CN109919832B - 一种用于无人驾驶的交通图像拼接方法 - Google Patents
一种用于无人驾驶的交通图像拼接方法 Download PDFInfo
- Publication number
- CN109919832B CN109919832B CN201910146066.4A CN201910146066A CN109919832B CN 109919832 B CN109919832 B CN 109919832B CN 201910146066 A CN201910146066 A CN 201910146066A CN 109919832 B CN109919832 B CN 109919832B
- Authority
- CN
- China
- Prior art keywords
- matching
- points
- feature
- point
- matrix
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种用于无人驾驶的交通图像拼接方法,获取要进行拼接的交通图像;构建Hessian矩阵,生成所有的兴趣点,用于特征的提取;构建尺度空间;特征点定位;特征点主方向分配;生成特征点描述子;通过双向匹配与相似小波特征匹配实现特征点的匹配;随机从数据集中随机抽出4个样本数据计算出变换矩阵H;计算投影误差,加以判定,若符合则匹配点输出,否则返回,根据特征点进行图像拼接。本发明双向相似小波特征匹配surf算法与传统Surf算法相比提高了粗匹配的精度,同时也减小了下一步Ransac去误匹配的工作量,自适应低迭代Ransac算法与传统Ransac算法相比实现了最少匹配点阈值的自适应并且降低了迭代的次数,提高了算法的效率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种用于无人驾驶的交通图像拼接方法。
背景技术
当前,无人驾驶作为汽车研究的主要方向之一,前景广阔,寄托了人们对未来世界的无限遐想。随着人工智能,传感器检测以及全球定位系统等关键核心技术的不断发展,无人驾驶技术不断取得进步。
要实现无人驾驶技术,实现车辆的安全稳定运行,首先要做的是通过一系列传感器实时获取外部信息,例如距离信息,速度信息,路况信息以及图像信息,并且加以判断。在这一系列外部信息中,图像信息作为一种重要的信息以及其他信息的重要来源,获取车辆外界的图像信息就显得尤为重要。
要想要更多的获取车辆的图像信息,一种方法是采用广角镜头,但这种方法成本高昂,并且获取的图像角度也有限。另一种方法是采用多台摄像机同时摄像,来模拟人驾驶时眼球转动或扭头的过程,但有大量的重复信息,这时就需要采用图像拼接将摄像机获取的多张图片拼接成一张,去除重复信息,保留大量的有用信息。因此,对于无人驾驶技术,进行图像拼接是十分有意义的。
图像拼接不是简单的将两幅图像裁剪粘合,因为受到图像拍摄的角度、几何畸变,亮度差异等方面的影响,因此需要拼接算法消除这些影响,实现对图像的拼接。常见的拼接算法一类是基于区域相关的拼接算法,另一类是基于特征相关的拼接算法。前者对于几何畸变的处理能力较弱,局限性较大,并且车辆架设摄像头一般是朝向不同方向,受几何畸变影响较大。故本发明采取基于特征检测的拼接算法。常见使用广泛的特征点方法为Sift算法,此算法具有旋转、尺度缩放,亮度变化保持不变性,独立性丰富,但是对每个特征点都需要构建128维特征向量,速度慢,不符合用于无人车实时性,快速性的要求。在此基础上提出了Surf算法,此算法继承了Sift算法的不变性,并且能够满足快速型的需求,但是对于关键点主方向的依赖程度较高,在匹配过程中仅使用欧氏距离与亮暗度信息作为匹配判据,容易出现误匹配的现象。Ransac算法用于去除误匹配,随着测试点中外点比例的增加,过程中需要的迭代次数将呈指数增长,造成迭代的次数较多,时间较长,不符合用于无人驾驶快速性的要求。
发明内容
本发明的目的在于一种用于无人驾驶的交通图像拼接方法,以克服上述现有技术存在的缺陷,本发明采用双向相似小波特征匹配Surf提取特征点并进行粗匹配,使用自适应低迭代Ransac算法去除误匹配。其中使用双相匹配能够有效提升匹配精度,相似小波特征匹配可以提高算法效率与精度,自适应低迭代Ransac算法有效提升算法的快速性。
为达到上述目的,本发明采用如下技术方案:
一种用于无人驾驶的交通图像拼接方法,包括以下步骤:
步骤1:获取要进行拼接的交通图像,记为矩阵I;
步骤2:根据步骤1获取的矩阵I构建Hessian矩阵,生成所有的兴趣点,用于特征的提取;
步骤3:根据步骤2获取的Hessian矩阵构建尺度空间;
步骤4:利用步骤2构建的Hessian矩阵与步骤3构建的尺度空间进行特征点定位;
步骤5:对步骤4定位的特征点进行主方向分配;
步骤6:沿着步骤5确立的特征点主方向生成特征点描述子;
步骤7:对步骤4获取的特征点利用步骤6生成的特征点描述子通过双向匹配与相似小波特征匹配实现特征点的匹配;
步骤8:随机从步骤7中确立的特征点中随机抽出若干个样本数据,且此若干个样本之间不共线,计算出变换矩阵H;
步骤9:计算投影误差,加以判定,若符合则匹配点输出,否则返回步骤8;
步骤10:根据特征点进行图像拼接。
进一步地,步骤2中在构建Hessian矩阵前,使用二阶标准高斯函数作为滤波器获取的交通图像进行高斯滤波,通过特定核间的卷积计算二阶偏导数,进而计算出Hessian矩阵的三个矩阵元素Lxx,Lxy,Lyy,从而计算出Hessian矩阵,其公式为:
其中,σ是标准差,Lxx为x方向的二阶偏导,Lxy为先对x方向求二阶偏导,再对y方向求二阶偏导,Lyy为对y方向求二阶偏导。
进一步地,步骤3中构建的尺度空间由若干组图像构成,每一组中包含若干层,不同组间图像的尺寸一致,但不同组间使用的盒式滤波器的模板尺寸逐渐增大,同一组间不同层间使用相同尺寸的滤波器,但是滤波器的模糊系数逐渐增大。
进一步地,步骤4中特征点定位具体为:在每一组中选取相邻的三层Hessian行列式图像,对于中间层的每一个Hessian行列式值都可以作为待比较的点,在空间中选取该点周围的26个点进行比较大小,若该点大于其他26个点,则该点为初步特征点,同时设置阈值a,若该点值小于a的值,则将该点剔除,筛选出最终的稳定的特征点。
进一步地,步骤5中对以特征点为中心的6倍特征尺度为半径的圆形区域内的Harr小波响应做统计运算得到,在特征点的圆形邻域内,统计60度扇形内所有点的水平、垂直Harr小波特征总和,然后扇形以相同间隔进行旋转并再次统计该区域内Harr小波特征值,最后将Harr小波特征值最大的扇形的方向作为该特征点的主方向。
进一步地,步骤6中生成特征点描述子具体为:在特征点周围取一个4×4的矩形区域块,且所取的矩形区域方向是沿着特征点的主方向,每个矩形区域块统计25个像素的水平方向和垂直方向的Harr小波特征,此水平和垂直方向均是相对主方向而言,该Harr小波特征为水平方向值之和、垂直方向值之和、水平方向绝对值之和以及垂直方向绝对值之和4个方向。
进一步地,步骤7通过双向匹配与相似小波特征匹配实现特征点的匹配,其中,双向匹配就是先利用两点之间的欧氏距离求出某个点的匹配点,再将求得的匹配点作为基准点求它的匹配点,若第二次求得的匹配点与第一次求得的匹配点相同,则认为是一对匹配点,若不同,则认为不是匹配点;相似小波特征匹配即统计步骤5在扇形区域内的小波特征的个数,将一对匹配点小波特征的个数进行作差,如果两者之差小于阈值b则是匹配点,否则剔除。
进一步地,步骤8从步骤7中确立的特征点中随机获取四个样本数据,即四对匹配点,根据四对匹配点计算出变换矩阵H,即根据四对匹配点建立两幅图像的仿射关系,表示仿射关系的矩阵就是矩阵H。
进一步地,步骤9具体为:通过步骤8求得的变换矩阵H,将一幅图像中的全部的特征点映射到另一幅图像中去,相匹配的特征点进行减法运算,统计并记录差值小于差值阈值的个数,如果小于差值阈值的个数大于特征点个数阈值,则认为变换矩阵H是正确的,则将记录的特征点对作为精匹配的输出,否则返回步骤8重新取点,所述的特征点个数阈值采用了自适应调整,开始时先取粗匹配特征点的80%座位特征点个数阈值,如果经过有限次不能够得到预定的效果,则将特征点个数阈值下降10%,以此类推。
进一步地,步骤10具体为:根据步骤9获得的精匹配的特征点经过仿射变换将一幅图像变换到另一幅图像的坐标系中,之后将公共部分的像素点分别乘以比例系数c,d之后相加得到公共部分的拼接图像,其中,比例系数c,d满足c+d=1,且c、d的值与边界的距离成反比。
与现有技术相比,本发明具有以下有益的技术效果:
本发明采用双向相似小波特征匹配Surf算法,在现有双向匹配算法的基础上增加相似小波特征匹配,增加了特征点匹配的准确性,进而减少了下一步Ransac算法的计算量。采用自适应低迭代Ransac算法,降低了Ransac算法的迭代次数,使用自适应的方法,防止出现进入无限循环的现象,有效提升了算法的快速性。两者相结合提升了图像拼接的准确性与快速性。
附图说明
图1是本发明的流程示意图;
图2是本发明各个阶段的原理图,其中(a)为步骤3构建尺度空间的原理图,(b)为步骤4特征点的定位原理图,(c)为步骤5特征点主方向分配的原理图,(d)为步骤6生成特征点描述子的原理图;
图3是拼接前后的图像,其中(a)为拼接前的左图,(b)为拼接前的右图,(c)为拼接后的效果图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
参见图1和图2,本发明提供一种用于无人驾驶的交通图像拼接方法,采用双向相似小波特征匹配Surf算法,增加了特征点检测的准确性,采用自适应低迭代Ransac算法有效提升了算法的快速性。两者相结合提升了图像拼接的准确性与快速性。具体思路是,要实现图像的拼接,有两种方法:一种是一类是基于区域相关的拼接算法,另一类是基于特征相关的拼接算法。由于用于无人驾驶的图像拼接算法,图像是由一个点向不同方向拍摄的图像几何畸变较为严重,故采用基于特征相关的拼接算法。由于Sift具有具有旋转、尺度缩放,亮度变化保持不变性,独立性丰富,适合无人车的适用场景。但是对每个特征点都需要构建128维特征向量,速度慢,不符合用于无人车实时性,快速性的要求。在此基础上提出了Surf算法,此算法继承了Sift算法的不变性,并且能够满足快速型的需求,但是对于关键点主方向的依赖程度较高,在匹配过程中仅使用欧氏距离与亮暗度信息作为匹配判据,容易出现误匹配的现象。为了提升匹配的精度,故加入双向匹配与相似Harr小波特征匹配。在粗匹配后要进行去除误匹配点,采用Ransac算法。但其迭代次数较多,不符合用于无人驾驶快速性的要求,故需要进行改进。本发明采用自适应低迭代Ransac算法,有效地提升了算法的速度。之后根据匹配出的特征点对其中一幅图像进行仿射变换之后进行图像的拼接。
具体步骤如下:
步骤1、获得雾霾天气下交通图像:利用图像采集设备,获得要进行拼接的的交通图像,等待下一步处理。
步骤2、对步骤1中获得的图像使用二阶标准高斯函数作为滤波器进行高斯滤波操作,降低图像中的干扰噪声。
通过特定核间的卷积计算二阶偏导数。通过特定核间的卷积计算二阶偏导数,这样便能计算出Hession矩阵的三个矩阵元素Lxx,Lxy,Lyy从而计算出Hession矩阵。
步骤3、根据步骤2获取的Hessian矩阵构建尺度空间。与Sift算法相似Sift中下一组图像的尺寸是上一组的一半,同一组间图像尺寸一样,但是所使用的高斯模糊系数逐渐增大;而在Surf中,不同组间图像的尺寸都是一致的,但不同组间使用的盒式滤波器的模板尺寸逐渐增大,同一组间不同层间使用相同尺寸的滤波器,但是滤波器的模糊系数逐渐增大。
步骤4、利用步骤2构建的Hessian矩阵与步骤3构建的尺度空间进行特征点定位:在每一组中选取相邻的三层Hessian行列式图像,对于中间层的每一个Hessian行列式值都可以作为待比较的点,在空间中选取该点周围的26个点进行比较大小,若该点大于其他26个点,则该点为初步特征点。设置阈值a,若该点值小于a的值,则将该点剔除,筛选出最终的稳定的特征点。其中阈值a应根据实际特征点数量与精度要求改变。
步骤5、对步骤4定位的特征点进行主方向分配,在Surf中,主方向是对以特征点为中心的6倍特征尺度为半径的圆形区域内的Harr小波响应做统计运算得到的。在特征点的圆形邻域内,统计60度扇形内所有点的水平、垂直Harr小波特征总和,然后扇形以一定间隔进行旋转并再次统计该区域内Harr小波特征值之后,最后将值最大的那个扇形的方向作为该特征点的主方向,从而完成特征点主方向分配。
步骤6、沿着步骤5确立的特征点主方向生成特征点描述子,在特征点周围取一个4×4的矩形区域块,但是所取得矩形区域方向是沿着特征点的主方向。每个矩形区域统计25个像素的水平方向和垂直方向的Harr小波特征,这里的水平和垂直方向都是相对主方向而言的。该Harr小波特征为水平方向值之和、垂直方向值之和、水平方向绝对值之和以及垂直方向绝对值之和4个方向。
步骤7、对步骤4获取的特征点利用步骤6生成的特征点描述子通过双向匹配与相似小波特征匹配实现特征点的匹配,所述的通过双向匹配与相似小波特征匹配实现特征点的匹配,其中,双向匹配就是先利用两点之间的欧氏距离求出某个点的匹配点,再将求得的匹配点作为基准点求他的匹配点,如果第二次求得的匹配点与第一次求得的匹配点相同,则可以认为是一对匹配点;相似小波特征匹配就是统计步骤5在扇形区域内的小波特征的个数,如果相似则是可能的匹配点。在传统的Surf算法中,仅仅使用欧氏距离与特征点的亮暗度信息进行匹配,有大量的误匹配点。增加了Ransac算法的计算量。本发明使用双向相似小波特征匹配增加精确度。为以后Ransac的算法减小计算量。由于双向匹配的计算量远大于亮暗度信息与相似小波特征判断的计算量,所以在进行计算欧氏距离进行特征点匹配之前进行亮暗度信息与相似小波特征的判断,以减小算法的计算量。
步骤8、随机从步骤7中确立的特征点中随机抽出四个样本数据,且此四个样本之间不共线,计算出变换矩阵H;所述的从数据集中获取4个样本数据求计算出变换矩阵H,就是根据这着四对特征点建立两幅图像的仿射关系,表示仿射关系的矩阵就是矩阵H。
步骤9、通过步骤8求得的变换矩阵H,将一幅图像中的全部的特征点映射到另一幅图像中去,相匹配的特征点进行减法运算,统计并记录与差值小于差值阈值的个数。如果小于差值阈值的个数大于特征点个数阈值,则认为H阵是正确的,则将记录的特征点对作为精匹配的输出,否则返回步骤8重新取点,这里特征点个数阈值采用了自适应的方法。开始时先取粗匹配特征点的80%,在正常情况下应该能很快输出,但是为了防止特殊情况的发生,如果经过有限次不能够得到预定的效果,则将阈值下降10%,以此类推。
步骤10、根据步骤9获得的精匹配的特征点对经过仿射变换将一幅图像变换到另一幅图像中的坐标系中去,空白的部分填零,之后将公共部分的像素点分别乘以比例系数c,d之后相加得到公共部分的拼接图像。其中,比例系数c,d应满足c+d=1,c、d的值应该与边界的距离成反比。
图3为本发明得到的拼接效果图。
表1自适应低迭代Ransac算法与传统Ransac算法的在图3场景下的效果比较
时间 | 选点次数 | |
传统Ransac | 0.027 | 15 |
自适应低迭代Ransac | 0.083 | 200 |
表2双向相似小波特征匹配Surf算法与传统Surf算法在在图3场景下的效果比较
正确率 | |
传统Surf | 85% |
双向相似小波特征匹配Surf | 94% |
表1为自适应低迭代Ransac算法与传统Ransac算法的在图3场景下的效果比较,可以看出自适应低迭代Ransac算法迭代次数与算法时间有明显的下降,增加了算法的快速性。
表2为双向相似小波特征匹配Surf算法与传统Surf算法在在图3场景下的效果比较,可以看出双向相似小波特征匹配Surf算法的正确率有明显的提升。
Claims (10)
1.一种用于无人驾驶的交通图像拼接方法,其特征在于,包括以下步骤:
步骤1:获取要进行拼接的交通图像,记为矩阵I;
步骤2:根据步骤1获取的矩阵I构建Hessian矩阵,生成所有的兴趣点,用于特征的提取;
步骤3:根据步骤2获取的Hessian矩阵构建尺度空间;
步骤4:利用步骤2构建的Hessian矩阵与步骤3构建的尺度空间进行特征点定位;
步骤5:对步骤4定位的特征点进行主方向分配;
步骤6:沿着步骤5确立的特征点主方向生成特征点描述子;
步骤7:对步骤4获取的特征点利用步骤6生成的特征点描述子通过双向匹配与相似小波特征匹配实现特征点的匹配;
步骤8:随机从步骤7中确立的特征点中随机抽出若干个样本数据,且此若干个样本之间不共线,计算出变换矩阵H;
步骤9:计算投影误差,加以判定,若符合则匹配点输出,否则返回步骤8;
步骤10:根据特征点进行图像拼接。
3.根据权利要求1所述的一种用于无人驾驶的交通图像拼接方法,其特征在于,步骤3中构建的尺度空间由若干组图像构成,每一组中包含若干层,不同组间图像的尺寸一致,但不同组间使用的盒式滤波器的模板尺寸逐渐增大,同一组间不同层间使用相同尺寸的滤波器,但是滤波器的模糊系数逐渐增大。
4.根据权利要求3所述的一种用于无人驾驶的交通图像拼接方法,其特征在于,步骤4中特征点定位具体为:在每一组中选取相邻的三层Hessian行列式图像,对于中间层的每一个Hessian行列式值都可以作为待比较的点,在空间中选取该点周围的26个点进行比较大小,若该点大于其他26个点,则该点为初步特征点,同时设置阈值a,若该点值小于a的值,则将该点剔除,筛选出最终的稳定的特征点。
5.根据权利要求1所述的一种用于无人驾驶的交通图像拼接方法,其特征在于,步骤5中对以特征点为中心的6倍特征尺度为半径的圆形区域内的Harr小波响应做统计运算得到,在特征点的圆形邻域内,统计60度扇形内所有点的水平、垂直Harr小波特征总和,然后扇形以相同间隔进行旋转并再次统计该区域内Harr小波特征值,最后将Harr小波特征值最大的扇形的方向作为该特征点的主方向。
6.根据权利要求5所述的一种用于无人驾驶的交通图像拼接方法,其特征在于,步骤6中生成特征点描述子具体为:在特征点周围取一个4×4的矩形区域块,且所取的矩形区域方向是沿着特征点的主方向,每个矩形区域块统计25个像素的水平方向和垂直方向的Harr小波特征,此水平和垂直方向均是相对主方向而言,该Harr小波特征为水平方向值之和、垂直方向值之和、水平方向绝对值之和以及垂直方向绝对值之和4个方向。
7.根据权利要求6所述的一种用于无人驾驶的交通图像拼接方法,其特征在于,步骤7通过双向匹配与相似小波特征匹配实现特征点的匹配,其中,双向匹配就是先利用两点之间的欧氏距离求出某个点的匹配点,再将求得的匹配点作为基准点求它的匹配点,若第二次求得的匹配点与第一次求得的匹配点相同,则认为是一对匹配点,若不同,则认为不是匹配点;相似小波特征匹配即统计步骤5在扇形区域内的小波特征的个数,将一对匹配点小波特征的个数进行作差,如果两者之差小于阈值b则是匹配点,否则剔除。
8.根据权利要求1所述的一种用于无人驾驶的交通图像拼接方法,其特征在于,步骤8从步骤7中确立的特征点中随机获取四个样本数据,即四对匹配点,根据四对匹配点计算出变换矩阵H,即根据四对匹配点建立两幅图像的仿射关系,表示仿射关系的矩阵就是矩阵H。
9.根据权利要求1所述的一种用于无人驾驶的交通图像拼接方法,其特征在于,步骤9具体为:通过步骤8求得的变换矩阵H,将一幅图像中的全部的特征点映射到另一幅图像中去,相匹配的特征点进行减法运算,统计并记录差值小于差值阈值的个数,如果小于差值阈值的个数大于特征点个数阈值,则认为变换矩阵H是正确的,则将记录的特征点对作为精匹配的输出,否则返回步骤8重新取点,所述的特征点个数阈值采用了自适应调整,开始时先取粗匹配特征点的80%座位特征点个数阈值,如果经过有限次不能够得到预定的效果,则将特征点个数阈值下降10%,以此类推。
10.根据权利要求1所述的一种用于无人驾驶的交通图像拼接方法,其特征在于,步骤10具体为:根据步骤9获得的精匹配的特征点经过仿射变换将一幅图像变换到另一幅图像的坐标系中,之后将公共部分的像素点分别乘以比例系数c,d之后相加得到公共部分的拼接图像,其中,比例系数c,d满足c+d=1,且c、d的值与边界的距离成反比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146066.4A CN109919832B (zh) | 2019-02-27 | 2019-02-27 | 一种用于无人驾驶的交通图像拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146066.4A CN109919832B (zh) | 2019-02-27 | 2019-02-27 | 一种用于无人驾驶的交通图像拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919832A CN109919832A (zh) | 2019-06-21 |
CN109919832B true CN109919832B (zh) | 2022-12-06 |
Family
ID=66962528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910146066.4A Active CN109919832B (zh) | 2019-02-27 | 2019-02-27 | 一种用于无人驾驶的交通图像拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919832B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533652B (zh) * | 2019-08-29 | 2022-12-06 | 西安汇智信息科技有限公司 | 基于旋转不变lbp-surf特征相似度的图像拼接评价方法 |
CN110992261A (zh) * | 2019-11-15 | 2020-04-10 | 国网福建省电力有限公司漳州供电公司 | 一种输电线路无人机影像快速拼接的方法 |
CN111260555A (zh) * | 2020-01-15 | 2020-06-09 | 东华大学 | 一种基于surf的改进图像拼接方法 |
CN112907972B (zh) * | 2021-04-06 | 2022-11-29 | 昭通亮风台信息科技有限公司 | 基于无人机的道路车流量检测方法、系统及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006425A (zh) * | 2010-12-13 | 2011-04-06 | 交通运输部公路科学研究所 | 一种基于多摄像机的视频实时拼接方法 |
WO2016086754A1 (zh) * | 2014-12-03 | 2016-06-09 | 中国矿业大学 | 一种大场景视频图像拼接方法 |
CN106940876A (zh) * | 2017-02-21 | 2017-07-11 | 华东师范大学 | 一种基于surf的快速无人机航拍图像拼接算法 |
-
2019
- 2019-02-27 CN CN201910146066.4A patent/CN109919832B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006425A (zh) * | 2010-12-13 | 2011-04-06 | 交通运输部公路科学研究所 | 一种基于多摄像机的视频实时拼接方法 |
WO2016086754A1 (zh) * | 2014-12-03 | 2016-06-09 | 中国矿业大学 | 一种大场景视频图像拼接方法 |
CN106940876A (zh) * | 2017-02-21 | 2017-07-11 | 华东师范大学 | 一种基于surf的快速无人机航拍图像拼接算法 |
Non-Patent Citations (2)
Title |
---|
一种基于快速鲁棒特征的图像匹配算法;王君本等;《计算机工程与科学》;20110215(第02期);全文 * |
基于SIFT特征和误匹配逐次去除的图像拼接;张静等;《半导体光电》;20160215(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109919832A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919832B (zh) | 一种用于无人驾驶的交通图像拼接方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN110956661B (zh) | 基于双向单应矩阵的可见光与红外相机动态位姿计算方法 | |
CN113298810B (zh) | 结合图像增强和深度卷积神经网络的道线检测方法 | |
Tang et al. | Single image dehazing via lightweight multi-scale networks | |
CN106778659B (zh) | 一种车牌识别方法及装置 | |
CN110930411B (zh) | 一种基于深度相机的人体分割方法及系统 | |
CN108257165B (zh) | 图像立体匹配方法、双目视觉设备 | |
CN110175506B (zh) | 基于并行降维卷积神经网络的行人重识别方法及装置 | |
CN113160053B (zh) | 一种基于位姿信息的水下视频图像复原与拼接方法 | |
CN109961013A (zh) | 车道线的识别方法、装置、设备及计算机可读存储介质 | |
CN111080709A (zh) | 基于轨迹特征配准的多光谱立体相机自标定算法 | |
CN112488046A (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
Yamashita et al. | Multiple skip connections of dilated convolution network for semantic segmentation | |
CN112164010A (zh) | 一种多尺度融合卷积神经网络图像去雾方法 | |
CN110889868B (zh) | 一种结合梯度和纹理特征的单目图像深度估计方法 | |
Hsu et al. | Object detection using structure-preserving wavelet pyramid reflection removal network | |
CN112907972B (zh) | 基于无人机的道路车流量检测方法、系统及计算机可读存储介质 | |
CN112419163A (zh) | 一种基于先验知识和深度学习的单张图像弱监督去雾方法 | |
CN110189262A (zh) | 基于神经网络以及直方图匹配的图像去雾算法 | |
CN110533652B (zh) | 基于旋转不变lbp-surf特征相似度的图像拼接评价方法 | |
CN110910457B (zh) | 基于角点特征的多光谱立体相机外参计算方法 | |
CN116433822B (zh) | 一种神经辐射场训练方法、装置、设备及介质 | |
CN106683044B (zh) | 一种多通道光学探测系统的图像拼接方法、装置 | |
CN112070048B (zh) | 基于RDSNet的车辆属性识别方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221118 Address after: Room 508, block a, Rongcheng cloud Valley, 57 Keji 3rd road, Zhangba Street office, high tech Zone, Xi'an City, Shaanxi Province, 710075 Applicant after: Xi'an Huizhi Information Technology Co.,Ltd. Address before: 710064 middle section of South Second Ring Road, Beilin District, Xi'an City, Shaanxi Province Applicant before: CHANG'AN University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |