CN110909823B - 图片特征点提取及相似度的判断方法、系统、设备和介质 - Google Patents

图片特征点提取及相似度的判断方法、系统、设备和介质 Download PDF

Info

Publication number
CN110909823B
CN110909823B CN201911221593.3A CN201911221593A CN110909823B CN 110909823 B CN110909823 B CN 110909823B CN 201911221593 A CN201911221593 A CN 201911221593A CN 110909823 B CN110909823 B CN 110909823B
Authority
CN
China
Prior art keywords
picture
hotel
pictures
processed
similarity
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
Application number
CN201911221593.3A
Other languages
English (en)
Other versions
CN110909823A (zh
Inventor
任君
罗超
胡泓
周明康
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.)
Ctrip Computer Technology Shanghai Co Ltd
Original Assignee
Ctrip Computer Technology Shanghai Co Ltd
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 Ctrip Computer Technology Shanghai Co Ltd filed Critical Ctrip Computer Technology Shanghai Co Ltd
Priority to CN201911221593.3A priority Critical patent/CN110909823B/zh
Publication of CN110909823A publication Critical patent/CN110909823A/zh
Application granted granted Critical
Publication of CN110909823B publication Critical patent/CN110909823B/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
    • G06V10/20—Image preprocessing
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图片特征点提取及相似度的判断方法、系统、设备和介质，图片特征点提取方法包括以下步骤：根据原始图片获取具有多个通道的待处理图片；对所述待处理图片分别进行每个通道的线性变换，得到与每个通道相对应的第一中间图片；对每个第一中间图片在水平方向和垂直方向分别进行多个倾斜角度变换，并针对每个倾斜角度变换均生成一个对应的第二中间图片；对每个第二中间图片进行ORB算法处理或SIFT算法处理，得到每个第二中间图片的特征点；对每个第二中间图片的特征点进行合并，得到所述原始图片的特征点。本发明解决了在不同曝光、颜色处理、白天黑夜等同内容的图片判断其相似的缺陷。

Description

图片特征点提取及相似度的判断方法、系统、设备和介质
技术领域
本发明涉及一种在OTA(Online Travel Agency，在线旅游)平台下判断酒店图片相似度及分组的新方法，特别涉及一种图片特征点提取及相似度的判断方法、系统、设备和介质。
背景技术
在OTA行业中，酒店图片在APP(Application,应用软件)和web(World Wide Web，全球广域网)上展示时出现较多相似或者重复的现象，而每个酒店在OTA平台上展示图片的数量有限，用户在浏览酒店图片时，过多的相似图片会影响用户的体验，会导致用户不能快速直观的了解酒店的设施或者房间布局等信息。
现有的酒店图片相似度判断方法主要有hash算法、ORB(Oriented FAST andRotated BRIEF，快速特征点提取和描述)算法、SIFT(Scale-invariant featuretransform，尺度不变特征变换)算法等，该类方法主要是先对图片提取特征点，然后根据相似度的计算公式计算相对应两张图片的相似度，该类方法多是判断酒店图片的剪切、缩放、重复和镜像的标准来判断图片之间是否相似，该类方法无法解决在不同曝光、颜色处理、白天黑夜等同内容的图片判断其相似问题。
发明内容
本发明要解决的技术问题是为了克服现有技术中法解决了在不同曝光、颜色处理、白天黑夜等同内容的图片判断其相似的缺陷，提供一种图片特征点提取及相似度的判断方法、系统、设备和介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明提供了一种图片特征点提取方法，所述图片特征点提取方法包括：
根据原始图片获取具有多个通道的待处理图片；
对所述待处理图片分别进行每个通道的线性变换，得到与每个通道相对应的第一中间图片；
对每个第一中间图片在水平方向和垂直方向分别进行多个倾斜角度变换，并针对每个倾斜角度变换均生成一个对应的第二中间图片；
对每个第二中间图片进行ORB算法处理或SIFT算法处理，得到每个第二中间图片的特征点；
对每个第二中间图片的特征点进行合并，得到所述原始图片的特征点。
本方案中，在进行图片特征点提取前，将原始图片转化为多个通道的待处理图片，然后对每个待处理图片进行每个通道的线性变换，再在水平方向和垂直方向分别进行多个倾斜角度变换，使得变换后的图片各像素值或者颜色更加丰富，可解决在不同曝光、颜色处理、白天黑夜等同内容的图片解决其相似问题。
较佳地，所述待处理图片具有RGB三个通道；
所述根据原始图片获取具有多个通道的待处理图片的步骤包括：
若所述原始图片为单通道图片，则将所述单通道图片按照其他两个通道数值为0处理，转换为所述待处理图片；
若所述原始图片为四通道图片，则将四通道中的A通道剔除，转化为所述待处理图片。
较佳地，所述对所述待处理图片分别进行每个通道的线性变换，得到与每个通道相对应的第一中间图片的步骤包括：
获取所述对所述待处理图片的每个通道矩阵上的像素值P[i][j]；
对每个像素值P[i][j]进行检测，若P[i][j]*a+b>255则令P[i][j]＝255，否则令P[i][j]＝P[i][j]*a+b；
针对每个通道对应生成一张所述第一中间图片。
本方案中，分别对每张图片进行每个通道的线性变换即对图片进行颜色的变换，使得变换后的图片各像素值或者颜色更加丰富。
较佳地，若对每个第二中间图片进行ORB算法处理，则具体包括以下步骤：
对于所述第二中间图片的每个像素点，均检测周围是否有连续多个像素点的灰度值均大于或均小于该像素点的灰度值，若是则确定该像素点为特征点；
计算第二中间图片的每个特征点的像素值与该特征点周围若干个特征点的像素值的差值的绝对值之和，删除该差值的绝对值之和小于第一阈值的特征点，并保留该差值的绝对值之和大于该第一阈值的特征点。
较佳地，所述删除该差值的绝对值之和小于第一阈值的特征点，并保留该差值的绝对值之和大于该阈值的特征点步骤之后还包括：
对每个第二中间图片建立高斯金字塔，并通过矩法来确定第二中间图片的特征点的方向；
在每个第二中间图片的特征点中选取128个像素点对的像素值对pi、qi，对于每个像素点对的像素值对，若pi大于qi，则生成二进制串中的1，否则为0，并对选取的128个像素点对的像素值对进行比较，生成长度为128的二进制串作为所述特征点的向量。
本方案中，采用BRIEF(Binary Robust Independent Elementary Features，二值化描述子)进行特征点的描述，加快了特征描述符建立的速度。BRIEF是对已检测到的特征点进行描述，它是一种二进制编码的描述子，摈弃了利用区域灰度直方图描述特征点的传统方法。
较佳地，若对每个第二中间图片进行SIFT算法处理，则具体包括以下步骤：
对所述每个第二中间图片进行所有尺度变化，通过高斯微分函数来识别潜在的对于尺度和旋转不变的候选关键点；
基于候选关键点拟合DOG函数曲线，获取所述DOG函数曲线的极值点作为第二中间图片的特征点。
本方案中，对尺度空间DOG函数进行曲线拟合，计算其极值点，从而实现关键点的精确定位。
较佳地，所述基于候选关键点筛选出第二中间图片的特征点步骤之后还包括：
基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向；
在每个关键点周围的像素进行分块，计算块内梯度直方图，生成该块内梯度直方图内特征点的向量。
本方案中，在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。
本发明还提供了一种图片特征点提取系统，所述图片特征点提取系统包括：
获取模块，用于根据原始图片获取具有多个通道的待处理图片；
线性变换模块，用于对所述待处理图片分别进行每个通道的线性变换，得到与每个通道相对应的第一中间图片；
角度变换模块，用于对每个第一中间图片在水平方向和垂直方向分别进行多个倾斜角度变换，并针对每个倾斜角度变换均生成一个对应的第二中间图片；
处理模块，用于对每个第二中间图片进行ORB算法处理或SIFT算法处理，得到每个第二中间图片的特征点；
合并模块，用于对每个第二中间图片的特征点进行合并，得到所述原始图片的特征点。
较佳地，所述待处理图片具有RGB三个通道；
若所述原始图片为单通道图片，所述获取模块用于将所述单通道图片按照其他两个通道数值为0处理，转换为所述待处理图片；
若所述原始图片为四通道图片，所述获取模块用于将四通道中的A通道剔除，转化为所述待处理图片。
较佳地，所述线性变换模块包括：
获取单元，用于获取所述对所述待处理图片的每个通道矩阵上的像素值P[i][j]；
检测单元，用于对每个像素值P[i][j]进行检测，若P[i][j]*a+b>255则令P[i][j]＝255，否则令P[i][j]＝P[i][j]*a+b；
生成单元，用于针对每个通道对应生成一张所述第一中间图片。
较佳地，所述处理模块包括：
ORB单元，用于对每个第二中间图片进行ORB算法处理；
所述ORB单元包括：
比较子单元，用于对于所述第二中间图片的每个像素点，均检测周围是否有连续多个像素点的灰度值均大于或均小于该像素点的灰度值，若是则确定该像素点为特征点；
第一计算子单元，用于计算第二中间图片的每个特征点的像素值与该特征点周围若干个特征点的像素值的差值的绝对值之和，删除该差值的绝对值之和小于第一阈值的特征点，并保留该差值的绝对值之和大于该第一阈值的特征点。
较佳地，所述ORB单元还包括：
确定子单元，对每个第二中间图片建立高斯金字塔，并通过矩法来确定第二中间图片的特征点的方向；
生成子单元，在每个第二中间图片的特征点中选取128个像素点对的像素值对pi、qi，对于每个像素点对的像素值对，若pi大于qi，则生成二进制串中的1，否则为0，并对选取的128个像素点对的像素值对进行比较，生成长度为128的二进制串作为该特征点的向量。
较佳地，所述处理模块包括：
SIFT单元，用于对每个第二中间图片进行SIFT算法处理；
所述SIFT单元包括：
识别子单元，对所述每个第二中间图片进行所有尺度变化，通过高斯微分函数来识别潜在的对于尺度和旋转不变的候选关键点；
筛选子单元，基于候选关键点拟合DOG函数曲线，获取所述DOG函数曲线的极值点作为第二中间图片的特征点。
较佳地，所述SIFT单元还包括：
分配子单元，用于基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向；
第二计算子单元，用于在每个关键点周围的像素进行分块，计算块内梯度直方图，生成该块内梯度直方图内特征点的向量。
本发明还提供了一种酒店图片相似度的判断方法，所述判断方法包括：
获取酒店图片，所述酒店图片类别包括房型图片和酒店官方图片；
对每个类别下的酒店图片数据进行融合，以得到第一中间酒店图片；
对所述第一中间酒店图片进行灰度化处理，以得到第二中间酒店图片；
将所述第二中间酒店图片按照一定比例进行缩放处理，以得到待处理酒店图片；
使用上述的特征点提取方法提取所述待处理酒店图片的特征点并根据特征点判断同一类别下的每两张所述待处理酒店图片的相似度。
本方案中，将酒店图片进行灰度化及缩放处理，然后再利上述的特征点提取方法提取待处理酒店图片的特征点并根据特征点判断同一类别下的每两张所述待处理酒店图片的相似度，解决了酒店图片在不同曝光、颜色处理、白天黑夜等同内容的图片解决其相似问题。
较佳地，所述提取所述待处理酒店图片的特征点并根据特征点计算同一类别下的每两张所述待处理酒店图片的相似度的步骤具体包括：
若所述待处理酒店图片为房型图片，通过ORB算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片的第一相似度；
将所述第一相似度与第一预设阈值进行对比，若所述第一相似度大于所述第一预设阈值，则对应的两张房型图片相似，否则不相似；
若所述待处理酒店图片为酒店官方图片，通过ORB算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片计算第二相似度；
将所述第二相似度与第二预设阈值进行对比，若所述第二相似度大于所述第二预设阈值，则对应的两张酒店官方图片相似；若第二相似度落在第三预设阈值和第二预设阈值之间，将所述待处理酒店图片通过SIFT算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片第三相似度，若所述第三相似度大于第四预设阈值，则所述两张酒店官方图片相似，否则不相似；
若第二相似度不落在第三预设阈值和第二预设阈值之间，则所述两张酒店官方图片不相似；
第二预设阈值大于第四预设阈值大于第一预设阈值大于第三预设阈值。
本方案中，在判断酒店官方图片，采用ORB算法和SIFT算法相结合的方式，提高了相似度判断的准确性。
本发明还提供了一种酒店图片相似度的判断系统，所述图片相似度的判断系统包括：
获取图片模块，用于获取酒店图片，所述酒店图片类别包括房型图片和酒店官方图片；
融合模块，用于对每个类别下的酒店图片数据进行融合，以得到第一中间酒店图片；
灰度处理模块，用于对所述第一中间酒店图片进行灰度化处理，以得到第二中间酒店图片；
缩放处理模块，用于将所述第二中间酒店图片按照一定比例进行缩放处理，以得到待处理酒店图片；
计算相似模块，使用上述的特征点提取方法提取所述待处理酒店图片的特征点并判断同一类别的每两张所述待处理酒店图片相似度。
较佳地，所述计算相似单元包括：
若所述待处理酒店图片为房型图片，计算相似单元包括：
第一计算单元，用于通过ORB算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片第一相似度；
第一判断单元，用于将所述第一相似度与第一预设阈值进行对比，若所述第一相似度大于所述第一预设阈值，则所述两张房型图片相似，否则不相似；
若所述待处理酒店图片为酒店官方图片，计算相似单元包括：
第二计算单元，用于通过ORB算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片计算第二相似度；
第二判断单元，用于将所述第二相似度与第二预设阈值进行对比，若所述第二相似度大于所述第二预设阈值，则对应的两张酒店官方图片相似；
若第二相似度落在第三预设阈值和第二预设阈值之间，将所述待处理酒店图片通过SIFT算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片第三相似度，若所述第三相似度大于第四预设阈值，则所述两张酒店官方图片相似，否则不相似；
若第二相似度不落在第三预设阈值和第二预设阈值之间，则所述两张酒店官方图片不相似；
第二预设阈值大于第四预设阈值大于第一预设阈值大于第三预设阈值。
本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的图片特征点提取方法或图片相似度的判断方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述的图片特征点提取方法或图片相似度的判断方法的步骤。
本发明的积极进步效果在于：
本发明通过对原始图片进行通道处理，通道的线性变换，角度变换，得到了多张图片，然后再对这多张图片采用ORB算法和SIFT算法进行特征点的提取，最后再利用提取的特征点进行酒店相似度的判断，对比现有方法，本发明采用了线性变换，角度变换将一张图片变换出多张图片，将变换后每张提取的特征点合并到一块作为变换前图片的所有特征，解决了在不同曝光、颜色处理、白天黑夜等同内容的图片判断其相似的缺陷。
附图说明
图1为本发明实施例1的图片特征点提取方法的流程图。
图2为本发明实施例1中步骤S102的流程图。
图3-1为本发明实施例1中步骤S104中进行ORB算法处理时的流程图。
图3-2为本发明实施例1中步骤S104中进行SIFT算法处理时的流程图。
图4为本发明实施例2的图片特征点提取系统的模块示意图。
图5为本发明实施例2中线性变换模块的示意图。
图6-1为本发明实施例2中ORB单元的示意图。
图6-2为本发明实施例2中SIFT单元的示意图。
图7为本发明实施例3中电子设备的结构示意图。
图8为本发明实施例5的酒店图片相似度的判断方法的流程图。
图9-1为本发明实施例5中步骤S205对房型图片进行判断时的流程图。
图9-2为本发明实施例5中步骤S205对酒店官方图片进行判断时的流程图。
图10为本发明实施例6中酒店图片相似度的判断系统的模块示意图。
图11-1为本发明实施例6中对房型图片进行判断时计算相似模块的模块示意图。
图11-2为本发明实施例6中对酒店官方图片进行判断时计算相似模块的示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示，本实施例公开了一种图片特征点提取方法，包括以下步骤：
步骤S101、根据原始图片获取具有RGB三个通道的待处理图片；
原始图片一般为RGB三通道图片，但也有少量单通道和四通道的图片。
若所述原始图片为单通道图片，则将所述单通道图片按照其他两个通道数值为0处理，转换为RGB三个通道的待处理图片；
若所述原始图片为四通道图片，则将四通道中的A通道剔除，转化为RGB三个通道的待处理图片。
步骤S102、对RGB三个通道的待处理图片分别进行每个通道的线性变换，得到与每个通道相对应的第一中间图片；
本实施例中图片的分辨率是244x244的，针对R、G、B三个通道分别是一个244x244的矩阵组成，然后针对这三个矩阵做线性变换，增加图片的对比度，让图片在不同光照下少受影响。
步骤S103、对每个第一中间图片在水平方向和垂直方向分别进行多个倾斜角度变换，并针对每个倾斜角度变换均生成一个对应的第二中间图片；
每个图像像素点都有x和y两个方向，当定义一个在x和y方向的倾斜变化因子，该因子有两个元素(t,pi)，假设t作为水平方向的变换，pi为垂直方向的变换，本实施例中使用t∈{20.5*1,20.5*2,20.5*3}，pi∈{0°,72°,144°}，每个方向对应于三个变化，共生成27张对应的第一中间图片。
步骤S104、对每个第二中间图片进行ORB算法处理或SIFT算法处理，得到每个第二中间图片的特征点；
步骤S105、对每个第二中间图片的特征点进行合并，得到所述原始图片的特征点。
如图2所示，本实施例中，步骤S102还包括以下步骤：
步骤S1021、获取所述对所述待处理图片的每个通道矩阵上的像素值P[i][j]；
步骤S1022、对每个像素值P[i][j]进行检测，若P[i][j]*a+b>255则令P[i][j]＝255，否则令P[i][j]＝P[i][j]*a+b，其中a,b为经验值，a＝1.5,b＝20；
步骤S1023、针对每个通道对应生成一张所述第一中间图片。
如图3-1所示，步骤S104还包括以下步骤：
若对每个第二中间图片进行ORB算法处理，则具体包括以下步骤：
S1041、对于所述第二中间图片的每个像素点，均检测周围是否有连续多个像素点的灰度值均大于或均小于该像素点的灰度值，若是则确定该像素点为特征点；
本实施例中，对于所述第二中间图片的每个像素点，以该像素点为圆心画一个半径为3个像素点的圆，均检测周围是否有连续12个像素点的灰度值均大于或均小于该像素点的灰度值，若是则确定该像素点为特征点；
S1042、计算第二中间图片的每个特征点的像素值与该特征点周围16个特征点的像素值的差值的绝对值之和，删除该差值的绝对值之和小于第一阈值的特征点，并保留该差值的绝对值之和大于该第一阈值的特征点。
S1043、对每个第二中间图片建立高斯金字塔，并通过矩法来确定第二中间图片的特征点的方向；
矩法是计算特征点以根据高斯金字塔中的特征点尺度σ来确定的r为半径范围内的质心，特征点坐标到质心形成一个向量作为该特征点的方向；
S1044、在每个第二中间图片的特征点中选取128个像素点对的像素值对pi、qi，对于每个像素点对的像素值对，若pi大于qi，则生成二进制串中的1，否则为0，并对选取的128个像素点对的像素值对进行比较，生成长度为128的二进制串作为所述特征点的向量。
如图3-2所示，步骤S104还包括以下步骤：
若对每个第二中间图片进行SIFT算法处理，则具体包括以下步骤：
S1051、对所述每个第二中间图片进行所有尺度变化，通过高斯微分函数来识别潜在的对于尺度和旋转不变的候选关键点；
S1052、基于候选关键点拟合DOG函数曲线，获取所述DOG函数曲线的极值点作为第二中间图片的特征点；
本实施例中去除低对比度的关键点和不稳定的边缘响应点为现有技术再此不做赘述；
S1053、基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向；
S1054、在每个关键点周围的像素进行分块，计算块内梯度直方图，生成该块内梯度直方图内特征点的向量。
本实施例公开的图片特征点提取方法，将原始图片转化为多个通道的待处理图片，然后对每个待处理图片进行每个通道的线性变换，再在水平方向和垂直方向分别进行多个倾斜角度变换，最后进行图片特征点提取，使得变换后的图片各像素值或者颜色更加丰富，对比现有的图片特征点提取方法，本实施例可解决在不同曝光、颜色处理、白天黑夜等同内容的图片解决其相似问题。
实施例2
如图4所示，本实施例提供了一种图片特征点提取系统，包括获取模块1、线性变换模块2、角度变换模块3、处理模块4、合并模块5。
获取模块1，用于根据原始图片获取具有RGB三个通道的待处理图片；
原始图片一般为RGB三通道图片，但也有少量单通道和四通道的图片。
若所述原始图片为单通道图片，所述获取模块1用于将所述单通道图片按照其他两个通道数值为0处理，转换为RGB三个通道的待处理图片；
若所述原始图片为四通道图片，所述获取模块1用于将四通道中的A通道剔除，转化为RGB三个通道的待处理图片。
线性变换模块2，用于对所述RGB三个通道的待处理图片分别进行每个通道的线性变换，得到与每个通道相对应的第一中间图片；
每个图像像素点都有x和y两个方向，当定义一个在x和y方向的倾斜变化因子，该因子有两个元素(t,pi)，假设t作为水平方向的变换，pi为垂直方向的变换，本实施例中使用t∈{20.5*1,20.5*2,20.5*3}，pi∈{0°,72°,144°}，每个方向对应于三个变化，共生成27张对应的第一中间图片。
角度变换模块3，用于对每个第一中间图片在水平方向和垂直方向分别进行多个倾斜角度变换，并针对每个倾斜角度变换均生成一个对应的第二中间图片；
处理模块4，用于对每个第二中间图片进行ORB算法处理或SIFT算法处理，得到每个第二中间图片的特征点；
合并模块5，用于对每个第二中间图片的特征点进行合并，得到所述原始图片的特征点。
如图5所示，本实施例中，线性变换模块2包括获取单元21，检测单元22，和生成单元23。
获取单元21，用于获取所述对所述待处理图片的每个通道矩阵上的像素值P[i][j]；
检测单元22，用于对每个像素值P[i][j]进行检测，若P[i][j]*a+b>255则令P[i][j]＝255，否则令P[i][j]＝P[i][j]*a+b，其中a,b为经验值，a＝1.5,b＝20；
生成单元23，用于针对每个通道对应生成一张所述第一中间图片。
处理模块4包括ORB单元41和SIFT单元42。当对每个第二中间图片进行ORB算法处理时，处理模块包括ORB单元；
如图6-1所示，本实施例中，ORB单元41包括比较子单元411，第一计算子单元412，确定子单元413，生成子单元414。
比较子单元411，用于对于所述第二中间图片的每个像素点，以该像素点为圆心画一个半径为3个像素点的圆，均检测周围是否有连续12个像素点的灰度值均大于或均小于该像素点的灰度值，若是则确定该像素点为特征点；
第一计算子单元412，用于计算第二中间图片的每个特征点与该特征点周围若干个特征点偏差的绝对值之和，删除该偏差的绝对值之和小于第一阈值的特征点，并保留该偏差的绝对值之和大于该阈值的特征点；
确定子单元413，对每个第二中间图片建立高斯金字塔，并通过矩法来确定第二中间图片的特征点的方向；
矩法是计算特征点以根据高斯金字塔中的特征点尺度σ来确定的r为半径范围内的质心，特征点坐标到质心形成一个向量作为该特征点的方向；
生成子单元414，在每个第二中间图片的特征点中选取128个像素点对的像素值pi、qi，对于每个像素点对的像素值，若pi大于qi，则生成二进制串中的1，否则为0，并对选取的128个像素点对的像素值进行比较，生成长度为128的二进制串作为该特征点的向量。
当对每个第二中间图片进行SIFT算法处理时，处理模块包括SIFT单元；
如图6-2所示，本实施例中，SIFT单元42包括识别子单元421，筛选子单元422，分配子单元423，第二计算子单元424。
识别子单元421，对所述每个第二中间图片进行所有尺度变化，通过高斯微分函数来识别潜在的对于尺度和旋转不变的候选关键点；
筛选子单元422，基于候选关键点拟合DOG函数曲线，获取所述DOG函数曲线的极值点作为第二中间图片的特征点；
本实施例中去除低对比度的关键点和不稳定的边缘响应点为现有技术再此不做赘述；
分配子单元423，用于基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向；
第二计算子单元424，用于在每个关键点周围的像素进行分块，计算块内梯度直方图，生成该块内梯度直方图内特征点的向量。
本实施例公开的图片特征点提取系统，将原始图片转化为多个通道的待处理图片，然后对每个待处理图片进行每个通道的线性变换，再在水平方向和垂直方向分别进行多个倾斜角度变换，最后进行图片特征点提取，使得变换后的图片各像素值或者颜色更加丰富，对比现有的图片特征点提取方法，本实施例可解决在不同曝光、颜色处理、白天黑夜等同内容的图片解决其相似问题。
实施例3
图7为本发明实施例3提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1所提供的图片特征点提取方法。图7显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1所提供的图片特征点提取方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1所提供的图片特征点提取方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1所提供的图片特征点提取方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
实施例5
如图8所示，本实施例公开了一种酒店图片相似度的判断方法，包括以下步骤：
步骤S201、获取酒店图片，所述酒店图片类别包括房型图片和酒店官方图片；
步骤S202、对每个类别下的酒店图片数据进行融合，以得到第一中间酒店图片；
步骤S203、使用加权平均法对所述第一中间酒店图片进行灰度化处理，使得图片中对应的像素值在0～255之间，以得到第二中间酒店图片；
步骤S204、将所述第二中间酒店图片按照一定比例进行缩放处理，以得到待处理酒店图片；
由于酒店图片分辨率较高，为了提高特征提取的速度，将图片按照一定比例进行缩放处理，处理公式如下：
其中，h为图片的高，w为图片的宽，244设定为缩放后的高，w'为缩放后的宽。
步骤S205、使用实施例1的特征点提取方法提取所述待处理酒店图片的特征点并根据特征点判断同一类别下的每两张所述待处理酒店图片的相似度。
如图9-1所示，本实施例中，若所述待处理酒店图片为房型图片，步骤S205包括以下步骤：
步骤S2051、通过ORB算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片的第一相似度；
步骤S2052、将所述第一相似度与第一预设阈值(如250)进行对比，若所述第一相似度大于所述第一预设阈值，则对应的两张房型图片相似，否则不相似；
如图9-2所示，本实施例中，若所述待处理酒店图片为酒店官方图片，步骤S205包括以下步骤：
步骤S2061、通过ORB算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片计算第二相似度；
步骤S2062、将所述第二相似度与第二预设阈值(如400)进行对比，若所述第二相似度大于所述第二预设阈值，则对应的两张酒店官方图片相似；若否执行步骤S2063；
步骤S2063、判断第二相似度是否落在第三预设阈值和第二预设阈值之间(如200～400)，若否不相似，若是执行步骤S2064；
步骤S2064、将所述待处理酒店图片通过SIFT算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片第三相似度；
步骤S2065、将所述第三相似度与第四预设阈值(如350)进行对比，若所述第三相似度大于第四预设阈值，则所述两张酒店官方图片相似，否则不相似；若第二相似度不落在第三预设阈值和第二预设阈值之间，则所述两张酒店官方图片不相似；
第二预设阈值大于第四预设阈值大于第一预设阈值大于第三预设阈值。
本实施例中计算相似分公式为：
其中，MatchRatio为匹配率，即为相似分；kpts1为一张图片的特征点，kpts2为另一张图片的特征点，union(*)为这两张图片成功匹配特征点个数，min(*)为这两张图片特征点个数的最小值。
实施例6
如图10所示，本实施例提供了一种酒店图片相似度的判断系统，包括获取图片模块31、融合模块32、灰度处理模块33、缩放处理模块34、计算相似模块35；
获取图片模块31，用于获取酒店图片，所述酒店图片类别包括房型图片和酒店官方图片；
融合模块32，用于对每个类别下的酒店图片数据进行融合，以得到第一中间酒店图片；
灰度处理模块33，用于使用加权平均法对所述第一中间酒店图片进行灰度化处理，使得图片中对应的像素值在0～255之间，以得到第二中间酒店图片；
缩放处理模块34，用于将所述第二中间酒店图片按照一定比例进行缩放处理，以得到待处理酒店图片；
由于酒店图片分辨率较高，为了提高特征提取的速度，将图片按照一定比例进行缩放处理，处理公式如下：
其中，h为图片的高，w为图片的宽，244设定为缩放后的高，w'为缩放后的宽。
计算相似模块35，使用实施例1的特征点提取方法提取所述待处理酒店图片的特征点并判断同一类别的每两张所述待处理酒店图片相似度。
如图11-1所示，本实施例中，若所述待处理酒店图片为房型图片，计算相似模块5包括第一计算单元51，第一判断单元52：
第一计算单元51，用于通过ORB算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片第一相似度；
第一判断单元52，用于将所述第一相似度与第一预设阈值(如250)进行对比，若所述第一相似度大于所述第一预设阈值，则所述两张房型图片相似，否则不相似；
如图11-2所示，本实施例中，若所述待处理酒店图片为酒店官方图片，计算相似模块5包括第二计算单元61，第二判断单元62；
第二计算单元61，用于通过ORB算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片计算第二相似度；
第二判断单元62，用于将所述第二相似度与第二预设阈值(如400)进行对比，若所述第二相似度大于所述第二预设阈值，则对应的两张酒店官方图片相似；若第二相似度落在第三预设阈值和第二预设阈值之间(如200～400)，将所述待处理酒店图片通过SIFT算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片第三相似度，若所述第三相似度大于第四预设阈值(如350)，则所述两张酒店官方图片相似，否则不相似；若第二相似度不落在第三预设阈值和第二预设阈值之间，则所述两张酒店官方图片不相似；
第二预设阈值大于第四预设阈值大于第一预设阈值大于第三预设阈值。
本实施例中计算相似分公式为：
其中，MatchRatio为匹配率，即为相似分；kpts1为一张图片的特征点，kpts2为另一张图片的特征点，union(*)为这两张图片成功匹配特征点个数，min(*)为这两张图片特征点个数的最小值。
实施例7
参照实施例3，图7为本实施例5提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例5所提供的酒店图片相似度的判断方法。图7显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例5所提供的酒店图片相似度的判断方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例8
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例5所提供的酒店图片相似度的判断方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例5所提供的酒店图片相似度的判断方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (18)

1.一种图片特征点提取方法，其特征在于，所述图片特征点提取方法包括：
根据原始图片获取具有多个通道的待处理图片；
对所述待处理图片分别进行每个通道的线性变换，得到与每个通道相对应的第一中间图片；
对每个第一中间图片在水平方向和垂直方向分别进行多个倾斜角度变换，并针对每个倾斜角度变换均生成一个对应的第二中间图片；
对每个第二中间图片进行ORB算法处理或SIFT算法处理，得到每个第二中间图片的特征点；
对每个第二中间图片的特征点进行合并，得到所述原始图片的特征点；
所述对所述待处理图片分别进行每个通道的线性变换，得到与每个通道相对应的第一中间图片的步骤包括：
获取所述对所述待处理图片的每个通道矩阵上的像素值P[i][j]；
对每个像素值P[i][j]进行检测，若P[i][j]*a+b>255则令P[i][j]＝255，否则令P[i][j]＝P[i][j]*a+b；
其中a和b为常量；
针对每个通道对应生成一张所述第一中间图片。
2.如权利要求1所述的图片特征点提取方法，其特征在于，所述待处理图片具有RGB三个通道；
所述根据原始图片获取具有多个通道的待处理图片的步骤包括：
若所述原始图片为单通道图片，则将所述单通道图片按照其他两个通道数值为0处理，转换为所述待处理图片；
若所述原始图片为四通道图片，则将四通道中的A通道剔除，转化为所述待处理图片。
3.如权利要求1所述的图片特征点提取方法，其特征在于，
若对每个第二中间图片进行ORB算法处理，则具体包括以下步骤：
对于所述第二中间图片的每个像素点，均检测周围是否有连续多个像素点的灰度值均大于或均小于该像素点的灰度值，若是则确定该像素点为特征点；
计算第二中间图片的每个特征点的像素值与该特征点周围若干个特征点的像素值的差值的绝对值之和，删除该差值的绝对值之和小于第一阈值的特征点，并保留该差值的绝对值之和大于该第一阈值的特征点。
4.如权利要求3所述的图片特征点提取方法，其特征在于，所述删除该差值的绝对值之和小于第一阈值的特征点，并保留该差值的绝对值之和大于该阈值的特征点步骤之后还包括：
对每个第二中间图片建立高斯金字塔，并通过矩法来确定第二中间图片的特征点的方向；
在每个第二中间图片的特征点中选取128个像素点对的像素值对pi、qi，对于每个像素点对的像素值对，若pi大于qi，则生成二进制串中的1，否则为0，并对选取的128个像素点对的像素值对进行比较，生成长度为128的二进制串作为所述特征点的向量。
5.如权利要求1所述的图片特征点提取方法，其特征在于，
若对每个第二中间图片进行SIFT算法处理，则具体包括以下步骤：
对所述每个第二中间图片进行所有尺度变化，通过高斯微分函数来识别潜在的对于尺度和旋转不变的候选关键点；
基于候选关键点拟合DOG函数曲线，获取所述DOG函数曲线的极值点作为第二中间图片的特征点。
6.如权利要求5所述的图片特征点提取方法，其特征在于，所述基于候选关键点拟合DOG函数曲线，获取所述DOG函数曲线的极值点作为第二中间图片的特征点步骤之后还包括：
基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向；
在每个关键点周围的像素进行分块，计算块内梯度直方图，生成该块内梯度直方图内特征点的向量。
7.一种图片特征点提取系统，其特征在于，所述图片特征点提取系统包括：
获取模块，用于根据原始图片获取具有多个通道的待处理图片；
线性变换模块，用于对所述待处理图片分别进行每个通道的线性变换，得到与每个通道相对应的第一中间图片；
角度变换模块，用于对每个第一中间图片在水平方向和垂直方向分别进行多个倾斜角度变换，并针对每个倾斜角度变换均生成一个对应的第二中间图片；
处理模块，用于对每个第二中间图片进行ORB算法处理或SIFT算法处理，得到每个第二中间图片的特征点；
合并模块，用于对每个第二中间图片的特征点进行合并，得到所述原始图片的特征点；
所述线性变换模块包括：
获取单元，用于获取所述对所述待处理图片的每个通道矩阵上的像素值P[i][j]；
检测单元，用于对每个像素值P[i][j]进行检测，若P[i][j]*a+b>255则令P[i][j]＝255，否则令P[i][j]＝P[i][j]*a+b；
其中a和b为常量；
生成单元，用于针对每个通道对应生成一张所述第一中间图片。
8.如权利要求7所述的图片特征点提取系统，其特征在于，所述待处理图片具有RGB三个通道；
若所述原始图片为单通道图片，所述获取模块用于将所述单通道图片按照其他两个通道数值为0处理，转换为所述待处理图片；
若所述原始图片为四通道图片，所述获取模块用于将四通道中的A通道剔除，转化为所述待处理图片。
9.如权利要求7所述的图片特征点提取系统，其特征在于，所述处理模块包括：
ORB单元，用于对每个第二中间图片进行ORB算法处理；
所述ORB单元包括：
比较子单元，用于对于所述第二中间图片的每个像素点，均检测周围是否有连续多个像素点的灰度值均大于或均小于该像素点的灰度值，若是则确定该像素点为特征点；
第一计算子单元，用于计算第二中间图片的每个特征点的像素值与该特征点周围若干个特征点的像素值的差值的绝对值之和，删除该差值的绝对值之和小于第一阈值的特征点，并保留该差值的绝对值之和大于该阈值的特征点。
10.如权利要求9所述的图片特征点提取系统，其特征在于，所述ORB单元还包括：
确定子单元，对每个第二中间图片建立高斯金字塔，并通过矩法来确定第二中间图片的特征点的方向；
生成子单元，在每个第二中间图片的特征点中选取128个像素点对的像素值对pi、qi，对于每个像素点对的像素值对，若pi大于qi，则生成二进制串中的1，否则为0，并对选取的128个像素点对的像素值对进行比较，生成长度为128的二进制串作为所述特征点的向量。
11.如权利要求7所述图片特征点提取系统，其特征在于，所述处理模块包括：
SIFT单元，用于对每个第二中间图片进行SIFT算法处理；
所述SIFT单元包括：
识别子单元，对所述每个第二中间图片进行所有尺度变化，通过高斯微分函数来识别潜在的对于尺度和旋转不变的候选关键点；
筛选子单元，基于候选关键点拟合DOG函数曲线，获取所述DOG函数曲线的极值点作为第二中间图片的特征点。
12.如权利要求11所述的图片特征点提取系统，其特征在于，所述SIFT单元还包括：
分配子单元，用于基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向；
第二计算子单元，用于在每个关键点周围的像素进行分块，计算块内梯度直方图，生成该块内梯度直方图内特征点的向量。
13.一种酒店图片相似度的判断方法，其特征在于，所述判断方法包括：
获取酒店图片，所述酒店图片类别包括房型图片和酒店官方图片；
对每个类别下的酒店图片数据进行融合，以得到第一中间酒店图片；
对所述第一中间酒店图片进行灰度化处理，以得到第二中间酒店图片；
将所述第二中间酒店图片按照一定比例进行缩放处理，以得到待处理酒店图片；
使用如权利要求1-6中任意一项所述的图片特征点提取方法提取所述待处理酒店图片的特征点并根据特征点判断同一类别下的每两张所述待处理酒店图片的相似度。
14.如权利要求13所述的酒店图片相似度的判断方法，其特征在于，所述提取所述待处理酒店图片的特征点并根据特征点计算同一类别下的每两张所述待处理酒店图片的相似度的步骤具体包括：
若所述待处理酒店图片为房型图片，通过ORB算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片的第一相似度；
将所述第一相似度与第一预设阈值进行对比，若所述第一相似度大于所述第一预设阈值，则对应的两张房型图片相似，否则不相似；
若所述待处理酒店图片为酒店官方图片，通过ORB算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片的第二相似度；
将所述第二相似度与第二预设阈值进行对比，若所述第二相似度大于所述第二预设阈值，则对应的两张酒店官方图片相似；若第二相似度落在第三预设阈值和第二预设阈值之间，将所述待处理酒店图片通过SIFT算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片第三相似度，若所述第三相似度大于第四预设阈值，则所述两张酒店官方图片相似，否则不相似；
若第二相似度不落在第三预设阈值和第二预设阈值之间，则所述两张酒店官方图片不相似；
第二预设阈值大于第四预设阈值大于第一预设阈值大于第三预设阈值。
15.一种酒店图片相似度的判断系统，其特征在于，所述图片相似度的判断系统包括：
获取图片模块，用于获取酒店图片，所述酒店图片类别包括房型图片和酒店官方图片；
融合模块，用于对每个类别下的酒店图片数据进行融合，以得到第一中间酒店图片；
灰度处理模块，用于对所述第一中间酒店图片进行灰度化处理，以得到第二中间酒店图片；
缩放处理模块，用于将所述第二中间酒店图片按照一定比例进行缩放处理，以得到待处理酒店图片；
计算相似模块，使用如权利要求1-6中任意一项所述的图片特征点提取方法提取所述待处理酒店图片的特征点并判断同一类别的每两张所述待处理酒店图片相似度。
16.如权利要求15所述的酒店图片相似度的判断系统，其特征在于，所述计算相似模块包括：
若所述待处理酒店图片为房型图片，计算相似模块包括：
第一计算单元，用于通过ORB算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片第一相似度；
第一判断单元，用于将所述第一相似度与第一预设阈值进行对比，若所述第一相似度大于所述第一预设阈值，则对应的两张房型图片相似，否则不相似；
若所述待处理酒店图片为酒店官方图片，计算相似模块包括：
第二计算单元，用于通过ORB算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片的第二相似度；
第二判断单元，用于将所述第二相似度与第二预设阈值进行对比，若所述第二相似度大于所述第二预设阈值，则对应的两张酒店官方图片相似；
若第二相似度落在第三预设阈值和第二预设阈值之间，将所述待处理酒店图片通过SIFT算法提取特征点，根据提取出的特征点，计算同一类别每两张待处理酒店图片第三相似度，若所述第三相似度大于第四预设阈值，则所述两张酒店官方图片相似，否则不相似；
若第二相似度不落在第三预设阈值和第二预设阈值之间，则所述两张酒店官方图片不相似；
第二预设阈值大于第四预设阈值大于第一预设阈值大于第三预设阈值。
17.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的图片特征点提取方法或权利要求13或14所述的酒店图片相似度的判断方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的图片特征点提取方法或权利要求13或14所述的酒店图片相似度的判断方法的步骤。
CN201911221593.3A 2019-12-03 2019-12-03 图片特征点提取及相似度的判断方法、系统、设备和介质 Active CN110909823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911221593.3A CN110909823B (zh) 2019-12-03 2019-12-03 图片特征点提取及相似度的判断方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911221593.3A CN110909823B (zh) 2019-12-03 2019-12-03 图片特征点提取及相似度的判断方法、系统、设备和介质

Publications (2)

Publication Number Publication Date
CN110909823A CN110909823A (zh) 2020-03-24
CN110909823B true CN110909823B (zh) 2024-03-26

Family

ID=69821831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911221593.3A Active CN110909823B (zh) 2019-12-03 2019-12-03 图片特征点提取及相似度的判断方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN110909823B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520849A (zh) * 2009-03-24 2009-09-02 上海水晶石信息技术有限公司 基于图像特征点提取与随机树分类的增强现实方法及系统
CN101561866A (zh) * 2009-05-27 2009-10-21 上海交通大学 基于sift特征与灰度差值直方图特征的文字识别方法
CN102005047A (zh) * 2010-11-15 2011-04-06 无锡中星微电子有限公司 图像配准系统及其方法
CN105426884A (zh) * 2015-11-10 2016-03-23 佛山科学技术学院 一种基于全幅特征提取的快速文档类型识别方法
CN108537235A (zh) * 2018-03-27 2018-09-14 北京大学 一种低复杂度尺度金字塔提取图像特征的方法
CN108710886A (zh) * 2018-05-04 2018-10-26 南京邮电大学 一种基于sift算法的重复图像匹配方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7062093B2 (en) * 2000-09-27 2006-06-13 Mvtech Software Gmbh System and method for object recognition
TWI420906B (zh) * 2010-10-13 2013-12-21 Ind Tech Res Inst 興趣區域之追蹤系統與方法及電腦程式產品
US9922423B2 (en) * 2012-07-12 2018-03-20 Nec Corporation Image angle variation detection device, image angle variation detection method and image angle variation detection program

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520849A (zh) * 2009-03-24 2009-09-02 上海水晶石信息技术有限公司 基于图像特征点提取与随机树分类的增强现实方法及系统
CN101561866A (zh) * 2009-05-27 2009-10-21 上海交通大学 基于sift特征与灰度差值直方图特征的文字识别方法
CN102005047A (zh) * 2010-11-15 2011-04-06 无锡中星微电子有限公司 图像配准系统及其方法
CN105426884A (zh) * 2015-11-10 2016-03-23 佛山科学技术学院 一种基于全幅特征提取的快速文档类型识别方法
CN108537235A (zh) * 2018-03-27 2018-09-14 北京大学 一种低复杂度尺度金字塔提取图像特征的方法
CN108710886A (zh) * 2018-05-04 2018-10-26 南京邮电大学 一种基于sift算法的重复图像匹配方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
利用编码层特征组合进行场景分类;崔崟等;《吉林大学学报（工学版）》;第43卷;正文第451页 *
抗旋转和缩放的SAR与可见光图像自动配准算法;龚俊斌等;《宇航学报》;20110630(第06期);全文 *
王忆勤主编.《中医面诊与计算机辅助诊断》.上海科学技术出版社,2010,第125-126页. *
融合特征的快速SURF配准算法;罗天健等;《中国图象图形学报》;20150116(第01期);全文 *

Also Published As

Publication number Publication date
CN110909823A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
WO2019218824A1 (zh) 一种移动轨迹获取方法及其设备、存储介质、终端
JP5775225B2 (ja) マルチレイヤ連結成分をヒストグラムと共に用いるテキスト検出
CN109389121B (zh) 一种基于深度学习的铭牌识别方法及系统
CN110853033B (zh) 基于帧间相似度的视频检测方法和装置
US20170193292A1 (en) Identifying the lines of a table
CN107209942B (zh) 对象检测方法和图像检索系统
JP6997369B2 (ja) プログラム、測距方法、及び測距装置
CN103929644A (zh) 一种视频指纹库建立、视频指纹识别方法及装置
CN111400528B (zh) 一种图像压缩方法、装置、服务器及存储介质
CN110852311A (zh) 一种三维人手关键点定位方法及装置
JP2019102061A (ja) テキスト線の区分化方法
CN111292335B (zh) 一种前景掩模特征图的确定方法、装置及电子设备
CN110942473A (zh) 一种基于特征点网格化匹配的运动目标跟踪检测方法
JP6690089B2 (ja) 帳票認識方法、帳票認識装置、及び帳票認識プログラム
WO2018121414A1 (zh) 电子设备、目标图像识别方法及装置
CN110909823B (zh) 图片特征点提取及相似度的判断方法、系统、设备和介质
CN113704276A (zh) 地图更新方法、装置、电子设备及计算机可读存储介质
US20220414393A1 (en) Methods and Systems for Generating Composite Image Descriptors
Rathi et al. Copy move forgery detection by using integration of SLIC and SIFT
Uchiyama et al. Camera tracking by online learning of keypoint arrangements using LLAH in augmented reality applications
US20170213103A1 (en) Image retrieving device, image retrieving method, and recording medium
WO2022125127A1 (en) Detection of image space suitable for overlaying media content
CN116824183B (zh) 基于多重特征描述符的图像特征匹配方法和装置
CN111597375B (zh) 基于相似图片组代表特征向量的图片检索方法及相关设备
CN111832626B (zh) 图像识别分类方法、装置及计算机可读存储介质

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