层区域的位置偏移量时,不需要再进行双线性插值运算,从而降低图像特征点匹配计算过程的运算量。
本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行以下步骤:
获取模板图像和待匹配图像,并确定模板图像中的特征点;
将模板图像转换为第一图像金字塔模型,将待匹配图像转换为第二图像金字塔模型,其中,第一图像金字塔模型和第二图像金字塔模型具有相同层数,模板图像位于第一图像金字塔模型的最底层,待匹配图像位于第二图像金字塔模型的最底层;
在第一图像金字塔模型的最底层中,以特征点为中心选取一矩形区域;
在第一图像金字塔模型的其它层中,生成与特征点对应的点的坐标,并在第一图像金字塔模型的其它层中,对与特征点对应的点的坐标进行取整处理;
针对经取整处理后的所述第一图像金字塔模型其它层中与所述特征点对应的点的坐标,生成各层的矩形区域,在第二图像金字塔模型中生成与所述各层的矩形区域对应的矩形窗口,逐层计算所述矩形窗口相对于所述矩形区域的位置偏移量,根据计算得到的最终位置偏移量,确定所述模板图像的特征点在所述待匹配图像中的匹配位置。
本发明实施例提供的一种包含指令的计算机程序产品,通过将第一图像金字塔模型的其它层中与特征点对应的点的坐标进行取整处理,将第一图像金字塔模型的其它层的区域,由原来的小数表示转化为整数表示,从而在计算各层区域的位置偏移量时,不需要再进行双线性插值运算,从而降低图像特征点匹配计算过程的运算量。
本发明实施例还提供了一种计算机程序,当其在计算机上运行时,使得计算机执行以下步骤:
获取模板图像和待匹配图像,并确定模板图像中的特征点;
将模板图像转换为第一图像金字塔模型,将待匹配图像转换为第二图像金字塔模型,其中,第一图像金字塔模型和第二图像金字塔模型具有相同层数,模板图像位于第一图像金字塔模型的最底层,待匹配图像位于第二图像金字塔模型的最底层;
在第一图像金字塔模型的最底层中,以特征点为中心选取一矩形区域;
在第一图像金字塔模型的其它层中,生成与特征点对应的点的坐标,并在第一图像金字塔模型的其它层中,对与特征点对应的点的坐标进行取整处理;
针对经取整处理后的所述第一图像金字塔模型其它层中与所述特征点对应的点的坐标,生成各层的矩形区域,在第二图像金字塔模型中生成与所述各层的矩形区域对应的矩形窗口,逐层计算所述矩形窗口相对于所述矩形区域的位置偏移量,根据计算得到的最终位置偏移量,确定所述模板图像的特征点在所述待匹配图像中的匹配位置。
本发明实施例提供的一种计算机程序,通过将第一图像金字塔模型的其它层中与特征点对应的点的坐标进行取整处理,将第一图像金字塔模型的其它层的区域,由原来的小数表示转化为整数表示,从而在计算各层区域的位置偏移量时,不需要再进行双线性插值运算,从而降低图像特征点匹配计算过程的运算量。
对于装置/电子设备/存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,本发明实施例的装置、电子设备及存储介质分别是应用上述基于随机博弈理论的动态竞争窗口调整方法的装置、电子设备及存储介质,则上述基于随机博弈理论的动态竞争窗口调整方法的所有实施例均适用于该装置、电子设备及存储介质,且均能达到相同或相似的有益效果。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (20)
1.一种图像特征点匹配方法,其特征在于,所述方法包括:
获取模板图像和待匹配图像,并确定所述模板图像中的特征点;
将所述模板图像转换为第一图像金字塔模型,将所述待匹配图像转换为第二图像金字塔模型,其中,所述第一图像金字塔模型和所述第二图像金字塔模型具有相同层数,所述模板图像位于所述第一图像金字塔模型的最底层,所述待匹配图像位于所述第二图像金字塔模型的最底层;
在所述第一图像金字塔模型的最底层中,以所述特征点为中心选取一矩形区域;
在所述第一图像金字塔模型的其它层中,生成与所述特征点对应的点的坐标,并在所述第一图像金字塔模型的其它层中,对与所述特征点对应的点的坐标进行取整处理;
针对经取整处理后的所述第一图像金字塔模型其它层中与所述特征点对应的点的坐标,生成各层的矩形区域,在第二图像金字塔模型中生成与所述各层的矩形区域对应的矩形窗口,逐层计算所述矩形窗口相对于所述矩形区域的位置偏移量,根据计算得到的最终位置偏移量,确定所述模板图像的特征点在所述待匹配图像中的匹配位置。
2.根据权利要求1所述的图像特征点匹配方法,其特征在于,所述针对经取整处理后的所述第一图像金字塔模型其它层中与所述特征点对应的点的坐标,生成各层的矩形区域,在第二图像金字塔模型中生成与所述各层的矩形区域对应的矩形窗口,逐层计算所述矩形窗口相对于所述矩形区域的位置偏移量,根据计算得到的最终位置偏移量,确定所述模板图像的特征点在所述待匹配图像中的匹配位置,包括:
通过经取整处理后的与所述特征点对应的点的坐标,在与所述特征点对应的点所在的所述其它层中,分别生成与所述最底层的矩形区域相对应的各矩形区域;
在所述第二图像金字塔模型的各层中,分别生成与所述第一图像金字塔模型中对应各层的矩形区域尺寸相同的矩形窗口;
从最高层开始,逐层计算所述第二图像金字塔中各层的矩形窗口相对于所述第一图像金字塔中对应层的矩形区域的位置偏移量,生成所述第二图像金字塔的最底层对应的最终位置偏移量,其中,每一层的迭代初始值均为上一层计算得到的位置偏移量;
根据所述最终位置偏移量的大小及方向,确定所述模板图像的特征点在所述待匹配图像中的匹配位置。
3.根据权利要求1或2所述的图像特征点匹配方法,其特征在于,所述在所述第一图像金字塔模型的最底层中,以所述特征点为中心选取一矩形区域,包括:
在所述第一图像金字塔模型的最底层中,以所述特征点为圆心,选取一半径为r的圆,并选取所述圆的外接正方形作为所述矩形区域。
4.根据权利要求3所述的图像特征点匹配方法,其特征在于,所述在所述第一图像金字塔模型的最底层中,以所述特征点为圆心,选取一半径为r的圆,并选取所述圆的外接正方形作为所述矩形区域,包括:
通过以下公式,在所述第一图像金字塔模型的最底层中,生成所述矩形区域W:
W=[xp-r,xp+r]×[yp-r,yp+r],
式中,xp表示所述特征点的横坐标,yp表示所述特征点的纵坐标,xp-r表示所述矩形区域的左边界,xp+r表示所述矩形区域的右边界,yp-r表示所述矩形区域的下边界,yp+r表示所述矩形区域的上边界,r表示所述矩形区域内切圆的半径。
5.根据权利要求4所述的图像特征点匹配方法,其特征在于,所述通过经取整处理后的与所述特征点对应的点的坐标,在所述第一图像金字塔模型的其它层中,分别生成与所述最底层的矩形区域相对应的各矩形区域,包括:
通过以下公式,在所述第一图像金字塔模型其它任一L层中,生成与所述最底层的矩形区域相对应的矩形区域W(L):
式中,表示L层中经取整处理后的与特征点对应的点的横坐标,表示L层中经取整处理后的与特征点对应的点的纵坐标,表示L层中矩形区域的左边界,表示L层中矩形区域的右边界,表示L层中矩形区域的下边界,表示L层中矩形区域的上边界。
6.根据权利要求2所述的图像特征点匹配方法,其特征在于,所述从最高层开始,逐层计算所述第二图像金字塔中各层的矩形窗口相对于所述第一图像金字塔中对应层的矩形区域的位置偏移量,生成所述第二图像金字塔的最底层对应的最终位置偏移量,包括:
将所述第二图像金字塔模型最高层的矩形窗口相对于所述第一图像金字塔模型最高层的矩形区域的位置偏移量作为最高层的位置偏移量初始值;
将最高层作为当前层,计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算所述当前层的残差矩阵;
将所述海森矩阵的可逆矩阵与所述当前层的残差矩阵相乘,得到所述当前层的位置偏移量初始值的增量;
将所述当前层的位置偏移量初始值与所述当前层的位置偏移量初始值的增量相加,得到当前层的更新位置偏移量,并判断所述位置偏移量初始值的增量是否小于当前层对应的预设阈值;
如果不小于预设阈值,则使用所述当前层的更新位置偏移量更新所述当前层的位置偏移量初始值,并返回执行所述根据当前层的位置偏移量初始值计算所述当前层矩形区域的残差矩阵的步骤,直到迭代次数达到当前层对应的预设次数,或者位置偏移量初始值的增量小于预设阈值为止,得到新的当前层的更新位置偏移量;
将所述新的当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,将下一层作为当前层,并返回执行所述计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算所述当前层矩形区域的残差矩阵,直到生成最终位置偏移量;
如果小于预设阈值,将所述当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,将下一层作为当前层,并返回执行所述计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算所述当前层矩形区域的残差矩阵,直到生成最终位置偏移量。
7.根据权利要求6所述的图像特征点匹配方法,其特征在于,所述计算当前层的海森矩阵,包括:
通过以下公式,计算L层的海森矩阵H:
式中,Tx(x,y)和Ty(x,y)均表示偏导数,T(L)表示第一图像金字塔模型中第L层的图像,W(L)表示第一图像金字塔模型中第L层的矩形区域。
8.根据权利要求6所述的图像特征点匹配方法,其特征在于,所述根据当前层的位置偏移量初始值计算所述当前层的残差矩阵,包括:
通过以下公式,计算L层的残差矩阵b:
式(4)中,Tx(x,y)和Ty(x,y)均表示偏导数, T(L)表示第一图像金字塔模型中第L层的图像,W(L)表示第一图像金字塔模型中第L层的矩形区域,I(L)表示第二图像金字塔模型中第L层的图像,u(L)表示第L层的位置偏移量在X轴的分量,v(L)表示第L层的位置偏移量在Y轴的分量。
9.根据权利要求2所述的图像特征点匹配方法,其特征在于,所述根据所述最终位置偏移量的大小及方向,确定所述模板图像的特征点在所述待匹配图像中的匹配位置,包括:
将所述最终位置偏移量与所述特征点的坐标相加,将所述待匹配图像中与相加后得到的坐标对应的位置确定为所述特征点的匹配位置。
10.一种图像特征点匹配装置,其特征在于,所述装置包括:
获取模块,用于获取模板图像和待匹配图像,并确定所述模板图像中的特征点;
转换模块,用于将所述模板图像转换为第一图像金字塔模型,将所述待匹配图像转换为第二图像金字塔模型,其中,所述第一图像金字塔模型和所述第二图像金字塔模型具有相同层数,所述模板图像位于所述第一图像金字塔模型的最底层,所述待匹配图像位于所述第二图像金字塔模型的最底层;
选取模块,用于在所述第一图像金字塔模型的最底层中,以所述特征点为中心选取一矩形区域;
生成模块,用于在所述第一图像金字塔模型的其它层中,生成与所述特征点对应的点的坐标,并在所述第一图像金字塔模型的其它层中,对与所述特征点对应的点的坐标进行取整处理;
确定模块,用于针对经取整处理后的所述第一图像金字塔模型其它层中与所述特征点对应的点的坐标,生成各层的矩形区域,在第二图像金字塔模型中生成与所述各层的矩形区域对应的矩形窗口,逐层计算所述矩形窗口相对于所述矩形区域的位置偏移量,根据计算得到的最终位置偏移量,确定所述模板图像的特征点在所述待匹配图像中的匹配位置。
11.根据权利要求10所述的图像特征点匹配装置,其特征在于,所述确定模块,包括:
第一生成子模块,用于通过经取整处理后的与所述特征点对应的点的坐标,在与所述特征点对应的点所在的所述其它层中,分别生成与所述最底层的矩形区域相对应的各矩形区域;
第二生成子模块,用于在所述第二图像金字塔模型的各层中,分别生成与所述第一图像金字塔模型中对应各层的矩形区域尺寸相同的矩形窗口;
计算子模块,用于从最高层开始,逐层计算所述第二图像金字塔中各层的矩形窗口相对于所述第一图像金字塔中对应层的矩形区域的位置偏移量,生成所述第二图像金字塔的最底层对应的最终位置偏移量,其中,每一层的迭代初始值均为上一层计算得到的位置偏移量;
确定子模块,用于根据所述最终位置偏移量的大小及方向,确定所述模板图像的特征点在所述待匹配图像中的匹配位置。
12.根据权利要求10或11所述的图像特征点匹配装置,其特征在于,所述选取模块,具体用于:
在所述第一图像金字塔模型的最底层中,以所述特征点为圆心,选取一半径为r的圆,并选取所述圆的外接正方形作为所述矩形区域。
13.根据权利要求12所述的图像特征点匹配装置,其特征在于,所述选取模块,具体用于:
通过以下公式,在所述第一图像金字塔模型的最底层中,生成所述矩形区域W:
W=[xp-r,xp+r]×[yp-r,yp+r],
式中,xp表示所述特征点的横坐标,yp表示所述特征点的纵坐标,xp-r表示所述矩形区域的左边界,xp+r表示所述矩形区域的右边界,yp-r表示所述矩形区域的下边界,yp+r表示所述矩形区域的上边界,r表示所述矩形区域内切圆的半径。
14.根据权利要求13所述的图像特征点匹配装置,其特征在于,所述生成模块,具体用于:
通过以下公式,在所述第一图像金字塔模型其它任一L层中,生成与所述最底层的矩形区域相对应的矩形区域W(L):
式中,表示L层中经取整处理后的与特征点对应的点的横坐标,表示L层中经取整处理后的与特征点对应的点的纵坐标,表示L层中矩形区域的左边界,表示L层中矩形区域的右边界,表示L层中矩形区域的下边界,表示L层中矩形区域的上边界。
15.根据权利要求11所述的图像特征点匹配装置,其特征在于,所述计算子模块,包括:
初始化单元,用于将所述第二图像金字塔模型最高层的矩形窗口相对于所述第一图像金字塔模型最高层的矩形区域的位置偏移量作为最高层的位置偏移量初始值;
第一计算单元,用于将最高层作为当前层,计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算所述当前层的残差矩阵;
第二计算单元,用于将所述海森矩阵的可逆矩阵与所述当前层的残差矩阵相乘,得到所述当前层的位置偏移量初始值的增量;
判断单元,用于将所述当前层的位置偏移量初始值与所述当前层的位置偏移量初始值的增量相加,得到当前层的更新位置偏移量,并判断所述位置偏移量初始值的增量是否小于当前层对应的预设阈值;
第三计算单元,用于如果不小于预设阈值,则使用所述当前层的更新位置偏移量更新所述当前层的位置偏移量初始值,并触发所述第一计算单元根据当前层的位置偏移量初始值计算所述当前层矩形区域的残差矩阵,直到迭代次数达到当前层对应的预设次数,或者位置偏移量初始值的增量小于预设阈值为止,得到新的当前层的更新位置偏移量;
第四计算单元,用于将所述新的当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,将下一层作为当前层,并触发所述第一计算单元计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算所述当前层矩形区域的残差矩阵,直到生成最终位置偏移量;
第五计算单元,用于如果小于预设阈值,将所述当前层的更新位置偏移量与预设倍数相乘,将所得乘积作为下一层矩形区域位置偏移量初始值,将下一层作为当前层,并触发所述第一计算单元计算当前层的海森矩阵,并根据当前层的位置偏移量初始值计算所述当前层矩形区域的残差矩阵,直到生成最终位置偏移量。
16.根据权利要求15所述的图像特征点匹配装置,其特征在于,所述第一计算单元,具体用于:
通过以下公式,计算L层的海森矩阵H:
式中,Tx(x,y)和Ty(x,y)均表示偏导数,T(L)表示第一图像金字塔模型中第L层的图像,W(L)表示第一图像金字塔模型中第L层的矩形区域。
17.根据权利要求15所述的图像特征点匹配装置,其特征在于,所述第一计算单元,具体用于:
通过以下公式,计算L层的残差矩阵b:
式中,Tx(x,y)和Ty(x,y)均表示偏导数,T(L)表示第一图像金字塔模型中第L层的图像,W(L)表示第一图像金字塔模型中第L层的矩形区域,I(L)表示第二图像金字塔模型中第L层的图像,u(L)表示第L层的位置偏移量在X轴的分量,v(L)表示第L层的位置偏移量在Y轴的分量。
18.根据权利要求11所述的图像特征点匹配装置,其特征在于,所述确定子模块,具体用于:
将所述最终位置偏移量与所述特征点的坐标相加,将所述待匹配图像中与相加后得到的坐标对应的位置确定为所述特征点的匹配位置。
19.一种电子设备,其特征在于,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器被所述机器可执行指令促使:实现权利要求1-9任一项所述的方法步骤。
20.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-9任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710999538.1A CN108573269B (zh) | 2017-10-24 | 2017-10-24 | 图像特征点匹配方法、匹配装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710999538.1A CN108573269B (zh) | 2017-10-24 | 2017-10-24 | 图像特征点匹配方法、匹配装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108573269A true CN108573269A (zh) | 2018-09-25 |
CN108573269B CN108573269B (zh) | 2021-02-05 |
Family
ID=63575795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710999538.1A Active CN108573269B (zh) | 2017-10-24 | 2017-10-24 | 图像特征点匹配方法、匹配装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573269B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046623A (zh) * | 2019-03-04 | 2019-07-23 | 青岛小鸟看看科技有限公司 | 一种图像特征点提取方法和相机 |
CN110288540A (zh) * | 2019-06-04 | 2019-09-27 | 东南大学 | 一种碳纤维导线x射线图像在线成像标准化方法 |
CN110322478A (zh) * | 2019-06-10 | 2019-10-11 | 广州视源电子科技股份有限公司 | 特征点观察窗口处理方法、跟踪方法、装置、设备和介质 |
CN112233153A (zh) * | 2020-09-27 | 2021-01-15 | 北京迈格威科技有限公司 | 图像匹配方法、装置、电子设备及存储介质 |
CN112508037A (zh) * | 2020-11-23 | 2021-03-16 | 北京配天技术有限公司 | 图像模板匹配方法、装置及存储装置 |
CN112989100A (zh) * | 2019-12-16 | 2021-06-18 | 中国移动通信集团辽宁有限公司 | 基于图像指纹的室内定位方法及装置 |
WO2022262599A1 (zh) * | 2021-06-18 | 2022-12-22 | 影石创新科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100177966A1 (en) * | 2009-01-14 | 2010-07-15 | Ruzon Mark A | Method and system for representing image patches |
CN101877063A (zh) * | 2009-11-25 | 2010-11-03 | 中国科学院自动化研究所 | 一种基于亚像素级特征点检测的图像匹配方法 |
CN104252711A (zh) * | 2014-09-17 | 2014-12-31 | 华中科技大学 | 一种基于图像梯度方向码的匹配方法 |
CN105578198A (zh) * | 2015-12-14 | 2016-05-11 | 上海交通大学 | 基于时偏特征的视频同源Copy-Move检测方法 |
CN105787901A (zh) * | 2016-03-21 | 2016-07-20 | 昆明理工大学 | 一种用于太阳高分辨图像序列中相邻两帧间的多尺度速度场测量方法 |
CN106504229A (zh) * | 2016-09-30 | 2017-03-15 | 上海联影医疗科技有限公司 | 图像中特征点的检测方法 |
CN106845552A (zh) * | 2017-01-31 | 2017-06-13 | 东南大学 | 在光强分布不均匀环境下的融合光流和sift特征点匹配的低动态载体速度计算方法 |
CN106934769A (zh) * | 2017-01-23 | 2017-07-07 | 武汉理工大学 | 基于近景遥感的去运动模糊方法 |
-
2017
- 2017-10-24 CN CN201710999538.1A patent/CN108573269B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100177966A1 (en) * | 2009-01-14 | 2010-07-15 | Ruzon Mark A | Method and system for representing image patches |
CN101877063A (zh) * | 2009-11-25 | 2010-11-03 | 中国科学院自动化研究所 | 一种基于亚像素级特征点检测的图像匹配方法 |
CN104252711A (zh) * | 2014-09-17 | 2014-12-31 | 华中科技大学 | 一种基于图像梯度方向码的匹配方法 |
CN105578198A (zh) * | 2015-12-14 | 2016-05-11 | 上海交通大学 | 基于时偏特征的视频同源Copy-Move检测方法 |
CN105787901A (zh) * | 2016-03-21 | 2016-07-20 | 昆明理工大学 | 一种用于太阳高分辨图像序列中相邻两帧间的多尺度速度场测量方法 |
CN106504229A (zh) * | 2016-09-30 | 2017-03-15 | 上海联影医疗科技有限公司 | 图像中特征点的检测方法 |
CN106934769A (zh) * | 2017-01-23 | 2017-07-07 | 武汉理工大学 | 基于近景遥感的去运动模糊方法 |
CN106845552A (zh) * | 2017-01-31 | 2017-06-13 | 东南大学 | 在光强分布不均匀环境下的融合光流和sift特征点匹配的低动态载体速度计算方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046623A (zh) * | 2019-03-04 | 2019-07-23 | 青岛小鸟看看科技有限公司 | 一种图像特征点提取方法和相机 |
CN110046623B (zh) * | 2019-03-04 | 2021-09-10 | 青岛小鸟看看科技有限公司 | 一种图像特征点提取方法和相机 |
CN110288540A (zh) * | 2019-06-04 | 2019-09-27 | 东南大学 | 一种碳纤维导线x射线图像在线成像标准化方法 |
CN110322478A (zh) * | 2019-06-10 | 2019-10-11 | 广州视源电子科技股份有限公司 | 特征点观察窗口处理方法、跟踪方法、装置、设备和介质 |
CN110322478B (zh) * | 2019-06-10 | 2021-09-07 | 广州视源电子科技股份有限公司 | 特征点观察窗口处理方法、跟踪方法、装置、设备和介质 |
CN112989100A (zh) * | 2019-12-16 | 2021-06-18 | 中国移动通信集团辽宁有限公司 | 基于图像指纹的室内定位方法及装置 |
CN112989100B (zh) * | 2019-12-16 | 2023-07-18 | 中国移动通信集团辽宁有限公司 | 基于图像指纹的室内定位方法及装置 |
CN112233153A (zh) * | 2020-09-27 | 2021-01-15 | 北京迈格威科技有限公司 | 图像匹配方法、装置、电子设备及存储介质 |
CN112508037A (zh) * | 2020-11-23 | 2021-03-16 | 北京配天技术有限公司 | 图像模板匹配方法、装置及存储装置 |
CN112508037B (zh) * | 2020-11-23 | 2024-04-02 | 北京配天技术有限公司 | 图像模板匹配方法、装置及存储装置 |
WO2022262599A1 (zh) * | 2021-06-18 | 2022-12-22 | 影石创新科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108573269B (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573269A (zh) | 图像特征点匹配方法、匹配装置、电子设备及存储介质 | |
CN104581111B (zh) | 利用变换的目标区域填充 | |
US20220138484A1 (en) | Visual localization method and apparatus based on semantic error image | |
CN104661010B (zh) | 三维立体模型的建立方法和装置 | |
CN107170001A (zh) | 用于对图像进行配准的方法和装置 | |
WO2016033967A1 (zh) | 对齐图像的方法和装置 | |
CN103310453A (zh) | 一种基于子图像角点特征的快速图像配准方法 | |
CN113870422B (zh) | 一种点云重建方法、装置、设备及介质 | |
CN106971404A (zh) | 一种鲁棒surf无人机彩色遥感图像配准方法 | |
CN111291768A (zh) | 图像特征匹配方法及装置、设备、存储介质 | |
CN114663509B (zh) | 一种关键点热力图引导的自监督单目视觉里程计方法 | |
CN112365523A (zh) | 基于无锚点孪生网络关键点检测的目标跟踪方法及装置 | |
JP5476264B2 (ja) | カメラトラッキング装置およびそのプログラム | |
CN106688012A (zh) | 深度图增强 | |
JP4649559B2 (ja) | 3次元物体認識装置、並びに3次元物体認識プログラム及びこれが記録されたコンピュータ読み取り可能な記録媒体 | |
CN109003307B (zh) | 基于水下双目视觉测量的捕鱼网目尺寸设计方法 | |
CN104899835A (zh) | 基于盲模糊估计与锚定空间映射的图像超分辨处理方法 | |
CN111868738A (zh) | 跨设备监控计算机视觉系统 | |
WO2023131236A1 (zh) | 一种图像处理方法、装置及电子设备 | |
CN112508996A (zh) | 无锚点孪生网络角点生成的目标跟踪方法及装置 | |
CN105809717A (zh) | 一种深度估计方法、系统及电子设备 | |
CN110147809A (zh) | 图像处理方法及装置、存储介质及图像设备 | |
CN116912467A (zh) | 图像拼接方法、装置、设备及存储介质 | |
CN109741245A (zh) | 平面信息的插入方法及装置 | |
US20230097869A1 (en) | Method and apparatus for enhancing texture details of images |
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 |