CN110414533B - 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 PDFInfo
- Publication number
- CN110414533B CN110414533B CN201910548155.1A CN201910548155A CN110414533B CN 110414533 B CN110414533 B CN 110414533B CN 201910548155 A CN201910548155 A CN 201910548155A CN 110414533 B CN110414533 B CN 110414533B
- Authority
- CN
- China
- Prior art keywords
- matching
- points
- point
- pixel
- 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.)
- Active
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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (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
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 (4)
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;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)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;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;
(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(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。
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(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。
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 CN110414533A (zh) | 2019-11-05 |
CN110414533B true 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) |
Families Citing this family (25)
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 |
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 |
CN111160362B (zh) * | 2019-11-27 | 2023-07-11 | 东南大学 | 一种fast特征均匀化提取与帧间特征误匹配去除方法 |
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 |
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 |
CN111257588B (zh) * | 2020-01-17 | 2020-11-17 | 东北石油大学 | 一种基于orb和ransac的油相流速测量方法 |
CN111667506B (zh) * | 2020-05-14 | 2023-03-24 | 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 |
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 |
CN112381841A (zh) * | 2020-11-27 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种动态场景下基于gms特征匹配的语义slam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 |
CN112883984B (zh) * | 2021-02-26 | 2022-12-30 | 山东大学 | 一种基于特征匹配的机械臂抓取系统与方法 |
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 |
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 |
CN114283065B (zh) * | 2021-12-28 | 2024-06-11 | 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 |
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 |
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 |
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 |
Family Cites Families (1)
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 |
-
2019
- 2019-06-24 CN CN201910548155.1A patent/CN110414533B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110414533A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414533B (zh) | 一种改进orb的特征提取与匹配方法 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN103336957B (zh) | 一种基于时空特征的网络同源视频检测方法 | |
US20140226906A1 (en) | Image matching method and apparatus | |
CN105354578B (zh) | 一种多目标物体图像匹配方法 | |
CN106355577A (zh) | 基于特征状态与全局一致性的快速图像匹配方法及系统 | |
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 | |
CN111242122A (zh) | 一种轻量级深度神经网络旋转目标检测方法和系统 | |
CN111009001A (zh) | 一种图像配准方法、装置、设备及存储介质 | |
CN112862871A (zh) | 图像融合方法及装置 | |
CN111199558A (zh) | 一种基于深度学习的图像匹配方法 | |
CN104217459A (zh) | 一种球面特征提取方法 | |
CN112183517A (zh) | 证卡边缘检测方法、设备及存储介质 | |
CN115471682A (zh) | 一种基于SIFT融合ResNet50的图像匹配方法 | |
CN112364881A (zh) | 一种进阶采样一致性图像匹配算法 | |
CN110599478B (zh) | 一种图像区域复制粘贴篡改检测方法 | |
CN109242854A (zh) | 一种基于flic超像素分割的图像显著性检测方法 | |
CN113011498B (zh) | 基于彩色图像的特征点提取与匹配方法、系统及介质 | |
Cui et al. | Hand gesture segmentation against complex background based on improved atrous spatial pyramid pooling | |
CN109766924A (zh) | 基于图像信息熵与自适应阈值daisy特征点的图像检测方法 | |
CN113936176A (zh) | 一种基于图卷积和形状描述子的三维点云分类方法 | |
Zeng et al. | Learning-based multiple pooling fusion in multi-view convolutional neural network for 3D model classification and retrieval | |
CN116152517A (zh) | 一种改进的orb特征提取方法 | |
CN106815852B (zh) | 基于四元数极谐变换的彩色图像取证方法 | |
CN108492256B (zh) | 无人机视频快速拼接方法 |
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 |