CN108664983A - 一种尺度与特征强度自适应的surf特征点匹配方法 - Google Patents
一种尺度与特征强度自适应的surf特征点匹配方法 Download PDFInfo
- Publication number
- CN108664983A CN108664983A CN201810486483.9A CN201810486483A CN108664983A CN 108664983 A CN108664983 A CN 108664983A CN 201810486483 A CN201810486483 A CN 201810486483A CN 108664983 A CN108664983 A CN 108664983A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- characteristic point
- point
- scale
- matching
- 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.)
- Withdrawn
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种尺度与特征强度自适应的SURF特征点匹配方法,具体步骤为:(1)特征点的检测,确定特征点的位置;(2)特征点的描述,计算特征点的主方向,计算获得特征点邻域信息得到最终的SURF描述符;(3)特征点的匹配,根据SURF特征点描述符中包含的特征点邻域信息,采用K最近邻法找出每个特征点潜在的两个最佳匹配点,通过匹配点的距离最佳值与次佳值比率优选出最佳匹配点对。本发明结合SURF特征点在尺度、特征强度方面的特征及其与定位精度间的关系,提出了特征点尺度与特征强度自适应的SURF图像特征点匹配算法,使针对不同尺度的特征点采用不同的特征强度的特征点匹配成为可能,从而能够获得更多高精度的匹配特征点对。
Description
技术领域
本发明属于图像匹配算法领域,尤其是一种尺度与特征强度自适应的SURF特征点匹配方法。
背景技术
基于特征点的图像配准算法首先在图像中提取特征点,然后建立两幅图像之间特征点的配准关系。Bay等人提出了SURF(Speeded Up Robust Features)算法,它是对SIFT算法的一种改进,其性能超过了SIFT且能够获得更快的速度。SURF算法是一种基于尺度空间的特征点检测与匹配算法,不仅对图像旋转、平移、缩放和噪声具有较好的鲁棒性,而且对光照变化和视角变化不变性以及图像模糊度有较好的处理。
传统的SURF特征点匹配算法采用统一的特征强度阈值,当该阈值被设置得较小时,可能会造成部分定位精度较高的小尺度特征点未能匹配成功;而当该阈值被设置得较大时,可能会造成部分定位精度较低的大尺度特征点被保留下来。为此,采用统一的特征强度阈值,可能影响整体的定位精度,或使匹配成功的特征点对的数量减少,无法达到匹配精度与匹配成功的特征点对数量间的平衡。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种尺度与特征强度自适应的SURF特征点匹配方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种尺度与特征强度自适应的SURF特征点匹配方法,其特征在于:具体步骤为:
(1)特征点的检测,分别在原始图像和目标图像中提取特征点,确定特征点位置信息;
(2)特征点的描述,计算特征点的主方向,计算获得特征点邻域信息得到最终的SURF描述符;
(3)特征点的匹配,根据SURF特征点描述符中包含的特征点邻域信息,找出目标图像中每个特征点在原始图像中潜在的两个最佳匹配点,根据特征点的尺度确定特征强度阈值α,最终,将匹配点的距离最佳值与次佳值比率小于特征强度阈值α的特征点作为匹配特征点,实现尺度与特征强度自适应的特征点匹配。
而且,所述步骤(1)特征点的检测,具体步骤为:首先,分别对原始图像和目标图像进进行高斯平滑处理,并建立高斯尺度空间,然后通过计算Hessian矩阵行列式的局部极值来确定特征点的位置。对于尺度为σ的空间中任一点的Hessian矩阵定义为:
式中,Lxx是高斯二阶导同I=(x,y)卷积的结果,其中Lxy,Lyy具有相同的含义。
而且,所述步骤(2)特征点的描述,具体步骤为:
首先,在特征点位置确定后,计算每一个特征点的主方向,特征点的尺度为σ,在以特征点为中心,在半径为6σ的圆形区域内,对图像在x和y方向进行Harr小波响应运算,Harr小波边长取4σ,并使用尺度为2σ的高斯加权函数对Harr小波响应值进行高斯加权,使得越靠近特征点的响应贡献越大;然后用π/3大小的扇形区域范围遍历整个圆形区域,并将域内水平方向响应和垂直方向响应的矢量和模的最大值的方向定义为特征点的主方向;
然后,以特征点为中心,构造一边垂直于主方向且边长为20σ的正方形窗口区域,并将该窗口区域划分成4×4的子区域,在每一个子区域内,进行5σ×5σ个采样点的水平方向和垂直方向的Harr小波响应的计算,分别记作dx和dy,同样使用尺度为2σ的高斯加权函数对Harr小波响应值进行高斯加权,以增加对几何变换的鲁棒性,然后将每个子区域的响应值和响应值的绝对值相加形成∑dx,∑dy,∑|dx|,∑|dy|,由此,每个子区域就形成了一个四维特征描述向量V:
V=(Σdx,Σdy,Σ|dx|,Σ|dy|)
对于每一个特征点,形成4×4×4=64维的特征向量;
最后,对特征向量进行归一化处理,得到最终的SURF特征点描述符,该描述符中包含特征点邻域信息。
而且,所述步骤(3)特征点的匹配中,通过调整特征强度阈值α来控制匹配成功的特征点的定位精度,参数设置为:尺度小于20的特征点的特征强度阈值为0.8,尺度在[20,40]区间的特征点的特征强度阈值为0.5,尺度大于40的特征点的特征强度阈值为0.2,从而为不同尺度的特征点设置为不同的匹配规则,从而获得精确的匹配。
本发明的优点和积极效果是:
本发明结合SURF特征点在尺度、特征强度方面的特征及其与定位精度间的关系,提出了特征点尺度与特征强度自适应的SURF图像特征点匹配算法,使针对不同尺度的特征点采用不同的特征强度的特征点匹配成为可能,从而能够获得更多高精度的匹配特征点对。
附图说明
图1为SURF特征点的尺度描述示意图;
图2为不同尺度特征点的定位误差实验结果;
图3为不同强度特征点的定位误差实验结果。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种尺度与特征强度自适应的SURF特征点匹配方法,首先分别在原始图像和目标图像中提取特征点,然后建立两幅图像之间特征点的配准关系。具体步骤为:
(1)特征点的检测,确定特征点的位置;
首先,分别对原始图像和目标图像进行高斯平滑处理,并建立高斯尺度空间,然后通过计算Hessian矩阵行列式的局部极值来确定特征点的位置。
对于尺度为σ的空间中任一点的Hessian矩阵定义为:
式中,Lxx是高斯二阶导同I=(x,y)卷积的结果,其中Lxy,Lyy具有相同的含义。
图1中圆形区域即为计算圆心所代表的特征点的特征向量所使用的图像区域,而圆的半径则被定义为该特征点的尺度。
(2)特征点的描述,计算特征点的主方向,计算获得特征点邻域信息得到最终的SURF描述符;
为保持特征点的旋转不变性,在特征点位置确定后,计算每一个特征点的主方向。为此,在以特征点为中心,在半径为6σ(σ为特征点的尺度)的圆形区域内,对图像在x和y方向进行Harr小波(Harr小波边长取4σ)响应运算,并使用尺度为2σ的高斯加权函数对Harr小波响应值进行高斯加权,使得越靠近特征点的响应贡献越大;然后用π/3大小的扇形区域范围遍历整个圆形区域,并将域内水平方向响应和垂直方向响应的矢量和模的最大值的方向定义为特征点的主方向。
然后,以特征点为中心,构造一边垂直于主方向且边长为20σ的正方形窗口区域,并将该窗口区域划分成4×4的子区域,在每一个子区域内,进行5σ×5σ个采样点的水平方向和垂直方向的Harr小波响应的计算,分别记作dx和dy,同样使用尺度为2σ的高斯加权函数对Harr小波响应值进行高斯加权,以增加对几何变换的鲁棒性,然后将每个子区域的响应值和响应值的绝对值相加形成∑dx,∑dy,∑|dx|,∑|dy|,由此,每个子区域就形成了一个四维特征描述向量V:
V=(Σdx,Σdy,Σ|dx|,Σ|dy|) (2)
对于每一个特征点,形成4×4×4=64维的特征向量。
为保证对光照的不变性,对特征向量进行归一化处理,得到最终的SURF特征点描述符,该描述符中包含特征点邻域信息。
(3)特征点的匹配,根据SURF特征点描述符中包含的特征点邻域信息,采用K最近邻法找出目标图像中每个特征点在原始图像中潜在的两个最佳匹配点,通过匹配点的距离最佳值与次佳值比率优选出最佳匹配点对。当最佳值与次佳值比率小于特征强度阈值α时,才能将具有最佳值的特征点作为匹配成功的特征点。
K最近邻法,即K最近邻(k-NearestNeighbor,KNN)分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一。该方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。本申请对于K最近邻法不作详细描述。
在此,定义相似度最高的待匹配特征点的特征向量的欧氏距离d1与相似度次高的待匹配特征点的特征向量的欧氏距离d2的比值d1/d2为该特征点的特征强度。相似度越高的特征点其欧式距离越小,所以其与相似度次高的特征点的欧式距离的比值—特征强度值也越小。
通过调整上述比率值α来控制匹配成功的特征点的定位精度,比率值α即为特征强度阈值。对定位精度较高的小尺度特征点,采用较大的特征强度阈值,以保留更多的小尺度特征点;对定位精度不高的大尺度特征点,采用较小的特征强度阈值,以剔除定位精度较低的大尺度特征点。特征强度阈值的具体调整的自适应算法的参数设置为:尺度小于20的特征点的特征强度阈值为0.8,尺度在[20,40]区间的特征点的特征强度阈值为0.5,尺度大于40的特征点的特征强度阈值为0.2,从而为不同尺度的特征点设置为不同的匹配规则,从而获得精确的匹配。
以下通过实验验证特征点尺度以及特征强度阈值对特征点定位精度的影响:
特征点尺度与图像匹配精度间的关系:
我们针对旋转前后图像的匹配特征点对间坐标值的偏差做了相关的分析。在已知图像旋转角度(实验中取5度)的条件下,将原图与旋转后的图像进行特征点匹配;随后,基于原图上特征点的坐标与旋转角度计算旋转后匹配点的理论坐标值;最后,计算旋转图像上相匹配的特征点的真是坐标值与理论坐标值间的差作为定位误差进行分析。图2所示为特征点定位误差的绝对值。从图2可以看出,小尺度特征点的定位误差普遍较小,从而说明特征点的尺度越小其定位精度越高。
为了定量分析特征点尺度与定位精度间的关系,进行了特征点尺度与定位精度间关系的实验。在此,分别将两张测试用图像旋转10度,得到待匹配的图像。在特征强度相同的情况下(实验中取特征强度阈值为0.5),进行待匹配图像与原图的SURF特征点匹配运算。对匹配成功的特征点,计算其定位误差,从而分析不同尺度的特征点的定位精度。定位误差的计算方法选用待匹配图像中匹配成功的特征点坐标与原图中相应的特征点经10度旋转后得到的坐标间的相对位移。
表1不同尺度特征点的平均定位误差
从表1可以看出,随着特征点尺度的增大,其平均定位误差呈上升趋势,如尺度大于40的特征点的平均定位误差接近尺度小于20的特征点的定位误差的三倍。
特征强度阈值与特征点定位精度之间的关系:
我们对旋转图像进行了不同特征强度阈值下定位误差的分析实验。在此,对图像进行10度的旋转处理后,进行旋转前后图像的特征点匹配。随后,计算旋转前图像中的特征点经旋转10度后的坐标,并计算该坐标与旋转后得到的图像中的匹配特征点的横、纵坐标间差值的绝对值,从而得到该特征点的定位误差,结果如图3所示。同时,分别设置不同的特征强度阈值,并分析高、中、低特征强度下的定位误差。从图3中可以看出,随着特征强度阈值的增大,定位误差呈逐步增大的趋势,表明特征强度阈值越大特征点的定位精度确越差。
为了进一步定量分析特征强度与定位精度间的关系,分别将两张测试用图像旋转10度,得到待匹配的图像。在尺度相同的情况下(实验中取尺度小于40),进行待匹配图像与原图的SURF特征点匹配运算。对匹配成功的特征点,计算其定位误差,从而分析不同特征强度的特征点的定位精度。其中,定位误差的计算方法与3.1相同。
表2不同强度特征点的平均偏定位误差
从表2可以看出,随着特征强度阈值的增大,其平均定位误差呈上升趋势。同时,不同特征强度的特征点间的定位误差差异也较大,如特征强度在0.5与0.8之间的特征点的平均定位误差接近特征强度小于0.2的特征点的定位误差的三倍。
尺度、特征强度与定位精度间的关系
显然,采用小尺度特征点或者提高特征强度均能有效改善特征点匹配的精度。为了进一步研究三者的关系,我们在旋转图像中提取到不同尺度的特征点,并根据不同的特征强度分别进行匹配,计算其平均偏移距离,得到如表3所示结果。
从表3可以看出,特征点尺度越小,同时特征强度值越小的情况下,匹配点对间的平均定位误差越小,也即匹配精度更高。同时,对于小尺度特征点来说,即便特征强度值稍大,也能够获得较高的定位精度。而对于大尺度特征点,只有当特征强度值较小时,才能获得高精度的匹配点对。
为此,我们考虑对尺度小于20的特征点,采用(0,0.8)间的特征强度进行匹配特征点的搜索;对尺度在20与40之间的特征点,采用(0,0.5)间的特征强度进行匹配特征点的搜索;对尺度大于40的特征点,采用(0,0.2)间的特征强度进行匹配特征点的搜索。
表3不同尺度和特征强度下特征点的平均定位误差
与传统surf算法的比较
为了验证算法的有效性,使用传统SURF算法和本文提出的自适应算法对多幅图像对进行了特征点匹配实验。同时,为了准确地比较上述方法,在传统方法的实验中使用不同的特征强度阈值,从而使其匹配成功的特征点对的数量和平均定位误差分别与本算法的结果相近,以利于更加准确地分析两方法的实验结果。
从表4可以看出,传统方法无法实现匹配成功的特征点对数量与平均定位误差的平衡。也就是说,当获得较多数量的匹配点对时,平均定位误差较大;当获得较小的平均定位误差时,特征点对的数量就会降低。
与传统SURF算法相比,本算法能够实现匹配精度与匹配点数量间的相对平衡。既本算法在提取到相近数量的特征点时,平均定位误差降低10%—15%;在匹配精度相近时,本文算法所提取到的特征点数增加了18%—63%。从上述结果可以看出,与传统SURF特征点匹配算法相比,本算法获得了数量更多且匹配精度更高的匹配特征点对。
-------------------------------------------------------------
表4本文算法与传统SURF算法匹配精度比较
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (4)
1.一种尺度与特征强度自适应的SURF特征点匹配方法,其特征在于:具体步骤为:
(1)特征点的检测,分别在原始图像和目标图像中提取特征点,确定特征点位置信息;
(2)特征点的描述,计算特征点的主方向,计算获得特征点邻域信息得到最终的SURF描述符;
(3)特征点的匹配,根据SURF特征点描述符中包含的特征点邻域信息,找出目标图像中每个特征点在原始图像中潜在的两个最佳匹配点,根据特征点的尺度确定特征强度阈值α,最终,将匹配点的距离最佳值与次佳值比率小于特征强度阈值α的特征点作为匹配特征点,实现尺度与特征强度自适应的特征点匹配。
2.根据权利要求1所述的根据权利要求1所述的尺度与特征强度自适应的SURF特征点匹配方法,其特征在于:所述步骤(1)特征点的检测,具体步骤为:首先,分别对原始图像和目标图像进进行高斯平滑处理,并建立高斯尺度空间,然后通过计算Hessian矩阵行列式的局部极值来确定特征点的位置。对于尺度为σ的空间中任一点的Hessian矩阵定义为:
式中,Lxx是高斯二阶导同I=(x,y)卷积的结果,其中Lxy,Lyy具有相同的含义。
3.根据权利要求1所述的根据权利要求1所述的尺度与特征强度自适应的SURF特征点匹配方法,其特征在于:所述步骤(2)特征点的描述,具体步骤为:
首先,在特征点位置确定后,计算每一个特征点的主方向,特征点的尺度为σ,在以特征点为中心,在半径为6σ的圆形区域内,对图像在x和y方向进行Harr小波响应运算,Harr小波边长取4σ,并使用尺度为2σ的高斯加权函数对Harr小波响应值进行高斯加权,使得越靠近特征点的响应贡献越大;然后用π/3大小的扇形区域范围遍历整个圆形区域,并将域内水平方向响应和垂直方向响应的矢量和模的最大值的方向定义为特征点的主方向;
然后,以特征点为中心,构造一边垂直于主方向且边长为20σ的正方形窗口区域,并将该窗口区域划分成4×4的子区域,在每一个子区域内,进行5σ×5σ个采样点的水平方向和垂直方向的Harr小波响应的计算,分别记作dx和dy,同样使用尺度为2σ的高斯加权函数对Harr小波响应值进行高斯加权,以增加对几何变换的鲁棒性,然后将每个子区域的响应值和响应值的绝对值相加形成∑dx,∑dy,∑|dx|,∑|dy|,由此,每个子区域就形成了一个四维特征描述向量V:
V=(Σdx,Σdy,Σ|dx|,Σ|dy|)
对于每一个特征点,形成4×4×4=64维的特征向量;
最后,对特征向量进行归一化处理,得到最终的SURF特征点描述符,该描述符中包含特征点邻域信息。
4.根据权利要求1所述的根据权利要求1所述的尺度与特征强度自适应的SURF特征点匹配方法,其特征在于:所述步骤(3)特征点的匹配中,通过调整特征强度阈值α来控制匹配成功的特征点的定位精度,参数设置为:尺度小于20的特征点的特征强度阈值为0.8,尺度在[20,40]区间的特征点的特征强度阈值为0.5,尺度大于40的特征点的特征强度阈值为0.2,从而为不同尺度的特征点设置为不同的匹配规则,从而获得精确的匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810486483.9A CN108664983A (zh) | 2018-05-21 | 2018-05-21 | 一种尺度与特征强度自适应的surf特征点匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810486483.9A CN108664983A (zh) | 2018-05-21 | 2018-05-21 | 一种尺度与特征强度自适应的surf特征点匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108664983A true CN108664983A (zh) | 2018-10-16 |
Family
ID=63777027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810486483.9A Withdrawn CN108664983A (zh) | 2018-05-21 | 2018-05-21 | 一种尺度与特征强度自适应的surf特征点匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664983A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222699A (zh) * | 2019-05-24 | 2019-09-10 | 东南大学 | 一种基于区域自适应surf的无序图像快速匹配方法 |
CN113537351A (zh) * | 2021-07-16 | 2021-10-22 | 重庆邮电大学 | 面向移动设备拍摄的遥感图像坐标匹配方法 |
CN113689403A (zh) * | 2021-08-24 | 2021-11-23 | 中国科学院长春光学精密机械与物理研究所 | 基于特征间方位距的特征描述系统 |
CN114463640A (zh) * | 2022-04-08 | 2022-05-10 | 武汉理工大学 | 一种局部特征融合的多视角船舶身份识别方法 |
CN115257739A (zh) * | 2022-09-30 | 2022-11-01 | 南通艾美瑞智能制造有限公司 | 一种自适应速度调节的前车跟随方法 |
CN116433887A (zh) * | 2023-06-12 | 2023-07-14 | 山东鼎一建设有限公司 | 基于人工智能的建筑物快速定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
CN103426186A (zh) * | 2013-09-05 | 2013-12-04 | 山东大学 | 一种改进的surf快速匹配方法 |
CN104637055A (zh) * | 2015-01-30 | 2015-05-20 | 天津科技大学 | 一种基于小尺度特征点的高精度图像匹配方法 |
CN105447864A (zh) * | 2015-11-20 | 2016-03-30 | 小米科技有限责任公司 | 图像的处理方法、装置及终端 |
-
2018
- 2018-05-21 CN CN201810486483.9A patent/CN108664983A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
CN103426186A (zh) * | 2013-09-05 | 2013-12-04 | 山东大学 | 一种改进的surf快速匹配方法 |
CN104637055A (zh) * | 2015-01-30 | 2015-05-20 | 天津科技大学 | 一种基于小尺度特征点的高精度图像匹配方法 |
CN105447864A (zh) * | 2015-11-20 | 2016-03-30 | 小米科技有限责任公司 | 图像的处理方法、装置及终端 |
Non-Patent Citations (2)
Title |
---|
XIAOTONG HU 等: "The Scale and Characteristics Strength of SURF Feature Points Adaptive Matching Algorithm", 《INTERNATIONAL CONFERENCE ON ADVANCES IN MATERIALS, MACHINERY, ELECTRICAL ENGINEERING》 * |
王君本等: "一种基于快速鲁棒特征的图像匹配算法", 《计算机工程与科学》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222699A (zh) * | 2019-05-24 | 2019-09-10 | 东南大学 | 一种基于区域自适应surf的无序图像快速匹配方法 |
CN110222699B (zh) * | 2019-05-24 | 2023-07-18 | 东南大学 | 一种基于区域自适应surf的无序图像快速匹配方法 |
CN113537351A (zh) * | 2021-07-16 | 2021-10-22 | 重庆邮电大学 | 面向移动设备拍摄的遥感图像坐标匹配方法 |
CN113537351B (zh) * | 2021-07-16 | 2022-06-24 | 重庆邮电大学 | 面向移动设备拍摄的遥感图像坐标匹配方法 |
CN113689403A (zh) * | 2021-08-24 | 2021-11-23 | 中国科学院长春光学精密机械与物理研究所 | 基于特征间方位距的特征描述系统 |
CN113689403B (zh) * | 2021-08-24 | 2023-09-19 | 中国科学院长春光学精密机械与物理研究所 | 基于特征间方位距的特征描述系统 |
CN114463640A (zh) * | 2022-04-08 | 2022-05-10 | 武汉理工大学 | 一种局部特征融合的多视角船舶身份识别方法 |
CN115257739A (zh) * | 2022-09-30 | 2022-11-01 | 南通艾美瑞智能制造有限公司 | 一种自适应速度调节的前车跟随方法 |
CN116433887A (zh) * | 2023-06-12 | 2023-07-14 | 山东鼎一建设有限公司 | 基于人工智能的建筑物快速定位方法 |
CN116433887B (zh) * | 2023-06-12 | 2023-08-15 | 山东鼎一建设有限公司 | 基于人工智能的建筑物快速定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664983A (zh) | 一种尺度与特征强度自适应的surf特征点匹配方法 | |
CN105740899B (zh) | 一种机器视觉图像特征点检测与匹配复合的优化方法 | |
CN105046252B (zh) | 一种人民币冠字码识别方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN110148162A (zh) | 一种基于复合算子的异源图像匹配方法 | |
CN105678806B (zh) | 一种基于Fisher判别的生猪行为轨迹自动跟踪方法 | |
CN108121985A (zh) | 一种基于机器视觉的双指针仪表读数方法 | |
CN104933434A (zh) | 一种结合LBP特征提取和surf特征提取方法的图像匹配方法 | |
CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN110135438B (zh) | 一种基于梯度幅值预运算的改进surf算法 | |
CN103632137B (zh) | 一种人眼虹膜图像分割方法 | |
CN106874942B (zh) | 一种基于正则表达式语义的目标模型快速构建方法 | |
CN113392856B (zh) | 图像伪造检测装置和方法 | |
CN106709500A (zh) | 一种图像特征匹配的方法 | |
CN105718552A (zh) | 基于服装手绘草图的服装图像检索方法 | |
CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
CN108830899A (zh) | 一种基于几何特征的快速自适应角点结合的圆心检测方法 | |
CN107967477A (zh) | 一种改进的sift特征联合匹配方法 | |
CN107784263A (zh) | 基于改进加速鲁棒特征的平面旋转人脸检测的方法 | |
CN104282001A (zh) | 增强图像特征二值描述子性能的方法 | |
CN111783885A (zh) | 一种基于局部增强的毫米波图像的质量分类模型构建方法 | |
CN108257153A (zh) | 一种基于方向梯度统计特征的目标跟踪方法 | |
CN107808165B (zh) | 一种基于susan角点检测的红外图像匹配方法 | |
CN106934395B (zh) | 一种采用surf特征和颜色特征相融合的刚体目标跟踪方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181016 |
|
WW01 | Invention patent application withdrawn after publication |