CN109800774A - 形状匹配方法、装置及计算机可读存储介质 - Google Patents
形状匹配方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109800774A CN109800774A CN201711141055.4A CN201711141055A CN109800774A CN 109800774 A CN109800774 A CN 109800774A CN 201711141055 A CN201711141055 A CN 201711141055A CN 109800774 A CN109800774 A CN 109800774A
- Authority
- CN
- China
- Prior art keywords
- sampled point
- sampled
- matching cost
- feature
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
本公开提供了一种形状匹配方法、装置及计算机可读存储介质，涉及图形识别技术领域，所述方法包括：对第一图形和第二图形的边缘分别进行采样，以得到所述第一图形的多个第一采样点和所述第二图形的多个第二采样点；确定每个采样点的形状上下文特征和三角形区域表示特征；基于每个采样点的形状上下文特征和三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的匹配代价；根据所述匹配代价确定所述第一图形和所述第二图形之间的相似度。
Description
技术领域
本公开涉及图形识别技术领域，尤其是一种形状匹配方法、装置及计算机可读存储介质。
背景技术
随着智慧城市、智能交通、工业4.0技术等技术的推进，大规模图像和视频数据库的检索、分析和使用已日益走向实用。
在分析图像和视频数据库中数据时，第一步就是识别其中的物体。识别物体过程中，相对于物体的颜色和纹理，物体的形状特征往往发挥着关键的作用。利用一定的形状特征来衡量形状间的相似程度，就是形状匹配。
发明内容
本公开的一个目的是：提供一种能够兼顾全局特征和局部特征的形状匹配方案。
根据本公开实施例的一方面，提供一种形状匹配方法，包括：对第一图形和第二图形的边缘分别进行采样，以得到所述第一图形的多个第一采样点和所述第二图形的多个第二采样点；确定每个采样点的形状上下文特征和三角形区域表示特征；基于每个采样点的形状上下文特征和三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的匹配代价；根据所述匹配代价确定所述第一图形和所述第二图形之间的相似度。
在一些实施例中，所述基于每个采样点的形状上下文特征和三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的匹配代价包括：基于每个采样点的形状上下文特征，计算每个第一采样点和每个第二采样点之间的第一匹配代价；基于每个采样点的三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的第二匹配代价；对所述第一匹配代价和所述第二匹配代价进行加权求和，以得到所述匹配代价。
在一些实施例中，确定每个采样点的形状上下文特征包括：以某个第一采样点作为极坐标原点建立第一对数极坐标系，其他第一采样点在第一对数极坐标系中相对于该第一采样点分布的直方图作为该第一采样点的形状上下文特征；以某个第二采样点作为极坐标原点建立第二对数极坐标系，其他第二采样点在第二对数极坐标系中相对于该第二采样点分布的直方图作为该第二采样点的形状上下文特征。
在一些实施例中，所述第一采样点和所述第二采样点的数量相同。
根据本公开实施例的另一方面，提供一种形状匹配装置，包括：采样模块，用于对第一图形和第二图形的边缘分别进行采样，以得到所述第一图形的多个第一采样点和所述第二图形的多个第二采样点；特征确定模块，用于确定每个采样点的形状上下文特征和三角形区域表示特征；代价计算模块，用于基于每个采样点的形状上下文特征和三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的匹配代价；相似度确定模块，用于根据所述匹配代价确定所述第一图形和所述第二图形之间的相似度。
在一些实施例中，所述代价计算模块用于：基于每个采样点的形状上下文特征，计算每个第一采样点和每个第二采样点之间的第一匹配代价；基于每个采样点的三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的第二匹配代价；对所述第一匹配代价和所述第二匹配代价进行加权求和，以得到所述匹配代价。
在一些实施例中，所述特征确定模块用于根据如下方式确定每个采样点的形状上下文特征：以某个第一采样点作为极坐标原点建立第一对数极坐标系，其他第一采样点在第一对数极坐标系中相对于该第一采样点分布的直方图作为该第一采样点的形状上下文特征；以某个第二采样点作为极坐标原点建立第二对数极坐标系，其他第二采样点在第二对数极坐标系中相对于该第二采样点分布的直方图作为该第二采样点的形状上下文特征。
在一些实施例中，所述第一采样点和所述第二采样点的数量相同。
根据本公开实施例的又一方面，提供一种形状匹配装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行上述任意一个实施例所述的方法。
根据本公开实施例的再一方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述任意一个实施例所述的方法。
本公开实施例中，在计算匹配代价时综合考虑了每个采样点的形状上下文特征和三角形区域表示特征，从而使得最终匹配的结果不仅具有形状上下文特征的全局匹配精度，又有三角形区域表示特征的局部匹配精度，兼顾了全局特征和局部特征，提高了匹配结果的准确性。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本公开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公开的一些实施例，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是根据本公开一个实施例的形状匹配方法的流程示意图；
图2是根据本公开一个实施例的形状匹配装置的结构示意图；
图3是根据本公开另一个实施例的形状匹配装置的结构示意图；
图4是根据本公开又一个实施例的形状匹配装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
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讨论。
图1是根据本公开一个实施例的形状匹配方法的流程示意图。
在步骤102，对第一图形和第二图形的边缘分别进行采样，例如均匀采样，以得到第一图形的多个第一采样点和第二图形的多个第二采样点。
多个第一采样点可以组成第一采样点集合P，多个第二采样点可以组成第二采样点集合Q。作为一个示例，第一采样点集合P例如可以表示为P＝{P1，P2…PN}，第二采样点集合Q例如可以表示为Q＝{Q1，Q2…QM}，N表示第一采样点的数量，M表示第二采样点的数量。在一些实施例中，第一采样点和第二采样点的数量可以相同。然而，应理解，本公开并不限于此，在另一些实施例中，第一采样点和第二采样点的数量也可以不同。
在步骤104，确定每个采样点的形状上下文(SC，Shape Context)特征和三角形区域表示(TAR，Triangle Area Representation)特征。
首先介绍确定每个采样点的形状上下文特征的一个实现方式。
例如，以某个第一采样点作为极坐标原点建立第一对数极坐标系，其他第一采样点在第一对数极坐标系中相对于该第一采样点分布的直方图可以作为该第一采样点的形状上下文特征。类似地，以某个第二采样点作为极坐标原点建立第二对数极坐标系，其他第二采样点在第二对数极坐标系中相对于该第二采样点分布的直方图可以作为该第二采样点的形状上下文特征。
具体地，可以在对数极坐标坐标空间中沿半径和角度对平面进行分割，例如沿半径分割成M段，沿角度分割成N段，从而将整个对数极坐标划分为K＝M×N个栅格。以第一采样点集合P中的第i个第一采样点pi作为参考点，其余第一采样点可以生成对数极坐标直方图gi(k)作为第i个第一采样点pi的形状上下文特征；以第二采样点集合Q中的第j个第二采样点pj作为参考点，其余第二采样点可以生成对数极坐标直方图gj(k)作为第j个第二采样点pj的形状上下文特征。上述k为极坐标系中的栅格标号，1≤k≤K。
注意，对于第一采样点和第二采样点来说，在对数极坐标坐标空间中沿半径和角度对平面进行分割时，分割形成的栅格的个数K可以相同。
下面介绍确定每个采样点的三角形区域表示特征的一个实现方式。
三角形区域表示核心思想是：两个图形轮廓上的有向三角形面积数值越相近，图形轮廓就越相近。
以第一采样点为例，假设第一采样点集合P包括N个第一采样点，则第一采样点(xj，yj)、(xj-t，yj-t)和(xj+t，yj+t)所构成的有向三角形面积可表示为式(1)。
在式(1)中，1≤j≤N，1≤t≤T，T＝N/2–1。
第j个第一采样点的三角形区域特征TAR(j，t)可以表示为式(2)。
在步骤106，基于每个采样点的形状上下文特征和三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的匹配代价。
首先，可以基于每个采样点的形状上下文特征，计算每个第一采样点和每个第二采样点之间的第一匹配代价。
例如，第一采样点集合P中的第i个第一采样点pi和第二采样点集合Q中的第j个第二采样点qj之间的第一匹配代价C(i，j)可以表示为式(3)。
然后，基于每个采样点的三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的第二匹配代价。
例如，第一采样点集合P中的第i个第一采样点pi和第二采样点集合Q中的第j个第二采样点qj之间的第二匹配代价D(i，j)可以表示为式(4)。
之后，根据第一匹配代价和第二匹配代价计算每个第一采样点和每个第二采样点之间的匹配代价。
在一个实施例中，可以对第一匹配代价和第二匹配代价进行加权求和，以得到匹配代价Cij。也即，Cij＝α×C(i，j)+β×D(i，j)。α和β为加权系数，可以根据实际情况进行设定，例如可以设定为经验值。
应理解，也可以采用其他方式根据第一匹配代价和第二匹配代价计算每个第一采样点和每个第二采样点之间的匹配代价，只要匹配代价与第一匹配代价和第二匹配代价有关即可。
在步骤108，根据匹配代价确定第一图形和第二图形之间的相似度。
在得到每个第一采样点和每个第二采样点之间的匹配代价后，可以将全部匹配代价构成代价矩阵。
例如，可以采用匈牙利算法等其他算法，结合薄板样条(Thin plate spline，TPS)对最小化匹配损失函数H(π)＝∑C(pi，qπ(i))进行求解，这里，π是一个排列。通过迭代匹配可以获得最优解，例如使得H(π)最小，可以将最小的H(π)作为第一图形和第二图形之间的形状代价，该形状代价可以用于衡量两个图形之间的相似度，形状代价越小，两个图形越相似。
需要说明的是，本领域技术人员明白，根据匹配代价确定第一图形和第二图形之间的相似度可以采用多种现有的方式进行，在此不再赘述。
上述实施例中，在计算匹配代价时综合考虑了每个采样点的形状上下文特征和三角形区域表示特征，从而使得最终匹配的结果不仅具有形状上下文特征的全局匹配精度，又有三角形区域表示特征的局部匹配精度，兼顾了全局特征和局部特征，提高了匹配结果的准确性。
需要指出的是，本公开实施例中，步骤102和步骤104中对第一图形和第二图形的处理可以同时执行，也可以不同时执行。例如，可以预先对第二图形进行采样，以得到多个第二采样点，然后计算每个第二采样点的形状上下文特征和三角形区域表示特征。这种情况下，在进行形状匹配时，只需对第一图形进行采样，以得到多个第一采样点，然后计算每个第一采样点的形状上下文特征和三角形区域表示特征。之后，可以按照步骤106和步骤108进行后续处理。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于装置实施例而言，由于其与方法实施例基本对应，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。
图2是根据本公开一个实施例的形状匹配装置的结构示意图。如图2所示，该装置可以包括采样模块201、特征确定模块202、代价计算模块203和相似度确定模块204。
采样模块201用于对第一图形和第二图形的边缘分别进行采样，以得到第一图形的多个第一采样点和第二图形的多个第二采样点。例如，第一采样点和第二采样点的数量可以相同。
特征确定模块202用于确定每个采样点的形状上下文特征和三角形区域表示特征。
作为一个具体实现方式，特征确定模块202可以用于根据如下方式确定每个采样点的形状上下文特征：以某个第一采样点作为极坐标原点建立第一对数极坐标系，其他第一采样点在第一对数极坐标系中相对于该第一采样点分布的直方图作为该第一采样点的形状上下文特征；以某个第二采样点作为极坐标原点建立第二对数极坐标系，其他第二采样点在第二对数极坐标系中相对于该第二采样点分布的直方图作为该第二采样点的形状上下文特征。
代价计算模块203用于基于每个采样点的形状上下文特征和三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的匹配代价。
在一些实施例中，代价计算模块203可以用于：基于每个采样点的形状上下文特征，计算每个第一采样点和每个第二采样点之间的第一匹配代价；基于每个采样点的三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的第二匹配代价；对第一匹配代价和第二匹配代价进行加权求和，以得到匹配代价。
相似度确定模块204用于根据匹配代价确定第一图形和第二图形之间的相似度。
上述实施例中，在计算匹配代价时综合考虑了每个采样点的形状上下文特征和三角形区域表示特征，从而使得最终匹配的结果不仅具有形状上下文特征的全局匹配精度，又有三角形区域表示特征的局部匹配精度，兼顾了全局特征和局部特征，提高了匹配结果的准确性。
图3是根据本公开另一个实施例的形状匹配装置的结构示意图。如图3所示，该装置包括存储器301和处理器302。存储器301可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储前述任意一个实施例的方法对应的指令。处理器302耦接至存储器301，可以被实施为一个或多个集成电路，例如微处理器或微控制器。处理器302用于执行存储器301中存储的指令，能够提高匹配结果的准确性。
图4是根据本公开又一个实施例的形状匹配装置的结构示意图。如图4所示，该装置400包括存储器401和处理器402。处理器402通过总线(BUS)403耦合至存储器401。该装置400还可以通过存储接口404连接至外部存储装置405以便调用外部数据，还可以通过网络接口406连接至网络或者外部计算机系统(未示出)。
上述实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，能够提高匹配结果的准确性。
本公开还提供了一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现前述任意一个实施例的方法的步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
可能以许多方式来实现本公开的方法以及装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法以及装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种形状匹配方法，包括：
对第一图形和第二图形的边缘分别进行采样，以得到所述第一图形的多个第一采样点和所述第二图形的多个第二采样点；
确定每个采样点的形状上下文特征和三角形区域表示特征；
基于每个采样点的形状上下文特征和三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的匹配代价；
根据所述匹配代价确定所述第一图形和所述第二图形之间的相似度。
2.根据权利要求1所述的方法，其中，所述基于每个采样点的形状上下文特征和三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的匹配代价包括：
基于每个采样点的形状上下文特征，计算每个第一采样点和每个第二采样点之间的第一匹配代价；
基于每个采样点的三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的第二匹配代价；
对所述第一匹配代价和所述第二匹配代价进行加权求和，以得到所述匹配代价。
3.根据权利要求1或2所述的方法，其中，确定每个采样点的形状上下文特征包括：
以某个第一采样点作为极坐标原点建立第一对数极坐标系，其他第一采样点在第一对数极坐标系中相对于该第一采样点分布的直方图作为该第一采样点的形状上下文特征；
以某个第二采样点作为极坐标原点建立第二对数极坐标系，其他第二采样点在第二对数极坐标系中相对于该第二采样点分布的直方图作为该第二采样点的形状上下文特征。
4.根据权利要求1所述的方法，其中，
所述第一采样点和所述第二采样点的数量相同。
5.一种形状匹配装置，包括：
采样模块，用于对第一图形和第二图形的边缘分别进行采样，以得到所述第一图形的多个第一采样点和所述第二图形的多个第二采样点；
特征确定模块，用于确定每个采样点的形状上下文特征和三角形区域表示特征；
代价计算模块，用于基于每个采样点的形状上下文特征和三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的匹配代价；
相似度确定模块，用于根据所述匹配代价确定所述第一图形和所述第二图形之间的相似度。
6.根据权利要求5所述的装置，其中，所述代价计算模块用于：
基于每个采样点的形状上下文特征，计算每个第一采样点和每个第二采样点之间的第一匹配代价；
基于每个采样点的三角形区域表示特征，计算每个第一采样点和每个第二采样点之间的第二匹配代价；
对所述第一匹配代价和所述第二匹配代价进行加权求和，以得到所述匹配代价。
7.根据权利要求5或6所述的装置，其中，所述特征确定模块用于根据如下方式确定每个采样点的形状上下文特征：
以某个第一采样点作为极坐标原点建立第一对数极坐标系，其他第一采样点在第一对数极坐标系中相对于该第一采样点分布的直方图作为该第一采样点的形状上下文特征；
以某个第二采样点作为极坐标原点建立第二对数极坐标系，其他第二采样点在第二对数极坐标系中相对于该第二采样点分布的直方图作为该第二采样点的形状上下文特征。
8.根据权利要求5所述的装置，其中，
所述第一采样点和所述第二采样点的数量相同。
9.一种形状匹配装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行如权利要求1-4任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现如权利要求1-4任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711141055.4A CN109800774A (zh) | 2017-11-17 | 2017-11-17 | 形状匹配方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711141055.4A CN109800774A (zh) | 2017-11-17 | 2017-11-17 | 形状匹配方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109800774A true CN109800774A (zh) | 2019-05-24 |
Family
ID=66555834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711141055.4A Pending CN109800774A (zh) | 2017-11-17 | 2017-11-17 | 形状匹配方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109800774A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100215271A1 (en) * | 2009-02-25 | 2010-08-26 | Honda Motor Co., Ltd. | Body feature detection and human pose estimation using inner distance shape contexts |
| CN101833763A (zh) * | 2010-04-28 | 2010-09-15 | 天津大学 | 一种水面倒影图像检测方法 |
| CN104866854A (zh) * | 2015-05-06 | 2015-08-26 | 苏州大学 | 基于同底三角形面积描述的目标识别和形状检索方法 |
| CN106504276A (zh) * | 2016-10-25 | 2017-03-15 | 桂林电子科技大学 | 非局部立体匹配算法的组合匹配代价算法和视差联合填充算法 |
| CN107103323A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
-
2017
- 2017-11-17 CN CN201711141055.4A patent/CN109800774A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100215271A1 (en) * | 2009-02-25 | 2010-08-26 | Honda Motor Co., Ltd. | Body feature detection and human pose estimation using inner distance shape contexts |
| CN101833763A (zh) * | 2010-04-28 | 2010-09-15 | 天津大学 | 一种水面倒影图像检测方法 |
| CN104866854A (zh) * | 2015-05-06 | 2015-08-26 | 苏州大学 | 基于同底三角形面积描述的目标识别和形状检索方法 |
| CN106504276A (zh) * | 2016-10-25 | 2017-03-15 | 桂林电子科技大学 | 非局部立体匹配算法的组合匹配代价算法和视差联合填充算法 |
| CN107103323A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张志娟: "基于色彩分割和非参数变换的分步立体匹配算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 胡芳: "多尺度下二维图像轮廓的表示法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 陈怀友: "大规模作战仿真平台可视化关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | A systematic approach for cross-source point cloud registration by preserving macro and micro structures | |
| CN108764048B (zh) | 人脸关键点检测方法及装置 | |
| Xu et al. | Accurate and robust line segment extraction using minimum entropy with Hough transform | |
| Aftab et al. | Convergence of iteratively re-weighted least squares to robust m-estimators | |
| US20170161591A1 (en) | System and method for deep-learning based object tracking | |
| US20190333242A1 (en) | Method and apparatus for three-dimensional object pose estimation, device and storage medium | |
| JP2019503025A (ja) | 地図上の関心地点の略称を得る方法及び装置 | |
| CN111459269A (zh) | 一种增强现实显示方法、系统及计算机可读存储介质 | |
| Jog et al. | Automated computation of the fundamental matrix for vision based construction site applications | |
| Wang et al. | Joint head pose and facial landmark regression from depth images | |
| Nadeem et al. | Direct image to point cloud descriptors matching for 6-dof camera localization in dense 3d point clouds | |
| Krasheninnikov et al. | Estimation of parameters of geometric transformation of images by fixed-point method | |
| CN109800774A (zh) | 形状匹配方法、装置及计算机可读存储介质 | |
| Zhang et al. | Pose estimation of space objects based on hybrid feature matching of contour points | |
| Wan et al. | Self-calibration of spherical rectification for a PTZ-stereo system | |
| Kul et al. | Wall Size Prediction from 2D Images with the Help of Reference Objects | |
| Ayadi et al. | A parametric algorithm for skyline extraction | |
| CN108701206A (zh) | 用于面部对准的系统和方法 | |
| CN109919998A (zh) | 卫星姿态确定方法、装置和终端设备 | |
| Czupryński et al. | Real-time RGBD SLAM system | |
| Deb et al. | Comparative improvement of image segmentation performance with graph based method over watershed transform image segmentation | |
| Kim et al. | Recognition of face orientation angle using modified hausdorff distance | |
| Liu et al. | Algorithm for camera parameter adjustment in multicamera systems | |
| Sawada et al. | A study on stone tool identification based on depth image and 3D point cloud | |
| Wang et al. | User-Invariant Facial Animation with Convolutional Neural Network |
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: 20190524 |
|
| RJ01 | Rejection of invention patent application after publication |