CN110414533A - 一种改进orb的特征提取与匹配方法 - Google Patents

一种改进orb的特征提取与匹配方法 Download PDF

Info

Publication number
CN110414533A
CN110414533A CN201910548155.1A CN201910548155A CN110414533A CN 110414533 A CN110414533 A CN 110414533A CN 201910548155 A CN201910548155 A CN 201910548155A CN 110414533 A CN110414533 A CN 110414533A
Authority
CN
China
Prior art keywords
point
calculated
characteristic point
matching
pixel
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
CN201910548155.1A
Other languages
English (en)
Other versions
CN110414533B (zh
Inventor
程向红
李俊杰
王子卉
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201910548155.1A priority Critical patent/CN110414533B/zh
Publication of CN110414533A publication Critical patent/CN110414533A/zh
Application granted granted Critical
Publication of CN110414533B publication Critical patent/CN110414533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/46—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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种改进ORB的特征提取与匹配方法，包括如下步骤：(1)读取待匹配的两幅图片，并对每一幅图片构建图像金字塔；(2)根据图片像素情况，计算自适应FAST阈值；(3)进行FAST关键点的提取，同时运用四叉树算法使其分布均匀化；(4)提取完关键点后，计算关键点的BRIEF描述子；(5)对图像金字塔的每一层图片进行(2)‑(4)的操作；(6)待两幅图像特征提取结束后，采用暴力匹配进行特征匹配，保留最小距离点对；(7)计算暴力匹配得到匹配点对的Jaccard相似度，过滤相似度过低的匹配点对；(8)最后通过随机抽样一致性方法去除筛选后的匹配点中的误匹配。本发明能够自适应调整FAST阈值、使特征点分布均匀，降低误匹配。

Description

一种改进ORB的特征提取与匹配方法
技术领域
本发明涉及图像处理技术、视觉导航技术领域，尤其是一种改进ORB的特征提取与匹配方法。
背景技术
目前，计算机视觉不断发展，视觉被广泛应用于各个领域，工业、医学、交通、军事等等。特征提取与匹配技术是计算机视觉领域的一大研究热点，尤其在视觉导航领域，高精度的图像特征提取与匹配是决定视觉导航前端性能的关键。
特征提取与匹配主要是指通过提取图像的特征，并根据特征对两幅图像进行匹配，得到两幅图像之间的关系。科研工作者在长年的研究中设计了很多稳定的特征提取方法，比较主流经典的方法有尺度不变特征变换(Scale-Invariant Feature Transform，SIFT)，SIFT算法效果显著，但是难以满足实时性的要求，在此基础上进行改进的加速鲁棒性特征(Speed-Up Robust Feature，SURF)，虽然大大提升了计算性和鲁棒性，但是依然存在实时性差的问题。而ORB(Oriented FAST and Rotated BRIEF)特征算法采用FAST关键点和BRIEF描述子相结合，大大降低了计算量，是质量和性能之间很好的折中方法。
近年来，ORB算法以其良好的性能被广泛应用于各类研究中，但一方面提取关键点数量和质量依赖于FAST阈值的设定，固定的FAST阈值设置难以满足不同图像所需要的特征点的数目和质量，另一方面，特征点的分布对于后续的匹配存在较大的影响，应当尽量使得特征点分布均匀，同时，目前传统的特征点匹配方法依然存在较大的误匹配情况。因此，研究一种改进ORB的特征提取匹配方法很有必要。
发明内容
本发明所要解决的技术问题在于，提供一种改进ORB的特征提取与匹配方法，能够自适应调整FAST阈值、使特征点分布均匀，降低误匹配。
为解决上述技术问题，本发明提供一种改进ORB的特征提取与匹配方法，包括如下步骤：
(1)读取待匹配的两幅图片，并对每一幅图片构建图像金字塔；
(2)根据图片像素情况，计算自适应FAST阈值；
(3)进行FAST关键点的提取，同时运用四叉树算法使其分布均匀化；
(4)提取完关键点后，计算关键点的BRIEF描述子；
(5)对图像金字塔的每一层图片进行(2)-(4)的操作；
(6)待两幅图像特征提取结束后，采用暴力匹配进行特征匹配，保留最小距离点对；
(7)计算暴力匹配得到匹配点对的Jaccard相似度，过滤相似度过低的匹配点对；
(8)最后通过随机抽样一致性方法去除筛选后的匹配点中的误匹配。
优选的，步骤(2)中，根据图像自身像素情况确定自适应FAST阈值，具体的自适应阈值公式计算如下：
式中，T为计算得到的自适应阈值，a为调整因子，其数值根据经验设定，I(xi)为对应像素点的灰度值，为像素灰度平均值，n为像素个数。
优选的，步骤(3)中，FAST关键点提取方法如下，对于选定的像素点p，假设其像素灰度值为Ip，根据步骤(2)中提取的自适应阈值T，选取以p为中心，半径为3的圆上的16个像素点，假如选取的圆上有连续N个点的灰度值大于Ip+T或者小于Ip-T，那么像素p可以被认为是关键点，这里N取12；提取的FAST关键点不具备方向性，通过使用灰度质心法来增加方向，在一个图像块中，定义图像块的矩为：
其中，I(x,y)为图像灰度表达式，此矩的质心为：
将图像块的几何中心O与质心C连接以获得方向向量于是特征点的方向即为此向量的角度，计算公式如下：
θ＝arctan(m01/m10)
运用四叉树算法使得特征点分布均匀，对于已经提取好特征点的图像，构建四叉树，对于每一个子节点，当节点内特征点数目等于1时，不再往下划分，若节点数目大于1，则继续向下划分四叉树，直到所有节点只含有一个特征点，或者此时划分的节点数已经满足特征点数目要求，对于这种情况，将节点中响应值最大的特征点保留，舍弃多余的特征点，这样使得特征点分布均匀。
优选的，步骤(4)中，BRIEF描述子是对已经检测到的特征点进行描述，描述向量由0和1组成；在一个特征点的邻域内，选择n对像素点，使用0和1编码一对像素p和q的大小关系；如果p比q大，取1，反之取0；按照高斯概率分布，随机均匀的选取p和q的位置，描述子计算完毕后，根据步骤(3)中计算的特征点方向，计算添加方向的描述子，原始的BRIEF描述子选取的n对像素点集为：
步骤(2)中计算的对应角度为θ，则对应的新点对为：
Dθ＝RθD
其中Dθ为添加完方向后的描述子点集，Rθ为旋转矩阵。
优选的，步骤(6)中，暴力匹配就是对每一个特征点，与待匹配的图像的每一个特征点计算测量描述子的距离，对于BRIEF这种二进制描述子，也就是计算汉明距离，即比较向量每一位是否相同，不同则距离加1。
优选的，步骤(7)中，在完成暴力匹配后，计算得到的匹配点对的Jaccard相似度；对于给定的两个集合A、B，Jaccard相似度定义为A与B交集大小与并集大小的比值：
对于二维描述子BRIEF，根据二维向量的特性，重新定义Jaccard相似度为：
其中M11表示A和B对应位都是1的数量，M10表示A中为1，B中对应位为0的数量，M01表示A中为0，B中对应位为1的总数量；根据经验设置阈值R，舍弃相似度小于R的特征点对，完成第一次筛选。
本发明的有益效果为：能够根据图像特点，自适应调整参数，提取质量更高的特征点；能够将特征点均匀分布在图像区域，更有利于后续的匹配过程；同时，针对传统的直接采用随机抽样一致性方法进行误匹配筛选，因为样本点过多而导致随机抽样一致性方法出现错误的情况，采用Jaccard相似度进行第一次筛选，降低样本数量后，再进行随机抽样一致性方法算法，能够提高匹配的正确率。
附图说明
图1为本发明的方法流程示意图。
图2为本发明FAST关键点的提取示意图。
图3为本发明的四叉树示意图。
图4(a)为本发明提取特征点后的图像示意图。
图4(b)为本发明提取特征点后的图像示意图。
图5为本发明最终匹配的图像示意图。
具体实施方式
如图1所示，一种改进ORB的特征提取与匹配方法，包括如下步骤：
(1)读取待匹配的两幅图片，并对每一幅图片构建图像金字塔；
(2)根据图片像素情况，计算自适应FAST阈值；
(3)进行FAST关键点的提取，同时运用四叉树算法使其分布均匀化；
(4)提取完关键点后，计算关键点的BRIEF描述子；
(5)对图像金字塔的每一层图片进行(2)-(4)的操作；
(6)待两幅图像特征提取结束后，采用暴力匹配进行特征匹配，保留最小距离点对；
(7)计算暴力匹配得到匹配点对的Jaccard相似度，过滤相似度过低的匹配点对；
(8)最后通过随机抽样一致性方法去除筛选后的匹配点中的误匹配。
步骤(1)中，采用双线性插值构建图像金字塔，建立8层按比例缩放的图像，实现尺度不变性。
步骤(2)中，根据图像自身像素情况确定自适应FAST阈值，具体的自适应阈值公式计算如下：
式中，T为计算得到的自适应阈值，a为调整因子，其数值根据经验设定为0.01，I(xi)为对应像素点的灰度值，为像素灰度平均值，n为像素个数。
步骤(3)中，FAST关键点提取如下，如图2所示，对于选定的像素点p，假设其像素灰度值为Ip，根据步骤(2)中提取的自适应阈值T，选取以p为中心，半径为3的圆上的16个像素点，假如选取的圆上有连续N个点的灰度值大于Ip+T或者小于Ip-T，那么像素p可以被认为是关键点，这里N取12。
步骤(3)中，提取的FAST关键点不具备旋转方向性，通过使用灰度质心法来增加方向，在一个图像块中，定义图像块的矩为：
其中，I(x,y)为图像灰度表达式，此矩的质心为：
将图像块的几何中心O与质心C连接以获得方向向量于是特征点的方向即为此向量的角度，计算公式如下：
θ＝arctan(m01/m10)
步骤(3)中，运用四叉树算法使得特征点分布均匀，如图3所示，对于已经提取好特征点的图像，构建四叉树，对于每一个子节点，当节点内特征点数目等于1时，不再往下划分，若节点数目大于1，则继续向下划分四叉树，直到所有节点只含有一个特征点，或者此时划分的节点数已经满足特征点数目要求，对于这种情况，将节点中响应值最大的特征点保留，舍弃多余的特征点，这样使得特征点分布均匀。
步骤(4)中，BRIEF描述子是对已经检测到的特征点进行描述，描述向量由0和1组成。在一个特征点的邻域内，选择256对像素点，使用0和1编码一对像素p和q的大小关系；如果p比q大，取1，反之取0。按照高斯概率分布，随机均匀的选取p和q的位置。
步骤(4)中，描述子计算完毕后，根据步骤(3)中计算的特征点方向，计算添加方向的描述子，原始的BRIEF描述子选取的n对像素点集为：
步骤(2)中计算的对应角度为θ，则对应的新点对为：
Dθ＝RθD
其中Dθ为添加完方向后的描述子点集，Rθ为旋转矩阵。
步骤(6)中，暴力匹配就是对每一个特征点，与待匹配的图像的每一个特征点计算测量描述子的距离，对于BRIEF这种二进制描述子，也就是计算汉明距离，即比较向量每一位是否相同，不同则距离加1。
步骤(7)中，在完成暴力匹配后，计算得到的匹配点对的Jaccard相似度。对于给定的两个集合A、B，Jaccard相似度定位为A与B交集大小与并集大小的比值：
对于二维描述子BRIEF，根据二维向量的特性，重新定义Jaccard相似度为：
其中M11表示A和B对应位都是1的数量，M10表示A中为1，B中对应位为0的数量，M01表示A中为0，B中对应位为1的总数量。根据经验设置阈值R，舍弃相似度小于R的特征点对，完成第一次筛选，这里根据经验设置R为0.7。
步骤(8)中，对第一次筛选完成的特征点对，使用随机抽样一致性方法(randomsample consensusure，ransac)进行二次筛选，最终完成匹配过程。
本发明的可行性通过如下实验加以验证：
(1)实验在ubuntu操作环境下，使用C++编译，计算机配置为：Intel(R)Core(TM)i5-8250U CPU@1.6GHz 1.80GHz RAM 8.00GB；
(2)设置自适应调整因子a的值为0.01，Jaccard相似度阈值为0.7；
(3)采用的图像样本为特征匹配经典样例图像。
具体实验提取后的特征点分布如图4(a)和图4(b)所示，可以看到，经过四叉树算法后，图像特征点分布均匀，图5为最终匹配得到的结果示意图，和原本的ORB算法相比，性能有了很大提升。

Claims (6)

1.一种改进ORB的特征提取与匹配方法，其特征在于，包括如下步骤：
(1)读取待匹配的两幅图片，并对每一幅图片构建图像金字塔；
(2)根据图片像素情况，计算自适应FAST阈值；
(3)进行FAST关键点的提取，同时运用四叉树算法使其分布均匀化；
(4)提取完关键点后，计算关键点的BRIEF描述子；
(5)对图像金字塔的每一层图片进行(2)-(4)的操作；
(6)待两幅图像特征提取结束后，采用暴力匹配进行特征匹配，保留最小距离点对；
(7)计算暴力匹配得到匹配点对的Jaccard相似度，过滤相似度过低的匹配点对；
(8)最后通过随机抽样一致性方法去除筛选后的匹配点中的误匹配。
2.如权利要求1所述的改进ORB的特征提取与匹配方法，其特征在于，步骤(2)中，根据图像自身像素情况确定自适应FAST阈值，具体的自适应阈值公式计算如下：
式中，T为计算得到的自适应阈值，a为调整因子，其数值根据经验设定，I(xi)为对应像素点的灰度值，为像素灰度平均值，n为像素个数。
3.如权利要求1所述的改进ORB的特征提取与匹配方法，其特征在于，步骤(3)中，FAST关键点提取方法如下，对于选定的像素点p，假设其像素灰度值为Ip，根据步骤(2)中提取的自适应阈值T，选取以p为中心，半径为3的圆上的16个像素点，假如选取的圆上有连续N个点的灰度值大于Ip+T或者小于Ip-T，那么像素p可以被认为是关键点，这里N取12；提取的FAST关键点不具备方向性，通过使用灰度质心法来增加方向，在一个图像块中，定义图像块的矩为：
其中，I(x,y)为图像灰度表达式，此矩的质心为：
将图像块的几何中心O与质心C连接以获得方向向量于是特征点的方向即为此向量的角度，计算公式如下：
θ＝arctan(m01/m10)
运用四叉树算法使得特征点分布均匀，对于已经提取好特征点的图像，构建四叉树，对于每一个子节点，当节点内特征点数目等于1时，不再往下划分，若节点数目大于1，则继续向下划分四叉树，直到所有节点只含有一个特征点，或者此时划分的节点数已经满足特征点数目要求，对于这种情况，将节点中响应值最大的特征点保留，舍弃多余的特征点，这样使得特征点分布均匀。
4.如权利要求1所述的改进ORB的特征提取与匹配方法，其特征在于，步骤(4)中，BRIEF描述子是对已经检测到的特征点进行描述，描述向量由0和1组成；在一个特征点的邻域内，选择n对像素点，使用0和1编码一对像素p和q的大小关系；如果p比q大，取1，反之取0；按照高斯概率分布，随机均匀的选取p和q的位置，描述子计算完毕后，根据步骤(3)中计算的特征点方向，计算添加方向的描述子，原始的BRIEF描述子选取的n对像素点集为：
步骤(2)中计算的对应角度为θ，则对应的新点对为：
Dθ＝RθD
其中Dθ为添加完方向后的描述子点集，Rθ为旋转矩阵。
5.如权利要求1所述的改进ORB的特征提取与匹配方法，其特征在于，步骤(6)中，暴力匹配就是对每一个特征点，与待匹配的图像的每一个特征点计算测量描述子的距离，对于BRIEF这种二进制描述子，也就是计算汉明距离，即比较向量每一位是否相同，不同则距离加1。
6.如权利要求1所述的改进ORB的特征提取与匹配方法，其特征在于，步骤(7)中，在完成暴力匹配后，计算得到的匹配点对的Jaccard相似度；对于给定的两个集合A、B，Jaccard相似度定义为A与B交集大小与并集大小的比值：
对于二维描述子BRIEF，根据二维向量的特性，重新定义Jaccard相似度为：
其中M11表示A和B对应位都是1的数量，M10表示A中为1，B中对应位为0的数量，M01表示A中为0，B中对应位为1的总数量；根据经验设置阈值R，舍弃相似度小于R的特征点对，完成第一次筛选。
CN201910548155.1A 2019-06-24 2019-06-24 一种改进orb的特征提取与匹配方法 Active CN110414533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910548155.1A CN110414533B (zh) 2019-06-24 2019-06-24 一种改进orb的特征提取与匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910548155.1A CN110414533B (zh) 2019-06-24 2019-06-24 一种改进orb的特征提取与匹配方法

Publications (2)

Publication Number Publication Date
CN110414533A true CN110414533A (zh) 2019-11-05
CN110414533B CN110414533B (zh) 2023-09-05

Family

ID=68359598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910548155.1A Active CN110414533B (zh) 2019-06-24 2019-06-24 一种改进orb的特征提取与匹配方法

Country Status (1)

Country Link
CN (1) CN110414533B (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110853033A (zh) * 2019-11-22 2020-02-28 腾讯科技（深圳）有限公司 基于帧间相似度的视频检测方法和装置
CN110991501A (zh) * 2019-11-19 2020-04-10 东南大学 一种基于Hessian矩阵的改进ORB特征点匹配方法
CN111160362A (zh) * 2019-11-27 2020-05-15 东南大学 一种fast特征均匀化提取与基于imu的帧间特征误匹配去除方法
CN111160371A (zh) * 2019-12-30 2020-05-15 长春理工大学 一种orb均匀提取特征点方法
CN111222514A (zh) * 2019-12-31 2020-06-02 西安航天华迅科技有限公司 一种基于视觉定位的局部地图优化方法
CN111257588A (zh) * 2020-01-17 2020-06-09 东北石油大学 一种基于orb和ransac的油相流速测量方法
CN111667506A (zh) * 2020-05-14 2020-09-15 电子科技大学 一种基于orb特征点的运动估计方法
CN111783800A (zh) * 2020-07-09 2020-10-16 中国科学院空天信息创新研究院 一种线特征描述和匹配方法、系统、设备和介质
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
CN112037193A (zh) * 2020-08-28 2020-12-04 长安大学 一种电力线路特征标记方法及装置
CN112115953A (zh) * 2020-09-18 2020-12-22 南京工业大学 一种基于rgb-d相机结合平面检测与随机抽样一致算法的优化orb算法
CN112435262A (zh) * 2020-11-27 2021-03-02 广东电网有限责任公司肇庆供电局 基于语义分割网络和多视图几何的动态环境信息检测方法
CN112562000A (zh) * 2020-12-23 2021-03-26 安徽大学 基于特征点检测和误匹配筛选的机器人视觉定位方法
CN112883984A (zh) * 2021-02-26 2021-06-01 山东大学 一种基于特征匹配的机械臂抓取系统与方法
CN112926593A (zh) * 2021-02-20 2021-06-08 温州大学 一种用于动态图像增强呈现中的图像特征处理方法及装置
CN113011498A (zh) * 2021-03-22 2021-06-22 华南理工大学 基于彩色图像的特征点提取与匹配方法、系统及介质
CN113191370A (zh) * 2021-04-26 2021-07-30 安徽工程大学 一种基于阈值自适应阈值调整的orb算法
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
CN114283065A (zh) * 2021-12-28 2022-04-05 北京理工大学 一种基于硬件加速的orb特征点匹配系统及匹配方法
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
CN114708392A (zh) * 2022-03-22 2022-07-05 重庆大学 一种基于闭环轨迹的八叉树地图构建方法
CN117315274A (zh) * 2023-11-28 2023-12-29 淄博纽氏达特机器人系统技术有限公司 一种基于自适应特征提取的视觉slam方法
CN117671011A (zh) * 2024-01-31 2024-03-08 山东大学 基于改进orb算法的agv定位精度提升方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991501B (zh) * 2019-11-19 2023-04-07 东南大学 一种基于Hessian矩阵的改进ORB特征点匹配方法
CN110991501A (zh) * 2019-11-19 2020-04-10 东南大学 一种基于Hessian矩阵的改进ORB特征点匹配方法
CN110853033A (zh) * 2019-11-22 2020-02-28 腾讯科技（深圳）有限公司 基于帧间相似度的视频检测方法和装置
CN110853033B (zh) * 2019-11-22 2022-02-22 腾讯科技（深圳）有限公司 基于帧间相似度的视频检测方法和装置
CN111160362A (zh) * 2019-11-27 2020-05-15 东南大学 一种fast特征均匀化提取与基于imu的帧间特征误匹配去除方法
CN111160371A (zh) * 2019-12-30 2020-05-15 长春理工大学 一种orb均匀提取特征点方法
CN111160371B (zh) * 2019-12-30 2023-08-25 长春理工大学 一种orb均匀提取特征点方法
CN111222514A (zh) * 2019-12-31 2020-06-02 西安航天华迅科技有限公司 一种基于视觉定位的局部地图优化方法
CN111222514B (zh) * 2019-12-31 2023-06-27 上海星思半导体有限责任公司 一种基于视觉定位的局部地图优化方法
CN111257588A (zh) * 2020-01-17 2020-06-09 东北石油大学 一种基于orb和ransac的油相流速测量方法
CN111667506A (zh) * 2020-05-14 2020-09-15 电子科技大学 一种基于orb特征点的运动估计方法
CN111783800A (zh) * 2020-07-09 2020-10-16 中国科学院空天信息创新研究院 一种线特征描述和匹配方法、系统、设备和介质
CN112037193A (zh) * 2020-08-28 2020-12-04 长安大学 一种电力线路特征标记方法及装置
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
CN112115953A (zh) * 2020-09-18 2020-12-22 南京工业大学 一种基于rgb-d相机结合平面检测与随机抽样一致算法的优化orb算法
CN112115953B (zh) * 2020-09-18 2023-07-11 南京工业大学 一种基于rgb-d相机结合平面检测与随机抽样一致算法的优化orb算法
CN112435262A (zh) * 2020-11-27 2021-03-02 广东电网有限责任公司肇庆供电局 基于语义分割网络和多视图几何的动态环境信息检测方法
CN112562000A (zh) * 2020-12-23 2021-03-26 安徽大学 基于特征点检测和误匹配筛选的机器人视觉定位方法
CN112926593A (zh) * 2021-02-20 2021-06-08 温州大学 一种用于动态图像增强呈现中的图像特征处理方法及装置
CN112883984A (zh) * 2021-02-26 2021-06-01 山东大学 一种基于特征匹配的机械臂抓取系统与方法
CN113011498A (zh) * 2021-03-22 2021-06-22 华南理工大学 基于彩色图像的特征点提取与匹配方法、系统及介质
CN113011498B (zh) * 2021-03-22 2023-09-26 华南理工大学 基于彩色图像的特征点提取与匹配方法、系统及介质
CN113191370A (zh) * 2021-04-26 2021-07-30 安徽工程大学 一种基于阈值自适应阈值调整的orb算法
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
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
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
CN114283065A (zh) * 2021-12-28 2022-04-05 北京理工大学 一种基于硬件加速的orb特征点匹配系统及匹配方法
CN114708392A (zh) * 2022-03-22 2022-07-05 重庆大学 一种基于闭环轨迹的八叉树地图构建方法
CN114708392B (zh) * 2022-03-22 2024-05-14 重庆大学 一种基于闭环轨迹的八叉树地图构建方法
CN117315274A (zh) * 2023-11-28 2023-12-29 淄博纽氏达特机器人系统技术有限公司 一种基于自适应特征提取的视觉slam方法
CN117315274B (zh) * 2023-11-28 2024-03-19 淄博纽氏达特机器人系统技术有限公司 一种基于自适应特征提取的视觉slam方法
CN117671011A (zh) * 2024-01-31 2024-03-08 山东大学 基于改进orb算法的agv定位精度提升方法及系统
CN117671011B (zh) * 2024-01-31 2024-05-28 山东大学 基于改进orb算法的agv定位精度提升方法及系统

Also Published As

Publication number Publication date
CN110414533B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN110414533A (zh) 一种改进orb的特征提取与匹配方法
CN107909039B (zh) 基于并行算法的高分辨率遥感影像的地表覆盖分类方法
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
CN104809731B (zh) 一种基于梯度二值化的旋转尺度不变场景匹配方法
CN109299720A (zh) 一种基于轮廓片段空间关系的目标识别方法
CN106408039A (zh) 一种基于形变方法进行数据扩展的脱机手写汉字识别方法
CN108710916B (zh) 图片分类的方法及装置
CN113095333B (zh) 无监督特征点检测方法及装置
CN108416801B (zh) 一种面向立体视觉三维重建的Har-SURF-RAN特征点匹配方法
CN112700418B (zh) 一种基于改进编解码网络模型的裂缝检测方法
CN109934272B (zh) 一种基于全卷积网络的图像匹配方法
CN113159232A (zh) 一种三维目标分类、分割方法
CN103578093A (zh) 图像配准方法、装置及增强现实系统
CN107194351B (zh) 基于韦伯局部对称图结构的人脸识别特征提取方法
US20200005078A1 (en) Content aware forensic detection of image manipulations
CN112364881B (zh) 一种进阶采样一致性图像匹配方法
CN110930503A (zh) 一种服装三维模型建立方法、系统、存储介质及电子设备
CN104217459A (zh) 一种球面特征提取方法
CN115937552A (zh) 一种基于融合手工特征与深度特征的图像匹配方法
CN115471682A (zh) 一种基于SIFT融合ResNet50的图像匹配方法
CN112183517A (zh) 证卡边缘检测方法、设备及存储介质
CN110516731B (zh) 一种基于深度学习的视觉里程计特征点检测方法及系统
CN110458857B (zh) 中心对称图元检测方法、装置、电子设备及可读存储介质
CN110163095B (zh) 回环检测方法、回环检测装置及终端设备
Park et al. AN EFFECTIVE COLOR QUANTIZATION METHOD USING COLOR IMPORTANCE-BASED SELF-ORGANIZING MAPS.

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