CN111275053B - 一种局部特征描述子的表示方法及系统 - Google Patents

一种局部特征描述子的表示方法及系统 Download PDF

Info

Publication number
CN111275053B
CN111275053B CN202010048635.4A CN202010048635A CN111275053B CN 111275053 B CN111275053 B CN 111275053B CN 202010048635 A CN202010048635 A CN 202010048635A CN 111275053 B CN111275053 B CN 111275053B
Authority
CN
China
Prior art keywords
gradient direction
region
sub
directions
sift
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
CN202010048635.4A
Other languages
English (en)
Other versions
CN111275053A (zh
Inventor
梁晔
马楠
何勤
许亮
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.)
Beijing Tengxin Soft Innovation Technology Co ltd
Original Assignee
Beijing Tengxin Soft Innovation Technology 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 Beijing Tengxin Soft Innovation Technology Co ltd filed Critical Beijing Tengxin Soft Innovation Technology Co ltd
Priority to CN202010048635.4A priority Critical patent/CN111275053B/zh
Publication of CN111275053A publication Critical patent/CN111275053A/zh
Application granted granted Critical
Publication of CN111275053B publication Critical patent/CN111275053B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/46—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
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种局部特征描述子的表示方法及系统，其中方法包括生成sift特征描述子，还包括以下步骤：分别统计8个子区域内8个方向的梯度方向直方图；分别统计4个子区域块的8个方向的梯度方向直方图；统计1个区域块的8个方向的梯度方向直方图；将所述上述步骤得到的统计结果连接起来，生成关键点的特征描述子。本发明提出的局部特征描述子的表示方法及系统，通过将图像的金字塔空间划分方法融入到SIFT描述子的表示中，增加更多的空间信息。本发明方法概念简单，新的描述子具有更强的判别能力和鲁棒性。

Description

一种局部特征描述子的表示方法及系统
技术领域
本发明涉及计算机视觉技术领域，具体地说是一种局部特征描述子的表示方法及系统。
背景技术
David Lowe于2004年提出的SIFT描述子是图像局部特征描述子中最有代表性的一种。SIFT描述子将特征点周围的4×4窗口分割成16个子区域，统计每个子区域的8个方向梯度直方图，最终形成128维的特征向量，具体详见David Lowe.Distinctive imagefeatures from scale invariant keypoints.IJCV 2004.。SIFT描述子对于光照变化、背景遮挡、旋转和尺度变换具有很好的不变性，被认为是性能最好的描述符之一。SIFT描述子虽然能够很好的使用图像的旋转不变性和平移不变性，但是仍然有改进的余地。
Lowe[David Lowe.Distinctive image features from scale invariantkeypoints.IJCV 2004.]实验结果表明：关键点采用4×4区域统计梯度直方图进行描述，形成大小4×4×8＝128维向量时，不变性与独特性的效果最优。
申请号为CN105139014A的发明专利申请公开了一种计算图像局部特征描述子的方法，该方法通过变换矩阵对SIFT描述子进行变换，获得一个16x8的矩阵，然后对获得的16x8的矩阵转换成128维向量，之后即为局部特征描述子。该发明只考虑了子区域块位置上的关联性，没有考虑所有子区域块之间的空间关系。
发明内容
为了解决上述的技术问题，本发明提出的局部特征描述子的表示方法及系统，通过将图像的金字塔空间划分方法融入到SIFT描述子的表示中，增加更多的空间信息。
本发明的第一目的是提供一种局部特征描述子的表示方法，包括生成sift特征描述子，，还包括以下步骤：
步骤1：分别统计8个子区域内8个方向的梯度方向直方图；
步骤2：分别统计4个子区域块的8个方向的梯度方向直方图；
步骤3：统计1个区域块的8个方向的梯度方向直方图；
步骤4：将所述步骤1、步骤2和步骤3的统计结果连接起来，生成关键点的特征描述子。
优选的是，所述生成sift特征描述子的方法包括以下步骤：
步骤01：采用4×4区域对关键点进行描述；
步骤02：将0°～360°划分为8个方向范围，每个范围为45°，计算每个梯度方向的累加值。
在上述任一方案中优选的是，每个所述子区域内共有8个方向的梯度强度信息。
在上述任一方案中优选的是，所述步骤1还包括形成4x4x8＝128维的SIFT特征描述子，结果为[x1,x2,……,xj,……,x16]，其中，1≤j≤16,xj∈R8，R8表示8维的实数空间。
在上述任一方案中优选的是，所述步骤2为将4×4的区域块变换为2×2的区域块，分别统计4个子区域块的8个方向的梯度方向直方图，结果为[y1,y2,y3,y4]，其中，y1,y2,y3,y4∈R8。
在上述任一方案中优选的是，所述步骤3为将4×4个区域块变换为1×1的区域块，统计1个区域块的8个方向的梯度方向直方图，结果为[z1]，其中，z1∈R8。
在上述任一方案中优选的是，所述关键点的特征描述子结果为[x1,x2,……,x16，y1,y2,y3,y4，z1]。
发明的第二目的是提供一种局部特征描述子的表示系统，包括sift描述子生成模块，还包括以下模块：
统计模块：用于统计8个子区域内8个方向的梯度方向直方图、4个子区域块的8个方向的梯度方向直方图和1个区域块的8个方向的梯度方向直方图；
生成模块：用于将所述统计模块的统计结果连接起来，生成关键点的特征描述子。
优选的是，所述sift描述子生成模块用于采用4×4区域对关键点进行描述，将0°～360°划分为8个方向范围，每个范围为45°，计算每个梯度方向的累加值。
在上述任一方案中优选的是，每个所述子区域内共有8个方向的梯度强度信息。
在上述任一方案中优选的是，所述统计模块还用于形成4x4x8＝128维的SIFT特征描述子，结果为[x1,x2,……,xj,……,x16]，其中，1≤j≤16,xj∈R8，R8表示8维的实数空间。
在上述任一方案中优选的是，所述统计模块还用于将4×4的区域块变换为2×2的区域块，分别统计4个子区域块的8个方向的梯度方向直方图，结果为[y1,y2,y3,y4]，其中，y1,y2,y3,y4∈R8。
在上述任一方案中优选的是，所述统计模块还用于将4×4个区域块变换为1×1的区域块，统计1个区域块的8个方向的梯度方向直方图，结果为[z1]，其中，z1∈R8。
在上述任一方案中优选的是，所述关键点的特征描述子结果为[x1,x2,……,x16，y1,y2,y3,y4，z1]。
本发明提出了一种局部特征描述子的表示方法及系统，方法概念简单，新的描述子具有更强的判别能力和鲁棒性。
附图说明
图1为按照本发明的局部特征描述子的表示方法的一优选实施例的流程图。
图2为按照本发明的局部特征描述子的表示系统的一优选实施例的模块图。
图3为按照本发明的局部特征描述子的表示方法的一优选实施例的基于金字塔空间划分的特征描述子示意图。
图4为按照本发明的局部特征描述子的表示方法的一优选实施例的采用4×4区域统计梯度直方图进行关键点的特征描述示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1所示，执行步骤100，生成sift特征描述子，采用4×4区域对关键点进行描述，将0°～360°划分为8个方向范围，每个范围为45°，计算每个梯度方向的累加值。
执行步骤110，分别统计8个子区域内8个方向的梯度方向直方图，每个所述子区域内共有8个方向的梯度强度信息，形成4x4x8＝128维的SIFT特征描述子，结果为[x1,x2,……,xj,……,x16]，其中，1≤j≤16,xj∈R8，R8表示8维的实数空间。
执行步骤120，分别统计4个子区域块的8个方向的梯度方向直方图。将4×4的区域块变换为2×2的区域块，分别统计4个子区域块的8个方向的梯度方向直方图，结果为[y1,y2,y3,y4]，其中，y1,y2,y3,y4∈R8，R8表示8维的实数空间。
执行步骤130，统计1个区域块的8个方向的梯度方向直方图。将4×4个区域块变换为1×1的区域块，统计1个区域块的8个方向的梯度方向直方图，结果为[z1]，其中，z1∈R8，R8表示8维的实数空间。
执行步骤140，将步骤110、步骤120和步骤130的统计结果连接起来，生成关键点的特征描述子，结果为[x1,x2,……,x16，y1,y2,y3,y4，z1]。
实施例二
如图2所示，一种局部特征描述子的表示系统，包括sift描述子生成模块200、统计模块210和生成模块220。
sift描述子生成模块200用于生成sift描述子，采用4×4区域对关键点进行描述，将0°～360°划分为8个方向范围，每个范围为45°，计算每个梯度方向的累加值。
统计模块210具有以下功能：
1)分别统计8个子区域内8个方向的梯度方向直方图，子区域内共有8个方向的梯度强度信息，形成4x4x8＝128维的SIFT特征描述子，结果为[x1,x2,……,xj,……,x16]，其中，1≤j≤16,xj∈R8，R8表示8维的实数空间。
2)将4×4的区域块变换为2×2的区域块，分别统计4个子区域块的8个方向的梯度方向直方图，结果为[y1,y2,y3,y4]，其中，y1,y2,y3,y4∈R8，R8表示8维的实数空间。
3)将4×4个区域块变换为1×1的区域块，统计1个区域块的8个方向的梯度方向直方图，结果为[z1]，其中，z1∈R8，R8表示8维的实数空间。
生成模块220用于将所述统计模块的统计结果连接起来，生成关键点的特征描述子，结果为[x1,x2,……,x16，y1,y2,y3,y4，z1]。
实施例三
本发明公开了一种计算图像局部特征描述子的方法。SIFT描述子虽然能够很好的使用图像的旋转不变性和平移不变性，但在计算特征点的特征描述子时并没有考虑区域块之间的空间信息。本发明通过将图像的金字塔空间划分方法融入到SIFT描述子的表示中，增加更多的空间信息。本发明方法概念简单，新的描述子具有更强的判别能力和鲁棒性。
图3是基于金字塔空间划分的特征描述子的生成过程图。基于金字塔空间划分的特征描述子的生成过程如下：
(1)首先进行传统的sift特征描述子的生成，采用4×4区域对关键点进行描述。将0°～360°划分为8个方向范围，每个范围为45°，计算每个梯度方向的累加值，绘制每个子区域内计算8个方向的梯度方向直方图，箭头方向代表了像素梯度方向，箭头长度代表该像素的幅值。这样，每个子区域块共有8个方向的梯度强度信息。由于存在4x4个子区域，所以，最终形成4x4x8＝128维的SIFT特征描述子，结果为[x1,x2,……,xj,……,x16]，其中，1≤j≤16,xj∈R8，R8表示8维的实数空间。
(2)将4×4的区域块变换为2×2的区域块，分别统计4个子区域块的8个方向的梯度方向直方图，结果为[y1,y2,y3,y4]，其中，1≤j≤4，yj∈R8，R8表示8维的实数空间。
(3)4×4个区域块变换为1×1的区域块，统计1个区域块的8个方向的梯度方向直方图，结果为[z1]，其中，z1∈R8，R8表示8维的实数空间。
(4)将步骤(1)、(2)和(3)的统计结果连接起来作为关键点的特征描述子，结果为[x1,x2,……,x16，y1,y2,y3,y4，z1]。
实施例四
如图4所示的是采用4×4区域统计梯度直方图进行关键点特征描述的过程，分别统计4×4个子区域块的8个方向的梯度方向直方图，最终形成4x4x8＝128维的SIFT特征描述子，结果为[x1,x2,……,xj,……,x16]，其中，1≤j≤16,xj∈R8，R8表示8维的实数空间。
实施例五
传统方法的sift描述子：
0.046800245 3.9739880e-05 3.0950606e-10 0.017867684
0.21472438 0.0078977821 0.0031194827 0.085482053
0.15839458 0.00053724396 9.9994579e-12 0.0066792369
0.17213614 0.012714886 0.00060486223 0.11426277 0.24440816
0.0022515876 2.0936025e-10 0.011180713 0.12515460
0.0037501752 6.9221232e-06 0.064991675 0.24440816
0.0027713845 2.8060670e-10 0.0083087003 0.077276431
0.0016370611 5.4929416e-07 0.062744416 0.0029098117
0.00015925551 2.1420528e-05 0.026806124 0.24440816
0.014730424 0.0016630189 0.0018288280 0.0063569094
0.0017467433 0.00015090886 0.014389466 0.24440816
0.026409015 0.0019572040 0.0053185308 0.015505018
0.00026517702 1.1465588e-05 0.033356193 0.24440816
0.015583216 0.0050004283 0.0046726768 0.037414521
0.00032464921 1.7001689e-09 0.038830325 0.24440816
0.012992197 0.0012755565 0.0072717061 0.24440816
0.0055348859 0.00059884926 0.0033880884 0.011170869
0.0020758237 0.0017237095 0.053261850 0.24440816
0.0078981109 0.00047701670 0.00036348042 0.0073231435
0.0033610999 0.0043685278 0.056879256 0.14928354
0.0017839717 1.9082501e-05 0.00068619673 0.013194256
0.0099472618 0.011066448 0.055131365 0.10954053
0.00087504042 1.7211036e-09 0.0023161243 0.035917085
0.010903310 0.0035006206 0.037000529 0.21121328
0.0053706295 0.0039424435 0.045501705 0.24100997
0.039783720 0.0010126380 0.030888224 0.24440816
0.0053483741 0.0016037787 0.086378835 0.23994280
0.021983515 0.019127002 0.10324367 0.12169743 0.00081348786
1.0211304e-05 0.014304432 0.051954366 0.066282324
0.087654106 0.14179660 0.11685690 0.00078171061
2.5127345e-09 0.0021750929 0.071733646 0.029819088
0.0063090483 0.034798682。
本发明基于金字塔划分的特征描述子：
0.27475166 0.0045627495 0.00085439801 0.039066549
0.27989626 0.034983862 0.018548766 0.10744660 0.053615384
0.13543397 0.23610944 0.12434460 0.00062074570
0.0014031995 0.0060379999 0.0010635527 4.3082429e-05
2.8669444e-06 0.0016555220 7.3245096e-06 0.016435627
0.022918982 0.033908028 0.0048704613 0.21891922
0.17281184 0.12486170 0.043199837 0.015438027 0.0084906621
0.016801041 0.029237997 0.0018361420 0.0015708641
0.0065579694 0.027132556 0.051723048 0.034920119
0.061068252 0.067181796 0.046800245 3.9739880e-05
3.0950606e-10 0.017867684 0.21472438 0.0078977821
0.0031194827 0.085482053 0.15839458 0.00053724396
9.9994579e-12 0.0066792369 0.17213614 0.012714886
0.00060486223 0.11426277 0.24440816 0.0022515876
2.0936025e-10 0.011180713 0.12515460 0.0037501752
6.9221232e-06 0.064991675 0.24440816 0.0027713845
2.8060670e-10 0.0083087003 0.077276431 0.0016370611
5.4929416e-07 0.062744416 0.0029098117 0.00015925551
2.1420528e-05 0.026806124 0.24440816 0.014730424
0.0016630189 0.0018288280 0.0063569094 0.0017467433
0.00015090886 0.014389466 0.24440816 0.026409015
0.0019572040 0.0053185308 0.015505018 0.00026517702
1.1465588e-05 0.033356193 0.24440816 0.015583216
0.0050004283 0.0046726768 0.037414521 0.00032464921
1.7001689e-09 0.038830325 0.24440816 0.012992197
0.0012755565 0.0072717061 0.24440816 0.0055348859
0.00059884926 0.0033880884 0.011170869 0.0020758237
0.0017237095 0.053261850 0.24440816 0.0078981109
0.00047701670 0.00036348042 0.0073231435 0.0033610999
0.0043685278 0.056879256 0.14928354 0.0017839717
1.9082501 e-05 0.00068619673 0.013194256 0.0099472618
0.011066448 0.055131365 0.10954053 0.00087504042
1.7211036e-09 0.0023161243 0.035917085 0.010903310
0.0035006206 0.037000529 0.21121328 0.0053706295
0.0039424435 0.045501705 0.24100997 0.039783720
0.0010126380 0.030888224 0.24440816 0.0053483741
0.0016037787 0.086378835 0.23994280 0.021983515
0.019127002 0.10324367 0.12169743 0.00081348786
1.0211304e-05 0.014304432 0.051954366 0.066282324
0.087654106 0.14179660 0.11685690 0.00078171061
2.5127345e-09 0.0021750929 0.071733646 0.029819088
0.0063090483 0.034798682
为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (12)

1.一种局部特征描述子的表示方法，包括生成sift特征描述子，其特征在于，还包括以下步骤：
所述生成sift特征描述子的方法包括以下步骤：
步骤01：采用4×4区域对关键点进行描述；
步骤02：将0°～360°划分为8个方向范围，每个范围为45°，计算每个梯度方向的累加值；
步骤1：分别统计16个子区域内8个方向的梯度方向直方图；
步骤2：分别统计4个子区域块的8个方向的梯度方向直方图；
步骤3：统计1个区域块的8个方向的梯度方向直方图；
步骤4：将所述步骤1、步骤2和步骤3的统计结果连接起来，生成关键点的特征描述子。
2.如权利要求1所述的局部特征描述子的表示方法，其特征在于，每个所述子区域内共有8个方向的梯度强度信息。
3.如权利要求2所述的局部特征描述子的表示方法，其特征在于，所述步骤1还包括形成4x4x8＝128维的SIFT特征描述子，结果为[x1,x2,……,xj,……,x16]，其中，1≤j≤16,xj∈R8，R8表示8维的实数空间。
4.如权利要求3所述的局部特征描述子的表示方法，其特征在于，所述步骤2为将4×4的区域块变换为2×2的区域块，分别统计4个子区域块的8个方向的梯度方向直方图，结果为[y1,y2,y3,y4]，其中，y1,y2,y3,y4∈R8。
5.如权利要求4所述的局部特征描述子的表示方法，其特征在于，所述步骤3为将4×4个区域块变换为1×1的区域块，统计1个区域块的8个方向的梯度方向直方图，结果为[z1]，其中，z1∈R8。
6.如权利要求5所述的局部特征描述子的表示方法，其特征在于，所述关键点的特征描述子结果为[x1,x2,……,x16，y1,y2,y3,y4，z1]。
7.一种局部特征描述子的表示系统，包括sift描述子生成模块，其特征在于，还包括以下模块：
所述sift描述子生成模块用于采用4×4区域对关键点进行描述，将0°～360°划分为8个方向范围，每个范围为45°，计算每个梯度方向的累加值；
统计模块：用于统计16个子区域内8个方向的梯度方向直方图、4个子区域块的8个方向的梯度方向直方图和1个区域块的8个方向的梯度方向直方图；
生成模块：用于将所述统计模块的统计结果连接起来，生成关键点的特征描述子。
8.如权利要求7所述的局部特征描述子的表示系统，其特征在于，每个所述子区域内共有8个方向的梯度强度信息。
9.如权利要求8所述的局部特征描述子的表示系统，其特征在于，所述统计模块还用于形成4x4x8＝128维的SIFT特征描述子，结果为[x1,x2,……,xj,……,x16]，其中，1≤j≤16,xj∈R8，R8表示8维的实数空间。
10.如权利要求9所述的局部特征描述子的表示系统，其特征在于，所述统计模块还用于将4×4的区域块变换为2×2的区域块，分别统计4个子区域块的8个方向的梯度方向直方图，结果为[y1,y2,y3,y4]，其中，y1,y2,y3,y4∈R8。
11.如权利要求10所述的局部特征描述子的表示系统，其特征在于，所述统计模块还用于将4×4个区域块变换为1×1的区域块，统计1个区域块的8个方向的梯度方向直方图，结果为[z1]，其中，z1∈R8。
12.如权利要求11所述的局部特征描述子的表示系统，其特征在于，所述关键点的特征描述子结果为[x1,x2,……,x16，y1,y2,y3,y4，z1]。
CN202010048635.4A 2020-01-16 2020-01-16 一种局部特征描述子的表示方法及系统 Active CN111275053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010048635.4A CN111275053B (zh) 2020-01-16 2020-01-16 一种局部特征描述子的表示方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010048635.4A CN111275053B (zh) 2020-01-16 2020-01-16 一种局部特征描述子的表示方法及系统

Publications (2)

Publication Number Publication Date
CN111275053A CN111275053A (zh) 2020-06-12
CN111275053B true CN111275053B (zh) 2023-11-10

Family

ID=71003463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010048635.4A Active CN111275053B (zh) 2020-01-16 2020-01-16 一种局部特征描述子的表示方法及系统

Country Status (1)

Country Link
CN (1) CN111275053B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102054178A (zh) * 2011-01-20 2011-05-11 北京联合大学 一种基于局部语义概念的国画图像识别方法
CN104915685A (zh) * 2015-07-02 2015-09-16 北京联合大学 基于多矩形划分的图像表示方法
CN106558072A (zh) * 2016-11-22 2017-04-05 重庆信科设计有限公司 一种基于改进sift特征在遥感图像上配准的方法
KR20170082797A (ko) * 2016-01-07 2017-07-17 주식회사 케이티 컨텐츠 기반 영상 검색을 위한 특징 서술자 부호화 방법 및 장치
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
CN110008966A (zh) * 2019-04-08 2019-07-12 湖南博睿基电子科技有限公司 一种基于极坐标的快速sift特征点提取方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6044547B2 (ja) * 2011-11-18 2016-12-14 日本電気株式会社 局所特徴量抽出装置、局所特徴量抽出方法、及びプログラム
US9940724B2 (en) * 2016-09-13 2018-04-10 Intelligent Fusion Technology, Inc. Method and system for detecting multiple moving objects from real-time aerial images

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102054178A (zh) * 2011-01-20 2011-05-11 北京联合大学 一种基于局部语义概念的国画图像识别方法
CN104915685A (zh) * 2015-07-02 2015-09-16 北京联合大学 基于多矩形划分的图像表示方法
KR20170082797A (ko) * 2016-01-07 2017-07-17 주식회사 케이티 컨텐츠 기반 영상 검색을 위한 특징 서술자 부호화 방법 및 장치
CN106558072A (zh) * 2016-11-22 2017-04-05 重庆信科设计有限公司 一种基于改进sift特征在遥感图像上配准的方法
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
CN110008966A (zh) * 2019-04-08 2019-07-12 湖南博睿基电子科技有限公司 一种基于极坐标的快速sift特征点提取方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
Distinctive Image Features from Scale-Invariant Keypoints;Lowe, David G;International Journal of Computer Vision;第60卷(第02期);第91-110页 *
SIFT改进算法在图像配准中的应用;王田甲等;《微电子学与计算机》;20110817;第28卷(第5期);第184-188页 *
SIFT改进算法在图像配准中的应用;王田甲等;微电子学与计算机;第28卷(第05期);第184-188页 *
Structure Oriented Local Image Feature Description;Wangsheng Yu et al.;Advanced Science and Industry Research Center.Proceedings of 2019 2nd International Conference on Communication,Network and Artificial Intelligence(CNAI 2019);第718-723页 *
一种提高SIFT特征匹配效率的方法;杨幸芳等;《中国机械工程》;20120802;第23卷(第11期);第1297-1301页 *
一种提高SIFT特征匹配效率的方法;杨幸芳等;中国机械工程;第23卷(第11期);第1297-1301页 *
不同局部邻域划分加速鲁棒特征描述符的性能分析;翟优等;光学精密工程;第21卷(第09期);第2395-2404页 *
改进的SIFT结合余弦相似度的人脸匹配算法;魏玮等;《计算机工程与应用》;20190425;第56卷(第6期);第207-212页 *
改进的SIFT结合余弦相似度的人脸匹配算法;魏玮等;计算机工程与应用;第56卷(第06期);第207-212页 *
梁晔.基于视觉显著性的显著区域提取方法及其应用研究 .中国博士学位论文全文数据库 (信息科技辑).2018,(第06期),第I138-112页. *

Also Published As

Publication number Publication date
CN111275053A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
Liu et al. Part-object relational visual saliency
Hu et al. Multiscale distance matrix for fast plant leaf recognition
Nie et al. Depth-aware multi-grid deep homography estimation with contextual correlation
Dufournaud et al. Matching images with different resolutions
Tafti et al. A comparative study on the application of SIFT, SURF, BRIEF and ORB for 3D surface reconstruction of electron microscopy images
Tang et al. Distinctive image features from illumination and scale invariant keypoints
Lin et al. Region duplication detection based on image segmentation and keypoint contexts
Ahmad et al. Describing colors, textures and shapes for content based image retrieval-a survey
Yang et al. Cross-modality feature fusion network for few-shot 3d point cloud classification
CN111275053B (zh) 一种局部特征描述子的表示方法及系统
Sirin et al. 2D and 3D shape retrieval using skeleton filling rate
Mallikarjuna et al. A simple shape descriptor merging arithmetical wrap around technique with absolute localized pixel differences
Lu et al. Efficient shape matching for Chinese calligraphic character retrieval
Sakrani et al. Optimized multi-scale affine shape registration based on an unsupervised Bayesian classification
Zhou et al. Medical image retrieval based on texture and shape feature co-occurrence
Ye et al. Multipurification of matching pairs based on ORB feature and PCB alignment case study
Park et al. A novel image identifier generation method using luminance and location
He et al. Multi-ring local binary patterns for rotation invariant texture classification
CN111508063A (zh) 一种基于图像的三维重建方法及系统
Kerber et al. Partial symmetry detection in volume data.
Zhang A Selection of Image Understanding Techniques: From Fundamentals to Research Front
Lyu et al. Person re-identification based on human semantic parsing and message passing
Zhang et al. A Brief Comparison of Deep Learning Methods for Semantic Segmentation
Roy et al. A Similarity-based Positional Attention aided Deep Learning Model for Copy-Move Forgery Detection
Chaitanya Mynepalli et al. Recognizing tiny faces

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230824

Address after: 1-1201-1, 12th Floor, No. 87 West Third Ring North Road, Haidian District, Beijing, 100048

Applicant after: Beijing Tengxin soft Innovation Technology Co.,Ltd.

Address before: 100101, No. 97 East Fourth Ring Road, Chaoyang District, Beijing

Applicant before: Beijing Union University

GR01 Patent grant
GR01 Patent grant