CN110070610A - 特征点匹配方法、三维重构过程的特征点匹配方法及装置 - Google Patents

特征点匹配方法、三维重构过程的特征点匹配方法及装置 Download PDF

Info

Publication number
CN110070610A
CN110070610A CN201910307269.7A CN201910307269A CN110070610A CN 110070610 A CN110070610 A CN 110070610A CN 201910307269 A CN201910307269 A CN 201910307269A CN 110070610 A CN110070610 A CN 110070610A
Authority
CN
China
Prior art keywords
characteristic point
window
characteristic
distance
images
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
CN201910307269.7A
Other languages
English (en)
Other versions
CN110070610B (zh
Inventor
张学阳
李学军
郑辉
何庆
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.)
ROUTON ELECTRONIC CO Ltd
Original Assignee
ROUTON ELECTRONIC 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 ROUTON ELECTRONIC CO Ltd filed Critical ROUTON ELECTRONIC CO Ltd
Priority to CN201910307269.7A priority Critical patent/CN110070610B/zh
Publication of CN110070610A publication Critical patent/CN110070610A/zh
Application granted granted Critical
Publication of CN110070610B publication Critical patent/CN110070610B/zh
Active 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供一种特征点匹配方法、三维重构过程的特征点匹配方法及装置，其中方法包括：根据SURF算法对两幅图像进行特征点匹配，获得多个特征点对；根据预先设置的斜率阈值和距离阈值对所述特征点对进行过滤；根据RANSAC算法对特征点对集合中的特征点对进行误匹配剔除；计算所述更新后的特征点对集合中的特征点对内的平均距离、距离标准差、平均斜率和斜率标准差并共同作为过滤标准，根据所述过滤标准对更新后的特征点对集合再次进行过滤，将再次过滤后的特征点对集合中的特征点对作为所述两幅图像的特征点匹配结果。本发明实施例不仅可以提高算法的运算效率，得到的特征点对精度也更高。

Description

特征点匹配方法、三维重构过程的特征点匹配方法及装置
技术领域
本发明涉及图像处理技术领域，更具体地，涉及一种特征点匹配方法、三维重构过程的特征点匹配方法及装置。
背景技术
三维的空间点通过透视投影在二维平面上，在此过程中损失了深度信息，然而获取深度信息是计算机认知世界的必要条件。三维重构技术可以基于二维图像信息恢复并建立相应的三维空间信息，能从全局把握住目标的结构信息。
目前摄相机成像模型主要分为两种：平行对准配置的双目视觉成像模型和一般双目视觉成像模型。平行对准的双目视觉成像模型左右相机的像平面在同一平面上，两相机的光轴互相平行，在做立体匹配时只需要在相应极线上的视差范围内搜索即可，但该方法在标定过程需要人工干预。而一般双目视觉成像模型的对相机的相对位姿没有要求，通过提取两视图特征点并求解基础矩阵让相机进行自标定来获得相机内参数和外参数进而完成三维重构。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的特征点匹配方法、三维重构过程的特征点匹配方法及装置。
第一个方面，本发明实施例提供一种特征点匹配方法，包括：
根据SURF算法对两幅图像进行特征点匹配，获得多个特征点对；
根据预先设置的斜率阈值和距离阈值对所述特征点对进行过滤，获得特征点对集合；
根据RANSAC算法对所述特征点对集合中的特征点对进行误匹配剔除，获得更新后的特征点对集合；
计算所述更新后的特征点对集合中的特征点对内的平均距离、距离标准差、平均斜率和斜率标准差并共同作为过滤标准，根据所述过滤标准对更新后的特征点对集合再次进行过滤，将再次过滤后的特征点对集合中的特征点对作为所述两幅图像的特征点匹配结果。
第二个方面，本发明实施例提供一种三维重构过程的特征点匹配方法，包括：
从根据双目立体视觉原理从不同位置获取的被测物体的两幅图像中分别选定源图像和目标图像；
从所述源图像中确定第一窗口，根据权利要求1-6任意一项所述的特征点匹配方法，获得与所述第一窗口具有特征点对数目最多的第一匹配窗口，作为第一目标窗口，所述第一匹配窗口的大小与所述第一窗口一致；
从所述源图像中确定第二窗口，根据权利要求1-6任意一项所述的特征点匹配方法，获得与所述第二窗口具有特征点对数目最多的第二匹配窗口，作为第二目标窗口，所述第二匹配窗口的大小与所述第二窗口一致；
将所述第一目标窗口和第二目标窗口中的特征点对融合；
利用所述第一窗口和第二窗口遍历所述源图像，获得源图像中的所有特征点对。
第三个方面，本发明实施例提供一种特征点匹配装置，包括：
特征点对模块，用于根据SURF算法对两幅图像进行特征点匹配，获得多个特征点对；
第一过滤模块，用于根据预先设置的斜率阈值和距离阈值对所述特征点对进行过滤，获得特征点对集合；
误匹配剔除模块，用于根据RANSAC算法对所述特征点对集合中的特征点对进行误匹配剔除，获得更新后的特征点对集合；
第二过滤模块，用于计算所述更新后的特征点对集合中的特征点对内的平均距离、距离标准差、平均斜率和斜率标准差并共同作为过滤标准，根据所述过滤标准对更新后的特征点对集合再次进行过滤，将再次过滤后的特征点对集合中的特征点对作为所述两幅图像的特征点匹配结果。
第四方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面或第二方面所提供的方法的步骤。
第五方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面或第二方面所提供的方法的步骤。
本发明实施例提供的特征点匹配方法、三维重构过程的特征点匹配方法及装置，通过斜率约束和距离约束来得到更高精度的特征点对，不仅可以提高算法的运算效率，得到的特征点对精度也更高。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的特征点匹配方法的流程示意图；
图2为本发明实施例提供的特征点匹配装置的结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
图1为本发明实施例提供的特征点匹配方法的流程示意图，如图1所示，包括S101、S102、S103和S104，具体地，
S101、根据SURF算法对两幅图像进行特征点匹配，获得多个特征点对。
本发明实施例首先对两幅图像以SURF(Speeded Up Robust Features，加速稳健特征)算法进行特征点匹配，SURF算法是一个稳健的图像识别和描述算法，SURF算法在适中的条件下完成两幅图像中物体的匹配基本实现了实时处理。每个特征点对由一副图像中的特征点(称之为特征点1)和另一幅图像中与特征点1匹配的特征点2组成。特征匹配采用k-d树算法来进行特征点的匹配，当待匹配特征点的最小欧式距离与次最小欧式距离之间的比值小于某一阈值时，特征点对有效；否则，待匹配点无效。
S102、根据预先设置的斜率阈值和距离阈值对所述特征点对进行过滤，获得特征点对集合。
具体地，通过计算每个特征点对内两个特征点的斜率和距离，然后判断该斜率和距离是否均处于预先设置的斜率阈值和距离阈值之内，如果斜率和距离都满足条件，则保留该特征点对，并放置在特征点对集合中，如果斜率和距离有任何一项不满足，则进行剔除。
S103、根据RANSAC算法对所述特征点对集合中的特征点对进行误匹配剔除，获得更新后的特征点对集合。
需要说明的是，RANSAC算法是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。RANSAC的优化策略为：
①如果在选取子集S时可以根据某些已知的样本特性等采用特定的选取方案或有约束的随机选取来代替原来的完全随机选取；
②当通过一致集S*计算出模型M*后，可以将样本集P中所有与模型M*的误差小于t的样本加入S*，然后重新计算M*。
S104、计算所述更新后的特征点对集合中的特征点对内的平均距离、距离标准差、平均斜率和斜率标准差并共同作为过滤标准，根据所述过滤标准对更新后的特征点对集合再次进行过滤，将再次过滤后的特征点对集合中的特征点对作为所述两幅图像的特征点匹配结果
需要说明的是，本发明实施例的特征点匹配方法，通过斜率约束和距离约束来得到更高精度的特征点对，不仅可以提高算法的运算效率，得到的特征点对精度也更高。
在上述各实施例的基础上，作为一种可选实施例，根据SURF算法对两幅图像进行特征点匹配，获得多个特征点对，具体为：
利用盒子滤波器对两幅图像进行卷积，通过改变盒子滤波器的大小，用不同大小的滤波器在两幅图像的x,y,z三个方向上做卷积，形成多尺度的空间函数Dxx，Dyy，Dzz，构建尺度空间金字塔；
通过以下表达式构建hessian矩阵的行列式：detH＝Dxx*Dyy–(0.9*Dzz)2；
计算特定尺度下的局部极值，对所述局部极值在3*3*3的立方领域内进行非极大值一致，将符合条件的点作为候选极值点，同时记录位置和尺寸；
利用haar小波对特征点进行主方向的确定以保证特征点的旋转和尺度不变性，之后以特征点为中心，将坐标轴旋转到haar小波主方向上，创建边长20σ的正方形窗口，σ为高斯滤波器的尺度，并将窗口划分为16个大小为5σ×5σ的子窗口区域；
以采样间隔σ，分别计算每个子窗口水平和垂直方向上的小波响应，得到的小波系数记为dx和dy；然后对响应系数求和得到∑dx和∑dy，再求取响应系数绝对值之和得到∑|dx|和∑|dy|；从而使每个子窗口得到一个4维的特征向量v＝[∑dx,∑dy,∑|dx|,∑|dy|]，用所述4维的特征向量描述该特征点；
在上述各实施例的基础上，作为一种可选实施例，根据特征向量之间的欧式距离来衡量特征点的相似度，选取一张图像中的一个特征点与别一张图像中所有特征点分别求取欧式距离，从中选出最近邻特征点欧式距离和次近邻特征点欧式距离，计算二者的比值ratio；
对于比值ratio小于某阈值的特征点，则认为是特征点对。
所述斜率阈值和距离阈值根据两幅图像间的旋转矩阵和平移向量设置；所述斜率阈值包括斜率最大值和斜率最小值，所述距离阈值包括距离最大值和距离最小值。
在上述各实施例的基础上，作为一种可选实施例，所述更新后的特征点对集合中的特征点对内斜率处于所述斜率最大值和斜率最小之间，距离处于所述距离最大值和距离最小值之间。
相应地，根据RANSAC算法对所述特征点对集合中的特征点对进行误匹配剔除，具体为：
随机选取三个特征点对来估计模型参数，以计算其他特征点对的误差；当误差小于给定阈值时，若超过2/3的特征点对支持所述模型参数，则不支持所述模型参数的特征点对进行剔除。
在上述各实施例的基础上，作为一种可选实施例，根据所述过滤标准对更新后的特征点对集合再次进行过滤，具体为：
根据所述更新后的特征点对集合的大小确定收敛因子r；
过滤掉特征点对内距离不属于(avgD-r*stdD，avgD+r*stdD)和/或特征点对内斜率不属于(avgK-r*stdK，avgK+r*stdK)的特征点对集合；
其中，avgD表示特征点对内的平均距离、stdD表示特征点对内的距离标准差、avgK表示特征点对内的平均斜率，stdK表示特征点对内的斜率标准差。
在上述各实施例的基础上，本发明实施例还提供一种三维重构过程的特征点匹配方法，该方法是一种基于区域的特征匹配算法，具体地，包括：
从根据双目立体视觉原理从不同位置获取的被测物体的两幅图像中分别选定源图像和目标图像。
从所述源图像中确定第一窗口，根据上述实施例的特征点匹配方法，在目标图像中获得与所述第一窗口具有特征点对数目最多的第一匹配窗口，作为第一目标窗口，所述第一匹配窗口的大小与所述第一窗口一致。
从所述源图像中确定第二窗口，根据上述实施例的特征点匹配方法，在目标图像中获得与所述第二窗口具有特征点对数目最多的第二匹配窗口，作为第二目标窗口，所述第二匹配窗口的大小与所述第二窗口一致。
将所述第一目标窗口和第二目标窗口中的特征点对融合。
利用所述第一窗口和第二窗口遍历所述源图像，获得源图像中的所有特征点对。
通过以两种不同大小的滑动窗口寻找两幅图像的特征点，能够获得更加精细的局部特征，以此可以得到稠密且精确的特征点对，最终得到的三维空间点的坐标也更加精确，场景的结构也更加完整。
图2为本发明实施例提供的特征点匹配装置的结构示意图，如图2所示，该特征点匹配装置包括：特征点对模块201、第一过滤模块202、误匹配剔除模块203和第二过滤模块204，其中：
特征点对模块201，用于根据SURF算法对两幅图像进行特征点匹配，获得多个特征点对；
第一过滤模块202，用于根据预先设置的斜率阈值和距离阈值对所述特征点对进行过滤，获得特征点对集合；
误匹配剔除模块203，用于根据RANSAC算法对所述特征点对集合中的特征点对进行误匹配剔除，获得更新后的特征点对集合；
第二过滤模块204，用于计算所述更新后的特征点对集合中的特征点对内的平均距离、距离标准差、平均斜率和斜率标准差并共同作为过滤标准，根据所述过滤标准对更新后的特征点对集合再次进行过滤，将再次过滤后的特征点对集合中的特征点对作为所述两幅图像的特征点匹配结果。
本发明实施例提供的特征点匹配装置，具体执行上述各特征点匹配方法实施例流程，具体请详见上述各特征点匹配方法实施例的内容，在此不再赘述。本发明实施例提供的特征点匹配装置通过斜率约束和距离约束来得到更高精度的特征点对，不仅可以提高算法的运算效率，得到的特征点对精度也更高。
图3为本发明实施例提供的电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储在存储器330上并可在处理器310上运行的计算机程序，以执行上述各实施例提供的特征点匹配方法，例如包括：根据SURF算法对两幅图像进行特征点匹配，获得多个特征点对，根据预先设置的斜率阈值和距离阈值对所述特征点对进行过滤，获得特征点对集合，根据RANSAC算法对所述特征点对集合中的特征点对进行误匹配剔除，获得更新后的特征点对集合，计算所述更新后的特征点对集合中的特征点对内的平均距离、距离标准差、平均斜率和斜率标准差并共同作为过滤标准，根据所述过滤标准对更新后的特征点对集合再次进行过滤，将再次过滤后的特征点对集合中的特征点对作为所述两幅图像的特征点匹配结果。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元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，本发明实施例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。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的特征点匹配方法，例如包括：根据SURF算法对两幅图像进行特征点匹配，获得多个特征点对，根据预先设置的斜率阈值和距离阈值对所述特征点对进行过滤，获得特征点对集合，根据RANSAC算法对所述特征点对集合中的特征点对进行误匹配剔除，获得更新后的特征点对集合，计算所述更新后的特征点对集合中的特征点对内的平均距离、距离标准差、平均斜率和斜率标准差并共同作为过滤标准，根据所述过滤标准对更新后的特征点对集合再次进行过滤，将再次过滤后的特征点对集合中的特征点对作为所述两幅图像的特征点匹配结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种特征点匹配方法，其特征在于，包括：
根据SURF算法对两幅图像进行特征点匹配，获得多个特征点对；
根据预先设置的斜率阈值和距离阈值对所述特征点对进行过滤，获得特征点对集合；
根据RANSAC算法对所述特征点对集合中的特征点对进行误匹配剔除，获得更新后的特征点对集合；
计算所述更新后的特征点对集合中的特征点对内的平均距离、距离标准差、平均斜率和斜率标准差并共同作为过滤标准，根据所述过滤标准对更新后的特征点对集合再次进行过滤，将再次过滤后的特征点对集合中的特征点对作为所述两幅图像的特征点匹配结果。
2.根据权利要求1所述的特征点匹配方法，其特征在于，所述根据SURF算法对两幅图像进行特征点匹配，获得多个特征点对，具体为：
利用盒子滤波器对两幅图像进行卷积，通过改变盒子滤波器的大小，用不同大小的滤波器在两幅图像的x,y,z三个方向上做卷积，形成多尺度的空间函数Dxx，Dyy，Dzz，构建尺度空间金字塔；
通过以下表达式构建hessian矩阵的行列式：detH＝Dxx*Dyy–(0.9*Dzz)2；
计算特定尺度下的局部极值，对所述局部极值在3*3*3的立方领域内进行非极大值一致，将符合条件的点作为候选极值点，同时记录位置和尺寸；
利用haar小波对特征点进行主方向的确定以保证特征点的旋转和尺度不变性，之后以特征点为中心，将坐标轴旋转到haar小波主方向上，创建边长20σ的正方形窗口，σ为高斯滤波器的尺度，并将窗口划分为16个大小为5σ×5σ的子窗口区域；
以采样间隔σ，分别计算每个子窗口水平和垂直方向上的小波响应，得到的小波系数记为dx和dy；然后对响应系数求和得到∑dx和∑dy，再求取响应系数绝对值之和得到∑|dx|和∑|dy|；从而使每个子窗口得到一个4维的特征向量v＝[∑dx,∑dy,∑|dx|,∑|dy|]，用所述特征向量描述该特征点；
根据特征向量之间的欧式距离来衡量特征点的相似度，选取一张图像中的一个特征点与别一张图像中所有特征点分别求取欧式距离，从中选出最近邻特征点欧式距离和次近邻特征点欧式距离，计算二者的比值ratio；
对于比值ratio小于某阈值的特征点，则认为是特征点对。
3.根据权利要求1所述的特征点匹配方法，其特征在于，所述斜率阈值和距离阈值根据两幅图像间的旋转矩阵和平移向量设置；所述斜率阈值包括斜率最大值和斜率最小值，所述距离阈值包括距离最大值和距离最小值。
4.根据权利要求3所述的特征点匹配方法，其特征在于，所述更新后的特征点对集合中的特征点对内斜率处于所述斜率最大值和斜率最小之间，距离处于所述距离最大值和距离最小值之间。
5.根据权利要求1所述的特征点匹配方法，其特征在于，根据RANSAC算法对所述特征点对集合中的特征点对进行误匹配剔除，具体为：
随机选取三个特征点对来估计模型参数，以计算其他特征点对的误差；
当误差小于给定阈值时，若超过2/3的特征点对支持所述模型参数，则不支持所述模型参数的特征点对进行剔除。
6.根据权利要求1所述的特征点匹配方法，其特征在于，根据所述过滤标准对更新后的特征点对集合再次进行过滤，具体为：
根据所述更新后的特征点对集合的大小确定收敛因子r；
过滤掉特征点对内距离不属于(avgD-r*stdD，avgD+r*stdD)和/或特征点对内斜率不属于(avgK-r*stdK，avgK+r*stdK)的特征点对集合；
其中，avgD表示特征点对内的平均距离、stdD表示特征点对内的距离标准差、avgK表示特征点对内的平均斜率，stdK表示特征点对内的斜率标准差。
7.一种三维重构过程的特征点匹配方法，其特征在于，包括：
从根据双目立体视觉原理从不同位置获取的被测物体的两幅图像中分别选定源图像和目标图像；
从所述源图像中确定第一窗口，根据权利要求1-6任意一项所述的特征点匹配方法，在目标图像中获得与所述第一窗口具有特征点对数目最多的第一匹配窗口，作为第一目标窗口，所述第一匹配窗口的大小与所述第一窗口一致；
从所述源图像中确定第二窗口，根据权利要求1-6任意一项所述的特征点匹配方法，在目标图像中获得与所述第二窗口具有特征点对数目最多的第二匹配窗口，作为第二目标窗口，所述第二匹配窗口的大小与所述第二窗口一致；
将所述第一目标窗口和第二目标窗口中的特征点对融合；
利用所述第一窗口和第二窗口遍历所述源图像，获得源图像中的所有特征点对。
8.一种特征点匹配装置，其特征在于，包括：
特征点对模块，用于根据SURF算法对两幅图像进行特征点匹配，获得多个特征点对；
第一过滤模块，用于根据预先设置的斜率阈值和距离阈值对所述特征点对进行过滤，获得特征点对集合；
误匹配剔除模块，用于根据RANSAC算法对所述特征点对集合中的特征点对进行误匹配剔除，获得更新后的特征点对集合；
第二过滤模块，用于计算所述更新后的特征点对集合中的特征点对内的平均距离、距离标准差、平均斜率和斜率标准差并共同作为过滤标准，根据所述过滤标准对更新后的特征点对集合再次进行过滤，将再次过滤后的特征点对集合中的特征点对作为所述两幅图像的特征点匹配结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，述处理器执行所述程序时实现如权利要求1至7任一项所述的特征点匹配方法。
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至7中任意一项所述的特征点匹配方法的步骤。
CN201910307269.7A 2019-04-17 2019-04-17 特征点匹配方法、三维重构过程的特征点匹配方法及装置 Active CN110070610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910307269.7A CN110070610B (zh) 2019-04-17 2019-04-17 特征点匹配方法、三维重构过程的特征点匹配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910307269.7A CN110070610B (zh) 2019-04-17 2019-04-17 特征点匹配方法、三维重构过程的特征点匹配方法及装置

Publications (2)

Publication Number Publication Date
CN110070610A true CN110070610A (zh) 2019-07-30
CN110070610B CN110070610B (zh) 2023-04-18

Family

ID=67367887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910307269.7A Active CN110070610B (zh) 2019-04-17 2019-04-17 特征点匹配方法、三维重构过程的特征点匹配方法及装置

Country Status (1)

Country Link
CN (1) CN110070610B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533711A (zh) * 2019-09-04 2019-12-03 云南电网有限责任公司带电作业分公司 一种基于加速稳健特征的高效大尺度立体匹配算法
CN111882618A (zh) * 2020-06-28 2020-11-03 北京石油化工学院 双目测距中左右视图特征点匹配处理方法、终端及系统
CN111881947A (zh) * 2020-07-09 2020-11-03 广联达科技股份有限公司 特征点集对的筛选方法、目标匹配方法、装置及电子设备
CN115655758A (zh) * 2022-12-08 2023-01-31 成都盛锴科技有限公司 一种转向架位姿检测、校正方法及其系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009048516A (ja) * 2007-08-22 2009-03-05 Sony Corp 情報処理装置、および情報処理方法、並びにコンピュータ・プログラム
CN101826206A (zh) * 2010-03-31 2010-09-08 北京交通大学 一种相机自定标的方法
CN104036480A (zh) * 2014-06-20 2014-09-10 天津大学 基于surf算法的快速消除误匹配点方法
CN106127690A (zh) * 2016-07-06 2016-11-16 李长春 一种无人机遥感图像快速拼接方法
CN109509216A (zh) * 2018-10-31 2019-03-22 中国科学院遥感与数字地球研究所 一种Landsat与SPOT卫星影像自动配准方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009048516A (ja) * 2007-08-22 2009-03-05 Sony Corp 情報処理装置、および情報処理方法、並びにコンピュータ・プログラム
CN101826206A (zh) * 2010-03-31 2010-09-08 北京交通大学 一种相机自定标的方法
CN104036480A (zh) * 2014-06-20 2014-09-10 天津大学 基于surf算法的快速消除误匹配点方法
CN106127690A (zh) * 2016-07-06 2016-11-16 李长春 一种无人机遥感图像快速拼接方法
CN109509216A (zh) * 2018-10-31 2019-03-22 中国科学院遥感与数字地球研究所 一种Landsat与SPOT卫星影像自动配准方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533711A (zh) * 2019-09-04 2019-12-03 云南电网有限责任公司带电作业分公司 一种基于加速稳健特征的高效大尺度立体匹配算法
CN111882618A (zh) * 2020-06-28 2020-11-03 北京石油化工学院 双目测距中左右视图特征点匹配处理方法、终端及系统
CN111882618B (zh) * 2020-06-28 2024-01-26 北京石油化工学院 双目测距中左右视图特征点匹配处理方法、终端及系统
CN111881947A (zh) * 2020-07-09 2020-11-03 广联达科技股份有限公司 特征点集对的筛选方法、目标匹配方法、装置及电子设备
CN111881947B (zh) * 2020-07-09 2024-05-14 广联达科技股份有限公司 特征点集对的筛选方法、目标匹配方法、装置及电子设备
CN115655758A (zh) * 2022-12-08 2023-01-31 成都盛锴科技有限公司 一种转向架位姿检测、校正方法及其系统

Also Published As

Publication number Publication date
CN110070610B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN110070610A (zh) 特征点匹配方法、三维重构过程的特征点匹配方法及装置
Wang et al. 360sd-net: 360 stereo depth estimation with learnable cost volume
CN106355570B (zh) 一种结合深度特征的双目立体视觉匹配方法
CN107833181B (zh) 一种基于变焦立体视觉的三维全景图像生成方法
CN108537837A (zh) 一种深度信息确定的方法及相关装置
CN107578376B (zh) 基于特征点聚类四叉划分和局部变换矩阵的图像拼接方法
US20120163672A1 (en) Depth Estimate Determination, Systems and Methods
CN110070567B (zh) 一种地面激光点云配准方法
CN109118544B (zh) 基于透视变换的合成孔径成像方法
CN108765489A (zh) 一种基于组合靶标的位姿计算方法、系统、介质及设备
CN106856012B (zh) 一种实时大规模场景三维扫描建模方法及系统
CN110942515A (zh) 基于点云的目标物体三维计算机建模方法和目标识别方法
CN113160313A (zh) 一种透明物体抓取控制方法、装置、终端及存储介质
CN114219855A (zh) 点云法向量的估计方法、装置、计算机设备和存储介质
CN113674400A (zh) 基于重定位技术的光谱三维重建方法、系统及存储介质
CN112150518B (zh) 一种基于注意力机制的图像立体匹配方法及双目设备
CN114998773B (zh) 适用于无人机系统航拍图像的特征误匹配剔除方法及系统
CN114723884A (zh) 三维人脸重建方法、装置、计算机设备及存储介质
CN106709862B (zh) 一种图像处理方法及装置
US20200036961A1 (en) Constructing a user's face model using particle filters
CN115082498A (zh) 一种机器人抓取位姿估计方法、装置、设备及存储介质
CN114022525A (zh) 基于深度学习的点云配准方法、装置、终端设备及介质
CN112001954B (zh) 一种基于极曲线约束的水下pca-sift图像匹配方法
CN111291687B (zh) 一种3d人体动作标准性判识的方法
CN106780558B (zh) 基于计算机视觉的点生成无人机目标初始跟踪框的方法

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
GR01 Patent grant
GR01 Patent grant