CN110874850A - 一种面向目标定位的实时单边网格特征配准方法 - Google Patents
一种面向目标定位的实时单边网格特征配准方法 Download PDFInfo
- Publication number
- CN110874850A CN110874850A CN201811028762.7A CN201811028762A CN110874850A CN 110874850 A CN110874850 A CN 110874850A CN 201811028762 A CN201811028762 A CN 201811028762A CN 110874850 A CN110874850 A CN 110874850A
- Authority
- CN
- China
- Prior art keywords
- target
- feature
- real
- matching
- registration method
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向目标定位的实时单边网格特征配准方法,首先获取目标的模板工件图片和待定位图片,然后提取模板和待定位这二幅图像的ORB特征点,最后进行单边网格特征配准,确定目标转换矩阵。本发明提高了常规配准算法的精度,同时开发了一种基单边网格特征的目标特征配准算法,可大大提高匹配算法的实时性和定位精度。
Description
技术领域
本发明属于图像处理技术领域,涉及一种面向目标定位的实时单边网格特征配准方法,特别设计一种能实现准确并快速目标定位的有效匹配方法。
背景技术
图像配准是一项基本的、具有挑战性的计算机视觉处理算法。它的主要目的是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程,它已经被广泛地应用于遥感数据分析、计算机视觉、制造业加工等领域。目前,特征匹配是图像配准的一个重要分支,已经产生了不少特征配准方法。总的来说,各种方法都是面向一定应用范围,也具有各自的特点,但很难将鲁棒性、准确性和实时性综合到一起。
图像的特征点提取,会根据图像特征信息的丰富程度、特征算法的选取等因素影响,特征点的数量有时多有时少,这给典型的特征匹配方法造成很大的负担。同时图像的复杂特性经常带来大量的假匹配,尤其在非刚性的情况下,因此,具有实时性和鲁棒性的异常值处理过程是必要的。
发明内容
本发明的目的在于提供一种能够有效提升图像匹配的准确性,使得在任何刚性或非刚性变换情况下都能基于特征配准获得高精度的目标定位的配准方法。
本发明所采用的技术方案是:一种面向目标定位的实时单边网格特征配准方法,其特征在于,包括以下步骤:
步骤1:获取目标模板的样本图片和待定位测试图片;
步骤2:提取样本图片和待定位图片这二幅图像的ORB特征点;
步骤3:单边网格特征配准,确定目标定位点。
本发明采用ORB特征和Brute Force匹配,获取图像特征点的初匹配对应关系,为了提升配准算法的精度和速度,利用局部区域特征匹配具有一致性的特性,将空间网格化,对网格区域中匹配特征进行聚类并统计得分概率,用于区分匹配的正常值和异常值,从而实现实时、精准的目标定位。
与现有技术相比较,本发明的有益效果在于:提高了常规配准算法的速度和精度,同时开发了一种基于单边网格聚类的目标特征配准算法,可大大提高匹配算法的实时性、鲁棒性和定位精度。
附图说明
图1:本发明实施例的流程图;
图2:本发明实施例的网格划分示意图;
图3:本发明实施例的网格特征聚合效果图。
图4:本发明实施例的匹配运行时间对比图。
图5:本发明实施例的匹配效果对比图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种面向目标定位的实时单边网格特征配准方法,包括以下步骤:
步骤1:获取目标模板的样本图片和待定位测试图片;
步骤2:提取样本图片和待定位图片这二幅图像的ORB特征点;
步骤3:单边网格特征配准,确定目标定位点。
步骤3.1:利用BruteForce算法进行特征粗匹配,获取初始匹配特征点对;
步骤3.2:对图像的特征进行网格划分;
在一定的区域范围内,图像特征点的运动是平滑的,然而过大的区域中,由于平移、旋转和形变等影响,特征点对的一致性会被破坏。这将降低了真假匹配分布的区分性。因此,对于整个图像很难做到全图运动一致性,而对于一个足够小区域的运动平滑是很容易得到。因此,通过网格划分的思想,将一副图像分为n*n个网格区域。
参见图2和图3,图像被划分为20*20个网格区域,其中圆点为一个网格的所有特征点,很明显在右图中正确的匹配点呈现聚合特性,落在圆框对应区域,错误的匹配点呈现离散特征。
步骤3.3:利用聚类算法对每个网格的特征点进行聚类,获取最佳特征聚类中心,剔除错误匹配特征点对,获得精准匹配特征点对;
每个网格中正确的匹配点具有高概率密度的特点,如果正确匹配点数远大于错误匹配点数,则落入对应的聚类中心的网格区域点不断增加,其标准差较小,数据平稳,区分度也越来越明显。即使正确匹配点数小于错误匹配点数,由于错误匹配点具有随机性,呈现离散状态,其标准差较大,数据波动大,很容易进行区分排除该区域的错误匹配点,见图3。因此,当正确匹配点达到一定比例时,通过聚类及阈值判断,我们获得的匹配点具有非常精确的精度和召回率。
聚类算法则选用Meanshift算法来获取聚类中心。通常情况,数据的分布可能不止一个聚类中心,如均匀分布,没有点的稠密性可言,因此会出现很多聚类中心,而Meanshift算法依靠计算概率密度进行聚类,根据概率密度分布,获得若干个聚类中心。为了防止相邻聚类中心距离过近,我们采用网格半径的倍数作为聚类中心合并的半径R,判断各聚类中心是否合并,并计算合并后新的中心:。最后通过统计各聚类类别的特征点数量可以计算得到各聚类类别在网格中所占比例:。通过设置一个固定阈值T,当大于阈值T时,认为该聚类类别为正确的匹配点集,则其它特征点为错误的匹配点集,进行剔除。见图4和图5,通过单边网格聚类后的匹配点对,误匹配率可以降到1%以下,大大提升目标定位精度。
步骤3.4:计算目标转换矩阵。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种面向目标定位的实时单边网格特征配准方法,其特征在于,包括以下步骤:
步骤1:获取目标模板的样本图片和待定位测试图片;
步骤2:提取样本图片和待定位图片这二幅图像的ORB特征点;
步骤3:单边网格特征配准,确定目标定位点。
2.根据权利要求1所述的面向目标定位的实时单边网格特征配准方法,其特征在于:步骤1中,通过相机采集目标模板的样本图片和待定位测试图片。
3.根据权利要求1所述的面向目标定位的实时单边网格特征配准方法,其特征在于:步骤3的具体实现,包括以下子步骤:
步骤3.1:利用BruteForce算法进行特征粗匹配,获取初始匹配特征点对;
步骤3.2:对图像的特征进行网格划分;
步骤3.3:利用聚类算法对每个网格的特征点进行聚类,获取最佳特征聚类中心,剔除错误匹配特征点对,获得精准匹配特征点对;
步骤3.4:计算目标转换矩阵。
4.根据权利要求3所述的面向目标定位的实时单边网格特征配准方法,其特征在于:步骤3.2中,利用等分网格进行图像划分。
5.根据权利要求3所述的面向目标定位的实时单边网格特征配准方法,其特征在于:步骤3.3中,利用meanshift算法剔除错误匹配特征点对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811028762.7A CN110874850A (zh) | 2018-09-04 | 2018-09-04 | 一种面向目标定位的实时单边网格特征配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811028762.7A CN110874850A (zh) | 2018-09-04 | 2018-09-04 | 一种面向目标定位的实时单边网格特征配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110874850A true CN110874850A (zh) | 2020-03-10 |
Family
ID=69716130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811028762.7A Withdrawn CN110874850A (zh) | 2018-09-04 | 2018-09-04 | 一种面向目标定位的实时单边网格特征配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874850A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022267939A1 (zh) * | 2021-06-23 | 2022-12-29 | 展讯通信(上海)有限公司 | 图像处理方法及装置、计算机可读存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102274042A (zh) * | 2010-06-08 | 2011-12-14 | 深圳迈瑞生物医疗电子股份有限公司 | 图像配准方法、宽景成像方法、超声成像方法及其系统 |
CN102930525A (zh) * | 2012-09-14 | 2013-02-13 | 武汉大学 | 基于仿射不变特征与单应矩阵的线匹配方法 |
CN104282038A (zh) * | 2014-09-26 | 2015-01-14 | 北京航空航天大学 | 基于局部子邻域划分的点云特征点提取方法 |
CN106355197A (zh) * | 2016-08-24 | 2017-01-25 | 广东宝乐机器人股份有限公司 | 基于K‑means聚类算法的导航图像匹配过滤方法 |
CN106355577A (zh) * | 2016-09-08 | 2017-01-25 | 武汉科技大学 | 基于特征状态与全局一致性的快速图像匹配方法及系统 |
CN107067415A (zh) * | 2017-03-21 | 2017-08-18 | 南京航空航天大学 | 一种基于图像匹配的目标快速精确定位方法 |
CN107123164A (zh) * | 2017-03-14 | 2017-09-01 | 华南理工大学 | 保持锐利特征的三维重建方法及系统 |
CN107220996A (zh) * | 2017-05-17 | 2017-09-29 | 武汉大学 | 一种基于三角结构一致的无人机线阵与面阵影像匹配方法 |
CN107220995A (zh) * | 2017-04-21 | 2017-09-29 | 西安交通大学 | 一种基于orb图像特征的icp快速点云配准算法的改进方法 |
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 |
CN108038906A (zh) * | 2017-12-26 | 2018-05-15 | 山东师范大学 | 一种基于图像的三维四边形网格模型重建方法 |
CN108257155A (zh) * | 2018-01-17 | 2018-07-06 | 中国科学院光电技术研究所 | 一种基于局部和全局耦合的扩展目标稳定跟踪点提取方法 |
-
2018
- 2018-09-04 CN CN201811028762.7A patent/CN110874850A/zh not_active Withdrawn
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102274042A (zh) * | 2010-06-08 | 2011-12-14 | 深圳迈瑞生物医疗电子股份有限公司 | 图像配准方法、宽景成像方法、超声成像方法及其系统 |
CN102930525A (zh) * | 2012-09-14 | 2013-02-13 | 武汉大学 | 基于仿射不变特征与单应矩阵的线匹配方法 |
CN104282038A (zh) * | 2014-09-26 | 2015-01-14 | 北京航空航天大学 | 基于局部子邻域划分的点云特征点提取方法 |
CN106355197A (zh) * | 2016-08-24 | 2017-01-25 | 广东宝乐机器人股份有限公司 | 基于K‑means聚类算法的导航图像匹配过滤方法 |
CN106355577A (zh) * | 2016-09-08 | 2017-01-25 | 武汉科技大学 | 基于特征状态与全局一致性的快速图像匹配方法及系统 |
CN107123164A (zh) * | 2017-03-14 | 2017-09-01 | 华南理工大学 | 保持锐利特征的三维重建方法及系统 |
CN107067415A (zh) * | 2017-03-21 | 2017-08-18 | 南京航空航天大学 | 一种基于图像匹配的目标快速精确定位方法 |
CN107220995A (zh) * | 2017-04-21 | 2017-09-29 | 西安交通大学 | 一种基于orb图像特征的icp快速点云配准算法的改进方法 |
CN107220996A (zh) * | 2017-05-17 | 2017-09-29 | 武汉大学 | 一种基于三角结构一致的无人机线阵与面阵影像匹配方法 |
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 |
CN108038906A (zh) * | 2017-12-26 | 2018-05-15 | 山东师范大学 | 一种基于图像的三维四边形网格模型重建方法 |
CN108257155A (zh) * | 2018-01-17 | 2018-07-06 | 中国科学院光电技术研究所 | 一种基于局部和全局耦合的扩展目标稳定跟踪点提取方法 |
Non-Patent Citations (2)
Title |
---|
宫妍: "全景图像拼接关键技术研究", 《中国博士学位论文全文数据库 (信息科技辑)》 * |
鲁萍萍 等: "基于降维与聚类的无人机航拍图拼接", 《计算机应用与》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022267939A1 (zh) * | 2021-06-23 | 2022-12-29 | 展讯通信(上海)有限公司 | 图像处理方法及装置、计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6598162B2 (ja) | 線形クラスタリングに基づくマルチタイプのbgaチップの視覚識別方法 | |
CN114764790B (zh) | 一种基于霍夫圆检测的齿轮断齿检测方法 | |
CN109472770B (zh) | 一种印刷电路板检测中的图像特征点快速匹配方法 | |
CN117576100B (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
CN107527356B (zh) | 一种基于懒交互方式的视频跟踪方法 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN105809678B (zh) | 一种短基线条件下两视图间线段特征全局匹配方法 | |
CN115115598B (zh) | 一种基于全局Gabor滤波和局部LBP特征喉癌细胞图像分类方法 | |
CN116309577A (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN108021921A (zh) | 图像特征点提取系统及其应用 | |
CN110874850A (zh) | 一种面向目标定位的实时单边网格特征配准方法 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN116167921B (zh) | 一种飞行太空舱全景图像拼接方法及系统 | |
US11645827B2 (en) | Detection method and device for assembly body multi-view change based on feature matching | |
CN111986236A (zh) | 一种基于在线学习的抗遮挡目标跟踪算法 | |
CN110070538A (zh) | 基于形态优化深度特征的螺栓二维视觉结构聚类方法 | |
CN112183596B (zh) | 结合局部网格约束和几何约束的直线段匹配方法与系统 | |
CN114170450A (zh) | 一种基于区域一致性和gms的图像特征匹配方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 | |
CN108537092B (zh) | 变异红细胞识别方法及装置 | |
CN112991395A (zh) | 一种基于前景条件概率优化尺度和角度的视觉跟踪方法 | |
CN118298030B (zh) | 一种转台转轴标定方法及系统 | |
CN112862804B (zh) | 一种眼底视网膜血管图像处理系统及方法 | |
CN111401385A (zh) | 一种图像局部拓扑结构特征描述符的相似度计算方法 | |
CN118521585B (zh) | 一种用于压片机的药片视觉检测方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200310 |