CN109146861A - 一种改进的orb特征匹配方法 - Google Patents

一种改进的orb特征匹配方法 Download PDF

Info

Publication number
CN109146861A
CN109146861A CN201810880470.XA CN201810880470A CN109146861A CN 109146861 A CN109146861 A CN 109146861A CN 201810880470 A CN201810880470 A CN 201810880470A CN 109146861 A CN109146861 A CN 109146861A
Authority
CN
China
Prior art keywords
point
feature
descriptor
follows
characteristic
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
Application number
CN201810880470.XA
Other languages
English (en)
Other versions
CN109146861B (zh
Inventor
郑茜颖
杨炳坤
程树英
张彩霞
林培杰
何煌城
俞金玲
陈志聪
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN201810880470.XA priority Critical patent/CN109146861B/zh
Publication of CN109146861A publication Critical patent/CN109146861A/zh
Application granted granted Critical
Publication of CN109146861B publication Critical patent/CN109146861B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种改进的ORB特征匹配方法，包括以下步骤：步骤S1:采用改进的FAST14‑24方法进行角点的初步提取,得到角点；步骤S2:根据得到的角点，采用Shi‑Tomasi角点检测算法进行特征点优选，得到特征点；步骤S3:利用灰度质心法对特征点集进行处理确定特征点的方向；步骤S4:根据特征点集，采用类视网膜描述符提取算法，得到特征描述符；步骤S5:根据得到的特征描述符，采用学习的方法来提取低相关性的采样点对的位置，得到优化的特征描述符。步骤S6:使用汉明距离进行特征匹配。本发明得到的优化的特征描述符相比现有的rBRIEF描述符，具有更好的鲁棒性和更高的精度。

Description

一种改进的ORB特征匹配方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种改进的ORB特征匹配方法。
背景技术
图像匹配技术通过对影像内容、特征、结构、关系、纹理及灰度等的对应关系，分析相似性和一致性，寻求相似影像目标。图像匹配技术广泛应用在车牌识别、遥感影像、图像拼接、医疗图像诊断、人脸识别等领域。在图像配准算法中,特征提取及匹配的方法有很多,如:SUSAN算子、Harris算子、SIFT算子。其中SIFT算法是性能最为鲁棒的局部特征算法，但是其运算量较大，不能很好的满足实时性的要求。为此Ethan Rublee等于2011年提出ORB算法，ORB算法是建立在改进的FAST特征和改进的BRIEF特征之上，由于FAST特征和BRIEF特征都具有运算速度快的优点，因此ORB在运算速度上比SIFT快两个数量级。但是在匹配精度上，ORB算法弱于SIFT算法。
发明内容
有鉴于此，本发明的目的在于提供一种改进的ORB特征匹配方法，提高ORB的匹配精度。
为实现上述目的，本发明采用如下技术方案：
一种改进的ORB特征匹配方法，包括以下步骤：
步骤S1:采用改进的FAST14-24方法进行角点的初步提取,得到角点；
步骤S2:根据得到的角点，采用Shi-Tomasi角点检测算法进行特征点优选，得到特征点；
步骤S3:利用灰度质心法对特征点集进行处理确定特征点的方向；
步骤S4:根据特征点集，采用类视网膜描述符提取算法，得到特征描述符；
步骤S5:根据得到的特征描述符，采用学习的方法来提取低相关性的采样点对的位置，得到优化的特征描述符；
步骤S6:根据得到的优化的特征描述符，使用汉明距离进行特征匹配。
进一步的，所述步骤S1具体为:取像素点p周围24个像素点为检测模板，p点的灰度值为Ip，设定阈值T，如果24个像素点中有连续14个像素点的灰度值大于Ip+T或小于Ip-T，则p点为角点。
进一步的，所述步骤S2具体为:
步骤S21:通过计算局部小窗口W(x,y)在各个方向移动后的灰度情况检测特征点；
步骤S22:将窗口平移[u,v]产生灰度变化E[u,v]为：
其中M是2×2的自相关矩阵，由图像的导数计算：
对矩阵M的两个特征值λmax和λmin进行分析，因为曲率较大的不确定度取决于λmin，定义角点响应函数为λmin；
步骤S23:用Shi-Tomasi算法计算每点的角点响应函数λmin，根据λmin取前N个响应值最大的点确定为特征点。筛选出的特征点的周围至少存在两个不同方向的强边界，这样的特征点易于识别且稳定。
进一步的，所述步骤S3具体为:
Rosin定义了图像块的矩：
I(x,y)为图像灰度表达式，该矩的质心为：
设特征点的坐标为O，则OC为该特征点方向，方向角的计算公式如下：
θ＝atan2(m01,m10)
进一步的，所述步骤S4具体为:
步骤S41:采用与视网膜感受域相似的结构，除中间特征点，还划分7层同心圆，每层同心圆上均匀分布6个采样点；
步骤S42:对于各同心圆上的采样点采用不同边长的方形邻域描述，从中间特征点向外，每层的采样边长依次为：1、3、5、7、9、11、13、15；
步骤S43:采样点的邻域灰度均值比较结果级联组成,令F为某特征点描述符，则：
其中，τ(Pab)为二进制测试，N为特征向量维数，Pa为采样点对中a点的位置，Pb为采样点对中b点的位置，I(Pa)和I(Pb)为采样点在采样邻域的灰度均值。
进一步的，所述步骤S5具体为:采用模式选取了43个采样点，可以形成个采样点对。因为采用混叠式的感受野，采样点对之间具有较高的相关性，需要选择其中相关性较低的采样点对，提升描述符的区分性。因此采用学习的方法来提取低相关性的采样点对，使用PascalVOC 2007数据库中的部分图像集，从660张图像中提取超过230K个特征点；
步骤S51:利用步骤S1和步骤S2,从660张图像中提取超过230K个特征点并建立矩阵H，每个描述符由43个采样点两两比较组成903维二进制向量，矩阵H的每一行代表一个描述符；
步骤S52:对矩阵H的每一列计算方差，把方差最大的一列取出来，然后计算其他列与该列的协方差，并选择协方差最小的一列加入到新组成的描述向量中；
步骤S53:设置维数上限Nmax＝512，反复执行步骤S52直至取出512列,得到512个低相关性的采样点对的位置；
步骤S54:根据得到512个低相关性的采样点对的位置，通过生成512维二进制向量即为优选的特征描述符。
进一步的，所述步骤S6具体为:汉明距离是指两个等长的二进制字符串中，将其中一个变为另一个所需要作的最小替换次数。假设改进的ORB描述符的两个特征向量F1、F2，令F1＝m1,m2,…,m512，F2＝n1,n2,…,n512，则F1、F2的汉明距离为：
通过确定汉明距离的阈值，判断特征向量是否匹配。
本发明与现有技术相比具有以下有益效果：
1、本发明相比现有算法具有更高的匹配正确率。
2、本发明得到的优化的特征描述符具有更好的鲁棒性和更高的精度。
附图说明
图1是本发明方法流程图；
图2是本发明角点检测示意图；
图3是本发明类视网膜采样模式结构图；
图4是本发明实施例1特征点重复率比较结果图；
图5是本发明实施例2的特征点匹配性能比较结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种改进的ORB特征匹配方法，包括以下步骤：
步骤S1:采用改进的FAST14-24方法进行角点的初步提取,得到角点；
步骤S2:根据得到的角点，采用Shi-Tomasi角点检测算法进行特征点优选，得到特征点；
步骤S3:利用灰度质心法对特征点集进行处理确定特征点的方向；
步骤S4:根据特征点集，采用类视网膜描述符提取算法，得到特征描述符；
步骤S5:根据得到的特征描述符，采用学习的方法来提取低相关性的采样点对的位置，得到优化的特征描述符。
在本发明一实施例中，所述步骤S1具体为:取像素点p周围24个像素点为检测模板，p点的灰度值为Ip，设定阈值T，如果24个像素点中有连续14个像素点的灰度值大于Ip+T或小于Ip-T，则p点为角点。
在本发明一实施例中，所述步骤S2具体为:
步骤S21:通过计算局部小窗口W(x,y)在各个方向移动后的灰度情况检测特征点；
步骤S22:将窗口平移[u,v]产生灰度变化E[u,v]为：
其中M是2×2的自相关矩阵，由图像的导数计算：
对矩阵M的两个特征值λmax和λmin进行分析，因为曲率较大的不确定度取决于λmin，定义角点响应函数为λmin；
步骤S23:用Shi-Tomasi算法计算每点的角点响应函数λmin，根据λmin取前N个响应值最大的点确定为特征点。筛选出的特征点的周围至少存在两个不同方向的强边界，这样的特征点易于识别且稳定。
在本发明一实施例中，所述步骤S3具体为:
Rosin定义了图像块的矩：
I(x,y)为图像灰度表达式，该矩的质心为：
设特征点的坐标为O，则OC为该特征点方向，方向角的计算公式如下：
θ＝atan2(m01,m10)
参照图3，在本发明一实施例中，所述步骤S4具体为:
步骤S41:采用与视网膜感受域相似的结构，除中间特征点，还划分7层同心圆，每层同心圆上均匀分布6个采样点；
步骤S42:对于各同心圆上的采样点采用不同边长的方形邻域描述，从中间特征点向外，每层的采样边长依次为：1、3、5、7、9、11、13、15；
步骤S43:采样点的邻域灰度均值比较结果级联组成,令F为某特征点描述符，则：
其中，τ(Pab)为二进制测试，N为特征向量维数，Pa为采样点对中a点的位置，Pb为采样点对中b点的位置，I(Pa)和I(Pb)为采样点在采样邻域的灰度均值。
在本发明一实施例中，所述步骤S5具体为:采用模式选取了43个采样点，可以形成个采样点对。因为采用混叠式的感受野，采样点对之间具有较高的相关性，需要选择其中相关性较低的采样点对，提升描述符的区分性。因此采用学习的方法来提取低相关性的采样点对，使用PascalVOC 2007数据库中的部分图像集，从660张图像中提取超过230K个特征点；
步骤S51:利用步骤S1和步骤S2,从660张图像中提取超过230K个特征点并建立矩阵H，每个描述符由43个采样点两两比较组成903维二进制向量，矩阵H的每一行代表一个描述符；
步骤S52:对矩阵H的每一列计算方差，把方差最大的一列取出来，然后计算其他列与该列的协方差，并选择协方差最小的一列加入到新组成的描述向量中；
步骤S53:设置维数上限Nmax＝512，反复执行步骤S52直至取出512列,得到512个低相关性的采样点对的位置；
步骤S54:根据得到512个低相关性的采样点对的位置，通过生成512维二进制向量即为优选的特征描述符。
为了让一般技术人员更好的理解本发明的技术方案，以下结合附图对本发明进行详细介绍。
实施例1：
如图4所示，采用4组图像作为重复率比较的实验图像，分别是boat图像对、bikes图像对、leuven图像对和graf图像对。boat图像对间存在着2～2.5倍的缩放和30°～45°的旋转；bikes图像对间存在高斯噪声污染，高斯半径σ＝3；leuven图像对间存在明显的光线变化；graf图像对间存在20°～40°的视角变化。分别对4组图像用ORB特征点检测算法和本发明改进方法计算特征点的重复率，可以看出针对存在尺度变换、旋转变化、光照变换、噪声干扰以及视角变换的图像，本发明改进的特征点检测方法都比ORB特征点检测算法在重复率上有所提升。这是因为本发明使用改进的FAST14-24算法剔除了一些边缘的伪角点，排除一定的干扰，并且在特征点优选过程中，使用Shi-Tomasi算法选取曲率变化大，易于识别且稳定的特征点。
实施例2：
实施例2，如图5所示，对实施例1中的4组图像分别利用ORB算法和本发明的改进方法进行匹配，可以看出，本发明改进的ORB特征匹配方法相对于传统ORB算法在匹配正确率上有所提升，正确率提升10％～50％左右。实验结果表明针对各自类型的图像匹配，本发明方法无论从匹配精度上还是鲁棒性上都优于传统ORB算法。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.一种改进的ORB特征匹配方法，其特征在于：包括以下步骤：
步骤S1:采用改进的FAST14-24方法进行角点的初步提取,得到角点；
步骤S2:根据得到的角点，采用Shi-Tomasi角点检测算法进行特征点优选，得到特征点；
步骤S3:利用灰度质心法对特征点集进行处理确定特征点的方向；
步骤S4:根据特征点集，采用类视网膜描述符提取算法，得到特征描述符；
步骤S5:根据得到的特征描述符，采用学习的方法来提取低相关性的采样点对的位置，得到优化的特征描述符；
步骤S6:根据得到的优化的特征描述符，使用汉明距离进行特征匹配。
2.根据权利要求1所述的一种改进的ORB特征匹配方法，其特征在于：所述步骤S1具体为:取像素点p周围24个像素点为检测模板，p点的灰度值为Ip，设定阈值T，如果24个像素点中有连续14个像素点的灰度值大于Ip+T或小于Ip-T，则p点为角点。
3.根据权利要求1所述的一种改进的ORB特征匹配方法，其特征在于：所述步骤S2具体为:
步骤S21:通过计算局部小窗口W(x,y)在各个方向移动后的灰度情况检测特征点；
步骤S22:将窗口平移[u,v]产生灰度变化E[u,v]为：
其中M是2×2的自相关矩阵，由图像的导数计算：
对矩阵M的两个特征值λmax和λmin进行分析，因为曲率较大的不确定度取决于λmin，定义角点响应函数为λmin；
步骤S23:用Shi-Tomasi算法计算每点的角点响应函数λmin，根据λmin取前N个响应值最大的点确定为特征点。
4.根据权利要求1所述的种改进的ORB特征匹配方法，其特征在于：所述步骤S3具体为:
Rosin定义了图像块的矩：
I(x,y)为图像灰度表达式，该矩的质心为：
设特征点的坐标为O，则OC为该特征点方向，方向角的计算公式如下：
θ＝atan2(m01,m10) 。
5.根据权利要求1所述的一种改进的ORB特征匹配方法，其特征在于：所述步骤S4具体为:
步骤S41:采用与视网膜感受域相似的结构，除中间特征点，还划分7层同心圆，每层同心圆上均匀分布6个采样点；
步骤S42:对于各同心圆上的采样点采用不同边长的方形邻域描述，从中间特征点向外，每层的采样边长依次为：1、3、5、7、9、11、13、15；
步骤S43:采样点的邻域灰度均值比较结果级联组成,令F为某特征点描述符，则：
其中，τ(Pab)为二进制测试，N为特征向量维数，Pa为采样点对中a点的位置，Pb为采样点对中b点的位置，I(Pa)和I(Pb)为采样点在采样邻域的灰度均值。
6.根据权利要求1所述的一种改进的ORB特征匹配方法，其特征在于：所述步骤S5具体为:
步骤S51:利用步骤S1和步骤S2,从660张图像中提取超过230K个特征点并建立矩阵H，每个描述符由43个采样点两两比较组成903维二进制向量，矩阵H的每一行代表一个描述符；
步骤S52:对矩阵H的每一列计算方差，把方差最大的一列取出来，然后计算其他列与该列的协方差，并选择协方差最小的一列加入到新组成的描述向量中；
步骤S53:设置维数上限Nmax＝512，反复执行步骤S52直至取出512列,得到512个低相关性的采样点对的位置；
步骤S54:根据得到512个低相关性的采样点对的位置，通过生成512维二进制向量即为优选的特征描述符。
7.根据权利要求1所述的一种改进的ORB特征匹配方法，其特征在于：所述步骤S6具体为:汉明距离是指两个等长的二进制字符串中，将其中一个变为另一个所需要作的最小替换次数。假设改进的ORB 描述符的两个特征向量F1、F2，令F1＝m1,m2,…,m512，F2＝n1,n2,…,n512，则F1、F2的汉明距离为：
通过确定汉明距离的阈值，判断特征向量是否匹配。
CN201810880470.XA 2018-08-04 2018-08-04 一种改进的orb特征匹配方法 Expired - Fee Related CN109146861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810880470.XA CN109146861B (zh) 2018-08-04 2018-08-04 一种改进的orb特征匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810880470.XA CN109146861B (zh) 2018-08-04 2018-08-04 一种改进的orb特征匹配方法

Publications (2)

Publication Number Publication Date
CN109146861A true CN109146861A (zh) 2019-01-04
CN109146861B CN109146861B (zh) 2021-09-28

Family

ID=64791480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810880470.XA Expired - Fee Related CN109146861B (zh) 2018-08-04 2018-08-04 一种改进的orb特征匹配方法

Country Status (1)

Country Link
CN (1) CN109146861B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991501A (zh) * 2019-11-19 2020-04-10 东南大学 一种基于Hessian矩阵的改进ORB特征点匹配方法
CN113837206A (zh) * 2021-09-29 2021-12-24 佛山市南海区广工大数控装备协同创新研究院 一种基于机器学习svm的图像角点检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376548A (zh) * 2014-11-07 2015-02-25 中国电子科技集团公司第二十八研究所 一种基于改进型surf算法的图像快速拼接方法
CN106204637A (zh) * 2016-06-29 2016-12-07 深圳市优象计算技术有限公司 光流计算方法
CN106558065A (zh) * 2015-09-17 2017-04-05 西安翔舟航空技术有限公司 基于图像颜色和纹理分析实现对目标的实时视觉跟踪方法
US20170323175A1 (en) * 2013-12-09 2017-11-09 Nant Holdings Ip, Llc Feature density object classification, systems and methods

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170323175A1 (en) * 2013-12-09 2017-11-09 Nant Holdings Ip, Llc Feature density object classification, systems and methods
CN104376548A (zh) * 2014-11-07 2015-02-25 中国电子科技集团公司第二十八研究所 一种基于改进型surf算法的图像快速拼接方法
CN106558065A (zh) * 2015-09-17 2017-04-05 西安翔舟航空技术有限公司 基于图像颜色和纹理分析实现对目标的实时视觉跟踪方法
CN106204637A (zh) * 2016-06-29 2016-12-07 深圳市优象计算技术有限公司 光流计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ADEL E 等: "Image stitching system based on ORB feature based technique and compensation blending", 《INTERNATIONAL JOURNAL OF ADVANCED COMPUTER SCIENCE AND APPLICATIONS》 *
江腾达 等: "空间非合作目标角点检测方法的比较研究", 《信息工程大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991501A (zh) * 2019-11-19 2020-04-10 东南大学 一种基于Hessian矩阵的改进ORB特征点匹配方法
CN113837206A (zh) * 2021-09-29 2021-12-24 佛山市南海区广工大数控装备协同创新研究院 一种基于机器学习svm的图像角点检测方法

Also Published As

Publication number Publication date
CN109146861B (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN103310453B (zh) 一种基于子图像角点特征的快速图像配准方法
CN105488815B (zh) 一种支持目标尺寸变化的实时对象跟踪方法
CN113361542B (zh) 一种基于深度学习的局部特征提取方法
CN105759967B (zh) 一种基于深度数据的手部全局姿态检测方法
Wang et al. Gaussian focal loss: Learning distribution polarized angle prediction for rotated object detection in aerial images
CN106023171B (zh) 一种基于转弯半径的图像角点检测方法
CN104834931A (zh) 一种基于小波变换的改进的尺度不变特征匹配算法
CN106599810B (zh) 一种基于栈式自编码的头部姿态估计方法
CN104318559A (zh) 用于视频图像匹配的特征点快速检测方法
CN109766752B (zh) 一种基于深度学习的目标匹配和定位方法及系统、计算机
CN108257153B (zh) 一种基于方向梯度统计特征的目标跟踪方法
Peng et al. Harris scale invariant corner detection algorithm based on the significant region
CN108319961B (zh) 一种基于局部特征点的图像roi快速检测方法
CN109146861A (zh) 一种改进的orb特征匹配方法
Chao-jian et al. Image target identification of UAV based on SIFT
Kang et al. Image registration based on harris corner and mutual information
Han et al. Accurate and robust vanishing point detection method in unstructured road scenes
CN116310837A (zh) 一种sar舰船目标旋转检测方法及系统
CN113947683B (zh) 指尖点检测方法、系统及指尖点运动轨迹识别方法、系统
Guo et al. A hybrid framework based on warped hierarchical tree for pose estimation of texture-less objects
Lou et al. Multi-Scale Vision Transformer for Defect Object Detection
Orlov et al. Vehicle Pose Estimation: Exploring Angular Representations
Mao et al. Feature extraction and matching of Slam image based on improved SIFT algorithm
Qiu et al. Target tracking and localization of binocular mobile robot using CAMShift and SIFT
CN118096836B (zh) 基于旋转等变网络与三重注意力机制目标跟踪方法与系统

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210928