CN111046906A - 一种面状特征点可靠加密匹配方法和系统 - Google Patents

一种面状特征点可靠加密匹配方法和系统 Download PDF

Info

Publication number
CN111046906A
CN111046906A CN201911056701.6A CN201911056701A CN111046906A CN 111046906 A CN111046906 A CN 111046906A CN 201911056701 A CN201911056701 A CN 201911056701A CN 111046906 A CN111046906 A CN 111046906A
Authority
CN
China
Prior art keywords
points
matching
constraint
triangle
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.)
Granted
Application number
CN201911056701.6A
Other languages
English (en)
Other versions
CN111046906B (zh
Inventor
徐振亮
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.)
China Center for Resource Satellite Data and Applications CRESDA
Original Assignee
China Center for Resource Satellite Data and Applications CRESDA
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 China Center for Resource Satellite Data and Applications CRESDA filed Critical China Center for Resource Satellite Data and Applications CRESDA
Priority to CN201911056701.6A priority Critical patent/CN111046906B/zh
Publication of CN111046906A publication Critical patent/CN111046906A/zh
Application granted granted Critical
Publication of CN111046906B publication Critical patent/CN111046906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/61—Scene description
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种面状特征点可靠加密匹配方法和系统，该方法包括：对输入的立体影像进行SIFT特征点提取，得到SIFT特征点；对所述SIFT特征点依次进行双向最邻近距离比测度约束、核线几何约束、单应性约束和视差梯度约束，得到似密集匹配种子点；对输入的立体影像进行Harris角点提取，得到Harris角点；根据所述似密集匹配种子点对所述Harris角点进行三角形约束，得到三角形约束似密集匹配点，并输出。通过本发明提高了影像匹配点密度和可靠性。

Description

一种面状特征点可靠加密匹配方法和系统
技术领域
本发明属于计算机视觉及摄影测量技术领域，尤其涉及一种面状特征点可靠加密匹配方法和系统。
背景技术
近景影像特别是含有面状特征的近景影像，在测绘、机器视觉等领域有广泛用途，例如基于立面街景、室内立面影像的建筑物精细模型对于机器人路径(道路)规划、室内导航较高的应用价值。影像匹配作为建筑物三维建模的常用方法得到广泛研究。
近景影像(如街景)由于存在遮挡、视角、光照变化大、尺度不一致、目标多样复杂和视差断裂等因素影响，基于常规灰度匹配方法准确获得密集(稠密)匹配点一直比较困难。而可靠、密集匹配点是目标三维建模的基础，因此复杂场景近景影像可靠、密集匹配是影像空间信息应用的重点研究问题。
发明内容
本发明的技术解决问题：克服现有技术的不足，提供一种面状特征点可靠加密匹配方法和系统，提高了影像匹配点密度和可靠性。
为了解决上述技术问题，本发明公开了一种面状特征点可靠加密匹配方法，包括：
对输入的立体影像进行SIFT特征点提取，得到SIFT特征点；
对所述SIFT特征点依次进行双向最邻近距离比测度约束、核线几何约束、单应性约束和视差梯度约束，得到似密集匹配种子点；
对输入的立体影像进行Harris角点提取，得到Harris角点；
根据所述似密集匹配种子点对所述Harris角点进行三角形约束，得到三角形约束似密集匹配点，并输出。
相应的，本发明还公开了一种面状特征点可靠加密匹配系统，包括：
SIFT特征点提取模块，用于对输入的立体影像进行SIFT特征点提取，得到SIFT特征点；
约束匹配模块，用于对所述SIFT特征点依次进行双向最邻近距离比测度约束、核线几何约束、单应性约束和视差梯度约束，得到似密集匹配种子点；
Harris角点提取模块，用于对输入的立体影像进行Harris角点提取，得到Harris角点；
输出模块，用于根据所述似密集匹配种子点对所述Harris角点进行三角形约束，得到三角形约束似密集匹配点，并输出。
本发明具有以下优点：
(1)本发明公开了一种面状特征点可靠加密匹配方案，实现了对影像面域特征点的准密集匹配：双向约束及核线约束条件充分提纯，然后在影像面域特征点内依次应用单应性约束和视差梯度约束条件进一步精化，最后应用Delaunay三角形约束完成特征点加密匹配。有效剔除影像面域外及影像邻接处的无效特征点，达到了仅加密匹配影像面域内特征点的目标。
(2)本发明论证了对于分布于平面的目标点，影像中同名三角形内部特征点与所在三角形顶点线性关系相同的结论，为在三角形约束下应用平面几何相似传播条件建立了依据，缩小了同名点搜索范围，提高了特征点匹配效率。
(3)通过多次单应性约束条件可有效拟合影像中的独立面状区域。
(4)本发明对于处理人工地物影像有一定的适用性，得到的匹配点可应用于建筑物三维建模等领域。
(5)通过视差图验证了本发明所述的面状特征点可靠加密匹配方案的有效性。
附图说明
图1是本发明实施例中一种面状特征点可靠加密匹配方法的步骤流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。
本发明公开了一种面状特征点可靠加密匹配方案，基于多种特征点的立面影像准密集(稠密)匹配方法：首先，以SIFT特征向量双向最邻近距离比(BNNDR)作为匹配测度条件得到粗匹配同名点；然后，综合考虑地面近景影像特点，以核线约束剔除粗差点，再经过多次单应性约束匹配拟合出平面特征点，经过视差梯度约束后，获得的可靠的匹配特征点作为种子点；在左、右影像上以同名种子点分别构建Delaunay三角形(同名Delaunay三角形)，在左影像内利用落在Delaunay三角形内的提取的特征点与三角形顶点的几何关系，利用同名点与所在三角形顶点一致几何关系将左影像内提取的特征点映射到右影像中，映射点确保在同名Delaunay三角形内，最后在映射点周围内通过特征相似性完成多种点特征(如Harris等)的匹配加密。结果表明，本发明可准密集匹配出影像中多面域特征点；另外，多种匹配约束策略的综合运用，使得匹配可靠性显著提高。本发明对于利用近景影像进行三维重建具有一定参考价值。
如图1，在本实施例中，该面状特征点可靠加密匹配方法，包括：
步骤101，对输入的立体影像进行SIFT特征点提取，得到SIFT特征点。
步骤102，对所述SIFT特征点依次进行双向最邻近距离比测度约束、核线几何约束、单应性约束和视差梯度约束，得到似密集匹配种子点。
在本实施例中，双向最邻近距离比匹配测度：在特征匹配中，一般采用的是最近邻距离比作为匹配相似性测度，以降低特征描述子匹配搜索的复杂度和提高匹配准确性。核线几何：又称极线几何，即同名点在同名核线上，本发明采用同名点到核线的距离作为核线约束关系的阈值条件。
核线几何约束对应的约束方程如下：
pTFp′＝0···(1)
其中，F为基础矩阵，p和p′为齐坐标下同名像点。
优选的，双向最邻近距离比测度约束和核线几何约束的约束步骤如下：
将最近邻距离比作为匹配相似性测度，对SIFT特征点进行约束匹配，得到粗匹配特征点；采用随机RANSAC算法，对所述粗匹配特征点进行拟合，得到立体影像的基础矩阵F；根据得到的立体影像的基础矩阵F，结合式(1)对所述粗匹配特征点进行约束匹配，剔除粗匹配特征点中的误匹配点，得到精匹配特征点。
在本实施例中，单应性约束条件是空间中处于平面上的点集与其构像之间的映射关系，用于剔除非平面特征点。其中，单应性约束对应的约束方程如下：
Figure BDA0002256730820000041
其中，λ表示比例系数，x和y表示面状范围内的匹配特征点的图像坐标，H表示单应性矩阵，X和Y表示空间平面坐标。
在本实施例中，视差梯度约束用于进一步提纯面状范围内的匹配点。其中，视差梯度约束对应的约束方程如下：
Figure BDA0002256730820000042
其中，pi+1、pi、p′i+1、p′i分别为立体影像相邻同名点坐标。
优选的，单应性约束和视差梯度约束的约束步骤如下：
根据式(2)对所述精匹配特征点进行约束，剔除非平面特征点，得到面状范围内的匹配特征点；根据式(3)对所述面状范围内的匹配特征点进行二次非平面特征点剔除，得到似密集匹配种子点。
步骤103，对输入的立体影像进行Harris角点提取，得到Harris角点。
在实际应用中，可以根据实际情况选择任一常用的特征点算子进行特征点提取，在本实施例中，选择Harris角点提取。
步骤104，根据所述似密集匹配种子点对所述Harris角点进行三角形约束，得到三角形约束似密集匹配点，并输出。
在本实施例中，三角形约束似密集匹配点的筛选流程如下：
4.1)根据输入的第一立体影像(左)和第二立体影像(右)对应的似密集匹配种子点，建立Delaunay三角网，分别记为三角形△abc和三角形△a'b'c'。
在本实施例中，a、b、c和a'、b'、c'为按Delaunay三角形顺序排列的同名点；第一立体影像和第二立体影像对应的Harris角点分别位于同名三角形△abc和三角形△a'b'c'内，分别记为PA和PB。
4.2)第一立体影像中的每个Harris角点Pi与三角形△abc的三个顶点的关系满足：
Pi＝α+β(b-a)+γ(c-a)···(4)
其中，Pi∈PA，β和γ分别是向量(b-a)和向量(c-a)的系数。
4.3)已知Pi，根据如下式(5)对系数α、β、γ进行求解：
Figure BDA0002256730820000051
其中，xa、ya、xb、yb、xc和yc分别为三角形△abc的三个顶点a、b、c的坐标，xi和yi为Harris角点Pi的坐标。
4.4)根据求解得到的系数α、β、γ预测Pi的匹配点P′i的位置Pe。
Figure BDA0002256730820000052
其中，xe和ye为Pe的坐标，x′a、y′a、x′b、y′b、x′c和y′c分别为三角形△a'b'c'的三个顶点a'、b'、c'的坐标。
4.5)根据求解得到的匹配点P′i的位置Pe，结合相似性度量关系，进行匹配检验，确定三角形约束似密集匹配点。
在本实施例中，为了提高抗噪和影像扭曲能力，以Pe为圆心，像素为半径R的区域定义为备选区域，令集合C为备选特征集合；计算Pi与备选特征集合中的备选特征Cj之间的相似度si：
Figure BDA0002256730820000053
其中，dist表示Pi与备选特征Cj之间位置上的欧氏距离，Di和DCj表示Pi与备选特征Cj的特征描述子向量。
若相似度si满足阈值条件，同名点判断检验通过，得到三角形约束似密集匹配点。
在上述实施例的基础上，本发明还公开了一种面状特征点可靠加密匹配系统，包括：SIFT特征点提取模块，用于对输入的立体影像进行SIFT特征点提取，得到SIFT特征点；约束匹配模块，用于对所述SIFT特征点依次进行双向最邻近距离比测度约束、核线几何约束、单应性约束和视差梯度约束，得到似密集匹配种子点；Harris角点提取模块，用于对输入的立体影像进行Harris角点提取，得到Harris角点；输出模块，用于根据所述似密集匹配种子点对所述Harris角点进行三角形约束，得到三角形约束似密集匹配点，并输出。
对于系统实施例而言，由于其与方法实施例相对应，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。

Claims (10)

1.一种面状特征点可靠加密匹配方法，其特征在于，包括：
对输入的立体影像进行SIFT特征点提取，得到SIFT特征点；
对所述SIFT特征点依次进行双向最邻近距离比测度约束、核线几何约束、单应性约束和视差梯度约束，得到似密集匹配种子点；
对输入的立体影像进行Harris角点提取，得到Harris角点；
根据所述似密集匹配种子点对所述Harris角点进行三角形约束，得到三角形约束似密集匹配点，并输出。
2.根据权利要求1所述的面状特征点可靠加密匹配方法，其特征在于，核线几何约束对应的约束方程如下：
pTFp′＝0···(1)
其中，F为基础矩阵，p和p′为齐坐标下同名像点。
3.根据权利要求2所述的面状特征点可靠加密匹配方法，其特征在于，双向最邻近距离比测度约束和核线几何约束的约束步骤如下：
将最近邻距离比作为匹配相似性测度，对SIFT特征点进行约束匹配，得到粗匹配特征点；
采用随机RANSAC算法，对所述粗匹配特征点进行拟合，得到立体影像的基础矩阵F；
根据得到的立体影像的基础矩阵F，结合式(1)对所述粗匹配特征点进行约束匹配，得到精匹配特征点。
4.根据权利要求3所述的面状特征点可靠加密匹配方法，其特征在于，单应性约束对应的约束方程如下：
Figure FDA0002256730810000011
其中，λ表示比例系数，x和y表示面状范围内的匹配特征点的图像坐标，H表示单应性矩阵，X和Y表示空间平面坐标。
5.根据权利要求4所述的面状特征点可靠加密匹配方法，其特征在于，视差梯度约束对应的约束方程如下：
Figure FDA0002256730810000021
其中，pi+1、pi、p′i+1、p′i分别为立体影像相邻同名点坐标。
6.根据权利要求5所述的面状特征点可靠加密匹配方法，其特征在于，单应性约束和视差梯度约束的约束步骤如下：
根据式(2)对所述精匹配特征点进行约束，剔除非平面特征点，得到面状范围内的匹配特征点；
根据式(3)对所述面状范围内的匹配特征点进行二次非平面特征点剔除，得到似密集匹配种子点。
7.根据权利要求1所述的面状特征点可靠加密匹配方法，其特征在于，根据所述似密集匹配种子点对所述Harris角点进行三角形约束，得到三角形约束似密集匹配点，并输出，包括：
根据第一立体影像和第二立体影像对应的似密集匹配种子点，建立Delaunay三角网，分别记为三角形△abc和三角形△a'b'c'；其中，a、b、c和a'、b'、c'为按Delaunay三角形顺序排列的同名点；第一立体影像和第二立体影像对应的Harris角点分别位于同名三角形△abc和三角形△a'b'c'内，分别记为PA和PB；
第一立体影像中的每个Harris角点Pi与三角形△abc的三个顶点的关系满足：
Pi＝α+β(b-a)+γ(c-a)···(4)
其中，Pi∈PA，β和γ分别是向量(b-a)和向量(c-a)的系数；
已知Pi，根据如下式(5)对系数α、β、γ进行求解：
Figure FDA0002256730810000022
其中，xa、ya、xb、yb、xc和yc分别为三角形△abc的三个顶点a、b、c的坐标，xi和yi为Harris角点Pi的坐标；
根据求解得到的系数α、β、γ预测Pi的匹配点Pi′的位置Pe；
根据求解得到的匹配点Pi′的位置Pe，结合相似性度量关系，进行匹配检验，确定三角形约束似密集匹配点。
8.根据权利要求7所述的面状特征点可靠加密匹配方法，其特征在于，通过如下式(6)求解Pe：
Figure FDA0002256730810000031
其中，xe和ye为Pe的坐标，x′a、y′a、x′b、y′b、x′c和y′c分别为三角形△a'b'c'的三个顶点a'、b'、c'的坐标。
9.根据权利要求7所述的面状特征点可靠加密匹配方法，其特征在于，根据求解得到的匹配点Pi′的位置Pe，结合相似性度量关系，进行匹配检验，确定三角形约束似密集匹配点，包括：
以Pe为圆心，像素为半径R的区域定义为备选区域，令集合C为备选特征集合；
计算Pi与备选特征集合中的备选特征Cj之间的相似度si：
Figure FDA0002256730810000032
其中，dist表示Pi与备选特征Cj之间位置上的欧氏距离，Di和DCj表示Pi与备选特征Cj的特征描述子向量；
若相似度si满足阈值条件，同名点判断检验通过，得到三角形约束似密集匹配点。
10.一种面状特征点可靠加密匹配系统，其特征在于，包括：
SIFT特征点提取模块，用于对输入的立体影像进行SIFT特征点提取，得到SIFT特征点；
约束匹配模块，用于对所述SIFT特征点依次进行双向最邻近距离比测度约束、核线几何约束、单应性约束和视差梯度约束，得到似密集匹配种子点；
Harris角点提取模块，用于对输入的立体影像进行Harris角点提取，得到Harris角点；
输出模块，用于根据所述似密集匹配种子点对所述Harris角点进行三角形约束，得到三角形约束似密集匹配点，并输出。
CN201911056701.6A 2019-10-31 2019-10-31 一种面状特征点可靠加密匹配方法和系统 Active CN111046906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911056701.6A CN111046906B (zh) 2019-10-31 2019-10-31 一种面状特征点可靠加密匹配方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911056701.6A CN111046906B (zh) 2019-10-31 2019-10-31 一种面状特征点可靠加密匹配方法和系统

Publications (2)

Publication Number Publication Date
CN111046906A true CN111046906A (zh) 2020-04-21
CN111046906B CN111046906B (zh) 2023-10-31

Family

ID=70232865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911056701.6A Active CN111046906B (zh) 2019-10-31 2019-10-31 一种面状特征点可靠加密匹配方法和系统

Country Status (1)

Country Link
CN (1) CN111046906B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11272733A (ja) * 1998-03-24 1999-10-08 Toshiba Corp 形状特徴抽出装置、方法および形状特徴抽出プログラムを記録した記録媒体
US20030231792A1 (en) * 2000-05-04 2003-12-18 Zhengyou Zhang System and method for progressive stereo matching of digital images
US20070058855A1 (en) * 2005-09-13 2007-03-15 Hong-Long Chou Method for rapidly establishing image space relation using plane filtering constraint
US20080123937A1 (en) * 2006-11-28 2008-05-29 Prefixa Vision Systems Fast Three Dimensional Recovery Method and Apparatus
CN101866497A (zh) * 2010-06-18 2010-10-20 北京交通大学 基于双目立体视觉的智能三维人脸重建方法及系统
CN102073874A (zh) * 2010-12-29 2011-05-25 中国资源卫星应用中心 附加几何约束的航天三线阵ccd相机多影像立体匹配方法
JP2012146199A (ja) * 2011-01-13 2012-08-02 Nippon Steel Corp 視線位置検出装置、視線位置検出方法、及びコンピュータプログラム
CN104134203A (zh) * 2014-07-07 2014-11-05 上海珞琪软件有限公司 一种近景摄影测量的快速密集匹配法
CN104200517A (zh) * 2014-08-06 2014-12-10 北京工业大学 一种三维重建方法
CN105160702A (zh) * 2015-08-20 2015-12-16 武汉大学 基于LiDAR点云辅助的立体影像密集匹配方法及系统
CN105184327A (zh) * 2015-10-30 2015-12-23 上海海事大学 一种基于顶点三分策略的遥感图像特征点匹配方法
CN105513094A (zh) * 2015-12-17 2016-04-20 上海交通大学 基于三维Delaunay三角剖分的立体视觉跟踪方法及系统
WO2017107865A1 (zh) * 2015-12-22 2017-06-29 成都理想境界科技有限公司 图像检索系统、服务器、数据库及相关的方法
US20170221211A1 (en) * 2016-02-03 2017-08-03 Mitsubishi Electric Research Laboratories, Inc. Method and System for Reconstructing Scenes as 3D Models from Sequences of Images Using Constraint Satisfaction
CN107481315A (zh) * 2017-06-29 2017-12-15 重庆邮电大学 一种基于Harris‑SIFT‑BRIEF算法的单目视觉三维环境重建方法
CN107767442A (zh) * 2017-10-16 2018-03-06 浙江工业大学 一种基于Kinect和双目视觉的脚型三维重建与测量方法
CN108805915A (zh) * 2018-04-19 2018-11-13 南京市测绘勘察研究院股份有限公司 一种抗视角变化的近景影像区域特征匹配方法
US10255716B1 (en) * 2016-08-09 2019-04-09 Bentley Systems, Incorporated Multi-resolution tiled 2.5D delaunay triangulation stitching
CN110135455A (zh) * 2019-04-08 2019-08-16 平安科技（深圳）有限公司 影像匹配方法、装置及计算机可读存储介质

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11272733A (ja) * 1998-03-24 1999-10-08 Toshiba Corp 形状特徴抽出装置、方法および形状特徴抽出プログラムを記録した記録媒体
US20030231792A1 (en) * 2000-05-04 2003-12-18 Zhengyou Zhang System and method for progressive stereo matching of digital images
US20070058855A1 (en) * 2005-09-13 2007-03-15 Hong-Long Chou Method for rapidly establishing image space relation using plane filtering constraint
US20080123937A1 (en) * 2006-11-28 2008-05-29 Prefixa Vision Systems Fast Three Dimensional Recovery Method and Apparatus
CN101866497A (zh) * 2010-06-18 2010-10-20 北京交通大学 基于双目立体视觉的智能三维人脸重建方法及系统
CN102073874A (zh) * 2010-12-29 2011-05-25 中国资源卫星应用中心 附加几何约束的航天三线阵ccd相机多影像立体匹配方法
JP2012146199A (ja) * 2011-01-13 2012-08-02 Nippon Steel Corp 視線位置検出装置、視線位置検出方法、及びコンピュータプログラム
CN104134203A (zh) * 2014-07-07 2014-11-05 上海珞琪软件有限公司 一种近景摄影测量的快速密集匹配法
CN104200517A (zh) * 2014-08-06 2014-12-10 北京工业大学 一种三维重建方法
CN105160702A (zh) * 2015-08-20 2015-12-16 武汉大学 基于LiDAR点云辅助的立体影像密集匹配方法及系统
CN105184327A (zh) * 2015-10-30 2015-12-23 上海海事大学 一种基于顶点三分策略的遥感图像特征点匹配方法
CN105513094A (zh) * 2015-12-17 2016-04-20 上海交通大学 基于三维Delaunay三角剖分的立体视觉跟踪方法及系统
WO2017107865A1 (zh) * 2015-12-22 2017-06-29 成都理想境界科技有限公司 图像检索系统、服务器、数据库及相关的方法
US20170221211A1 (en) * 2016-02-03 2017-08-03 Mitsubishi Electric Research Laboratories, Inc. Method and System for Reconstructing Scenes as 3D Models from Sequences of Images Using Constraint Satisfaction
US10255716B1 (en) * 2016-08-09 2019-04-09 Bentley Systems, Incorporated Multi-resolution tiled 2.5D delaunay triangulation stitching
CN107481315A (zh) * 2017-06-29 2017-12-15 重庆邮电大学 一种基于Harris‑SIFT‑BRIEF算法的单目视觉三维环境重建方法
CN107767442A (zh) * 2017-10-16 2018-03-06 浙江工业大学 一种基于Kinect和双目视觉的脚型三维重建与测量方法
CN108805915A (zh) * 2018-04-19 2018-11-13 南京市测绘勘察研究院股份有限公司 一种抗视角变化的近景影像区域特征匹配方法
CN110135455A (zh) * 2019-04-08 2019-08-16 平安科技（深圳）有限公司 影像匹配方法、装置及计算机可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
吴飞;蔡胜渊;郭同强;庄越挺: "三角形约束下的图像特征点匹配方法", 计算机辅助设计与图形学学报, vol. 22, no. 03, pages 503 - 510 *
徐振亮;李艳焕;闫利;晏磊;: "面向立面大角度影像拼接的稳健匹配方法", no. 01, pages 131 - 133 *
祁曦陈, 志云: "结合SIFT和Delaunay三角网的遥感图像配准算法", 计算机系统应用, vol. 27, no. 10, pages 161 - 169 *
谢萍;邹峥嵘;肖奇;: "基于Harris角点和SIFT特征的近景影像匹配", vol. 37, no. 04, pages 107 - 110 *

Also Published As

Publication number Publication date
CN111046906B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
Wu et al. Integration of aerial oblique imagery and terrestrial imagery for optimized 3D modeling in urban areas
CN110033489B (zh) 一种车辆定位准确性的评估方法、装置及设备
CN102750537B (zh) 一种高精度图像自动配准方法
CN112927360A (zh) 一种基于倾斜模型与激光点云数据融合的三维建模方法和系统
CN107767456A (zh) 一种基于rgb‑d相机的物体三维重建方法
Coorg et al. Acquisition of a large pose-mosaic dataset
Remondino 3-D reconstruction of static human body shape from image sequence
Hoegner et al. Evaluation of methods for coregistration and fusion of rpas-based 3d point clouds and thermal infrared images
Kuschk Large scale urban reconstruction from remote sensing imagery
CN111652241B (zh) 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法
JP2016217941A (ja) ３次元データ評価装置、３次元データ測定システム、および３次元計測方法
Zhang et al. Relative orientation based on multi-features
Alsadik Guided close range photogrammetry for 3D modelling of cultural heritage sites
CN107590444A (zh) 静态障碍物的检测方法、装置及存储介质
CN111295667A (zh) 图像立体匹配的方法和辅助驾驶装置
Banks et al. Fast and robust stereo matching algorithms for mining automation
Zou et al. Plane-based global registration for pavement 3D reconstruction using hybrid solid-state LiDAR point cloud
CN114004894A (zh) 基于三个标定板的激光雷达与双目相机空间关系确定方法
Ebrahimikia et al. True orthophoto generation based on unmanned aerial vehicle images using reconstructed edge points
Gonzalez-Aguilera et al. From point cloud to CAD models: Laser and optics geotechnology for the design of electrical substations
CN111046906B (zh) 一种面状特征点可靠加密匹配方法和系统
Kochi et al. Development of 3D image measurement system and stereo‐matching method, and its archaeological measurement
Yoo et al. Improved LiDAR-camera calibration using marker detection based on 3D plane extraction
Wu Photogrammetry for 3D mapping in Urban Areas
Li et al. Automatic Keyline Recognition and 3D Reconstruction For Quasi‐Planar Façades in Close‐range Images

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