CN111898493B - 基于二进制量化三维特征描述子的物体识别方法 - Google Patents
基于二进制量化三维特征描述子的物体识别方法 Download PDFInfo
- Publication number
- CN111898493B CN111898493B CN202010681630.5A CN202010681630A CN111898493B CN 111898493 B CN111898493 B CN 111898493B CN 202010681630 A CN202010681630 A CN 202010681630A CN 111898493 B CN111898493 B CN 111898493B
- Authority
- CN
- China
- Prior art keywords
- quantization
- dimensional feature
- binary
- feature descriptor
- quantization unit
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于二进制量化三维特征描述子的物体识别方法,该方法包括:获取目标物体的三维特征描述子;基于量化单元的长度和预设标准差个数,对所述三维特征描述子进行二进制量化,获取二进制量化后的三维特征描述子,所述量化单元包括所述三维特征描述子中若干个连续的元素;将二进制量化后的三维特征描述子与预设模板库进行匹配,以对所述目标物体进行识别。本发明实施例从三维特征描述子的设计原理出发,分析三维特征描述子的特点,对三维特征描述子进行二进制量化,量化后的特征描述子性能超越现有算法,在物体识别精度和特征匹配效率两方面达到目前综合最优水平。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于二进制量化三维特征描述子的物体识别方法。
背景技术
二进制量化三维特征描述子的方法是设计一种二进制的量化方法并将其应用于某种已经存在的特征描述子中,将原来每一维度的向量转化为二进制0或1,并可以在保证特征描述子的描述性、鲁棒性相当的情况下,大幅减少内存占有并加快三维物体识别速度。
在三维图像处理领域,应用二进制方法量化已有特征描述子的研究可追溯到2015年,新加坡南洋理工大学和香港科技大学的Prakhya等人在机器人顶级国际会议IROS上提出向量直接进行二进制量化方法,该方法是一种通用的方法,可以应用于不同的特征描述子的二进制量化中。
将该方法应用于传统SHOT特征描述子的二值量化中提出了B-SHOT:首先将SHOT描述子中每四个浮点型数据作为一个量化的单元,根据定义的5条规则将SHOT中的浮点型数据分别转化为二进制0和1,降低了物体表征时内存的占用,提高了匹配运算的效率,实现了三维点云快速特征匹配。该算法在3D点云关键点匹配上具有更加快速和高效的优点,B-SHOT的内存占用降低到SHOT的1/32的同时关键点匹配速度提高了6倍。
2017年,Kechagias-Stamatis等人提出二进制距离直方图(Binary-Histogram ofDistances,简称B-HoD)特征描述子,在已有的三维特征描述子算法HoD的基础上,通过提出一种二进制量化方法和预处理步骤,使得量化后的内存占用降低到原来的2/9,关键点匹配时间降低到原来的1/75。
2017年Prakhya等人采用格子量化(lattice quantization)的理论提出一种压缩三维特征描述子的二进制量化方法,将这种通用的方法应用于SHOT、RoPS和FPFH的量化中产生三种量化描述子Type-SHOT、Type-RoPS和Type-FPFH。实验结果表明Type-SHOT效果优于Type-RoPS和Type-FPFH。与B-SHOT相比,Type-SHOT的识别效果优于B-SHOT,但是其的关键点匹配时间却比B-SHOT长。
2018年和2019年的陆续出现的基于切比雪夫不等式和格雷码的二进制量化方法,在应用中到SHOT特征描述子中产生CI-SHOT和GRAY-SHOT,其识别结果虽然也优于B-SHOT,但是与Type-SHOT类似,其匹配时间也略长于B-SHOT。
从当前各种算法的比较来看,B-SHOT的方法虽然特征匹配效率高,但是识别正确率偏低,Type-SHOT、CI-SHOT和GRAY-SHOT的方法虽然识别正确率得到提高,但是特征匹配效率却偏低。即:现有方法目前的瓶颈是:
物体识别正确率与特征匹配效率在各种二进制量化算法中存在此消彼长的关系,目前还没有一种量化方法能够实现综合性能最优。
发明内容
本发明实施例提供一种基于二进制量化三维特征描述子的物体识别方法,用以解决现有技术中物体识别正确率与特征匹配效率此消彼长的缺陷,实现物体识别。
本发明实施例提供一种基于二进制量化三维特征描述子的物体识别方法,包括:
获取目标物体的三维特征描述子;
基于量化单元的长度和预设标准差个数,对所述三维特征描述子进行二进制量化,获取二进制量化后的三维特征描述子,所述量化单元包括所述三维特征描述子中若干个连续的元素;
将二进制量化后的三维特征描述子与预设模板库进行匹配,以对所述目标物体进行识别。
根据本发明一个实施例的一种基于二进制量化三维特征描述子的物体识别方法,所述基于量化单元的长度和预设标准差个数,获取二进制量化后的三维特征描述子,具体包括:
根据所述量化单元的长度,将所述三维特征描述子拆分为若干个量化单元;
对于任一量化单元,获取所述任一量化单元中所有元素的平均值和标准差;
根据所述平均值、所述标准差和所述预设标准差个数,获取量化阈值;
根据所述任一量化单元中每一元素与所述量化阈值之间的大小关系,对每一元素进行二进制量化;
获取二进制量化后的三维特征描述子。
根据本发明一个实施例的一种基于二进制量化三维特征描述子的物体识别方法,所述根据所述平均值、所述标准差和所述预设标准差个数,获取量化阈值,具体包括:
根据所述标准差与所述预设标准差个数,获取中间阈值;
根据所述中间阈值和所述平均值,获取所述量化阈值。
根据本发明一个实施例的一种基于二进制量化三维特征描述子的物体识别方法,所述根据所述平均值、所述标准差和所述预设标准差个数,获取量化阈值,具体通过如下公式获得:
th=mean+n×σ,
其中,th表示所述量化阈值,mean表示所述平均值,n表示所述预设标准差个数,σ表示所述标准差。
根据本发明一个实施例的一种基于二进制量化三维特征描述子的物体识别方法,所述根据所述任一量化单元中每一元素与所述量化阈值之间的大小关系,对每一元素进行二进制量化,具体包括:
对于任一元素,若所述任一元素大于所述量化阈值,将所述任一元素的量化值设置为1,否则,将所述任一元素的量化值设置为0。
根据本发明一个实施例的一种基于二进制量化三维特征描述子的物体识别方法,所述量化单元的长度根据所述三维特征描述子的维度进行选择,以使得所述三维特征描述子进行整块拆分。
本发明实施例还提供一种基于二进制量化三维特征描述子的物体识别系统,包括:
获取模块,用于获取目标物体的三维特征描述子;
量化模块,用于基于量化单元的长度和预设标准差个数,对所述三维特征描述子进行二进制量化,获取二进制量化后的三维特征描述子,所述量化单元包括所述三维特征描述子中若干个连续的元素;
识别模块,用于将二进制量化后的三维特征描述子与预设模板库进行匹配,以对所述目标物体进行识别。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于二进制量化三维特征描述子的物体识别方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于二进制量化三维特征描述子的物体识别方法的步骤。
本发明实施例提供一种基于二进制量化三维特征描述子的物体识别方法,从三维特征描述子的设计原理出发,分析三维特征描述子的特点,对三维特征描述子进行二进制量化,量化后的特征描述子性能超越现有算法,在物体识别精度和特征匹配效率两方面达到目前综合最优水平。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于二进制量化三维特征描述子的物体识别方法的流程图;
图2为正态分布中数据分布示意图;
图3为本发明一实施例提供的一种基于二进制量化三维特征描述子的物体识别方法的流程框图;
图4为本发明实施例提供的一种基于二进制量化三维特征描述子的物体识别系统的结果示意图;
图5为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种基于二进制量化三维特征描述子的物体识别方法的流程图,如图1所示,该方法包括:
S1,获取目标物体的三维特征描述子;
目标物体即为需要进行识别的物体,根据该目标物体的特征以及环境等因素的特点,选择合适的三维特征描述子,三维特征描述子经常用来表示物体三维感知数据的关键特征,三维特征描述子包括局部特征描述子和全局特征描述子,本发明实施例中,三维特征描述子包括但不限于SHOT、RoPS、FPFH等。
三维感知数据是以点云格式存储的,与二维图像数据中规则的像素点存储不同,点云数据的分布最显著的特点是它的无序性和不规则性(即每个点云的分布是离散的)。在统计学中,标准差(Standard Deviation,简称SD)是用于量化一组数据值的变化或离散程度的度量。对于离散数据的处理,如果能够从标准差理论的角度出发,来进行点云数据分析和量化算法设计将会是一个较好的切入点,即:对点云数据集合,先计算该集合中数据的离散程度(计算出其标准差),之后再根据预设标准差个数设计量化算法。
S2,基于量化单元的长度和预设标准差个数,对所述三维特征描述子进行二进制量化,获取二进制量化后的三维特征描述子,所述量化单元包括所述三维特征描述子中若干个连续的元素;
本发明实施例中引入量化单元的长度和标准差的概念,量化单元的长度并不固定,可以根据实际三维特征描述子的特点进行选择,从而使得该二进制量化方法对每种三维特征描述子都适用;另外,引入标准差的概念,是结合点云数据离散性的特点,标准差表示离均差平方的算术平均数的平方根,可以反映一个数据集的离散程度,根据量化单元中元素与标准差的关系,来反映该元素的在该量化单元中的程度,从而进行二进制量化。
预设标准差个数是预先确定的,表示与某个量化单元中所有元素的平均值之间的距离,图2为正态分布中数据分布示意图,如图2所示,图中横坐标表示预设标准差个数,图中1表示预设标准差个数为1,当距离平均值1个标准差个数的情况下,在此数据中,数据所占比率为全部数值的68%;2表示预设标准差个数为2,当距离平均值2个标准差个数的情况下,在此数据中,两个标准差之内的数据所占比率为95%。因此,通过预设标准差个数来区分数据。
具体可以通过如下公式进行表示:
SDi=f(Di,L,n),
其中,Di表示所述三维特征描述子中第i个元素,L表示所述量化单元的长度,n表示所述预设标准差个数,SDi表示量化后的元素。
在对三维特征描述子进行二进制量化时,首先根据量化单元的长度,将三维特征描述子拆分为多个量化单元,并根据每个量化单元中元素的标准差,对每个量化单元中的元素进行量化,从而使得在量化过程中编码能够根据量化单元中数据的分布情况自适应调整,以解决量化过程中信息丢失的问题。
S3,将二进制量化后的三维特征描述子与预设模板库进行匹配,以对所述目标物体进行识别。
然后将二进制量化后的三维特征描述子与预设模板库进行匹配,根据匹配结果对目标物体进行识别。
本发明实施例提供一种基于二进制量化三维特征描述子的物体识别方法,从三维特征描述子的设计原理出发,分析三维特征描述子的特点,对三维特征描述子进行二进制量化,量化后的特征描述子性能超越现有算法,在物体识别精度和特征匹配效率两方面达到目前综合最优水平。
在上述实施例的基础上,优选地,所述基于量化单元的长度和预设标准差个数,获取二进制量化后的三维特征描述子,具体包括:
根据所述量化单元的长度,将所述三维特征描述子拆分为若干个量化单元;
具体地,根据量化单元的长度,将三维特征描述子拆分为多个量化单元,本发明实施例中将三维特征描述子拆分为多个量化单元,一个量化单元中包括多个连续的元素,通过将关联性较大的元素划分为一个量化单元,将关联性较小的元素划分到不同的量化单元,使得标准差能更准确的反映量化单元中元素的离散程度。
对于任一量化单元,获取所述任一量化单元中所有元素的平均值和标准差;
对于其中任意一个量化单元,该量化单元中包括多个元素,计算所有元素的平均值和标准差,公式如下:
其中,MEAN表示平均值,L表示量化单元的长度,即量化单元中元素的个数,Di表示第i个元素。
其中,σ表示标准差。
根据所述平均值、所述标准差和所述预设标准差个数,获取量化阈值;
接着根据获得的平均值、标准差和预设标准差个数,通过预设的运算公式,计算出量化阈值。
根据所述任一量化单元中每一元素与所述量化阈值之间的大小关系,对每一元素进行二进制量化;
根据该量化单元中每个元素和该量化阈值之间的大小关系,将该量化单元的每个元素量化成0或者1。
获取二进制量化后的三维特征描述子。
按照同样的流程对其它量化单元中的每个元素进行二进制量化,最后得到二进制量化后的三维特征描述子。
在上述实施例的基础上,优选地,所述根据所述平均值、所述标准差和所述预设标准差个数,获取量化阈值,具体包括:
根据所述标准差与所述预设标准差个数,获取中间阈值;
根据所述中间阈值和所述平均值,获取所述量化阈值。
具体地,本发明实施例中根据标准差和预设标准差个数,获取中间阈值,中间阈值可以是标准差和预设标准差个数之积,也可以是以此为基础进行的相关变形、但是不影响计算结果的其它运算算法。
然后根据中间阈值和平均值,得到量化阈值,量化阈值可以是中间阈值和平均值之和,也可以是以此为基础进行的相关变形、但是不影响计算结果的其它运算算法。
在上述实施例的基础上,优选地,所述根据所述平均值、所述标准差和所述预设标准差个数,获取量化阈值,具体通过如下公式获得:
th=mean+n×σ,
其中,th表示所述量化阈值,mean表示所述平均值,n表示所述预设标准差个数,σ表示所述标准差。
具体地,本发明实施例中根据上述公式计算出量化阈值,结合图2可以看出,该量化阈值可以反映量化单元中距离平均值一定距离范围下数据的分布情况。
在上述实施例的基础上,优选地,所述根据所述任一量化单元中每一元素与所述量化阈值之间的大小关系,对每一元素进行二进制量化,具体包括:
对于任一元素,若所述任一元素大于所述量化阈值,将所述任一元素的量化值设置为1,否则,将所述任一元素的量化值设置为0。
具体地,量化规则如下:
在上述实施例的基础上,优选地,所述量化单元的长度根据所述三维特征描述子的维度进行选择,以使得所述三维特征描述子进行整块拆分。
具体地,本发明实施例中,量化单元的长度根据三维特征描述子的维度进行选择,在选择时,使得三维特征描述子的整体维度是量化单元长度的整数倍,从而可以保证三维特征描述子进行整块的拆分。
图3为本发明一实施例提供的一种基于二进制量化三维特征描述子的物体识别方法的流程框图,如图3所示,该物体识别方法可以分为如下几个步骤:
第一步:分析目标特征描述子D{D0,D1,D2,…,Dm-1}的特性,并选择二进制量化单元的长度。
第二步:计算每个量化单元内Di的平均值和标准差。
第三步:选择预设标准差个数n,遍历三维特征描述子Di的每个实数值,根据规则函数将Di编码为SDi。
第四步:联结每个量化单元形成完整的二进制特征描述子。
经过二值量化后,特征描述子的实际值将转换为仅包含0和1的二进制值。
表1为本发明实施例提供的二进制量化后的三维特征描述子与其它三维特征描述子进行关键点匹配的平均耗时比较表,表2为本发明实施例提供的二进制量化后的三维特征描述子与其它三维特征描述子的内存占用率比较表,如表1和表2所示:
表1
表2
将本发明实施例的方法与近年来现有的简化方法,在相同的电脑配置、相同的实验设定、相同的数据集中对传统的SHOT特征描述子进行简化,采用相同的评价指标进行测试。实验结果表明,通过本发明实施例简化方法简化后的特征描述子“模型-场景”匹配时间效率最高,简化后时间减少率压缩到了原来的6.46%。内存占用率与B-SHOT一样效果最好,将内存压缩到简化前描述子的3.13%。
另外,与本发明实施例最相近的方法有采用格雷码量化的方法、采用切比雪夫不等式量化的方法。这两种方法的识别效率提高的一个重要原因是增加了编码的位数,而增加编码位数必然导致关键点匹配的速度变慢。本发明实施例不增加编码的位数,即每一维向量仅用1位二进制值编码。同时,量化的方法从数据的存储形式这一根本出发点设计,具有很好的理论支撑。
综上,本发明提出基于标准差的一种二进制量化后的三维特征描述子的物体识别方法,突破目前量化算法的瓶颈,使得物体识别正确率和关键点匹配效率综合最优。从点云数据的离散性这一根本特性出发,以标准差的值为基础来设计简化算法,实现特征描述子的二进制表征。
图4为本发明实施例提供的一种基于二进制量化三维特征描述子的物体识别系统的结果示意图,如图4所示,该系统包括:获取模块401、量化模块402和识别模块403,其中:
获取模块401用于获取目标物体的三维特征描述子;
量化模块402用于基于量化单元的长度和预设标准差个数,对所述三维特征描述子进行二进制量化,获取二进制量化后的三维特征描述子,所述量化单元包括所述三维特征描述子中若干个连续的元素;
识别模块403用于将二进制量化后的三维特征描述子与预设模板库进行匹配,以对所述目标物体进行识别。
本实施例为与上述方法相对应的系统实施例,详情请参考上述方法实施例,本系统实施例在此不再赘述。
图5为本发明实施例提供的一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行一种基于二进制量化三维特征描述子的物体识别方法,该方法包括:
获取目标物体的三维特征描述子;
基于量化单元的长度和预设标准差个数,对所述三维特征描述子进行二进制量化,获取二进制量化后的三维特征描述子,所述量化单元包括所述三维特征描述子中若干个连续的元素;
将二进制量化后的三维特征描述子与预设模板库进行匹配,以对所述目标物体进行识别。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元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,本发明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)执行本发明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。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的一种基于二进制量化三维特征描述子的物体识别方法,该方法包括:
获取目标物体的三维特征描述子;
基于量化单元的长度和预设标准差个数,对所述三维特征描述子进行二进制量化,获取二进制量化后的三维特征描述子,所述量化单元包括所述三维特征描述子中若干个连续的元素;
将二进制量化后的三维特征描述子与预设模板库进行匹配,以对所述目标物体进行识别。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的一种基于二进制量化三维特征描述子的物体识别方法,该方法包括:
获取目标物体的三维特征描述子;
基于量化单元的长度和预设标准差个数,对所述三维特征描述子进行二进制量化,获取二进制量化后的三维特征描述子,所述量化单元包括所述三维特征描述子中若干个连续的元素;
将二进制量化后的三维特征描述子与预设模板库进行匹配,以对所述目标物体进行识别。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于二进制量化三维特征描述子的物体识别方法,其特征在于,包括:
获取目标物体的三维特征描述子;
基于量化单元的长度和预设标准差个数,对所述三维特征描述子进行二进制量化,获取二进制量化后的三维特征描述子,所述量化单元包括所述三维特征描述子中若干个连续的元素;
将二进制量化后的三维特征描述子与预设模板库进行匹配,以对所述目标物体进行识别;
所述基于量化单元的长度和预设标准差个数,获取二进制量化后的三维特征描述子,具体包括:
根据所述量化单元的长度,将所述三维特征描述子拆分为若干个量化单元;
对于任一量化单元,获取所述任一量化单元中所有元素的平均值和标准差;
根据所述平均值、所述标准差和所述预设标准差个数,获取量化阈值;
根据所述任一量化单元中每一元素与所述量化阈值之间的大小关系,对每一元素进行二进制量化;
获取二进制量化后的三维特征描述子;
所述根据所述平均值、所述标准差和所述预设标准差个数,获取量化阈值,具体通过如下公式获得:
th=mean+n×σ,
其中,th表示所述量化阈值,mean表示所述平均值,n表示所述预设标准差个数,σ表示所述标准差。
2.根据权利要求1所述的基于二进制量化三维特征描述子的物体识别方法,其特征在于,所述根据所述平均值、所述标准差和所述预设标准差个数,获取量化阈值,具体包括:
根据所述标准差与所述预设标准差个数,获取中间阈值;
根据所述中间阈值和所述平均值,获取所述量化阈值。
3.根据权利要求1所述的基于二进制量化三维特征描述子的物体识别方法,其特征在于,所述根据所述任一量化单元中每一元素与所述量化阈值之间的大小关系,对每一元素进行二进制量化,具体包括:
对于任一元素,若所述任一元素大于所述量化阈值,将所述任一元素的量化值设置为1,否则,将所述任一元素的量化值设置为0。
4.根据权利要求1所述的基于二进制量化三维特征描述子的物体识别方法,其特征在于,所述量化单元的长度根据所述三维特征描述子的维度进行选择,以使得所述三维特征描述子进行整块拆分。
5.一种基于二进制量化三维特征描述子的物体识别系统,其特征在于,包括:
获取模块,用于获取目标物体的三维特征描述子;
量化模块,用于基于量化单元的长度和预设标准差个数,对所述三维特征描述子进行二进制量化,获取二进制量化后的三维特征描述子,所述量化单元包括所述三维特征描述子中若干个连续的元素;
识别模块,用于将二进制量化后的三维特征描述子与预设模板库进行匹配,以对所述目标物体进行识别;
所述基于量化单元的长度和预设标准差个数,获取二进制量化后的三维特征描述子,具体包括:
根据所述量化单元的长度,将所述三维特征描述子拆分为若干个量化单元;
对于任一量化单元,获取所述任一量化单元中所有元素的平均值和标准差;
根据所述平均值、所述标准差和所述预设标准差个数,获取量化阈值;
根据所述任一量化单元中每一元素与所述量化阈值之间的大小关系,对每一元素进行二进制量化;
获取二进制量化后的三维特征描述子;
所述根据所述平均值、所述标准差和所述预设标准差个数,获取量化阈值,具体通过如下公式获得:
th=mean+n×σ,
其中,th表示所述量化阈值,mean表示所述平均值,n表示所述预设标准差个数,σ表示所述标准差。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述基于二进制量化三维特征描述子的物体识别方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述基于二进制量化三维特征描述子的物体识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681630.5A CN111898493B (zh) | 2020-07-15 | 2020-07-15 | 基于二进制量化三维特征描述子的物体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681630.5A CN111898493B (zh) | 2020-07-15 | 2020-07-15 | 基于二进制量化三维特征描述子的物体识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898493A CN111898493A (zh) | 2020-11-06 |
CN111898493B true CN111898493B (zh) | 2022-04-29 |
Family
ID=73192808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010681630.5A Active CN111898493B (zh) | 2020-07-15 | 2020-07-15 | 基于二进制量化三维特征描述子的物体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898493B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115622571B (zh) * | 2022-12-16 | 2023-03-10 | 电子科技大学 | 一种基于数据处理的雷达目标识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530377A (zh) * | 2013-10-16 | 2014-01-22 | 北京理工大学 | 一种基于二进制特征码的场景信息搜索方法 |
CN108133191A (zh) * | 2017-12-25 | 2018-06-08 | 燕山大学 | 一种适用于室内环境的实时物体识别方法 |
CN109493392A (zh) * | 2017-09-11 | 2019-03-19 | 武汉科技大学 | Db-shot二进制特征描述符 |
CN110942515A (zh) * | 2019-11-26 | 2020-03-31 | 北京迈格威科技有限公司 | 基于点云的目标物体三维计算机建模方法和目标识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9697233B2 (en) * | 2014-08-12 | 2017-07-04 | Paypal, Inc. | Image processing and matching |
-
2020
- 2020-07-15 CN CN202010681630.5A patent/CN111898493B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530377A (zh) * | 2013-10-16 | 2014-01-22 | 北京理工大学 | 一种基于二进制特征码的场景信息搜索方法 |
CN109493392A (zh) * | 2017-09-11 | 2019-03-19 | 武汉科技大学 | Db-shot二进制特征描述符 |
CN108133191A (zh) * | 2017-12-25 | 2018-06-08 | 燕山大学 | 一种适用于室内环境的实时物体识别方法 |
CN110942515A (zh) * | 2019-11-26 | 2020-03-31 | 北京迈格威科技有限公司 | 基于点云的目标物体三维计算机建模方法和目标识别方法 |
Non-Patent Citations (2)
Title |
---|
LoVPE 3维局部特征描述子;陈全等;《中国图象图形学报》;20180916(第09期);全文 * |
基于RGB-D图像核描述子的物体识别方法;骆健等;《计算机应用》;20170110(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111898493A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488985B (zh) | 深度神经网络模型压缩训练方法、装置、设备、介质 | |
CN109002889B (zh) | 自适应迭代式卷积神经网络模型压缩方法 | |
CN111368133B (zh) | 一种视频库的索引表建立方法、装置、服务器及存储介质 | |
US20170026665A1 (en) | Method and device for compressing local feature descriptor, and storage medium | |
CN110175641B (zh) | 图像识别方法、装置、设备和存储介质 | |
TWI740726B (zh) | 卷積神經網路的排序方法、運算方法及裝置 | |
CN102236675A (zh) | 图像特征点匹配对处理、图像检索方法及设备 | |
CN104881449B (zh) | 基于流形学习数据压缩哈希的图像检索方法 | |
CN114245896A (zh) | 向量查询方法、装置、电子设备及存储介质 | |
EP4307663A1 (en) | Decoding method/encoding method based on point cloud attribute prediction, decoder, and encoder | |
CN113947136A (zh) | 图像压缩和分类方法、装置及电子设备 | |
US20240202982A1 (en) | 3d point cloud encoding and decoding method, compression method and device based on graph dictionary learning | |
CN113656373A (zh) | 构建检索数据库的方法、装置、设备以及存储介质 | |
US11531695B2 (en) | Multiscale quantization for fast similarity search | |
CN111898493B (zh) | 基于二进制量化三维特征描述子的物体识别方法 | |
CN114332500A (zh) | 图像处理模型训练方法、装置、计算机设备和存储介质 | |
CN113674425B (zh) | 点云采样方法、装置、设备及计算机可读存储介质 | |
CN112652070B (zh) | 三维模型的减面方法、装置、设备及介质 | |
US7437003B1 (en) | System and method for handling electronic ink | |
WO2020168526A1 (zh) | 图像编码方法、设备及计算机可读存储介质 | |
CN110910463B (zh) | 全视角点云数据定长有序化编码方法、设备及存储介质 | |
Krupiński et al. | Binarization of degraded document images with generalized Gaussian distribution | |
CN105389592A (zh) | 一种图像识别方法和装置 | |
CN112200275B (zh) | 人工神经网络的量化方法及装置 | |
CN114139678A (zh) | 卷积神经网络量化方法、装置、电子设备和存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230922 Address after: 230088 Room 309, building 4, software park, No. 14, Tiantong Road, high tech Zone, Hefei, Anhui Province Patentee after: Anhui HENGWEI Information Technology Co.,Ltd. Address before: 430081 Wuhan University of science and technology, 947 Heping Avenue, Qingshan District, Wuhan City, Hubei Province Patentee before: WUHAN University OF SCIENCE AND TECHNOLOGY |