CN111968243A - 一种ar图像生成方法、系统、设备以及存储介质 - Google Patents
一种ar图像生成方法、系统、设备以及存储介质 Download PDFInfo
- Publication number
- CN111968243A CN111968243A CN202010597955.5A CN202010597955A CN111968243A CN 111968243 A CN111968243 A CN 111968243A CN 202010597955 A CN202010597955 A CN 202010597955A CN 111968243 A CN111968243 A CN 111968243A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- characteristic
- target images
- image generation
- 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 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 239000002131 composite material Substances 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种AR图像生成方法、系统、设备以及存储介质,获取多幅目标图像,并对多幅目标图像进行预处理;将经预处理后的多幅目标图像的所有帧依次进行拼接,得到立体图像;提取点特征,并利用最邻近匹配算法剔除无用特征点;得到线性特征,根据线性特征生成特征图像;将线特征图像与目标图像进行叠加,得到合成图像。本发明能基于生成多个不同角度的目标图像,并对多幅图像中的特征进行处理,提高了合成图像的准确度以及不能预测合成图像的全景的问题。
Description
技术领域
本发明属于AR技术领域,尤其涉及一种AR图像生成方法、系统、设备以及存储介质。
背景技术
图像处理是用计算机对图像进行处理达到所需结果的技术。图像处理技术主要包括图像压缩、增强复原和匹配描述,图像处理的一个应用场景是对输入的一种视角的图像进行预测,得到多种不同的视角图像,但如何提高预测图像的准确度以及预测图像的全景,成为需要解决的技术问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种AR图像生成方法、系统、设备以及存储介质解决了现有技术中合像图像的准确度低以及不能预测合成图像的全景的问题。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种AR图像生成方法,包括以下步骤:
S1、利用多个摄像头获取多幅目标图像,并对所述多幅目标图像进行预处理;
S2、将经预处理后的多幅目标图像的所有帧依次进行拼接,得到立体图像;
S3、根据所述立体图像利用SIFT算法提取点特征,并利用最邻近匹配算法剔除无用特征点;
S4、根据剔除无用特征点后的点特征得到线性特征,并根据所述线性特征生成特征图像;
S5、将所述线特征图像与目标图像进行叠加,得到合成图像,完成AR图像的生成。
本发明的有益效果是:本发明能基于生成多个不同角度的目标图像,并对多幅图像中的特征进行处理,提高了合成图像的准确度以及不能预测合成图像的全景的问题。
进一步地,所述步骤S1包括以下步骤:
S101、利用多个摄像头获取多幅目标图像;
S102、对每幅所述目标图像进行灰度处理;
S103、将经灰度处理后的目标图像进行高斯滤波平滑处理,完成对多幅目标图像的预处理。
上述进一步方案的有益效果是:通过对采集图像的预处理能有效的避免与实际图像的产生的差异,去除不相关的信息,提高图像的对比度,从而有效地提高图像识别与匹配的正确率。
再进一步地,所述步骤S101中的摄像头的拍摄范围为360度,且所述摄像头为深度摄像头。
上述进一步方案的有益效果是:本申请中采用的摄像头能有效的获取全景图像信息,为后续的合成全景图像提供了良好的硬件条件。
再进一步地,所述步骤S2包括以下步骤:
S201、将所述多个摄像头同时拍摄的多幅图像作为第一帧;
S202、根据每幅图像中每一帧的先后顺序以及摄像头的位置信息与方位信息,得到除第一帧外其他所有帧的先后顺序;
S204、将所述第一帧以及每幅图像中其他所有帧的先后顺序进行拼接,生成立体图像。
上述进一步方案的有益效果是:本发明根据摄像头位置信息与方位信息,并按先后顺序对每一帧进行拼接,能准确的渲染出对应的视角的图像,为提高了合成图像的准确度提供了良好的条件。
再进一步地,所述步骤S3包括以下步骤:
S301、根据所述立体图像,利用高斯差分函数进行卷积操作得到局部特征极值点;
所述高斯差分函数的表达式如下:
所述局部特征极值点的表达式如下:
D(x,y,z,kiσ)=L(x,y,z,ki+1σ)-L(x,y,z,kiσ)
其中,G(x,y,z,σ)表示高斯差分函数,L(x,y,z,kiσ)表示三维图像(x,y,z)在第i个领域点的尺度空间,L表示尺度空间,σ表示尺度因子,ki表示第i个领域点,(x,y,z)表示三维图像上x轴、y轴和z轴的坐标点,D(x,y,z,kiσ)表示局部特征极值点;
S302、根据所述局部特征极值点确定位置关键点的位置与尺度;
S303、根据所述关键点的位置与尺度,利用梯度方向计算得到特征点的方向;
所述特征点方向的表达式如下:
其中,θ(x,y,z)表示特征点方向,θ表示角度,tan表示正切函数;
S304、根据所述特征点的方向利用梯度向量重采样提取点特征;
S305、根据所述提取的点特征利用最邻近匹配算法剔除无用特征点。
上述进一步的有益效果是:本发明利用SIFI算法提取特征点,其具有尺度不变性、旋转不变性的优点,提高了运算速度,同时利用最邻匹配算法对特征点进行筛选,消除误匹配的特征点,从而提取纯的特征点,在实时特征点匹配时,大大减少了运算量。
再进一步地,所述步骤S4中根据剔除无用特征点后的点特征得到线性特征具体为:根据剔除无用特征点后的特征点利用3D直线进行表示,得到线性特征。
上述进一步方案的有益效果是:本发明利用3D直线将特征点进行线性特征表示,能快速准确的生成特征图像。
本发明还提供了一种AR图像生成系统,包括:
图像获取模块,用于利用多个摄像头获取多幅目标图像,并对所述多幅目标图像进行预处理;
拼接模块,用于将经预处理后的多幅目标图像的所有帧依次进行拼接,得到立体图像;
点特征提取模块,用于根据所述立体图像利用SIFT算法提取点特征,并利用最邻近匹配算法剔除无用特征点;
特征图像生成模块,用于根据剔除无用特征点后的点特征得到线性特征,并根据所述线性特征生成特征图像;
合成图像模块,用于将所述线特征图像与目标图像进行叠加,得到合成图像,完成AR图像的生成。
本发明的有益效果是:本发明能基于生成多个不同角度的目标图像,并对多幅图像中的特征进行处理,提高了合成图像的准确度以及不能预测合成图像的全景的问题。
进一步地,所述摄像头的拍摄范围为360度,且所述摄像头为深度摄像头。
上述进一步方案的有益效果是:本申请中采用的摄像头能有效的获取全景图像信息,为后续的合成全景图像提供了良好的硬件条件。
本发明还提供了一种AR图像生成设备,包括至少一个处理器;以及与所述至少一个处理器连接的存储器;
所述存储器存储有可被执行所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6任一权利要求所述的AR图像生成方法中所执行的操作。
本发明的有益效果是:本发明能基于生成多个不同角度的目标图像,并对多幅图像中的特征进行处理,提高了合成图像的准确度以及不能预测合成图像的全景的问题。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令,所述至少一条指令由至少一个处理器加载并执行,以实现如权利要求1至6任一权利要求所述的AR图像生成方法中所执行的操作。
本发明的有益效果是:本发明能基于生成多个不同角度的目标图像,并对多幅图像中的特征进行处理,提高了合成图像的准确度以及不能预测合成图像的全景的问题。
附图说明
图1为本发明的方法流程图。
图2为本发明的系统结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,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。
实施例1
如图1所示,本发明提供了一种AR图像生成方法,包括以下步骤:
S1、利用多个摄像头获取多幅目标图像,并对多幅目标图像进行预处理,其实现方法如下:
S101、利用多个摄像头获取多幅目标图像,摄像头的拍摄范围为360度,且所述摄像头为深度摄像头;
S102、对每幅目标图像进行灰度处理;
S103、将经灰度处理后的目标图像进行高斯滤波平滑处理,完成对多幅目标图像的预处理。
本实施例中,在对目标图像进行采集时,由于会受到外界因素的干扰,会存在其他不相关的信息,通过对采集图像的预处理能有效的避免与实际图像的产生的差异,去除不相关的信息,提高图像的对比度,从而有效地提高图像识别与匹配的正确率。在进行预处理时,图像灰度化处理能使目标图像生成各自的特征,以识别点特征,并通过高斯滤波平滑处理,提高目标图像的清晰度。
S2、将经预处理后的多幅目标图像的所有帧依次进行拼接,得到立体图像,其实现方法如下:
S201、将多个摄像头同时拍摄的多幅图像作为第一帧;
S202、根据每幅图像中每一帧的先后顺序以及摄像头的位置信息与方位信息,得到除第一帧外其他所有帧的先后顺序;
S204、将第一帧以及每幅图像中其他所有帧的先后顺序进行拼接,生成立体图像。
本实施例中,根据摄像头位置信息与方位信息,并按先后顺序对每一帧进行拼接,能准确的渲染出对应的视角的图像。
S3、根据立体图像利用SIFT算法提取点特征,并利用最邻近匹配算法剔除无用特征点,其实现方法如下:
S301、根据所述立体图像,利用高斯差分函数进行卷积操作得到局部特征极值点;
所述高斯差分函数的表达式如下
所述局部特征极值点的表达式如下:
D(x,y,z,kiσ)=L(x,y,z,ki+1σ)-L(x,y,z,kiσ)
其中,G(x,y,z,σ)表示高斯差分函数,L(x,y,z,kiσ)表示三维图像(x,y,z)在第i个领域点的尺度空间,L表示尺度空间,σ表示尺度因子,ki表示第i个领域点,(x,y,z)表示三维图像上x轴、y轴和z轴的坐标点,D(x,y,z,kiσ)表示局部特征极值点;
S302、根据所述局部特征极值点确定位置关键点的位置与尺度;
S303、根据所述关键点的位置与尺度,利用梯度方向计算得到特征点的方向;
所述特征点方向的表达式如下:
其中,θ(x,y,z)表示特征点方向,θ表示角度,tan表示正切函数;
S304、根据特征点的方向利用梯度向量重采样提取点特征;
S305、根据提取的点特征利用最邻近匹配算法剔除无用特征点。
本实施例中,提取特征点构建尺度空间,本申请将立体图利用高斯函数进行卷积,同时采用梯度向量重采样定位特征点,提高了运算速度,同时利用最邻匹配算法对特征点进行筛选,消除误匹配的特征点,从而提取纯的特征点。
S4、根据剔除无用特征点后的点特征得到线性特征,并根据线性特征生成特征图像,其具体为:根据剔除无用特征点后的特征点利用3D直线进行表示,得到线性特征;
S5、将线特征图像与目标图像进行叠加,得到合成图像,完成AR图像的生成。
本发明通过以上设计,能基于生成多个不同角度的目标图像,并对多幅图像中的特征进行处理,提高了合成图像的准确度以及不能预测合成图像的全景的问题。
实施例2
如图2所示,本发明提供了一种AR图像生成系统,包括:
图像获取模块,用于利用多个摄像头获取多幅目标图像,并对多幅目标图像进行预处理;摄像头的拍摄范围为360度,且所述摄像头为深度摄像头;
拼接模块,用于将经预处理后的多幅目标图像的所有帧依次进行拼接,得到立体图像;
点特征提取模块,用于根据立体图像利用SIFT算法提取点特征,并利用最邻近匹配算法剔除无用特征点;
特征图像生成模块,用于根据剔除无用特征点后的点特征得到线性特征,并根据线性特征生成特征图像;
合成图像模块,用于将线特征图像与目标图像进行叠加,得到合成图像,完成AR图像的生成。
本实施例中,本发明能基于生成多个不同角度的目标图像,并对多幅图像中的特征进行处理,提高了合成图像的准确度以及不能预测合成图像的全景的问题。
实施例3
本发明还提供一种AR图像生成设备,包括至少一个处理器;以及与至少一个处理器连接的存储器;存储器存储有可被执行至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如实施例1所述的AR图像生成方法中所执行的操作。
本实施例中,存储器可用于存储软件程序以及各种数据,存储器可包括存储程序区和存储数据区,存储程序区可存储操作系统、至少一个功能所需的应用程序,如图像播放功能等。存储数据区可存储合图图像信息或目标图像信息等。此外,存储器可以包括高速随机存储器或非易失性存储器,比如至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
实施例4
本发明还提供了一种计算机可读存储介质,计算机可读存储介质中存储有至少一条指令,至少一条指令由至少一个处理器加载并执行,以实现如实施例1所述的AR图像生成方法中所执行的操作。
本实施例中,处理器是AR设备的控制中心,利用各种接口和线路连接整体AR设备的各部分,通过运行或执行存储器内的软件程序和/或模块,以及调用存储器内的数据,执行AR设备的各种功能和数据处理,从而对AR设备进行整体监控以及操作。
本实施例中,处理器包括一个或多个处理单元,处理器可集成应用处理器和调制解调处理器。
本实施例中,AR设备还可以包括给各个部件供电的电源,电源可以通过电源管理系统与处理器连接,从而通过电源管理系统实现充电、放电等功能。
Claims (10)
1.一种AR图像生成方法,其特征在于,包括以下步骤:
S1、利用多个摄像头获取多幅目标图像,并对所述多幅目标图像进行预处理;
S2、将经预处理后的多幅目标图像的所有帧依次进行拼接,得到立体图像;
S3、根据所述立体图像,利用SIFT算法提取点特征,并利用最邻近匹配算法剔除无用特征点;
S4、根据剔除无用特征点后的点特征得到线性特征,并根据所述线性特征生成特征图像;
S5、将所述线特征图像与目标图像进行叠加,得到合成图像,完成AR图像的生成。
2.根据权利要求1所述的AR图像生成方法,其特征在于,所述步骤S1包括以下步骤:
S101、利用多个摄像头获取多幅目标图像;
S102、对每幅所述目标图像进行灰度处理;
S103、将经灰度处理后的目标图像进行高斯滤波平滑处理,完成对多幅目标图像的预处理。
3.根据权利要求2所述的AR图像生成方法,其特征在于,所述步骤S101中的摄像头的拍摄范围为360度,且所述摄像头为深度摄像头。
4.根据权利要求1所述的AR图像生成方法,其特征在于,所述步骤S2包括以下步骤:
S201、将所述多个摄像头同时拍摄的多幅图像作为第一帧;
S202、根据每幅图像中每一帧的先后顺序以及摄像头的位置信息与方位信息,得到除第一帧外其他所有帧的先后顺序;
S204、将所述第一帧以及每幅图像中其他所有帧的先后顺序进行拼接,生成立体图像。
5.根据权利求1所述的AR图像生成方法,其特征在于,所述步骤S3包括以下步骤:
S301、根据所述立体图像,利用高斯差分函数进行卷积操作得到局部特征极值点;
所述高斯差分函数的表达式如下:
所述局部特征极值点的表达式如下:
D(x,y,z,kiσ)=L(x,y,z,ki+1σ)-L(x,y,z,kiσ)
其中,G(x,y,z,σ)表示高斯差分函数,L(x,y,z,kiσ)表示三维图像(x,y,z)在第i个领域点的尺度空间,L表示尺度空间,σ表示尺度因子,ki表示第i个领域点,(x,y,z)表示三维图像上x轴、y轴和z轴的坐标点,D(x,y,z,kiσ)表示局部特征极值点;
S302、根据所述局部特征极值点确定位置关键点的位置与尺度;
S303、根据所述关键点的位置与尺度,利用梯度方向计算得到特征点的方向;
所述特征点方向的表达式如下:
其中,θ(x,y,z)表示特征点方向,θ表示角度,tan表示正切函数;
S304、根据所述特征点的方向,利用梯度向量重采样提取点特征;
S305、根据所述提取的点特征,利用最邻近匹配算法剔除无用特征点。
6.根据权利求1所述的AR图像生成方法,其特征在于,所述步骤S4中根据剔除无用特征点后的点特征得到线性特征具体为:根据剔除无用特征点后的特征点利用3D直线进行表示,得到线性特征。
7.一种AR图像生成系统,其特征在于,包括:
图像获取模块,用于利用多个摄像头获取多幅目标图像,并对所述多幅目标图像进行预处理;
拼接模块,用于将经预处理后的多幅目标图像的所有帧依次进行拼接,得到立体图像;
点特征提取模块,用于根据所述立体图像利用SIFT算法提取点特征,并利用最邻近匹配算法剔除无用特征点;
特征图像生成模块,用于根据剔除无用特征点后的点特征得到线性特征,并根据所述线性特征生成特征图像;
合成图像模块,用于将所述线特征图像与目标图像进行叠加,得到合成图像,完成AR图像的生成。
8.根据权利要求7所述的种AR图像生成系统,其特征在于,所述摄像头的拍摄范围为360度,且所述摄像头为深度摄像头。
9.一种AR图像生成设备,其特征在于,包括至少一个处理器;以及与所述至少一个处理器连接的存储器;
所述存储器存储有可被执行所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6任一权利要求所述的AR图像生成方法中所执行的操作。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令,所述至少一条指令由至少一个处理器加载并执行,以实现如权利要求1至6任一权利要求所述的AR图像生成方法中所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597955.5A CN111968243B (zh) | 2020-06-28 | 2020-06-28 | 一种ar图像生成方法、系统、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597955.5A CN111968243B (zh) | 2020-06-28 | 2020-06-28 | 一种ar图像生成方法、系统、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968243A true CN111968243A (zh) | 2020-11-20 |
CN111968243B CN111968243B (zh) | 2023-04-11 |
Family
ID=73360701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010597955.5A Expired - Fee Related CN111968243B (zh) | 2020-06-28 | 2020-06-28 | 一种ar图像生成方法、系统、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968243B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101627399A (zh) * | 2007-02-13 | 2010-01-13 | 奥林巴斯株式会社 | 特征匹配方法 |
CN102208033A (zh) * | 2011-07-05 | 2011-10-05 | 北京航空航天大学 | 基于数据聚类的鲁棒sift特征匹配方法 |
CN106682700A (zh) * | 2017-01-05 | 2017-05-17 | 北京细推科技有限公司 | 一种基于关键点描述算子的分块快速匹配算法 |
CN107274346A (zh) * | 2017-06-23 | 2017-10-20 | 中国科学技术大学 | 实时全景视频拼接系统 |
CN107424181A (zh) * | 2017-04-12 | 2017-12-01 | 湖南源信光电科技股份有限公司 | 一种改进的图像拼接关键帧快速提取方法 |
WO2017211089A1 (zh) * | 2016-06-07 | 2017-12-14 | 深圳市灵动飞扬科技有限公司 | 车辆行进全景系统及其方法 |
CN108629799A (zh) * | 2017-03-24 | 2018-10-09 | 成都理想境界科技有限公司 | 一种实现增强现实的方法及设备 |
CN108765298A (zh) * | 2018-06-15 | 2018-11-06 | 中国科学院遥感与数字地球研究所 | 基于三维重建的无人机图像拼接方法和系统 |
CN108876926A (zh) * | 2017-05-11 | 2018-11-23 | 京东方科技集团股份有限公司 | 一种全景场景中的导航方法及系统、ar/vr客户端设备 |
WO2019179200A1 (zh) * | 2018-03-22 | 2019-09-26 | 深圳岚锋创视网络科技有限公司 | 多目相机的三维重建方法、vr相机和全景相机 |
-
2020
- 2020-06-28 CN CN202010597955.5A patent/CN111968243B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101627399A (zh) * | 2007-02-13 | 2010-01-13 | 奥林巴斯株式会社 | 特征匹配方法 |
CN102208033A (zh) * | 2011-07-05 | 2011-10-05 | 北京航空航天大学 | 基于数据聚类的鲁棒sift特征匹配方法 |
WO2017211089A1 (zh) * | 2016-06-07 | 2017-12-14 | 深圳市灵动飞扬科技有限公司 | 车辆行进全景系统及其方法 |
CN106682700A (zh) * | 2017-01-05 | 2017-05-17 | 北京细推科技有限公司 | 一种基于关键点描述算子的分块快速匹配算法 |
CN108629799A (zh) * | 2017-03-24 | 2018-10-09 | 成都理想境界科技有限公司 | 一种实现增强现实的方法及设备 |
CN107424181A (zh) * | 2017-04-12 | 2017-12-01 | 湖南源信光电科技股份有限公司 | 一种改进的图像拼接关键帧快速提取方法 |
CN108876926A (zh) * | 2017-05-11 | 2018-11-23 | 京东方科技集团股份有限公司 | 一种全景场景中的导航方法及系统、ar/vr客户端设备 |
CN107274346A (zh) * | 2017-06-23 | 2017-10-20 | 中国科学技术大学 | 实时全景视频拼接系统 |
WO2019179200A1 (zh) * | 2018-03-22 | 2019-09-26 | 深圳岚锋创视网络科技有限公司 | 多目相机的三维重建方法、vr相机和全景相机 |
CN108765298A (zh) * | 2018-06-15 | 2018-11-06 | 中国科学院遥感与数字地球研究所 | 基于三维重建的无人机图像拼接方法和系统 |
Non-Patent Citations (2)
Title |
---|
LEIDY P.DORADO-MUNOZ .ETC: "A Vector SIFT Detector for Interest Point Detection in Hyperspectral Imagery", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
周宝富: "基于特征点检测的图像拼接算法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111968243B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544456B (zh) | 基于二维图像和三维点云数据融合的全景环境感知方法 | |
WO2009113144A1 (ja) | 対象物追跡装置および対象物追跡方法 | |
CN107025660B (zh) | 一种确定双目动态视觉传感器图像视差的方法和装置 | |
CN110532897A (zh) | 零部件图像识别的方法和装置 | |
CN110599586A (zh) | 一种半稠密场景重建方法、装置、电子设备及存储介质 | |
CN110555866A (zh) | 一种改进kcf特征描述符的红外目标跟踪方法 | |
CN115205383A (zh) | 相机位姿的确定方法、装置、电子设备及存储介质 | |
CN111968243B (zh) | 一种ar图像生成方法、系统、设备以及存储介质 | |
CN116258715B (zh) | 一种粉尘回收方法、装置及电子设备 | |
CN113724143A (zh) | 用于图像修复的方法和装置 | |
CN117333518A (zh) | 激光扫描图像匹配方法、系统及计算机设备 | |
CN115063485B (zh) | 三维重建方法、装置及计算机可读存储介质 | |
CN114897974B (zh) | 一种目标物空间定位方法、系统、存储介质及计算机设备 | |
CN115035281B (zh) | 一种快速的红外全景图像拼接方法 | |
CA2554453A1 (en) | Image processing system for omnidirectional reading of optical patterns | |
CN116017129A (zh) | 一种补光灯角度调整方法、装置、系统、设备和介质 | |
CN116012227A (zh) | 图像处理方法、装置、存储介质及处理器 | |
Turakhia et al. | Automatic crack detection in heritage site images for image inpainting | |
CN111489439B (zh) | 一种三维线图重建方法、装置和电子设备 | |
Wang et al. | Removing image artifacts from scratched lens protectors | |
RU2718429C1 (ru) | Устройство обнаружения локально-стационарных областей на изображении | |
CN110020624B (zh) | 图像识别方法、终端设备及存储介质 | |
Zhu et al. | Multi-feature fusion algorithm in VR panoramic image detail enhancement processing | |
Li et al. | A hardware architecture of feature extraction for real-time visual SLAM | |
CN112907662A (zh) | 特征提取方法、装置、电子设备及存储介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230411 |