CN110223235A - 一种基于多种特征点组合匹配的鱼眼监控图像拼接方法 - Google Patents
一种基于多种特征点组合匹配的鱼眼监控图像拼接方法 Download PDFInfo
- Publication number
- CN110223235A CN110223235A CN201910509709.7A CN201910509709A CN110223235A CN 110223235 A CN110223235 A CN 110223235A CN 201910509709 A CN201910509709 A CN 201910509709A CN 110223235 A CN110223235 A CN 110223235A
- Authority
- CN
- China
- Prior art keywords
- matching
- image
- various features
- characteristic point
- feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 241000283070 Equus zebra Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
- G06T3/047—Fisheye or wide-angle transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于多种特征点组合匹配的鱼眼监控图像拼接方法,运用桶形畸变模型和霍夫线检测对图像进行畸变校正;对两图像选定区域提取N种特征点并分别求其特征描述子;选用暴力匹配法或快速最近邻搜索法对N种特征点分别进行预匹配;对N种特征点的预匹配对进行置信度排序;选取每种特征点最高置信度的两对匹配对,组成寻优集合,寻找最优的四组匹配保留下来并淘汰其余匹配对;选取被淘汰特征点中置信度次高的匹配对加入寻优集合,重新寻优直到达到终止条件;由寻优得到的四组匹配对计算单应矩阵,对图像进行变换并实现拼接。本发明通过多种特征点间匹配对的组合计算单应矩阵,从而显著提高匹配对选取的准确性,进而实现两幅监控图像的有效拼接。
Description
技术领域
本发明涉及图像拼接技术领域,尤其是涉及一种基于多种特征点组合匹配的鱼眼监控图像拼接方法,特别涉及到鱼眼监控图像的无参矫正、图像特征点匹配以及图像拼接方法。
背景技术
鱼眼监控图像相较于一般的图像具有严重的畸变,一般需要通过对摄像头进行标定得到摄像头的畸变参数,进而对摄像头拍摄到的图像进行畸变校正。但是对于无法采集摄像头参数的情况,图像的畸变校正变得困难。
图像的拼接技术的一般实现过程是:提取图像的某种特征点,对特征点进行匹配,通过特征点匹配对计算得到单应矩阵,通过单应矩阵对图像进行形变,最后将两幅图像拼接到一起。一般的图像拼接是将同一视点不同角度的两张图像或不同视点(相距不是很远)具有较大重叠区域的两幅图像进行拼接,这样才能实现比较好的拼接效果。
但是对于相距较远的两不同视角下的监控图像拼接一般的图像拼接过程并不能实现很好的拼接,特别是重叠区域中含有相似的物体时(比如斑马线、人行道上重复的图案、茂密的树木等)。因为特征点的匹配会有极大的干扰所以不能实现大多数特征点的正确匹配,进而导致图像无法得到正确的单应矩阵,从而无法实现拼接。
基于上述问题,本发明提出了一种基于多种特征点组合匹配的鱼眼监控图像拼接方法。
发明内容
本发明目的是针对现有图像拼接技术在鱼眼监控图像拼接应用上的不足,提供一种基于多种特征点组合匹配的鱼眼监控图像拼接方法。其核心思想在于特征点的匹配对的选取:因为传统的单一特征点得到匹配对不能求出有效的单应矩阵,所以本发明通过提取图像的多种特征点,在每种特征点间进行匹配对的组合,以提高特征点的匹配率,进而有效提升鱼眼监控图像的拼接效果。
为解决上述的技术问题,本发明技术方案提供一种基于多种特征点组合匹配的鱼眼监控图像拼接方法,其中,包括如下步骤:
(1)、对待拼接图像进行畸变校正;
(2)、在所述待拼接图像的重叠区域内提取至少两种特征点并分别求其特征描述子(特征描述子记录了特征点及其邻域的特征信息)每种特征点包括若干个特征点;
(3)、选用暴力匹配法或快速最近邻搜索法对所述特征点分别进行预匹配,获得若干预匹配对,每一预匹配对包括两个特征点;
(4)、对所述预匹配对进行置信度排序;
(5)、在每个特征点所在的预匹配对中,选取置信度最高的两对预匹配对并组成寻优集合,在所述寻优集合中,找出预定数目的最优预匹配对保留下来并淘汰其余预匹配对;
(6)、对于被淘汰的特征点,选取该特征点中置信度次高的预匹配对加入寻优集合,重新寻优,直到达到终止条件;
(7)、由寻优得到的预定数目的最优预匹配对计算单应矩阵,对待拼接图像进行变换并实现拼接。
可选地,在步骤(1)中,采用桶形畸变模型和霍夫线检测法对图像进行畸变校正。
可选地,使用桶形畸变模型中的径向畸变三次多项式来对所述待拼接图像进行矫正,在固定三次和一次项的系数后,通过调整二次项系数在设定范围内按照一定步长由小到大来对所述待拼接图像进行试验校正,挑选出使霍夫线检测法检测到的直线最长的系数作为最佳系数。
可选地,在步骤(2)中,使用矩阵框选择所述待拼接图像的重叠区域,并且避免选取绿化区域和移动目标。
可选地,在步骤(3)中,若所述特征点的个数小于或等于预设值,则选择暴力匹配法;若所述特征点的个数大于预设值,则选择快速最近邻搜索法;。
可选地,步骤(4)包括如下步骤:
(41)获得每一所述预匹配对的两个特征点连线所在直线关于图像水平轴的角度,即为所述预匹配对的直线角度;
(42)计算每个所述预匹配对与其他预匹配对的直线角度差,统计所述直线角度差的绝对值小于或等于阈值的个数,并将改该个数作为所述预匹配对的置信度,若不同的预匹配对具有相同置信度时,按照预匹配对的直线角度的大小进行排序。
可选地,所述预设值为π/18。
可选地,所述最优预匹配对是指匹配率最高的预匹配对。
可选地,在步骤(7)中,在变换后的待拼接图像和未变换的待拼接图像间选择一条绕开所有物体的直线作为拼接缝进行拼接。
本发明技术方案的有益效果是:
本发明利用了多种特征点,通过多种特征点间匹配对的组合计算单应矩阵,从而显著提高匹配对选取的准确性,进而实现两幅监控图像的有效拼接。
附图说明
图1为基于多种特征点组合匹配的鱼眼监控图像拼接方法的操作程序框图。
具体实施方式:
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
请参见图1所示,示出了一种实施例的基于多种特征点组合匹配的鱼眼监控图像拼接方法,其中,包括如下步骤:
(1)、对待拼接图像进行畸变校正;
(2)、在所述待拼接图像的重叠区域内提取至少两种特征点并分别求其特征描述子(特征描述子记录了特征点及其邻域的特征信息)每种特征点包括若干个特征点;
(3)、选用暴力匹配法或快速最近邻搜索法对所述特征点分别进行预匹配,获得若干预匹配对,每一预匹配对包括两个特征点;
(4)、对所述预匹配对进行置信度排序;
(5)、在每个特征点所在的预匹配对中,选取置信度最高的两对预匹配对并组成寻优集合,在所述寻优集合中,找出预定数目的最优预匹配对保留下来并淘汰其余预匹配对;
(6)、对于被淘汰的特征点,选取该特征点中置信度次高的预匹配对加入寻优集合,重新寻优,直到达到终止条件;
(7)、由寻优得到的预定数目的最优预匹配对计算单应矩阵,对待拼接图像进行变换并实现拼接。
本实施例中,在步骤(1)中,采用桶形畸变模型和霍夫线检测法对图像进行畸变校正。
本实施例中,使用桶形畸变模型中的径向畸变三次多项式来对所述待拼接图像进行矫正,在固定三次和一次项的系数后,通过调整二次项系数在设定范围内按照一定步长由小到大来对所述待拼接图像进行试验校正,挑选出使霍夫线检测法检测到的直线最长的系数作为最佳系数。
本实施例中,在步骤(2)中,使用矩阵框选择所述待拼接图像的重叠区域,并且避免选取绿化区域和移动目标。
本实施例中,在步骤(3)中,若所述特征点的个数小于或等于预设值,则选择暴力匹配法;若所述特征点的个数大于预设值,则选择快速最近邻搜索法;
本实施例中,步骤(4)包括如下步骤:
(41)获得每一所述预匹配对的两个特征点连线所在直线关于图像水平轴的角度,即为所述预匹配对的直线角度;
(42)计算每个所述预匹配对与其他预匹配对的直线角度差,统计所述直线角度差的绝对值小于或等于阈值的个数,并将改该个数作为所述预匹配对的置信度,若不同的预匹配对具有相同置信度时,按照预匹配对的直线角度的大小进行排序。
本实施例中,所述预设值为π/18。
本实施例中,所述最优预匹配对是指匹配率最高的预匹配对。
本实施例中,在步骤(7)中,在变换后的待拼接图像和未变换的待拼接图像间选择一条绕开所有物体的直线作为拼接缝进行拼接。
以下做进一步的详细说明。
如图1所示,本基于多种特征点组合匹配的鱼眼监控图像拼接方法的操作步骤如下:
(1)、运用桶形畸变模型结合霍夫线检测对图像进行畸变校正:使用桶形畸变模型中的径向畸变三次多项式来对图像进行矫正,在固定三次项系数为0,固定一次项的系数为0.08,通过调整二次项系数在0.01~0.30范围内以0.01为步长由小到大来对图像进行试验矫正,挑选出使霍夫线检测检测到的直线最长的系数作为最佳系数,此处最佳系数为0.06。
(2)、对两图像选定区域分别提取4种特征点并分别求其特征描述子:使用矩阵框选择两幅图像主要的重叠区域,同时要尽量避免绿化区域和移动目标,选择具有代表性的FAST、SIFT、SURF和ORB四种常用特征点。
(3)、自适应地选用暴力匹配法或快速最近邻搜索法对4种特征点分别进行预匹配:通过判断提取到的特征点数目和阈值(300)的大小关系来自适应选择预匹配的算法,特征点数目小于或等于阈值则选择暴力匹配法,反之选择快速最近邻搜索法,以提高预匹配的效率。
(4)、对4种特征点的预匹配对进行置信度排序:求所有特征点的所有匹配对两点所连直线关于图像水平轴的角度,对于每个匹配对计算和其角度之差的绝对值在阈值α=π/18内的匹配对个数(两个匹配对可以属于不同特征点),将该数值作为其该匹配对的置信度,当有多个匹配对具有相同置信度时,按照匹配对的角度由小到大排序。
(5)、选取4种特征点最高置信度的两对匹配对,组成寻优集合,寻找其中最优的四组匹配保留下来并淘汰其余匹配对:将寻优集合中8个匹配对四四组合,求解相应的单应矩阵,共有种可能。用单应矩阵对特征点位置进行变换,对4种特征点分别进行匹配(该特征点包括在预匹配中未组成匹配的特征点)。
假设两幅图像中每种特征点中较少的一组分别含有n1,…,n4个特征点,匹配的规则是:对于每种特征点用数量少的一组特征点向特征点多的一组进行匹配,如果一个特征点在其以r=5为半径的邻域内含有特征点则认为两特征点得到了匹配,当有邻域内含有多个特征点时,选择距离最近的特征点。其他特征点不能匹配已经得到匹配的特征点。经过匹配后假设4种特征点每种特征点分别有m1,…,m4个特征点得到匹配,那么可以算出该单应矩阵对应的特征点匹配率为对70种组合分别计算特征点匹配率,保留使匹配率最高的的四对匹配对,对其余四对匹配对进行更新。
(6)、对于被淘汰的特征点,选取该特征点中置信度次高的匹配对加入寻优集合,重新寻优,直到达到终止条件:选取每种特征点置信度次高的匹配对加入寻优集合,尽量保持寻优集合中每种特征点的匹配对数为两对,除非该种特征点只剩一个匹配对,如果没有次高匹配对则不再从该种特征点中选取匹配对参与寻优。
如果寻优集合中只剩两种特征点的匹配对,则更新时尽量使寻优集合中这两种特征点的匹配对数均为四对,除非某种特征点剩余匹配对数不足四对。
如果寻优集合中只剩一种特征点的匹配对,则更新时尽量使寻优集合中该种特征点的匹配对数为八对,除非该种特征点的匹配对数不足八对。更新直到连续10次更新后得到的两个最优匹配对不变或更新次数达到预设的最大更新次数200或遍历完所有的匹配对组合时停止。
(7)、由寻优得到的四组匹配对计算单应矩阵,对图像进行变换并实现拼接:在变换后的图像和基准图像间选择一条尽量不经过任何物体的直线作为拼接缝进行拼接。
综上所述,本发明利用了多种特征点,通过多种特征点间匹配对的组合计算单应矩阵,从而显著提高匹配对选取的准确性,进而实现两幅监控图像的有效拼接。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (9)
1.一种基于多种特征点组合匹配的鱼眼监控图像拼接方法,其特征在于,包括如下步骤:
(1)、对待拼接图像进行畸变校正;
(2)、在所述待拼接图像的重叠区域内提取至少两种特征点并分别求其特征描述子每种特征点包括若干个特征点;
(3)、选用暴力匹配法或快速最近邻搜索法对所述特征点分别进行预匹配,获得若干预匹配对,每一预匹配对包括两个特征点;
(4)、对所述预匹配对进行置信度排序;
(5)、在每个特征点所在的预匹配对中,选取置信度最高的两对预匹配对并组成寻优集合,在所述寻优集合中,找出预定数目的最优预匹配对保留下来并淘汰其余预匹配对;
(6)、对于被淘汰的特征点,选取该特征点中置信度次高的预匹配对加入寻优集合,重新寻优,直到达到终止条件;
(7)、由寻优得到的预定数目的最优预匹配对计算单应矩阵,对待拼接图像进行变换并实现拼接。
2.根据权利要求1所述的基于多种特征点组合匹配的鱼眼监控图像拼接方法,其特征在于,在步骤(1)中,采用桶形畸变模型和霍夫线检测法对图像进行畸变校正。
3.根据权利要求2所述的基于多种特征点组合匹配的鱼眼监控图像拼接方法,其特征在于,使用桶形畸变模型中的径向畸变三次多项式来对所述待拼接图像进行矫正,在固定三次和一次项的系数后,通过调整二次项系数在设定范围内按照一定步长由小到大来对所述待拼接图像进行试验校正,挑选出使霍夫线检测法检测到的直线最长的系数作为最佳系数。
4.根据权利要求1所述的基于多种特征点组合匹配的鱼眼监控图像拼接方法,其特征在于,在步骤(2)中,使用矩阵框选择所述待拼接图像的重叠区域,并且避免选取绿化区域和移动目标。
5.根据权利要求1所述的基于多种特征点组合匹配的鱼眼监控图像拼接方法,其特征在于,在步骤(3)中,若所述特征点的个数小于或等于预设值,则选择暴力匹配法;若所述特征点的个数大于预设值,则选择快速最近邻搜索法。
6.根据权利要求1所述的基于多种特征点组合匹配的鱼眼监控图像拼接方法,其特征在于,步骤(4)包括如下步骤:
(41)获得每一所述预匹配对的两个特征点连线所在直线关于图像水平轴的角度,即为所述预匹配对的直线角度;
(42)计算每个所述预匹配对与其他预匹配对的直线角度差,统计所述直线角度差的绝对值小于或等于阈值的个数,并将改该个数作为所述预匹配对的置信度,若不同的预匹配对具有相同置信度时,按照预匹配对的直线角度的大小进行排序。
7.据权利要求6所述的基于多种特征点组合匹配的鱼眼监控图像拼接方法,其特征在于,所述预设值为π/18。
8.根据权利要求1所述的基于多种特征点组合匹配的鱼眼监控图像拼接方法,其特征在于,所述最优预匹配对是指匹配率最高的预匹配对。
9.根据权利要求1所述的基于多种特征点组合匹配的鱼眼监控图像拼接方法,其特征在于,在步骤(7)中,在变换后的待拼接图像和未变换的待拼接图像间选择一条绕开所有物体的直线作为拼接缝进行拼接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910509709.7A CN110223235B (zh) | 2019-06-14 | 2019-06-14 | 一种基于多种特征点组合匹配的鱼眼监控图像拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910509709.7A CN110223235B (zh) | 2019-06-14 | 2019-06-14 | 一种基于多种特征点组合匹配的鱼眼监控图像拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110223235A true CN110223235A (zh) | 2019-09-10 |
CN110223235B CN110223235B (zh) | 2023-08-08 |
Family
ID=67816805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910509709.7A Active CN110223235B (zh) | 2019-06-14 | 2019-06-14 | 一种基于多种特征点组合匹配的鱼眼监控图像拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110223235B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829853A (zh) * | 2019-01-18 | 2019-05-31 | 电子科技大学 | 一种无人机航拍图像拼接方法 |
CN111882589A (zh) * | 2020-06-23 | 2020-11-03 | 广州万维创新科技有限公司 | 基于图像的单目视觉slam的初始化方法 |
CN112200064A (zh) * | 2020-09-30 | 2021-01-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN112991175A (zh) * | 2021-03-18 | 2021-06-18 | 中国平安人寿保险股份有限公司 | 一种基于单ptz摄像头的全景图片生成方法及设备 |
CN113821432A (zh) * | 2021-07-27 | 2021-12-21 | 浙江大学 | 一种用于app无障碍智能检测的功能图标智能导航方法 |
CN116452426A (zh) * | 2023-06-16 | 2023-07-18 | 广汽埃安新能源汽车股份有限公司 | 一种全景图拼接方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957007A (zh) * | 2016-05-05 | 2016-09-21 | 电子科技大学 | 基于特征点平面相似度的图像拼接方法 |
CN106651767A (zh) * | 2016-12-30 | 2017-05-10 | 北京星辰美豆文化传播有限公司 | 一种获取全景图像的方法及装置 |
CN106683045A (zh) * | 2016-09-28 | 2017-05-17 | 深圳市优象计算技术有限公司 | 一种基于双目像机的全景图像拼接方法 |
CN109064404A (zh) * | 2018-08-10 | 2018-12-21 | 西安电子科技大学 | 一种基于多相机标定的全景拼接方法、全景拼接系统 |
CN109579868A (zh) * | 2018-12-11 | 2019-04-05 | 上海元城汽车技术有限公司 | 车外目标定位方法、装置及汽车 |
-
2019
- 2019-06-14 CN CN201910509709.7A patent/CN110223235B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957007A (zh) * | 2016-05-05 | 2016-09-21 | 电子科技大学 | 基于特征点平面相似度的图像拼接方法 |
CN106683045A (zh) * | 2016-09-28 | 2017-05-17 | 深圳市优象计算技术有限公司 | 一种基于双目像机的全景图像拼接方法 |
CN106651767A (zh) * | 2016-12-30 | 2017-05-10 | 北京星辰美豆文化传播有限公司 | 一种获取全景图像的方法及装置 |
CN109064404A (zh) * | 2018-08-10 | 2018-12-21 | 西安电子科技大学 | 一种基于多相机标定的全景拼接方法、全景拼接系统 |
CN109579868A (zh) * | 2018-12-11 | 2019-04-05 | 上海元城汽车技术有限公司 | 车外目标定位方法、装置及汽车 |
Non-Patent Citations (2)
Title |
---|
曾霞: "《基于计算全光函数的虚拟视点生成技术研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
曾霞: "《基于计算全光函数的虚拟视点生成技术研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 November 2018 (2018-11-15) * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829853A (zh) * | 2019-01-18 | 2019-05-31 | 电子科技大学 | 一种无人机航拍图像拼接方法 |
CN109829853B (zh) * | 2019-01-18 | 2022-12-23 | 电子科技大学 | 一种无人机航拍图像拼接方法 |
CN111882589A (zh) * | 2020-06-23 | 2020-11-03 | 广州万维创新科技有限公司 | 基于图像的单目视觉slam的初始化方法 |
CN112200064A (zh) * | 2020-09-30 | 2021-01-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN112200064B (zh) * | 2020-09-30 | 2021-07-30 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN112991175A (zh) * | 2021-03-18 | 2021-06-18 | 中国平安人寿保险股份有限公司 | 一种基于单ptz摄像头的全景图片生成方法及设备 |
CN112991175B (zh) * | 2021-03-18 | 2024-04-02 | 中国平安人寿保险股份有限公司 | 一种基于单ptz摄像头的全景图片生成方法及设备 |
CN113821432A (zh) * | 2021-07-27 | 2021-12-21 | 浙江大学 | 一种用于app无障碍智能检测的功能图标智能导航方法 |
CN116452426A (zh) * | 2023-06-16 | 2023-07-18 | 广汽埃安新能源汽车股份有限公司 | 一种全景图拼接方法及装置 |
CN116452426B (zh) * | 2023-06-16 | 2023-09-05 | 广汽埃安新能源汽车股份有限公司 | 一种全景图拼接方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110223235B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223235A (zh) | 一种基于多种特征点组合匹配的鱼眼监控图像拼接方法 | |
CN104408701B (zh) | 一种大场景视频图像拼接方法 | |
CN103473774B (zh) | 一种基于路面图像特征匹配的车辆定位方法 | |
CN111860375A (zh) | 一种植保无人机地面监控系统及其监控方法 | |
CN105184801B (zh) | 一种基于多层次策略的光学与sar影像高精度配准方法 | |
CN104134200B (zh) | 一种基于改进加权融合的运动场景图像拼接方法 | |
CN105894503A (zh) | 一种对Kinect植株彩色和深度检测图像的修复方法 | |
CN105303615A (zh) | 一种图像二维拼接与三维表面重建的组合方法 | |
CN110111248A (zh) | 一种基于特征点的图像拼接方法、虚拟现实系统、照相机 | |
CN110992263A (zh) | 一种图像拼接方法及系统 | |
Tang et al. | Single image dehazing via lightweight multi-scale networks | |
CN101930603B (zh) | 中高速传感器网络图像数据融合的方法 | |
CN102930296A (zh) | 一种图像识别方法及装置 | |
CN112906583B (zh) | 一种车道线检测方法及装置 | |
CN111192194B (zh) | 一种针对幕墙建筑立面的全景图像拼接方法 | |
CN103984758B (zh) | 根据云像元数量分治的遥感图像时间序列聚类方法 | |
CN112907580B (zh) | 一种应用于弱纹理场景下的综合点线特征的图像特征提取和匹配算法 | |
CN108447022A (zh) | 基于单个固定摄像头图像序列的运动目标拼接方法 | |
CN107437069A (zh) | 基于轮廓的猪只饮水行为识别方法 | |
CN111028151A (zh) | 基于图残差神经网络融合的点云数据拼接方法 | |
CN115131346B (zh) | 基于人工智能的发酵罐加工工序检测方法及系统 | |
CN104318583A (zh) | 一种可见光宽带光谱图像配准方法 | |
CN106296700A (zh) | 一种钢丝绳输送带接头抽动检测方法 | |
CN110555820A (zh) | 基于卷积神经网络和动态引导滤波的图像融合方法 | |
CN112561878A (zh) | 基于加权融合的手指静脉图像质量评价方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211201 Address after: 211100 room 229, floor 2, North building, No. 1 Xichun Road, Yuhuatai District, Nanjing, Jiangsu Province Applicant after: Nanjing Tian Eye Information Technology Co.,Ltd. Applicant after: Zhou Xiaojun Address before: 211100 room 229, floor 2, North building, No. 1 Xichun Road, Yuhuatai District, Nanjing, Jiangsu Province Applicant before: Nanjing Tian Eye Information Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |