CN111353526A - 一种图像匹配方法、装置以及相关设备 - Google Patents
一种图像匹配方法、装置以及相关设备 Download PDFInfo
- Publication number
- CN111353526A CN111353526A CN202010103371.8A CN202010103371A CN111353526A CN 111353526 A CN111353526 A CN 111353526A CN 202010103371 A CN202010103371 A CN 202010103371A CN 111353526 A CN111353526 A CN 111353526A
- Authority
- CN
- China
- Prior art keywords
- feature
- sample
- target
- image
- vector
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 132
- 238000012545 processing Methods 0.000 claims abstract description 83
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 abstract description 10
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像匹配方法,包括获取待测图像与样本图像;利用预设网络模型分别对所述待测图像和所述样本图像进行处理,获得目标特征向量和样本特征向量;分别对所述目标特征向量和所述样本特征向量进行二值化处理,获得目标二值特征和样本二值特征;对所述目标二值特征和所述样本二值特征进行距离测度,获得特征距离;根据所述特征距离确定图像匹配结果;该图像匹配方法实现过程简单快捷,可有效提高图像匹配效率。本申请还公开了一种图像匹配装置、设备及计算机可读存储介质,均具有上述有益效果。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及一种图像匹配方法,还涉及一种图像匹配装置、设备以及计算机可读存储介质。
背景技术
在计算机视觉领域,应用深度学习技术进行特征学习已经得到广泛应用。通过搭建合适的模型框架,选择合适的优化代价函数,即可将输入图像或视频经过网络推理得到对应的表征特征;进一步,通过合适的距离测度,即可对这些特征进行匹配、检索等操作,并广泛应用于图像/视频匹配、图像/视频检索、视频跟踪、图像验证等各个领域。
其中,在现有的局部图像匹配问题中,对一幅图像进行匹配已经不再使用单一的表征特征,而是需要大量的局部图像表征特征,因此,图像与图像的匹配计算将不再是一对特征的距离测度,而是大量局部特征的两两距离计算,需要占用大量的计算时间。现有技术中已经提出了一些基于二值化网络的设计和训练方法,但这些方法都着重于模型推理的加速,在此过程中模型需要被重新设计和训练,依然无法使计算效率得到有效提升,进而难以保证图像匹配效率;而且,该种实现方式在移动端应用并没有成熟的二值推理框架,实现过程相对困难。
因此,如何有效提高图像匹配效率是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种图像匹配方法,该图像匹配方法实现过程简单快捷,可有效提高图像匹配效率;本申请的另一目的是提供一种图像匹配装置、设备以及计算机可读存储介质,也具有上述有益效果。
为解决上述技术问题,本申请提供了一种图像匹配方法,包括:
获取待测图像与样本图像;
利用预设网络模型分别对所述待测图像和所述样本图像进行处理,获得目标特征向量和样本特征向量;
分别对所述目标特征向量和所述样本特征向量进行二值化处理,获得目标二值特征和样本二值特征;
对所述目标二值特征和所述样本二值特征进行距离测度,获得特征距离;
根据所述特征距离确定图像匹配结果。
优选的,所述分别对所述目标特征向量和所述样本特征向量进行二值化处理,获得目标二值特征和样本二值特征之前,还包括:
分别对所述目标特征向量和所述样本特征向量进行归一化处理。
优选的,所述对所述目标特征向量进行二值化处理,获得所述目标二值特征,包括:
将所述目标特征向量输入BatchNorm层进行处理,获得第一特征向量;
利用预设激活函数对所述第一特征向量进行处理,获得第二特征向量;
对所述第二特征向量进行dropout处理,获得第三特征向量;
对所述第三特征向量进行向量归一化处理,获得所述目标二值特征。
优选的,所述预设激活函数为clip函数或分段线性导数。
优选的,所述对所述目标二值特征和所述样本二值特征进行距离测度,获得特征距离,包括:
对所述目标二值特征和所述样本二值特征进行汉明距离计算,获得所述特征距离。
为解决上述技术问题,本申请还提供了一种图像匹配装置,包括:
图像获取模块,用于获取待测图像与样本图像;
模型处理模块,用于利用预设网络模型分别对所述待测图像和所述样本图像进行处理,获得目标特征向量和样本特征向量;
二值化处理模块,用于分别对所述目标特征向量和所述样本特征向量进行二值化处理,获得目标二值特征和样本二值特征;
距离测度模块,用于对所述目标二值特征和所述样本二值特征进行距离测度,获得特征距离;
图像匹配模块,用于根据所述特征距离确定图像匹配结果。
优选的,所述图像匹配装置还包括:
归一化模块,用于在所述分别对所述目标特征向量和所述样本特征向量进行二值化处理,获得目标二值特征和样本二值特征之前,分别对所述目标特征向量和所述样本特征向量进行归一化处理。
优选的,所述二值化处理模块包括:
BN处理单元,用于将所述目标特征向量输入BatchNorm层进行处理,获得第一特征向量;
向量激活单元,用于利用预设激活函数对所述第一特征向量进行处理,获得第二特征向量;
dropout处理单元,用于对所述第二特征向量进行dropout处理,获得第三特征向量;
向量归一化单元,用于对所述第三特征向量进行向量归一化处理,获得所述目标二值特征。
为解决上述技术问题,本申请还提供了一种图像匹配设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任意一种图像匹配方法的步骤。
为解决上述技术问题,本申请还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上述任意一种图像匹配方法的步骤。
本申请所提供的一种图像匹配方法,包括获取待测图像与样本图像;利用预设网络模型分别对所述待测图像和所述样本图像进行处理,获得目标特征向量和样本特征向量;分别对所述目标特征向量和所述样本特征向量进行二值化处理,获得目标二值特征和样本二值特征;对所述目标二值特征和所述样本二值特征进行距离测度,获得特征距离;根据所述特征距离确定图像匹配结果。
可见,本申请所提供的图像匹配方法,通过增加模型输出特征的二值化策略,使得局部区域输出特征用二值代替,进而通过对二值特征进行特征距离测度实现图像匹配,可见,该种实现方式无需对原有的主体模型结构进行改变,即可大大减少匹配距离测度计算的处理时间,不仅实现过程简单快捷,也更为有效的提升了图像匹配效率。
本申请所提供的一种图像匹配装置、设备以及计算机可读存储介质,均具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请所提供的一种图像匹配方法的流程示意图;
图2为本申请所提供的一种图像匹配装置的结构示意图;
图3为本申请所提供的一种图像匹配设备的结构示意图。
具体实施方式
本申请的核心是提供一种图像匹配方法,该图像匹配方法实现过程简单快捷,可有效提高图像匹配效率;本申请的另一核心是提供一种图像匹配装置、设备以及计算机可读存储介质,也具有上述有益效果。
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。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。
请参考图1,图1为本申请所提供的一种图像匹配方法的流程示意图,该图像匹配方法,可以包括:
S101:获取待测图像与样本图像;
本步骤旨在实现图像数据的获取,即上述待测图像与样本图像的获取。一般来说,图像匹配一般是对两张图像进行信息匹配,以确定二者是否相似,在本申请中,即为实现待测图像与样本图像的匹配计算。
S102:利用预设网络模型分别对待测图像和样本图像进行处理,获得目标特征向量和样本特征向量;
本步骤旨在基于预设网络模型实现图像的特征提取,具体的,将待测图像输入预设网络模型进行处理,提取获得其对应的特征信息,即上述目标特征向量;将样本图像输入预设网络模型进行处理,提取获得其对应的特征信息,即上述样本特征向量。可以理解的是,特征向量的数量并不唯一,一般数量较多,由此,通过多对多的两两局部匹配,可有效提高图像匹配结果的准确性。
其中,预设网络模型是预先建立的用于进行图像特征提取的神经网络模型,存储于预设存储空间中,可直接调用;当然,该预设网络模型的类型并不唯一,可以为任意一种基于神经网络的特征提取模型,由用户根据实际情况进行选择和谁当即可,本申请对此不做限定。此外,上述待测图像与样本图像的特征提取顺序并不唯一,不分先后。
S103:分别对目标特征向量和样本特征向量进行二值化处理,获得目标二值特征和样本二值特征;
本步骤旨在实现特征数据的二值化处理,即对目标特征向量进行二值化处理,获得对应的二值特征,即上述目标二值特征,对样本特征向量进行二值化处理,获得对应的二值特征,即上述样本二值特征。其中,二值化处理策略可采用已有技术中的任意一种实现方法,本申请对此不做限定。同样的,上述目标特征向量和样本特征向量的二值化处理顺序并不唯一,不分先后。
优选的,上述分别对目标特征向量和样本特征向量进行二值化处理,获得目标二值特征和样本二值特征之前,还可以包括:分别对目标特征向量和样本特征向量进行归一化处理。
一般而言,为提高匹配结果的准确性,会在图像数据中提取大量的特征信息,因此,为有效简化计算,提高计算效率,可在进行特征二值化之前对特征向量进行归一化处理,即分别对目标特征向量和样本特征向量进行归一化处理,以有效提高图像匹配效率。
优选的,上述对目标特征向量进行二值化处理,获得目标二值特征,可以包括:将目标特征向量输入BatchNorm层进行处理,获得第一特征向量;利用预设激活函数对第一特征向量进行处理,获得第二特征向量;对第二特征向量进行dropout处理,获得第三特征向量;对第三特征向量进行向量归一化处理,获得目标二值特征。
本优选实施例提供了一种较为具体的目标特征向量的二值化方法,具体而言,对于从待测图像中提取的目标特征向量,可依次对其进行BatchNorm层处理、激活函数处理、dropout处理以及向量归一化处理,即可计算获得对应的目标二值特征。当然,样本特征向量的二值化过程同样可基于上述方法实现,本申请在此不再赘述。
优选的,上述预设激活函数可以为clip函数或分段线性导数。
本优选实施例提供了具体类型的激活函数,即clip函数或分段线性导数,当然,以上两种类型仅为本申请所提供的一种实现方式,并不唯一,还可以为其他类型,本申请对此不做限定。
S104:对目标二值特征和样本二值特征进行距离测度,获得特征距离;
本步骤旨在实现特征距离测度,即对待测图像的目标二值特征和样本图像的样本二值特征进行距离测度,获得相应的特征距离。其中,特征距离测度的计算方式可以采用已有技术中的任意一种实现方式,如欧氏距离测度、汉明距离测度等。
优选的,上述对目标二值特征和样本二值特征进行距离测度,获得特征距离,可以包括:对目标二值特征和样本二值特征进行汉明距离计算,获得特征距离。
本优选实施例提供了一种较为具体的特征距离测度方法,即汉明距离测度,其具体实现过程参照现有技术即可,本申请在此不再赘述。
S105:根据特征距离确定图像匹配结果。
本步骤旨在实现图像匹配结果的确定,基于目标二值特征和样本二值特征之间的特征距离确定即可。具体的,可将特征距离的计算值与标准值进行比较,当特征距离处于标准范围内时,即可确定待测图像与样本图像相匹配,反之确定为不匹配。
本申请所提供的图像匹配方法,通过增加模型输出特征的二值化策略,使得局部区域输出特征用二值代替,进而通过对二值特征进行特征距离测度实现图像匹配,可见,该种实现方式无需对原有的主体模型结构进行改变,即可大大减少匹配距离测度计算的处理时间,不仅实现过程简单快捷,也更为有效的提升了图像匹配效率。
在上述各个实施例的基础上,本申请实施例提供了一种更为具体的图像匹配方法,其具体实现流程如下:
首先,通过预设网络模型对图像数据(待测图像或样本图像)进行特征其提取,假设连接卷积层的网络特征输出为fi(特征向量),将其输入一个增益不可学习固定为1的BatchNorm层;进一步,对输出特征进行clip,对应输出范围为[vmin,vmax];最后,对同一batch进行统一通道的dropout处理,公式如下:
fout=Mdrop2D(S(BN(fi)))
其中,S为激活函数,该激活函数除clip函数外,还可以为分段线性导数,其中,clip函数为:
S(x)=clip(x,-v,v)
其中,当v=1时,clip函数等价于Htanh函数,在训练中,v值可逐渐减小:
分段线性导数为:
在训练中,v值同样可逐渐减小;
进一步,对上述输出特征进行p=2归一化处理,再使用处理后的特征作为损失代价函数的输入,其中,常用的损失函数可以为triple-loss、softmax loss(with center-loss)、rll-loss等或其组合。
其中,在上述推理流程中,将特征向量通过BatchNorm层后,可以通过简单的二值化操作将特征向量转为二值向量,对应公式如下:
最后,将计算获得的二值特征通过汉明距离进行两两距离测度,当计算得到图像对实际匹配的局部区域,即特征汉明距离最小的局部对时,即可通过后续计算得到该图像对匹配的空间关系或两两不匹配的结论。
本申请实施例所提供的图像匹配方法,通过增加模型输出特征的二值化策略,使得局部区域输出特征用二值代替,进而通过对二值特征进行特征距离测度实现图像匹配,可见,该种实现方式无需对原有的主体模型结构进行改变,即可大大减少匹配距离测度计算的处理时间,不仅实现过程简单快捷,也更为有效的提升了图像匹配效率。
为解决上述问题,请参考图2,图2为本申请所提供的一种图像匹配装置的结构示意图,可以包括:
图像获取模块10,用于获取待测图像与样本图像;
模型处理模块20,用于利用预设网络模型分别对待测图像和样本图像进行处理,获得目标特征向量和样本特征向量;
二值化处理模块30,用于分别对目标特征向量和样本特征向量进行二值化处理,获得目标二值特征和样本二值特征;
距离测度模块40,用于对目标二值特征和样本二值特征进行距离测度,获得特征距离;
图像匹配模块50,用于根据特征距离确定图像匹配结果。
可见,本申请所提供的图像匹配装置,通过增加模型输出特征的二值化策略,使得局部区域输出特征用二值代替,进而通过对二值特征进行特征距离测度实现图像匹配,可见,该种实现方式无需对原有的主体模型结构进行改变,即可大大减少匹配距离测度计算的处理时间,不仅实现过程简单快捷,也更为有效的提升了图像匹配效率。
作为一种优选实施例,该图像匹配方法还可包括归一化模块,用于在分别对目标特征向量和样本特征向量进行二值化处理,获得目标二值特征和样本二值特征之前,分别对目标特征向量和样本特征向量进行归一化处理。
作为一种优选实施例,上述二值化处理模块30可包括:
BN处理单元,用于将目标特征向量输入BatchNorm层进行处理,获得第一特征向量;
向量激活单元,用于利用预设激活函数对第一特征向量进行处理,获得第二特征向量;
dropout处理单元,用于对第二特征向量进行dropout处理,获得第三特征向量;
向量归一化单元,用于对第三特征向量进行向量归一化处理,获得目标二值特征。
作为一种优选实施例,上述预设激活函数可以为clip函数或分段线性导数。
作为一种优选实施例,上述图像匹配模块50可具体用于对目标二值特征和样本二值特征进行汉明距离计算,获得特征距离。
对于本申请提供的装置的介绍请参照上述方法实施例,本申请在此不做赘述。
为解决上述问题,请参考图3,图3为本申请所提供的一种图像匹配设备的结构示意图,可以包括:
存储器1,用于存储计算机程序;
处理器2,用于执行计算机程序时可实现上述任意一种图像匹配方法的步骤。
对于本申请提供的设备的介绍请参照上述方法实施例,本申请在此不做赘述。
为解决上述问题,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时可实现上述任意一种图像匹配方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请提供的计算机可读存储介质的介绍请参照上述方法实施例,本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的图像匹配方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围要素。
Claims (10)
1.一种图像匹配方法,其特征在于,包括:
获取待测图像与样本图像;
利用预设网络模型分别对所述待测图像和所述样本图像进行处理,获得目标特征向量和样本特征向量;
分别对所述目标特征向量和所述样本特征向量进行二值化处理,获得目标二值特征和样本二值特征;
对所述目标二值特征和所述样本二值特征进行距离测度,获得特征距离;
根据所述特征距离确定图像匹配结果。
2.如权利要求1所述的图像匹配方法,其特征在于,所述分别对所述目标特征向量和所述样本特征向量进行二值化处理,获得目标二值特征和样本二值特征之前,还包括:
分别对所述目标特征向量和所述样本特征向量进行归一化处理。
3.如权利要求1所述的图像匹配方法,其特征在于,所述对所述目标特征向量进行二值化处理,获得所述目标二值特征,包括:
将所述目标特征向量输入BatchNorm层进行处理,获得第一特征向量;
利用预设激活函数对所述第一特征向量进行处理,获得第二特征向量;
对所述第二特征向量进行dropout处理,获得第三特征向量;
对所述第三特征向量进行向量归一化处理,获得所述目标二值特征。
4.如权利要求3所述的图像匹配方法,其特征在于,所述预设激活函数为clip函数或分段线性导数。
5.如权利要求1至4任意一项所述的图像匹配方法,其特征在于,所述对所述目标二值特征和所述样本二值特征进行距离测度,获得特征距离,包括:
对所述目标二值特征和所述样本二值特征进行汉明距离计算,获得所述特征距离。
6.一种图像匹配装置,其特征在于,包括:
图像获取模块,用于获取待测图像与样本图像;
模型处理模块,用于利用预设网络模型分别对所述待测图像和所述样本图像进行处理,获得目标特征向量和样本特征向量;
二值化处理模块,用于分别对所述目标特征向量和所述样本特征向量进行二值化处理,获得目标二值特征和样本二值特征;
距离测度模块,用于对所述目标二值特征和所述样本二值特征进行距离测度,获得特征距离;
图像匹配模块,用于根据所述特征距离确定图像匹配结果。
7.如权利要求5所述的图像匹配装置,其特征在于,还包括:
归一化模块,用于在所述分别对所述目标特征向量和所述样本特征向量进行二值化处理,获得目标二值特征和样本二值特征之前,分别对所述目标特征向量和所述样本特征向量进行归一化处理。
8.如权利要求5所述的图像匹配装置,其特征在于,所述二值化处理模块包括:
BN处理单元,用于将所述目标特征向量输入BatchNorm层进行处理,获得第一特征向量;
向量激活单元,用于利用预设激活函数对所述第一特征向量进行处理,获得第二特征向量;
dropout处理单元,用于对所述第二特征向量进行dropout处理,获得第三特征向量;
向量归一化单元,用于对所述第三特征向量进行向量归一化处理,获得所述目标二值特征。
9.一种图像匹配设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任意一项所述的图像匹配方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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如权利要求1至5任意一项所述的图像匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103371.8A CN111353526A (zh) | 2020-02-19 | 2020-02-19 | 一种图像匹配方法、装置以及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103371.8A CN111353526A (zh) | 2020-02-19 | 2020-02-19 | 一种图像匹配方法、装置以及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111353526A true CN111353526A (zh) | 2020-06-30 |
Family
ID=71195668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010103371.8A Pending CN111353526A (zh) | 2020-02-19 | 2020-02-19 | 一种图像匹配方法、装置以及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353526A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793386A (zh) * | 2021-08-05 | 2021-12-14 | 杭州飞步科技有限公司 | 相机内参标定方法、装置、设备、介质及程序产品 |
CN114782724A (zh) * | 2022-06-17 | 2022-07-22 | 联宝(合肥)电子科技有限公司 | 一种图像匹配方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017113083A1 (zh) * | 2015-12-29 | 2017-07-06 | 厦门中控生物识别信息技术有限公司 | 一种虹膜识别方法及装置 |
CN107886539A (zh) * | 2017-10-19 | 2018-04-06 | 昆明理工大学 | 一种工业场景下高精度齿轮视觉检测方法 |
CN107958247A (zh) * | 2018-01-17 | 2018-04-24 | 百度在线网络技术(北京)有限公司 | 用于人脸图像识别的方法和装置 |
CN108898186A (zh) * | 2018-07-03 | 2018-11-27 | 北京字节跳动网络技术有限公司 | 用于提取图像的方法和装置 |
CN109359553A (zh) * | 2018-09-21 | 2019-02-19 | 上海小萌科技有限公司 | 鱼眼图像的商品检测方法、装置、计算机设备和存储介质 |
CN109389573A (zh) * | 2018-09-30 | 2019-02-26 | 湖南大学 | 基于四叉树分解的多聚焦图像融合的方法 |
CN109684496A (zh) * | 2018-12-12 | 2019-04-26 | 杭州嘉云数据科技有限公司 | 一种同款商品的图像匹配方法、装置、设备以及存储介质 |
CN109961078A (zh) * | 2017-12-22 | 2019-07-02 | 展讯通信(上海)有限公司 | 图像匹配及拼接方法、装置、系统、可读介质 |
CN110379506A (zh) * | 2019-06-14 | 2019-10-25 | 杭州电子科技大学 | 针对心电图数据使用二值化神经网络的心律不齐检测方法 |
CN110503635A (zh) * | 2019-07-30 | 2019-11-26 | 浙江工业大学 | 一种基于异构数据融合网络的手骨x光片骨龄评估方法 |
WO2019232862A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 |
-
2020
- 2020-02-19 CN CN202010103371.8A patent/CN111353526A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017113083A1 (zh) * | 2015-12-29 | 2017-07-06 | 厦门中控生物识别信息技术有限公司 | 一种虹膜识别方法及装置 |
CN107886539A (zh) * | 2017-10-19 | 2018-04-06 | 昆明理工大学 | 一种工业场景下高精度齿轮视觉检测方法 |
CN109961078A (zh) * | 2017-12-22 | 2019-07-02 | 展讯通信(上海)有限公司 | 图像匹配及拼接方法、装置、系统、可读介质 |
CN107958247A (zh) * | 2018-01-17 | 2018-04-24 | 百度在线网络技术(北京)有限公司 | 用于人脸图像识别的方法和装置 |
WO2019232862A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 |
CN108898186A (zh) * | 2018-07-03 | 2018-11-27 | 北京字节跳动网络技术有限公司 | 用于提取图像的方法和装置 |
CN109359553A (zh) * | 2018-09-21 | 2019-02-19 | 上海小萌科技有限公司 | 鱼眼图像的商品检测方法、装置、计算机设备和存储介质 |
CN109389573A (zh) * | 2018-09-30 | 2019-02-26 | 湖南大学 | 基于四叉树分解的多聚焦图像融合的方法 |
CN109684496A (zh) * | 2018-12-12 | 2019-04-26 | 杭州嘉云数据科技有限公司 | 一种同款商品的图像匹配方法、装置、设备以及存储介质 |
CN110379506A (zh) * | 2019-06-14 | 2019-10-25 | 杭州电子科技大学 | 针对心电图数据使用二值化神经网络的心律不齐检测方法 |
CN110503635A (zh) * | 2019-07-30 | 2019-11-26 | 浙江工业大学 | 一种基于异构数据融合网络的手骨x光片骨龄评估方法 |
Non-Patent Citations (1)
Title |
---|
S. R. BULÒ ETAL.: "In-place Activated BatchNorm for Memory-Optimized Training of DNNs" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793386A (zh) * | 2021-08-05 | 2021-12-14 | 杭州飞步科技有限公司 | 相机内参标定方法、装置、设备、介质及程序产品 |
CN113793386B (zh) * | 2021-08-05 | 2023-09-19 | 杭州飞步科技有限公司 | 相机内参标定方法、装置、设备、介质及程序产品 |
CN114782724A (zh) * | 2022-06-17 | 2022-07-22 | 联宝(合肥)电子科技有限公司 | 一种图像匹配方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106570464B (zh) | 一种快速处理人脸遮挡的人脸识别方法及装置 | |
CN111860573A (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
CN109376786A (zh) | 一种图像分类方法、装置、终端设备及可读存储介质 | |
KR101650994B1 (ko) | 객체 인식에서 피처 생성을 개선시키기 위한 시스템들 및 방법들 | |
CN111788629B (zh) | 学习装置、声音区间检测装置及声音区间检测方法 | |
CN107423306B (zh) | 一种图像检索方法及装置 | |
CN110287936B (zh) | 图像检测方法、装置、设备及存储介质 | |
CN106569946B (zh) | 一种移动终端性能测试方法及系统 | |
CN111353526A (zh) | 一种图像匹配方法、装置以及相关设备 | |
CN111340233A (zh) | 机器学习模型的训练方法及装置、样本处理方法及装置 | |
CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
CN115457975A (zh) | 婴儿哭声和咳嗽声检测方法、装置、存储介质及终端设备 | |
CN113469111A (zh) | 图像关键点检测方法及系统、电子设备、存储介质 | |
CN110874602A (zh) | 一种图像识别方法及装置 | |
CN115588439B (zh) | 一种基于深度学习的声纹采集装置的故障检测方法及装置 | |
CN116932735A (zh) | 一种文本比对方法、装置、介质和设备 | |
CN108985350B (zh) | 一种基于梯度幅值稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 | |
CN111339973A (zh) | 一种对象识别方法、装置、设备及存储介质 | |
CN112800813A (zh) | 一种目标识别方法及装置 | |
CN116258873A (zh) | 一种位置信息确定方法、对象识别模型的训练方法及装置 | |
CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
CN113627446B (zh) | 基于梯度向量的特征点描述算子的图像匹配方法及系统 | |
CN112446428B (zh) | 一种图像数据处理方法及装置 | |
CN112950652B (zh) | 机器人及其手部图像分割方法和装置 | |
CN113239075A (zh) | 一种施工数据自检方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200630 |
|
RJ01 | Rejection of invention patent application after publication |