CN111898589A - 一种基于gpu+特征识别的无人机影像快速配准方法 - Google Patents
一种基于gpu+特征识别的无人机影像快速配准方法 Download PDFInfo
- Publication number
- CN111898589A CN111898589A CN202010870361.7A CN202010870361A CN111898589A CN 111898589 A CN111898589 A CN 111898589A CN 202010870361 A CN202010870361 A CN 202010870361A CN 111898589 A CN111898589 A CN 111898589A
- Authority
- CN
- China
- Prior art keywords
- feature
- point
- matching
- gpu
- points
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite 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
- 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
Abstract
本发明提出一种基于GPU+特征识别的无人机影像快速配准方法,包括如下步骤:步骤1、实时接受无人机航拍采集的影像数据;步骤2、对相邻的影像使用GPU加速的KAZE算法,在GPU中完成特征点的提取、特征点描述符计算、特征匹配过程;步骤3、步骤对相邻影像提取出来的特征点使用GPU加速特征点匹配,匹配方法采用基于最近邻和次近邻距离比值的方法进行特征匹配;步骤4、使用PROSAC算法,选取前n个匹配质量较高的点,作为优质匹配点对;步骤5、根据两幅影像保存的优质匹配点,使用GPU加速特征点匹配;步骤6、采用PROSAC算法估计影像单应矩阵,步骤7、根据影像之间的单应矩阵,实现影像快速配准。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种基于GPU+特征识别的无人机影像快速配准方法。
背景技术
我国自然灾害频发,采用常规的航天摄影测量手段周期长、费用高,无法及时有效地满足应急测绘、小面积高分辨率地理信息数据更新的要求,而轻小型无人机系统作为传统航空摄影测量手段的有力补充,通过无人机搭载的相机获取航摄影像,既可以对获取的数据进行实时查看,获取研究区实时情况,又可以同时对接收的影像同步进行快速的影像配准,广泛应用于环境监测、监督执法、边境安全控制、农田作物监测、日标检测、施工现场评估和灾害应急管理等领域,由于航拍图像存在数据量大、数据处理时间长及作业强度高等问题,如何高效的实现无人机航拍序列图像的配准已经成为了一个热点研究问题
为了得到大视场、高分辨率、高清晰度的无人机影像,需要将多幅小视场的序列图像进行配准融合。目前应用最广泛的图像配准方法为基于尺度不变换特征(s ift)。王书民等人对航拍序列图像配准前后进行批量预处理,然后基于SIFT特征点航拍序列图像的快速配准,实现航拍图像的自动化配准;王玉环通过预设影像重叠区域,重叠区域内实现特征点提取、配准后续操作;何宾等提出一种基于子图像块的F-SIFT算法,提高了系统运算速度和和实时性;文颖等提出来一种无人机影像降采样方式,先进行所有图像缩小分辨率,在实现快速配准。
目前应用最广泛的图像配准方法为基于尺度不变换特征(sift)及其改进方法。该方法对图像旋转、缩放、尺度变换及光照差异等都具有很强的鲁棒性,但也存在原理复杂、计算量大、耗时长等缺点。现有的无人机影像配准方法运算效率较低,耗费大量时间,无法满足实时性的要求,或者丢失大量影像细节信息,不利于后续的实际应用。现有技术中的配准方法都或多或少的存在配准效果不理想、配准效率低的缺点。鉴于此,如何提供一种稳定性和配准效果好、配准效率高的无人机航拍序列图像快速配准方法是本领域技术人员需要解决的技术问题。
发明内容
鉴于SIFT及其改进算法存在计算效率较慢的情况,为了解决上述技术问题,本发明使用更高计算效率的KAZE算法,分别对临近影像使用GPU加速的KAZE算法进行特征点提取,随后对提取出的特征点使用GPU加速特征点匹配过程,在使用PROSAC算法对特征匹配点进行质量排序,挑选出优质匹配点对,再对PROSAC保留的优质匹配点集使用GPU进行特征点匹配,最后在使用PROSAC算法估算最优匹配模型。本发明的技术方案如下:一种基于GPU+特征识别的无人机影像快速配准方法,包括如下步骤:
步骤1、实时接受无人机航拍采集的影像数据;
步骤2、对相邻的影像使用GPU加速的KAZE算法,在GPU中完成特征点的提取、特征点描述符计算、特征匹配过程,所述GPU启动足够多的线程,每个线程完成简单的计算任务;
步骤3、对相邻影像提取出来的特征点使用GPU加速特征点匹配,匹配方法采用基于最近邻和次近邻距离比值的方法进行特征匹配,具体包括:在匹配的过程中,设I1,I2为两幅输入图像,ti为图像I1上第i个特征点,在图像I2中寻找与该特征点之间距离最近的特征点t0和次近距离的特征点t1,分别计算其欧氏距离平方和d1,d2,当最近距离和次近距离的比值小于0.6时认为是正确匹配的特征点,即d1≤0.6*d2,否则认为是错误匹配的特征点,遍历图像I1中所有特征点,找出I2中所有匹配的特征点;
步骤4、使用PROSAC算法,对特征点对依据匹配质量,从高到低排序匹配点对,选取前n个匹配点对,作为优质匹配点对;
步骤5、根据两幅影像保存的优质匹配点对,使用GPU加速特征点匹配,匹配方法采用基于最近邻和次近邻距离比值的方法进行特征匹配;
步骤6、采用PROSAC算法估计影像单应矩阵,具体包括:
(6.1)设置迭代次数N;
(6.2)在迭代次数范围内,再依据匹配质量,从高到低排序匹配点对,选取前n个匹配质量较高的点,再从n个高质量的点中随机挑选4对特征匹配点对用于算出单应矩阵模型和计算对应模型误差,若模型误差小于内点误差阈值,则将此点判定为内点;
(6.3)判定当前内点数量:若当前内点数量大于设定数量阈值,则返回该内点点集,若不符合,则使迭代次数加一,重复运行上一步骤(6.2);最终选出内点数最多的变换矩阵即为单应矩阵;
步骤7、根据影像之间的单应矩阵,实现影像快速配准。
进一步的,所述步骤2具体包括:
(2.1)将输入的遥感影像从主机存储器传输到GPU显示存储器;
(2.2)在GPU中,构建非线性尺度空间:
尺度空间通过将原始图像进行平滑,从而得到多尺度下的图像结构,图像结构取决于尺度参数,通过指数步长的系列组合来离散化尺度空间的,包括M个组,S个层,各个层之间的尺度关系如下公式(1)所示:
其中m∈[0,M-1],s∈[0,S-1],i∈[0,N],其中σ0是基本尺度,M表示组序号,S表示所在组的层序号,N表示总的层数;
(2.3)使用GPU加速特征点快速检测,单个特征点检测方式如下:
尺度空间构造完毕开始检测极值点,首先将不同尺度归一化,然后计算Hessian局部极大值点,具体计算公式如公式(2)所示:
LHessian=σ2(LxxLyy-L2 xy) (2)
其中Lxx、Lyy、Lxy分别表示x方向2阶导数,y方向2阶导数,xy方向混合导数,σ是尺度参数,设定σ为3,则比较的范围是个3×3×3的立方体,当前检测点需要和26个点比较,包括它同尺度的8个相邻点,以及上下相邻尺度对应的18个点,确保在尺度域和图像域都能检测到极值点,比较得出局部极大值判定该点就是KAZE特征关键点;
(2.4)对每个特征点均调用一次GPU函数计算特征点主方向,单个特征点主方向计算如下:
为了实现图像旋转不变性,需要根据特征点的局部图像结构来确定其主方向,即若特征点的尺度参数为σi,则搜索半径设为6σi;对搜索圈内所有邻点的一阶微分值Lx和Ly通过高斯加权,使得靠近特征点的响应贡献大,而远离特征点的响应贡献小;将这些微分值视作向量空间中的点集,在一个角度为60°的扇形滑动窗口内对点集进行向量叠加,遍历整个圆形区域,获得最长向量的角度就是主方向;
(2.5)对每个特征点均调用一次GPU函数计算特征描述符,单个特征描述符计算方式如下:
KAZE算法是使用M-SURF方法来描述特征点,对于尺度参数为σi的特征点,在梯度图像上以特征点为中心取一个24σi×24σi的窗口,并将窗口划分为4×4个子区域,每个子区域大小为9σi×9σi,相邻的子区域有宽度为2σi的交叠带。每个子区域都用一个高斯核进行加权,高斯核σ1=2.5σi,然后计算出长度为4的子区域描述向量,如公式(3)所示:
dv=(∑Lx,∑Ly,∑|Lx|,∑|Ly|) (3)
再通过另一个大小为4×4的高斯窗口对每个子区域的向量dv进行加权,所述4×4的高斯窗口σ2=1.5σi,最后进行归一化处理,得到了4×4×4=64维的描述向量;
(2.6)将经过上述步骤处理后的数据从GPU下载到CPU主机内存。
有益效果
本发明采用GPU加速的KAZE特征点提取及匹配的方法,能大幅度提高运算速度,并且本发明第一次采取的PROSAC算法能事先剔除大量质量不好的匹配点对,在质量较好的匹配点中第二次采用PROSAC算法进行模型变换,能进一步提高影像配准的效率,最终实现精度和速度的双重提高。
附图说明
图1:本发明的一种基于KAZE的无人机影像快速配准方法流程图。
具体实施方式
下面将结合附图,对本发明的技术方案进行详细说明。
如图1所示,为本发明的方法流程图。本发明提出一种基于KAZE的无人机影像快速配准方法,因此本发明首先使用GPU加速的KAZE算法对实验影像进行特征点提取,随后对提取出的特征点使用GPU加速特征点匹配,在使用PROSAC算法对特征匹配点进行质量排序,挑选出优质匹配点对,在对PROSAC保留的优质匹配点集使用GPU加速特征点匹配,最后使用PROSAC计算影像变换模型,实现影像快速配准。该方法采用GPU加速的KAZE特征点提取及匹配的过程,能大幅度提高运算速度,并且本发明第一次采取的PROSAC算法能事先剔除大量质量不好的匹配点对,在质量较好的匹配点中进行模型变换,能进一步提高影像配准的效率,最终实现精度和速度的双重提高。本发明所述一种基于KAZE的无人机影像快速配准方法包括如下步骤:
步骤1.实时接受无人机航拍采集的影像数据;
步骤2.对相邻的影像使用GPU加速的KAZE算法进行特征提取,针对无人机遥感影像分辨率高的特点,传统的KAZE算法只在CPU中完成特征点的提取和特征点的描述,计算量大,处理速度不能满足实时性要求。因此,基于GPU并行加速改进的KAZE算法可以在GPU中完成特征点的提取、特征点描述符计算、特征匹配过程。GPU可以启动足够多的线程,每个线程完成简单的计算任务,有效地提高无人机遥感影像配准的效率:
①将输入的遥感影像从主机存储器传输到GPU显示存储器;
②在GPU中,构建非线性尺度空间:
尺度空间是在计算机视觉理论里面发展出来的的一个用来表示多尺度信号的理论。它通过将原始图像进行平滑,从而得到多尺度下的图像结构,图像结构取决于尺度参数。通过指数步长的系列组合(M个组,S个层)来离散化尺度空间的,各个层之间的尺度关系如下公式(1)所示:
其中m∈[0,M-1],s∈[0,S-1],i∈[0,N],其中σ0是基本尺度,M表示组序号,S表示所在组的层序号,N表示总的层数。
③使用GPU加速特征点快速检测,鉴于特征点的检测存在大量重复的步骤,启动足够多的线程,每个线程完成一个特征点的检测,能有效提高数据处理的效率,单个特征点检测方式如下:
尺度空间构造完毕开始检测极值点,首先将不同尺度归一化,然后计算Hessian局部极大值点。具体计算公式如公式(2)所示:
LHessian=σ2(LxxLyy-L2 xy) (2)
其中Lxx、Lyy、Lxy分别表示x方向2阶导数,y方向2阶导数,xy方向混合导数,σ是尺度参数,我们设定σ为3,则比较的范围是个3×3×3的立方体。当前检测点需要和26个点比较,包括它同尺度的8个相邻点,以及上下相邻尺度对应的18个点,这样可以确保在尺度域和图像域都能检测到极值点,比较得出局部极大值判定该点就是KAZE特征关键点。
④对每个特征点均调用一次GPU函数计算特征点主方向,单个特征点主方向计算如下:
为了实现图像旋转不变性,需要根据特征点的局部图像结构来确定其主方向,即若特征点的尺度参数为σi,则搜索半径设为6σi。对搜索圈内所有邻点的一阶微分值Lx和Ly通过高斯加权,使得靠近特征点的响应贡献大,而远离特征点的响应贡献小;将这些微分值视作向量空间中的点集,在一个角度为60°的扇形滑动窗口内对点集进行向量叠加,遍历整个圆形区域,获得最长向量的角度就是主方向。
⑤对每个特征点均调用一次GPU函数计算特征描述符,单个特征描述符计算方式如下:
KAZE算法是使用M-SURF方法来描述特征点,对于尺度参数为σi的特征点,在梯度图像上以特征点为中心取一个24σi×24σi的窗口,并将窗口划分为4×4个子区域,每个子区域大小为9σi×9σi,相邻的子区域有宽度为2σi的交叠带。每个子区域都用一个高斯核(σ1=2.5σi)进行加权,然后计算出长度为4的子区域描述向量,如公式(3)所示:
dv=(∑Lx,∑Ly,∑|Lx|,∑|Ly|) (3)
再通过另一个大小为4×4的高斯窗口(σ2=1.5σi)对每个子区域的向量dv进行加权,最后进行归一化处理,就得到了4×4×4=64维的描述向量。
⑥将经过上述步骤处理后的数据从GPU下载到CPU主机内存。
步骤3.对相邻影像提取出来的特征点使用GPU加速特征点匹配,匹配方法采用基于最近邻和次近邻距离比值的方法进行特征匹配,具体包括:在匹配的过程中,设I1,I2为两幅输入图像,ti为图像I1上第i个特征点,在图像I2中寻找与该特征点之间距离最近的特征点t0和次近距离的特征点t1,分别计算其欧氏距离平方和d1,d2,当最近距离和次近距离的比值小于0.6时认为是正确匹配的特征点,即d1≤0.6*d2,否则认为是错误匹配的特征点,遍历图像I1中所有特征点,找出I2中所有匹配的特征点
步骤4.使用PROSAC算法,对特征匹配点对依据匹配质量,从高到低排序特征点对,选取前n个匹配质量较高的点,作为优质匹配点对
步骤5.根据两幅影像保存的优质匹配点,使用GPU加速特征点匹配,匹配方法采用基于最近邻和次近邻距离比值的方法进行特征匹配,同步骤3
步骤6.采用PROSAC算法估计影像单应矩阵,具体包括:
(1)设置迭代次数N;
(2)在迭代次数范围内,在依据匹配质量,从高到低排序特征点对,选取前n个匹配质量较高的点,在从n个高质量的点中随机挑选4对匹配点对用于算出单应矩阵模型和计算对应模型误差,若模型误差小于内点误差阈值,则将此点判定为内点:
(3)判定当前内点数量:若当前内点数量大于设定数量阈值,则返回该内点点集,若不符合,则使迭代次数加一,重复运行上一步。最终选出内点数最多的变换矩阵即为单应矩阵。
步骤7.根据影像之间的单应矩阵,实现影像快速配准。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,且应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于GPU+特征识别的无人机影像快速配准方法,其特征在于包括如下步骤:
步骤1、实时接受无人机航拍采集的影像数据;
步骤2、对相邻的影像使用GPU加速的KAZE算法,在GPU中完成特征点的提取、特征点描述符计算、特征匹配过程,所述GPU启动足够多的线程,每个线程完成简单的计算任务;
步骤3、对相邻影像提取出来的特征点使用GPU加速特征点匹配,匹配方法采用基于最近邻和次近邻距离比值的方法进行特征匹配,具体包括:在匹配的过程中,设I1,I2为两幅输入图像,ti为图像I1上第i个特征点,在图像I2中寻找与该特征点之间距离最近的特征点t0和次近距离的特征点t1,分别计算其欧氏距离平方和d1,d2,当最近距离和次近距离的比值小于0.6时认为是正确匹配的特征点,即d1≤0.6*d2,否则认为是错误匹配的特征点,遍历图像I1中所有特征点,找出I2中所有匹配的特征点;
步骤4、使用PROSAC算法,对特征点对依据匹配质量,从高到低排序匹配点对,选取前n个匹配点对,作为优质匹配点对;
步骤5、根据两幅影像保存的优质匹配点对,使用GPU加速特征点匹配,匹配方法采用基于最近邻和次近邻距离比值的方法进行特征匹配;
步骤6、采用PROSAC算法估计影像单应矩阵,具体包括:
(6.1)设置迭代次数N;
(6.2)在迭代次数范围内,再依据匹配质量,从高到低排序匹配点对,选取前n个匹配质量较高的点,再从n个高质量的点中随机挑选4对特征匹配点对用于算出单应矩阵模型和计算对应模型误差,若模型误差小于内点误差阈值,则将此点判定为内点;
(6.3)判定当前内点数量:若当前内点数量大于设定数量阈值,则返回该内点点集,若不符合,则使迭代次数加一,重复运行上一步步骤(6.2);最终,选出内点数最多的变换矩阵即为单应矩阵;
步骤7、根据影像之间的单应矩阵,实现影像快速配准。
2.根据权利要求1所述的一种基于GPU+特征识别的无人机影像快速配准方法,其特征在于,所述步骤2具体包括:
(2.1)将输入的遥感影像从主机存储器传输到GPU显示存储器;
(2.2)在GPU中,构建非线性尺度空间:
尺度空间通过将原始图像进行平滑,从而得到多尺度下的图像结构,图像结构取决于尺度参数,通过指数步长的系列组合来离散化尺度空间的,包括M个组,S个层,各个层之间的尺度关系如下公式(1)所示:
其中m∈[0,M-1],s∈[0,S-1],i∈[0,N],其中σ0是基本尺度,M表示组序号,S表示所在组的层序号,N表示总的层数;
(2.3)使用GPU加速特征点快速检测,单个特征点检测方式如下:
尺度空间构造完毕开始检测极值点,首先将不同尺度归一化,然后计算Hessian局部极大值点,具体计算公式如公式(2)所示:
LHessian=σ2(LxxLyy-L2 xy) (2)
其中Lxx、Lyy、Lxy分别表示x方向2阶导数,y方向2阶导数,xy方向混合导数,σ是尺度参数,设定σ为3,则比较的范围是个3×3×3的立方体,当前检测点需要和26个点比较,包括它同尺度的8个相邻点,以及上下相邻尺度对应的18个点,确保在尺度域和图像域都能检测到极值点,比较得出局部极大值判定该点就是KAZE特征关键点;
(2.4)对每个特征点均调用一次GPU函数计算特征点主方向,单个特征点主方向计算如下:
为了实现图像旋转不变性,需要根据特征点的局部图像结构来确定其主方向,即若特征点的尺度参数为σi,则搜索半径设为6σi;对搜索圈内所有邻点的一阶微分值Lx和Ly通过高斯加权,使得靠近特征点的响应贡献大,而远离特征点的响应贡献小;将这些微分值视作向量空间中的点集,在一个角度为60°的扇形滑动窗口内对点集进行向量叠加,遍历整个圆形区域,获得最长向量的角度就是主方向;
(2.5)对每个特征点均调用一次GPU函数计算特征描述符;
(2.6)将经过上述步骤处理后的数据从GPU下载到CPU主机内存。
3.根据权利要求2所述的一种基于GPU+特征识别的无人机影像快速配准方法,其特征在于,所述步骤2.5单个特征描述符计算方式如下:
KAZE算法是使用M-SURF方法来描述特征点,对于尺度参数为σi的特征点,在梯度图像上以特征点为中心取一个24σi×24σi的窗口,并将窗口划分为4×4个子区域,每个子区域大小为9σi×9σi,相邻的子区域有宽度为2σi的交叠带;每个子区域都用一个高斯核进行加权,高斯核σ1=2.5σi,然后计算出长度为4的子区域描述向量,如公式(3)所示:
dv=(∑Lx,∑Ly,∑|Lx|,∑|Ly|) (3)
再通过另一个大小为4×4的高斯窗口对每个子区域的向量dv进行加权,所述4×4的高斯窗口σ2=1.5σi,最后进行归一化处理,得到4×4×4=64维的描述向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010870361.7A CN111898589B (zh) | 2020-08-26 | 2020-08-26 | 一种基于gpu+特征识别的无人机影像快速配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010870361.7A CN111898589B (zh) | 2020-08-26 | 2020-08-26 | 一种基于gpu+特征识别的无人机影像快速配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898589A true CN111898589A (zh) | 2020-11-06 |
CN111898589B CN111898589B (zh) | 2023-11-14 |
Family
ID=73224231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010870361.7A Active CN111898589B (zh) | 2020-08-26 | 2020-08-26 | 一种基于gpu+特征识别的无人机影像快速配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898589B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033578A (zh) * | 2021-03-30 | 2021-06-25 | 上海星定方信息科技有限公司 | 基于多尺度特征匹配的图像校准方法、系统、终端及介质 |
CN113112531A (zh) * | 2021-04-02 | 2021-07-13 | 广州图匠数据科技有限公司 | 一种图像匹配方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750696A (zh) * | 2012-06-06 | 2012-10-24 | 南京大学 | 一种基于仿射不变特征与海岸线约束的海岸带遥感影像自动配准方法 |
CN103345382A (zh) * | 2013-07-15 | 2013-10-09 | 郑州师范学院 | 一种cpu+gpu群核超算系统及sift特征匹配并行计算方法 |
CN105069743A (zh) * | 2015-07-28 | 2015-11-18 | 中国科学院长春光学精密机械与物理研究所 | 探测器拼接实时图像配准的方法 |
CN105245841A (zh) * | 2015-10-08 | 2016-01-13 | 北京工业大学 | 一种基于cuda的全景视频监控系统 |
CN107301618A (zh) * | 2017-06-21 | 2017-10-27 | 华中科技大学 | 基于gpu并行加速的基础矩阵和单应矩阵估计方法和系统 |
CN109101995A (zh) * | 2018-07-06 | 2018-12-28 | 航天星图科技(北京)有限公司 | 一种基于融合局部特征的快速无人机图像匹配方法 |
CN110097585A (zh) * | 2019-04-29 | 2019-08-06 | 中国水利水电科学研究院 | 一种基于sift算法的sar影像匹配方法及系统 |
CN111024078A (zh) * | 2019-11-05 | 2020-04-17 | 广东工业大学 | 基于gpu加速的无人机视觉slam方法 |
-
2020
- 2020-08-26 CN CN202010870361.7A patent/CN111898589B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750696A (zh) * | 2012-06-06 | 2012-10-24 | 南京大学 | 一种基于仿射不变特征与海岸线约束的海岸带遥感影像自动配准方法 |
CN103345382A (zh) * | 2013-07-15 | 2013-10-09 | 郑州师范学院 | 一种cpu+gpu群核超算系统及sift特征匹配并行计算方法 |
CN105069743A (zh) * | 2015-07-28 | 2015-11-18 | 中国科学院长春光学精密机械与物理研究所 | 探测器拼接实时图像配准的方法 |
CN105245841A (zh) * | 2015-10-08 | 2016-01-13 | 北京工业大学 | 一种基于cuda的全景视频监控系统 |
CN107301618A (zh) * | 2017-06-21 | 2017-10-27 | 华中科技大学 | 基于gpu并行加速的基础矩阵和单应矩阵估计方法和系统 |
CN109101995A (zh) * | 2018-07-06 | 2018-12-28 | 航天星图科技(北京)有限公司 | 一种基于融合局部特征的快速无人机图像匹配方法 |
CN110097585A (zh) * | 2019-04-29 | 2019-08-06 | 中国水利水电科学研究院 | 一种基于sift算法的sar影像匹配方法及系统 |
CN111024078A (zh) * | 2019-11-05 | 2020-04-17 | 广东工业大学 | 基于gpu加速的无人机视觉slam方法 |
Non-Patent Citations (5)
Title |
---|
TENG-YI HUANG 等: "Accelerating image registration of MRI by GPU-based parallel computation", 《MAGNETIC RESONANCE IMAGING》, pages 712 - 716 * |
TIANJIE LEI 等: "Research on Improved Image Registration Algorithm Based on PROSAC Algorithm", 《PROCEEDINGS OF ELEVENTH INTERNATIONAL CONFERENCE ON DIGITAL IMAGE PROCESSING(ICD;IP 2019)》, pages 1 - 7 * |
张岩 等: "基于特征的遥感图像匹配技术研究", 《无线电工程》, pages 61 - 64 * |
徐瑞瑞 等: "一种改进SURF算法的无人机影像快速配准方法", 《水利水电技术(中英文)》, pages 22 - 31 * |
雷添杰 等: "基于改进SIFT算法的无人机遥感影像快速拼接", 《华中师范大学学报(自然科学版)》, pages 302 - 309 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033578A (zh) * | 2021-03-30 | 2021-06-25 | 上海星定方信息科技有限公司 | 基于多尺度特征匹配的图像校准方法、系统、终端及介质 |
CN113112531A (zh) * | 2021-04-02 | 2021-07-13 | 广州图匠数据科技有限公司 | 一种图像匹配方法及装置 |
CN113112531B (zh) * | 2021-04-02 | 2024-05-07 | 广州图匠数据科技有限公司 | 一种图像匹配方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111898589B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Fast aircraft detection in satellite images based on convolutional neural networks | |
Yin et al. | Hot region selection based on selective search and modified fuzzy C-means in remote sensing images | |
CN107067415B (zh) | 一种基于图像匹配的目标定位方法 | |
CN104793620B (zh) | 基于视觉特征捆绑和强化学习理论的避障机器人 | |
CN104766084B (zh) | 一种多目标匹配的近复制图像检测方法 | |
CN106683046B (zh) | 用于警用无人机侦察取证的图像实时拼接方法 | |
CN110020651A (zh) | 基于深度学习网络的车牌检测定位方法 | |
CN106683119B (zh) | 基于航拍视频图像的运动车辆检测方法 | |
Jiang et al. | Deep neural networks-based vehicle detection in satellite images | |
CN109871823B (zh) | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 | |
CN103729654A (zh) | 基于改进sift算法的图像匹配检索系统 | |
Hoang et al. | Enhanced detection and recognition of road markings based on adaptive region of interest and deep learning | |
CN108537121B (zh) | 气象环境参数与图像信息融合的自适应遥感场景分类方法 | |
CN109858438B (zh) | 一种基于模型拟合的车道线检测方法 | |
CN104182973A (zh) | 基于圆形描述算子csift的图像复制粘贴检测方法 | |
Chen et al. | Dr-tanet: Dynamic receptive temporal attention network for street scene change detection | |
CN111898589A (zh) | 一种基于gpu+特征识别的无人机影像快速配准方法 | |
Juan et al. | A scene matching algorithm based on surf feature | |
CN108537832B (zh) | 基于局部不变灰度特征的图像配准方法、图像处理系统 | |
CN110246165B (zh) | 提高可见光图像与sar图像配准速度的方法及系统 | |
CN109767442B (zh) | 一种基于旋转不变特征的遥感图像飞机目标检测方法 | |
CN111199558A (zh) | 一种基于深度学习的图像匹配方法 | |
CN114821358A (zh) | 光学遥感图像海上舰船目标提取与识别方法 | |
CN114332644A (zh) | 一种基于视频卫星数据的大视场交通密度获取方法 | |
CN104463896B (zh) | 基于核相似区分布特性的图像角点检测方法及系统 |
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 |