CN111160363A - 特征描述子生成方法、装置、可读存储介质及终端设备 - Google Patents
特征描述子生成方法、装置、可读存储介质及终端设备 Download PDFInfo
- Publication number
- CN111160363A CN111160363A CN201911213200.4A CN201911213200A CN111160363A CN 111160363 A CN111160363 A CN 111160363A CN 201911213200 A CN201911213200 A CN 201911213200A CN 111160363 A CN111160363 A CN 111160363A
- Authority
- CN
- China
- Prior art keywords
- average gray
- value
- gray value
- preset
- descriptor
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000004590 computer program Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请属于图像处理技术领域，尤其涉及一种特征描述子生成方法、装置、计算机可读存储介质及终端设备。所述方法提取目标图像中的特征点；按照预设的窗口尺寸从所述目标图像中提取特征窗口，所述特征窗口以所述特征点为中心；按照预设的各种阶梯模式分别对所述特征窗口进行划分，得到在每种阶梯模式下的各个子区域；在每种阶梯模式下，分别计算各个子区域的平均灰度值，并根据各个子区域的平均灰度值确定描述子的数值；根据在各种阶梯模式下确定的描述子的数值生成所述特征点的特征描述子向量。通过本申请实施例，可以有效地降低特征描述子向量的维度，减少对计算资源和存储空间的消耗，节省计算时间，从而可以满足各种实时性的应用场景。
Description
技术领域
本申请属于图像处理技术领域，尤其涉及一种特征描述子生成方法、装置、计算机可读存储介质及终端设备。
背景技术
传统检测图像特征点和特征点匹配的算法主要分为尺度不变特征变换和局部强度不变特征描述子两种类别，譬如SIFT和PIIFD。然而上述两种方法通常需要生成高维度的特征描述子向量，譬如传统SIFT描述子向量的维度为128维，SIFT-add描述子向量的维度进一步扩展到188维。特征描述子向量的维度越高，所消耗的计算资源和存储空间也会随之增加，耗费的时间也会越久，无法满足某些注重实时性的应用场景。
发明内容
有鉴于此，本申请实施例提供了一种特征描述子生成方法、装置、计算机可读存储介质及终端设备，以解决现有技术中的特征描述子向量的维度较高，所消耗的计算资源和存储空间较多，耗费的时间较久，无法满足某些注重实时性的应用场景的问题。
本申请实施例的第一方面提供了一种特征描述子生成方法，可以包括：
提取目标图像中的特征点；
按照预设的窗口尺寸从所述目标图像中提取特征窗口，所述特征窗口以所述特征点为中心；
按照预设的各种阶梯模式分别对所述特征窗口进行划分，得到在每种阶梯模式下的各个子区域；
在每种阶梯模式下，分别计算各个子区域的平均灰度值，并根据各个子区域的平均灰度值确定描述子的数值；
根据在各种阶梯模式下确定的描述子的数值生成所述特征点的特征描述子向量。
进一步地，在按照预设的窗口尺寸从所述目标图像中提取特征窗口之前，所述方法还可以包括：
计算所述特征点的角度特征；
以所述特征点为中心，根据所述角度特征对所述目标图像进行旋转，得到旋转后的目标图像。
进一步地，所述计算所述特征点的角度特征可以包括：
确定相交于所述特征点的两条拟合线段；
分别计算所述特征点与所述两条拟合线段的各个端点之间的距离；
根据所述特征点与所述两条拟合线段的各个端点之间的距离选取第一优选端点和第二优选端点；
计算第一旋转角度和第二旋转角度，所述第一旋转角度为第一线段逆时针旋转至与预设的坐标轴正方向重合时的旋转角度，所述第二旋转角度为第二线段逆时针旋转至与所述坐标轴正方向重合时的旋转角度，所述第一线段为连接所述特征点与所述第一优选端点的线段，所述第二线段为连接所述特征点与所述第二优选端点的线段；
根据所述第一旋转角度和所述第二旋转角度计算所述特征点的角度特征。
进一步地，在预设的二级阶梯模式下，所述根据各个子区域的平均灰度值确定描述子的数值包括：
分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值；
若满足预设的第一条件，则确定描述子的数值为预设的第一数值，所述第一条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于预设的阈值；
若不满足所述第一条件，则确定描述子的数值为预设的第二数值。
进一步地，在预设的三级阶梯模式下，所述根据各个子区域的平均灰度值确定描述子的数值包括：
分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，以及各个第二平均灰度值与各个第三平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值，所述第三平均灰度值为预设的三阶子区域的平均灰度值；
若满足预设的第二条件，则确定描述子的数值为预设的第一数值，所述第二条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于预设的阈值，且各个第二平均灰度值与各个第三平均灰度值之间的差值均大于所述阈值；
若不满足所述第二条件，则确定描述子的数值为预设的第二数值。
进一步地，在预设的四级阶梯模式下，所述根据各个子区域的平均灰度值确定描述子的数值包括：
分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，各个第二平均灰度值与各个第三平均灰度值之间的差值，以及各个第三平均灰度值与各个第四平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值，所述第三平均灰度值为预设的三阶子区域的平均灰度值，所述第四平均灰度值为预设的三阶子区域的平均灰度值；
若满足预设的第三条件，则确定描述子的数值为预设的第一数值，所述第三条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于预设的阈值，各个第二平均灰度值与各个第三平均灰度值之间的差值均大于所述阈值，且各个第三平均灰度值与各个第四平均灰度值之间的差值均大于所述阈值；
若不满足所述第三条件，则确定描述子的数值为预设的第二数值。
进一步地，所述提取目标图像中的特征点可以包括：
对所述目标图像进行边缘检测，得到边缘二值图像；
对所述边缘二值图像中的边缘线进行线段拟合，得到各条拟合线段；
提取各条拟合线段的交点作为所述特征点。
本申请实施例的第二方面提供了一种特征描述子生成装置，可以包括：
特征点提取模块，用于提取目标图像中的特征点；
特征窗口提取模块，用于按照预设的窗口尺寸从所述目标图像中提取特征窗口，所述特征窗口以所述特征点为中心；
子区域划分模块，用于按照预设的各种阶梯模式分别对所述特征窗口进行划分，得到在每种阶梯模式下的各个子区域；
描述子计算模块，用于在每种阶梯模式下，分别计算各个子区域的平均灰度值，并根据各个子区域的平均灰度值确定描述子的数值；
特征描述子向量生成模块，用于根据在各种阶梯模式下确定的描述子的数值生成所述特征点的特征描述子向量。
进一步地，所述特征描述子生成装置还可以包括：
角度特征计算模块，用于计算所述特征点的角度特征；
图像旋转模块，用于以所述特征点为中心，根据所述角度特征对所述目标图像进行旋转，得到旋转后的目标图像。
进一步地，所述角度特征计算模块可以包括：
拟合线段确定单元，用于确定相交于所述特征点的两条拟合线段；
端点距离计算单元，用于分别计算所述特征点与所述两条拟合线段的各个端点之间的距离；
优选端点选取单元，用于根据所述特征点与所述两条拟合线段的各个端点之间的距离选取第一优选端点和第二优选端点；
旋转角度计算单元，用于计算第一旋转角度和第二旋转角度，所述第一旋转角度为第一线段逆时针旋转至与预设的坐标轴正方向重合时的旋转角度，所述第二旋转角度为第二线段逆时针旋转至与所述坐标轴正方向重合时的旋转角度，所述第一线段为连接所述特征点与所述第一优选端点的线段，所述第二线段为连接所述特征点与所述第二优选端点的线段；
角度特征计算单元，用于根据所述第一旋转角度和所述第二旋转角度计算所述特征点的角度特征。
进一步地，所述描述子计算模块可以包括：
第一差值计算单元，用于分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值；
第一确定单元，用于若满足预设的第一条件，则确定描述子的数值为预设的第一数值，所述第一条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于预设的阈值；
第二确定单元，用于若不满足所述第一条件，则确定描述子的数值为预设的第二数值。
进一步地，所述描述子计算模块可以包括：
第二差值计算单元，用于分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，以及各个第二平均灰度值与各个第三平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值，所述第三平均灰度值为预设的三阶子区域的平均灰度值；
第三确定单元，用于若满足预设的第二条件，则确定描述子的数值为预设的第一数值，所述第二条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于预设的阈值，且各个第二平均灰度值与各个第三平均灰度值之间的差值均大于所述阈值；
第四确定单元，用于若不满足所述第二条件，则确定描述子的数值为预设的第二数值。
进一步地，所述描述子计算模块可以包括：
第三差值计算单元，用于分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，各个第二平均灰度值与各个第三平均灰度值之间的差值，以及各个第三平均灰度值与各个第四平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值，所述第三平均灰度值为预设的三阶子区域的平均灰度值，所述第四平均灰度值为预设的三阶子区域的平均灰度值；
第五确定单元，用于若满足预设的第三条件，则确定描述子的数值为预设的第一数值，所述第三条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于预设的阈值，各个第二平均灰度值与各个第三平均灰度值之间的差值均大于所述阈值，且各个第三平均灰度值与各个第四平均灰度值之间的差值均大于所述阈值；
第六确定单元，用于若不满足所述第三条件，则确定描述子的数值为预设的第二数值。
进一步地，所述特征点提取模块可以包括：
边缘检测单元，用于对所述目标图像进行边缘检测，得到边缘二值图像；
线段拟合单元，用于对所述边缘二值图像中的边缘线进行线段拟合，得到各条拟合线段；
特征点提取单元，用于提取各条拟合线段的交点作为所述特征点。
本申请实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种特征描述子生成方法的步骤。
本申请实施例的第四方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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上述任一种特征描述子生成方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述任一种特征描述子生成方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例提取目标图像中的特征点；按照预设的窗口尺寸从所述目标图像中提取特征窗口，所述特征窗口以所述特征点为中心；按照预设的各种阶梯模式分别对所述特征窗口进行划分，得到在每种阶梯模式下的各个子区域；在每种阶梯模式下，分别计算各个子区域的平均灰度值，并根据各个子区域的平均灰度值确定描述子的数值；根据在各种阶梯模式下确定的描述子的数值生成所述特征点的特征描述子向量。通过本申请实施例，可以有效地降低特征描述子向量的维度，减少对计算资源和存储空间的消耗，节省计算时间，从而可以满足各种实时性的应用场景。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例中一种特征描述子生成方法的一个实施例流程图；
图2为提取目标图像中的特征点的示意流程图；
图3为各种二级阶梯模式的示意图；
图4为各种三级阶梯模式和四级阶梯模式的示意图；
图5为对目标图像进行旋转的示意流程图；
图6为本申请实施例中一种特征描述子生成装置的一个实施例结构图；
图7为本申请实施例中一种终端设备的示意框图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参阅图1，本申请实施例中一种特征描述子生成方法的一个实施例可以包括：
步骤S101、提取目标图像中的特征点。
如图2所示，步骤S101具体可以包括如下过程：
步骤S1011、对所述目标图像进行边缘检测，得到边缘二值图像。
一般地，所述目标图像可以为RGB三通道的图像，其中，R表示红色通道，G表示绿色通道，B表示蓝色通道。
在本申请实施例中，优选采用Canny边缘检测算法对所述目标图像进行边缘检测，从而得到所述边缘二值图像，一般地，在所述边缘二值图像中，灰度值为0的像素点为黑色背景像素点，灰度值为255的像素点为边缘线的白色像素点。当然，也可以根据实际情况选取现有技术中其它的边缘检测算法，本申请实施例对此不作具体限定。
步骤S1012、对所述边缘二值图像中的边缘线进行线段拟合，得到各条拟合线段。
在本申请实施例中，优选采用D2SA算法(Dynamic Two-Strips Algorithm)对所述边缘二值图像中的边缘线进行线段拟合，从而得到各条拟合线段。当然，也可以根据实际情况选取现有技术中其它的边缘检测算法，本申请实施例对此不作具体限定。
进一步地，还可以预先设置线段像素点的数量阈值，例如，可以将所述数量阈值设置为15，即舍弃掉少于15个像素点的拟合线段。
步骤S1013、提取各条拟合线段的交点作为所述特征点。
例如，若两条拟合线段相交，则其交点即可作为所述目标图像中的一个特征点。
需要注意的是，图2所示仅为一种可能的特征点提取方法，具体应用中，还可以根据实际情况选取现有技术中其它的特征点提取方法，本申请实施例对此不作具体限定。
步骤S102、按照预设的窗口尺寸从所述目标图像中提取特征窗口。
所述特征窗口可以是以所述特征点为中心的矩形窗口，所述窗口尺寸可以根据实际情况进行设置，例如，所述窗口尺寸可以包括但不限于15像素×15像素、21像素×21像素以及27像素×27像素等等。在本申请实施例中，可以根据实际情况选择其中的一种、两种或者三种窗口尺寸。
步骤S103、按照预设的各种阶梯模式分别对所述特征窗口进行划分，得到在每种阶梯模式下的各个子区域。
在本申请实施例的一种具体实现中，如图3和图4所示，可以使用两条直线将所述特征窗口划分为若干个子区域，共14种不同的子区域形状，进一步地，通过比较不同子区域内像素平均灰度值的高低，可以设计56种不同的阶梯模式，如图3和图4所示，不同颜色代表不同级别的阶梯模式，模式级别由高到低依次是白色、浅灰、深灰和黑色。本申请实施例中的阶梯模式指的是形如阶梯般大小不一的形状，高级别的阶梯也意味着子区域内像素的平均灰度值越高。阶梯模式从二级到四级共划分为3个不同级别，不同级别子区域之间的像素平均灰度值的差距应大于预设的阈值，旨在避免噪声的干扰，所述阈值可以根据实际情况进行设置，例如，可以将其设置为1、2、3或者其它数值，在本申请实施例中，优选将其设置为1。
步骤S104、在每种阶梯模式下，分别计算各个子区域的平均灰度值，并根据各个子区域的平均灰度值确定描述子的数值。
具体地，如图3所示，在预设的二级阶梯模式下，共有两种不同级别的子区域，较高级别的为一阶子区域，即图3中白色的子区域，较低级别的为二阶子区域，即图3中黑色的子区域。
在二级阶梯模式下，可以分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值。
若满足预设的第一条件，则确定描述子的数值为预设的第一数值，所述第一条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于所述阈值。
若不满足所述第一条件，则确定描述子的数值为预设的第二数值。
其中，所述第一数值和所述第二数值的具体取值可以根据实际情况进行设置，在本申请实施例中，优选将所述第一数值设置为1，将所述第二数值设置为0。
以图3中的阶梯模式a1为例，将其中的两个一阶子区域分别记为S1和S3，将二阶子区域记为S2，则计算子区域k(k∈{1,2,3})的平均灰度值的数学公式如下：
其中，N为子区域内像素点的总数量，I(x,y)表示坐标(x,y)处像素点的灰度值，
为子区域Sk的平均灰度值，此时阶梯模式a1的描述子的数值a1可以根据下式计算：
其中，th表示所述阈值，括号表示逻辑判断，当括号内的表达式成立时，输出数值为1，反之，当括号内的表达式不成立时，输出数值为0，由该式可知，当且仅当子区域S1和S3的平均灰度值均显著高于子区域S2时，描述子的数值为1，否则为0。
同理，图3中的阶梯模式a2的描述子的数值a2可以根据下式计算：
图3中其它的各种二级阶梯模式的描述子的数值计算过程均与之类似，此处不再赘述。
如图4所示，在预设的三级阶梯模式下，共有三种不同级别的子区域，按照级别从高到低的顺序依次为一阶子区域(即图4中白色的子区域)，二阶子区域(即图4中浅灰色的子区域)和三阶子区域(即图4中深灰色的子区域)。
在三级阶梯模式下，可以分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，以及各个第二平均灰度值与各个第三平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值，所述第三平均灰度值为预设的三阶子区域的平均灰度值。
若满足预设的第二条件，则确定描述子的数值为预设的第一数值，所述第二条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于所述阈值，且各个第二平均灰度值与各个第三平均灰度值之间的差值均大于所述阈值。
若不满足所述第二条件，则确定描述子的数值为预设的第二数值。
三级阶梯模式可以分为单调递增和单调递减两种情况，以图4中的阶梯模式b3为例，将其中的一阶子区域记为S3，将二阶子区域记为S2，将三阶子区域记为S1，各个子区域的平均灰度值自S3至S1单调递减，此时阶梯模式b3的描述子的数值b3可以根据下式计算：
而图4中的阶梯模式b4的情况与阶梯模式b3的情况恰恰相反，将其中的一阶子区域记为S1，将二阶子区域记为S2，将三阶子区域记为S3，各个子区域的平均灰度值自S3至S1单调递增，此时阶梯模式b4的描述子的数值b4可以根据下式计算：
图4中其它的各种三级阶梯模式的描述子的数值计算过程均与之类似，此处不再赘述。
如图4所示，在预设的四级阶梯模式下，共有四种不同级别的子区域，按照级别从高到低的顺序依次为一阶子区域(即图4中白色的子区域)，二阶子区域(即图4中浅灰色的子区域)、三阶子区域(即图4中深灰色的子区域)和四阶子区域(即图4中黑色的子区域)。
在四级阶梯模式下，可以分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，各个第二平均灰度值与各个第三平均灰度值之间的差值，以及各个第三平均灰度值与各个第四平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值，所述第三平均灰度值为预设的三阶子区域的平均灰度值，所述第四平均灰度值为预设的三阶子区域的平均灰度值。
若满足预设的第三条件，则确定描述子的数值为预设的第一数值，所述第三条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于所述阈值，各个第二平均灰度值与各个第三平均灰度值之间的差值均大于所述阈值，且各个第三平均灰度值与各个第四平均灰度值之间的差值均大于所述阈值。
若不满足所述第三条件，则确定描述子的数值为预设的第二数值。
四级阶梯模式可以分为逆时针单调递增和逆时针单调递减两种情况，以图4中的阶梯模式e3为例，将其中的一阶子区域记为S4，将二阶子区域记为S3，将三阶子区域记为S2，将四阶子区域记为S1，各个子区域的平均灰度值自S4至S1单调递减，此时阶梯模式e3的描述子的数值e3可以根据下式计算：
而图4中的阶梯模式e4的情况与阶梯模式e3的情况恰恰相反，将其中的一阶子区域记为S1，将二阶子区域记为S2，将三阶子区域记为S3，将四阶子区域记为S4，各个子区域的平均灰度值自S4至S1单调递增，此时阶梯模式e4的描述子的数值e4可以根据下式计算：
图4中其它的各种四级阶梯模式的描述子的数值计算过程均与之类似，此处不再赘述。
步骤S105、根据在各种阶梯模式下确定的描述子的数值生成所述特征点的特征描述子向量。
在只选择一种窗口尺寸的情况下，通过上述过程，共可产生56种不同的阶梯模式下的描述子的数值，可以将这些数值构造为一个56维的向量，即所述特征点的特征描述子向量。
优选地，在选择两种窗口尺寸的情况下，通过上述过程，每种窗口尺寸可产生56种不同的阶梯模式下的描述子的数值，则共有112个描述子的数值，可以将这些数值构造为一个112维的向量，即所述特征点的特征描述子向量。
进一步地，在本申请实施例的另一种具体实现中，在步骤S101之后，步骤S102之前，还可以包括如图5所示的过程：
步骤S501、计算所述特征点的角度特征。
具体地，可以首先确定相交于所述特征点的两条拟合线段，并分别计算所述特征点与所述两条拟合线段的各个端点之间的距离，然后根据所述特征点与所述两条拟合线段的各个端点之间的距离选取第一优选端点和第二优选端点。
假设拟合线段L1和拟合线段L2相交于特征点K，并且拟合线段L1的两个端点为PL1和PR1，拟合线段L2的两个端点为PL2和PR2。分别计算K点到这四个端点的距离，选取距离最小的两个端点作为所述第一优选端点和所述第二优选端点。
接着，计算第一旋转角度和第二旋转角度，所述第一旋转角度为第一线段逆时针旋转至与预设的坐标轴正方向重合时的旋转角度，所述第二旋转角度为第二线段逆时针旋转至与所述坐标轴正方向重合时的旋转角度，所述第一线段为连接所述特征点与所述第一优选端点的线段，所述第二线段为连接所述特征点与所述第二优选端点的线段。
最后，根据所述第一旋转角度和所述第二旋转角度计算所述特征点的角度特征。
假设所述第一优选端点和所述第二优选端点为PL1和PL2。以K点为中心逆时针旋转线段K-PL1和K-PL2，分别计算当点PL1和点PL2逆时针旋转到与横轴正方向重合时的旋转角度θ1和θ2，取其中的最大值作为所述特征点的角度特征。
步骤S502、以所述特征点为中心，根据所述角度特征对所述目标图像进行旋转，得到旋转后的目标图像。
在本申请实施例中，可以将所述目标图像逆时针旋转angle角度，从而得到旋转后的目标图像，其中，angle即为所述特征点的角度特征。
在这种情况下，步骤S102将变为按照预设的窗口尺寸从所述旋转后的目标图像中提取特征窗口，其它过程与图1所示的过程相同，此处不再赘述。通过在图1所示过程的基础上加入对于特征点的角度特征的考虑，可以使得最终生成的特征描述子向量具有旋转不变性，提升其鲁棒性。
综上所述，本申请实施例提取目标图像中的特征点；按照预设的窗口尺寸从所述目标图像中提取特征窗口，所述特征窗口以所述特征点为中心；按照预设的各种阶梯模式分别对所述特征窗口进行划分，得到在每种阶梯模式下的各个子区域；在每种阶梯模式下，分别计算各个子区域的平均灰度值，并根据各个子区域的平均灰度值确定描述子的数值；根据在各种阶梯模式下确定的描述子的数值生成所述特征点的特征描述子向量。通过本申请实施例，可以有效地降低特征描述子向量的维度，减少对计算资源和存储空间的消耗，节省计算时间，从而可以满足各种实时性的应用场景。
本申请实施例所生成的特征描述子向量可以应用于机器人的场景识别和图像配准等具体技术场景中，例如，若要对机器人的传感器采集的两张图像进行配准，则可以通过本申请实施例所提供的方法分别提取这两张图像的特征点，并分别生成这两张图像的特征点的特征描述子向量，并基于该特征描述子向量进行图像配准。具体的图像配准过程与现有技术中基于SIFT、PIIFD以及其它特征描述子向量的图像配准过程类似，仅需将其中特征描述子向量替换为本申请实施例所生成的特征描述子向量即可。在其中的一种具体实现中，可以首先使用K最近邻算法对特征点进行筛选，然后通过随机采样一致性(RandomSample Consesus，RANSAC)算法基于特征描述子向量对两张图像的特征点进行尝试性匹配及局内点匹配，若两者之间的匹配度大于预设的匹配阈值，则可以判断匹配成功，反之，若两者之间的匹配度小于或等于所述匹配阈值，则可以判断匹配失败，所述匹配阈值可以根据实际情况进行设置，此处优选将其设置为15％。通过在各种应用场景下使用本申请实施例所生成的特征描述子向量，可以极大提升这些应用场景的可重复性、鲁棒性、实时性以及特征点匹配成功率等指标。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种特征描述子生成方法，图6示出了本申请实施例提供的一种特征描述子生成装置的一个实施例结构图。
本实施例中，一种特征描述子生成装置可以包括：
特征点提取模块601，用于提取目标图像中的特征点；
特征窗口提取模块602，用于按照预设的窗口尺寸从所述目标图像中提取特征窗口，所述特征窗口以所述特征点为中心；
子区域划分模块603，用于按照预设的各种阶梯模式分别对所述特征窗口进行划分，得到在每种阶梯模式下的各个子区域；
描述子计算模块604，用于在每种阶梯模式下，分别计算各个子区域的平均灰度值，并根据各个子区域的平均灰度值确定描述子的数值；
特征描述子向量生成模块605，用于根据在各种阶梯模式下确定的描述子的数值生成所述特征点的特征描述子向量。
进一步地，所述特征描述子生成装置还可以包括：
角度特征计算模块，用于计算所述特征点的角度特征；
图像旋转模块，用于以所述特征点为中心，根据所述角度特征对所述目标图像进行旋转，得到旋转后的目标图像。
进一步地，所述角度特征计算模块可以包括：
拟合线段确定单元，用于确定相交于所述特征点的两条拟合线段；
端点距离计算单元，用于分别计算所述特征点与所述两条拟合线段的各个端点之间的距离；
优选端点选取单元，用于根据所述特征点与所述两条拟合线段的各个端点之间的距离选取第一优选端点和第二优选端点；
旋转角度计算单元，用于计算第一旋转角度和第二旋转角度，所述第一旋转角度为第一线段逆时针旋转至与预设的坐标轴正方向重合时的旋转角度，所述第二旋转角度为第二线段逆时针旋转至与所述坐标轴正方向重合时的旋转角度，所述第一线段为连接所述特征点与所述第一优选端点的线段，所述第二线段为连接所述特征点与所述第二优选端点的线段；
角度特征计算单元，用于根据所述第一旋转角度和所述第二旋转角度计算所述特征点的角度特征。
进一步地，所述描述子计算模块可以包括：
第一差值计算单元，用于分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值；
第一确定单元，用于若满足预设的第一条件，则确定描述子的数值为预设的第一数值，所述第一条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于预设的阈值；
第二确定单元，用于若不满足所述第一条件，则确定描述子的数值为预设的第二数值。
进一步地，所述描述子计算模块可以包括：
第二差值计算单元，用于分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，以及各个第二平均灰度值与各个第三平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值，所述第三平均灰度值为预设的三阶子区域的平均灰度值；
第三确定单元，用于若满足预设的第二条件，则确定描述子的数值为预设的第一数值，所述第二条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于预设的阈值，且各个第二平均灰度值与各个第三平均灰度值之间的差值均大于所述阈值；
第四确定单元，用于若不满足所述第二条件，则确定描述子的数值为预设的第二数值。
进一步地，所述描述子计算模块可以包括：
第三差值计算单元，用于分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，各个第二平均灰度值与各个第三平均灰度值之间的差值，以及各个第三平均灰度值与各个第四平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值，所述第三平均灰度值为预设的三阶子区域的平均灰度值，所述第四平均灰度值为预设的三阶子区域的平均灰度值；
第五确定单元，用于若满足预设的第三条件，则确定描述子的数值为预设的第一数值，所述第三条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于预设的阈值，各个第二平均灰度值与各个第三平均灰度值之间的差值均大于所述阈值，且各个第三平均灰度值与各个第四平均灰度值之间的差值均大于所述阈值；
第六确定单元，用于若不满足所述第三条件，则确定描述子的数值为预设的第二数值。
进一步地，所述特征点提取模块可以包括：
边缘检测单元，用于对所述目标图像进行边缘检测，得到边缘二值图像；
线段拟合单元，用于对所述边缘二值图像中的边缘线进行线段拟合，得到各条拟合线段；
特征点提取单元，用于提取各条拟合线段的交点作为所述特征点。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图7示出了本申请实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个特征描述子生成方法实施例中的步骤，例如图1所示的步骤S101至步骤S105。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至模块605的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑、云端服务器或者机器人。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备7还可以包括输入输出设备、网络接入设备、总线等。
所述处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备7所需的其它程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种特征描述子生成方法，其特征在于，包括：
提取目标图像中的特征点；
按照预设的窗口尺寸从所述目标图像中提取特征窗口，所述特征窗口以所述特征点为中心；
按照预设的各种阶梯模式分别对所述特征窗口进行划分，得到在每种阶梯模式下的各个子区域；
在每种阶梯模式下，分别计算各个子区域的平均灰度值，并根据各个子区域的平均灰度值确定描述子的数值；
根据在各种阶梯模式下确定的描述子的数值生成所述特征点的特征描述子向量。
2.根据权利要求1所述的特征描述子生成方法，其特征在于，在按照预设的窗口尺寸从所述目标图像中提取特征窗口之前，还包括：
计算所述特征点的角度特征；
以所述特征点为中心，根据所述角度特征对所述目标图像进行旋转，得到旋转后的目标图像。
3.根据权利要求2所述的特征描述子生成方法，其特征在于，所述计算所述特征点的角度特征包括：
确定相交于所述特征点的两条拟合线段；
分别计算所述特征点与所述两条拟合线段的各个端点之间的距离；
根据所述特征点与所述两条拟合线段的各个端点之间的距离选取第一优选端点和第二优选端点；
计算第一旋转角度和第二旋转角度，所述第一旋转角度为第一线段逆时针旋转至与预设的坐标轴正方向重合时的旋转角度，所述第二旋转角度为第二线段逆时针旋转至与所述坐标轴正方向重合时的旋转角度，所述第一线段为连接所述特征点与所述第一优选端点的线段，所述第二线段为连接所述特征点与所述第二优选端点的线段；
根据所述第一旋转角度和所述第二旋转角度计算所述特征点的角度特征。
4.根据权利要求1所述的特征描述子生成方法，其特征在于，在预设的二级阶梯模式下，所述根据各个子区域的平均灰度值确定描述子的数值包括：
分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值；
若满足预设的第一条件，则确定描述子的数值为预设的第一数值，所述第一条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于预设的阈值；
若不满足所述第一条件，则确定描述子的数值为预设的第二数值。
5.根据权利要求1所述的特征描述子生成方法，其特征在于，在预设的三级阶梯模式下，所述根据各个子区域的平均灰度值确定描述子的数值包括：
分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，以及各个第二平均灰度值与各个第三平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值，所述第三平均灰度值为预设的三阶子区域的平均灰度值；
若满足预设的第二条件，则确定描述子的数值为预设的第一数值，所述第二条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于预设的阈值，且各个第二平均灰度值与各个第三平均灰度值之间的差值均大于所述阈值；
若不满足所述第二条件，则确定描述子的数值为预设的第二数值。
6.根据权利要求1所述的特征描述子生成方法，其特征在于，在预设的四级阶梯模式下，所述根据各个子区域的平均灰度值确定描述子的数值包括：
分别计算各个第一平均灰度值与各个第二平均灰度值之间的差值，各个第二平均灰度值与各个第三平均灰度值之间的差值，以及各个第三平均灰度值与各个第四平均灰度值之间的差值，所述第一平均灰度值为预设的一阶子区域的平均灰度值，所述第二平均灰度值为预设的二阶子区域的平均灰度值，所述第三平均灰度值为预设的三阶子区域的平均灰度值，所述第四平均灰度值为预设的三阶子区域的平均灰度值；
若满足预设的第三条件，则确定描述子的数值为预设的第一数值，所述第三条件为各个第一平均灰度值与各个第二平均灰度值之间的差值均大于预设的阈值，各个第二平均灰度值与各个第三平均灰度值之间的差值均大于所述阈值，且各个第三平均灰度值与各个第四平均灰度值之间的差值均大于所述阈值；
若不满足所述第三条件，则确定描述子的数值为预设的第二数值。
7.根据权利要求1至6中任一项所述的特征描述子生成方法，其特征在于，所述提取目标图像中的特征点包括：
对所述目标图像进行边缘检测，得到边缘二值图像；
对所述边缘二值图像中的边缘线进行线段拟合，得到各条拟合线段；
提取各条拟合线段的交点作为所述特征点。
8.一种特征描述子生成装置，其特征在于，包括：
特征点提取模块，用于提取目标图像中的特征点；
特征窗口提取模块，用于按照预设的窗口尺寸从所述目标图像中提取特征窗口，所述特征窗口以所述特征点为中心；
子区域划分模块，用于按照预设的各种阶梯模式分别对所述特征窗口进行划分，得到在每种阶梯模式下的各个子区域；
描述子计算模块，用于在每种阶梯模式下，分别计算各个子区域的平均灰度值，并根据各个子区域的平均灰度值确定描述子的数值；
特征描述子向量生成模块，用于根据在各种阶梯模式下确定的描述子的数值生成所述特征点的特征描述子向量。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至7中任一项所述的特征描述子生成方法的步骤。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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至7中任一项所述的特征描述子生成方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911213200.4A CN111160363B (zh) | 2019-12-02 | 2019-12-02 | 特征描述子生成方法、装置、可读存储介质及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911213200.4A CN111160363B (zh) | 2019-12-02 | 2019-12-02 | 特征描述子生成方法、装置、可读存储介质及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111160363A true CN111160363A (zh) | 2020-05-15 |
| CN111160363B CN111160363B (zh) | 2024-04-02 |
Family
ID=70556307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911213200.4A Active CN111160363B (zh) | 2019-12-02 | 2019-12-02 | 特征描述子生成方法、装置、可读存储介质及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160363B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766264A (zh) * | 2021-01-25 | 2021-05-07 | 广州互联网法院 | 图片比对方法及电子设备、计算机可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955690A (zh) * | 2014-04-15 | 2014-07-30 | 合肥工业大学 | 一种紧凑的图像局部特征描述子的构造方法 |
| US20140328543A1 (en) * | 2011-11-18 | 2014-11-06 | Nec Corporation | Local feature descriptor extracting apparatus, local feature descriptor extracting method, and program |
| CN104282001A (zh) * | 2014-09-22 | 2015-01-14 | 中国电子科技集团公司第二十研究所 | 增强图像特征二值描述子性能的方法 |
| CN106204545A (zh) * | 2016-06-28 | 2016-12-07 | 南方医科大学 | 一种基于区域划分和Fisher向量的医学病灶图像特征表达方法 |
| CN106446906A (zh) * | 2016-08-26 | 2017-02-22 | 东南大学 | 基于尺度不变特征变换的低维度特征模型图像处理方法 |
| CN107239792A (zh) * | 2017-05-12 | 2017-10-10 | 大连理工大学 | 一种基于二进制描述子的工件识别方法及装置 |
| CN107967477A (zh) * | 2017-12-12 | 2018-04-27 | 福州大学 | 一种改进的sift特征联合匹配方法 |
| CN109993176A (zh) * | 2017-12-29 | 2019-07-09 | 中国移动通信集团安徽有限公司 | 图像局部特征描述方法、装置、设备及介质 |
| CN110059708A (zh) * | 2019-04-26 | 2019-07-26 | 四川大学 | 生成描述子的方法及装置、存储介质 |
| CN110298356A (zh) * | 2018-03-23 | 2019-10-01 | 刘小英 | 一种图像特征描述子创建方法 |
-
2019
- 2019-12-02 CN CN201911213200.4A patent/CN111160363B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140328543A1 (en) * | 2011-11-18 | 2014-11-06 | Nec Corporation | Local feature descriptor extracting apparatus, local feature descriptor extracting method, and program |
| CN103955690A (zh) * | 2014-04-15 | 2014-07-30 | 合肥工业大学 | 一种紧凑的图像局部特征描述子的构造方法 |
| CN104282001A (zh) * | 2014-09-22 | 2015-01-14 | 中国电子科技集团公司第二十研究所 | 增强图像特征二值描述子性能的方法 |
| CN106204545A (zh) * | 2016-06-28 | 2016-12-07 | 南方医科大学 | 一种基于区域划分和Fisher向量的医学病灶图像特征表达方法 |
| CN106446906A (zh) * | 2016-08-26 | 2017-02-22 | 东南大学 | 基于尺度不变特征变换的低维度特征模型图像处理方法 |
| CN107239792A (zh) * | 2017-05-12 | 2017-10-10 | 大连理工大学 | 一种基于二进制描述子的工件识别方法及装置 |
| CN107967477A (zh) * | 2017-12-12 | 2018-04-27 | 福州大学 | 一种改进的sift特征联合匹配方法 |
| CN109993176A (zh) * | 2017-12-29 | 2019-07-09 | 中国移动通信集团安徽有限公司 | 图像局部特征描述方法、装置、设备及介质 |
| CN110298356A (zh) * | 2018-03-23 | 2019-10-01 | 刘小英 | 一种图像特征描述子创建方法 |
| CN110059708A (zh) * | 2019-04-26 | 2019-07-26 | 四川大学 | 生成描述子的方法及装置、存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 罗楠 等: "一种扩展SURF描述符及其在遥感图像配准中的应用", 测绘学报, vol. 42, no. 03, 15 June 2013 (2013-06-15), pages 383 - 388 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766264A (zh) * | 2021-01-25 | 2021-05-07 | 广州互联网法院 | 图片比对方法及电子设备、计算机可读存储介质 |
| CN112766264B (zh) * | 2021-01-25 | 2024-06-07 | 广州互联网法院 | 图片比对方法及电子设备、计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111160363B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340109B (zh) | 图像匹配方法、装置、设备及存储介质 | |
| CN102667810B (zh) | 数字图像中的面部识别 | |
| CN106981077B (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
| CN116188805B (zh) | 海量图像的图像内容分析方法、装置和图像信息网络 | |
| JP5261501B2 (ja) | 不変の視覚場面及び物体の認識 | |
| CN112084856A (zh) | 一种人脸姿态检测方法、装置、终端设备及存储介质 | |
| CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
| WO2022127112A1 (zh) | 跨模态人脸识别方法、装置、设备及存储介质 | |
| CN112435193B (zh) | 一种点云数据去噪的方法、装置、存储介质和电子设备 | |
| US20180253852A1 (en) | Method and device for locating image edge in natural background | |
| WO2022127111A1 (zh) | 跨模态人脸识别方法、装置、设备及存储介质 | |
| CN109447117B (zh) | 双层车牌识别方法、装置、计算机设备及存储介质 | |
| CN108647597B (zh) | 一种手腕识别方法、手势识别方法、装置和电子设备 | |
| US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
| CN107563986B (zh) | 图像区域的判断方法和系统 | |
| CN112651953A (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
| CN114187333A (zh) | 一种图像对齐方法、图像对齐装置及终端设备 | |
| CN109978903B (zh) | 一种标识点识别方法、装置、电子设备及存储介质 | |
| CN111160363B (zh) | 特征描述子生成方法、装置、可读存储介质及终端设备 | |
| CN111915645B (zh) | 影像匹配方法、装置、计算机设备及计算机可读存储介质 | |
| CN114998614B (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
| CN112288045B (zh) | 一种印章真伪判别方法 | |
| Tang et al. | A GMS-guided approach for 2D feature correspondence selection | |
| CN111325216B (zh) | 图像局部特征的描述方法、装置、计算机设备及存储介质 | |
| CN114219831A (zh) | 目标跟踪方法、装置、终端设备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 |