CN110188815B - 一种特征点采样方法、装置、设备及存储介质 - Google Patents
一种特征点采样方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110188815B CN110188815B CN201910441894.0A CN201910441894A CN110188815B CN 110188815 B CN110188815 B CN 110188815B CN 201910441894 A CN201910441894 A CN 201910441894A CN 110188815 B CN110188815 B CN 110188815B
- Authority
- CN
- China
- Prior art keywords
- template image
- feature point
- points
- 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.)
- Active
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
- G06V10/44—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种特征点采样方法、装置、设备及存储介质。该方法包括:根据模板图像中特征点的像素值,筛选特征点;如果模板图像中筛选后剩余特征点的数量小于目标特征点数量阈值,则重新筛选模板图像中的特征点,直至模板图像中筛选后剩余特征点的数量大于等于目标特征点数量阈值。本发明实施例基于模板图像中的像素值,对特征点进行筛选,减少了特征点数量,进而提高了移动设备的处理效率。
Description
技术领域
本发明实施例涉及图像处理技术,尤其涉及一种特征点采样方法、装置、设备及存储介质。
背景技术
特征点表示的是图像中突出且具有代表意义的点。特征点提取是计算机视觉领域中的基础部分,基于特征点提取得到的特征点可为物体识别、目标跟踪和三维重建等具体应用提供数据支持。随着移动互联网的快速发展和各种移动设备的普及应用,上述具体应用也被广泛应用到移动设备中,移动设备如机器人、无人机和智能手机等。
然而,现有技术中至少存在如下问题:当在移动设备实现上述具体应用时,由于移动设备的系统性能不高,特征点数量过多将极大影响移动设备的处理效率。
发明内容
本发明实施例提供一种特征点采样方法、装置、设备及存储介质,以筛选特征点,提高移动设备的处理效率。
第一方面,本发明实施例提供了一种特征点采样方法,该方法包括:
根据模板图像中特征点的像素值,筛选所述特征点;
如果所述模板图像中筛选后剩余特征点的数量小于目标特征点数量阈值,则重新筛选所述特征点,直至所述模板图像中筛选后剩余特征点的数量大于等于所述目标特征点数量阈值。
第二方面,本发明实施例还提供了一种特征点采样装置,该装置包括:
特征点筛选模块,用于根据模板图像中特征点的像素值,筛选所述特征点;
特征点确定模块,用于如果所述模板图像中筛选后剩余特征点的数量小于目标特征点数量阈值,则重新筛选所述特征点,直至所述模板图像中筛选后剩余特征点的数量大于等于所述目标特征点数量阈值。
第三方面,本发明实施例还提供了一种设备,该设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例第一方面所述的方法。
第四方面,本发明实施例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,该程序被处理器执行时实现如本发明实施例第一方面所述的方法。
本发明实施例通过根据模板图像中特征点的像素值,筛选特征点,确定模板图像中筛选后剩余特征点的数量是否小于目标特征点数量阈值,如果模板图像中筛选后剩余特征点的数量小于目标特征点数量阈值,则重新筛选模板图像中的特征点,如果模板图像中筛选后剩余特征点的数量大于等于目标特征点数量阈值,则结束特征点筛选。上述基于模板图像中的像素值,对特征点进行筛选,减少了特征点数量,进而提高了移动设备的处理效率。
附图说明
图1是本发明实施例中的一种物体识别的示意图;
图2是本发明实施例中的一种三维重建的示意图;
图3是本发明实施例中的一种特征点采样方法的流程图;
图4是本发明实施例中的一种原始图像的特征点映射到模板图像的示意图;
图5是本发明实施例中的一种调整当前特征点所在的预设大小区域的尺寸的示意图;
图6是本发明实施例中的另一种特征点采样方法的流程图;
图7是本发明实施例中的一种特征点采样方法的应用示意图;
图8是本发明实施中的一种特征点采样装置的结构示意图;
图9是本发明实施例中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定,此外,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例
特征点可为物体识别、目标跟踪和三维重建等提供数据支持,如图1所示,给出了一种物体识别的示意图;如图2所示,给出了一种三维重建的示意图。当将物体识别、目标跟踪和三维重建等应用到移动设备上时,受限于移动设备的设备性能动,特征点数量过多将极大影响移动设备的处理效率。为了提高移动设备的处理效率,如何减少特征点数量成为问题的关键。下面将结合具体实施例进行说明。
图3为本发明实施例提供的一种特征点采样方法的流程图,本实施例可适用于筛选特征点的情况,该方法可以由特征点采样装置来执行,该装置可以采用软件和/或硬件的方式实现,该装置可以配置于设备中,例如典型的是计算机等。如图3所示,该方法具体包括如下步骤:
步骤110、根据模板图像中特征点的像素值,筛选特征点。
在本发明的实施例中,特征点是指能够在其它含有相同场景或目标的相似图像中以一种相同的或相似的不变形式表示图像的像素点或者像素块。特征点经常出现在图像中拐角或者纹理剧烈变化等位置。特征点可由两部分构成,即关键点和描述子,其中,关键点表示特征点在图像中的位置信息,此外,还具有方向信息和/或尺度信息,描述子通常是一个向量,描述关键点周围像素点的信息,其通常是人为设置的,这种设置遵循外观相似的特征点具有相似的描述子。特征点的类型可以包括角点和斑点等,其中,角点就是极值点,即在某方面属性特别突出的点,其可以是两条线的交点、线段的终点或者曲线上局部曲率最大的点等。斑点是一组连通的像素在图像中共享一些共同的属性(如灰度值和颜色等)的区域。
特征点的响应值可以反映特征点的显著性,即特征点的响应值越大,则特征点越显著,特征点的响应值越小,则特征点越不显著,而特征点的显著程度又可以反映特征点的好坏程度,即特征点越显著,则特征点越好,特征点越不显著,则特征点越不好,因此,特征点的响应值可以反映特征点的好坏程度,即特征点的响应值越大,则特征点越好,特征点的响应值越小,则特征点越不好。基于上述,由于特征点的响应值大小可以反映特征点的好坏程度,因此,特征点的响应值可用于作为评价特征点好坏的标准。
基于特征点提取方法的不同,特征点的响应值的具体含义也将不同。由于角点具有在图像几何成像中的不变性以及容易被观察和检测的性质而被广泛作为特征点,因此,下面以角点提取方法为例对特征点的响应值进行说明。具体的:通常角点提取方法可以包括FAST(Features from Accelerated Segment Test)算法、Harris算法和SIFT(ScaleInvariant Feature Transform,尺度不变特征变换)算法等。其中,FAST算法的基本思想是:如果一个像素点的像素值与周围邻域的像素点的像素值的差别较大(过亮或者过暗),则可以认为该像素点是角点(即特征点)。FAST算法中特征点(即角点)的响应值可以指特征点的像素值与周围领域的像素点的像素值的差值。Harris算法的基本思想是:如果一个像素点的Harris算子在某个局部区域为极值,且大于设定的阈值,则可以认为该像素点为角点(即特征点)。Harris算法中特征点(即角点)的响应值可以指特征点的Harris算子在某个局部区域的值。SIFT算法的基本思想是:将高斯差分金字塔中某一层中的某个像素点的像素值,与同一层该像素点的领域内的8个像素点以及该层上下两层各9个像素点的像素值进行比较,如果该像素点的像素值大于或者小于上述26个像素点的像素值,则可以认为该像素点为角点(即特征点)。SIFT算法中特征点(即角点)的响应值可以指特征点的像素值与上述26个像素点的像素值的差值之和。
模板图像可以用于作为筛选特征点的图像,模板图像中各像素点的像素值可以为初始像素值,该初始像素值为一个预设像素值。像素点包括特征点。需要说明的是,这里所述的模板图像中的特征点并不是从模板图像中提取得到的特征点,而是从原始图像中提取得到的特征点,模板图像中的特征点是将原始图像中的特征点映射到模板图像中形成的,模板图像尺寸与原始图像尺寸相同,原始图像是指待分析的目标图像,该目标图像中的像素点包括提取得到的特征点。特征点在模板图像中的位置与其在原始图像中的位置相同。示例性的,如图4所示,给出了一种原始图像的特征点映射到模板图像的示意图。
还需要说明的是,模板图像中特征点的像素值并不是其在原始图像中的像素值。模板图像中各像素点的像素值为初始像素值,由于将原始图像中的特征点映射到模板图像中后,原始图像中的特征点也将是模板图像中的像素点,因此,特征点的像素值也为初始像素值。模板图像中各像素点的像素值可根据预先设定的特征点筛选规则进行改变,即模板图像中各像素点的像素值并不一定始终为初始像素值。相应的,模板图像中特征点的像素值并不一定始终为初始像素值。
根据模板图像中特征点的像素值,筛选特征点,可作如下理解:如果模板图像中当前特征点的像素值不为初始像素值,则从模板图像中删除当前特征点,并将下一特征点作为新的当前特征点。或者,如果模板图像中当前特征点的像素值为初始像素值,则调整模板图像中当前特征点所在预设大小区域内像素点的像素值,并将下一特征点作为新的当前特征点。对于新的当前特征点,返回执行上述所述的当前特征点所进行的操作,直至遍历模板图像中的特征点。
上述所述的当前特征点所在预设大小区域可以通过如下方式生成:以当前特征点为中心,生成二维图形区域,将二维图形区域作为预设大小区域。二维图形可以为任意形状的二维图形,示例性的,如二维图形可以为圆形、椭圆形或多边形等,多边形可以为正多边形,如正方形、等边三角形或正六边形等,还可以为非正多边形,如平行四边形、菱形或梯形等。
需要说明的是,模板图像中的每个特征点均将作为当前特征点,不同特征点在作为当前特征点时所对应的预设大小区域可以相同,也可以不同,具体可根据实际情况进行设定,在此不作具体限定。这里所述的相同指的是区域尺寸及区域形状均相同,所述的不同可以是区域尺寸不同和/或区域形状不同。
步骤120、模板图像中筛选后剩余特征点的数量是否小于目标特征点数量阈值;若是,则返回执行步骤110;若否,则执行步骤130。
步骤130、将模板图像中筛选后剩余特征点作为采样结果输出。
在本发明的实施例中,在完成对特征点的筛选操作后,需要确定筛选后剩余特征点的数量是否小于目标特征点数量阈值,如果模板图像中筛选后剩余特征点的数量小于目标特征点数量,则需要重新筛选特征点,再确定模板图像中筛选后剩余特征点的数量是否小于目标特征点数量阈值,直至筛选后剩余特征点的数量大于等于目标特征点数量阈值。如果筛选后剩余特征点的数量大于等于目标特征点数量阈值,则将筛选后剩余特征点作为特征点采样结果输出。其中,目标特征点数量阈值可用于作为是否结束特征点筛选的条件,目标特征点数量阈值的具体数值可根据实际情况进行设定,在此不作具体限定。
可以理解到,为了使得筛选后剩余特征点的数量大于等于目标特征点数量阈值,需要考虑如何增加筛选后剩余特征点的数量,以满足上述对筛选后剩余特征点的数量要求。当筛选后剩余特征点的数量小于目标特征点数量阈值时,可通过如下方式增加筛选后剩余特征点的数量,具体的:根据前文所述的特征点筛选方式可知,预设大小区域的尺寸大小将影响筛选后剩余特征点的数量多少,即如果预设大小区域的尺寸越大,则筛选后剩余特征点的数量越少;如果预设大小区域的尺寸越小,则筛选后剩余特征点的数量越多。基于上述,可采用修改预设大小区域的尺寸,根据修改后的预设大小区域,重新遍历模板图像中的特征点的方式,增加筛选后剩余特征点的数量。这里所述的修改预设大小区域可以指减小预设大小区域,即修改尺寸后的预设大小区域的尺寸小于修改前的预设大小区域的尺寸。示例性的,如图5所示,给出了一种调整当前特征点所在的预设大小区域的尺寸的示意图。
需要说明的是,这里所述的修改预设大小区域的尺寸可以指修改每个特征点所在的预设大小区域的尺寸,也可以指修改部分特征点所在的预设大小区域的尺寸。其中,可通过如下方式确定某个特征点是否属于部分特征点,具体的:特征点的响应值大于等于响应阈值的特征点属于部分特征点。相应的,修改部分特征点所在的预设大小区域的尺寸,具体可作如下理解:如果特征点的响应值大于等于响应阈值,则修改该特征点所在的预设大小区域。可以理解到,如果特征点的响应值小于响应阈值,则不修改该特征点所在的预设大小区域。上述修改预设大小区域的尺寸是修改全部特征点所在的预设大小区域的尺寸,还是修改部分特征点所在的预设大小区域的尺寸,可根据实际情况进行确定,在此不作具体限定。还可以理解到,由于模板图像中每个特征点均将作为模板图像的当前特征点,因此,当某个特征点作为当前特征点时,该特征点所在的预设大小区域即指当前特征点所在的预设大小区域。
还需要说明的是,将预设大小区域减小到何种程度时需要作如下考虑,在满足筛选后特征点的数量大于等于目标特征点数量阈值的基础上,尽量也使得筛选后剩余特征点在图像上分布比较均匀。而为了使得筛选后剩余特征点在图像上分布比较均匀,需要使得预设大小区域的尺寸尽可能的大,基于上述,将预设大小区域减小到何种程度时需要在满足筛选后特征点的数量大于等于目标特征点数量阈值的基础上,使得预设大小区域的尺寸尽可能的大。具体预设大小区域减小到何种程度可根据实际情况进行确定,在此不作具体限定。
本实施例的技术方案,通过根据模板图像中特征点的像素值,筛选特征点,确定模板图像中筛选后剩余特征点的数量是否小于目标特征点数量阈值,如果模板图像中筛选后剩余特征点的数量小于目标特征点数量阈值,则重新筛选模板图像中的特征点,如果模板图像中筛选后剩余特征点的数量大于等于目标特征点数量阈值,则结束特征点筛选。上述基于模板图像中的像素值,对特征点进行筛选,减少了特征点数量,进而提高了移动设备的处理效率。
可选的,在上述技术方案的基础上,根据模板图像中特征点的像素值,筛选特征点,具体可以包括:如果模板图像中当前特征点的像素值不为初始像素值,则从模板图像中删除当前特征点。如果模板图像中当前特征点的像素值为初始像素值,则调整模板图像中当前特征点所在预设大小区域内的像素点的像素值。将模板图像中下一特征点作为新的当前特征点,直至遍历模板图像中的特征点。
在本发明的实施例中,对于模板图像中的当前特征点来说,如果模板图像中当前特征点的像素值不为初始像素值,则从模板图像中删除当前特征点,并将下一特征点作为新的当前特征点。或者,如果模板图像中当前特征点的像素值为初始像素值,则调整模板图像中当前特征点所在的预设大小区域内像素点的像素值,并将下一特征点作为新的当前特征点。对于新的当前特征点,返回执行上述所述的当前特征点所进行的操作,直至遍历模板图像中的特征点。需要说明的是,上述所述的如果模板图像中当前特征点的像素值为初始像素值,则调整模板图像中当前特征点所在预设大小区域内像素点的像素值中,当前特征点的像素值可以被调整,也可以不被调整,即仍保持初始像素值,具体可根据实际情况进行设定,在此不作具体限定。
可以理解到,确定特征点为当前特征点的顺序将影响特征点筛选结果,这是由于模板图像中各像素点的像素值可根据预先设定的特征点筛选规则进行改变,即模板图像中各像素点的像素值并不一定始终为初始像素值。相应的,模板图像中特征点的像素值并不一定始终为初始像素值,而模板图像中的某个特征点是否被删除取决于该当该特征点确定为当前特征点时,该当前特征点的像素值是否为初始像素值,如果该当前特征点的像素值不为初始像素值,则说明该当前特征点的像素值已被调整,而该当前特征点的像素值被调整的原因在于:
设该特征点是第N个当前特征点,即按照确定特征点为当前特征点的顺序,特征点是第N个被确定为当前特征点的特征点,也即在该特征点之前已有N-1个特征点依次被确定为当前特征点。根据前文所述可知,如果当前特征点的像素值为初始像素值,则将调整该当前特征点所在的预设大小区域内的像素点的像素值,以及,原本模板图像中的各特征点的像素值相同,均为初始像素值,上述表明,如果该特征点(即第N个当前特征点)落入了M个预设大小区域中的一个或者几个预设大小区域,这里所述的M个预设大小区域是指在前N-1个当前特征点中存在M个当前特征点,这M个当前特征点的像素值均为初始像素值,由上述M个当前特征点所在的预设大小区域形成的M个预设大小区域,其中,M≤N-1,则将由于上述M个当前特征点的像素值为初始像素值,因此,上述M个当前特征点所在的预设大小区域内的像素点的像素值会被调整,即上述M个当前特征点所在的预设大小区别内的像素点的像素值将不再为初始像素值,而该特征点(即第N个当前特征点)落入了上述M个预设大小区域中的一个或者几个预设大小区域,并且由于该特征点(即第N个当前特征点)是在上述M个特征点之后才被确定为当前特征点的,因此,可以确定该特征点(即第N个当前特征点)被确定为当前特征点时,上述M个预设大小区域内的像素点的像素值已被调整,则可以确定该特征点(即第N个当前特征点)的像素值已被调整。
需要说明的是,上述所述的该特征点(即第N个当前特征点)可能落入M个预设大小区域中的几个预设大小区域,可作如下理解:如果上述M个预设大小区域中某几个预设大小区域之间存在交集区域,而该特征点恰好落入了交集区域内,则上述将导致该特征点(即第N个当前特征点)落入M个预设大小区域中的几个预设大小区域。
基于上述,确定特征点为当前特征点的顺序将影响筛选特征点的结果,换句话说,不同确定特征点为当前特征点的顺序将可能得到不同的特征点,又由于经特征提取得到的特征点可为物体识别、目标跟踪和三维重建等具体应用提供数据支持,特征点的好坏将影响上述具体应用的实现效果,即特征点有好坏之分,而为了使得上述具体应用可以达到较好的实际效果,需要尽可能筛选后剩余特征点为好的特征点,因此,如何确定特征点为当前特征点的顺序成为一个关键问题。上述关键问题从另一个角度考虑即是一个如何评价特征点的好坏程度问题,这是由于如果可以确定特征点的好坏程度,则可按照特征点的好坏程度来确定特征点为当前特征点的顺序,其顺序可以为按照特征点由好到坏的程度依次将特征点作为当前特征点,以尽可能删除不好的特征点而保留好的特征点。上述所述好的特征点具有如下特征:其一、可重复性。即不同图像相同的区域应该能被重复检测到,而且不受缩放、旋转、模糊和光照等因素的影响;其二、可区分性。即检测出的不同区域应当被描述成可区分的不同描述符,以在特征点匹配时降低错误率。针对如何评价特征点的好坏,可通过采用选择评价标准的方式来解决,即根据评价标准对各个特征点进行评价,得到评价结果,评价标准可用于评价特征点的好坏,评价结果反映了特征点的好坏程度。其中,评价标准可以包括特征点的响应值。
可以理解到,针对模板图中筛选后剩余的某个特征点来说,由于该特征点所在的预设大小区域内将不会存在其它特征点,因此,可以使得特征点的分布较均匀。上述该特征点所在的预设大小区域内将不会存在其它特征点的原因在于:由于如果其它特征点位于该特征点所在的预设大小区域,则其它特征点的像素值将不为初始像素值,因此,基于其它特征点的像素值不为初始像素值,其它特征点将被从模板图像中删除。此外,上述除了可以使得特征点的分布较均匀外,还可以从一定程度上消除特征点信息的冗余性。上述可以从一定程度上消除特征点信息的冗余性的原因在于:由于通常在小区域内各特征点的特性相似,因此,如果在小区域内存在多个特征点,则将导致特征点信息冗余,而上述方式可以使得在小区域内只存在一个特征点,而不会出现多个特征点,进而便可以消除特征点信息的冗余性。
可选的,在上述技术方案的基础上,重新筛选模板图像中的特征点,具体可以包括:根据修改尺寸后的预设大小区域,重新筛选模板图像中的特征点。
在本发明的实施例中,当需要重新筛选模板图像中的特征点时,说明筛选后剩余特征点的数量小于目标特征点数量阈值,需要增加筛选后剩余特征点的数量。根据前文所述的特征点筛选方式可知,筛选后剩余特征点的数量多少与预设大小区域的尺寸大小有关,即如果预设大小区域的尺寸越大,则筛选后剩余特征点的数量越少;如果预设大小区域的尺寸越小,则筛选后剩余特征点的数量越多。基于上述,可采用修改预设大小区域的尺寸,根据修改后的预设大小区域,重新遍历模板图像中的特征点的方式,增加筛选后剩余特征点的数量。示例性的,如图5所示,给出了一种调整当前特征点所在的预设大小区域的尺寸的示意图。
可选的,在上述技术方案的基础上,模板图像中当前特征点的响应值大于模板图像中下一特征点的响应值。
在本发明的实施例中,根据前文所述可知,确定特征点为当前特征点的顺序将影响筛选特征点的结果,此外,特征点的好坏又将影响具体应用的实现效果,具体应用如物体识别、目标跟踪和三维重建等。为了尽可能使得筛选后剩余特征点为好的特征点,可采用对特征点的好坏进行评价,根据评价结果来确定特征点为当前特征点的顺序的方式解决。针对如何评价特征点的好坏,可通过采用选择评价标准的方式来解决,即根据评价标准对各个特征点进行评价,得到评价结果,评价标准可用于评价特征点的好坏,评价结果反映了特征点的好坏程度。其中,评价标准可以包括特征点的响应值。
可将特征点的响应值作为评价标准的原因在于:根据前文所述可知,由于特征点的响应值大小可以反映特征点的好坏程度,而评价标准用于评价特征点的好坏,因此,可将特征点的响应值作为评价标准。
基于上述,可根据特征点的响应值大小,确定特征点为当前特征点的顺序,即特征点的响应值越大,则该特征点越优先作为当前特征点,上述使得当前特征点的响应值大于下一特征点的响应值。根据特征点的响应值大小,确定特征点为当前特征点的顺序,具体可作如下理解:按照特征点的响应值由大到小的顺序,依次将每个特征点作为当前特征点。在上述过程中,可能存在两个或两个以上特征点的响应值相同的情况,如果两个或两个以上特征点的响应值相同,则可随机确定上述响应值相同的特征点的顺序。
上述在对特征点筛选过程中,通过保证当前特征点的像素值大于下一特征点的像素值,而响应值大的特征点将优先被确定为当前特征点,使得响应值大的特征点被保留的可能性大于响应值小的特征点被保留的可能性,基于上述,实现了筛选后剩余特征点尽可能为响应值较大的特征点。同时,由于特征点的响应值可以反映特征点的显著性,特征点的响应值越大,则特征点越显著,因此,实现了筛选后剩余特征点尽可能为显著的特征点。
可选的,在上述技术方案的基础上,预设大小区域的尺寸大于修改后的预设大小区域的尺寸。
在本发明的实施例中,根据前文所述的特征点筛选方式可知,筛选后剩余特征点的数量多少与预设大小区域的尺寸大小有关,即如果预设大小区域的尺寸越大,则筛选后剩余特征点的数量越少;如果预设大小区域的尺寸越小,则筛选后剩余特征点的数量越多。基于上述,为了增加筛选后剩余特征点的数量,可采用修改预设大小区域的方式对预设大小区域的尺寸进行修改,使得修改后的预设大小区域的尺寸小于修改前的预设大小区域的尺寸。这里所述的修改预设大小区域的尺寸可以指修改每个特征点所在的预设大小区域的尺寸。示例性的,如图5所示,给出了一种调整当前特征点所在的预设大小区域的尺寸的示意图。
可选的,在上述技术方案的基础上,根据模板图像中特征点的像素值,筛选特征点之前,具体还可以包括:将原始图像中的特征点映射到模板图像,模板图像中像素点的像素值为初始像素值,像素点包括特征点。
在本发明的实施例中,原始图像是指待分析的目标图像,该目标图像中的像素点包括提取得到的特征点。为了便于特征点筛选,可生成模板图像,模板图像的生成过程如下:将原始图像中的特征点映射到模板图像,模板图像中各像素点的像素值为初始像素值,像素点包括特征点,模板图像尺寸与原始图像尺寸相同,特征点在模板图像中的位置与其在原始图像中的位置相同。示例性的,如图4所示,给出了一种原始图像的特征点映射到模板图像的示意图。初始像素值的具体数值可根据实际情况进行设定,在此不作具体限定。示例性的,如初始像素值为255。
可选的,在上述技术方案的基础上,将原始图像中的特征点映射到模板图像,具体可以包括:获取原始图像的特征点。如果原始图像的特征点数量大于等于原始特征点数量阈值,则将原始图像中的特征点映射到模板图像,原始特征点数量阈值大于目标特征点数量阈值。
在本发明的实施例中,原始特征点数量阈值可用于作为是否对特征点进行筛选的条件,原始特征点数量阈值大于目标特征点数量阈值。如果原始图像的特征点数量大于等于原始特征点数量阈值,则可以说明特征点数量过多,需要对特征点进行筛选。如果原始图像的特征嗲数量小于原始特征点数量阈值,则可无需再对特征点进行筛选。
需要说明的是,本发明实施例所提供的技术方案可以应用于SLAM(SimultaneousLocalization and Mapping,同时定位与地图构建)系统中,SLAM系统可以包括传感器数据、视觉里程计、后端、建图及回环检测五个模块。其中,回环检测通过特征点匹配,解决位置估计随时间漂移的问题。采用本发明实施例所提供的技术方案后,可实现在减少特征点数量的基础上,保留显著特征点且特征点分布均匀,上述减少了回环检测中特征点匹配的数据处理量,以及,提高了特征点匹配正确率,从而减少了SLAM系统在回环检测部分的性能消耗,也保证了回环检测的效率。当将SLAM系统应用于移动设备上时,也减少了移动设备的性能消耗。
图6为本发明实施例提供的另一种特征点采样方法的流程图,本实施例是上述实施例的一个具体示例。本实施例可适用于筛选特征点的情况,该方法可以由特征点采样装置来执行,该装置可以采用软件和/或硬件的方式实现,该装置可以配置于设备中,例如典型的是计算机等。如图6所示,该方法具体包括如下步骤:
步骤201、获取原始图像的特征点。
步骤202、原始图像的特征点的数量是否大于等于原始特征点数量阈值;若是,则执行步骤203;若否,则执行步骤204。
步骤203、将原始图像中的特征点映射到模板图像,模板图像中像素点的像素值为初始像素值,像素点包括特征点。
步骤204、将原始图像的特征点作为特征点采样结果输出。
步骤205、模板图像中当前特征点的像素值是否为初始像素值;若是,则执行步骤206;若否,则执行步骤207。
步骤206、调整模板图像中当前特征点所在预设大小区域的像素点的像素值,并执行步骤208。
步骤207、从模板图像中删除当前特征点,并执行步骤208。
步骤208、下一特征点是否为最后一个特征点;若是,则执行步骤209;若否,则执行步骤210。
步骤209、模板图像中筛选后剩余特征点的数量是否小于目标特征点数量阈值;若是,则执行步骤211;若否,则执行步骤212。
步骤210、将下一特征点作为新的当前特征点,当前特征点的响应值大于下一特征点的响应值,并返回执行步骤205。
步骤211、修改当前特征点所在的预设大小区域,当前特征点所在的预设大小区域的尺寸大于修改后当前特征点所在的预设大小区域的尺寸,并返回执行步骤205。
步骤212、将模板图像中筛选后剩余特征点作为特征点采样结果输出。
在本发明的实施例中,原始特征点数量阈值大于目标特征点数量阈值。为了更好的理解本发明实施例所提供的技术方案,下面通过具体示例进行说明。具体的:
如图7所示,给出了一种特征点采样方法的应用示意图。图7中原始图像中特征点的数量大于原始特征点数量阈值,模板图像中特征点1的响应值最大,特征点2的响应值次之,特征点3的响应值小于特征点1的响应值以及特征点2的响应值,且大于其它特征点的响应值。根据特征点的像素值的大小,特征点1、特征点2和特征点3将依次被确定为当前特征点。特征点1为当前特征点,由于当前特征点(即特征点1)的像素值为初始像素值,因此,调整当前特征点(即特征点1)所在的预设大小区域内像素点的像素值。下一特征点为特征点2,将特征点2作为新的当前特征点,由于当前特征点(即特征点2)未落入特征点1所在的预设大小区域,因此,当前特征点(即特征点2)的像素值仍为初始像素值,在此情况下,调整当前特征点(即特征点2)所在的预设大小区域内像素点的像素值。下一特征点为特征点3,将特征点3作为新的当前特征点,由于当前特征点(即特征点3)落入了特征点2所在的预设大小区域,因此,当前特征点(即特征点3)的像素值不为初始像素值,则从模板图像中删除当前特征点(即特征点3)。模板图像中对其它特征点的处理方式与上述所述特征点1、特征点2和特征点3相同,在此不再具体赘述。遍历模板图像中的特征点后,由于模板图像中筛选后剩余特征点的数量大于目标特征点数量阈值,因此,结束特征点筛选。
比较模板图像中筛选前后特征点的分布情况可知,相比于特征点筛选前,特征点筛选后,模板图像中剩余特征点的分布更加均匀。此外,在对特征点筛选过程中,通过保证当前特征点的像素值大于下一特征点的像素值,而响应值大的特征点将优先被确定为当前特征点,使得响应值大的特征点被保留的可能性大于响应值小的特征点被保留的可能性,基于上述,实现了筛选后剩余特征点尽可能为响应值较大的特征点。同时,由于特征点的响应值可以反映特征点的显著性,特征点的响应值越大,则特征点越显著,因此,实现了筛选后剩余特征点尽可能为显著的特征点。当前,经特征点筛选后,减少了特征点数量,进而提高了移动设备的处理效率。
本实施例的技术方案,通过如果模板图像中当前特征点的像素值不为初始像素值,则从模板图像中删除当前特征点,如果模板图像中当前特征点的像素值为初始像素值,则调整模板图像中当前特征点所在预设大小区域内的像素点的像素值,将模板图像中下一特征点作为新的当前特征点,直至遍历模板图像中的特征点,当前特征点的响应值大于下一特征点的响应值,上述经过对特征点筛选,减少了特征点数量,进而提高了移动设备处理效率,在此基础上,针对模板图中筛选后剩余的某个特征点来说,由于该特征点所在的预设大小区域内将不会存在其它特征点,因此,可以使得特征点的分布较均匀。此外,在对特征点筛选过程中,通过保证当前特征点的像素值大于下一特征点的像素值,而响应值大的特征点将优先被确定为当前特征点,使得响应值大的特征点被保留的可能性大于响应值小的特征点被保留的可能性,基于上述,实现了筛选后剩余特征点尽可能为响应值较大的特征点。同时,由于特征点的响应值可以反映特征点的显著性,特征点的响应值越大,则特征点越显著,因此,实现了筛选后剩余特征点尽可能为显著的特征点。
图8为本发明实施例提供的一种特征点采样装置的结构示意图,本实施例可适用于筛选特征点的情况,该装置可以采用软件和/或硬件的方式实现,该装置可以配置于设备中,例如典型的是计算机等。如图8所示,该装置具体包括:
特征点筛选模块310,用于根据模板图像中特征点的像素值,筛选特征点。
特征点确定模块320,用于如果模板图像中筛选后剩余特征点的数量小于目标特征点数量阈值,则重新筛选特征点,直至模板图像中筛选后剩余特征点的数量大于等于目标特征点数量阈值。
本实施例的技术方案,通过根据模板图像中特征点的像素值,筛选特征点,确定模板图像中筛选后剩余特征点的数量是否小于目标特征点数量阈值,如果模板图像中筛选后剩余特征点的数量小于目标特征点数量阈值,则重新筛选模板图像中的特征点,如果模板图像中筛选后剩余特征点的数量大于等于目标特征点数量阈值,则结束特征点筛选。上述基于模板图像中的像素值,对特征点进行筛选,减少了特征点数量,进而提高了移动设备的处理效率。
可选的,在上述技术方案的基础上,特征点筛选模块310,具体可以用于:
如果模板图像中当前特征点的像素值不为初始像素值,则从模板图像中删除所述当前特征点。
如果模板图像中当前特征点的像素值为初始像素值,则调整模板图像中当前特征点所在预设大小区域内的像素点的像素值。
将模板图像中下一特征点作为新的当前特征点,直至遍历模板图像中的特征点。
可选的,在上述技术方案的基础上,重新筛选模板图像中的特征点,具体可以包括:
根据修改尺寸后的预设大小区域,重新筛选模板图像中的特征点。
可选的,在上述技术方案的基础上,模板图像中当前特征点的响应值大于模板图像中下一特征点的响应值。
可选的,在上述技术方案的基础上,预设大小区域的尺寸大于修改尺寸后的预设大小区域的尺寸。
可选的,在上述技术方案的基础上,该装置具体还可以包括:
特征点映射模块,用于将原始图像中的特征点映射到模板图像,模板图像中像素点的初始像素值为预设初始像素值,像素点包括特征点。
可选的,在上述技术方案的基础上,将原始图像中的特征点映射到模板图像,具体可以包括:
获取原始图像的特征点。
如果原始图像的特征点的数量大于等于原始特征点数量阈值,则将原始图像中的特征点映射到模板图像,原始特征点数量阈值大于目标特征点数量阈值。
本发明实施例所提供的特征点采样装置可执行本发明任意实施例所提供的特征点采样方法,具备执行方法相应的功能模块和有益效果。
图9为本发明实施例提供的一种设备的结构示意图。图9显示的设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图9所示,本发明实施例提供的设备,包括处理器41、存储器42、输入装置43和输出装置44;设备中处理器41的数量可以是一个或多个,图9中以一个处理器41为例;设备中的处理器41、存储器42、输入装置43和输出装置44可以通过总线或其他方式连接,图9中以通过总线连接为例。
存储器42作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的特征点采样方法对应的程序指令/模块(例如,使用特征点采样装置中的特征点筛选模块310和特征点确定模块320)。处理器41通过运行存储在存储器42中的软件程序、指令以及模块,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的应用于设备的特征点采样方法。
存储器42可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器42可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器42可进一步包括相对于处理器41远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置43可用于接收用户输入的数字或字符信息,以产生与设备的用户设置以及功能控制有关的键信号输入。输出装置44可包括显示屏等显示设备。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供应用于设备的特征点采样方法的技术方案。该设备的硬件结构以及功能可参见实施例的内容解释。
本发明实施例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,该程序被处理器执行时实现如本发明实施例所提供的一种特征点采样方法,该方法包括:
根据模板图像中特征点的像素值,筛选特征点。
如果模板图像中筛选后剩余特征点的数量小于目标特征点数量阈值,则重新筛选模板图像中的特征点,直至模板图像中筛选后剩余特征点的数量大于等于目标特征点数量阈值。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、射频等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,例如,C++、C语言、Python、Ruby和MATLAB等。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——局域网(Local Area Network,LAN)或广域网(Wide Area Network,WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然,本发明实施例所提供的一种计算机可读存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的设备的特征点采样方法的相关操作。对存储介质的介绍可参见实施例中的内容解释。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种特征点采样方法,其特征在于,包括:
根据模板图像中特征点的像素值,筛选所述特征点;
如果所述模板图像中筛选后剩余特征点的数量小于目标特征点数量阈值,则重新筛选所述模板图像中的特征点,直至所述模板图像中筛选后剩余特征点的数量大于等于所述目标特征点数量阈值;
所述模板图像是用于筛选特征点的图像,所述特征点是将原始图像中的特征点映射至模板图像中形成的;
所述根据模板图像中特征点的像素值,筛选所述特征点,包括:
如果所述模板图像中当前特征点的像素值不为初始像素值,则从所述模板图像中删除所述当前特征点;
如果所述模板图像中当前特征点的像素值为初始像素值,则调整所述模板图像中当前特征点所在预设大小区域内的像素点的像素值;
将所述模板图像中下一特征点作为新的当前特征点,直至遍历所述模板图像中的特征点。
2.根据权利要求1所述的方法,其特征在于,所述重新筛选所述模板图像中的特征点,包括:
根据修改尺寸后的预设大小区域,重新筛选所述模板图像中的特征点。
3.根据权利要求1或2所述的方法,其特征在于,所述模板图像中当前特征点的响应值大于所述模板图像中下一特征点的响应值。
4.根据权利要求2所述的方法,其特征在于,所述预设大小区域的尺寸大于所述修改尺寸后的预设大小区域的尺寸。
5.根据权利要求1所述的方法,其特征在于,所述根据模板图像中特征点的像素值,筛选所述特征点之前,还包括:
将原始图像中的特征点映射到模板图像,所述模板图像中像素点的像素值为初始像素值,所述像素点包括所述特征点。
6.根据权利要求5所述的方法,其特征在于,所述将原始图像中的特征点映射到模板图像,包括:
获取原始图像的特征点;
如果原始图像的特征点的数量大于等于原始特征点数量阈值,则将原始图像中的特征点映射到模板图像,所述原始特征点数量阈值大于目标特征点数量阈值。
7.一种特征点采样装置,其特征在于,包括:
特征点筛选模块,用于根据模板图像中特征点的像素值,筛选所述特征点;
特征点确定模块,用于如果所述模板图像中筛选后剩余特征点的数量小于目标特征点数量阈值,则重新筛选所述特征点,直至所述模板图像中筛选后剩余特征点的数量大于等于所述目标特征点数量阈值;
所述模板图像是用于筛选特征点的图像,所述特征点是将原始图像中的特征点映射至模板图像中形成的;
所述特征点筛选模块,还用于:
如果模板图像中当前特征点的像素值不为初始像素值,则从模板图像中删除所述当前特征点;
如果模板图像中当前特征点的像素值为初始像素值,则调整模板图像中当前特征点所在预设大小区域内的像素点的像素值;
将模板图像中下一特征点作为新的当前特征点,直至遍历模板图像中的特征点。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6任一所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910441894.0A CN110188815B (zh) | 2019-05-24 | 2019-05-24 | 一种特征点采样方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910441894.0A CN110188815B (zh) | 2019-05-24 | 2019-05-24 | 一种特征点采样方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188815A CN110188815A (zh) | 2019-08-30 |
CN110188815B true CN110188815B (zh) | 2023-09-01 |
Family
ID=67717795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910441894.0A Active CN110188815B (zh) | 2019-05-24 | 2019-05-24 | 一种特征点采样方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188815B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113001537B (zh) * | 2019-12-20 | 2022-08-02 | 深圳市优必选科技股份有限公司 | 机械臂控制方法、机械臂控制装置及终端设备 |
CN111402429B (zh) * | 2020-06-08 | 2020-09-15 | 成都索贝数码科技股份有限公司 | 一种尺度还原、三维重建方法、系统、存储介质及设备 |
CN111915532B (zh) * | 2020-08-07 | 2022-02-11 | 北京字节跳动网络技术有限公司 | 图像追踪方法、装置、电子设备及计算机可读介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984463A (zh) * | 2010-11-02 | 2011-03-09 | 中兴通讯股份有限公司 | 全景图合成方法及装置 |
CN106023182A (zh) * | 2016-05-13 | 2016-10-12 | 广州视源电子科技股份有限公司 | 印制电路板图像匹配方法和系统 |
CN108446707B (zh) * | 2018-03-06 | 2020-11-24 | 北方工业大学 | 基于关键点筛选及dpm确认的遥感图像飞机检测方法 |
CN109101867A (zh) * | 2018-06-11 | 2018-12-28 | 平安科技(深圳)有限公司 | 一种图像匹配方法、装置、计算机设备及存储介质 |
-
2019
- 2019-05-24 CN CN201910441894.0A patent/CN110188815B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110188815A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11328401B2 (en) | Stationary object detecting method, apparatus and electronic device | |
CN110188815B (zh) | 一种特征点采样方法、装置、设备及存储介质 | |
CN111444921A (zh) | 划痕缺陷检测方法、装置、计算设备和存储介质 | |
CN110632608B (zh) | 一种基于激光点云的目标检测方法和装置 | |
CN109934181A (zh) | 文本识别方法、装置、设备和计算机可读介质 | |
AU2017204531B2 (en) | Smart and automatic selection of same shaped objects in images | |
EP3598386A1 (en) | Method and apparatus for processing image | |
CN109377508B (zh) | 图像处理方法和装置 | |
CN109522807B (zh) | 基于自生成特征的卫星影像识别系统、方法及电子设备 | |
CN110211195B (zh) | 生成图像集合的方法、装置、电子设备和计算机可读存储介质 | |
CN113537070B (zh) | 一种检测方法、装置、电子设备及存储介质 | |
CN112101386B (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
CN114898177B (zh) | 缺陷图像生成方法、模型训练方法、设备、介质及产品 | |
WO2021056501A1 (zh) | 提取特征点的方法、可移动平台及存储介质 | |
CN114283343A (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
CN112330602B (zh) | 一种智能陷印方向判断方法及装置 | |
US20210374480A1 (en) | Arithmetic device, arithmetic method, program, and discrimination system | |
CN114511862B (zh) | 表格识别方法、装置及电子设备 | |
KR102256409B1 (ko) | 학습 데이터 세트를 생성하는 방법 및 학습 데이터 세트를 생성하기 위한 컴퓨터 장치 | |
CN113362227B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115830362A (zh) | 图像处理方法、装置、设备、介质及产品 | |
CN114329024A (zh) | 一种iconfont图标搜索方法和系统 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN110119721B (zh) | 用于处理信息的方法和装置 | |
CN114241044A (zh) | 回环检测方法、装置、电子设备和计算机可读介质 |
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 |