CN110991501A - 一种基于Hessian矩阵的改进ORB特征点匹配方法 - Google Patents

一种基于Hessian矩阵的改进ORB特征点匹配方法 Download PDF

Info

Publication number
CN110991501A
CN110991501A CN201911134839.3A CN201911134839A CN110991501A CN 110991501 A CN110991501 A CN 110991501A CN 201911134839 A CN201911134839 A CN 201911134839A CN 110991501 A CN110991501 A CN 110991501A
Authority
CN
China
Prior art keywords
point
feature
points
hessian matrix
characteristic
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
CN201911134839.3A
Other languages
English (en)
Other versions
CN110991501B (zh
Inventor
陈熙源
胡山山
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 CN201911134839.3A priority Critical patent/CN110991501B/zh
Publication of CN110991501A publication Critical patent/CN110991501A/zh
Application granted granted Critical
Publication of CN110991501B publication Critical patent/CN110991501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation 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
    • G06V10/751Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于Hessian矩阵的改进ORB特征点匹配方法,包括如下步骤:首先采用FAST算法对图像进行特征点初步提取,并对其进行非极大值抑制处理。然后采用SURF特征点提取中用到的Hessian矩阵对特征点进行优化提取,具体过程分为:对图像进行高斯滤波;分别计算每个初步提取特征点的Hessian矩阵判别式,若满足判别式取得局部最大值则保留;将该特征点的Hessian矩阵判别式与领域内的点Hessian矩阵判别式差值之和与设定的阈值进行比较,若大于设定阈值,则保留为最终的特征点,并通过灰度质心法确定特征点的方向。再通过改进BRIEF算法得到特征点的二进制特征描述符。最后根据汉明距离匹配来实现特征匹配。本发明能够寻找出更稳定的特征点,也一定程度提升了ORB算法的匹配精度。

Description

一种基于Hessian矩阵的改进ORB特征点匹配方法
技术领域:
本发明涉及属于数字图像处理领域;尤其涉及一种基于Hessian矩阵的改进ORB特征点匹配方法。
背景技术:
图像匹配是一种通过对影像内容、特征、结构、关系、纹理及灰度等的对应关系,相似性和一致性的分析,寻求相似影像目标的方法。而特征匹配作为图像匹配最为关键的方法之一,是利用图像的灰度信息,优先找出图像的特征点再进行图像匹配的一种方法。
ORB特征匹配算法是将FAST特征点检测与BRIEF特征描述相结合并进行了改进,是oFAST和rBRIRF的结合,不仅保留了FAST算法速度快的特性,同时具有较稳定的旋转不变性。ORB算法比SIFT算法效率高两个数量级,但是匹配精度却不及SIFT算法。而SURF算法中运用Hessian矩阵可以提取更稳定的特征点。因此,考虑在ORB算法的特征提取步骤,结合Hessian矩阵优化特征点的提取,提出一种基于Hessian矩阵的改进ORB特征点匹配方法。
发明内容
本发明公开了一种基于Hessian矩阵的改进ORB特征点匹配方法。首先采用FAST算法对图像进行特征点粗提取,并对其进行非极大值抑制处理;然后利用SURF算法中运用到Hessian矩阵对特征点进行优选;再通过改进BRIEF算法得到特征点的二进制特征描述符;最后通过汉明距离实现特征匹配。
本发明的技术方案分为四个阶段,包括以下步骤:
S1:输入待配准图像和参考图像,采用FAST特征点判别方法对图像进行特征点粗提取,然后对提取到的特征点进行非极大值抑制处理,去除局部较密集的特征点;
S2:对选取的特征点进行特征点优选,首先对图像进行高斯滤波,然后利用Hessian判别式判断该特征点处的响应是否为局部最大值,若是,则进入下一步判断,若否,则舍弃该特征点,再判断该特征点的Hessian矩阵判别式与相邻领域内的点的差值是否大于所设定的阈值,若是,则保留该特征点,若否,则舍弃该特征点,最后利用灰度质心法确定剩余特征点的特征方向;
S3:计算特征点的特征描述符,通过rBRIEF算法计算特征点的二进制特征描述符;
S4:根据待配准图像和参考图像得到的特征描述符,利用汉明距离进行特征匹配。
进一步的,所述步骤S1具体包括如下步骤:
S1-1:利用FAST特征判别算法进行特征点粗提取;
以点P为圆心画一个半径为3pixel的圆,若圆周上存在连续N个像素点的灰度值都比P点的灰度值大或者都比P点的灰度值小,则认为P点为特征点,一般N取12。同时为了尽快找出特征点,优先检测圆周上位置为1、5、9、13的灰度值,若满足4个位置中至少有3个满足上述条件,则继续进行判断,否则直接排除该点。
S1-2:对特征点进行非极大值抑制处理;
将特征点P与以其为圆心的圆上的16个点的灰度值偏差的绝对值和作为响应值,若响应值大于所设定的阈值,则保留该特征点,否则舍弃该特征点,以此来去除局部较密集的特征点。
Figure BDA0002279309800000031
其中GP表示P点的灰度值,Gi表示圆上第i个点的灰度值,Gth表示预先设定的阈值。
进一步的,所述步骤S2具体包括如下步骤:
S2-1:对图像进行高斯滤波;
对图像进行高斯滤波需要运用二维的高斯函数,零均值的二维高斯函数表达式为:
Figure BDA0002279309800000032
其中x、y表示像素点的横纵坐标,σ表示正态分布的标准差,r表示模糊半径(r2=x2+y2)。
理论上来说,图像中每点的分布都不为零,但是为了简化计算,对算法进行近似处理。在实际应用中,采用5×5大小的高斯模板,假设距离在5σ以外的像素都可以忽略,则每个像素的值就是距离该点5σ以内的像素值的加权平均。这样的模糊处理比其他的均衡模糊滤波器更好的保留了图像的边缘效果。
S2-2:利用Hessian判别式判断特征点P处的响应是否为局部最大值
计算特征点的Hessian矩阵,Hessian矩阵是一个多元函数的二阶偏导数构成的方阵,对于图像f(x,y),其Hessian矩阵如下:
Figure BDA0002279309800000041
其中f(x,y)表示坐标为(x,y)处像素的灰度值,H(f(x,y))表示坐标(x,y)处像素的Hessian矩阵。
假设经过高斯滤波后,求得的特征点的Hessian矩阵表达式如下:
Figure BDA0002279309800000042
在离散数字图像中,一阶导数是相邻像素的灰度差值,则有:
Lx=g(x+1,y)-g(x,y)
其中g(x,y)表示经过高斯滤波后坐标为(x,y)处像素的灰度值。
二阶导数是对一阶导数的再次求导,则有:
Lxx=[g(x+1,y)-g(x,y)]-[g(x,y)-g(x-1,y)]
同理可以求得Lxy和Lyy,则可进一步求得H(x,y,σ),已知Hessian矩阵的判别式如下:
det(H)=Lxx*Lyy-Lxy*Lxy
计算特征点的Hessian矩阵判别式,若特征点P的Hessian矩阵判别式的值大于其相邻8个点的Hessian矩阵判别式的值,则保留该特征点,否则舍弃该特征点;
det(HP)>det(Hi)i=1,2,3,...,8
其中det(HP)表示特征点P的Hessian矩阵判别式的值,det(Hi)表示与点P相邻的第i个点的Hessian矩阵判别式的值。
S2-3:判断特征点P的Hessian矩阵判别式与相邻领域内的点的差值是否大于所设定的阈值
计算特征点P的Hessian矩阵判别式与相邻领域内的8个点的差值之和,将结果与预设的阈值进行比较,若大于阈值,则保留该特征点,否则舍弃该特征点。
Figure BDA0002279309800000051
其中detth为预先设置的阈值。
S2-4:利用灰度质心法确定剩余特征点的特征方向
通过矩来计算特征点以r为半径范围内的质心,以特征点P的坐标到质心的向量作为特征点P的方向,矩的定义如下:
Figure BDA0002279309800000052
其中p、q为矩的阶数,f(x,y)表示坐标为(x,y)处像素的灰度值,mpq表示图像关于点(x,y)的p+q阶矩。
特征点P的质心C表达式为:
Figure BDA0002279309800000053
假设特征点P的坐标为O,则可以用向量的角度θP来表示特征点P的特征方向。
Figure BDA0002279309800000054
进一步的,所述步骤S3具体如下:
在特征点P的S×S的区域内,选取N对像素点pi、qi(i=1,2,...,N),并将这N对点对按照角度θP进行旋转得到新的点对p′i、q′i(i=1,2,...,N),然后比较每个点对的灰度值大小,若满足I(p′i)>I(q′i),则用二进制1来表示,否则为0。将所有点对比较完之后的结果用长度为N二进制串来表示,作为特征点P的特征描述符。
进一步的,所述步骤S4具体如下:
通过rBRIEF算法计算带配准图像的特征描述符T1和参考图像的特征描述符T2,计算T1和T2之间的汉明距离Hdis12,具体公式如下:
Figure BDA0002279309800000061
将Hdis12与预设定的阈值Hth进行比较,若大于预设阈值,则表示匹配成功,否则匹配失败,最后显示匹配成功的特征点对。
本发明与现有技术相比具有以下有益效果:
1、本发明在保持ORB算法特性不变的前提下,优化了ORB算法的特征提取,提取出了更稳定的特征点,提升算法的鲁棒性。
2、本发明一定程度上提升ORB算法的匹配精度。
附图说明
图1是本发明所述一种基于Hessian矩阵的改进ORB特征点匹配方法流程图。
图2是本发明所述算法与ORB算法匹配结果对比。
图3是ORB算法实现的图片Tree的匹配结果。
图4是本发明所述算法实现的图片Tree的匹配结果。
图5是ORB算法实现的图片Box的匹配结果。
图6是本发明所述算法实现的图片Box的匹配结果。
图7是ORB算法实现的图片Pencil Case的匹配结果。
图8是本发明所述算法实现的图片Pencil Case的匹配结果。
图9是ORB算法实现的图片Glasses Case的匹配结果。
图10是本发明所述算法实现的图片Glasses Case的匹配结果。
具体实施方式
下面结合具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
如图1所示:本实施例提供一种基于Hessian矩阵的改进ORB特征点匹配方法,包括如下具体步骤:
S1:输入待配准图像和参考图像,采用FAST特征点判别方法对图像进行特征点粗提取,然后对提取到的特征点进行非极大值抑制处理,去除局部较密集的特征点;
S1-1:利用FAST特征判别算法进行特征点粗提取
以点P为圆心画一个半径为3pixel的圆,若圆周上存在连续N个像素点的灰度值都比P点的灰度值大或者都比P点的灰度值小,则认为P点为特征点,一般N取12。同时为了尽快找出特征点,优先检测圆周上位置为1、5、9、13的灰度值,若满足4个位置中至少有3个满足上述条件,则继续进行判断,否则直接排除该点。
S1-2:对特征点进行非极大值抑制处理
将特征点P与以其为圆心的圆上的16个点的灰度值偏差的绝对值和作为响应值,若响应值大于所设定的阈值,则保留该特征点,否则舍弃该特征点,以此来去除局部较密集的特征点。
Figure BDA0002279309800000081
其中GP表示P点的灰度值,Gi表示圆上第i个点的灰度值,Gth表示预先设定的阈值。
S2:对选取的特征点进行特征点优选,首先对图像进行高斯滤波,然后利用Hessian判别式判断该特征点处的响应是否为局部最大值,若是,则进入下一步判断,若否,则舍弃该特征点,再判断该特征点的Hessian矩阵判别式与相邻领域内的点的差值是否大于所设定的阈值,若是,则保留该特征点,若否,则舍弃该特征点,最后利用灰度质心法确定剩余特征点的特征方向;
S2-1:对图像进行高斯滤波
对图像进行高斯滤波需要运用二维的高斯函数,零均值的二维高斯函数表达式为:
Figure BDA0002279309800000082
其中x、y表示像素点的横纵坐标,σ表示正态分布的标准差,r表示模糊半径(r2=x2+y2)。
理论上来说,图像中每点的分布都不为零,但是为了简化计算,对算法进行近似处理。在实际应用中,采用5×5大小的高斯模板,假设距离在5σ以外的像素都可以忽略,则每个像素的值就是距离该点5σ以内的像素值的加权平均。这样的模糊处理比其他的均衡模糊滤波器更好的保留了图像的边缘效果。
S2-2:利用Hessian判别式判断特征点P处的响应是否为局部最大值
计算特征点的Hessian矩阵,Hessian矩阵是一个多元函数的二阶偏导数构成的方阵,对于图像f(x,y),其Hessian矩阵如下:
Figure BDA0002279309800000091
其中f(x,y)表示坐标为(x,y)处像素的灰度值,H(f(x,y))表示坐标(x,y)处像素的Hessian矩阵。
假设经过高斯滤波后,求得的特征点的Hessian矩阵表达式如下:
Figure BDA0002279309800000092
在离散数字图像中,一阶导数是相邻像素的灰度差值,则有:
Lx=g(x+1,y)-g(x,y)
其中g(x,y)表示经过高斯滤波后坐标为(x,y)处像素的灰度值。
二阶导数是对一阶导数的再次求导,则有:
Lxx=[g(x+1,y)-g(x,y)]-[g(x,y)-g(x-1,y)]
同理可以求得Lxy和Lyy,则可进一步求得H(x,y,σ),已知Hessian矩阵的判别式如下:
det(H)=Lxx*Lyy-Lxy*Lxy
计算特征点的Hessian矩阵判别式,若特征点P的Hessian矩阵判别式的值大于其相邻8个点的Hessian矩阵判别式的值,则保留该特征点,否则舍弃该特征点。
det(HP)>det(Hi)i=1,2,3,...,8
其中det(HP)表示特征点P的Hessian矩阵判别式的值,det(Hi)表示与点P相邻的第i个点的Hessian矩阵判别式的值。
S2-3:判断特征点P的Hessian矩阵判别式与相邻领域内的点的差值是否大于所设定的阈值
计算特征点P的Hessian矩阵判别式与相邻领域内的8个点的差值之和,将结果与预设的阈值进行比较,若大于阈值,则保留该特征点,否则舍弃该特征点。
Figure BDA0002279309800000101
其中detth为预先设置的阈值。
S2-4:利用灰度质心法确定剩余特征点的特征方向
通过矩来计算特征点以r为半径范围内的质心,以特征点P的坐标到质心的向量作为特征点P的方向,矩的定义如下:
Figure BDA0002279309800000102
其中p、q为矩的阶数,f(x,y)表示坐标为(x,y)处像素的灰度值,mpq表示图像关于点(x,y)的p+q阶矩。
特征点P的质心C表达式为:
Figure BDA0002279309800000103
假设特征点P的坐标为O,则可以用向量的角度θP来表示特征点P的特征方向。
Figure BDA0002279309800000111
S3:计算特征点的特征描述符,通过rBRIEF算法计算特征点的二进制特征描述符;
在特征点P的S×S的区域内,选取N对像素点pi、qi(i=1,2,...,N),并将这N对点对按照角度θP进行旋转得到新的点对p′i、q′i(i=1,2,...,N),然后比较每个点对的灰度值大小,若满足I(p′i)>I(q′i),则用二进制1来表示,否则为0。将所有点对比较完之后的结果用长度为N二进制串来表示,作为特征点P的特征描述符。
S4:根据待配准图像和参考图像得到的特征描述符,利用汉明距离进行特征匹配。
通过rBRIEF算法计算带配准图像的特征描述符T1和参考图像的特征描述符T2,计算T1和T2之间的汉明距离Hdis12,具体公式如下:
Figure BDA0002279309800000112
将Hdis12与预设定的阈值Hth进行比较,若大于预设阈值,则表示匹配成功,否则匹配失败,最后显示匹配成功的特征点对。
为了让一般技术人员更好的理解本发明的技术方案,以下结合附图对本发明进行详细介绍。
本发明考虑实施4组图像作为匹配率比较的实验图像,分别是Tree图像对、Box图像对、Pencil Case图像对和Glasses Case图像对。
分别对四组图像用ORB特征检测算法和本文发明所述算法进行特征匹配实验,如图2所示。针对以上四组实验,可以看出存在旋转变化、光照变化和噪声干扰的情况下进行匹配;将匹配结果数据记录并计算匹配成功率。
匹配结果如图3至图10所示:本发明所述的改进ORB算法相比ORB算法在算法匹配成功率上都有一定程度的提高。本发明所述的一种基于Hessian矩阵的改进ORB特征点匹配方法成功的筛选出稳定的特征点,舍弃了性质不稳定的特征点,提升了算法的鲁棒性,同时也一定程度上提升了ORB算法的匹配精度。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属于本发明的涵盖范围。

Claims (5)

1.一种基于Hessian矩阵的改进ORB特征点匹配方法,其特征在于:该方法包括如下步骤:
S1:输入待配准图像和参考图像,采用FAST特征点判别方法对图像进行特征点粗提取,然后对提取到的特征点进行非极大值抑制处理,去除局部较密集的特征点;
S2:对选取的特征点进行特征点优选,首先对图像进行高斯滤波,然后利用Hessian判别式判断该特征点处的响应是否为局部最大值,若是,则进入下一步判断,若否,则舍弃该特征点,再判断该特征点的Hessian矩阵判别式与相邻领域内的点的差值是否大于所设定的阈值,若是,则保留该特征点,若否,则舍弃该特征点,最后利用灰度质心法确定剩余特征点的特征方向;
S3:计算特征点的特征描述符,通过rBRIEF算法计算特征点的二进制特征描述符;
S4:根据待配准图像和参考图像得到的特征描述符,利用汉明距离进行特征匹配。
2.根据权利要求1所述的一种基于Hessian矩阵的改进ORB特征点匹配方法,其特征在于:所述步骤S1具体包括如下步骤:
S1-1:利用FAST特征判别算法进行特征点粗提取
以点P为圆心画一个半径为3pixel的圆,若圆周上存在连续N个像素点的灰度值都比P点的灰度值大或者都比P点的灰度值小,则认为P点为特征点,一般N取12;同时为了尽快找出特征点,优先检测圆周上位置为1、5、9、13的灰度值,若满足4个位置中至少有3 个满足上述条件,则继续进行判断,否则直接排除该点。
S1-2:对特征点进行非极大值抑制处理;
将特征点P与以其为圆心的圆上的16个点的灰度值偏差的绝对值和作为响应值,若响应值大于所设定的阈值,则保留该特征点,否则舍弃该特征点,以此来去除局部较密集的特征点;
Figure FDA0002279309790000021
其中GP表示P点的灰度值,Gi表示圆上第i个点的灰度值。Gth表示预先设定的阈值。
3.根据权利要求1所述的一种基于Hessian矩阵的改进ORB特征点匹配方法,其特征在于:所述步骤S2具体包括如下步骤:
S2-1:对图像进行高斯滤波
对图像进行高斯滤波需要运用二维的高斯函数,零均值的二维高斯函数表达式为:
Figure FDA0002279309790000022
其中x、y表示像素点的横纵坐标,σ表示正态分布的标准差,r表示模糊半径(r2=x2+y2);
S2-2:利用Hessian判别式判断特征点P处的响应是否为局部最大值;
计算特征点的Hessian矩阵,Hessian矩阵是一个多元函数的二阶偏导数构成的方阵,对于图像f(x,y),其Hessian矩阵如下:
Figure FDA0002279309790000031
其中f(x,y)表示坐标为(x,y)处像素的灰度值,H(f(x,y))表示坐标(x,y)处像素的Hessian矩阵;
假设经过高斯滤波后,求得的特征点的Hessian矩阵表达式如下:
Figure FDA0002279309790000032
在离散数字图像中,一阶导数是相邻像素的灰度差值,则有:
Lx=g(x+1,y)-g(x,y)
其中g(x,y)表示经过高斯滤波后坐标为(x,y)处像素的灰度值;
二阶导数是对一阶导数的再次求导,则有:
Lxx=[g(x+1,y)-g(x,y)]-[g(x,y)-g(x-1,y)]
同理可以求得Lxy和Lyy,则可进一步求得H(x,y,σ),已知Hessian矩阵的判别式如下:
det(H)=Lxx*Lyy-Lxy*Lxy
计算特征点的Hessian矩阵判别式,若特征点P的Hessian矩阵判别式的值大于其相邻8个点的Hessian矩阵判别式的值,则保留该特征点,否则舍弃该特征点;
det(HP)>det(Hi) i=1,2,3,…,8
其中det(HP)表示特征点P的Hessian矩阵判别式的值,det(Hi)表示与点P相邻的第i个点的Hessian矩阵判别式的值;
S2-3:判断特征点P的Hessian矩阵判别式与相邻领域内的点的差值是否大于所设定的阈值;
计算特征点P的Hessian矩阵判别式与相邻领域内的8个点的差值之和,将结果与预设的阈值进行比较,若大于阈值,则保留该特征点,否则舍弃该特征点;
Figure FDA0002279309790000041
其中detth为预先设置的阈值;
S2-4:利用灰度质心法确定剩余特征点的特征方向;
通过矩来计算特征点以r为半径范围内的质心,以特征点P的坐标到质心的向量作为特征点P的方向,矩的定义如下:
Figure FDA0002279309790000042
其中p、q为矩的阶数,f(x,y)表示坐标为(x,y)处像素的灰度值,mpq表示图像关于点(x,y)的p+q阶矩;
特征点P的质心C表达式为:
Figure FDA0002279309790000043
假设特征点P的坐标为O,则可以用向量的角度θP来表示特征点P的特征方向;
Figure FDA0002279309790000044
4.根据权利要求1所述的一种基于Hessian矩阵的改进ORB特征点匹配方法,其特征在于:所述步骤S3具体如下:
S3:通过rBRIEF算法计算特征描述符
在特征点P的S×S的区域内,选取N对像素点pi、qi(i=1,2,...,N),并将这N对点对按照角度θP进行旋转得到新的点对p′i、q′i(i=1,2,...,N),然后比较每个点对的灰度值大小,若满足I(p′i)>I(q′i),则用二进制1来表示,否则为0。将所有点对比较完之后的结果用长度为N二进制串来表示,作为特征点P的特征描述符。
5.根据权利要求1所述的一种基于Hessian矩阵的改进ORB特征点匹配方法,其特征在于:所述步骤S4具体如下:
S4:利用汉明距离进行特征匹配;通过rBRIEF算法计算带配准图像的特征描述符T1和参考图像的特征描述符T2,计算T1和T2之间的汉明距离Hdis12,具体公式如下:
Figure FDA0002279309790000051
将Hdis12与预设定的阈值Hth进行比较,若大于预设阈值,则表示匹配成功,否则匹配失败,最后显示匹配成功的特征点对。
CN201911134839.3A 2019-11-19 2019-11-19 一种基于Hessian矩阵的改进ORB特征点匹配方法 Active CN110991501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911134839.3A CN110991501B (zh) 2019-11-19 2019-11-19 一种基于Hessian矩阵的改进ORB特征点匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911134839.3A CN110991501B (zh) 2019-11-19 2019-11-19 一种基于Hessian矩阵的改进ORB特征点匹配方法

Publications (2)

Publication Number Publication Date
CN110991501A true CN110991501A (zh) 2020-04-10
CN110991501B CN110991501B (zh) 2023-04-07

Family

ID=70084971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911134839.3A Active CN110991501B (zh) 2019-11-19 2019-11-19 一种基于Hessian矩阵的改进ORB特征点匹配方法

Country Status (1)

Country Link
CN (1) CN110991501B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112261417A (zh) * 2020-10-26 2021-01-22 京东方科技集团股份有限公司 视频推送方法及系统、设备及可读存储介质
CN113029160A (zh) * 2021-05-30 2021-06-25 浙江华睿科技有限公司 导航方法、导航终端及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751465A (zh) * 2015-03-31 2015-07-01 中国科学技术大学 一种基于lk光流约束的orb图像特征配准方法
CN104850851A (zh) * 2015-04-22 2015-08-19 福州大学 一种具有尺度不变性的orb特征点匹配方法
CN106919944A (zh) * 2017-01-20 2017-07-04 南京航空航天大学 一种基于orb算法的大视角图像快速识别方法
CN109146861A (zh) * 2018-08-04 2019-01-04 福州大学 一种改进的orb特征匹配方法
CN110414533A (zh) * 2019-06-24 2019-11-05 东南大学 一种改进orb的特征提取与匹配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751465A (zh) * 2015-03-31 2015-07-01 中国科学技术大学 一种基于lk光流约束的orb图像特征配准方法
CN104850851A (zh) * 2015-04-22 2015-08-19 福州大学 一种具有尺度不变性的orb特征点匹配方法
CN106919944A (zh) * 2017-01-20 2017-07-04 南京航空航天大学 一种基于orb算法的大视角图像快速识别方法
CN109146861A (zh) * 2018-08-04 2019-01-04 福州大学 一种改进的orb特征匹配方法
CN110414533A (zh) * 2019-06-24 2019-11-05 东南大学 一种改进orb的特征提取与匹配方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112261417A (zh) * 2020-10-26 2021-01-22 京东方科技集团股份有限公司 视频推送方法及系统、设备及可读存储介质
CN113029160A (zh) * 2021-05-30 2021-06-25 浙江华睿科技有限公司 导航方法、导航终端及计算机可读存储介质
CN113029160B (zh) * 2021-05-30 2021-09-14 浙江华睿科技股份有限公司 导航方法、导航终端及计算机可读存储介质

Also Published As

Publication number Publication date
CN110991501B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
CN108364272A (zh) 一种高性能红外-可见光融合探测方法
CN108122256B (zh) 一种逼近状态下旋转目标位姿测量的方法
CN107967482A (zh) 图标识别方法及装置
CN106981077B (zh) 基于dce和lss的红外图像和可见光图像配准方法
CN113128442B (zh) 基于卷积神经网络的汉字书法风格识别方法和评分方法
CN108830279B (zh) 一种图像特征提取与匹配方法
Abidin et al. Copy-move image forgery detection using deep learning methods: a review
CN110991501B (zh) 一种基于Hessian矩阵的改进ORB特征点匹配方法
CN108537832B (zh) 基于局部不变灰度特征的图像配准方法、图像处理系统
EP2240887A1 (en) Feature-based signatures for image identification
CN110738216A (zh) 基于改进surf算法的药品识别方法
CN113034383B (zh) 一种基于改进网格运动统计获取视频图像的方法
Sunitha et al. Efficient keypoint based copy move forgery detection method using hybrid feature extraction
Ding et al. Recognition of hand-gestures using improved local binary pattern
CN112614167A (zh) 一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法
CN110599478B (zh) 一种图像区域复制粘贴篡改检测方法
CN116310373A (zh) 基于改进surf特征的图像匹配方法
Cai et al. Feature detection and matching with linear adjustment and adaptive thresholding
CN106651756B (zh) 一种基于sift和验证机制的图像配准方法
CN115187791B (zh) 一种融合颜色和尺度特征的orb图像匹配方法
Ansari et al. Copy-Move Image Forgery Detection using Ring Projection and Modi_ed Fast Discrete Haar Wavelet Transform.
CN105814608B (zh) 图像处理装置和特定图形检测方法
CN116152517A (zh) 一种改进的orb特征提取方法
CN114964206A (zh) 一种单目视觉里程计目标位姿检测方法

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