CN111860535B - 一种无人机影像匹配像对提取方法、三维稀疏重建方法 - Google Patents

一种无人机影像匹配像对提取方法、三维稀疏重建方法 Download PDF

Info

Publication number
CN111860535B
CN111860535B CN202010574099.1A CN202010574099A CN111860535B CN 111860535 B CN111860535 B CN 111860535B CN 202010574099 A CN202010574099 A CN 202010574099A CN 111860535 B CN111860535 B CN 111860535B
Authority
CN
China
Prior art keywords
image
unmanned aerial
aerial vehicle
query
images
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
CN202010574099.1A
Other languages
English (en)
Other versions
CN111860535A (zh
Inventor
任超锋
杨帅
张福强
蒲禹池
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.)
Changan University
Original Assignee
Changan University
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 Changan University filed Critical Changan University
Priority to CN202010574099.1A priority Critical patent/CN111860535B/zh
Publication of CN111860535A publication Critical patent/CN111860535A/zh
Application granted granted Critical
Publication of CN111860535B publication Critical patent/CN111860535B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种无人机影像匹配像对提取方法、三维稀疏重建方法，主要用于解决无人机影像匹配提取适应性差、效率较低、先验知识要求高等问题。主要步骤包括：(1)提取无人机影像SIFT特征；(2)对特征向量进行降维；(3)构建视觉词典；(4)影像相似度查询；(5)计算综合查询因子；(6)计算查询深度阈值；(7)组成匹配像对；(8)输出所有匹配像对列表。本发明的方法能快速完整的得到无人机影像的待匹配像对，使基于序列无人机影像可开展后续的空三解算与数字产品生产。

Description

一种无人机影像匹配像对提取方法、三维稀疏重建方法
技术领域
本发明属于低空无人机摄影测量技术领域,具体涉及一种无人机影像匹配像对提取方法。
背景技术
无人机低空摄影测量具有现势性强、分辨率高、采集方式灵活、传感器多样化等优点，近年来得到了越来越广泛的应用。由于新的仿地飞行、环绕飞行、贴近飞行等航线设计，造成获取的无人机影像尺度不一致、数据量庞大、无法基于先验知识计算影像相互关系，使传统的匹配像对提取方法难以满足应用需求。无人机影像匹配像对选择是基于影像进行三维自动重建的基础环节，其效率和完整性直接决定重建结果的精度和完整性。
现有的匹配像对提取方法主要存在两方面不足：一方面，对测区及传感器先验知识的准确度有较高要求；另一方面，基于影像检索的匹配像对提取方法效率和可靠性较低。
发明内容
针对现有技术所存在的上述缺陷，本发明提供了一种无人机影像匹配像对提取方法，本发明的方法能快速完整的得到无人机影像数据集的候选匹配像对，且对传感器设计、地形信息、航线设计均没有要求，获得了更高的处理效率及更全面的三维稀疏重建结果。
为此，本发明采取如下技术方案：
一种顾及无人机影像地理空间信息的匹配像对提取方法，所述方法是对无人机获取的无人机影像集提取匹配像对，包括以下步骤：
步骤1：对无人机影像集提取SIFT特征向量；
步骤2：对SIFT特征向量进行降维：
步骤2.1，从无人机影像集中任意抽取部分无人机影像，以抽取的该部分无人机影像对应的SIFT特征向量组成特征矩阵；
步骤2.2，对步骤2.1得到的所述特征矩阵进行降维；
步骤3：构建视觉词典：
步骤3.1，对降维后的特征矩阵进行聚类得到多个聚类中心，每一个聚类中心作为一个视觉单词，获取每一个视觉单词对应的权值；
步骤3.2，将所有视觉单词及对应的权值采用二叉树形式构建视觉词典；
步骤4：以无人机影像集中的第i个影像作为当前查询影像Ii，在视觉词典内查询与当前查询影像最相似的影像形成相似影像列表；
步骤5：计算综合查询因子：
步骤5.1，分别计算当前查询影像与相似影像列表内其他影像的空间距离指数和相似指数，将空间距离指数与相似指数的乘积作为综合查询因子，相似影像列表内每一个影像对应一个综合查询因子；
步骤5.2，对综合查询因子降序顺序，前q个综合查询因子对应的相似影像列表内的影像构成查询深度,q为自然数；
步骤6：以查询深度阈值t为界，将查询深度分为查询深度阈值t之上的影像和查询深度阈值t之下的影像两部分，0<t≤q；
步骤7：将查询深度阈值t之上的影像与当前查询影像Ii组成Ii的候选匹配像对；
步骤8：将无人机影像集中除第i个影像以外的其他影像分别作为当前查询影像，重复步骤4-7，得到无人机影像集中所有影像对应的候选匹配像对，剔除重复的候选匹配像对，最终得到从无人机影像集提取的匹配像对。
进一步，步骤1中，利用GPU并行方法对无人机影像集提取128维SIFT特征向量。
更进一步，步骤2.2中的降维采用的无人机影像数量为无人机影像集总数量的10％，利用主成分分析方法将特征维度由128维降低至64维。
更进一步，步骤3.1中，利用K均值法对降维后的特征矩阵进行聚类，聚类中心初始数量设置为步骤2.1中抽取的无人机影像数量的200倍；通过计算每一个视觉单词的词频逆文档频率，获取该视觉单词对应的权值。
进一步，步骤4具体包括：以无人机影像集中的第i个影像作为当前查询影像Ii，统计当前查询影像Ii包含的视觉单词及对应的权值组成权值向量。
进一步，所述步骤5.1中的空间距离指数计算如下：
其中，表示当前查询影像Ii与相似影像列表中的第j个影像Ij的空间距离指数，i,j均为自然数；dmax为当前查询影像Ii与相似影像列表中所有影像的最大空间距离，/>为当前查询影像Ii与相似影像列表中的影像Ij之间的空间距离。
进一步，所述步骤5.1中相似指数是指当前查询影像Ii的权值向量与相似影像列表中的影像Ij的权值向量的夹角余弦值。
进一步，所述步骤6中的查询深度阈值t计算如下：
其中，g(t)为查询深度阈值t所对应的查询曲线方差；n1为查询深度阈值t之上的影像数量，为相似影像列表中的影像Ij的综合查询因子。
本发明还提出一种无人机影像三维稀疏重建方法，包括如下步骤：
步骤(1)，按照上述方法对无人机影像提取匹配像对；
步骤(2)，利用步骤(1)提取的匹配像对完成无人机影像三维稀疏重建。
进一步，步骤(2)中基于开源稀疏重建库OpenMVG完成无人机影像三维稀疏重建。
与现有技术相比，本发明有以下优点：
1、本发明的方法通过控制构建词汇树，将提取得到的海量高维特征进行了降维处理，提高了影像检索的效率和精度。
2、本发明的方法，将影像查询的相似度因子与空间距离因子组合形成综合查询因子，顾及了无人机影像地理空间信息，并通过计算综合查询因子计算查询深度阈值，将大量无效匹配像对剔除，保证查询精度前提下，极大提升了影像匹配效率。
3、本发明的方法，能快速完整的得到无人机影像数据集的候选匹配像对，可用于有序或者无序无人机可见光影像的三维模型重建。
附图说明
图1是本发明方法的流程图。
图2是本发明采用不同维度特征的影像查准率与查全率对比图。
图3是本发明方法计算的深度阈值与相似因子曲线和综合因子曲线对比图。
图4是基于本发明方法获取的匹配像对生成的测区三维稀疏点云。
具体实施方式
SIFT，即尺度不变特征变换(Scale-invariant feature transform，SIFT)，是用于图像处理领域的一种描述。
相似指数，也是相似度因子，空间距离因子，也叫空间距离指数，均为影像查询中涉及到的常规因子，也是空间距离分析的重要内容。本发明的创新点在于提出了一种综合查询因子，对这两个常规因子的求取可以按照本发明给出的方法。
本发明在构建视觉词典时，权值的取值范围为[0,1]。视觉单词是一系列对应的聚类中心，每一张影像中包含多个聚类中心。在以下实施例中，没有表示单一聚类中心的权值，只是表现了两个影像相对应视觉单词权重的向量夹角余弦值。
本发明所述“最相似的影像”，即与查询影像所计算得到的相似指数最大所对应的影像，即为查询影像对应的最相似影像。
在以下实施例中，当影像数据源为单镜头相机拍摄所得时，其查询深度q取值为100。当影像数据源为多镜头(大于2)相机拍摄所得时，其查询深度取值为200。
在本发明中，查询深度阈值t的取值范围为(0,q]。在以下实施例中，查询深度取值为100，计算所得查询深度阈值t为32。
实施例1：
本实施例提供一种无人机影像匹配相对提取方法，下面结合附图1对本发明的具体步骤描述如下：
步骤1，提取无人机影像集SIFT特征向量
收集一组无人机获取的可见光影像数据集，利用GPU并行实现的SIFT算法提取所有影像的128维SIFT特征向量，并将提取的SIFT特征向量进行保存。
步骤2，对SIFT特征向量进行降维
步骤2.1以无人机影像集中影像总量的10％为比例，按照随机抽样方法选择影像及其对应的SIFT特征，进行整理，构成特征矩阵Fn×128；
在公式(1)中，Un×n和分别为n阶和128阶正交矩阵,{σ1 … σr}表示矩阵Fn×128SVD分解的前r个特征值，矩阵∑n×128由r个降序排列的特征值组成。
2.2利用主成分分析方法，对128维的特征矩阵Fn×128进行奇异值分解，将128维特征矩阵降维至64维特征矩阵，
在公式(2)中，由/>矩阵的前64行矩阵组成。
步骤3，构建视觉词典
步骤3.1利用K均值方法对降维后的特征矩阵进行聚类，聚类的初始中心数量设置为步骤2.1中随机抽样方法选择影像数量的200倍。聚类之后，将每一个聚类中心称为一个视觉单词。为了评价视觉单词在不同影像中的重要程度，计算每一个视觉单词在不同影像中的词频逆文档频率权值：
在公式(3)中，i为视觉单词索引，j为影像索引，ti,j为视觉单词i在影像j中的权重因子，ni,j为视觉单词i在影像j中的数量，mj是影像j中的视觉单词数量，N为影像总体数量，ei为包含视觉单词i的影像数量。
此时，数据集中的每一个影像可表示为一组视觉单词及其对应权值组成的权值向量。
步骤3.2将所有视觉单词及其对应的权值按照二叉树进行组织，即完成视觉词典构建。
步骤4，影像相似度查询
依次从数据集中选择一张影像作为当前查询影像，在视觉词典内查询与当前查询影像最相似的影像形成相似影像列表
步骤5，计算综合查询因子
步骤5.1从视觉词典中提取该查询影像的权值向量：
统计当前查询影像包含的视觉单词中心及其对应的权值，组成权值向量；
Ij＝{t1,j,…,tk,j,…,tn,j} (4)
计算查询影像权值向量与数据集内其它影像权值向量的夹角余弦值，该夹角余弦值即为两张影像的相似度因子
在公式(5)中，θ是影像权值向量Ii与影像权值向量Ij之间的夹角；
以相似度因子降序返回固定数量的查询影像，该影像序列数量即为查询深度，相似度因子组成的曲线即为相似度曲线。
步骤5.2，在查询深度内，计算查询影像与其它影像的空间距离因子：
在公式(6)中,为查询影像Ii与相似影像Ij之间的空间距离；dmax为查询影像Ii与相似影像集内其它影像的最大空间距离。
将相似度查询因子与空间距离因子相乘，构成查询影像的综合查询因子
步骤6，计算查询深度阈值
在降序排列的综合查询深度内，搜索计算深度阈值，将查询深度分割为阈值之上和阈值之下两部分：
在公式(8)中，q为查询深度，n1为阈值t之上的影像数量，g(t)为阈值t所对应的查询曲线方差，阈值t的取值范围为0<t≤q。
6c)以公式(8)为依据，在阈值t的取值范围内，依次计算其对应的方差，取方差最大所对应的位置作为查询深度阈值。
步骤7，组成匹配像对
将阈值之上的影像与当前查询影像组成候选匹配像对。
步骤8，输出匹配像对
完成数据集内所有影像查询之后，为了避免重复匹配造成运算资源浪费，剔除重复的候选匹配像对，将剩余的候选匹配像对组成像对列表进行输出。
实施例2：
本实施例提供一种无人机影像三维稀疏重建方法，包括如下步骤：
步骤(1)，按照实施例1的方法对无人机影像提取匹配像对；
步骤(2)，基于开源稀疏重建库OpenMVG，利用步骤(1)提取的匹配像对完成无人机影像三维稀疏重建。结果如图4所示。
本发明的方法，通过以下实验进一步详细说明：
1)实验条件
基于Windows 10 64位操作系统，采用Visual Studio 2015 C++环境开发了本发明的可执行程序，用于测试方法的适应性与精度。硬件平台为Dell Precision 3630工作站，CPU i7-8700K 3.7GHz，内存64G DDR4，硬盘512G SSD，显卡为英伟达Titan XP 12G。
2)实验数据来源
实验区为陕西省渭南市华阳乡，地形以高山峡谷地形为主。采用无人机搭载全画幅相机Sony DSC-RX1RM2获取地面空间分辨率为4厘米的无人机影像1659张。
3)实验内容
实验中，随机选择166张影像构建词汇树。初始聚类中心数量设置为33200。查询过程中，查询深度统一设置为100。
首先验证特征降维对影像检索精度的影响。将特征矩阵的维度由128维分别降维至112、96、80、64、48、32、16维，并以穷举法获取的匹配像对为参考，统计本发明方法的匹配像对选择查准率和查全率，结果如图2所示。其次，验证本发明的综合查询因子与深度阈值的实际作用效果，选取其中一张影像的相似因子曲线及综合因子曲线进行结果对比，结果如图3所示。为了评价本发明方法提取的匹配像对对于模型重建结果的影响，基于开源稀疏重建库OpenMVG完成无人机影像的三维稀疏重建，结果如图4所示。
4)实验结果
从图2结果可以看出，本发明方法获得的查准率明显高于基于传统VocabularyTree(VT)方法获得的查准率。查准率越高意味着算法的效率越高。而查全率则随着特征维度的降低先增后减，且当特征维度降低至64维时，本发明方法的查准率达到峰值。说明本发明中将特征维度降低到64维时，可获得较高的查全率。
从图3结果可以看出，基于VT方法的相似因子曲线在前端具有明显差异，后端则趋于平坦，不具有明显的可分性。在常规相似因子曲线中，查询曲线后端还包含大量正确的检索影像。而采用本发明综合因子的曲线，其正确的检索影像大部分集中在查询曲线的前端。统计查询结果可见，基于传统VT方法获取了23个有效的像对，与之对应的则包含66个无效像对。而采用本发明的综合查询因子及查询深度阈值之后，共获取了21个有效像对，与之对应包含了11个错误像对。说明本发明方法可以剔除大量无效像对同时，保留大部分有效像对。
与图4相关的三维稀疏重建结果中，VT方法共耗时79.4分钟，最终获得了332056个三维稀疏点，成功连接1587张影像。而本发明方法共耗时56.6分钟，最终获取了334122个三维稀疏点，成功连接1591张影像，图4为基于本发明方法获取的匹配像对进行影像匹配、重建后的三维稀疏点云。从实验结果对比说明，利用本发明方法获取的匹配像对进行三维稀疏重建，可以获得更完整的重建结果，及更高的处理效率。

Claims (5)

1.一种无人机影像匹配像对提取方法，所述方法用于对无人机影像集提取匹配像对，其特征在于，包括以下步骤：
步骤1：对无人机影像集提取SIFT特征向量；
步骤2：对SIFT特征向量进行降维：
步骤2.1，从无人机影像集中任意抽取部分无人机影像，以抽取的该部分无人机影像对应的SIFT特征向量组成特征矩阵；
步骤2.2，对步骤2.1得到的特征矩阵进行降维；
步骤3：构建视觉词典：
步骤3.1，对降维后的特征矩阵进行聚类得到多个聚类中心，每一个聚类中心作为一个视觉单词，获取每一个视觉单词对应的权值；其中，利用K均值法对降维后的特征矩阵进行聚类，聚类中心初始数量设置为步骤2.1中抽取的无人机影像数量的200倍；通过计算每一个视觉单词的词频逆文档频率，获取该视觉单词对应的权值；
步骤3.2，将所有视觉单词及对应的权值采用二叉树形式构建视觉词典；
步骤4：以无人机影像集中的第i个影像作为当前查询影像Ii，通过视觉词典在无人机影像集中查询与当前查询影像Ii最相似的影像形成相似影像列表，i为自然数；该步骤具体包括：以无人机影像集中的第i个影像作为当前查询影像Ii，统计当前查询影像Ii包含的视觉单词及对应的权值组成权值向量；
步骤5：计算相似影像列表的综合查询因子：
步骤5.1，分别计算当前查询影像Ii与相似影像列表内每一个影像的空间距离指数和相似指数，将空间距离指数与相似指数的乘积作为综合查询因子，相似影像列表内每一个影像对应一个综合查询因子；
所述空间距离指数计算如下：
其中，表示当前查询影像Ii与相似影像列表中的第j个影像Ij的空间距离指数，i,j均为自然数；dmax为当前查询影像Ii与相似影像列表中所有影像的最大空间距离，/>为当前查询影像Ii与相似影像列表中的Ij之间的空间距离；
所述相似指数是指当前查询影像Ii的权值向量与相似影像列表中的影像Ij的权值向量的夹角余弦值；
步骤5.2，对综合查询因子降序排序，前q个综合查询因子对应的相似影像列表内的影像数量为查询深度,q为自然数；
步骤6：根据查询深度界定查询深度阈值t取值为0<t≤q，以查询深度阈值t为界，将相似影像列表分为查询深度阈值t之上的影像和查询深度阈值t之下的影像两部分；
所述查询深度阈值t计算如下：
其中，g(t)为查询深度阈值t所对应的查询曲线方差；q为查询深度，n1为查询深度阈值t之上的影像数量，为相似影像列表中的影像Ij的综合查询因子，j为自然数；
步骤7：将查询深度阈值t之上的影像与当前查询影像Ii组成Ii的候选匹配像对；
步骤8：将无人机影像集中除Ii以外的其他影像分别作为当前查询影像，重复步骤4-7，得到无人机影像集中所有影像的候选匹配像对，剔除重复的候选匹配像对，最终得到从无人机影像集提取的匹配像对。
2.根据权利要求1所述的无人机影像匹配像对提取方法，其特征在于：步骤1中，利用GPU并行方法对无人机影像集提取128维SIFT特征向量。
3.根据权利要求2所述的无人机影像匹配像对提取方法，其特征在于：步骤2.2中的降维采用的无人机影像数量为无人机影像集总数量的10％，利用主成分分析方法将特征维度由128维降低至64维。
4.一种无人机影像三维稀疏重建方法，其特征在于，包括如下步骤：
步骤(1)，按照权利要求1-3中任意一个权利要求所述方法对无人机影像提取匹配像对；
步骤(2)，利用步骤(1)提取的匹配像对完成无人机影像三维稀疏重建。
5.根据权利要求4所述的无人机影像三维稀疏重建方法，其特征在于，步骤(2)中，基于开源稀疏重建库完成无人机影像三维稀疏重建。
CN202010574099.1A 2020-06-22 2020-06-22 一种无人机影像匹配像对提取方法、三维稀疏重建方法 Active CN111860535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010574099.1A CN111860535B (zh) 2020-06-22 2020-06-22 一种无人机影像匹配像对提取方法、三维稀疏重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010574099.1A CN111860535B (zh) 2020-06-22 2020-06-22 一种无人机影像匹配像对提取方法、三维稀疏重建方法

Publications (2)

Publication Number Publication Date
CN111860535A CN111860535A (zh) 2020-10-30
CN111860535B true CN111860535B (zh) 2023-08-11

Family

ID=72987909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010574099.1A Active CN111860535B (zh) 2020-06-22 2020-06-22 一种无人机影像匹配像对提取方法、三维稀疏重建方法

Country Status (1)

Country Link
CN (1) CN111860535B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020111A (zh) * 2012-10-29 2013-04-03 苏州大学 基于词汇树层次语义模型的图像检索方法
CN110458175A (zh) * 2019-07-08 2019-11-15 中国地质大学（武汉） 一种基于词汇树检索的无人机影像匹配对选择方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8892542B2 (en) * 2011-02-24 2014-11-18 Nec Laboratories America, Inc. Contextual weighting and efficient re-ranking for vocabulary tree based image retrieval
CN103838864B (zh) * 2014-03-20 2017-02-22 北京工业大学 一种视觉显著性与短语相结合的图像检索方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020111A (zh) * 2012-10-29 2013-04-03 苏州大学 基于词汇树层次语义模型的图像检索方法
CN110458175A (zh) * 2019-07-08 2019-11-15 中国地质大学（武汉） 一种基于词汇树检索的无人机影像匹配对选择方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
利用位置信息加权词汇树的图像检索;陈莹;郭佳宇;;系统仿真学报(第10期);全文 *

Also Published As

Publication number Publication date
CN111860535A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN106909924B (zh) 一种基于深度显著性的遥感影像快速检索方法
CN102254015B (zh) 基于视觉词组的图像检索方法
CN107944020B (zh) 人脸图像查找方法及装置、计算机装置和存储介质
Van Der Maaten Barnes-hut-sne
Qin et al. Query adaptive similarity for large scale object retrieval
Gálvez-López et al. Bags of binary words for fast place recognition in image sequences
CN111046732B (zh) 一种基于多粒度语义解析的行人重识别方法及存储介质
CN104392250A (zh) 一种基于MapReduce的图像分类方法
CN108595688A (zh) 基于在线学习的潜在语义跨媒体哈希检索方法
CN106951551B (zh) 联合gist特征的多重索引图像检索方法
CN107832335B (zh) 一种基于上下文深度语义信息的图像检索方法
CN102693299A (zh) 一种并行视频拷贝检测系统和方法
CN105117407B (zh) 一种基于聚类的距离方向直方图的图像检索方法
CN110751027B (zh) 一种基于深度多示例学习的行人重识别方法
CN104462199A (zh) 一种网络环境下的近似重复图像搜索方法
CN110309810B (zh) 一种基于批次中心相似度的行人重识别方法
CN105654122A (zh) 基于核函数匹配的空间金字塔物体识别方法
CN103020321B (zh) 近邻搜索方法与系统
CN115424053B (zh) 小样本图像识别方法、装置、设备及存储介质
CN104699781B (zh) 基于双层锚图散列的sar图像检索方法
CN106777350B (zh) 一种基于卡口数据的以图搜图方法和装置
CN104965928B (zh) 一种基于形状匹配的汉字图像检索方法
CN107133348B (zh) 大规模图片集中基于语义一致性的近似搜索方法
US20170309004A1 (en) Image recognition using descriptor pruning
CN111860535B (zh) 一种无人机影像匹配像对提取方法、三维稀疏重建方法

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