CN110334762A - 一种基于四叉树结合orb和sift的特征匹配方法 - Google Patents
一种基于四叉树结合orb和sift的特征匹配方法 Download PDFInfo
- Publication number
- CN110334762A CN110334762A CN201910597557.0A CN201910597557A CN110334762A CN 110334762 A CN110334762 A CN 110334762A CN 201910597557 A CN201910597557 A CN 201910597557A CN 110334762 A CN110334762 A CN 110334762A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- characteristic point
- feature
- matching
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于四叉树结合ORB和SIFT的特征匹配方法,采用自适应阈值的FAST特征点检测算法检测得到分布均匀的特征点,使用SIFT描述符对特征点进行描述,FLANN匹配器进行特征匹配,比例阈值法先对匹配对进行一次筛选,再使用角度旋转一致性对匹配对进行二次筛选,最后再使用RANSAC算法进行精匹配,使匹配的精度和鲁棒性得到了提高。
Description
技术领域
本发明涉及一种基于四叉树结合ORB和SIFT的特征匹配方法,属于计算机视觉领域。
背景技术
随着科技的发展,计算机视觉越来越受到人们的关注,计算机视觉技术模拟人眼对图像进行分析和处理,以达到人类的视觉认知状态。图像匹配作为图像处理领域中的一个分支,是图像融合、图像矫正、图像拼接的关键步骤之一,也是三维重建、视觉SLAM的一个热门的研究点。在图像匹配的算法中,有很多种特征提取和匹配的算法,比如SIFT算法、SURF算法、Harris算法、ORB算法等。SIFT算法是其中性能最鲁棒的一种算法,但是由于其计算量大,并不能够满足一定的需求;ORB算法是一种检测速度非常快的算法,可以满足实时的要求,但是其鲁棒性以及匹配的精度要低于SIFT算法。
由于图像匹配无法做到绝对的正确的匹配,所以在匹配对中存在大量的误匹配,很多研究人员都致力于提高图像的匹配精度,基本都是在特征点提取、特征描述符以及匹配三个方面进行改进优化,从而提高图像匹配精度。特征点的提取有基于灰度信息的点特征提取算法,比如:Harris、SUSAN、FAST等,还有基于曲率的点特征提取算法,比如:SIFT、SURF等;特征描述符有基于梯度直方图的点特征描述符,比如:SURF、SIFT等,还有基于二进制位串的点特征描述符,比如:BRIEF、ORB、BRISK等;图像相似性度量的方法有基于欧几里得距离和基于汉明距离等。
发明内容
鉴于此,本发明的目的在于提出一种基于四叉树结合ORB和SIFT的特征匹配方法,采用自适应阈值的FAST特征点检测算法检测得到分布均匀的特征点,使用SIFT描述符对特征点进行描述,FLANN匹配器进行特征匹配,比例阈值法先对匹配对进行一次筛选,再使用角度旋转一致性对匹配对进行二次筛选,最后再使用RANSAC算法进行精匹配。使匹配的精度和鲁棒性得到提高。
一种基于四叉树结合ORB和SIFT的特征匹配方法,包括以下步骤:
步骤1:读取图像,对图像进行构建图像金字塔;
步骤2:根据图像金字塔每层图片的大小划分网格区域;
步骤3:在网格区域内进行自适应阈值的FAST特征点提取,并使用四叉树划分特征点;
步骤4:使用灰度质心法计算特征点方向;
步骤5:使用SIFT描述子对特征点进行描述;
步骤6:采用FLANN匹配器对两张图像上的特征点进行粗匹配;
步骤7:根据比例阈值筛选特征点粗匹配对;
步骤8:根据角度旋转一致性进行二次筛选特征点粗匹配对;
步骤9:对步骤8剩下的匹配点通过进行RANSAC算法迭代,并输出提纯后的匹配图像。
进一步的,所述步骤1中构建图像金字塔的步骤包括:
1)读取图像金字塔层数,遍历每一层图像;
2)读取当前层图像的缩放系数,对其进行高斯降采样;
3)对当前层图像进行扩充边界操作,对图像的边缘扩充19个像素,以便提取特征点。
进一步的,所述步骤2中根据图像金字塔每层图片的大小划分网格区域的步骤包括:
1)遍历图像金字塔每一层图像;
2)计算当前层图像的坐标有效图像边界,即可以提取特征点的有效图像边界;
3)根据有效图像边界,计算可提取特征点的图像区域的尺寸;
4)根据3)中的尺寸和设定网格的宽高,计算当前层图像中网格区域的行数和列数;
5)计算每个图像网格区域所占像素的行数和列数;
6)遍历图像网格区域,对每个网格区域做所述步骤3操作。
进一步的,所述步骤3中在网格区域内进行自适应阈值的FAST特征点提取,并使用四叉树划分特征点包括以下步骤:
1)逐个读取在网格区域中的像素点p的亮度Ip;
2)根据FAST算法的本质就是检测局部像素灰度变化明显地方的原理,采取局部阈值和图像局部的对比度成比例关系的方法,选取图像上p点为候选特征点,以p点为中心选取边长为L的方形区域,取动态局部阈值T为:
式中,和分别为方形区域中最大的n个灰度值和最小n个灰度值,为方形区域的灰度平均值,比例系数w,选取2~4;
3)以像素点p为中心,选取半径为3的离散化的Bresen-ham圆上的16个像素点;
4)如果圆上有连续12个点的亮度大于Ip+T或小于Ip-T,则认为p点是一个特征点;
5)如果没有检测到特征点,则降低设定的阈值T,重新检测;
6)按照每层图像需要提取的特征点个数确定当前层的四叉树节点,并将当前层提取的特征点划分到这些节点中,保证每一个节点至少有一个特征点;
7)对四叉树节点中的每个特征点计算Harris响应值,保留每个节点中响应值最大的特征点。
进一步的,所述步骤4中使用灰度质心法计算特征点方向,包括如下步骤:
1)对于每一个提取的特征点,定义以该特征点为中心的图像块B的矩为:
其中,mpq为像素块的矩,qp为矩的阶数的系数,x和y为图像块B中像素点的坐标值,I(x,y)为像素点(x,y)处的灰度值;
2)通过以下公式局算该图像块的质心:其中,m00是图像块的0阶矩,m01和m10是图像块的1阶矩;
3)连接图像块的几何中心O与质心C,得到一个方向向量于是特征点的方向可以定义为:
进一步的,所述步骤5使用SIFT描述子对特征点进行描述,包括如下步骤:
1)遍历图像金字塔每一层图像;
2)对当前层图像进行边缘拓展点插值类型的高斯模糊;
3)以特征点为中心,将特征点附近的区域划分为Bp×Bp个子区域,计算图像区域半径其中,m=3,Bp=4,σ为特征点的尺度值;
4)为了保证特征点的旋转不变性,以特征点为中心,在半径为r的邻域内将图像梯度的位置和方向旋转一个方向角θ,即将原图像X轴转到与主方向相同的方向,旋转后区域采样点(x,y)新的坐标点为:
其中x,y∈[-r,r];
5)旋转之后,将邻域内的采样点对应到相应的子区域内,在Bp×Bp个子区域内分别计算8个梯度方向累加值的梯度直方图,其中梯度直方图将0°~360°划分为8个方向区间,每个区间45°,最后形成128维SIFT特征矢量,并对其进行高斯加权计算;
6)为了去除光照变化的影响,对生成的描述子特征向量进行归一化处理,对大于0.2的进行阈值截断处理,再次归一化。
进一步的,所述步骤6中采用FLANN匹配器对两张图像上的特征点进行粗匹配的操作为:计算两张图像上特征点描述向量之间的欧式距离,选取距离最近的点作为匹配点,得到匹配结果。
进一步的,所述步骤7中根据比例阈值筛选特征点粗匹配对的具体步骤为:
1)遍历匹配结果,得到匹配结果中最大距离值Dmax和最小距离值Dmin;
2)根据比例阈值,剔除匹配结果中距离大于0.6×Dmax的匹配点,得到特征点粗匹配对。
进一步的,所述步骤8中根据角度旋转一致性进行二次筛选特征点粗匹配对的具体步骤为:
1)遍历步骤7中所述粗匹配对,统计每个特征点在提取描述子时旋转主方向的角度的直方图;
2)根据图像旋转后,所有特征点的主方向旋转角度变化一致的原理,剔除粗匹配对中旋转主方向角度超过阈值角度的匹配对,得到二次粗匹配对。
进一步的,所述步骤9中RANSAC算法迭代方法为:
1)在步骤8剩下的N个匹配点对中随机抽选4个匹配点对作为样本数据;
2)根据随机抽选的这4个匹配点对计算出变换矩阵H,并将其记为模型M;
3)计算剩余N-4个匹配点对与模型M的投影误差,若误差大于阈值,则标记此点,若误差小于阈值,则将该点加入到内点集In中;
4)如果当前内点集In中内点个数大于最优内点集Inmax,则更新最优内点集Inmax为当前内点集,同时更新迭代次数其中p为置信度,取0.995,w为内点比例,m为计算模型所需的最少样本数4;
5)如果迭代次数大于K,则退出;否则迭代次数加1,重复执行上述步骤;
6)迭代完成后,得到内点数最多的集合即为最终内点集合,与此相对应的H变换矩阵中的参数作为参数估计的最优值。
附图说明
图1是本发明的整体流程图。
图2是本发明的FAST特征点检测原理示意图。
图3是本发明的主方向旋转示意图。
图4是本发明的SIFT描述符采样结构图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明提供了一种基于四叉树结合ORB和SIFT的特征匹配方法,主要流程和示意图参照图1,其包括以下步骤:
步骤1:读取图像,对图像进行构建图像金字塔;
步骤2:根据图像金字塔每层图片的大小划分网格区域;
步骤3:在网格区域内进行自适应阈值的FAST特征点提取,并使用四叉树划分特征点;
步骤4:使用灰度质心法计算特征点方向;
步骤5:使用SIFT描述子对特征点进行描述;
步骤6:采用FLANN匹配器对两张图像上的特征点进行粗匹配;
步骤7:根据比例阈值筛选特征点粗匹配对;
步骤8:根据角度旋转一致性进行二次筛选特征点粗匹配对;
步骤9:对步骤8剩下的匹配点通过进行RANSAC算法迭代,并输出提纯后的匹配图像。
在本发明一实施例中,所述步骤1中构建图像金字塔的步骤包括:
1)读取图像金字塔层数,遍历每一层图像;
2)读取当前层图像的缩放系数,对其进行高斯降采样;
3)对当前层图像进行扩充边界操作,对图像的边缘扩充19个像素,以便提取特征点。
在本发明一实施例中,所述步骤2中根据图像金字塔每层图片的大小划分网格区域的步骤包括:
1)遍历图像金字塔每一层图像;
2)计算当前层图像的坐标有效图像边界,即可以提取特征点的有效图像边界;
3)根据有效图像边界,计算可提取特征点的图像区域的尺寸;
4)根据3)中的尺寸和设定网格的宽高,计算当前层图像中网格区域的行数和列数;
5)计算每个图像网格区域所占像素的行数和列数;
6)遍历图像网格区域,对每个网格区域做所述步骤3操作。
参照图2,在本发明一实施例中,所述步骤3中在网格区域内进行自适应阈值的FAST特征点提取,并使用四叉树划分特征点包括以下步骤:
1)逐个读取在网格区域中的像素点p的亮度Ip;
2)根据FAST算法的本质就是检测局部像素灰度变化明显地方的原理,采取局部阈值和图像局部的对比度成比例关系的方法,选取图像上p点为候选特征点,以p点为中心选取边长为L的方形区域,取动态局部阈值T为:
式中,和分别为方形区域中最大的n个灰度值和最小n个灰度值,为方形区域的灰度平均值,比例系数w,选取2~4;
3)以像素点p为中心,选取半径为3的离散化的Bresen-ham圆上的16个像素点;
4)如果圆上有连续12个点的亮度大于Ip+T或小于Ip-T,则认为p点是一个特征点;
5)如果没有检测到特征点,则降低设定的阈值T,重新检测;
6)按照每层图像需要提取的特征点个数确定当前层的四叉树节点,并将当前层提取的特征点划分到这些节点中,保证每一个节点至少有一个特征点;
7)对四叉树节点中的每个特征点计算Harris响应值,保留每个节点中响应值最大的特征点。
在本发明一实施例中,所述步骤4中使用灰度质心法计算特征点方向,包括如下步骤:
1)对于每一个提取的特征点,定义以该特征点为中心的图像块B的矩为:
其中,mpq为图像块的矩,qp为矩的阶数的系数,x和y为图像块B中像素点的坐标值,I(x,y)为像素点(x,y)处的灰度值;
2)通过以下公式局算该图像块的质心:其中,m00是图像块的0阶矩,m01和m10是图像块的1阶矩;
3)连接图像块的几何中心O与质心C,得到一个方向向量于是特征点的方向可以定义为:
参照图3和图4在本发明一实施例中,所述步骤5使用SIFT描述子对特征点进行描述,包括如下步骤:
1)遍历图像金字塔每一层图像;
2)对当前层图像进行边缘拓展点插值类型的高斯模糊;
3)以特征点为中心,将特征点附近的区域划分为Bp×Bp个子区域,计算图像区域半径其中,m=3,Bp=4,σ为特征点的尺度值;
4)为了保证特征点的旋转不变性,以特征点为中心,在半径为r的邻域内将图像梯度的位置和方向旋转一个方向角θ,即将原图像X轴转到与主方向相同的方向,旋转后区域采样点(x,y)新的坐标点为:
其中x,y∈[-r,r];
5)旋转之后,将邻域内的采样点对应到相应的子区域内,在Bp×Bp个子区域内分别计算8个梯度方向累加值的梯度直方图,其中梯度直方图将0°~360°划分为8个方向区间,每个区间45°,最后形成128维SIFT特征矢量,并对其进行高斯加权计算;
6)为了去除光照变化的影响,对生成的描述子特征向量进行归一化处理,对大于0.2的进行阈值截断处理,再次归一化。
在本发明一实施例中,所述步骤6中采用FLANN匹配器对两张图像上的特征点进行粗匹配的操作为:计算两张图像上特征点描述向量之间的欧式距离,选取距离最近的点作为匹配点,得到匹配结果。
在本发明一实施例中,所述步骤7中根据比例阈值筛选特征点粗匹配对的具体步骤为:
1)遍历匹配结果,得到匹配结果中最大距离值Dmax和最小距离值Dmin;
2)根据比例阈值,剔除匹配结果中距离大于0.6×Dmax的匹配点,得到特征点粗匹配对。
在本发明一实施例中,所述步骤8中根据角度旋转一致性进行二次筛选特征点粗匹配对的具体步骤为:
1)遍历步骤7中所述粗匹配对,统计每个特征点在提取描述子时旋转主方向的角度的直方图;
2)根据图像旋转后,所有特征点的主方向旋转角度变化一致的原理,剔除粗匹配对中旋转主方向角度超过阈值角度的匹配对,得到二次粗匹配对。
在本发明一实施例中,所述步骤9中RANSAC算法迭代方法为:
1)在步骤8剩下的N个匹配点对中随机抽选4个匹配点对作为样本数据;
2)根据随机抽选的这4个匹配点对计算出变换矩阵H,并将其记为模型M;
3)计算剩余N-4个匹配点对与模型M的投影误差,若误差大于阈值,则标记此点,若误差小于阈值,则将该点加入到内点集In中;
4)如果当前内点集In中内点个数大于最优内点集Inmax,则更新最优内点集Inmax为当前内点集,同时更新迭代次数其中p为置信度,取0.995,w为内点比例,m为计算模型所需的最少样本数4;
5)如果迭代次数大于K,则退出;否则迭代次数加1,重复执行上述步骤;
6)迭代完成后,得到内点数最多的集合即为最终内点集合,与此相对应的H变换矩阵中的参数作为参数估计的最优值。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (10)
1.一种基于四叉树结合ORB和SIFT的特征匹配方法,其特征在于:包括以下步骤:
步骤1:读取图像,对图像进行构建图像金字塔;
步骤2:根据图像金字塔每层图片的大小划分网格区域;
步骤3:在网格区域内进行自适应阈值的FAST特征点提取,并使用四叉树划分特征点;
步骤4:使用灰度质心法计算特征点方向;
步骤5:使用SIFT描述子对特征点进行描述;
步骤6:采用FLANN匹配器对两张图像上的特征点进行粗匹配;
步骤7:根据比例阈值筛选特征点粗匹配对;
步骤8:根据角度旋转一致性进行二次筛选特征点粗匹配对;
步骤9:对步骤8剩下的匹配点进行RANSAC算法迭代,并输出提纯后的匹配图像。
2.根据权利要求1所述一种基于四叉树结合ORB和SIFT的特征匹配方法,其特征在于:所述步骤1中构建图像金字塔的步骤包括:
1)读取图像金字塔层数,遍历每一层图像;
2)读取当前层图像的缩放系数,对其进行高斯降采样;
3)对当前层图像进行扩充边界操作,对图像的边缘扩充19个像素,以便提取特征点。
3.根据权利要求1所述一种基于四叉树结合ORB和SIFT的特征匹配方法,其特征在于:所述步骤2中根据图像金字塔每层图片的大小划分网格区域的步骤包括:
1)遍历图像金字塔每一层图像;
2)计算当前层图像的坐标有效图像边界,即可以提取特征点的有效图像边界;
3)根据有效图像边界,计算可提取特征点的图像区域的尺寸;
4)根据3)中的尺寸和设定网格的宽高,计算当前层图像中网格区域的行数和列数;
5)计算每个图像网格区域所占像素的行数和列数;
6)遍历图像网格区域,对每个网格区域做所述步骤3操作。
4.根据权利要求1所述一种基于四叉树结合ORB和SIFT的特征匹配方法,其特征在于:所述步骤3中在网格区域内进行自适应阈值的FAST特征点提取,并使用四叉树划分特征点包括以下步骤:
1)逐个读取在网格区域中的像素点p的亮度Ip;
2)根据FAST算法的本质就是检测局部像素灰度变化明显地方的原理,采取局部阈值和图像局部的对比度成比例关系的方法,选取图像上p点为候选特征点,以p点为中心选取边长为L的方形区域,取动态局部阈值T为:
式中,和分别为方形区域中最大的n个灰度值和最小n个灰度值,为方形区域的灰度平均值,比例系数w,选取2~4;
3)以像素点p为中心,选取半径为3的离散化的Bresen-ham圆上的16个像素点;
4)如果圆上有连续12个点的亮度大于Ip+T或小于Ip-T,则认为p点是一个特征点;
5)如果没有检测到特征点,则降低设定的阈值T,重新检测;
6)按照每层图像需要提取的特征点个数确定当前层的四叉树节点,并将当前层提取的特征点划分到这些节点中,保证每一个节点至少有一个特征点;
7)对四叉树节点中的每个特征点计算Harris响应值,保留每个节点中响应值最大的特征点。
5.根据权利要求1所述一种基于四叉树结合ORB和SIFT的特征匹配方法,其特征在于:所述步骤4中使用灰度质心法计算特征点方向,包括如下步骤:
1)对于每一个提取的特征点,定义以该特征点为中心的图像块B的矩为:
其中,mpq为图像块的矩,qp为矩的阶数的系数,x和y为图像块B中像素点的坐标值,I(x,y)为像素点(x,y)处的灰度值;
2)通过以下公式局算该图像块的质心:其中,m00是图像块的0阶矩,m01和m10是图像块的1阶矩;
3)连接图像块的几何中心O与质心C,得到一个方向向量于是特征点的方向可以定义为:
6.根据权利要求1所述一种基于四叉树结合ORB和SIFT的特征匹配方法,其特征在于:所述步骤5使用SIFT描述子对特征点进行描述,包括如下步骤:
1)遍历图像金字塔每一层图像;
2)对当前层图像进行边缘拓展点插值类型的高斯模糊;
3)以特征点为中心,将特征点附近的区域划分为Bp×Bp个子区域,计算图像区域半径其中,m=3,Bp=4,σ为特征点的尺度值;
4)为了保证特征点的旋转不变性,以特征点为中心,在半径为r的邻域内将图像梯度的位置和方向旋转一个方向角θ,即将原图像X轴转到与主方向相同的方向,旋转后区域采样点(x,y)新的坐标点为:
其中x,y∈[-r,r];
5)旋转之后,将邻域内的采样点对应到相应的子区域内,在Bp×Bp个子区域内分别计算8个梯度方向累加值的梯度直方图,其中梯度直方图将0°~360°划分为8个方向区间,每个区间45°,最后形成128维SIFT特征矢量,并对其进行高斯加权计算;
6)为了去除光照变化的影响,对生成的描述子特征向量进行归一化处理,对大于0.2的进行阈值截断处理,再次归一化。
7.根据权利要求1所述的一种基于四叉树结合ORB和SIFT的特征匹配方法,其特征在于:所述步骤6中采用FLANN匹配器对两张图像上的特征点进行粗匹配的操作为:计算两张图像上特征点描述向量之间的欧式距离,选取距离最近的点作为匹配点,得到匹配结果。
8.根据权利要求1所述的一种基于四叉树结合ORB和SIFT的特征匹配方法,其特征在于:所述步骤7中根据比例阈值筛选特征点粗匹配对的具体步骤为:
1)遍历匹配结果,得到匹配结果中最大距离值Dmax和最小距离值Dmin;
2)根据比例阈值,剔除匹配结果中距离大于0.6×Dmax的匹配点,得到特征点粗匹配对。
9.根据权利要求1所述的一种基于四叉树结合ORB和SIFT的特征匹配方法,其特征在于:所述步骤8中根据角度旋转一致性进行二次筛选特征点粗匹配对的具体步骤为:
1)遍历步骤7中所述粗匹配对,统计每个特征点在提取描述子时旋转主方向的角度的直方图;
2)根据图像旋转后,所有特征点的主方向旋转角度变化一致的原理,剔除粗匹配对中旋转主方向角度超过阈值角度的匹配对,得到二次粗匹配对。
10.根据权利要求1所述的一种基于四叉树结合ORB和SIFT的特征匹配方法,其特征在于:所述步骤9中RANSAC算法迭代方法为:
1)在步骤8剩下的N个匹配点对中随机抽选4个匹配点对作为样本数据;
2)根据随机抽选的这4个匹配点对计算出变换矩阵H,并将其记为模型M;
3)计算剩余N-4个匹配点对与模型M的投影误差,若误差大于阈值,则标记此点,若误差小于阈值,则将该点加入到内点集In中;
4)如果当前内点集In中内点个数大于最优内点集Inmax,则更新最优内点集Inmax为当前内点集,同时更新迭代次数其中p为置信度,取0.995,w为内点比例,m为计算模型所需的最少样本数4;
5)如果迭代次数大于K,则退出;否则迭代次数加1,重复执行上述步骤;
6)迭代完成后,得到内点数最多的集合即为最终内点集合,与此相对应的H变换矩阵中的参数作为参数估计的最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597557.0A CN110334762B (zh) | 2019-07-04 | 2019-07-04 | 一种基于四叉树结合orb和sift的特征匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597557.0A CN110334762B (zh) | 2019-07-04 | 2019-07-04 | 一种基于四叉树结合orb和sift的特征匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110334762A true CN110334762A (zh) | 2019-10-15 |
CN110334762B CN110334762B (zh) | 2020-04-03 |
Family
ID=68143144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910597557.0A Active CN110334762B (zh) | 2019-07-04 | 2019-07-04 | 一种基于四叉树结合orb和sift的特征匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334762B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310818A (zh) * | 2020-02-10 | 2020-06-19 | 贝壳技术有限公司 | 特征描述子确定方法、装置及计算机可读存储介质 |
CN112017197A (zh) * | 2020-09-07 | 2020-12-01 | 山东交通学院 | 一种图像特征提取方法及系统 |
CN113450780A (zh) * | 2021-06-16 | 2021-09-28 | 武汉大学 | 一种听觉感知响度空间Lombard效应分类方法 |
CN113688816A (zh) * | 2021-07-21 | 2021-11-23 | 上海工程技术大学 | 一种改进orb特征点提取的视觉里程计的计算方法 |
CN114199205A (zh) * | 2021-11-16 | 2022-03-18 | 河北大学 | 基于改进四叉树orb算法的双目测距方法 |
CN114372510A (zh) * | 2021-12-15 | 2022-04-19 | 北京工业大学 | 一种基于图像区域分割的帧间匹配slam方法 |
CN114926668A (zh) * | 2022-05-16 | 2022-08-19 | 上海贝特威自动化科技有限公司 | 一种基于sift的变形目标定位算法 |
CN116389793A (zh) * | 2023-02-21 | 2023-07-04 | 三亚学院 | 一种视频帧率提升的实现方法和装置 |
CN116524026A (zh) * | 2023-05-08 | 2023-08-01 | 哈尔滨理工大学 | 一种基于频域和语义的动态视觉slam方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966081A (zh) * | 2015-06-04 | 2015-10-07 | 广州美读信息技术有限公司 | 书脊图像识别方法 |
US20160068114A1 (en) * | 2014-09-03 | 2016-03-10 | Sharp Laboratories Of America, Inc. | Methods and Systems for Mobile-Agent Navigation |
CN108010045A (zh) * | 2017-12-08 | 2018-05-08 | 福州大学 | 基于orb的视觉图像特征点误匹配提纯方法 |
CN108520533A (zh) * | 2018-03-28 | 2018-09-11 | 武汉大学 | 一种面向工件定位的多维度特征配准方法 |
CN108921939A (zh) * | 2018-07-04 | 2018-11-30 | 王斌 | 一种基于图片的三维场景重建方法 |
-
2019
- 2019-07-04 CN CN201910597557.0A patent/CN110334762B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160068114A1 (en) * | 2014-09-03 | 2016-03-10 | Sharp Laboratories Of America, Inc. | Methods and Systems for Mobile-Agent Navigation |
CN104966081A (zh) * | 2015-06-04 | 2015-10-07 | 广州美读信息技术有限公司 | 书脊图像识别方法 |
CN108010045A (zh) * | 2017-12-08 | 2018-05-08 | 福州大学 | 基于orb的视觉图像特征点误匹配提纯方法 |
CN108520533A (zh) * | 2018-03-28 | 2018-09-11 | 武汉大学 | 一种面向工件定位的多维度特征配准方法 |
CN108921939A (zh) * | 2018-07-04 | 2018-11-30 | 王斌 | 一种基于图片的三维场景重建方法 |
Non-Patent Citations (5)
Title |
---|
丁尤蓉等: "基于自适应阈值的FAST特征点提取算法", 《指挥控制与仿真》 * |
刘宏伟等: "ORB特征四叉树均匀分布算法", 《自动化仪表》 * |
单宝明等: "一种结合ORB算法的SIFT图像配准算法", 《工业仪表与自动化装置》 * |
常旭剑: "基于FAST检测及SIFT描述的特征检测算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
廖飞等: "基于SIFT特征匹配的图像拼接算法", 《湖南工业大学学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310818B (zh) * | 2020-02-10 | 2021-05-18 | 贝壳找房(北京)科技有限公司 | 特征描述子确定方法、装置及计算机可读存储介质 |
CN111310818A (zh) * | 2020-02-10 | 2020-06-19 | 贝壳技术有限公司 | 特征描述子确定方法、装置及计算机可读存储介质 |
CN112017197A (zh) * | 2020-09-07 | 2020-12-01 | 山东交通学院 | 一种图像特征提取方法及系统 |
CN113450780B (zh) * | 2021-06-16 | 2023-02-24 | 武汉大学 | 一种听觉感知响度空间Lombard效应分类方法 |
CN113450780A (zh) * | 2021-06-16 | 2021-09-28 | 武汉大学 | 一种听觉感知响度空间Lombard效应分类方法 |
CN113688816A (zh) * | 2021-07-21 | 2021-11-23 | 上海工程技术大学 | 一种改进orb特征点提取的视觉里程计的计算方法 |
CN113688816B (zh) * | 2021-07-21 | 2023-06-23 | 上海工程技术大学 | 一种改进orb特征点提取的视觉里程计的计算方法 |
CN114199205A (zh) * | 2021-11-16 | 2022-03-18 | 河北大学 | 基于改进四叉树orb算法的双目测距方法 |
CN114199205B (zh) * | 2021-11-16 | 2023-09-05 | 河北大学 | 基于改进四叉树orb算法的双目测距方法 |
CN114372510A (zh) * | 2021-12-15 | 2022-04-19 | 北京工业大学 | 一种基于图像区域分割的帧间匹配slam方法 |
CN114926668A (zh) * | 2022-05-16 | 2022-08-19 | 上海贝特威自动化科技有限公司 | 一种基于sift的变形目标定位算法 |
CN114926668B (zh) * | 2022-05-16 | 2023-12-08 | 上海贝特威自动化科技有限公司 | 一种基于sift的变形目标定位算法 |
CN116389793A (zh) * | 2023-02-21 | 2023-07-04 | 三亚学院 | 一种视频帧率提升的实现方法和装置 |
CN116389793B (zh) * | 2023-02-21 | 2024-01-26 | 三亚学院 | 一种视频帧率提升的实现方法和装置 |
CN116524026A (zh) * | 2023-05-08 | 2023-08-01 | 哈尔滨理工大学 | 一种基于频域和语义的动态视觉slam方法 |
CN116524026B (zh) * | 2023-05-08 | 2023-10-27 | 哈尔滨理工大学 | 一种基于频域和语义的动态视觉slam方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110334762B (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334762A (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN109409263B (zh) | 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法 | |
CN111795704B (zh) | 一种视觉点云地图的构建方法、装置 | |
CN108549891B (zh) | 基于背景与目标先验的多尺度扩散显著目标检测方法 | |
CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
CN108427924B (zh) | 一种基于旋转敏感特征的文本回归检测方法 | |
CN106447704B (zh) | 基于显著区域特征和边缘度的可见光-红外图像配准方法 | |
Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
Osher et al. | Fast edge integration | |
Wang et al. | Land cover change detection at subpixel resolution with a Hopfield neural network | |
CN106250895B (zh) | 一种光学遥感图像感兴趣区域检测方法 | |
CN104809731B (zh) | 一种基于梯度二值化的旋转尺度不变场景匹配方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN109522908A (zh) | 基于区域标签融合的图像显著性检测方法 | |
CN108399625B (zh) | 一种基于深度卷积生成对抗网络的sar图像定向生成方法 | |
CN104574347A (zh) | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 | |
CN109255781B (zh) | 一种面向对象的多光谱高分辨率遥感影像变化检测方法 | |
CN109118528A (zh) | 基于区域分块的奇异值分解图像匹配算法 | |
CN104123554B (zh) | 基于mmtd的sift图像特征提取方法 | |
CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN108932455B (zh) | 遥感图像场景识别方法及装置 | |
CN111242864A (zh) | 一种基于Gabor纹理约束的手指静脉图像修复方法 | |
CN104217459A (zh) | 一种球面特征提取方法 | |
CN114022459A (zh) | 基于多时相卫星影像的超像素变化检测方法及系统 | |
CN111199245A (zh) | 油菜害虫识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |