CN108921175A - 一种基于fast改进的sift图像配准方法 - Google Patents

一种基于fast改进的sift图像配准方法 Download PDF

Info

Publication number
CN108921175A
CN108921175A CN201810584857.0A CN201810584857A CN108921175A CN 108921175 A CN108921175 A CN 108921175A CN 201810584857 A CN201810584857 A CN 201810584857A CN 108921175 A CN108921175 A CN 108921175A
Authority
CN
China
Prior art keywords
point
description
feature descriptor
value
characteristic 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.)
Pending
Application number
CN201810584857.0A
Other languages
English (en)
Inventor
常永鑫
闻涛
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum 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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN201810584857.0A priority Critical patent/CN108921175A/zh
Publication of CN108921175A publication Critical patent/CN108921175A/zh
Pending legal-status Critical Current

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

Abstract

本发明公开了一种基于FAST改进的SIFT图像配准方法。包括以下步骤：对图像建立高斯金字塔和高斯差分金字塔，在尺度空间利用FAST算法进行特征点检测，进而对特征点生成SIFT特征描述符。利用双向K‑d tree的特征匹配算法，首先对待匹配的两个特征描述子集合建立K‑d树空间A和B，然后先让空间A中的点在空间B中进行搜索，在让空间B中的点在空间A中进行搜索，如果A中的某一描述子a在B中搜索到最近欧氏距离的描述子为b，且描述子b在A中搜索到的最近欧氏距离的描述子为a，则视a和b匹配成功。本发明的优点在于：在保持SIFT特征点对光照、旋转、平移和尺度等变换的稳定性的前提下，提高特征点检测效率。使用双向K‑d树对特征描述子建立索引，提高特征点匹配的速度和精度。

Description

一种基于FAST改进的SIFT图像配准方法
技术领域
本发明涉及图像中的特征点检测与匹配技术领域，特别涉及一种基于FAST改进的SIFT图像配准方法。
背景技术
SIFT算法是由DavidLowe在1999年开始发表，直到2004年才进一步完成改进，最终形成的一个较为完善的尺度不变特征变换算法。实验证明，该算法对特征点的位置、旋转和尺度信息具有较强的不变性。在现实情况中，由于被拍摄对象的状态变化、外部环境以及拍摄设备的影响，导致精准并快速的匹配两幅具有重合部分的图像较为困难。而SIFT特征点是在高斯差分金字塔中进行检测的，它在一定程度上解决了图像的平移变换和尺度缩放问题，并对噪声也表现出很好的稳定性，另一方面该算法在对特征点进行描述的时候包含了特征点邻域的信息，在邻域内为特征点分配主方向和多个辅助方向，这有效的解决了图像的旋转问题。另外，SIFT算法还对光照问题和目标遮挡问题具有很好的鲁棒性。SIFT在图像特征点检测中的优秀表现，使得它成为该领域应用最广泛和最有效的算法之一。
虽然SIFT特征点检测算法有如上所述的众多优点，但是该算法在进行特征点检测和匹配时依然存在一些缺点，其中主要的两点如下所述：(1)由于需要在尺度空间中与检测点相邻的26个像素点做比较来进行极值点检测，所以该算法在此步骤耗时较长；(2)由于为了保证特征点具有较好的鲁棒性，其描述符总共有128维，而经典的RANSAC特征点匹配算法复杂度高，导致匹配效率降低。
发明内容
本发明针对现有技术的缺陷，提供了一种基于FAST改进的SIFT图像配准方法，能有效的解决上述现有技术存在的问题。
为了实现以上发明目的，本发明采取的技术方案如下：
一种基于FAST改进的SIFT图像配准方法，其特征在于，主要包括以下几个步骤：
步骤S1：输入具有重叠区域的两张待匹配图像；
步骤S2：分别对两张输入图像建立高斯金字塔；
步骤S3：分别对两个高斯金字塔建立高斯差分金字塔；
步骤S4：对高斯差分金字塔图像中每个像素点邻域内进行FAST特征点检测；
步骤S5：根据步骤S4检测到的对应特征位置的尺度空间中进行插值得到特征点的精确尺度和坐标位置；
步骤S6：为步骤S5所得到的特征点分别分配方向，生成特征描述子；
步骤S7：对两个描述子集合分别建立K-d tree；
步骤S8：分别利用一个树去搜索另一个树；
步骤S9：对比两次搜索结果，如果一个特征描述子集合A的某一个特征描述子a在另一个特征描述子集合B中搜索到的最近欧式距离的描述子为b，并且特征描述子集合B中的描述子b在特征描述子集合A中搜索到最近欧氏距离的描述子为a，那么描述子a和b视为一个特征匹配点对。
进一步地，所述步骤S2具体为：对原始图像进行O-1次下采样，加上原始图像总共有O张图像，然后分别对这O张图像的每张图像都采用一组个数为I+1的高斯核函数对其进行模糊，那么输出图像有O组，每一组有I+1张图像。
进一步地，所述步骤S3具体为：根据S2生成的高斯金字塔图像，对其中每一组的I+1张图像的相邻两张图像做差分，得到DOG(高斯差分)金字塔图像其中有O组图像，每组有I张图像。
进一步地，所述步骤S4具体为：对高斯差分金字塔中的每张图像进行FAST特征点定位，以每个像素点为中心的半径为3个像素的圆上共16个像素点，把这16个像素点的灰度值与中心点像素点的灰度值进行比较，如果满足条件则视中心像素点为特征点。
进一步地，所述步骤S5具体为：由于按照S4所述，特征点是在离散空间上检测到的，所以其空间位置可能存在误差，需要对尺度空间高斯差分函数进行曲线拟合，可以通过拟合三维二次函数来精确确定特征点的位置和尺度。
进一步地，所述步骤S6具体为：以S5确定的特征点为中心，对其8×8邻域内的像素进行梯度方向的直方图统计，直方图中的最大值对应的方向为特征点的主方向，且以峰值大于主方向峰值80％的方向作为特征点的辅助方向。然后在以特征点为中心的4×4邻域窗口内对每个窗口统计8个梯度方向信息，生成128维的特征点描述子。
进一步地，所述步骤S7具体为：对S6生成128维的描述子，统计它们在每个维度上面的方差，对应方差最大的维度就是要进行数据切分的维度，并且对此维度上的数据进行排序，以排序后的中值作为根节点，然后将大于该中值的数据分配到右子树，将小于该中值的数据分配到左子树。重复此过程直到子区域内没有实例点时终止。
进一步地，所述步骤S8具体为：首先对描述子集合A中的每一个点在集合B生成的K-d树中搜索与其欧氏距离最近的点，并且建立数组S，索引号为描述子集合A中各点的编号，数组值为对应在B中与其欧式距离最近点的编号；然后对描述子集合B中的每一个点在集合A生成的K-d树中搜索与其欧氏距离最近的点，并且建立数组D，索引号为描述子集合B中点的编号，数组值为对应在描述子集合A中与其欧式距离最近点的编号。
进一步地，所述步骤S9具体为：对比两次搜索结果，如果一个特征描述子集合A的某一个特征描述子a在另一个特征描述子集合B中搜索到的最近欧式距离的描述子为b，且特征描述子集合B中的描述子b在特征描述子集合A中搜索到最近欧氏距离的描述子为a，那么描述子a和b视为一个特征匹配点对。即对比S8生成的两个数组S和D，把数组S的每个索引号对应的值作为在D中的索引号，并在D中查找此索引号对应的值比较该值是否和对应S的索引号相等，如果相等则匹配成功，否则匹配失败。
与现有技术相比本发明的优点在于：为了解决SIFT在尺度空间中进行极值检测过程繁琐及耗时的问题，提出使用FAST特征检测器代替空间极值检测，在保持SIFT特征点对光照、旋转、平移和尺度等变换的稳定性的前提下，尽可能提高特征点检测效率。另外，针对RANSAC特征点匹配算法复杂度高，匹配效率低的问题，提出使用双向K-d树对特征描述子建立索引，提高特征点匹配的速度和精度。
附图说明
图1为本发明方法流程图；
图2为本发明实施例基于FAST改进的SIFT图像配准方法流程框图；
图3为本发明实施例特征点检测的邻域示意图；
图4为本发明实施例特征点检测流程框图；
图5为本发明实施例双向K-d树的特征匹配示意图；
图6为本发明实施例双向K-d树的特征匹配流程框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图并列举实施例，对本发明做进一步详细说明。
如图1、2所示，一种基于FAST改进的SIFT图像配准方法，其特征在于，主要包括以下几个步骤：
步骤S1：输入具有重叠区域的两张待匹配图像；
步骤S2：分别对两张输入图像建立高斯金字塔；
步骤S3：分别对两个高斯金字塔建立高斯差分金字塔；
步骤S4：对高斯差分金字塔图像中每个像素点邻域内进行FAST特征点检测；
步骤S5：根据步骤S4检测到的对应特征位置的尺度空间中进行插值得到特征点的精确尺度和坐标位置；
步骤S6：为步骤S5所得到的特征点分别分配方向，生成特征描述子；
步骤S7：对两个描述子集合分别建立K-d tree；
步骤S8：分别利用一个树去搜索另一个树；
步骤S9：对比两次搜索结果，输出匹配成功的特征点对。
所述步骤S1具体为：输入两张待匹配的图像，需要注意的是这两张图像具有部分重叠的区域。
所述步骤S2具体为：对原始图像进行O-1次下采样，加上原始图像总共有O张图像，然后分别对这O张图像的每张图像都采用一组个数为I+1的高斯核函数对其进行模糊，那么输出图像有O组，每一组有I+1张图像。
所述步骤S3具体为：根据S2生成的高斯金字塔图像，对其中每一组的I+1张图像的相邻两张图像做差分，得到DOG(高斯差分)金字塔图像其中有O组图像，每组有I张图像。
如图3、4所示，所述步骤S4具体为：对高斯差分金字塔中的每张图像进行FAST特征点定位。特征点检测流程具体为：将中心像素点的灰度值定义为p，并且将其半径为3个像素的圆上共16个像素点的灰度值分别定义为{p1,p2,…,p16}。首先分别计算得到p1与p差的绝对值y1、p9与p差的绝对值y9，判断y1和y9是否都大于设定的阈值x，如果满足条件则进行下一步处理，否则该中心被判定为不是特征点；然后分别计算得到p5与p差的绝对值y5、p13与p差的绝对值y13，判断y1、y5、y9、y13中的是否有三个值大于设定的阈值x，如果满足条件则进行下一步处理，否则该中心点被判定为不是特征点；进一步计算得到p2与p差的绝对值y2、p与p差的绝对值y3、p4与p差的绝对值y4、p6与p差的绝对值y6、p7与p差的绝对值y7、p8与p差的绝对值y8、p10与p差的绝对值y10、p11与p差的绝对值y11、p12与p差的绝对值y12，判断{y1,y2,…,y13}中是否有九个值大于设定阈值x，如果满足条件则中心点被判定为特征点，否则中心点被判定为不是特征点。
所述步骤S5具体为：由于按照S4所述，特征点是在离散空间上检测到的，所以其空间位置可能存在误差，需要对尺度空间高斯差分函数进行曲线拟合，可以通过拟合三维二次函数来精确确定特征点的位置和尺度。
所述步骤S6具体为：以S5确定的特征点为中心，对其8×8邻域内的像素进行梯度方向的直方图统计，直方图中的最大值对应的方向为特征点的主方向，且以峰值大于主方向峰值80％的方向作为特征点的辅助方向。然后在以特征点为中心的4×4邻域窗口内对每个窗口统计8个梯度方向信息，生成128维的特征点描述子。
如图5、6所示，所述步骤S7具体为：对S6生成128维的描述子，统计它们在每个维度上面的方差，对应方差最大的维度就是要进行数据切分的维度，并且对此维度上的数据进行排序，以排序后的中值作为根节点，然后将大于该中值的数据分配到右子树，将小于该中值的数据分配到左子树。重复此过程直到子区域内没有实例点时终止。
所述步骤S8具体为：经过前述几个步骤已经对两张待匹配图像分别生成了特征描述子，并且对两个特征描述子集合建立了K-d树，那么接下来就是一个相互搜索的过程。首先对描述子集合A中的每一个点在集合B生成的K-d树中搜索与其欧氏距离最近的点，并且建立数组S，索引号为描述子集合A中各点的编号，数组值为对应在B中与其欧式距离最近点的编号；然后对描述子集合B中的每一个点在集合A生成的K-d树中搜索与其欧氏距离最近的点，并且建立数组D，索引号为描述子集合B中点的编号，数组值为对应在描述子集合A中与其欧式距离最近点的编号。
所述步骤S9具体为：对比两次搜索结果，如果一个特征描述子集合A的某一个特征描述子a在另一个特征描述子集合B中搜索到的最近欧式距离的描述子为b，且特征描述子集合B中的描述子b在特征描述子集合A中搜索到最近欧氏距离的描述子为a，那么描述子a和b视为一个特征匹配点对。即对比S8生成的两个数组S和D，把数组S的每个索引号对应的值作为在D中的索引号，并在D中查找此索引号对应的值比较该值是否和对应S的索引号相等，如果相等则匹配成功，否则匹配失败。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.一种基于FAST改进的SIFT图像配准方法，其特征在于，主要包括以下几个步骤：
步骤S1：输入具有重叠区域的两张待匹配图像；
步骤S2：分别对两张输入图像建立高斯金字塔；
步骤S3：分别对两个高斯金字塔建立高斯差分金字塔；
步骤S4：对高斯差分金字塔图像中每个像素点邻域内进行FAST特征点检测；
步骤S5：根据步骤S4检测到的对应特征位置的尺度空间中进行插值得到特征点的精确尺度和坐标位置；
步骤S6：为步骤S5所得到的特征点分别分配方向，生成特征描述子；
步骤S7：对两个描述子集合分别建立K-d tree；
步骤S8：分别利用一个树去搜索另一个树；
步骤S9：对比两次搜索结果，如果一个特征描述子集合A的某一个特征描述子a在另一个特征描述子集合B中搜索到的最近欧式距离的描述子为b，并且特征描述子集合B中的描述子b在特征描述子集合A中搜索到最近欧氏距离的描述子为a，那么描述子a和b视为一个特征匹配点对。
2.根据权利要求1所述的方法，其特征在于：所述步骤S2具体为：对原始图像进行O-1次下采样，加上原始图像总共有O张图像，然后分别对这O张图像的每张图像都采用一组个数为I+1的高斯核函数对其进行模糊，那么输出图像有O组，每一组有I+1张图像。
3.根据权利要求2所述的方法，其特征在于：所述步骤S3具体为：根据S2生成的高斯金字塔图像，对其中每一组的I+1张图像的相邻两张图像做差分，得到DOG金字塔图像其中有O组图像，每组有I张图像。
4.根据权利要求3所述的方法，其特征在于：所述步骤S4具体为：对高斯差分金字塔中的每张图像进行FAST特征点定位，以每个像素点为中心的半径为3个像素的圆上共16个像素点，把这16个像素点的灰度值与中心点像素点的灰度值进行比较，如果满足条件则视中心像素点为特征点。
5.根据权利要求4所述的方法，其特征在于：所述步骤S5具体为：由于按照S4所述，特征点是在离散空间上检测到的，所以其空间位置可能存在误差，需要对尺度空间高斯差分函数进行曲线拟合，可以通过拟合三维二次函数来精确确定特征点的位置和尺度。
6.根据权利要求5所述的方法，其特征在于：所述步骤S6具体为：以S5确定的特征点为中心，对其8×8邻域内的像素进行梯度方向的直方图统计，直方图中的最大值对应的方向为特征点的主方向，且以峰值大于主方向峰值80％的方向作为特征点的辅助方向；然后在以特征点为中心的4×4邻域窗口内对每个窗口统计8个梯度方向信息，生成128维的特征点描述子。
7.根据权利要求6所述的方法，其特征在于：所述步骤S7具体为：对S6生成128维的描述子，统计它们在每个维度上面的方差，对应方差最大的维度就是要进行数据切分的维度，并且对此维度上的数据进行排序，以排序后的中值作为根节点，然后将大于该中值的数据分配到右子树，将小于该中值的数据分配到左子树；重复此过程直到子区域内没有实例点时终止。
8.根据权利要求7所述的方法，其特征在于：所述步骤S8具体为：首先对描述子集合A中的每一个点在集合B生成的K-d树中搜索与其欧氏距离最近的点，并且建立数组S，索引号为描述子集合A中各点的编号，数组值为对应在B中与其欧式距离最近点的编号；然后对描述子集合B中的每一个点在集合A生成的K-d树中搜索与其欧氏距离最近的点，并且建立数组D，索引号为描述子集合B中点的编号，数组值为对应在描述子集合A中与其欧式距离最近点的编号。
9.根据权利要求8所述的方法，其特征在于：所述步骤S9具体为：对比两次搜索结果，如果一个特征描述子集合A的某一个特征描述子a在另一个特征描述子集合B中搜索到的最近欧式距离的描述子为b，且特征描述子集合B中的描述子b在特征描述子集合A中搜索到最近欧氏距离的描述子为a，那么描述子a和b视为一个特征匹配点对；即对比S8生成的两个数组S和D，把数组S的每个索引号对应的值作为在D中的索引号，并在D中查找此索引号对应的值比较该值是否和对应S的索引号相等，如果相等则匹配成功，否则匹配失败。
CN201810584857.0A 2018-06-06 2018-06-06 一种基于fast改进的sift图像配准方法 Pending CN108921175A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810584857.0A CN108921175A (zh) 2018-06-06 2018-06-06 一种基于fast改进的sift图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810584857.0A CN108921175A (zh) 2018-06-06 2018-06-06 一种基于fast改进的sift图像配准方法

Publications (1)

Publication Number Publication Date
CN108921175A true CN108921175A (zh) 2018-11-30

Family

ID=64417919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810584857.0A Pending CN108921175A (zh) 2018-06-06 2018-06-06 一种基于fast改进的sift图像配准方法

Country Status (1)

Country Link
CN (1) CN108921175A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210491A (zh) * 2019-04-24 2019-09-06 哈尔滨工业大学 基于fast与sift的快速图像特征提取方法
CN111009001A (zh) * 2019-09-17 2020-04-14 哈工大机器人(中山)无人装备与人工智能研究院 一种图像配准方法、装置、设备及存储介质
CN112464950A (zh) * 2020-11-23 2021-03-09 武汉舜陈技术有限公司 一种基于柔性材料的图形识别定位方法
CN116485858A (zh) * 2023-06-25 2023-07-25 中国人民解放军国防科技大学 基于多尺度跨模态邻域描述子的异源图像配准方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982561A (zh) * 2012-12-31 2013-03-20 哈尔滨工业大学 适用于彩色图像彩色的二进制鲁棒尺度不变特征检测方法
CN103077512A (zh) * 2012-10-18 2013-05-01 北京工业大学 基于主成分析的数字图像的特征提取与匹配方法及装置
CN104794678A (zh) * 2015-05-04 2015-07-22 福建师范大学 一种基于sift特征点的高空间分辨率遥感影像自动配准方法
CN106485651A (zh) * 2016-10-11 2017-03-08 中国人民解放军军械工程学院 快速鲁棒性尺度不变的图像匹配方法
CN107146201A (zh) * 2017-05-08 2017-09-08 重庆邮电大学 一种基于改进图像融合的图像拼接方法
CN107220995A (zh) * 2017-04-21 2017-09-29 西安交通大学 一种基于orb图像特征的icp快速点云配准算法的改进方法
CN107895380A (zh) * 2017-11-27 2018-04-10 中国航天科工集团八五研究所 一种图像快速匹配方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077512A (zh) * 2012-10-18 2013-05-01 北京工业大学 基于主成分析的数字图像的特征提取与匹配方法及装置
CN102982561A (zh) * 2012-12-31 2013-03-20 哈尔滨工业大学 适用于彩色图像彩色的二进制鲁棒尺度不变特征检测方法
CN104794678A (zh) * 2015-05-04 2015-07-22 福建师范大学 一种基于sift特征点的高空间分辨率遥感影像自动配准方法
CN106485651A (zh) * 2016-10-11 2017-03-08 中国人民解放军军械工程学院 快速鲁棒性尺度不变的图像匹配方法
CN107220995A (zh) * 2017-04-21 2017-09-29 西安交通大学 一种基于orb图像特征的icp快速点云配准算法的改进方法
CN107146201A (zh) * 2017-05-08 2017-09-08 重庆邮电大学 一种基于改进图像融合的图像拼接方法
CN107895380A (zh) * 2017-11-27 2018-04-10 中国航天科工集团八五研究所 一种图像快速匹配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨柳: "《数字图像物体识别理论详解与实战》", 31 March 2018, 北京邮电大学出版社 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210491A (zh) * 2019-04-24 2019-09-06 哈尔滨工业大学 基于fast与sift的快速图像特征提取方法
CN111009001A (zh) * 2019-09-17 2020-04-14 哈工大机器人(中山)无人装备与人工智能研究院 一种图像配准方法、装置、设备及存储介质
CN112464950A (zh) * 2020-11-23 2021-03-09 武汉舜陈技术有限公司 一种基于柔性材料的图形识别定位方法
CN112464950B (zh) * 2020-11-23 2023-08-08 武汉舜陈技术有限公司 一种基于柔性材料的图形识别定位方法
CN116485858A (zh) * 2023-06-25 2023-07-25 中国人民解放军国防科技大学 基于多尺度跨模态邻域描述子的异源图像配准方法及装置
CN116485858B (zh) * 2023-06-25 2023-09-01 中国人民解放军国防科技大学 基于多尺度跨模态邻域描述子的异源图像配准方法及装置

Similar Documents

Publication Publication Date Title
Hsu et al. Ratio-and-scale-aware YOLO for pedestrian detection
Schmid et al. Local grayvalue invariants for image retrieval
US8699828B2 (en) Image matching using inlier coverage
CN108921175A (zh) 一种基于fast改进的sift图像配准方法
Chen et al. A new off-line signature verification method based on graph
EP2534612B1 (en) Efficient scale-space extraction and description of interest points
CN104036285A (zh) 垃圾图片识别方法及系统
Zhang et al. Road recognition from remote sensing imagery using incremental learning
CN110223310B (zh) 一种基于深度学习的线结构光中心线和箱体边缘检测方法
CN112800955A (zh) 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统
CN109815823A (zh) 数据处理方法及相关产品
CN113034497A (zh) 一种基于视觉的保温杯焊缝定位检测方法及系统
CN112198878B (zh) 一种即时地图构建方法、装置、机器人及存储介质
CN113095187A (zh) 一种基于图像特征匹配对齐的试卷批改方法
CN110070626B (zh) 一种基于多视角分类的三维物体检索方法
CN105844299B (zh) 一种基于词袋模型的图像分类方法
Yang et al. Perceptual organization of radial symmetries
Narang et al. Robust face recognition method based on SIFT features using Levenberg-Marquardt Backpropagation neural networks
Wang et al. Big Map R-CNN for object detection in large-scale remote sensing images.
Wu et al. An accurate feature point matching algorithm for automatic remote sensing image registration
Yi et al. Registration of infrared and visible images based on the correlation of the edges
CN112348105B (zh) 一种无人机图像匹配优化方法
Arsirii et al. Architectural objects recognition technique in augmented reality technologies based on creating a specialized markers base
Zhang et al. A new algorithm for real-time ellipse detection
CN116863173A (zh) 立体图像的特征点匹配方法、装置、设备及介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181130

RJ01 Rejection of invention patent application after publication