CN109165657A - 一种基于改进sift的图像特征检测方法及装置 - Google Patents

一种基于改进sift的图像特征检测方法及装置 Download PDF

Info

Publication number
CN109165657A
CN109165657A CN201810951191.8A CN201810951191A CN109165657A CN 109165657 A CN109165657 A CN 109165657A CN 201810951191 A CN201810951191 A CN 201810951191A CN 109165657 A CN109165657 A CN 109165657A
Authority
CN
China
Prior art keywords
image
direction angle
points
neighborhood
calculating
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
CN201810951191.8A
Other languages
English (en)
Inventor
廖海斌
肖春红
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.)
Guizhou Is Suitable For Zhitong Technology Co Ltd
Original Assignee
Guizhou Is Suitable For Zhitong Technology Co Ltd
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 Guizhou Is Suitable For Zhitong Technology Co Ltd filed Critical Guizhou Is Suitable For Zhitong Technology Co Ltd
Priority to CN201810951191.8A priority Critical patent/CN109165657A/zh
Publication of CN109165657A publication Critical patent/CN109165657A/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
    • 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

Landscapes

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

Abstract

本发明实施例提供一种基于改进SIFT的图像特征检测方法及装置。方法包括：获取待检测图像和对应的标准图像；利用SIFT算法对所述待检测图像和所述标准图像进行图像匹配，获得多对匹配点；计算所述匹配点之间的邻域直径比和方向角度差；根据所述邻域直径比和所述方向角度差对所述匹配点进行剔除，获得正确匹配点，以获得所述待检测图像中的特征。装置用于执行上述方法。本发明实施例通过计算匹配点之间的邻域直径比和方向角度差，根据邻域直径比和方向角度差对匹配点进行剔除，获得正确匹配点，正确匹配点中待检测图像对应的数据点为特征点提高了对待检测图像中特征检测的正确率。

Description

一种基于改进SIFT的图像特征检测方法及装置
技术领域
本发明涉及图像检测技术领域，具体而言，涉及一种基于改进SIFT的图像特征检测方法及装置。
背景技术
图像识别技术作为移动机器人视觉定位系统的核心和基础技术之一，是目前移动机器人视觉定位领域研究的前沿和热点，该技术在移动机器人环境感知、自主定位、类人行为等具体实践中正得到越来越广泛的应用。
尺度不变特征变换算法(Scale Invariant Feature Transform，SIFT)是DavidG.Lowe在2004年总结了现有的基于不变量技术的特征检测方法的基础上，提出的一种基于尺度空间的、对图像缩放、旋转、仿射变换、光照变化保持稳定性的图像局部特征描述算法-SIFT算子。SIFT特征点向量的生成由以下四步骤组成：1、在尺度空间中检测极值点；2、去除低对比度的极值点和不稳定的边缘极值点，得到特征点；3、计算特征点的方向参数；4、生成SIFT特征点向量，向量维数一般为128维。
运用SIFT算法提取的SIFT特征点向量具有如下优点：1、SIFT特征是图像的局部特征，对旋转、尺度缩放、亮度变化保持不变化性，对视角变化、仿射变换、噪音也保持一定程度的稳定性；2、独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；3、多量性，即使少数的几个物体也可以产生大量SIFT特征向量。
现有的SIFT算法具有一定的缺陷，对于图像的检测效率和检测精度较差。
发明内容
有鉴于此，本发明实施例的目的在于提供一种基于改进SIFT的图像特征检测方法及装置，以解决上述技术问题。
第一方面，本发明实施例提供了一种基于改进SIFT的图像特征检测方法，包括：
获取待检测图像和对应的标准图像；
利用SIFT算法对所述待检测图像和所述标准图像进行图像匹配，获得多对匹配点；
计算所述匹配点之间的邻域直径比和方向角度差；
根据所述邻域直径比和所述方向角度差对所述匹配点进行剔除，获得正确匹配点，以获得所述待检测图像中的特征。
进一步地，所述计算所述匹配点之间的邻域直径比和方向角度差，包括：
计算所述待检测图像中多个第一特征点对应的第一邻域直径和第一方向角度；
计算所述标准图像中多个第二特征点对应的第二邻域直径和第二方向角度；
根据所述第一邻域直径和所述第二邻域直径计算所述邻域直径比，根据所述第一方向角度和所述第二方向角度计算所述方向角度差。
进一步地，所述根据所述邻域直径计算所述邻域直径比，包括：
根据计算获得所述邻域直径比；其中，
sz1为所述第一邻域直径，sz2为所述第二邻域直径。
进一步地，所述根据所述方向角度计算所述方向角度差，包括：
根据ag＝ag2-ag1计算获得所述方向角度差；其中，
ag1为所述第一方向角度，ag2为所述第二方向角度。
进一步地，所述根据所述方向角度计算所述方向角度差，包括：
若ag<0，则将ag增加360，直至ag>0为止。
进一步地，所述根据所述邻域直径比和所述方向角度差对所述匹配点进行剔除，获得正确匹配点，包括：
将所有的所述邻域直径比作为第一数据源，将所有的所述方向角度差作为第二数据源；
从所述第一数据源中依次获取一个第一目标数据点，统计所述第一数据源中除所述第一目标数据点之外的数据点到所述第一目标数据点的欧式距离小于第一阈值的第一点数；
若所述第一点数小于第一预设值，则将所述第一目标数据点剔除，获得第一剔除后数据源；
从所述第二数据源中依次获取一个第二目标数据点，统计所述第二数据源中除所述第二目标数据点之外的数据点到所述第二目标数据点的欧式距离小于第二阈值的第二点数；
若所述第二点数小于第二预设值，则将所述第二目标数据点剔除，获得第二剔除后数据源；
将所述第一剔除后数据源和所述第二剔除后数据源的交集对应的匹配点为所述正确匹配点。
第二方面，本发明实施例提供一种基于改进SIFT的图像特征检测装置，包括：
获取模块，用于获取待检测图像和对应的标准图像；
匹配模块，用于利用SIFT算法对所述待检测图像和所述标准图像进行图像匹配，获得多对匹配点；
计算模块，用于计算所述匹配点之间的邻域直径比和方向角度差；
剔除模块，用于根据所述邻域直径比和所述方向角度差对所述匹配点进行剔除，获得正确匹配点，以获得所述待检测图像中的特征。
进一步地，所述计算模块，具体用于：
计算所述待检测图像中多个第一特征点对应的第一邻域直径和第一方向角度；
计算所述标准图像中多个第二特征点对应的第二邻域直径和第二方向角度；
根据所述第一邻域直径和所述第二邻域直径计算所述邻域直径比，根据所述第一方向角度和所述第二方向角度计算所述方向角度差。
第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的方法步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的方法步骤。
本发明实施例通过计算匹配点之间的邻域直径比和方向角度差，根据邻域直径比和方向角度差对匹配点进行剔除，获得正确匹配点，正确匹配点中待检测图像对应的数据点为特征点提高了对待检测图像中特征检测的正确率。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的一种基于改进SIFT的图像特征检测方法流程示意图；
图2为本发明实施例提供的邻域直径比和方向角度差的方法流程示意图；
图3为本发明实施例提供的一种基于改进SIFT的图像特征检测装置结构示意图；
图4为本发明实施例提供的电子设备的结构框图。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
图1为本发明实施例提供的一种基于改进SIFT的图像特征检测方法流程示意图，如图1所示，该方法，包括：
步骤101：获取待检测图像和对应的标准图像；
在具体的实施过程中，如果要对待检测图像中的特征进行检测，则可以先获取待检测图像和对应的标准图像，应当说明的事，标准图像中已经标有特征点。
步骤102：利用SIFT算法对所述待检测图像和所述标准图像进行图像匹配，获得多对匹配点；
在具体的实施过程中，利用SIFT算法对待检测图像和标准图像进行图像匹配，获得多对匹配点，应当说明的是，将标准图像中的一个数据点与待检测图像中的相匹配的一个数据点作为一对匹配点。应当说明的是，通过SIFT算法进行图像匹配为现有技术，本发明实施例对此不再赘述。
步骤103：计算所述匹配点之间的邻域直径比和方向角度差；
在上述实施例的基础上，在获得到多对匹配点之后，可以计算出每一对匹配点之间的邻域直径比和方向角度差。
步骤104：根据所述邻域直径比和所述方向角度差对所述匹配点进行剔除，获得正确匹配点，以获得所述待检测图像中的特征。
在具体的实施过程中，每对正确匹配关键点的邻域直径比和方向角度差都集中分布在一个小范围呢。理论上，当一幅图像进行一定倍数缩放时，每对正确匹配关键点的邻域直径比也应等于这个放缩系数，当图像进行一定角度旋转时，每对正确匹配关键点的方向角度差值应等于图像的旋转角度。但是实际中由于光照、仿射变化以及图像的质量等原因，导致每对正确匹配关键点的邻域直径比和方向角度差都集中分布在一个小的区间。称正确匹配关键点的邻域直径比的分布区间为尺度不变因子，正确匹配关键点的方向角度差的分布区间为旋转不变因子。SIFT错误匹配关键点的邻域直径比与尺度不变因子相差较大，方向角度差与旋转不变因子相差较大。根据这个原理统计每对匹配点的邻域直径比和方向角度差，将邻域直径比和方向角度差作为两类数据，去掉两类数据中离散分布的数据，取两类数据中都保留下来的点作为SIFT误匹配点剔除后的结果。因此，根据邻域直径比和方向角度差可以判断出哪些匹配点为正确匹配点，哪些匹配点为错误匹配点，将匹配点中的错误匹配点剔除，从而留下的都是正确匹配点。正确匹配点中属于待检测图像中的数据点作为待检测图像的特征。
本发明实施例通过计算匹配点之间的邻域直径比和方向角度差，根据邻域直径比和方向角度差对匹配点进行剔除，获得正确匹配点，正确匹配点中待检测图像对应的数据点为特征点提高了对待检测图像中特征检测的正确率。
在上述实施例的基础上，图2为本发明实施例提供的邻域直径比和方向角度差的方法流程示意图，如图2所示，所述计算所述匹配点之间的邻域直径比和方向角度差，包括：
步骤201：计算所述待检测图像中多个第一特征点对应的第一邻域直径和第一方向角度；
步骤202：计算所述标准图像中多个第二特征点对应的第二邻域直径和第二方向角度；
步骤203：根据所述第一邻域直径和所述第二邻域直径计算所述邻域直径比，根据所述第一方向角度和所述第二方向角度计算所述方向角度差。
在具体的实施过程中，根据SIFT匹配结果获得每对匹配点的邻域直径大小和方向角度大小。令pk、qk为任意一对SIFT匹配点，通过匹配信息可以知道每对匹配点对应的特征描述子索引。从而知道每对匹配点分别对应的邻域直径和方向角度大小，即pk对应的第一邻域直径、pk的第一方向角度，qk对应的第二邻域直径，qk对应的第二方向角度，进而，计算每对匹配关键点的邻域直径比和方向角度差，即pk与qk的邻域直径比，pk与qk的方向角度差。由于方向角的取值范围为[0，360)度，为了防止因旋转后超过360度产生溢出，导致方向角度差出现负数的情况，当两者的方向角度差出现负值时在负数的基础上再加上360。
其中，在计算邻域直径比时，根据公式计算获得，其中，sz1为所述第一邻域直径，sz2为所述第二邻域直径。
在计算方向角度差是，可以根据公式ag＝ag2-ag1计算获得，其中，ag1为所述第一方向角度，ag2为所述第二方向角度。
如果当ag<0时，则将ag增加360，直至ag>0为止。
在上述实施例的基础上，所述根据所述邻域直径比和所述方向角度差对所述匹配点进行剔除，获得正确匹配点，包括：
将所有的所述邻域直径比作为第一数据源，将所有的所述方向角度差作为第二数据源；
从所述第一数据源中依次获取一个第一目标数据点，统计所述第一数据源中除所述第一目标数据点之外的数据点到所述第一目标数据点的欧式距离小于第一阈值的第一点数；
若所述第一点数小于第一预设值，则将所述第一目标数据点剔除，获得第一剔除后数据源；
从所述第二数据源中依次获取一个第二目标数据点，统计所述第二数据源中除所述第二目标数据点之外的数据点到所述第二目标数据点的欧式距离小于第二阈值的第二点数；
若所述第二点数小于第二预设值，则将所述第二目标数据点剔除，获得第二剔除后数据源；
将所述第一剔除后数据源和所述第二剔除后数据源的交集对应的匹配点为所述正确匹配点。
在具体的实施过程中，将所有的邻域直径比值作为第一数据源，取其中任意一个数据点作为第一目标数据点，统计该第一目标数据点中其他数据点到该第一目标数据点的欧式距离小于阈值的第一点数，若统计第一点数大于等于第一预设值，则认为该数据点属于集中分布的那堆数据，也就是正确匹配点，保留该第一目标数据点，否则，应该从该第一数据源中去掉，获得第一剔除后数据源。对该数据源中其他数据点也按此方法进行统计，判断该点应该作为正确匹配点保留下来还是错误匹配点删掉。
将所有的邻域直径比值作为第二数据源，取其中任意一个数据点作为第二目标数据点，统计该第二目标数据点中其他数据点到该第二目标数据点的欧式距离小于阈值的第二点数，若统计第二点数大于等于第二预设值，则认为该数据点属于集中分布的那堆数据，也就是正确匹配点，保留该第二目标数据点，否则，应该从该第二数据源中去掉，获得第二剔除后数据源。对该数据源中其他数据点也按此方法进行统计，判断该点应该作为正确匹配点保留下来还是错误匹配点删掉。
求第一剔除后数据源与第二剔除后数据源之间的交集，将该交集中匹配点作为正确匹配点。
本发明实施例通过计算匹配点之间的邻域直径比和方向角度差，根据邻域直径比和方向角度差对匹配点进行剔除，获得正确匹配点，正确匹配点中待检测图像对应的数据点为特征点提高了对待检测图像中特征检测的正确率。
图3为本发明实施例提供的一种基于改进SIFT的图像特征检测装置结构示意图，如图3所示，该装置包括：获取模块201、匹配模块302、计算模块303和剔除模块304，其中，
获取模块301用于获取待检测图像和对应的标准图像；匹配模块302用于利用SIFT算法对所述待检测图像和所述标准图像进行图像匹配，获得多对匹配点；计算模块303用于计算所述匹配点之间的邻域直径比和方向角度差；剔除模块304用于根据所述邻域直径比和所述方向角度差对所述匹配点进行剔除，获得正确匹配点，以获得所述待检测图像中的特征。
在上述实施例的基础上，所述计算模块，具体用于：
计算所述待检测图像中多个第一特征点对应的第一邻域直径和第一方向角度；
计算所述标准图像中多个第二特征点对应的第二邻域直径和第二方向角度；
根据所述第一邻域直径和所述第二邻域直径计算所述邻域直径比，根据所述第一方向角度和所述第二方向角度计算所述方向角度差。
在上述实施例的基础上，所述计算模块，具体用于：
根据计算获得所述邻域直径比；其中，
sz1为所述第一邻域直径，sz2为所述第二邻域直径。
在上述实施例的基础上，所述计算模块，具体用于：
根据ag＝ag2-ag1计算获得所述方向角度差；其中，
ag1为所述第一方向角度，ag2为所述第二方向角度。
在上述实施例的基础上，所述计算模块，具体用于：
若ag<0，则将ag增加360，直至ag>0为止。
在上述实施例的基础上，所述剔除模块，具体用于：
将所有的所述邻域直径比作为第一数据源，将所有的所述方向角度差作为第二数据源；
从所述第一数据源中依次获取一个第一目标数据点，统计所述第一数据源中除所述第一目标数据点之外的数据点到所述第一目标数据点的欧式距离小于第一阈值的第一点数；
若所述第一点数小于第一预设值，则将所述第一目标数据点剔除，获得第一剔除后数据源；
从所述第二数据源中依次获取一个第二目标数据点，统计所述第二数据源中除所述第二目标数据点之外的数据点到所述第二目标数据点的欧式距离小于第二阈值的第二点数；
若所述第二点数小于第二预设值，则将所述第二目标数据点剔除，获得第二剔除后数据源；
将所述第一剔除后数据源和所述第二剔除后数据源的交集对应的匹配点为所述正确匹配点。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
综上所述，本发明实施例通过计算匹配点之间的邻域直径比和方向角度差，根据邻域直径比和方向角度差对匹配点进行剔除，获得正确匹配点，正确匹配点中待检测图像对应的数据点为特征点提高了对待检测图像中特征检测的正确率。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取待检测图像和对应的标准图像；利用SIFT算法对所述待检测图像和所述标准图像进行图像匹配，获得多对匹配点；计算所述匹配点之间的邻域直径比和方向角度差；根据所述邻域直径比和所述方向角度差对所述匹配点进行剔除，获得正确匹配点，以获得所述待检测图像中的特征。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取待检测图像和对应的标准图像；利用SIFT算法对所述待检测图像和所述标准图像进行图像匹配，获得多对匹配点；计算所述匹配点之间的邻域直径比和方向角度差；根据所述邻域直径比和所述方向角度差对所述匹配点进行剔除，获得正确匹配点，以获得所述待检测图像中的特征。
请参照图4，图4为本发明实施例中的电子设备的结构框图。电子设备可以包括图像特征检测装置401、存储器402、存储控制器403、处理器404、外设接口405、输入输出单元406、音频单元407、显示单元408。
所述存储器402、存储控制器403、处理器404、外设接口405、输入输出单元406、音频单元407、显示单元408各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述图像特征检测装置401包括至少一个可以软件或固件(firmware)的形式存储于所述存储器402中或固化在图像特征检测装置401的操作系统(operating system，OS)中的软件功能模块。所述处理器404用于执行存储器402中存储的可执行模块，例如图像特征检测装置401包括的软件功能模块或计算机程序。
其中，存储器402可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器402用于存储程序，所述处理器404在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器404中，或者由处理器404实现。
处理器404可以是一种集成电路芯片，具有信号的处理能力。上述的处理器404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(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器404也可以是任何常规的处理器等。
所述外设接口405将各种输入/输出装置耦合至处理器404以及存储器402。在一些实施例中，外设接口405，处理器404以及存储控制器403可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出单元406用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元406可以是，但不限于，鼠标和键盘等。
音频单元407向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元408在所述电子设备与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元408可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器404进行计算和处理。
所述外设接口405将各种输入/输入装置耦合至处理器404以及存储器402。在一些实施例中，外设接口405，处理器404以及存储控制器403可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出单元406用于提供给用户输入数据实现用户与处理终端的交互。所述输入输出单元406可以是，但不限于，鼠标和键盘等。
可以理解，图4所示的结构仅为示意，所述电子设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
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。

Claims (10)

1.一种基于改进SIFT的图像特征检测方法，其特征在于，包括：
获取待检测图像和对应的标准图像；
利用尺度不变特征变换SIFT算法对所述待检测图像和所述标准图像进行图像匹配，获得多对匹配点；
计算所述匹配点之间的邻域直径比和方向角度差；
根据所述邻域直径比和所述方向角度差对所述匹配点进行剔除，获得正确匹配点，以获得所述待检测图像中的特征。
2.根据权利要求1所述的方法，其特征在于，所述计算所述匹配点之间的邻域直径比和方向角度差，包括：
计算所述待检测图像中多个第一特征点对应的第一邻域直径和第一方向角度；
计算所述标准图像中多个第二特征点对应的第二邻域直径和第二方向角度；
根据所述第一邻域直径和所述第二邻域直径计算所述邻域直径比，根据所述第一方向角度和所述第二方向角度计算所述方向角度差。
3.根据权利要求2所述的方法，其特征在于，所述根据所述邻域直径计算所述邻域直径比，包括：
根据计算获得所述邻域直径比；其中，
sz1为所述第一邻域直径，sz2为所述第二邻域直径。
4.根据权利要求2所述的方法，其特征在于，所述根据所述方向角度计算所述方向角度差，包括：
根据ag＝ag2-ag1计算获得所述方向角度差；其中，
ag1为所述第一方向角度，ag2为所述第二方向角度。
5.根据权利要求4所述的方法，其特征在于，所述根据所述方向角度计算所述方向角度差，包括：
若ag<0，则将ag增加360，直至ag>0为止。
6.根据权利要求1所述的方法，其特征在于，所述根据所述邻域直径比和所述方向角度差对所述匹配点进行剔除，获得正确匹配点，包括：
将所有的所述邻域直径比作为第一数据源，将所有的所述方向角度差作为第二数据源；
从所述第一数据源中依次获取一个第一目标数据点，统计所述第一数据源中除所述第一目标数据点之外的数据点到所述第一目标数据点的欧式距离小于第一阈值的第一点数；
若所述第一点数小于第一预设值，则将所述第一目标数据点剔除，获得第一剔除后数据源；
从所述第二数据源中依次获取一个第二目标数据点，统计所述第二数据源中除所述第二目标数据点之外的数据点到所述第二目标数据点的欧式距离小于第二阈值的第二点数；
若所述第二点数小于第二预设值，则将所述第二目标数据点剔除，获得第二剔除后数据源；
将所述第一剔除后数据源和所述第二剔除后数据源的交集对应的匹配点为所述正确匹配点。
7.一种基于改进SIFT的图像特征检测装置，其特征在于，包括：
获取模块，用于获取待检测图像和对应的标准图像；
匹配模块，用于利用SIFT算法对所述待检测图像和所述标准图像进行图像匹配，获得多对匹配点；
计算模块，用于计算所述匹配点之间的邻域直径比和方向角度差；
剔除模块，用于根据所述邻域直径比和所述方向角度差对所述匹配点进行剔除，获得正确匹配点，以获得所述待检测图像中的特征。
8.根据权利要求7所述的装置，其特征在于，所述计算模块，具体用于：
计算所述待检测图像中多个第一特征点对应的第一邻域直径和第一方向角度；
计算所述标准图像中多个第二特征点对应的第二邻域直径和第二方向角度；
根据所述第一邻域直径和所述第二邻域直径计算所述邻域直径比，根据所述第一方向角度和所述第二方向角度计算所述方向角度差。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-7任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1-7任一项所述的方法。
CN201810951191.8A 2018-08-20 2018-08-20 一种基于改进sift的图像特征检测方法及装置 Pending CN109165657A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810951191.8A CN109165657A (zh) 2018-08-20 2018-08-20 一种基于改进sift的图像特征检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810951191.8A CN109165657A (zh) 2018-08-20 2018-08-20 一种基于改进sift的图像特征检测方法及装置

Publications (1)

Publication Number Publication Date
CN109165657A true CN109165657A (zh) 2019-01-08

Family

ID=64896285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810951191.8A Pending CN109165657A (zh) 2018-08-20 2018-08-20 一种基于改进sift的图像特征检测方法及装置

Country Status (1)

Country Link
CN (1) CN109165657A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647890A (zh) * 2019-08-28 2020-01-03 惠州市德赛西威智能交通技术研究院有限公司 高性能的图像特征提取及匹配方法、系统和存储介质
CN110687929A (zh) * 2019-10-10 2020-01-14 辽宁科技大学 基于单目视觉与运动想象的飞行器三维空间目标搜索系统
CN111598176A (zh) * 2020-05-19 2020-08-28 北京明略软件系统有限公司 一种图像匹配处理方法及装置
CN112819095A (zh) * 2021-02-26 2021-05-18 吉林大学 特征点匹配方法、装置、智能终端及计算机可读存储介质
CN113033590A (zh) * 2019-12-25 2021-06-25 杭州海康机器人技术有限公司 图像特征匹配方法、装置、图像处理设备及存储介质
CN113158991A (zh) * 2021-05-21 2021-07-23 南通大学 一种嵌入式智能人脸检测与跟踪系统
CN113449595A (zh) * 2021-05-26 2021-09-28 清华大学 一种物品身份信息匹配方法、装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251897A (zh) * 2007-02-20 2008-08-27 索尼株式会社 图像处理装置、图像处理方法和程序
US20120321140A1 (en) * 2009-12-31 2012-12-20 Nokia Corporation Method and apparatus for local binary pattern based facial feature localization
CN103823887A (zh) * 2014-03-10 2014-05-28 北京大学 基于低秩全局几何一致性检验的错误匹配检测方法
CN104867126A (zh) * 2014-02-25 2015-08-26 西安电子科技大学 基于点对约束和三角形网的有变化区域的合成孔径雷达图像配准方法
CN105354558A (zh) * 2015-11-23 2016-02-24 河北工业大学 人脸图像匹配方法
CN105701766A (zh) * 2016-02-24 2016-06-22 网易（杭州）网络有限公司 图形匹配方法和装置
CN106205163A (zh) * 2016-07-20 2016-12-07 长安大学 基于全景摄像技术的山区公路弯道盲区会车预警系统
CN106651756A (zh) * 2016-11-16 2017-05-10 浙江工业大学 一种基于sift和验证机制的图像配准方法
CN107292922A (zh) * 2017-06-23 2017-10-24 电子科技大学 一种用于光学与合成孔径雷达图像配准的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251897A (zh) * 2007-02-20 2008-08-27 索尼株式会社 图像处理装置、图像处理方法和程序
US20120321140A1 (en) * 2009-12-31 2012-12-20 Nokia Corporation Method and apparatus for local binary pattern based facial feature localization
CN104867126A (zh) * 2014-02-25 2015-08-26 西安电子科技大学 基于点对约束和三角形网的有变化区域的合成孔径雷达图像配准方法
CN103823887A (zh) * 2014-03-10 2014-05-28 北京大学 基于低秩全局几何一致性检验的错误匹配检测方法
CN105354558A (zh) * 2015-11-23 2016-02-24 河北工业大学 人脸图像匹配方法
CN105701766A (zh) * 2016-02-24 2016-06-22 网易（杭州）网络有限公司 图形匹配方法和装置
CN106205163A (zh) * 2016-07-20 2016-12-07 长安大学 基于全景摄像技术的山区公路弯道盲区会车预警系统
CN106651756A (zh) * 2016-11-16 2017-05-10 浙江工业大学 一种基于sift和验证机制的图像配准方法
CN107292922A (zh) * 2017-06-23 2017-10-24 电子科技大学 一种用于光学与合成孔径雷达图像配准的方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647890B (zh) * 2019-08-28 2022-05-27 惠州市德赛西威智能交通技术研究院有限公司 高性能的图像特征提取及匹配方法、系统和存储介质
CN110647890A (zh) * 2019-08-28 2020-01-03 惠州市德赛西威智能交通技术研究院有限公司 高性能的图像特征提取及匹配方法、系统和存储介质
CN110687929A (zh) * 2019-10-10 2020-01-14 辽宁科技大学 基于单目视觉与运动想象的飞行器三维空间目标搜索系统
CN110687929B (zh) * 2019-10-10 2022-08-12 辽宁科技大学 基于单目视觉与运动想象的飞行器三维空间目标搜索系统
CN113033590A (zh) * 2019-12-25 2021-06-25 杭州海康机器人技术有限公司 图像特征匹配方法、装置、图像处理设备及存储介质
CN113033590B (zh) * 2019-12-25 2024-08-09 杭州海康机器人股份有限公司 图像特征匹配方法、装置、图像处理设备及存储介质
CN111598176A (zh) * 2020-05-19 2020-08-28 北京明略软件系统有限公司 一种图像匹配处理方法及装置
CN111598176B (zh) * 2020-05-19 2023-11-17 北京明略软件系统有限公司 一种图像匹配处理方法及装置
CN112819095A (zh) * 2021-02-26 2021-05-18 吉林大学 特征点匹配方法、装置、智能终端及计算机可读存储介质
CN113158991B (zh) * 2021-05-21 2021-12-24 南通大学 一种嵌入式智能人脸检测与跟踪系统
CN113158991A (zh) * 2021-05-21 2021-07-23 南通大学 一种嵌入式智能人脸检测与跟踪系统
CN113449595A (zh) * 2021-05-26 2021-09-28 清华大学 一种物品身份信息匹配方法、装置、电子设备及存储介质
CN113449595B (zh) * 2021-05-26 2024-09-24 清华大学 一种物品身份信息匹配方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109165657A (zh) 一种基于改进sift的图像特征检测方法及装置
US11120254B2 (en) Methods and apparatuses for determining hand three-dimensional data
CN108985199B (zh) 商品取放操作的检测方法、装置及存储介质
CN105701766B (zh) 图像匹配方法和装置
CN109948590B (zh) 姿态问题检测方法及装置
CN109086734B (zh) 一种对人眼图像中瞳孔图像进行定位的方法及装置
CN111951290A (zh) 一种图像中物体的边缘检测方法及装置
CN110956131B (zh) 单目标追踪方法、装置及系统
US20230214989A1 (en) Defect detection method, electronic device and readable storage medium
CN109376631A (zh) 一种基于神经网络的回环检测方法及装置
CN109348731A (zh) 一种图像匹配的方法及装置
CN109191133B (zh) 支付渠道的选择方法及终端设备
CN110738204B (zh) 一种证件区域定位的方法及装置
CN108960136B (zh) 人脸对齐算法中初始人脸形状的确定方法和装置
WO2023124233A1 (zh) 一种圆查找方法、装置、电子设备及存储介质
CN108648156B (zh) 点云数据中杂散点标记方法、装置、电子设备及存储介质
CN112634201A (zh) 目标检测方法、装置和电子设备
CN109447023A (zh) 确定图像相似度的方法、视频场景切换识别方法及装置
CN110415196B (zh) 图像校正方法、装置、电子设备及可读存储介质
CN114494751A (zh) 证照信息识别方法、装置、设备及介质
CN108122200A (zh) 图像拼接方法以及装置
CN113657273B (zh) 确定商品信息的方法、装置、电子设备及介质
CN111931557B (zh) 瓶装饮品的规格识别方法、装置、终端设备及可读存介质
CN108780572A (zh) 图像校正的方法及装置
CN108629219B (zh) 一种识别一维码的方法及装置

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20220311

AD01 Patent right deemed abandoned