CN111862239A - 一种面阵相机图像重叠区域标定方法、装置、设备及存储介质 - Google Patents

一种面阵相机图像重叠区域标定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111862239A
CN111862239A CN202010734970.XA CN202010734970A CN111862239A CN 111862239 A CN111862239 A CN 111862239A CN 202010734970 A CN202010734970 A CN 202010734970A CN 111862239 A CN111862239 A CN 111862239A
Authority
CN
China
Prior art keywords
image
collected image
area
feature
array camera
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
Application number
CN202010734970.XA
Other languages
English (en)
Inventor
赵勇
朱刚
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.)
Argos Intelligent Technology Suzhou Co Ltd
Original Assignee
Argos Intelligent Technology Suzhou 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 Argos Intelligent Technology Suzhou Co Ltd filed Critical Argos Intelligent Technology Suzhou Co Ltd
Priority to CN202010734970.XA priority Critical patent/CN111862239A/zh
Publication of CN111862239A publication Critical patent/CN111862239A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Studio Devices (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种面阵相机图像重叠区域标定方法、装置、设备及存储介质，其中，面阵相机图像重叠区域标定方法包括步骤：获取面阵相机针对一副图像生成的第一采集图像和第二采集图像；提取第一采集图像的SIFT特征和第二采集图像的SIFT特征；根据预设的特征匹配算法将第一采集图像的SIFT特征与第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果根据特征匹配结果确定最优匹配特征点；根据最优匹配特征点计算第一采集图像与第二采集图像的重叠区域。本申请能够标定两个待拼接图像的重叠区域，以简化图像拼接过程，降低算力要求，与此同时，本申请的面阵相机图像重叠区域标定方法、装置、设备及存储介质还具有标定精确度高的优点。

Description

一种面阵相机图像重叠区域标定方法、装置、设备及存储介质
技术领域
本申请涉及工业检测领域，尤其涉及一种面阵相机图像重叠区域标定方法、装置、设备及存储介质。
背景技术
图像拼接是把描述同一场景的相互之间有部分重叠的一系列图像拼接成一幅宽视角图像的技术，它解决了图像视野和图像分辨率之间的矛盾，通过图像拼接即可得到宽视野、高分辨率的图像。图像拼接技术有着广泛的应用。
目前面阵相机广泛应用在工业检测领域，用于检测连续的材料，如：纸、布匹、金属、塑料、纤维等。传统的图像拼接方法是根据图像处理算法，寻找各个图片之间的特征值，并进行特征值匹配，找到图片之间的重叠区域并进行拼接。但是这种方法首先是计算量很大，图像拼接算法要求高，而且图像拼接算法需要合适特征点才能完成拼接，对于相似性材料，大部分图片几乎找不到很明显的特征，所以就算是相邻图片也会出现匹配失败的情况，不易拼接。
基于视觉的深度学习等人工智能检测技术，也越来越多应用在工业检测领域。相较于传统图像处理算法，人工智能视觉检测方案能更普适于不同的材料，而不用针对性设计视觉特征规则，但其算法要求高，其计算任务密集，会消耗大量资源，影响整个系统运行。
有鉴于上述的缺陷，本设计人，积极加以研究创新，以期创设一种面阵相机图像重叠区域的标定方法，使其更具有产业上的利用价值。
发明内容
本申请的目的在于公开一种面阵相机图像重叠区域标定方法、装置、设备及存储介质，用于标定两个待拼接图像的重叠区域，以简化图像拼接过程，降低算力要求，与此同时，本申请的面阵相机图像重叠区域标定方法、装置、设备及存储介质还具有标定精确度高的优点。
为此，本申请实施例第一方面提供一种面阵相机图像重叠区域标定方法，所述方法包括步骤：
获取面阵相机针对一副图像生成的第一采集图像和第二采集图像；
提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征；
根据预设的特征匹配算法将所述第一采集图像的SIFT特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果；
根据所述特征匹配结果确定最优匹配特征点；
根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。
在本申请第一方面中，通过提取获取面阵相机针对一副图像生成的第一采集图像和第二采集图像，能够提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征，进而根据预设的特征匹配算法将所述第一采集图像的SIFT特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果，进而根据所述特征匹配结果确定最优匹配特征点，最终根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。与现有技术相比，本申请具有对算力要求低、且能够将标定精度控制在1pixel以内。
在本申请第一方面中，作为一种可选的实施方式，所述根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域，包括：
根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像之间的单应性变换矩阵；
根据所述单应性变换矩阵的四个点的横向坐标的平均值计算得到所述第一采集图像与所述第二采集图像的所述重叠区域。
在本可选的实施方式中，根据第一采集图像与所述第二采集图像之间的单应性变换矩阵，能够计算得到所述第一采集图像与所述第二采集图像的所述重叠区域。
在本申请第一方面中，作为一种可选的实施方式包括最接近距离和次接近距离；以及，所述根据所述特征匹配结果确定最优匹配特征点，包括子步骤：
计算所述最接近距离和所述次接近距离的比值；
判断所述最接近距离和所述次接近距离的比值是小于预设阈值，若是则将所述特征匹配结果确定为最优匹配特征点。
在本可选的实施例方式中，根据最接近距离和所述次接近距离的比值可确定最优匹配特征点。
在本申请第一方面中，作为一种可选的实施方式，所述预设阈值为 0.3。
在本申请第一方面中，作为一种可选的实施方式，所述预设的特征匹配算法为KNN算法。采用KNN算法可进一步降低对算力的要求。
在本申请第一方面中，作为一种可选的实施方式，所述KNN算法中的K取值为2。将KNN算法的K值设置为2能够实现精确特征匹配。
在本申请第一方面中，作为一种可选的实施方式，所述提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征，包括子步骤：
根据高斯核构建所述第一采集图像的尺度空间和所述第二采集图像的尺度空间；
计算所述第一采集图像的尺度空间的极值点；
计算所述第二采集图像的尺度空间的极值点；
根据所述第一采集图像的尺度空间的极值点计算得到所述第一采集图像的SIFT特征；
根据所述第二采集图像的尺度空间的极值点计算得到所述第二采集图像的SIFT特征。
在本可选的实施方式中，通过高斯核可构建所述第一采集图像的尺度空间和所述第二采集图像的尺度空间，进而可计算所述第一采集图像的尺度空间的极值点和所述第二采集图像的尺度空间的极值点，进而可根据所述第一采集图像的尺度空间的极值点计算得到所述第一采集图像的SIFT 特征，最终可根据所述第二采集图像的尺度空间的极值点计算得到所述第二采集图像的SIFT特征。
本申请第二方面提供一种面阵相机图像重叠区域标定装置，所述装置包括：
获取模块，用于获取面阵相机针对一副图像生成的第一采集图像和第二采集图像；
提取模块，用于提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征；
匹配模块，用于根据预设的特征匹配算法将所述第一采集图像的SIFT 特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果；
确定模块，用于根据所述特征匹配结果确定最优匹配特征点；
计算模块，用于根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。
本申请第二方面的面阵相机图像重叠区域标定装置通过执行面阵相机图像重叠区域标定方法，能够通过提取获取面阵相机针对一副图像生成的第一采集图像和第二采集图像，能够提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征，进而根据预设的特征匹配算法将所述第一采集图像的SIFT特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果，进而根据所述特征匹配结果确定最优匹配特征点，最终根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。与现有技术相比，本申请具有对算力要求低、且能够将标定精度控制在1pixel以内。
本申请第三方面提供一种面阵相机图像重叠区域标定设备所述设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行本申请第一方面所述的面阵相机图像重叠区域标定方法。
本申请第三方面的面阵相机图像重叠区域标定设备通过执行面阵相机图像重叠区域标定方法，能够通过提取获取面阵相机针对一副图像生成的第一采集图像和第二采集图像，能够提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征，进而根据预设的特征匹配算法将所述第一采集图像的SIFT特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果，进而根据所述特征匹配结果确定最优匹配特征点，最终根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。与现有技术相比，本申请具有对算力要求低、且能够将标定精度控制在1pixel以内。
本申请第四方面提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序程序被处理器执行本申请第一方面的面阵相机图像重叠区域标定方法。
本申请第四方面的存储介质通过执行面阵相机图像重叠区域标定方法，能够通过提取获取面阵相机针对一副图像生成的第一采集图像和第二采集图像，能够提取所述第一采集图像的SIFT特征和所述第二采集图像的 SIFT特征，进而根据预设的特征匹配算法将所述第一采集图像的SIFT特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果，进而根据所述特征匹配结果确定最优匹配特征点，最终根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。与现有技术相比，本申请具有对算力要求低、且能够将标定精度控制在1pixel以内。
附图说明
为了更清楚地说明本申请的技术方案，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本申请保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1为本申请实施例公开的一种面阵相机图像重叠区域标定方法的流程示意图；
图2为本申请实施例公开的一种面阵相机图像重叠区域标定装置的结构示意图；
图3为本申请实施例公开的一种面阵相机图像重叠区域标定设备的结构示意图。
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清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在下文中，可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语) 具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本申请的各种实施例中被清楚地限定。
实施例一
请参阅图1，图1是本申请实施例提供的一种面阵相机图像重叠区域标定方法的流程示意图。如图1所示，该方法包括步骤：
101、获取面阵相机针对一副图像生成的第一采集图像和第二采集图像；
102、提取第一采集图像的SIFT特征和第二采集图像的SIFT特征；
103、根据预设的特征匹配算法将第一采集图像的SIFT特征与第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果；
104、根据特征匹配结果确定最优匹配特征点；
105、根据最优匹配特征点计算第一采集图像与第二采集图像的重叠区域。
在本申请实施例中，通过提取获取面阵相机针对一副图像生成的第一采集图像和第二采集图像，能够提取第一采集图像的SIFT特征和第二采集图像的SIFT特征，进而根据预设的特征匹配算法将第一采集图像的 SIFT特征与第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果，特征匹配结果，进而根据特征匹配结果确定最优匹配特征点，最终根据最优匹配特征点计算第一采集图像与第二采集图像的重叠区域。与现有技术相比，本申请具有对算力要求低、且能够将标定精度控制在1pixel以内。
在本申请实施例中，作为一种可选的实施方式，步骤105：根据最优匹配特征点计算第一采集图像与第二采集图像的重叠区域，包括子步骤：
根据最优匹配特征点计算第一采集图像与第二采集图像之间的单应性变换矩阵；
根据单应性变换矩阵的四个点的横向坐标的平均值计算得到第一采集图像与第二采集图像的重叠区域。
在本可选的实施方式中，根据第一采集图像与第二采集图像之间的单应性变换矩阵，能够计算得到第一采集图像与第二采集图像的重叠区域。
在本申请实施例中，作为一种可选的实施方式，特征匹配结果包括最接近距离和次接近距离；以及，步骤104：根据特征匹配结果确定最优匹配特征点，包括子步骤：
计算最接近距离和次接近距离的比值；
判断最接近距离和次接近距离的比值是小于预设阈值，若是则将特征匹配结果确定为最优匹配特征点。
在本可选的实施例方式中，根据最接近距离和次接近距离的比值可确定最优匹配特征点。
在本申请实施例中，作为一种可选的实施方式，预设阈值为0.3。
在本申请实施例中，作为一种可选的实施方式，预设的特征匹配算法为KNN算法。采用KNN算法可进一步降低对算力的要求。
在本申请实施例中，作为一种可选的实施方式，KNN算法中的K取值为2。将KNN算法的K值设置为2能够实现精确特征匹配。
在本申请实施例中，作为一种可选的实施方式，步骤102：提取第一采集图像的SIFT特征和第二采集图像的SIFT特征，包括子步骤：
根据高斯核构建第一采集图像的尺度空间和第二采集图像的尺度空间；
计算第一采集图像的尺度空间的极值点；
计算第二采集图像的尺度空间的极值点；
根据第一采集图像的尺度空间的极值点计算得到第一采集图像的SIFT 特征；
根据第二采集图像的尺度空间的极值点计算得到第二采集图像的SIFT 特征。
在本可选的实施方式中，通过高斯核可构建第一采集图像的尺度空间和第二采集图像的尺度空间，进而可计算第一采集图像的尺度空间的极值点和第二采集图像的尺度空间的极值点，进而可根据第一采集图像的尺度空间的极值点计算得到第一采集图像的SIFT特征，最终可根据第二采集图像的尺度空间的极值点计算得到第二采集图像的SIFT特征。
实施例二
请参阅图2，图2是本申请实施例提供的一种面阵相机图像重叠区域标定装置的结构示意图。如图2所示，该装置包括：
获取模块201，用于获取面阵相机针对一副图像生成的第一采集图像和第二采集图像；
提取模块202，用于提取第一采集图像的SIFT特征和第二采集图像的 SIFT特征；
匹配模块203，用于根据预设的特征匹配算法将第一采集图像的SIFT 特征与第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果
确定模块204，用于根据特征匹配结果确定最优匹配特征点；
计算模块205，用于根据最优匹配特征点计算第一采集图像与第二采集图像的重叠区域。
本申请实施例的面阵相机图像重叠区域标定装置通过执行面阵相机图像重叠区域标定方法，能够通过提取获取面阵相机针对一副图像生成的第一采集图像和第二采集图像，能够提取第一采集图像的SIFT特征和第二采集图像的SIFT特征，进而根据预设的特征匹配算法将第一采集图像的 SIFT特征与第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果，特征匹配结果，进而根据特征匹配结果确定最优匹配特征点，最终根据最优匹配特征点计算第一采集图像与第二采集图像的重叠区域。与现有技术相比，本申请具有对算力要求低、且能够将标定精度控制在1pixel以内。
在本申请实施例中，作为一种可选的实施方式，计算模块205执行根据最优匹配特征点计算第一采集图像与第二采集图像的重叠区域的具体方式为：
根据最优匹配特征点计算第一采集图像与第二采集图像之间的单应性变换矩阵；
根据单应性变换矩阵的四个点的横向坐标的平均值计算得到第一采集图像与第二采集图像的重叠区域。
在本可选的实施方式中，根据第一采集图像与第二采集图像之间的单应性变换矩阵，能够计算得到第一采集图像与第二采集图像的重叠区域。
在本申请实施例中，作为一种可选的实施方式，特征匹配结果包括最接近距离和次接近距离；以及，确定模块204执行根据特征匹配结果确定最优匹配特征点的具体方式为：
计算最接近距离和次接近距离的比值；
判断最接近距离和次接近距离的比值是小于预设阈值，若是则将特征匹配结果确定为最优匹配特征点。
在本可选的实施例方式中，根据最接近距离和次接近距离的比值可确定最优匹配特征点。
在本申请实施例中，作为一种可选的实施方式，预设阈值为0.3。
在本申请实施例中，作为一种可选的实施方式，预设的特征匹配算法为KNN算法。采用KNN算法可进一步降低对算力的要求。
在本申请实施例中，作为一种可选的实施方式，KNN算法中的K取值为2。将KNN算法的K值设置为2能够实现精确特征匹配。
在本申请实施例中，作为一种可选的实施方式，提取模块202执行提取第一采集图像的SIFT特征和第二采集图像的SIFT特征的具体方式为：
根据高斯核构建第一采集图像的尺度空间和第二采集图像的尺度空间；
计算第一采集图像的尺度空间的极值点；
计算第二采集图像的尺度空间的极值点；
根据第一采集图像的尺度空间的极值点计算得到第一采集图像的SIFT 特征；
根据第二采集图像的尺度空间的极值点计算得到第二采集图像的SIFT 特征。
在本可选的实施方式中，通过高斯核可构建第一采集图像的尺度空间和第二采集图像的尺度空间，进而可计算第一采集图像的尺度空间的极值点和第二采集图像的尺度空间的极值点，进而可根据第一采集图像的尺度空间的极值点计算得到第一采集图像的SIFT特征，最终可根据第二采集图像的尺度空间的极值点计算得到第二采集图像的SIFT特征。
实施例三
请参阅图3，图3是本申请实施例提供的一种面阵相机图像重叠区域标定设备的结构示意图。如图3所示，该设备包括：
存储器301和处理器302，存储器301中存储有计算机可读指令，计算机可读指令被处理器302执行时，使得处理器302执行本申请实施例的面阵相机图像重叠区域标定方法。
本申请实施例的面阵相机图像重叠区域标定设备通过执行面阵相机图像重叠区域标定方法，能够通过提取获取面阵相机针对一副图像生成的第一采集图像和第二采集图像，能够提取第一采集图像的SIFT特征和第二采集图像的SIFT特征，进而根据预设的特征匹配算法将第一采集图像的 SIFT特征与第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果，特征匹配结果，进而根据特征匹配结果确定最优匹配特征点，最终根据最优匹配特征点计算第一采集图像与第二采集图像的重叠区域。与现有技术相比，本申请具有对算力要求低、且能够将标定精度控制在1pixel以内。
实施例四
本申请实施例提供一种存储介质，存储介质存储有计算机程序，计算机程序程序被处理器执行本申请实施例一提供的面阵相机图像重叠区域标定方法。
本申请实施例的存储介质通过执行面阵相机图像重叠区域标定方法，能够通过提取获取面阵相机针对一副图像生成的第一采集图像和第二采集图像，能够提取第一采集图像的SIFT特征和第二采集图像的SIFT特征，进而根据预设的特征匹配算法将第一采集图像的SIFT特征与第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果，特征匹配结果，进而根据特征匹配结果确定最优匹配特征点，最终根据最优匹配特征点计算第一采集图像与第二采集图像的重叠区域。与现有技术相比，本申请具有对算力要求低、且能够将标定精度控制在1pixel以内。
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，附图中的流程图和结构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，结构图和/或流程图中的每个方框、以及结构图和/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或单元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，也可以两个或更多个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(可以是智能手机、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。
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。

Claims (10)

1.一种面阵相机图像重叠区域标定方法，其特征在于，所述方法包括：
获取面阵相机针对一副图像生成的第一采集图像和第二采集图像；
提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征；
根据预设的特征匹配算法将所述第一采集图像的SIFT特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果；
根据所述特征匹配结果确定最优匹配特征点；
根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。
2.如权利要求1所述的面阵相机图像重叠区域标定方法，其特征在于，所述根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域，包括：
根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像之间的单应性变换矩阵；
根据所述单应性变换矩阵的四个点的横向坐标的平均值计算得到所述第一采集图像与所述第二采集图像的所述重叠区域。
3.如权利要求1所述的面阵相机图像重叠区域标定方法，其特征在于包括最接近距离和次接近距离；
以及，所述根据所述特征匹配结果确定最优匹配特征点，包括：
计算所述最接近距离和所述次接近距离的比值；
判断所述最接近距离和所述次接近距离的比值是小于预设阈值，若是则将所述特征匹配结果确定为最优匹配特征点。
4.如权利要求3所述的面阵相机图像重叠区域标定方法，其特征在于，所述预设阈值为0.3。
5.如权利要求1-4任一项所述的面阵相机图像重叠区域标定方法，其特征在于，所述预设的特征匹配算法为KNN算法。
6.如权利要求5所述的面阵相机图像重叠区域标定方法，其特征在于，所述KNN算法中的K取值为2。
7.如权利要求1所述的面阵相机图像重叠区域标定方法，其特征在于，所述提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征，包括：
根据高斯核构建所述第一采集图像的尺度空间和所述第二采集图像的尺度空间；
计算所述第一采集图像的尺度空间的极值点；
计算所述第二采集图像的尺度空间的极值点；
根据所述第一采集图像的尺度空间的极值点计算得到所述第一采集图像的SIFT特征；
根据所述第二采集图像的尺度空间的极值点计算得到所述第二采集图像的SIFT特征。
8.一种面阵相机图像重叠区域标定装置，其特征在于，所述装置包括：
获取模块，用于获取面阵相机针对一副图像生成的第一采集图像和第二采集图像；
提取模块，用于提取所述第一采集图像的SIFT特征和所述第二采集图像的SIFT特征；
匹配模块，用于根据预设的特征匹配算法将所述第一采集图像的SIFT特征与所述第二采集图像的SIFT特征进行特征匹配，以得到特征匹配结果；
确定模块，用于根据所述特征匹配结果确定最优匹配特征点；
计算模块，用于根据所述最优匹配特征点计算所述第一采集图像与所述第二采集图像的重叠区域。
9.一种面阵相机图像重叠区域标定设备，其特征在于，所述设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1-7任一项所述的面阵相机图像重叠区域标定方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序程序被处理器执行如权利要求1-7中任一项所述的面阵相机图像重叠区域标定方法。
CN202010734970.XA 2020-07-28 2020-07-28 一种面阵相机图像重叠区域标定方法、装置、设备及存储介质 Pending CN111862239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010734970.XA CN111862239A (zh) 2020-07-28 2020-07-28 一种面阵相机图像重叠区域标定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010734970.XA CN111862239A (zh) 2020-07-28 2020-07-28 一种面阵相机图像重叠区域标定方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111862239A true CN111862239A (zh) 2020-10-30

Family

ID=72947342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010734970.XA Pending CN111862239A (zh) 2020-07-28 2020-07-28 一种面阵相机图像重叠区域标定方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111862239A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113252045A (zh) * 2021-06-25 2021-08-13 成都睿沿科技有限公司 设备定位方法、装置、电子设备及可读存储介质
WO2023029113A1 (zh) * 2021-08-31 2023-03-09 广东艾檬电子科技有限公司 图像拼接方法、终端设备以及计算机可读存储介质
CN117974809A (zh) * 2024-03-25 2024-05-03 季华实验室 机载面阵相机时空标定方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113252045A (zh) * 2021-06-25 2021-08-13 成都睿沿科技有限公司 设备定位方法、装置、电子设备及可读存储介质
CN113252045B (zh) * 2021-06-25 2021-11-02 成都睿沿科技有限公司 设备定位方法、装置、电子设备及可读存储介质
WO2023029113A1 (zh) * 2021-08-31 2023-03-09 广东艾檬电子科技有限公司 图像拼接方法、终端设备以及计算机可读存储介质
CN117974809A (zh) * 2024-03-25 2024-05-03 季华实验室 机载面阵相机时空标定方法、装置、设备及存储介质
CN117974809B (zh) * 2024-03-25 2024-06-18 季华实验室 机载面阵相机时空标定方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109376667B (zh) 目标检测方法、装置及电子设备
CN108960211B (zh) 一种多目标人体姿态检测方法以及系统
CN111862239A (zh) 一种面阵相机图像重叠区域标定方法、装置、设备及存储介质
US8019164B2 (en) Apparatus, method and program product for matching with a template
CN108986152B (zh) 一种基于差分图像的异物检测方法及装置
CN111222395A (zh) 目标检测方法、装置与电子设备
CN110175609B (zh) 界面元素检测方法、装置及设备
US8811750B2 (en) Apparatus and method for extracting edge in image
EP3493157A1 (en) Method and system for visual change detection using multi-scale analysis
CN112597918A (zh) 文本检测方法及装置、电子设备、存储介质
KR20220093187A (ko) 포지셔닝 방법 및 장치, 전자 기기, 컴퓨터 판독 가능 저장 매체
CN112396594A (zh) 变化检测模型获取方法及装置、变化检测方法、计算机设备及可读存储介质
CN111723634A (zh) 一种图像检测方法、装置、电子设备及存储介质
CN112991459A (zh) 一种相机标定方法、装置、设备以及存储介质
CN111179270A (zh) 基于注意力机制的图像共分割方法和装置
CN110349138A (zh) 基于实例分割框架的目标物体的检测方法及装置
CN112949453A (zh) 烟火检测模型的训练方法、烟火检测方法及设备
CN113052019B (zh) 目标跟踪方法及装置、智能设备和计算机存储介质
CN107392948B (zh) 一种分振幅实时偏振成像系统的图像配准方法
CN112837384A (zh) 车辆标记方法、装置和电子设备
US9378428B2 (en) Incomplete patterns
CN114863450B (zh) 图像处理方法、装置、电子设备及存储介质
CN115270841A (zh) 条码检测方法、装置、存储介质及计算机设备
CN114549429B (zh) 基于超图结构的深度数据质量评价方法及装置
CN112819953B (zh) 三维重建方法、网络模型训练方法、装置及电子设备

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201030

WD01 Invention patent application deemed withdrawn after publication