CN112001432A - 基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法 - Google Patents

基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法 Download PDF

Info

Publication number
CN112001432A
CN112001432A CN202010806097.0A CN202010806097A CN112001432A CN 112001432 A CN112001432 A CN 112001432A CN 202010806097 A CN202010806097 A CN 202010806097A CN 112001432 A CN112001432 A CN 112001432A
Authority
CN
China
Prior art keywords
neighborhood
matching
image
vectors
consistency
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
Application number
CN202010806097.0A
Other languages
English (en)
Other versions
CN112001432B (zh
Inventor
杨长才
代栾媛
刘翼章
魏丽芳
陈日清
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.)
Fujian Agriculture and Forestry University
Original Assignee
Fujian Agriculture and Forestry 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 Fujian Agriculture and Forestry University filed Critical Fujian Agriculture and Forestry University
Priority to CN202010806097.0A priority Critical patent/CN112001432B/zh
Publication of CN112001432A publication Critical patent/CN112001432A/zh
Application granted granted Critical
Publication of CN112001432B publication Critical patent/CN112001432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

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

Abstract

本发明涉及一种基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法。该方法根据贝叶斯原理，建立匹配图像A与B之间的引导匹配策略模型、建立图像A与B中所在邻域内向量长度比及其夹角之间的软指派表达式并依据邻域拓扑加权一致性进行平滑性判断以及根据两幅图像中所选择的向量的长度比和其夹角以及多尺度K邻域的方法构造寻求最小代价的数学模型。本发明的图像匹配方法在精度、召回和F值这三个指标方面表现较好，因此本发明图像匹配方法具有良好的应用前景，可应用于三维重建和快速地实现无人机遥感图像的拼接等领域中。

Description

基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法
技术领域
本发明涉及图像匹配领域，具体的说，本发明涉及一种基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法。
背景技术
过去的很长一段时间中，特征匹配已经发展为实现图像匹配最主要的形式。由于，其旨在对来自两幅图像中具有相同或相似属性的显著且稳定的特征结构进行识别并配对，是计算机视觉、模式识别以及图像处理领域一个基础而关键的问题。但是，特征匹配本质上是一个复杂组合优化问题，具有极高的计算复杂度，同时噪声、离群点以及复杂场景变换的影响造成现有的特征匹配方法存在多方面的不足，从而严重制约了其实际应用能力。因此，研究一种准确、鲁棒且高效的局部保持特征匹配算法对实现智能视觉有着极为重要的理论研究意义和实际应用价值
在过去的几十年里许多学者提出了许多不同的方法。根据最近的工作，特征匹配方法可分为四大类，即采样方法、非参数插值方法、图匹配方法和基于学习的方法。但是，它们匹配的结果都有可以进一步的提高的地方。例如：采样方法采用了一种假设-验证的程序来获得一个全部都是内点的最小的集合。然而，要获得都是内点的最小子集，当初始匹配的集合中外点的比例很高的时候，迭代次数必须是指数级的增长。此外，一个预定义的参数模型在处理经过复杂非刚性变换的图像对时效率较低。还有些学者提出了一些非参数插值方法。这些方法通常都有一些先验假设，如利用正确匹配的几何一致性来学习一对对应函数或插值一个运动场，满足这些函数或者运动场中的匹配是平滑的。相比使用采样的方法，这些方法可以处理非刚性转换，而它们通常具有立方级的复杂度，这在很大程度上限制了它们在实时任务中的应用。基于学习的方法是解决特征匹配问题的另一种方法。对于特征检测和描述，尽管使用深度学习架构的人获得的结果已经验证了比手工制作的结果好，但是假设集仍然包含大量错误匹配。因此，一种误匹配剔除方法仍然是十分有必要的。最近，一些学者提出了几种基于一致性约束和局部邻域一致性的方法，如基于一致性的决策边界，基于网格的运动统计(GMS)和局部保持匹配(LPM)取得了很好的效果。在LPM中，它是基于这样直观的观察：当图像对发生复杂的变形时，对应的特征点之间的绝对距离可能会发生很大的变化。但是在特征点的局部邻域内，由于物理限制，局部邻域结构和拓扑结构通常保持良好。LPM的优点是简单的形式使其能在几毫秒内完成数千个错误匹配的剔除。然而，LPM的主要缺点是其现有的邻域拓扑的一致性不能很好地区分内点和外点，而且很容易对外点产生过度的惩罚。此外，当初始匹配的外点比例高的时候，它的邻域结构的构建将不再可靠的。
发明内容
本发明的目的在于提供一种基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法，该方法在精度、召回和F值这三个指标方面表现较好，本发明图像匹配方法具有良好的应用前景，可应用于三维重建和快速地实现无人机遥感图像的拼接等领域中。
为实现上述目的，本发明的技术方案是：一种基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法，包括以下步骤：
步骤S1、根据贝叶斯原理，建立匹配图像A与B之间的引导匹配策略模型；
步骤S2、建立图像A与B中所在邻域内向量长度比及其夹角之间的软指派表达式并依据邻域拓扑加权一致性进行平滑性判断；
步骤S3、根据两幅图像中所选择的向量的长度比和其夹角以及多尺度K邻域构造寻求最小代价的数学模型并求解，得到匹配结果。
在本发明一实施例中，所述步骤S1具体实现如下：
S11、假定图像中的点集
Figure BDA0002629212000000021
S12、基于输入图像中提取的N对点集
Figure BDA0002629212000000022
构建邻域
Figure BDA0002629212000000023
S13、建立位于邻域
Figure BDA0002629212000000024
和
Figure BDA0002629212000000025
内的共有的匹配个数与每个邻域内总的匹配个数，计算方法如下：
γi＝Θi/K
其中，Θi为邻域
Figure BDA0002629212000000026
和
Figure BDA0002629212000000027
内的共有匹配数目，
Figure BDA0002629212000000028
表示xi的邻域，
Figure BDA0002629212000000029
表示yi的邻域，并且xi和yi分别表示两幅图像特征点的空间位置，参数K是由每个特征点的邻域信息组成的最近邻的个数；
S14、通过公式S0＝{i|γi＞α}，当γi＞α时，判定此点为内点，反之则为外点，由此可以得到一个具有较高比率内点的图像匹配的特征点子集S0，参数α确定特征点子集S0查全率权衡。
在本发明一实施例中，所述步骤S2具体实现如下：
S21、建立图像A与B中所在邻域内向量长度比及其夹角之间的软指派表达式如下：
Figure BDA00026292120000000210
其中，
Figure BDA0002629212000000031
描述向量vi和v～i的长度比，
Figure BDA0002629212000000032
描述向量vi和
Figure BDA0002629212000000033
的夹角，vi和
Figure BDA0002629212000000034
分别是假定匹配(xi,yi)和它的ni邻近假定匹配的平均位移向量，ξ是用于向量vi和
Figure BDA0002629212000000035
之间的长度比和角度进行权衡的权重，
Figure BDA0002629212000000036
是假定匹配(xi,yi)的内噪声尺度；
S22、为了适用于不同尺度的图像匹配，使用一个带有预计算阈值τ的距离度量：
Figure BDA0002629212000000037
其中，
Figure BDA0002629212000000038
Rt和θt分别是向量vi和
Figure BDA0002629212000000039
的长度比以及角度的阈值，特别地，当Ri和θi的值分别小于各自的阈值Rt和θt时，认为vi和
Figure BDA00026292120000000310
对邻域拓扑具有高度的一致性。
在本发明一实施例中，所述步骤S3具体实现如下：
S31、根据两幅图像中所选择的向量的长度比和其夹角以及多尺度K邻域构造寻求最小代价的数学模型：
Figure BDA00026292120000000311
经化简可得：
Figure BDA00026292120000000312
其中
Figure BDA00026292120000000313
pi∈{0,1}用来指示在假定点集S中第i对对应关系(xi,yi)是否正确，pi＝1表示第i对对应关系正确并且根据集合Ij构建邻域
Figure BDA00026292120000000314
考虑到K的最优值随着数据的变化而变化，因此设计一种多尺度邻域构造策略
Figure BDA00026292120000000315
对于
Figure BDA00026292120000000316
和
Figure BDA00026292120000000317
分别表示在欧氏距离下点xi、yi最近的Km邻域；根据集合Ij构建邻域
Figure BDA00026292120000000318
S32、初始化j＝0，把具有较高比率内点的图像匹配的特征点子集S0赋值给集合Ij；
S33、通过公式
Figure BDA00026292120000000319
计算
Figure BDA00026292120000000320
表明第i个假定匹配(xi,yi)满足局部保持性和拓扑结构性质的几何一致性的程度；
S34、令j＝j+1；
S35、通过公式
Figure BDA0002629212000000041
与公式I*＝{i|pi＝1,i＝1,...,N}计算Ij；
其中，参数λ用于确定从初始匹配中得到的假定匹配是否正确，是一个阈值；
重复步骤S33-S35，直到j≥MaxIter，其中MaxIter＝3；把Ij赋值给I*；输出新的具有高比例内点集合I*，其可以使基于该高比例内点子集的邻域结构更加可靠，从而得到的更好的匹配结果。
在本发明一实施例中，该方法应用于三维重建领域、快速地实现无人机遥感图像的拼接领域。
相较于现有技术，本发明具有以下有益效果：本发明方法相比于现有技术在精度、召回和F值这三个指标方面表现较好，本发明图像匹配方法具有良好的应用前景，可应用于三维重建和快速地实现无人机遥感图像的拼接等领域中。
附图说明
图1是本发明实施例的流程图。
图2是本发明实施例的求解最小代价的数学模型的示意图。
图3局部邻域拓扑结构图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法，包括以下步骤：
步骤S1、根据贝叶斯原理，建立匹配图像A与B之间的引导匹配策略模型；
步骤S2、建立图像A与B中所在邻域内向量长度比及其夹角之间的软指派表达式并依据邻域拓扑加权一致性进行平滑性判断；
步骤S3、根据两幅图像中所选择的向量的长度比和其夹角以及多尺度K邻域构造寻求最小代价的数学模型并求解，得到匹配结果。
以下为本发明的具体实现过程。
参照附图1、2，本发明主要由3个步骤组成：根据贝叶斯原理，建立匹配图像A与B之间的引导匹配策略模型、建立图像A与B中所在邻域内向量长度比及其夹角之间的软指派表达式并依据邻域拓扑加权一致性进行平滑性判断以及根据两幅图像中所选择的向量的长度比和其夹角构造寻求最小代价的数学模型所述的寻求最小代价的数学模型。
步骤1，根据贝叶斯原理，建立匹配图像A与B之间的引导匹配策略模型,包括以下步骤：
步骤1.1，初始化图像A与B中的参数和变量；
假定图像中的点集
Figure BDA0002629212000000051
参数K,α,λ,τ,ζ和MaxIter。其中参数K是由每个特征点的邻域信息组成的最近邻的个数；参数α确定了特征点子集S0查全率权衡；参数λ是判断一致性的阈值；参数τ用于确定假定的匹配在邻域平均匹配的基础下是否具有较高的邻域拓扑一致性和邻域平均匹配；
步骤1.2，基于输入图像中提取的N对假定匹配集合
Figure BDA0002629212000000052
构建邻域
Figure BDA0002629212000000053
步骤1.3，建立位于邻域
Figure BDA0002629212000000054
和
Figure BDA0002629212000000055
内的共有的匹配(向量)个数与每个邻域内总的匹配(向量)个数，计算方法如下：
γi＝Θi/K
其中，Θi为邻域
Figure BDA0002629212000000056
和
Figure BDA0002629212000000057
内的共有匹配数目，
Figure BDA0002629212000000058
表示xi的邻域，
Figure BDA0002629212000000059
表示yi的邻域，并且xi和yi分别表示两幅图像特征点的空间位置(如图3(a)、(b))，其中参数K是由每个特征点的邻域信息组成的最近邻的个数。由此易知γi∈[0,1]。
步骤1.4，通过预定义的阈值α来区分内点与外点。很显然，一个内点会带来一个高的γi值，反之亦然。通过公式S0＝{i|γi＞α}，即当γi＞α时，判定此点为内点，反之则为外点，由此可以得到一个具有较高比率内点的图像匹配的子集S0。
步骤2，建立图像A与B中所在邻域内向量长度比及其夹角之间的软指派表达式并依据邻域拓扑加权一致性进行平滑性判断具体如下：
Figure BDA00026292120000000510
其中，
Figure BDA00026292120000000511
描述向量vi和
Figure BDA00026292120000000512
的长度比。
Figure BDA00026292120000000513
描述向量vi和
Figure BDA00026292120000000514
的夹角。vi和
Figure BDA00026292120000000515
分别是它们假定匹配(xi,yi)和它的ni邻近假定匹配的平均位移向量。ξ是用于向量vi和
Figure BDA00026292120000000516
之间的长度比和角度进行权衡的权重。
Figure BDA00026292120000000517
是假设匹配(xi,yi)的内噪声尺度。
步骤2.1，为了适用于不同尺度的图像匹配，使用了一个带有预计算阈值τ的距离度量。
Figure BDA0002629212000000061
其中，
Figure BDA0002629212000000062
Rt和θt分别是向量vi和
Figure BDA0002629212000000063
的长度比以及角度的阈值。特别地，当Ri和θi的值分别小于各自的阈值Rt和θt时，认为vi和
Figure BDA0002629212000000064
对邻域拓扑具有高度的一致性。在实验中，经验地设定阈值
Figure BDA0002629212000000065
步骤3，根据两幅图像中所选择的向量的长度比和其夹角以及多尺度K邻域构造寻求最小代价的数学模型并求解，具体步骤如下：
Figure BDA0002629212000000066
步骤3.1，初始值：j＝0；把具有较高比率内点的图像匹配的子集S0赋值给集合Ij；
步骤3.2，根据集合Ij构建邻域
Figure BDA0002629212000000067
在上述距离的基础上，考虑到K的最优值随着数据的变化而变化，因此设计了一种多尺度邻域构造策略
Figure BDA0002629212000000068
例如说
Figure BDA0002629212000000069
和
Figure BDA00026292120000000610
Figure BDA00026292120000000611
表示在欧氏距离下点xi最近的Km邻域。
步骤3.3，通过公式
Figure BDA00026292120000000612
计算
Figure BDA00026292120000000613
表明第i个假定匹配(xi,yi)满足满足局部保持性和拓扑结构性质的几何一致性的程度。
步骤3.4，令j＝j+1；
步骤3.5，通过公式
Figure BDA00026292120000000614
与公式I*＝{i|pi＝1,i＝1,...,N}计算Ij；
其中，参数λ用于确定从初始匹配中得到的假定匹配是否正确，也是一个阈值。
重复步骤3.2-3.5]直到j≥MaxIter，其中MaxIter＝3；
把Ij赋值给I*；
输出：新的具有高比例内点集合I*，其可以使基于该高比例内点子集的邻域结构更加可靠，从而得到的更好的匹配结果。
实施例中，通常在步骤2.1把K值设为10，在步骤3.2时，K＝[12,10,8]并且α＝0.5，λ＝0.8，τ＝1.84，ξ＝0.4，MaxIter＝3。
选取RANSAC、ICF、GS、VFC以及本发明的ANTC方法对VGG、Strecha和RS三个不同的数据集进行配准得到的准确率(AP)、召回率(AR)以及F值(AF)。其对比结果为，RANSAC方法具有低的准确率。对于数据集VGG而言，ICF算法具有高的准确率，但是对于另外的两个数据集准确率比较低。并且ICF算法对于三个数据集的召回率和F值都很低。GS算法具有较高的准确率但是召回率和F值较低。VFC算法准确率低但是召回率高。可以看到本发明的ANTC(一种通过先进的邻域拓扑一致性进行鲁棒特征匹配的图像匹配方法)方法在准确率和召回率之间去得了最好的平衡。
表1各方法效果对比表
Figure BDA0002629212000000071
如表1所示，将本发明的方法在不同的数据集上进行实验，实验的结果显示，本发明可以在召回率与准确性之间取得了很好的平衡。结合实际可知，本发明可以在三维重建和快速地实现无人机遥感图像的拼接等领域进行广泛的应用。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法，其特征在于，包括以下步骤：
步骤S1、根据贝叶斯原理，建立匹配图像A与B之间的引导匹配策略模型；
步骤S2、建立图像A与B中所在邻域内向量长度比及其夹角之间的软指派表达式并依据邻域拓扑加权一致性进行平滑性判断；
步骤S3、根据两幅图像中所选择的向量的长度比和其夹角以及多尺度K邻域构造寻求最小代价的数学模型并求解，得到匹配结果。
2.根据权利要求1所述的基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法，其特征在于，所述步骤S1具体实现如下：
S11、假定图像中的点集
Figure FDA0002629211990000011
S12、基于输入图像中提取的N对点集
Figure FDA0002629211990000012
构建邻域
Figure FDA0002629211990000013
S13、建立位于邻域
Figure FDA0002629211990000014
和
Figure FDA0002629211990000015
内的共有的匹配个数与每个邻域内总的匹配个数，计算方法如下：
γi＝Θi/K
其中，Θi为邻域
Figure FDA0002629211990000016
和
Figure FDA0002629211990000017
内的共有匹配数目，
Figure FDA0002629211990000018
表示xi的邻域，
Figure FDA0002629211990000019
表示yi的邻域，并且xi和yi分别表示两幅图像特征点的空间位置，参数K是由每个特征点的邻域信息组成的最近邻的个数；
S14、通过公式S0＝{i|γi＞α}，当γi＞α时，判定此点为内点，反之则为外点，由此可以得到一个具有较高比率内点的图像匹配的特征点子集S0，参数α确定特征点子集S0查全率权衡。
3.根据权利要求2所述的基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法，其特征在于，所述步骤S2具体实现如下：
S21、建立图像A与B中所在邻域内向量长度比及其夹角之间的软指派表达式如下：
Figure FDA00026292119900000110
其中，
Figure FDA00026292119900000111
描述向量vi和
Figure FDA00026292119900000112
的长度比，
Figure FDA00026292119900000113
描述向量vi和
Figure FDA00026292119900000114
的夹角，vi和
Figure FDA00026292119900000115
分别是假定匹配(xi,yi)和它的ni邻近假定匹配的平均位移向量，ξ是用于向量vi和
Figure FDA00026292119900000116
之间的长度比和角度进行权衡的权重，
Figure FDA00026292119900000117
是假定匹配(xi,yi)的内噪声尺度；
S22、为了适用于不同尺度的图像匹配，使用一个带有预计算阈值τ的距离度量：
Figure FDA0002629211990000021
其中，
Figure FDA0002629211990000022
Rt和θt分别是向量vi和
Figure FDA0002629211990000023
的长度比以及角度的阈值，特别地，当Ri和θi的值分别小于各自的阈值Rt和θt时，认为vi和
Figure FDA0002629211990000024
对邻域拓扑具有高度的一致性。
4.根据权利要求3所述的基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法，其特征在于，所述步骤S3具体实现如下：
S31、根据两幅图像中所选择的向量的长度比和其夹角以及多尺度K邻域构造寻求最小代价的数学模型：
Figure FDA0002629211990000025
经化简可得：
Figure FDA0002629211990000026
其中
Figure FDA0002629211990000027
pi∈{0,1}用来指示在假定点集S中第i对对应关系(xi,yi)是否正确，pi＝1表示第i对对应关系正确并且根据集合Ij构建邻域
Figure FDA0002629211990000028
考虑到K的最优值随着数据的变化而变化，因此设计一种多尺度邻域构造策略
Figure FDA0002629211990000029
对于
Figure FDA00026292119900000210
和
Figure FDA00026292119900000211
分别表示在欧氏距离下点xi、yi最近的Km邻域；根据集合Ij构建邻域
Figure FDA00026292119900000212
S32、初始化j＝0，把具有较高比率内点的图像匹配的特征点子集S0赋值给集合Ij；
S33、通过公式
Figure FDA00026292119900000213
计算
Figure FDA00026292119900000214
表明第i个假定匹配(xi,yi)满足局部保持性和拓扑结构性质的几何一致性的程度；
S34、令j＝j+1；
S35、通过公式
Figure FDA0002629211990000031
与公式I*＝{i|pi＝1,i＝1,...,N}计算Ij；
其中，参数λ用于确定从初始匹配中得到的假定匹配是否正确，是一个阈值；
重复步骤S33-S35，直到j≥MaxIter，其中MaxIter＝3；把Ij赋值给I*；输出新的具有高比例内点集合I*，其可以使基于该高比例内点子集的邻域结构更加可靠，从而得到的更好的匹配结果。
5.根据权利要求1-4任一所述的基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法，其特征在于，该方法应用于三维重建领域、快速地实现无人机遥感图像的拼接领域。
CN202010806097.0A 2020-08-12 2020-08-12 基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法 Active CN112001432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010806097.0A CN112001432B (zh) 2020-08-12 2020-08-12 基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010806097.0A CN112001432B (zh) 2020-08-12 2020-08-12 基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法

Publications (2)

Publication Number Publication Date
CN112001432A true CN112001432A (zh) 2020-11-27
CN112001432B CN112001432B (zh) 2022-07-08

Family

ID=73463921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010806097.0A Active CN112001432B (zh) 2020-08-12 2020-08-12 基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法

Country Status (1)

Country Link
CN (1) CN112001432B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537351A (zh) * 2021-07-16 2021-10-22 重庆邮电大学 面向移动设备拍摄的遥感图像坐标匹配方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130121598A1 (en) * 2011-11-15 2013-05-16 Futurewei Technologies, Inc. System and Method for Randomized Point Set Geometry Verification for Image Identification
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
CN110136090A (zh) * 2019-04-11 2019-08-16 中国地质大学（武汉） 以局部保持配准的鲁棒弹性模型无人机图像拼接方法
CN110245671A (zh) * 2019-06-17 2019-09-17 艾瑞迈迪科技石家庄有限公司 一种内窥镜图像特征点匹配方法及系统
US20190318196A1 (en) * 2019-06-28 2019-10-17 Intel Corporation Guided sparse feature matching via coarsely defined dense matches
CN111144239A (zh) * 2019-12-12 2020-05-12 中国地质大学（武汉） 一种利用词汇树引导的无人机倾斜影像特征匹配方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130121598A1 (en) * 2011-11-15 2013-05-16 Futurewei Technologies, Inc. System and Method for Randomized Point Set Geometry Verification for Image Identification
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
CN110136090A (zh) * 2019-04-11 2019-08-16 中国地质大学（武汉） 以局部保持配准的鲁棒弹性模型无人机图像拼接方法
CN110245671A (zh) * 2019-06-17 2019-09-17 艾瑞迈迪科技石家庄有限公司 一种内窥镜图像特征点匹配方法及系统
US20190318196A1 (en) * 2019-06-28 2019-10-17 Intel Corporation Guided sparse feature matching via coarsely defined dense matches
CN111144239A (zh) * 2019-12-12 2020-05-12 中国地质大学（武汉） 一种利用词汇树引导的无人机倾斜影像特征匹配方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
J.MA ET AL.: "Guided Locality Preserving Feature Matching for Remote Sensing Image Registration", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
J.MA ET AL.: "Visual Homing via Guided Locality Preserving Matching", 《2018 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》 *
MA,J ET AL.: "Locality Preserving Matching", 《INT J COMPUT VIS》 *
Y.LIU ET AL.: "Robust Feature Matching via Two Constraints Interaction", 《2019 IEEE INTL CONF ON PARALLEL & DISTRIBUTED PROCESSING WITH APPLICATIONS, BIG DATA & CLOUD COMPUTING, SUSTAINABLE COMPUTING & COMMUNICATIONS, SOCIAL COMPUTING & NETWORKING (ISPA/BDCLOUD/SOCIALCOM/SUSTAINCOM)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537351A (zh) * 2021-07-16 2021-10-22 重庆邮电大学 面向移动设备拍摄的遥感图像坐标匹配方法

Also Published As

Publication number Publication date
CN112001432B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
Tong et al. Polynomial fitting algorithm based on neural network
CN111652321B (zh) 一种基于改进yolov3算法的海上船舶检测方法
CN109685135B (zh) 一种基于改进型度量学习的少样本图像分类方法
CN111310672A (zh) 基于时序多模型融合建模的视频情感识别方法、装置及介质
Wu et al. Stereo matching with fusing adaptive support weights
CN109118473B (zh) 基于神经网络的角点检测方法、存储介质与图像处理系统
CN111627065A (zh) 一种视觉定位方法及装置、存储介质
CN110942472B (zh) 一种基于特征融合与自适应分块的核相关滤波跟踪方法
CN111311702B (zh) 一种基于BlockGAN的图像生成和识别模块及方法
CN109559273B (zh) 一种面向车底图像的快速拼接方法
Li et al. Dictionary optimization and constraint neighbor embedding-based dictionary mapping for superdimension reconstruction of porous media
CN109151727B (zh) 基于改进的dbn的wlan指纹定位数据库构建方法
CN110706208A (zh) 一种基于张量均方最小误差的红外弱小目标检测方法
CN112364881B (zh) 一种进阶采样一致性图像匹配方法
CN112001432B (zh) 基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法
CN115861418A (zh) 一种基于多模态输入与注意力机制的单视图位姿估计方法及其系统
Huang et al. Task-wise sampling convolutions for arbitrary-oriented object detection in aerial images
CN113128518B (zh) 基于孪生卷积网络和特征混合的sift误匹配检测方法
CN114814776B (zh) 基于图注意力网络和迁移学习的pd雷达目标检测方法
CN116258877A (zh) 土地利用场景相似度变化检测方法、装置、介质及设备
CN115617882A (zh) 基于gan的带有结构约束的时序图数据生成方法及系统
CN113724325B (zh) 一种基于图卷积网络的多场景单目相机位姿回归方法
CN115690439A (zh) 基于图像平面的特征点聚集方法、装置及电子设备
CN113221914B (zh) 一种基于杰卡德距离的图像特征点匹配和误匹配剔除方法
CN115439669A (zh) 基于深度学习的特征点检测网络及跨分辨率图像匹配方法

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