CN111709979B - 图像对齐的方法、装置、电子设备和存储介质 - Google Patents
图像对齐的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111709979B CN111709979B CN202010412573.0A CN202010412573A CN111709979B CN 111709979 B CN111709979 B CN 111709979B CN 202010412573 A CN202010412573 A CN 202010412573A CN 111709979 B CN111709979 B CN 111709979B
- Authority
- CN
- China
- Prior art keywords
- frame
- template
- current frame
- alignment
- scanning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013519 translation Methods 0.000 claims description 59
- 230000009466 transformation Effects 0.000 claims description 41
- 238000001228 spectrum Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 11
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 27
- 238000000605 extraction Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000006558 Dental Calculus Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了图像对齐的方法、装置、电子设备和存储介质，涉及计算机技术领域，具体涉及计算机视觉技术领域。具体实现方案为：获取视频信息；获取视频信息之中的模板帧，并获取视频信息之中的当前帧；以模板帧为基准对当前帧进行第一次对齐；获取当前帧的第一特征点和模板帧的第二特征点；以及根据当前帧的第一特征点和模板帧的第二特征点以模板帧为基准对当前帧进行第二次对齐。该方法采用两次对齐的方式，即第一次进行粗调对齐，第二次进行精调对齐，从而可以有效提高图像对齐的效率以及准确率，且本申请没有用到深度学习的方法，不会占用GPU资源。
Description
技术领域
本申请涉及计算机技术领域，具体涉及计算机视觉技术领域，尤其涉及一种图像对齐的方法、装置、电子设备和存储介质。
背景技术
相关技术中，图像对齐的方法主要有三种：基于模版的方法、基于特征点的方法和基于深度学习的方法。
其中，基于模版的方法需要根据傅立叶变换后的频域相位差判断图像平移幅度，该方法需要选取合适的模版，仅能恢复图像的平移变换，没有覆盖旋转等变换准确率较低。
基于特征点的方法大多数是通过特征点匹配来计算单应性矩阵，这种方法过于依赖特征点，对于某些场景来说难以提取图像特征。
基于深度学习的方法是近几年提出的，目前正处于发展时期尚不成熟，该方法有监督和非监督学习两种，均需要耗费的GPU(Graphics Processing Unit，图形处理器)资源。
发明内容
本申请提供了一种图像对齐的方法、装置、电子设备和存储介质。
根据本申请的一方面，提供了一种图像对齐的方法，包括：
获取视频信息；
获取所述视频信息之中的模板帧，并获取所述视频信息之中的当前帧；
以所述模板帧为基准对所述当前帧进行第一次对齐；
获取所述当前帧的第一特征点和所述模板帧的第二特征点；以及
根据所述当前帧的所述第一特征点和所述模板帧的第二特征点以所述模板帧为基准对所述当前帧进行第二次对齐。
根据本申请的另一方面，提供了一种图像对齐的装置，包括：
第一获取模块，用于获取视频信息；
第二获取模块，用于获取所述视频信息之中的模板帧，并获取所述视频信息之中的当前帧；
第一对齐模块，用于以所述模板帧为基准对所述当前帧进行第一次对齐；
第三获取模块，用于获取所述当前帧的第一特征点和所述模板帧的第二特征点；以及
第二对齐模块，用于根据所述当前帧的所述第一特征点和所述模板帧的第二特征点以所述模板帧为基准对所述当前帧进行第二次对齐。
根据本申请的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述一方面实施例所述的图像对齐的方法。
根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，所述计算机指令用于使所述计算机执行上述一方面实施例所述的图像对齐的方法。
根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述一方面实施例所述的图像对齐的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例所涉及的一种实施环境的示意图；
图2是本申请实施例提供的一种图像对齐的方法的流程示意图；
图3是本申请实施例提供的道路监控场景示意图；
图4是本申请实施例提供的另一种图像对齐的方法的流程示意图；
图5是本申请实施例提供的又一种图像对齐的方法的流程示意图；
图6是本申请实施例提供的还一种图像对齐的方法的流程示意图；
图7是本申请实施例提供的一种图像对齐的装置的方框示意图；以及
图8是根据本申请实施例的图像对齐的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本申请实施例的图像对齐的方法、装置、电子设备和存储介质。
本申请实施例，针对相关技术中，图像的对齐方法耗时较久，效率以及准确率较低，且会大量占用GPU资源的问题，提出一种图像对齐的方法。
本申请实施例的图像对齐的方法，以视频信息之中的模板帧为基准对获取视频信息之中的当前帧进行第一次对齐，并根据当前帧的第一特征点和模板帧的第二特征点以模板帧为基准对当前帧进行第二次对齐，解决了上述相关技术中的问题，能达到更好图像对齐的效果，图像间对齐精度高。
参见图1，图1是本申请实施例所涉及的一种实施环境的示意图，该实施环境包括：视频提供设备10和显示设备20，视频提供设备10可以为数字通用光盘播放机、影音光盘播放机、服务器、U盘或智能硬盘等，显示设备20可以为手机、平板电脑、台式电脑或者电视机等具有显示功能的视频处理设备。视频提供设备10和显示设备20之间建立有通信连接，该通信连接可以是无线网络连接和有线网络连接的至少一种。其中，无线网络连接例如可以为采用移动通信网络、蓝牙、紫峰(Zigbee)或者无线保真(Wireless Fidelity，WIFI)等方式进行的通信连接。有线网络连接例如可以为采用双绞线、同轴电缆、光纤、网线或者数据线(如USB、IEEE1394、串口或并口等)等方式进行的通信连接。
需要说明的是，当该实施例中所描述的显示设备20为手机、平板电脑等内置摄像头的电子设备时，显示设备20还可通过内置的摄像头拍摄视频并保存。其中，显示设备20可将拍摄的视频保存在自身的存储空间中，其中，该存储空间不仅限于基于实体的存储空间，例如，硬盘，上述存储空间还可以是连接显示设备20的网络硬盘的存储空间(云存储空间)。
本申请实施例提供的图像对齐的方法，可以由电子设备来执行，该电子设备可为一种视频处理设备，该视频处理设备可以是图1所示的实施环境中的视频提供设备10或显示设备20。当视频处理设备为图1所示的实施环境中的视频提供设备10时，视频处理设备可以获取视频，并对该视频进行图像对齐处理得到处理后的视频，以及将处理后的视频发送至显示设备20，以由显示设备20对该处理后的视频进行播放。当视频处理设备为图1所示的实施环境中的显示设备20时，在一种可实现方式中，视频处理设备可以从视频提供设备10中获取视频，并对该视频进行图像对齐处理得到处理后的视频，以及对该处理后的视频进行播放；在另一种可实现方式中，视频处理设备通过内置的摄像头获取视频，并对该视频进行图像对齐处理得到处理后的视频，以及将处理后的视频通过自身的显示屏视频进行播放。
在本申请实施例中，电子设备中可以设置有处理组件、存储组件和驱动组件。可选的，该驱动组件和处理组件可以集成设置，该存储组件可以存储操作系统、应用程序或其他程序模块，该处理组件通过执行存储组件中存储的应用程序来实现本申请实施例提供的图像对齐的方法。
图2是本申请实施例提供的一种图像对齐的方法的流程示意图。
本申请实施例的图像对齐的方法，还可由本申请实施例提供的图像对齐的装置执行，该装置可配置于电子设备中，以实现以视频信息之中的模板帧为基准对获取视频信息之中的当前帧进行第一次对齐，并根据当前帧的第一特征点和模板帧的第二特征点以模板帧为基准对当前帧进行第二次对齐。
如图1所示，该图像对齐的方法可以包括以下步骤：
步骤201，获取视频信息。应说明的是，该视频信息可为用户想要进行图像对齐以防止视频发生抖动(即，防止视频的图像流抖动)的目标视频信息。
在本申请实施例中，电子设备可以获取目标视频信息。可选的，当电子设备为视频提供设备时，电子设备可以从自身存储的视频中获取目标视频信息；当电子设备为显示设备时，在一种可实现方式中，电子设备可以从视频提供设备中获取目标视频信息，例如，电子设备可以通过目标视频信息对应的统一资源定位符(Uniform ResourceLocator，URL)从视频提供设备下载目标视频信息；在另一种可实现方式中，电子设备存储有目标视频信息，电子设备可以从自身存储的视频中获取该目标视频信息；在另一种可实现方式中，电子设备可以通过内置的摄像头拍摄视频以获取目标视频信息。
步骤202，获取视频信息之中的模板帧，并获取视频信息之中的当前帧。应说明的是，该实施例中所描述的模板帧和当前帧不能为同一帧图像，且模板帧在当前帧之前。
为了尽快确定模板帧以减少图像对齐的耗时，在本申请实施例中，模板帧可为预设的固定帧，其中，预设的固定帧可根据实际情况进行标定，例如，将视频信息之中的第一帧图像作为模板帧，或者将视频信息之中没有前景的一个帧图像作为模板帧，此处不做任何限定。
具体地，电子设备在获取到目标视频信息后，可通过执行预设的应用程序获取目标视频信息中的第K帧图像作为模板帧，并获取目标视频信息之中的当前帧。其中，当前帧为待对齐的图像帧，K可为大于等于1的正整数。
为了进一步提升图像对齐的效果，在本申请实施例中，模板帧可为当前帧之前的已对齐的图像帧。
具体地，电子设备在获取到目标视频信息后，可通过执行预设的应用程序获取目标视频信息中的当前帧之前的已对齐的一个图像帧作为模板帧，并获取目标视频信息之中的当前帧。
在一个例子中，电子设备可在对目标视频进行图像对齐的过程中，建立一个临时的与目标视频信息对应的模板库，将对目标视频进行图像对齐的过程中出现的没有前景的图像帧和已对齐的图像帧临时保持在该模板库中，以在需要获取模板帧时，依据预设的需求条件从该数据库中直接调取，从而在减少耗时的同时提升图像对齐的效果。其中，预设的需求条件的需求条件可根据实际情况进行标定。应说明的是，该实施例中所描述的临时模板库可在本次对目标视频进行图像对齐的任务结束后，自动删除，以释放电子设备的存储空间。
在本申请其它实施例中，为了减少图像对齐的过程中的误差，可获取视频信息之中的多个模板帧，例如，多个不会有前景的模板帧。
步骤203，以模板帧为基准对当前帧进行第一次对齐。
具体地，电子设备在获取到视频信息之中的模板帧和当前帧之后，可通过预设的算法计算当前帧和模板帧的平移差，例如，在一个1920*1080像素的视频中，使用多个不会有前景的模板帧，分别计算当前帧与多个模板帧的平移差dx,dy，最后计算多个平移差dx,dy的均值，得到最终的当前帧和模板帧的平移差，mean_dy，mean_dy。而后电子设备根据该平移差对当前帧进行调整，例如，根据该平移差将当前帧与模板帧进行平移变换。
步骤204，获取当前帧的第一特征点和模板帧的第二特征点。
在本申请实施例中，第一特征点和第二特征点均可为多个，例如，获取当前帧的N个第一特征点和模板帧的M个第二特征点，其中，N和M均为大于1个正整数，且N和M可以相等也可以不相等。
具体地，可根据预设的特征提取算法，在当前帧的图像上提取多个第一特征点，在模板帧的图像上提取多个第二特征点。其中，预设的特征提取算法可根据实际情况进行标定，例如，该预设的特征提取算法可以包括但不限于尺度不变特征转换(Scale-InvariantFeature Transform，SIFT)算法、加速鲁棒特征(Speed Up Robust Features，SURF)算法、快速特征提取(FAST)算法、二进制强大的独立基本特征(Binary RobustIndependentElementary Features，BREIF)算法以及二进制简单描述符(Oriented FASTand RotatedBRIEF，ORB)算法等。通过特征提取算法，在图像上提取特征点为传统常规技术，在此不复赘述。
需要说明的是，通过特征提取算法在帧图像上提取的特征点可具有对应的特征向量。对应于不同的特征提取算法，该特征向量的维度以及所代表的物理含义通常也是不一致的。基于上述特征向量，还可以实现图像间特征点的特征匹配。
步骤205，根据当前帧的第一特征点和模板帧的第二特征点以模板帧为基准对当前帧进行第二次对齐。
具体地，电子设备在获取到当前帧的第一特征点和模板帧的第二特征点之后，可根据当前帧的第一特征点和模板帧的第二特征点生成图像变换矩阵，并根据图像变换矩阵对当前帧进行变换以进行第二次对齐。应说明的是，该实施例中所描述的图像变换矩阵可为单应性矩阵，单应性矩阵包含旋转变换，因此可以有效的覆盖视旋转等变换。
下面以具体应用场景举例来说明：
参见图3，对于道路监控场景，可以根据预设的特征提取算法尽量多的提取道路上的特征点(例如，不会动的电线杆、路牙石、建筑物等)，然后对提取的当前帧的特征点和模板帧的特征点进行匹配，以得到匹配特征点，并使用基于特征点的方法来得到图像变换矩阵，即单应性矩阵，以及根据图像变换矩阵对当前帧进行变换以进行第二次变换(对齐)，以得到经过二次对齐后的视频信息。
在本申请实施例中，首先获取视频信息，并获取视频信息之中的模板帧，以及获取视频信息之中的当前帧，然后以模板帧为基准对当前帧进行第一次对齐，并获取当前帧的第一特征点和模板帧的第二特征点，最后根据当前帧的第一特征点和模板帧的第二特征点以模板帧为基准对当前帧进行第二次对齐。由此，采用两次对齐的方式，即第一次进行粗调对齐，第二次进行精调对齐，从而可以有效提高图像对齐的效率以及准确率，且本申请没有用到深度学习的方法，不会占用GPU资源。
为了清楚说明上一实施例，在本申请的一个实施例中，可通过图4的方式，以模板帧为基准对当前帧进行第一次对齐。图4是本申请实施例提供的另一种图像对齐的方法的流程示意图。
如图4所示，上述以模板帧为基准对当前帧进行第一次对齐，包括：
步骤401，对当前帧和模板帧进行傅里叶变换以生成当前帧对应的第一频谱和模板帧对应的第二频谱。
步骤402，根据第一频谱和第二频谱生成当前帧和模板帧的平移差。
在本申请实施例中，基于图像频域的相位差即时域的平移差，可以使用傅立叶变换计算互功率谱得到相位差，从而得到图像的平移差。
步骤403，根据平移差对当前帧进行调整。
例如，在一个视频流中，使用不会有前景的模板帧，首先对当前帧和模板帧进行傅里叶变换以生成当前帧对应的第一频谱和模板帧对应的第二频谱，然后通过计算第一频谱和第二频谱的相位差得到当前帧与模板帧的平移差，最后根据该平移差对当前帧进行调整，不仅耗时较少，而且由于采用了傅里叶变换计算平移差，稳定性较好。
为了清楚说明上一实施例，在本申请的一个实施例中，可通过图5的方式，根据第一频谱和第二频谱生成当前帧和模板帧的平移差，包括：
步骤501，以预设尺寸的扫描框对当前帧进行扫描以生成多个第一扫描帧。其中，扫描框的预设尺寸可根据实际情况进行标定，例如，预设尺寸可为201*201像素。
例如，假设当前帧为1920*1080像素的帧图像，扫描框的预设尺寸为201*201，则通过上述的扫描可生成约45个第一扫描帧。
步骤502，如果第一扫描帧之中不包括前景物体，则将第一扫描帧作为第一模板。
步骤503，以预设尺寸的扫描框对模板帧进行扫描以生成多个第二扫描帧。
步骤504，如果第二扫描帧之中不包括前景物体，则将第二扫描帧作为第二模板，其中，第一模板和第二模板对应。
需要说明的是，该实施例中所描述的第一模板和第二模板对应，可指的是第一模板与第二模板的像像素位置保持对应，例如，参见图3，假设图3为道路监控视频中的当前帧，若当前帧中不包括前景物体的第一模板为右侧电线杆区域，则模板帧中不包括前景物体的第二模板也应为右侧电线杆区域，从而方便后续的对齐操作。
步骤505，计算根据第一频谱的第一模板和第二频谱之中的第二模板之间的平移差。
步骤506，根据第一模板和第二模板之间的平移差生成当前帧和模板帧的平移差。
具体地，电子设备在通过傅里叶变换得到当前帧对应的第一频谱和模板帧对应的第二频谱之后，为了减少耗时可同时以预设尺寸的扫描框对当前帧和模板帧分别进行扫描以生成多个第一扫描帧和多个第二扫描帧，在扫描的过程中，通过检测器分别对多个第一扫描帧和多个第二扫描帧进行检测，以确定不包括前景物体的第一扫描帧和第二扫描帧，然后将不包括前景物体的第一扫描帧作为第一模板，将不包括前景物体的第二扫描帧作为第二模板。最后，计算根据第一频谱的第一模板和第二频谱之中的第二模板之间的平移差，并根据第一模板和第二模板之间的平移差生成当前帧和模板帧的平移差。
例如，在一个1920*1080像素的视频中，获取该视频中的模板帧和当前帧，并以201*201像素的扫描框分别对模板帧和当前帧进行扫描，以确定像像素位置保持对应的不包括前景物体的201*201像素的当前帧模板和模板帧模板，而后通过傅里叶变换获取上述当前帧模板和模板帧模板对应的第一频谱的模板和第二频谱的模板，并计算它们之间的平移差，以得到当前帧和模板帧的平移差，从而可以提高计算平移差的精确度，减少计算过程中的误差。
在本申请的一个实施例中，当第一模板和第二模板为多个时，根据第一模板和第二模板之间的平移差生成当前帧和模板帧的平移差，可包括获取多个第一模板和多个第二模板之间的平均平移差，并将平均平移差作为当前帧和模板帧的平移差，从而进一步提高上述平移差的精确度，减少误差。
为了清楚说明本申请，在本申请的一个实施例中，可通过图6的方式，根据当前帧的第一特征点和模板帧的第二特征点以模板帧为基准对当前帧进行第二次对齐，包括：
步骤601，对当前帧的第一特征点进行过滤以获取去除前景物体的第三特征点。
步骤602，对模板帧的第二特征点进行过滤以获取去除前景物体的第四特征点。
步骤603，将当前帧之中第三特征点与模板帧之中第四特征点进行匹配。
步骤604，根据第三特征点以及与第三特征点匹配的第四特征点生成图像变换矩阵。其中，图像变换矩阵可为单应性矩阵，单应性矩阵包含旋转变换，因此可以有效的覆盖视旋转等变换。
步骤605，根据图像变换矩阵对当前帧进行变换以进行第二次对齐。
具体地，电子设备在完成对目标视频的第一次对齐后，获取当前帧的第一特征点和模板帧的第二特征点，然后通过检测器或者先验知识分别对当前帧的第一特征点和模板帧的第二特征点进行过滤，以获取去除前景物体的第三特征点和第四特征点，并将当前帧之中第三特征点与模板帧之中第四特征点进行匹配，以及根据第三特征点以及与第三特征点匹配的第四特征点生成图像变换矩阵。最后根据图像变换矩阵对当前帧进行变换以进行第二次对齐。
下面以具体应用场景举例来说明：
参见图3，对于道路监控场景，可以根据预设的特征提取算法尽量多的提取道路上的特征点(例如，不会动的电线杆、路牙石、建筑物等)，然后通过检测器或者先验知识去除掉前景所在区域的特征点(例如，如车辆，本身容易发生晃动的树等)，然后对筛选后的当前帧的特征点和模板帧的特征点进行匹配，以得到匹配特征点，并使用基于特征点的方法来得到图像变换矩阵，即单应性矩阵，以及根据图像变换矩阵对当前帧进行变换以进行第二次变换(对齐)，以得到经过二次对齐后的视频信息。由此，能够有效的覆盖视旋转等变换，且通过去除掉前景所在区域的特征点，可以有效的减少误差，进一步提升图像对齐的效果。
为了减少出现特征点匹配错误的情况，在本申请的一个实施例中，在预设阈值范围之内，将当前帧之中第三特征点与模板帧之中第四特征点进行匹配。其中，预设阈值范围可根据实际情况进行标定，且该预设阈值范围可为像素点范围。
举例而言，参见图3，对于道路监控场景，在得到筛选后的当前帧的特征点和模板帧的特征点之后，可对筛选后的当前帧的特征点和模板帧的特征点进行匹配，并在匹配的过程中设定参数使其在预设阈值范围之内查找，比如，原先是在半径是30像素点的范围内寻找匹配特定点，通过在匹配的过程中设定参数可以使其在在半径是10像素点的范围内寻找匹配特定点，从而减少出现匹配错误或者误使用前景特征点的情况，以进一步提升图像对齐的效果。
需要说明的是，该实施例中之所以可以将原先匹配特征点的半径缩小，是由于已经进行了第一次的对齐(即，平移变换)，可以认为当前帧的抖动已经得到缓解，所以在后面进行特征点匹配的时候可以把范围适当的缩小，以减少出现匹配错误或者误使用前景特征点的情况。
图7是本申请实施例提供的一种图像对齐的装置的方框示意图。
本申请实施例的图像对齐的装置，可配置于电子设备中，以实现以视频信息之中的模板帧为基准对获取视频信息之中的当前帧进行第一次对齐，并根据当前帧的第一特征点和模板帧的第二特征点以模板帧为基准对当前帧进行第二次对齐。
如图7所示，该图像对齐的装置700可以包括：第一获取模块710、第二获取模块720、第一对齐模块730、第三获取模块740和第二对齐模块750。
其中，第一获取模块710用于获取视频信息。应说明的是，该视频信息可为用户想要进行图像对齐以防止视频发生抖动(即，防止视频的图像流抖动)的目标视频信息。
在本申请实施例中，电子设备可通过内置第一获取模块710的获取目标视频信息。可选的，当电子设备为视频提供设备时，电子设备通过内置第一获取模块710可以从自身存储的视频中获取目标视频信息；当电子设备为显示设备时，在一种可实现方式中，电子设备通过内置第一获取模块710可以从视频提供设备中获取目标视频信息，例如，电子设备可以通过目标视频信息对应的统一资源定位符(Uniform ResourceLocator，URL)从视频提供设备下载目标视频信息；在另一种可实现方式中，电子设备存储有目标视频信息，电子设备通过内置第一获取模块710可以从自身存储的视频中获取该目标视频信息；在另一种可实现方式中，电子设备通过内置第一获取模块710可以通过内置的摄像头拍摄视频以获取目标视频信息。
第二获取模块720用于获取视频信息之中的模板帧，并获取视频信息之中的当前帧。应说明的是，该实施例中所描述的模板帧和当前帧不能为同一帧图像，且模板帧在当前帧之前。
为了尽快确定模板帧以减少图像对齐的耗时，在本申请实施例中，模板帧可为预设的固定帧，其中，预设的固定帧可根据实际情况进行标定，例如，将视频信息之中的第一帧图像作为模板帧，或者将视频信息之中没有前景的一个帧图像作为模板帧，此处不做任何限定。
具体地，第二获取模块720可通过执行预设的应用程序获取目标视频信息中的第K帧图像作为模板帧，并获取目标视频信息之中的当前帧。其中，当前帧为待对齐的图像帧，K可为大于等于1的正整数。
为了进一步提升图像对齐的效果，在本申请实施例中，模板帧可为当前帧之前的已对齐的图像帧。
具体地，第二获取模块720可通过执行预设的应用程序获取目标视频信息中的当前帧之前的已对齐的一个图像帧作为模板帧，并获取目标视频信息之中的当前帧。
在一个例子中，电子设备可在对目标视频进行图像对齐的过程中，建立一个临时的与目标视频信息对应的模板库，将对目标视频进行图像对齐的过程中出现的没有前景的图像帧和已对齐的图像帧临时保持在该模板库中，以在第二获取模块720需要获取模板帧时，依据预设的需求条件从该数据库中直接调取，从而在减少耗时的同时提升图像对齐的效果。其中，预设的需求条件的需求条件可根据实际情况进行标定。应说明的是，该实施例中所描述的临时模板库可在本次对目标视频进行图像对齐的任务结束后，自动删除，以释放电子设备的存储空间。
在本申请其它实施例中，为了减少图像对齐的过程中的误差，第二获取模块720可获取视频信息之中的多个模板帧，例如，多个不会有前景的模板帧。
第一对齐模块730用于以模板帧为基准对当前帧进行第一次对齐。
具体地，在第二获取模块720获取到视频信息之中的模板帧和当前帧之后，第一对齐模块730可通过预设的算法计算当前帧和模板帧的平移差，例如，在一个1920*1080像素的视频中，使用多个不会有前景的模板帧，分别计算当前帧与多个模板帧的平移差dx,dy，最后计算多个平移差dx,dy的均值，得到最终的当前帧和模板帧的平移差，mean_dy，mean_dy。而后电子设备根据该平移差对当前帧进行调整，例如，根据该平移差将当前帧与模板帧进行平移变换。
第三获取模块740用于获取当前帧的第一特征点和模板帧的第二特征点。
在本申请实施例中，第一特征点和第二特征点均可为多个，例如，第三获取模块740获取当前帧的N个第一特征点和模板帧的M个第二特征点，其中，N和M均为大于1个正整数，且N和M可以相等也可以不相等。
具体地，第三获取模块740可根据预设的特征提取算法，在当前帧的图像上提取多个第一特征点，在模板帧的图像上提取多个第二特征点。其中，预设的特征提取算法可根据实际情况进行标定，例如，该预设的特征提取算法可以包括但不限于尺度不变特征转换(Scale-InvariantFeature Transform，SIFT)算法、加速鲁棒特征(Speed Up RobustFeatures，SURF)算法、快速特征提取(FAST)算法、二进制强大的独立基本特征(BinaryRobust IndependentElementary Features，BREIF)算法以及二进制简单描述符(OrientedFAST and RotatedBRIEF，ORB)算法等。通过特征提取算法，在图像上提取特征点为传统常规技术，在此不复赘述。
需要说明的是，通过特征提取算法在帧图像上提取的特征点可具有对应的特征向量。对应于不同的特征提取算法，该特征向量的维度以及所代表的物理含义通常也是不一致的。基于上述特征向量，还可以实现图像间特征点的特征匹配。
第二对齐模块750用于根据当前帧的第一特征点和模板帧的第二特征点以模板帧为基准对当前帧进行第二次对齐。
具体地，在第三获取模块740获取到当前帧的第一特征点和模板帧的第二特征点之后，第二对齐模块750可根据当前帧的第一特征点和模板帧的第二特征点生成图像变换矩阵，并根据图像变换矩阵对当前帧进行变换以进行第二次对齐。应说明的是，该实施例中所描述的图像变换矩阵可为单应性矩阵，单应性矩阵包含旋转变换，因此可以有效的覆盖视旋转等变换。
下面以具体应用场景举例来说明：
参见图3，对于道路监控场景，第三获取模块740可以根据预设的特征提取算法尽量多的提取道路上的特征点(例如，不会动的电线杆、路牙石、建筑物等)，然后第二对齐模块750对提取的当前帧的特征点和模板帧的特征点进行匹配，以得到匹配特征点，并使用基于特征点的方法来得到图像变换矩阵，即单应性矩阵，以及根据图像变换矩阵对当前帧进行变换以进行第二次变换(对齐)，以得到经过二次对齐后的视频信息。
在本申请实施例中，通过第一获取模块获取视频信息，通过第二获取模块获取视频信息之中的模板帧，并获取视频信息之中的当前帧，通过第一对齐模块以模板帧为基准对当前帧进行第一次对齐，通过第三获取模块获取当前帧的第一特征点和模板帧的第二特征点，通过第二对齐模块根据当前帧的第一特征点和模板帧的第二特征点以模板帧为基准对当前帧进行第二次对齐。由此，采用两次对齐的方式，即第一次进行粗调对齐，第二次进行精调对齐，从而可以有效提高图像对齐的效率以及准确率，且本申请没有用到深度学习的方法，不会占用GPU资源。
在本申请的一个实施例中，如图7所示，第一对齐模块730包括：第一生成单元731、第二生成单元732和调整单元733。
其中，第一生成单元7310用于对当前帧和模板帧进行傅里叶变换以生成当前帧对应的第一频谱和模板帧对应的第二频谱。
第二生成单元732用于根据第一频谱和第二频谱生成当前帧和模板帧的平移差。
调整单元733用于根据平移差对当前帧进行调整。
在本申请的一个实施例中，第二生成单元732具体用于：以预设尺寸的扫描框对当前帧进行扫描以生成多个第一扫描帧；如果第一扫描帧之中不包括前景物体，则将第一扫描帧作为第一模板；以预设尺寸的扫描框对模板帧进行扫描以生成多个第二扫描帧；如果第二扫描帧之中不包括前景物体，则将第二扫描帧作为第二模板，其中，第一模板和第二模板对应；计算根据第一频谱的第一模板和第二频谱之中的第二模板之间的平移差；以及根据第一模板和第二模板之间的平移差生成当前帧和模板帧的平移差。
在本申请的一个实施例中，当第一模板和第二模板为多个时，第二生成单元732用于：获取多个第一模板和多个第二模板之间的平均平移差；以及将平均平移差作为当前帧和模板帧的平移差。
在本申请的一个实施例中，如图7所示，第二对齐模块750包括：第一过滤单元751、第二过滤单元752、匹配单元753、第三生成单元754和对齐单元755。
其中，第一过滤单元751用于对当前帧的第一特征点进行过滤以获取去除前景物体的第三特征点。
第二过滤单元752用于对模板帧的第二特征点进行过滤以获取去除前景物体的第四特征点。
匹配单元753用于将当前帧之中第三特征点与模板帧之中第四特征点进行匹配。
第三生成单元754用于根据第三特征点以及与第三特征点匹配的第四特征点生成图像变换矩阵。
对齐单元755用于根据图像变换矩阵对当前帧进行变换以进行第二次对齐。
在本申请的一个实施例中，匹配单元753用于在预设阈值范围之内，将当前帧之中第三特征点与模板帧之中第四特征点进行匹配。
需要说明的是，前述对图像对齐的方法实施例的解释说明也适用于该实施例的图像对齐的装置，此处不再赘述。
本申请实施例的图像对齐的装置，通过第一获取模块获取视频信息，通过第二获取模块获取视频信息之中的模板帧，并获取视频信息之中的当前帧，通过第一对齐模块以模板帧为基准对当前帧进行第一次对齐，通过第三获取模块获取当前帧的第一特征点和模板帧的第二特征点，通过第二对齐模块根据当前帧的第一特征点和模板帧的第二特征点以模板帧为基准对当前帧进行第二次对齐。由此，采用两次对齐的方式，即第一次进行粗调对齐，第二次进行精调对齐，从而可以有效提高图像对齐的效率以及准确率，且本申请没有用到深度学习的方法，不会占用GPU资源。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图8所示，是根据本申请实施例的图像对齐的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的图像对齐的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的图像对齐的方法。
存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的图像对齐的方法对应的程序指令/模块(例如，附图7所示的图像的对齐装置包括：第一获取模块100、第二获取模块200、第一对齐模块300、第三获取模块400和第二对齐模块500)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的图像对齐的方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据图像对齐的方法的电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至图像对齐的方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图像对齐的方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与图像对齐的方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，采用两次对齐的方式，即第一次进行粗调对齐，第二次进行精调对齐，可以有效提高图像对齐的效率以及准确率，能达到更好图像对齐的效果，且本申请没有用到深度学习的方法，不会占用GPU资源。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (14)
1.一种图像对齐的方法，包括：
获取视频信息；
获取所述视频信息之中的模板帧，并获取所述视频信息之中的当前帧；
以所述模板帧为基准对所述当前帧进行第一次对齐；
获取所述当前帧的第一特征点和所述模板帧的第二特征点；以及
根据所述当前帧的所述第一特征点和所述模板帧的第二特征点以所述模板帧为基准对所述当前帧进行第二次对齐；
其中，所述以所述模板帧为基准对所述当前帧进行第一次对齐，包括：
对所述当前帧和所述模板帧进行傅里叶变换以生成所述当前帧对应的第一频谱和所述模板帧对应的第二频谱；
根据所述第一频谱和所述第二频谱生成所述当前帧和所述模板帧的平移差；以及
根据所述平移差对所述当前帧进行调整；
所述根据所述第一频谱和所述第二频谱生成所述当前帧和所述模板帧的平移差，包括：
以预设尺寸的扫描框对所述当前帧和所述模板帧分别进行扫描，得到所述当前帧对应的第一模板和所述模板帧对应的第二模板；
计算所述根据所述第一频谱的第一模板和所述第二频谱之中的第二模板之间的平移差；以及
根据所述第一模板和所述第二模板之间的平移差生成所述当前帧和所述模板帧的平移差。
2.如权利要求1所述的图像对齐的方法，其中，所述以预设尺寸的扫描框对所述当前帧和所述模板帧分别进行扫描，得到所述当前帧对应的第一模板和所述模板帧对应的第二模板，包括：
以预设尺寸的扫描框对所述当前帧进行扫描以生成多个第一扫描帧；
如果所述第一扫描帧之中不包括前景物体，则将所述第一扫描帧作为第一模板；
以预设尺寸的扫描框对所述模板帧进行扫描以生成多个第二扫描帧；
如果所述第二扫描帧之中不包括前景物体，则将所述第二扫描帧作为第二模板，其中，所述第一模板和所述第二模板对应。
3.如权利要求2所述的图像对齐的方法，其中，当所述第一模板和所述第二模板为多个时，所述根据所述第一模板和所述第二模板之间的平移差生成所述当前帧和所述模板帧的平移差，包括：
获取所述多个第一模板和所述多个第二模板之间的平均平移差；以及
将所述平均平移差作为所述当前帧和所述模板帧的平移差。
4.如权利要求1所述的图像对齐的方法，其中，所述模板帧为预设的固定帧，或者，所述当前帧之前的已对齐的图像帧。
5.如权利要求1所述的图像对齐的方法，其中，所述根据所述当前帧的所述第一特征点和所述模板帧的第二特征点以所述模板帧为基准对所述当前帧进行第二次对齐，包括：
对所述当前帧的第一特征点进行过滤以获取去除前景物体的第三特征点；
对所述模板帧的第二特征点进行过滤以获取去除前景物体的第四特征点；
将所述当前帧之中第三特征点与所述模板帧之中第四特征点进行匹配；
根据所述第三特征点以及与所述第三特征点匹配的第四特征点生成图像变换矩阵；以及
根据所述图像变换矩阵对所述当前帧进行变换以进行第二次对齐。
6.如权利要求5所述的图像对齐的方法，其中，在预设阈值范围之内，将所述当前帧之中第三特征点与所述模板帧之中第四特征点进行匹配。
7.一种图像对齐的装置，包括：
第一获取模块，用于获取视频信息；
第二获取模块，用于获取所述视频信息之中的模板帧，并获取所述视频信息之中的当前帧；
第一对齐模块，用于以所述模板帧为基准对所述当前帧进行第一次对齐；
第三获取模块，用于获取所述当前帧的第一特征点和所述模板帧的第二特征点；以及
第二对齐模块，用于根据所述当前帧的所述第一特征点和所述模板帧的第二特征点以所述模板帧为基准对所述当前帧进行第二次对齐；
所述第一对齐模块，包括：
第一生成单元，用于对所述当前帧和所述模板帧进行傅里叶变换以生成所述当前帧对应的第一频谱和所述模板帧对应的第二频谱；
第二生成单元，用于根据所述第一频谱和所述第二频谱生成所述当前帧和所述模板帧的平移差；以及
调整单元，用于根据所述平移差对所述当前帧进行调整；
所述第二生成单元，具体用于：
以预设尺寸的扫描框对所述当前帧和所述模板帧分别进行扫描，得到所述当前帧对应的第一模板和所述模板帧对应的第二模板；
计算所述根据所述第一频谱的第一模板和所述第二频谱之中的第二模板之间的平移差；以及
根据所述第一模板和所述第二模板之间的平移差生成所述当前帧和所述模板帧的平移差。
8.如权利要求7所述的图像对齐的装置，其中，所述第二生成单元，还具体用于：
以预设尺寸的扫描框对所述当前帧进行扫描以生成多个第一扫描帧；
如果所述第一扫描帧之中不包括前景物体，则将所述第一扫描帧作为第一模板；
以预设尺寸的扫描框对所述模板帧进行扫描以生成多个第二扫描帧；
如果所述第二扫描帧之中不包括前景物体，则将所述第二扫描帧作为第二模板，其中，所述第一模板和所述第二模板对应。
9.如权利要求8所述的图像对齐的装置，其中，当所述第一模板和所述第二模板为多个时，所述第二生成单元，用于：
获取所述多个第一模板和所述多个第二模板之间的平均平移差；以及
将所述平均平移差作为所述当前帧和所述模板帧的平移差。
10.如权利要求7所述的图像对齐的装置，其中，所述模板帧为预设的固定帧，或者，所述当前帧之前的已对齐的图像帧。
11.如权利要求7所述的图像对齐的装置，其中，所述第二对齐模块，包括：
第一过滤单元，用于对所述当前帧的第一特征点进行过滤以获取去除前景物体的第三特征点；
第二过滤单元，用于对所述模板帧的第二特征点进行过滤以获取去除前景物体的第四特征点；
匹配单元，用于将所述当前帧之中第三特征点与所述模板帧之中第四特征点进行匹配；
第三生成单元，用于根据所述第三特征点以及与所述第三特征点匹配的第四特征点生成图像变换矩阵；以及
对齐单元，用于根据所述图像变换矩阵对所述当前帧进行变换以进行第二次对齐。
12.如权利要求7所述的图像对齐的装置，其中，匹配单元，用于：
在预设阈值范围之内，将所述当前帧之中第三特征点与所述模板帧之中第四特征点进行匹配。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的图像对齐的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的图像对齐的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010412573.0A CN111709979B (zh) | 2020-05-15 | 2020-05-15 | 图像对齐的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010412573.0A CN111709979B (zh) | 2020-05-15 | 2020-05-15 | 图像对齐的方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111709979A CN111709979A (zh) | 2020-09-25 |
| CN111709979B true CN111709979B (zh) | 2023-08-25 |
Family
ID=72537798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010412573.0A Active CN111709979B (zh) | 2020-05-15 | 2020-05-15 | 图像对齐的方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709979B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638856A (zh) * | 2022-03-09 | 2022-06-17 | 广州小鹏自动驾驶科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102415088A (zh) * | 2009-04-22 | 2012-04-11 | 高通股份有限公司 | 用以选择性地组合视频帧图像数据的系统和方法 |
| CN104065854A (zh) * | 2014-06-18 | 2014-09-24 | 联想(北京)有限公司 | 一种图像处理方法及一种电子设备 |
| CN105052129A (zh) * | 2013-03-15 | 2015-11-11 | 谷歌公司 | 级联相机运动估计、滚动快门检测和用于视频稳定性的相机抖动检测 |
| CN105872370A (zh) * | 2016-03-31 | 2016-08-17 | 深圳中兴力维技术有限公司 | 视频去抖动方法和装置 |
| CN106384350A (zh) * | 2016-09-28 | 2017-02-08 | 中国科学院自动化研究所 | 基于cuda加速的神经元活动图像动态配准方法及装置 |
| CN107454963A (zh) * | 2017-06-16 | 2017-12-08 | 深圳市汇顶科技股份有限公司 | 指纹图像处理方法、光学指纹辨识系统及电子装置 |
| CN107924576A (zh) * | 2015-08-19 | 2018-04-17 | 优创半导体科技有限公司 | 用于视频稳定化的视频图像对齐 |
| CN109302545A (zh) * | 2018-11-15 | 2019-02-01 | 深圳市炜博科技有限公司 | 视频稳像方法、装置及计算机可读存储介质 |
| CN109919971A (zh) * | 2017-12-13 | 2019-06-21 | 北京金山云网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
-
2020
- 2020-05-15 CN CN202010412573.0A patent/CN111709979B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102415088A (zh) * | 2009-04-22 | 2012-04-11 | 高通股份有限公司 | 用以选择性地组合视频帧图像数据的系统和方法 |
| CN105052129A (zh) * | 2013-03-15 | 2015-11-11 | 谷歌公司 | 级联相机运动估计、滚动快门检测和用于视频稳定性的相机抖动检测 |
| CN104065854A (zh) * | 2014-06-18 | 2014-09-24 | 联想(北京)有限公司 | 一种图像处理方法及一种电子设备 |
| CN107924576A (zh) * | 2015-08-19 | 2018-04-17 | 优创半导体科技有限公司 | 用于视频稳定化的视频图像对齐 |
| CN105872370A (zh) * | 2016-03-31 | 2016-08-17 | 深圳中兴力维技术有限公司 | 视频去抖动方法和装置 |
| CN106384350A (zh) * | 2016-09-28 | 2017-02-08 | 中国科学院自动化研究所 | 基于cuda加速的神经元活动图像动态配准方法及装置 |
| CN107454963A (zh) * | 2017-06-16 | 2017-12-08 | 深圳市汇顶科技股份有限公司 | 指纹图像处理方法、光学指纹辨识系统及电子装置 |
| CN109919971A (zh) * | 2017-12-13 | 2019-06-21 | 北京金山云网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
| CN109302545A (zh) * | 2018-11-15 | 2019-02-01 | 深圳市炜博科技有限公司 | 视频稳像方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| Yan Liu.Dynamic Displacement Field Model Used As A New Camera Motion Model In Video Stabilization.《2007 Digest of Technical Papers International Conference on Consumer Electronics》.2007,1-2. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111709979A (zh) | 2020-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111523468B (zh) | 人体关键点识别方法和装置 | |
| TWI543610B (zh) | 電子裝置及其影像選擇方法 | |
| US9479709B2 (en) | Method and apparatus for long term image exposure with image stabilization on a mobile device | |
| CN109788189B (zh) | 将相机与陀螺仪融合在一起的五维视频稳定化装置及方法 | |
| US9286532B2 (en) | Image processing apparatus and control method thereof | |
| WO2017151240A1 (en) | Tracking regions of interest across video frames with corresponding depth maps | |
| CN111415298B (zh) | 图像拼接方法、装置、电子设备及计算机可读存储介质 | |
| EP3038056A1 (en) | Method and system for processing video content | |
| CN103841298A (zh) | 一种基于颜色恒量和几何不变特征的视频稳像方法 | |
| US20220058771A1 (en) | Image Processing Method in Remote Control, Device, Apparatus and Program Product | |
| CN112487979B (zh) | 目标检测方法和模型训练方法、装置、电子设备和介质 | |
| CN112584076B (zh) | 视频的插帧方法、装置及电子设备 | |
| KR102451197B1 (ko) | 영상 프레임 처리 방법 및 장치, 전자 기기, 저장 매체 그리고 프로그램 | |
| KR20210113100A (ko) | 멀티-카메라 또는 기타 환경을 위한 슈퍼-해상도 뎁스 맵 생성 | |
| CN111784757A (zh) | 深度估计模型的训练方法、深度估计方法、装置及设备 | |
| CN111709979B (zh) | 图像对齐的方法、装置、电子设备和存储介质 | |
| CN113658065A (zh) | 图像降噪方法及装置、计算机可读介质和电子设备 | |
| CN112509058A (zh) | 外参的计算方法、装置、电子设备和存储介质 | |
| WO2022237435A1 (zh) | 更换画面中的背景的方法、设备、存储介质及程序产品 | |
| US20230131418A1 (en) | Two-dimensional (2d) feature database generation | |
| CN114173158B (zh) | 人脸识别方法、云端设备、客户端设备、电子设备及介质 | |
| CN106462935B (zh) | 图像处理装置、图像处理方法和计算机可读存储介质 | |
| CN114387169A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN112734658A (zh) | 图像增强方法、装置及电子设备 | |
| CN111680623A (zh) | 姿态转换方法及装置、电子设备、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 |