CN111739081A - 特征点匹配方法、拼接方法、装置、电子设备及存储介质 - Google Patents
特征点匹配方法、拼接方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111739081A CN111739081A CN202010781780.3A CN202010781780A CN111739081A CN 111739081 A CN111739081 A CN 111739081A CN 202010781780 A CN202010781780 A CN 202010781780A CN 111739081 A CN111739081 A CN 111739081A
- Authority
- CN
- China
- Prior art keywords
- group
- matching
- point
- points
- corrected
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种特征点匹配方法、拼接方法、装置、电子设备及存储介质，其中，所述方法包括：对第一图像和第二图像进行特征点检测，确定出第一图像的第一组特征点和第二图像的第二组特征点；对第一组特征点和第二组特征点进行校正，以得到第一组校正特征点和第二组校正特征点；将第一组校正特征点和第二组校正特征点进行匹配，以得到目标匹配点对。通过本申请实施例中的方法可以提高图像特征点的检测速度。
Description
技术领域
本申请涉及图像识别技术领域，具体而言，涉及一种特征点匹配方法、拼接方法、装置、电子设备及存储介质。
背景技术
双目立体视觉是基于视差原理并利用成像设备从不同的位置获取被测物体的两幅图像，通过计算图像对应点间的位置偏差，来获取物体三维几何信息的方法。在双目立体视觉中，一般可以基于对两个相机采集的图像进行特征点匹配以实现对图像中的事物进行定位。
发明内容
本申请的目的在于提供一种特征点匹配方法、拼接方法、装置、电子设备及可读存储介质，能够提高图像的特征点的检测速度。
第一方面，本申请实施例提供一种特征点匹配方法，所述方法包括：
对第一图像和第二图像进行特征点检测，确定出所述第一图像的第一组特征点和所述第二图像的第二组特征点；
对所述第一组特征点和所述第二组特征点进行校正，以得到第一组校正特征点和第二组校正特征点；
将所述第一组校正特征点和所述第二组校正特征点进行匹配，以得到目标匹配点对。
在可选的实施方式中，所述将所述第一组校正特征点和所述第二组校正特征点进行匹配，以得到目标匹配点对，包括：
将所述第一组校正特征点和所述第二组校正特征点进行约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组；
针对所述第一组校正特征点中的任一校正特征点，将所述任一校正特征点与在所述第二组校正特征点对应的匹配点组进行初匹配，以得到第一匹配点对;
将所述第一匹配点对进行匹配代价计算，以确定所述第一匹配点对匹配代价；
根据所述匹配代价确定出目标匹配点对。
通过本实施例的方法，由于在匹配之后还可以进行代价计算，再基于匹配的代价确定出目标匹配点对，从而可以更加准确地确定出目标匹配点对。进一步地，采用了约束处理的方式，从而可以使第一组校正特征点中的特征点在第二组校正特征点中进行匹配时，需要匹配的校正特征点更少，从而可以提高特征点匹配的速度。
在可选的实施方式中，所述将所述第一匹配点对进行匹配代价计算，以确定第一匹配点对匹配代价，包括：
计算所述第一匹配点对的特征描述符距离，以得到所述第一匹配点对的匹配代价；
或者，计算所述第一匹配点对的特征点汉明距离，以得到所述第一匹配点对的匹配代价。
通过本实施例的方法，采用多种计算方式实现匹配代价的确定，从而可以更好地适应不同场景的匹配准确度的需求。
在可选的实施方式中，所述将所述第一匹配点对进行匹配代价计算，以确定第一匹配点对匹配代价，包括：
计算所述第一匹配点对的特征描述符距离；
计算所述第一匹配点对的特征点汉明距离；
对所述特征描述符距离以及所述特征点汉明距离进行加权求和，以得到所述第一匹配点对的匹配代价。
通过本实施例的方法，采用描述符距离和汉明距离双重计算，确定出的匹配代价相对更准确度评价匹配效果，从而可以提高特征点匹配的准确性。
在可选的实施方式中，所述计算所述第一匹配点对的特征点汉明距离，包括：
针对第一匹配点对中的两个特征点进行Census变换以得到两个特征点对应的变换值；
对第一匹配点对的两个特征点对应的变换值进行异或运算，得到异或结果；
根据所述异或结果，得到第一匹配点对的特征点汉明距离。
通过本实施例的方法，通过特征描述符距离与特征点汉明距离的结合，确定出的匹配代价，引入特征点汉明距离代价，可以提高匹配的抗光照鲁棒性。
在可选的实施方式中，所述根据所述匹配代价确定出目标匹配点对，包括：
从所述第一匹配点对筛选出匹配代价小于预设值的第二匹配点对，从所述第二匹配点对中使用一致约束确定出目标匹配点对；或者，
从所述第一匹配点对筛选出匹配代价小于预设值的目标匹配点对；或者，
从所述第一匹配点对中使用一致约束确定出目标匹配点对。
通过本实施例的方法，筛选出匹配代价更小的匹配点对，从而可以使确定出的目标匹配点对更准确。
在可选的实施方式中，所述将所述第一组校正特征点和所述第二组校正特征点进行约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组，包括：
将所述第一组校正特征点和所述第二组校正特征点进行极线约束处理，或/及，将所述第一组校正特征点和所述第二组校正特征点进行视差约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组。
通过本实施例的方法，通过极线约束或视差约束的处理，从而可以降低需要进行匹配的特征点的数量，从而可以减少匹配过程中的计算量，从而可以提高特征点匹配的效率。
在可选的实施方式中，所述将所述第一组校正特征点和所述第二组校正特征点进行约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组，包括：
针对第一组校正特征点的任意一个第一目标校正特征点，确定出该第一目标校正特征点对应的目标极线，在第二组校正特征点中的校正特征点确定出位于该目标极线上校正特征点组，则该校正特征点为该第一目标校正特征点对应的第一匹配特征点组；
针对第一组校正特征点的任意一个第二目标校正特征点，则根据设定的最大视差半径，从第二组校正特征点中筛选出与该目标校正特征点距离小于最大视差半径的校正特征点，以得到第二匹配特征点组；
根据所述第一匹配特征点组和所述第二匹配特征点组，得到匹配特征点组。
通过本实施例的方法，通过进行极线约束和视差约束，从而可以降低需要进行匹配的特征点的数量，减少匹配过程中的计算量，以提高特征点匹配的效率。
在可选的实施方式中，所述对所述第一组特征点和所述第二组特征点进行校正，以得到第一组校正特征点和第二组校正特征点，包括：
对所述第一组特征点和所述第二组特征点进行立体校正，以得到第一组校正特征点和第二组校正特征点；或/及，
对所述第一组特征点和所述第二组特征点进行畸变校正，以得到第一组校正特征点和第二组校正特征点。
通过本实施例的方法，通过仅对特征点立体校正，从而可以使确定出的两张图像的校正特征点更准确地与对应的校正特征点进行匹配。
在可选的实施方式中，所述对所述第一组特征点和所述第二组特征点进行畸变校正，以得到第一组校正特征点和第二组校正特征点，通过以下公式实现：
成像畸变数学模型包括：
径向畸变数学模型：
切向畸变数学模型：
其中，
；
其中，
表示无畸变图像在图像像素坐标系下的坐标 ，
表示经过畸变后
的畸变图像在图像像素坐标系下的坐标，
表示畸变参数，
表示
世界坐标系下的坐标；
其中，在进行畸变校正过程中，所述无畸变图像在图像像素坐标系下的坐标表示第一组特征点或第二组特征点中的一点的坐标；所述畸变后的畸变图像在图像像素坐标系下的坐标表示第一组校正特征点和第二组校正特征点中的一点的坐标。
第二方面，本申请实施例提供一种拼接方法，包括：
使用前述实施方式任意一项所述的特征点匹配方法对第三图像和第四图像进行特征点匹配，以确定出所述第三图像与所述第四图像的关联点对；
根据所述关联点对，对所述第三图像与所述第四图像进行图像拼接。
第三方面，本申请实施例提供一种匹配装置，所述装置包括：
检测模块，用于对第一图像和第二图像进行特征点检测，确定出第一组特征点和第二组特征点；
校正模块，用于对所述第一组特征点和所述第二组特征点进行校正，以得到第一组校正特征点和第二组校正特征点；
第一匹配模块，用于将所述第一组校正特征点和所述第二组校正特征点进行匹配，以得到目标匹配点对。
第四方面，本申请实施例提供一种拼接装置，包括：
第二匹配模块，用于使用前述实施方式任意一项所述的特征点匹配方法对第三图像和第四图像进行特征点匹配，以确定出所述第三图像与所述第四图像的关联点对；
拼接模块，用于根据所述关联点对，对所述第三图像与所述第四图像进行图像拼接。
第五方面，本申请实施例提供一种电子设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行如前述实施方式任一所述的方法的步骤。
第六方面，本申请实施例提供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，该计算机程序被处理器运行时执行如前述实施方式任一所述的方法的步骤。
本申请实施例的有益效果是：通过先对特征点进行检测，再确定特征点之后再对特征点进行校正的方式，相对于对整张图像进行校正，可以减少校正过程所需计算的数据量，进一步地，对校正后的特征点进行匹配，从而可以实现匹配准确率更好。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的方框示意图。
图2为本申请实施例提供的特征点匹配方法的流程图。
图3为本申请实施例提供的特征点匹配方法的步骤203的详细流程图。
图4为本申请实施例提供的匹配装置的功能模块示意图。
图5为本申请实施例提供的拼接方法的流程图。
图6为本申请实施例提供的拼接装置的功能模块示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一
为便于对本实施例进行理解，首先对执行本申请实施例所公开的特征点匹配方法和拼接方法的电子设备进行详细介绍。
如图1所示，是电子设备的方框示意图。电子设备100可以包括存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116、以及采集单元117。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对电子设备100的结构造成限定。例如，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
上述的存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。
其中，存储器111可以是，但不限于，随机存取存储器（Random Access Memory，简称RAM），只读存储器（Read Only Memory，简称ROM），可编程只读存储器（ProgrammableRead-Only Memory，简称PROM），可擦除只读存储器（Erasable Programmable Read-OnlyMemory，简称EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-OnlyMemory，简称EEPROM）等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本申请实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器113中，或者由处理器113实现。
上述的处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。
上述的外设接口114将各种输入/输出装置耦合至处理器113以及存储器111。在一些实施例中，外设接口114，处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
上述的输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是，但不限于，鼠标和键盘等。
上述的显示单元116在电子设备100与用户之间提供一个交互界面（例如用户操作界面）或用于显示图像数据给用户参考。在本实施例中，所述显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。
上述的采集单元117用于采集周边的环境图像。示例性地，采集单元117可以是摄像设备。可选地，采集单元117可以包括两个或多个摄像设备。两个或多个摄像设备，用于采集双目立体视觉所需的图像。
可选地，本实施例中的电子设备100也可以不包括采集单元117，电子设备100可以接收其它采集设备采集到的两张或更多张相对的图像，从而对接收到的两张或更多张相对的图像进行特征点匹配处理，或图像拼接处理等。
可选地，该电子设备100可以是任何需要使用双目立体视觉的设备，例如，机器人、投影仪等设备。
本实施例中的电子设备100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述特征点匹配方法和拼接方法的实现过程。
实施例二
请参阅图2，是本申请实施例提供的特征点匹配方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤201，对第一图像和第二图像进行特征点检测，确定出所述第一图像的第一组特征点和所述第二图像的第二组特征点。
本实施例中，第一图像为第一摄像设备拍摄得到，第二图像为第二摄像设备拍摄得到。可选地，第一摄像设备和第二摄像设备的安装位置可以为距离在限定距离内。该限定距离可以根据需求设置。可选地，该第一摄像设备和该第二摄像设备可以安装在一载体上，例如，机器人，在工作状态下，第一摄像设备和该第二摄像设备的连线与该载体的放置面平行。
可选地，上述的特征点根据第一图像和第二图像中的内容不同，特征点的选择也可以不同。
示例性地，第一图像和第二图像中包括建筑图像时，则特征点可以是建筑图像中建筑上标志性的点。例如，建筑边缘上的点、建筑的角点、建筑上的标注所在的点等。
示例性地，第一图像和第二图像中包括人物图像时，则特征点可以是人物上标志性的点。例如，人眼、人嘴角、人耳等。
示例性地，第一图像和第二图像中包括多种对象图像时，例如，图像中包括植物、草坪、天空，则特征点可以是图像中的颜色聚集的点。例如，植物聚集的点、草坪边缘等。
可选地，检测特征点的算法可以包括，但不限于：Harris角点检测算法、SIFT（Scale-invariant feature transform，中文称：尺度不变特征变换）算法、SURF（SpeededUpRobustFeatures，中文称：加速稳健特征）、ORB（Oriented Fsat and RotatedBRIEF，中文称：快速特征点提取和描述的算法）、opencv算法等算法。
可选地，针对不同类的特征点可以选择不同的算法。例如，针对角点的检测可以使用Harris角点检测算法。
本实施例中，在检测出特征点，可以得到各个特征点对应的特征描述符。
其中，特征描述符表示通过一种算法确定出的第一图像或第二图像的特征点对应的特征向量。例如，输入一张图像，返回多个特征向量，多个特征向量用来描述图像的局部特征。
步骤202，对所述第一组特征点和所述第二组特征点进行校正，以得到第一组校正特征点和第二组校正特征点。
在一种可选的实施方式中，对所述第一组特征点和所述第二组特征点进行立体校正，以得到第一组校正特征点和第二组校正特征点。
本实施例中，立体校正则是将非共面行对准的两幅图像，校正成共面行对准。从而在特征点匹配时，将二维搜索变为一维搜索，则可以提高匹配搜索的效率。
本实施例中，通过建立第一相机和第二相机的合成矩阵和行对准转换矩阵，实现立体校正。其中，第一相机为采集第一图像的相机，第二相机为采集第二图像的相机。
在一种可选的实施方式中，对所述第一组特征点和所述第二组特征点进行畸变校正，以得到第一组校正特征点和第二组校正特征点。
本实施例中，摄像头成像畸变数学模型包括：
径向畸变数学模型：
切向畸变数学模型：
其中，
；
其中，
表示无畸变图像在图像像素坐标系下的坐标 ，
表示经过畸变后
的畸变图像在图像像素坐标系下的坐标，
表示畸变参数，
表示
世界坐标系下的坐标。
其中，在进行畸变校正过程中，上述的无畸变图像在图像像素坐标系下的坐标可以表示第一组特征点或第二组特征点中的一点的坐标，畸变后的畸变图像在图像像素坐标系下的坐标可以表示第一组校正特征点和第二组校正特征点中的一点的坐标。
通过上述的数学模型可以确定出真实图像与畸变图像之间的变换关系。根据该变换关系、以及已知的畸变图像的特征点的坐标则可以计算出畸变前的坐标。
在一种可选的实施方式中，对所述第一组特征点和所述第二组特征点进行畸变校正和立体校正，以得到第一组校正特征点和第二组校正特征点。
关于此实施方式中的畸变校正和立体校正的校正方式可以参阅前面实施方式中关于畸变校正和立体校正的描述，在此不再赘述。
步骤203，将所述第一组校正特征点和所述第二组校正特征点进行匹配，以得到目标匹配点对。
可选地，如图3所示，步骤203可以包括以下步骤。
步骤2031，将所述第一组校正特征点和所述第二组校正特征点进行约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组。
在一种可选的实施方式中，将所述第一组校正特征点和所述第二组校正特征点进行极线约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组。
其中，圆锥曲线的切于A,B两点的切线相交于P点，那么P点称为直线AB关于该曲线的极点，直线AB称为P点的极线。
三维空间中一点p，投影到两个不同的平面I1、I2，投影点分别为p1，p2。其中，p、p1、p2在三维空间内构成一个平面S。S与面I1的交线L1过p1点，称之为对应于p2的极线。面S与I2的交线L2为对应于p1的极线。
本实施例中，极线约束表示同一个点在两幅图像上的映射分别为P11和P12，且P12在P11的极线上。通过极线约束则可以减少需要匹配的点的数量。
在本实施例中，针对第一组校正特征点的任意一个第一目标校正特征点，确定出该第一目标校正特征点对应的目标极线，在第二组校正特征点中的校正特征点确定出位于该目标极线上校正特征点组，则该校正特征点为该第一目标校正特征点对应的匹配特征点组。
在一种可选的实施方式中，将所述第一组校正特征点和所述第二组校正特征点进行视差约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组。
其中，视差约束是指在两幅相关的参考视图中，例如，本实施例中的第一图像和第二图像两幅相关的参考视图，如果拍摄两幅相关的参考视图的相机相对位移和旋转角度均不是很大，那么同一场景在两幅图像上的投影点位置也相差不大。在此基础上，可以在第一图像和第二图像建立视差约束，例如，设定最大视差半径，当两个特征点之间的距离大于最大视差半径，则可以不将两个特征点进行匹配。
可选地，针对第一组校正特征点的任意一个第二目标校正特征点，则可以根据设定的最大视差半径，从第二组校正特征点中筛选出与该目标校正特征点距离小于最大视差半径的校正特征点，以得到匹配特征点组。
在一种可选的实施方式中，将所述第一组校正特征点和所述第二组校正特征点进行极线约束和视差约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组。
可选地，针对第一组校正特征点的任意一个第三目标校正特征点，使用极线约束确定出第一匹配特征点组，使用视差约束确定出第二匹配特征点组；根据所述第一匹配特征点组和所述第二匹配特征点组，得到匹配特征点组。
可选地，根据所述第一匹配特征点组和所述第二匹配特征点组，得到匹配特征点组，可以被实施为：将第一匹配特征点组与第二匹配特征点组的交集作为该第三目标校正特征点的匹配特征点组。
步骤2032，针对所述第一组校正特征点中的任一校正特征点，将所述任一校正特征点与在所述第二组校正特征点对应的匹配点组进行初匹配，以得到第一匹配点对。
本实施例中，根据匹配特征点组中的特征点的数量可以确定出第一匹配点对的数量。
步骤2033，将所述第一匹配点对进行匹配代价计算，以确定所述第一匹配点对匹配代价。
在一种可选的实施方式中，计算所述第一匹配点对的特征描述符距离，以得到所述第一匹配点对的匹配代价。
示例性地，根据特征描述符可以确定出对应的特征点的特征向量，基于该第一匹配点对中的两个特征点对应的特征向量计算出第一匹配点对匹配代价。
在一种可选的实施方式中，计算所述第一匹配点对的特征点汉明距离，以得到所述第一匹配点对的匹配代价。
示例性地，可以针对第一匹配点对中的两个特征点进行Census变换以得到两个特征点对应的变换值。
示例性地，使用特征点邻域内的局部灰度差异将像素灰度转换为比特串。具体地，通过将邻域窗口（窗口大小可以为n×m，n和m可以都为奇数）内的像素灰度值与窗口中心像素的灰度值进行比较，将比较得到的布尔值映射到一个比特串中，最后用比特串的值作为特征点的Census变换值。
其中，汉明距离可以表示为对第一匹配点对的两个特征点对应的变换值进行异或运算，得到异或结果。根据所述异或结果中的1的个数，得到第一匹配点对的特征点汉明距离。
具体地，统计异或结果中1的个数，其中，1的个数表示汉明距离。
在一种可选的实施方式中，计算所述第一匹配点对的特征描述符距离，计算所述第一匹配点对的特征点汉明距离，对所述特征描述符距离以及所述特征点汉明距离进行加权求和，以得到所述第一匹配点对的匹配代价。
本实施例中，关于特征描述符距离和特征点汉明距离对应的权重可以按照需求设置，在此并不以特征描述符距离和特征点汉明距离对应的权重的具体值的设置为限。
步骤2034，根据所述匹配代价确定出目标匹配点对。
可选地，从所述第一匹配点对筛选出匹配代价小于预设值的目标匹配点对。
示例性地，上述的预设值可以按照需求设置，本申请实施例并不以预设值的取值为限。
可选地，从所述第一匹配点对中使用一致约束确定出目标匹配点对。
本实施例中，一致约束表示为通过将第一组校正特征点对第二组校正特征点中的各个点进行匹配以确定出第一目标匹配点对；通过将第二组校正特征点对第一组校正特征点中的各个点进行匹配以确定出第二目标匹配点对，从第一目标匹配点对和第二目标匹配点对中选出相同的匹配点对，作为目标匹配点对。
可选地，通过将第一组校正特征点对第二组校正特征点中的各个点进行匹配以确定出第一目标匹配点对的确定方式，与通过将第二组校正特征点对第一组校正特征点中的各个点进行匹配以确定出第二目标匹配点对的确定方式可以相同，具体可以参阅步骤2031-步骤2034中的其它描述，在此不再赘述。
可选地，从所述第一匹配点对筛选出匹配代价小于预设值的第二匹配点对，从所述第二匹配点对中使用一致约束确定出目标匹配点对。
在本实施例中的特征点匹配方法中，通过先对特征点进行检测，再确定特征点之后再对特征点进行校正的方式，相对于对整张图像进行校正，可以减少校正过程所需计算的数据量，进一步地，对校正后的特征点进行匹配，从而可以实现匹配准确率更好。
进一步地，在进行特征点匹配时，采用一种或多种约束方式，减少匹配过程中需要匹配的点的数量，从而可以降低匹配过程中的计算量，以提高匹配效率。
实施例三
基于同一申请构思，本申请实施例中还提供了与特征点匹配方法对应的匹配装置，由于本申请实施例中的装置解决问题的原理与前述的特征点匹配方法实施例相似，因此本实施例中的装置的实施可以参见上述方法的实施例中的描述，重复之处不再赘述。
请参阅图4，是本申请实施例提供的匹配装置的功能模块示意图。本实施例中的匹配装置中的各个模块用于执行上述方法实施例中的各个步骤。匹配装置包括：检测模块301、校正模块302以及第一匹配模块303；其中，
检测模块301，用于对第一图像和第二图像进行特征点检测，确定出第一组特征点和第二组特征点；
校正模块302，用于对所述第一组特征点和所述第二组特征点进行校正，以得到第一组校正特征点和第二组校正特征点；
第一匹配模块303，用于将所述第一组校正特征点和所述第二组校正特征点进行匹配，以得到目标匹配点对。
一种可能的实施方式中，第一匹配模块303，包括约束处理单元、初匹配单元、代价计算单元以及确定单元，其中，
约束处理单元，用于将所述第一组校正特征点和所述第二组校正特征点进行约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组；
初匹配单元，用于针对所述第一组校正特征点中的任一校正特征点，将所述任一校正特征点与在所述第二组校正特征点对应的匹配点组进行初匹配，以得到第一匹配点对；
代价计算单元，用于将所述第一匹配点对进行匹配代价计算，以确定所述第一匹配点对匹配代价；
确定单元，用于根据所述匹配代价确定出目标匹配点对。
一种可能的实施方式中，代价计算单元，用于：
计算所述第一匹配点对的特征描述符距离，以得到所述第一匹配点对的匹配代价；
或者，计算所述第一匹配点对的特征点汉明距离，以得到所述第一匹配点对的匹配代价。
一种可能的实施方式中，代价计算单元，用于：
计算所述第一匹配点对的特征描述符距离；
计算所述第一匹配点对的特征点汉明距离；
对所述特征描述符距离以及所述特征点汉明距离进行加权求和，以得到所述第一匹配点对的匹配代价。
一种可能的实施方式中，代价计算单元，还用于：
针对第一匹配点对中的两个特征点进行Census变换以得到两个特征点对应的变换值；
对第一匹配点对的两个特征点对应的变换值进行异或运算，得到异或结果；
根据所述异或结果，得到第一匹配点对的特征点汉明距离。
一种可能的实施方式中，确定单元，用于：
从所述第一匹配点对筛选出匹配代价小于预设值的第二匹配点对，从所述第二匹配点对中使用一致约束确定出目标匹配点对；或者，
从所述第一匹配点对筛选出匹配代价小于预设值的目标匹配点对；或者，
从所述第一匹配点对中使用一致约束确定出目标匹配点对。
一种可能的实施方式中，约束处理单元，用于：
将所述第一组校正特征点和所述第二组校正特征点进行极线约束处理，或/及，将所述第一组校正特征点和所述第二组校正特征点进行视差约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组。
一种可能的实施方式中，约束处理单元，用于：
针对第一组校正特征点的任意一个第一目标校正特征点，确定出该第一目标校正特征点对应的目标极线，在第二组校正特征点中的校正特征点确定出位于该目标极线上校正特征点组，则该校正特征点为该第一目标校正特征点对应的第一匹配特征点组；
针对第一组校正特征点的任意一个第二目标校正特征点，则根据设定的最大视差半径，从第二组校正特征点中筛选出与该目标校正特征点距离小于最大视差半径的校正特征点，以得到第二匹配特征点组；
根据所述第一匹配特征点组和所述第二匹配特征点组，得到匹配特征点组。
一种可能的实施方式中，校正模块302，用于：
对所述第一组特征点和所述第二组特征点进行立体校正，以得到第一组校正特征点和第二组校正特征点；或/及，
对所述第一组特征点和所述第二组特征点进行畸变校正，以得到第一组校正特征点和第二组校正特征点。
一种可能的实施方式中，校正模块302，用于通过以下公式实现畸变校正：
成像畸变数学模型包括：
径向畸变数学模型：
切向畸变数学模型：
其中，
；
其中，
表示无畸变图像在图像像素坐标系下的坐标 ，
表示经过畸变后
的畸变图像在图像像素坐标系下的坐标，
表示畸变参数，
表示
世界坐标系下的坐标。
其中，在进行畸变校正过程中，上述的无畸变图像在图像像素坐标系下的坐标可以表示第一组特征点或第二组特征点中的一点的坐标，畸变后的畸变图像在图像像素坐标系下的坐标可以表示第一组校正特征点和第二组校正特征点中的一点的坐标。
实施例四
请参阅图5，是本申请实施例提供的拼接方法的流程图。下面将对图5所示的具体流程进行详细阐述。
步骤401，使用特征点匹配方法对第三图像和第四图像进行特征点匹配，以确定出所述第三图像与所述第四图像的关联点对。
本实施例中使用的特征点匹配方法可以与实施例二提供的特征点匹配方法类似，关于本实施例中的特征点匹配方法的其它细节可以参考实施例二中的描述，在此不再赘述。
步骤402，根据所述关联点对，对所述第三图像与所述第四图像进行图像拼接。
可选地，第三图像和第四图像为相对设置的两个相机拍摄得到的图像。
实施例五
基于同一申请构思，本申请实施例中还提供了与拼接方法对应的拼接装置，由于本申请实施例中的装置解决问题的原理与前述的拼接方法实施例相似，因此本实施例中的装置的实施可以参见上述方法的实施例中的描述，重复之处不再赘述。
请参阅图6，是本申请实施例提供的拼接装置的功能模块示意图。本实施例中的拼接装置中的各个模块用于执行上述方法实施例中的各个步骤。拼接装置包括：第二匹配模块501以及拼接模块502；其中，
第二匹配模块501，用于使用特征点匹配方法对第三图像和第四图像进行特征点匹配，以确定出所述第三图像与所述第四图像的关联点对；
拼接模块502，用于根据所述关联点对，对所述第三图像与所述第四图像进行图像拼接。
其中，本实施例中使用的特征点匹配方法可以与实施例二提供的特征点匹配方法类似，关于本实施例中的特征点匹配方法的其它细节可以参考实施例二中的描述，在此不再赘述。
此外，本申请实施例还提供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，该计算机程序被处理器运行时执行上述方法实施例中所述的特征点匹配方法和/或拼接方法的步骤。
本申请实施例所提供的特征点匹配方法的计算机程序产品和拼接方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的特征点匹配方法和/或拼接方法的步骤，具体可参见上述方法实施例，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (15)
1.一种特征点匹配方法，其特征在于，所述方法包括：
对第一图像和第二图像进行特征点检测，确定出所述第一图像的第一组特征点和所述第二图像的第二组特征点；
对所述第一组特征点和所述第二组特征点进行校正，以得到第一组校正特征点和第二组校正特征点；
将所述第一组校正特征点和所述第二组校正特征点进行匹配，以得到目标匹配点对。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一组校正特征点和所述第二组校正特征点进行匹配，以得到目标匹配点对，包括：
将所述第一组校正特征点和所述第二组校正特征点进行约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组；
针对所述第一组校正特征点中的任一校正特征点，将所述任一校正特征点与在所述第二组校正特征点对应的匹配点组进行初匹配，以得到第一匹配点对;
将所述第一匹配点对进行匹配代价计算，以确定所述第一匹配点对匹配代价；
根据所述匹配代价确定出目标匹配点对。
3.根据权利要求2所述的方法，其特征在于，所述将所述第一匹配点对进行匹配代价计算，以确定第一匹配点对匹配代价，包括：
计算所述第一匹配点对的特征描述符距离，以得到所述第一匹配点对的匹配代价；或者，
计算所述第一匹配点对的特征点汉明距离，以得到所述第一匹配点对的匹配代价。
4.根据权利要求2所述的方法，其特征在于，所述将所述第一匹配点对进行匹配代价计算，以确定第一匹配点对匹配代价，包括：
计算所述第一匹配点对的特征描述符距离；
计算所述第一匹配点对的特征点汉明距离；
对所述特征描述符距离以及所述特征点汉明距离进行加权求和，以得到所述第一匹配点对的匹配代价。
5.根据权利要求4所述的方法，其特征在于，所述计算所述第一匹配点对的特征点汉明距离，包括：
针对第一匹配点对中的两个特征点进行Census变换以得到两个特征点对应的变换值；
对第一匹配点对的两个特征点对应的变换值进行异或运算，得到异或结果；
根据所述异或结果，得到第一匹配点对的特征点汉明距离。
6.根据权利要求2所述的方法，其特征在于，所述根据所述匹配代价确定出目标匹配点对，包括：
从所述第一匹配点对筛选出匹配代价小于预设值的第二匹配点对，从所述第二匹配点对中使用一致约束确定出目标匹配点对；或者，
从所述第一匹配点对筛选出匹配代价小于预设值的目标匹配点对；或者，
从所述第一匹配点对中使用一致约束确定出目标匹配点对。
7.根据权利要求2所述的方法，其特征在于，所述将所述第一组校正特征点和所述第二组校正特征点进行约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组，包括：
将所述第一组校正特征点和所述第二组校正特征点进行极线约束处理，或/及，将所述第一组校正特征点和所述第二组校正特征点进行视差约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组。
8.根据权利要求2所述的方法，其特征在于，所述将所述第一组校正特征点和所述第二组校正特征点进行约束处理，以得到所述第一组校正特征点中的每个校正特征点在所述第二组校正特征点中对应的匹配特征点组，包括：
针对第一组校正特征点的任意一个第一目标校正特征点，确定出所述第一目标校正特征点对应的目标极线，在第二组校正特征点中的校正特征点确定出位于所述目标极线上校正特征点组，则所述校正特征点为所述第一目标校正特征点对应的第一匹配特征点组；
针对第一组校正特征点的任意一个第二目标校正特征点，则根据设定的最大视差半径，从第二组校正特征点中筛选出与所述目标校正特征点距离小于最大视差半径的校正特征点，以得到第二匹配特征点组；
根据所述第一匹配特征点组和所述第二匹配特征点组，得到匹配特征点组。
9.根据权利要求1所述的方法，其特征在于，所述对所述第一组特征点和所述第二组特征点进行校正，以得到第一组校正特征点和第二组校正特征点，包括：
对所述第一组特征点和所述第二组特征点进行立体校正，以得到第一组校正特征点和第二组校正特征点；或/及，
对所述第一组特征点和所述第二组特征点进行畸变校正，以得到第一组校正特征点和第二组校正特征点。
10.根据权利要求9所述的方法，其特征在于，所述对所述第一组特征点和所述第二组特征点进行畸变校正，以得到第一组校正特征点和第二组校正特征点，通过以下公式实现：
成像畸变数学模型包括：
径向畸变数学模型：
切向畸变数学模型：
其中，
；
其中，
表示无畸变图像在图像像素坐标系下的坐标 ，
表示经过畸变后
的畸变图像在图像像素坐标系下的坐标，
表示畸变参数，
表示
世界坐标系下的坐标；
其中，在进行畸变校正过程中，所述无畸变图像在图像像素坐标系下的坐标表示第一组特征点或第二组特征点中的一点的坐标；所述畸变后的畸变图像在图像像素坐标系下的坐标表示第一组校正特征点和第二组校正特征点中的一点的坐标。
11.一种拼接方法，其特征在于，包括：
使用权利要求1-10任意一项所述的特征点匹配方法对第三图像和第四图像进行特征点匹配，以确定出所述第三图像与所述第四图像的关联点对；
根据所述关联点对，对所述第三图像与所述第四图像进行图像拼接。
12.一种匹配装置，其特征在于，所述装置包括：
检测模块，用于对第一图像和第二图像进行特征点检测，确定出第一组特征点和第二组特征点；
校正模块，用于对所述第一组特征点和所述第二组特征点进行校正，以得到第一组校正特征点和第二组校正特征点；
第一匹配模块，用于将所述第一组校正特征点和所述第二组校正特征点进行匹配，以得到目标匹配点对。
13.一种拼接装置，其特征在于，包括：
第二匹配模块，用于使用权利要求1-10任意一项所述的特征点匹配方法对第三图像和第四图像进行特征点匹配，以确定出所述第三图像与所述第四图像的关联点对；
拼接模块，用于根据所述关联点对，对所述第三图像与所述第四图像进行图像拼接。
14.一种电子设备，其特征在于，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行如权利要求1至11任一所述的方法的步骤。
15.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至11任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010781780.3A CN111739081A (zh) | 2020-08-06 | 2020-08-06 | 特征点匹配方法、拼接方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010781780.3A CN111739081A (zh) | 2020-08-06 | 2020-08-06 | 特征点匹配方法、拼接方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111739081A true CN111739081A (zh) | 2020-10-02 |
Family
ID=72658118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010781780.3A Pending CN111739081A (zh) | 2020-08-06 | 2020-08-06 | 特征点匹配方法、拼接方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111739081A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159161A (zh) * | 2021-04-16 | 2021-07-23 | 深圳市商汤科技有限公司 | 目标匹配方法和装置、设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN101936760A (zh) * | 2009-06-30 | 2011-01-05 | 宝山钢铁股份有限公司 | 大型料场料堆视觉测量系统 |
| US20120148097A1 (en) * | 2010-12-14 | 2012-06-14 | Electronics And Telecommunications Research Institute | 3d motion recognition method and apparatus |
| CN109242898A (zh) * | 2018-08-30 | 2019-01-18 | 华强方特（深圳）电影有限公司 | 一种基于图像序列的三维建模方法及系统 |
| CN109465832A (zh) * | 2018-12-18 | 2019-03-15 | 哈尔滨工业大学（深圳） | 高精度视觉和imu紧融合定位方法与系统 |
| CN109492649A (zh) * | 2018-10-31 | 2019-03-19 | 华南理工大学 | 一种基于图像金字塔距离度量的近邻传播立体匹配方法 |
| CN110175011A (zh) * | 2019-05-06 | 2019-08-27 | 长春理工大学 | 一种全景影像无缝拼接方法 |
| CN110246168A (zh) * | 2019-06-19 | 2019-09-17 | 中国矿业大学 | 一种移动巡检机器人双目图像拼接的特征匹配方法 |
| CN110443128A (zh) * | 2019-06-28 | 2019-11-12 | 广州中国科学院先进技术研究所 | 一种基于surf特征点精确匹配的指静脉识别方法 |
| CN111199558A (zh) * | 2019-12-25 | 2020-05-26 | 北京自行者科技有限公司 | 一种基于深度学习的图像匹配方法 |
-
2020
- 2020-08-06 CN CN202010781780.3A patent/CN111739081A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101936760A (zh) * | 2009-06-30 | 2011-01-05 | 宝山钢铁股份有限公司 | 大型料场料堆视觉测量系统 |
| 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 |
| US20120148097A1 (en) * | 2010-12-14 | 2012-06-14 | Electronics And Telecommunications Research Institute | 3d motion recognition method and apparatus |
| CN109242898A (zh) * | 2018-08-30 | 2019-01-18 | 华强方特（深圳）电影有限公司 | 一种基于图像序列的三维建模方法及系统 |
| CN109492649A (zh) * | 2018-10-31 | 2019-03-19 | 华南理工大学 | 一种基于图像金字塔距离度量的近邻传播立体匹配方法 |
| CN109465832A (zh) * | 2018-12-18 | 2019-03-15 | 哈尔滨工业大学（深圳） | 高精度视觉和imu紧融合定位方法与系统 |
| CN110175011A (zh) * | 2019-05-06 | 2019-08-27 | 长春理工大学 | 一种全景影像无缝拼接方法 |
| CN110246168A (zh) * | 2019-06-19 | 2019-09-17 | 中国矿业大学 | 一种移动巡检机器人双目图像拼接的特征匹配方法 |
| CN110443128A (zh) * | 2019-06-28 | 2019-11-12 | 广州中国科学院先进技术研究所 | 一种基于surf特征点精确匹配的指静脉识别方法 |
| CN111199558A (zh) * | 2019-12-25 | 2020-05-26 | 北京自行者科技有限公司 | 一种基于深度学习的图像匹配方法 |
Non-Patent Citations (6)
| Title |
|---|
| 刘彬: "基于多目视觉的视差三维姿态定位系统开发", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 彭辉 等: "结合SURF算子和极线约束的柑橘立体图像对匹配", 《计算机工程与应用》 * |
| 李伟超: "基于视觉的室内移动机器人里程计研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 李健 等: "基于极线几何的改进多约束图像立体匹配", 《微型机与应用》 * |
| 杨芳 等: "基于Census 变换的双目立体匹配算法", 《计算机工程与设计》 * |
| 许强 等: "傅里叶描述子与角点相结合的形状匹配", 《光电工程》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159161A (zh) * | 2021-04-16 | 2021-07-23 | 深圳市商汤科技有限公司 | 目标匹配方法和装置、设备及存储介质 |
| WO2022218161A1 (zh) * | 2021-04-16 | 2022-10-20 | 上海商汤智能科技有限公司 | 用于目标匹配的方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10924729B2 (en) | Method and device for calibration | |
| JP6507730B2 (ja) | 座標変換パラメータ決定装置、座標変換パラメータ決定方法及び座標変換パラメータ決定用コンピュータプログラム | |
| CN109584307B (zh) | 改进摄像机固有参数校准的系统和方法 | |
| WO2022170844A1 (zh) | 一种视频标注方法、装置、设备及计算机可读存储介质 | |
| CN106815869B (zh) | 鱼眼相机的光心确定方法及装置 | |
| JPWO2014061372A1 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
| JPWO2011115142A1 (ja) | 画像処理装置、方法、プログラム及び記録媒体 | |
| WO2021136386A1 (zh) | 数据处理方法、终端和服务器 | |
| CN109919971B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN110288511B (zh) | 基于双相机图像的最小化误差拼接方法、装置、电子设备 | |
| JP5833507B2 (ja) | 画像処理装置 | |
| JP6976733B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
| CN104156998A (zh) | 一种基于图片虚拟内容融合真实场景的实现方法及系统 | |
| US11062521B2 (en) | Virtuality-reality overlapping method and system | |
| CN113807451B (zh) | 全景图像特征点匹配模型的训练方法、装置以及服务器 | |
| CN113409391A (zh) | 视觉定位方法及相关装置、设备和存储介质 | |
| JP2017123087A (ja) | 連続的な撮影画像に映り込む平面物体の法線ベクトルを算出するプログラム、装置及び方法 | |
| CN107122754A (zh) | 姿势识别方法和装置 | |
| CN112287867A (zh) | 一种多摄像头的人体动作识别方法及装置 | |
| JP2011521372A (ja) | 形状の不変量アフィン認識方法及びデバイス | |
| CN107067441B (zh) | 摄像机标定方法及装置 | |
| CN112950528A (zh) | 证件姿态确定方法、模型训练方法、装置、服务器及介质 | |
| CN111739081A (zh) | 特征点匹配方法、拼接方法、装置、电子设备及存储介质 | |
| CN107704106B (zh) | 姿态定位方法、装置及电子设备 | |
| CN112102404B (zh) | 物体检测追踪方法、装置及头戴显示设备 |
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: 20201002 |
|
| RJ01 | Rejection of invention patent application after publication |