CN112308027A - 图像匹配方法、生物识别芯片及电子装置 - Google Patents

图像匹配方法、生物识别芯片及电子装置 Download PDF

Info

Publication number
CN112308027A
CN112308027A CN202011321538.4A CN202011321538A CN112308027A CN 112308027 A CN112308027 A CN 112308027A CN 202011321538 A CN202011321538 A CN 202011321538A CN 112308027 A CN112308027 A CN 112308027A
Authority
CN
China
Prior art keywords
pairs
image
matching
combination
descriptor
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
CN202011321538.4A
Other languages
English (en)
Other versions
CN112308027B (zh
Inventor
龙文勇
李准
张靖恺
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.)
Inferpoint Systems Shenzhen Ltd
Original Assignee
Inferpoint Systems Shenzhen 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 Inferpoint Systems Shenzhen Ltd filed Critical Inferpoint Systems Shenzhen Ltd
Priority to CN202011321538.4A priority Critical patent/CN112308027B/zh
Priority to TW109146056A priority patent/TW202133048A/zh
Publication of CN112308027A publication Critical patent/CN112308027A/zh
Application granted granted Critical
Publication of CN112308027B publication Critical patent/CN112308027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请提供一种图像匹配方法，所述方法通过遍历预设数量组合的中的所有组合，从中找出一个最优组合，并且能够让匹配关键点点对的描述子之间的汉明距离尽量小，非匹配关键点点对的描述子之间的汉明距离尽量大，从而达到尽量拉大类内距离和类间距离之间的差异的目的。在后续图像匹配过程中，能够按照所述方法生成的最优组合生成用于图像匹配的二值化的描述子。此外，本申请还提供一种生物识别芯片、电子装置。本申请可以减少描述子的储存空间，并能加快图像匹配的速度。

Description

图像匹配方法、生物识别芯片及电子装置
技术领域
本申请涉及图像识别技术领域，具体涉及一种图像匹配方法、生物识别芯片及电子装置。
背景技术
传统的局部特征匹配算法，比如SIFT、SURF等经典的算法，都是通过寻找图像中的关键点，然后根据关键点周围的信息生成对应的描述子。例如，可以生成128维或者64维的描述子，为了后续的方便，将所述生成128维或者64维的描述子称为原始描述子。由于所述原始描述子的每一维需要占用4个字节的空间，而一副图像一般会有上百到几千个关键点。因此，所述原始描述子占用的空间会比较大。并且在利用所述原始描述子进行图像匹配的时候，通常会使用欧式距离来判断是否图像匹配，会出现判断时间消耗比较长的情况。
为了解决上述问题，近几年出现了对所述原始描述子进行二值化的研究。例如，运用中值或者训练阈值的方法，对所述原始描述子进行二值化。然而，上述方法无法较好的保留原始描述子(SIFT、SURF等生成的N维描述子)的特征和描述子内部之间的关系，导致生成的二值化描述子的可分性不强，从而出现图像匹配效果不佳的现象。
发明内容
鉴于以上问题，本申请提出一种图像匹配方法、生物识别芯片及电子装置，可以加快图像匹配的速度。
本申请的第一方面提供一种图像匹配方法，所述方法包括：获取匹配图像对，及从所述匹配图像对中随机挑选出N对匹配关键点点对和M对非匹配关键点点对；基于所述N对匹配关键点点对中的每一匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量点对组合，计算各个点对组合中点对的汉明距离；基于所述M对非匹配关键点点对中的每一非匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量点对组合，计算各个点对组合中点对的汉明距离；基于N对匹配关键点的各个点对组合中点对的汉明距离，计算得到第一均值；基于所述M对非匹配关键点的各个点对组合中点对的汉明距离，计算得到第二均值；在遍历所述预设数量点对组合中的所有组合后，计算得到预设数量的第一均值和预设数量的第二均值；从所述预设数量的第一均值中选择第一目标均值，以及从所述预设数量的第二均值中选择第二目标均值，其中所述第一目标均值与所述第二目标均值之间的差值的绝对值最大；确定所述第一目标均值对应的所述预设数量组合中的第一组合，以及从所述第二目标均值对应的所述预设数量组合中的第二组合；存储所述第一组合和所述第二组合，并利用所述第一组合生成的二值化描述子和所述第二组合生成的二值化描述子执行图像匹配。
根据本申请的一些实施方式，所述匹配图像对包括第一图像和第二图像，所述N对匹配关键点点对包括第一图像中的匹配关键点PA1、PA2…PAn以及对应的第二图像中的匹配关键点PB1、PB2…PBn，所述M对非匹配关键点点对包括第一图像中的非匹配关键点NPA1、NPA2…NPAm以及对应的第二图像中的非匹配关键点NPB1、NPB2…NPBm，其中N等于M。
根据本申请的一些实施方式，所述第一图像和所述第二图像之间的相似度大于或等于预设值。
根据本申请的一些实施方式，所述基于所述N对匹配关键点点对中的每一匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量点对组合，计算各个点对组合中点对的汉明距离包括：分别根据所述第一图像中的PA1、PA2…PAn中的每一点生成j维描述子；基于所述j维描述子和所述降维目标值选取预设数量的点对组合，其中，所述降维目标值为2×j维，所述预设数量为
Figure BDA0002793087080000021
计算选取的点对组合中各点对的汉明距离，并且统计汉明距离均值；分别根据所述第二图像中的PB1、PB2…PBn中的每一点生成所述j维描述子；基于所述j维描述子和所述降维目标值选取预设数量的点对组合，其中，所述降维目标值为2×j维，所述预设数量为
Figure BDA0002793087080000022
计算选取的点对组合中各点对的汉明距离，并且统计汉明距离均值。
根据本申请的一些实施方式，所述基于所述M对非匹配关键点点对中的每一非匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量点对组合，计算各个点对组合中点对的汉明距离包括：分别根据所述第一图像中的NPA1、NPA2…NPAm中的每一点生成j维描述子，其中，所述降维目标值为2×j维；基于所述j维描述子和所述降维目标值选取预设数量的点对组合，其中，所述预设数量为
Figure BDA0002793087080000023
计算选取的点对组合中各点对的汉明距离，并且统计汉明距离均值；分别根据所述第二图像中的NPB1、NPB2…NPBm中的每一点生成所述j维描述子，其中，所述降维目标值为2×j维；基于所述j维描述子和所述降维目标值选取预设数量的点对组合，其中，所述预设数量为
Figure BDA0002793087080000024
计算选取的点对组合中各点对的汉明距离，并且统计汉明距离均值。
根据本申请的一些实施方式，所述方法还包括：计算基于N对匹配关键点的各个点对组合中点对的汉明距离的第一方差以及计算基于所述M对非匹配关键点的各个点对组合中点对的汉明距离的第二方差；设置所述第一均值和第一方差的权重值，以及设置所述第二均值和第二方差的权重值；基于设置后的第一均值和第一方差确定所述第一组合，以及基于设置后的第二均值和第二方差确定所述第二组合。根据本申请的一些实施方式，所述j为128。
根据本申请的一些实施方式，所述方法还包括：通过图像匹配的相似度是否大于或等于预设相似度来确定所述权重值是否合适；若图像匹配的相似度大于或等于预设相似度，确定所述权重值合适；及若图像匹配的相似度小于预设相似度，确定所述权重值不合适。
本申请的第二方面提供一种生物识别芯片，所述芯片包括：获取模块，用于获取匹配图像对，及从所述匹配图像对中随机挑选出N对匹配关键点点对和M对非匹配关键点点对；生成模块，用于基于所述N对匹配关键点点对中的每一匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量点对组合，计算各个点对组合中点对的汉明距离；所述生成模块，还用于基于所述M对非匹配关键点点对中的每一非匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量点对组合，计算各个点对组合中点对的汉明距离；计算模块，用于基于N对匹配关键点的各个点对组合中点对的汉明距离，计算得到第一均值；所述计算模块，还用于基于所述M对非匹配关键点的各个点对组合中点对的汉明距离，计算得到第二均值；所述计算模块，还用于在遍历所述预设数量组合中的所有组合后，计算得到预设数量的第一均值和预设数量的第二均值；选择模块，用于从所述预设数量第一均值中选择第一目标均值，以及从所述预设数量第二均值中选择第二目标均值，其中所述第一目标均值与所述第二目标均值之间的差值的绝对值最大；确定模块，用于确定所述第一目标均值对应的所述预设数量组合中的第一组合，以及从所述第二目标均值对应的所述预设数量组合中的第二组合；存储模块，用于存储所述第一组合和所述第二组合，并利用所述第一组合生成的二值化描述子和所述第二组合生成的二值化描述子执行后续的图像匹配。
本申请第三方面提供一种电子装置，所述电子装置包括：处理器；以及存储器，所述存储器中存储有多个程序模块，所述多个程序模块由所述处理器加载并执行如前所述的图像匹配方法。
本申请中图像匹配方法、芯片及电子装置，通过遍历预设数量组合的中的所有组合，从中找出一个最优组合，并且能够让匹配关键点点对的描述子之间的汉明距离尽量小，非匹配关键点点对的描述子之间的汉明距离尽量大，从而达到尽量拉大类内距离和类间距离之间的差异的目的。在后续图像匹配过程中，能够按照所述方法生成的最优组合生成用于图像匹配的二值化的描述子。实现了快速生成描述子，并且尽可能的保留了原始描述子的特征的功能，可以极大的减少描述子的储存空间，并能加快图像匹配的速度。
附图说明
图1是本申请一实施例所提供的图像匹配方法的流程示意图。
图2是本申请实施例所提供的生物识别芯片示意图。
图3是本申请一实施方式提供的电子装置架构示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
请参阅图1，图1为本申请一个实施例提供的图像匹配方法的流程示意图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。为了便于说明，仅示出了与本申请实施例相关的部分。所述图像匹配方法应用于电子装置中。
需要说明的是，在本实施例中，所述图像匹配方法可以应用于电子装置中，对于需要进行图像匹配的电子装置，可以直接在电子装置上集成本发明的方法所提供的用于图像匹配的功能，或者以软件开发工具包(Software Development Kit，SDK)的形式运行在电子装置上。
如图1所示，所述图像匹配方法包括以下步骤。
步骤S1、获取匹配图像对，其中，所述匹配图像对包括第一图像和第二图像，所述第一图像和所述第二图像之间的相似度大于或等于预设值。
在本实施方式中，所述图像可以是指纹图像、掌纹图像、人物图像、动物图像、景物图像等图像。所述图像可以通过图像采集设备采集得到，并发送至所述电子装置。所述图像采集设备包括指纹采集设备和摄像头。所述指纹采集设备可以是设置于手机、平板电脑、工业设备等智能终端中的，用于采集用户指纹进行身份认证。所述指纹采集设备还可以是设置于考勤装置中的，用于采集用户指纹进行考勤等。
在另一实施方式中，所述图像还可以是预先存储在所述电子装置中的图像。
在本实施方式中，通过传统的图像匹配算法对图像进行匹配，得到预设数量的匹配图像对。例如，图库A中包括图像A1，图像A2，图像A3，和图像A4；图库B中包括图像B1，图像B2，图像B3，和图像B4。将图库A中的图像与图库B中的图像进行匹配，得到预设数量的匹配图像对。其中，匹配图像对描述的是两幅图像的相似度大于或等于预设值。所述图像匹配算法包括现有技术中的匹配算法，如SIFT、SURF等经典的算法。
步骤S2、从所述匹配图像对中随机挑选出N对匹配关键点点对和M对非匹配关键点点对。
在本实施方式中，针对每一匹配图像对，分别从两幅图像中随机挑选匹配关键点和非匹配关键点，其中，所述匹配关键点点对可以描述为同一位置处像素相等的两个点，非匹配关键点点对可以描述为同一位置处像素偏移超过预设值的两个点。例如，图像A1和图像B1为一个匹配图像对，在所述图像A1和图像B1对齐后，在图像A1和图像B1的同一位置的点作为匹配关键点点对；在图像A1和图像B1的位置偏差的绝对值超过4的点作为非匹配关键点。
在本实施方式中，所述N对匹配关键点点对包括第一图像中的匹配关键点PA1、PA2…PAn以及对应的第二图像中的匹配关键点PB1、PB2…PBn，所述M对非匹配关键点点对包括第一图像中的非匹配关键点NPA1、NPA2…NPAm以及对应的第二图像中的非匹配关键点NPB1、NPB2…NPBm，其中N等于M。
步骤S3、基于所述N对匹配关键点点对中的每一匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量的点对组合，计算各个点对组合中点对的汉明距离。
本实施例中，预设维度为128，降维目标值为256，即需要在128*127/2＝8128个点对中选取256个点对，从而实现降维目标。则有
Figure BDA0002793087080000051
个选取方案，针对
Figure BDA0002793087080000052
个组合中的点对计算汉明距离，并统计汉明距离均值。
所述基于所述N对匹配关键点点对中的每一匹配关键点点对确定预设维度的描述子，所述预设维度的描述子为原始描述子。现有技术中，在生成二值化描述子的时候，需要将原始描述子中的一个维度与其他所有维度形成点对。例如，当所述原始描述子为128维的描述子时，总共就会有128*127/2＝8128个点对。可以最多形成8128维的描述子。然而，8128维的描述子的维度太高，会占用较多的运算时间和储存空间。我们需要寻找一种方式将8128维的描述子进行降维。按照经验和一些文献的实验资料，在描述子匹配上，256维的二值化描述子基本可以满足图像匹配的需求。维数太少会造成描述子的可分性变差，维数太多会造成匹配效率降低和储存空间变大。256维是一个比较合适的维度。因此，在本实施例中需要将8128维的描述子降维至256维。
在本实施方式中，基于所述N对匹配关键点点对中的每一匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取点对组合，计算各个点对组合中点对的汉明距离包括：分别根据所述第一图像中的PA1、PA2…PAn中的每一点生成预设j维描述子，降维目标值为2×j维，选取
Figure BDA0002793087080000053
个点对组合，计算各个组合中点对的汉明距离，并且统计汉明距离均值，其中j＝128；分别根据所述第二图像中的PB1、PB2…PBn中的每一点生成所述j维描述子，降维目标值为2×j维，选取
Figure BDA0002793087080000054
个点对组合，计算各个组合中点对的汉明距离，并且统计汉明距离均值，其中j＝128。
需要说明的是，为了满足将8128维的描述子降维至256维，所述j＝128。但是所述j还可以是任意其他数值，在此不做限定。
步骤S4、基于所述M对非匹配关键点点对中的每一非匹配关键点点对确定预设维度的描述子，基于所述预设维度的描述子和所述降维目标值选取预设数量的点对组合，计算各个点对组合中点对的汉明距离。
在本实施方式中，同样需要基于所述非匹配关键点点对生成256维的二值化描述子。具体地，分别根据所述第一图像中的NPA1、NPA2…NPAm中的每一点生成j维描述子，降维目标值为2×j维，选取
Figure BDA0002793087080000055
个点对组合，计算各个组合中点对的汉明距离，并且统计汉明距离均值；分别根据所述第二图像中的NPB1、NPB2…NPBm中的每一点生成所述j维描述子，降维目标值为2×j维，选取
Figure BDA0002793087080000056
个点对组合，计算各个组合中点对的汉明距离，并且统计汉明距离均值，其中j＝128。
步骤S5、基于N对匹配关键点的各个点对组合中点对的汉明距离，计算得到第一均值。
步骤S6、基于所述M对非匹配关键点的各个点对组合中点对的汉明距离，计算得到第二均值。
在本实施方式中，为了确定所述预设数量组合情况生成的描述子使得图像匹配效果最佳，需要通过汉明距离来确定所述预设数量组合中的最佳组合。例如，所述最佳组合可以使匹配关键点点对的汉明距离(类内距)和非匹配关键点点对的汉明距离(类间距)差值的绝对值最大。
步骤S7、判断是否遍历所述预设数量组合中的所有组合。在遍历所述预设数量组合中的所有组合后，流程进入步骤S8；在没有遍历所述预设数量组合中的所有组合时，流程返回步骤S3。
在本实施方式中，需要遍历所述预设数量组合中的所有组合，并计算得到预设数量的第一均值和预设数量的第二均值。
步骤S8、在遍历所述预设数量组合中的所有组合后，计算得到预设数量的第一均值和预设数量的第二均值。
步骤S9、从所述预设数量第一均值中选择第一目标均值，以及从所述预设数量第二均值中选择第二目标均值，其中所述第一目标均值与所述第二目标均值之间的差值的绝对值最大。
在本实施方式中，在得到预设数量的第一均值和预设数量的第二均值后，从所述预设数量第一均值中选择第一目标均值，以及从所述预设数量第二均值中选择第二目标均值，其中所述第一目标均值与所述第二目标均值之间的差值的绝对值最大。如此，可以选择匹配关键点点对对应的第一均值较小，同时非匹配关键点点对对应的第二均值较大的256点对组合。在理想的状态下，最优的256组合会让匹配关键点点对的汉明距离(类内距)和非匹配关键点点对的汉明距离(类间距)差值最大，即类内距和类间距差异最大。此时，根据所述第一目标均值和第二目标均值确定的组合生成的二值化描述子具有最好的可分性，便于图像匹配。
步骤S10、确定所述第一目标均值对应的所述预设数量组合中的第一组合，以及从所述第二目标均值对应的所述预设数量组合中的第二组合。
在本实施方式中，在确定匹配关键点点对的汉明距离(类内距)和非匹配关键点点对的汉明距离(类间距)差值最大的情况下的组合后，可以根据确定的组合生成二值化描述子。具体地，先确定所述第一目标均值对应的二值化描述子，再确定生成所述二值化描述子时对应所述预设数量组合中的第一组合，以及先确定所述第二目标均值对应的二值化描述子，再确定生成所述二值化描述子时对应所述预设数量组合中的第二组合。要说明的是，所述第一组合是依据匹配关键点点对选择得到的组合，所述第二组合是依据非匹配关键点点对选择得到的组合。所述第一组合与所述第二组合为同一组合后即为最优的256个点对组合。
在本实施方式中，所述方法还包括：
计算基于N对匹配关键点的各个点对组合中点对的汉明距离的第一方差以及计算基于所述M对非匹配关键点的各个点对组合中点对的汉明距离的第二方差；
设置所述第一均值和第一方差的权重值，以及设置所述第二均值和第二方差的权重值；
基于设置后的第一均值和第一方差确定所述第一组合，以及基于设置后的第二均值和第二方差确定所述第二组合。
在本实施方式中，由于所述汉明距离的均值无法体现个体差异，因此在确定生成所述二值化描述子的第一组合和第二组合时，还可以考虑所述匹配关键点点对的第一汉明距离的第一方差以及非匹配关键点点对的第二汉明距离的第二方差的大小。如果所述第一方差或者第二方差太大，说明所述点对组合生成的描述子的通用性不强，在不同的图像上匹配性能会存在差异。
在一实施方式中，可以设置所述第一均值的权重值为0.5，所述第一方差的权重值为0.5；所述第二均值的权重值为0.6，所述第二方差的权重值为0.4。再依据设置后的设置后的第一均值和第一方差确定所述第一组合，以及基于设置后的第二均值和第二方差确定所述第二组合，根据所述第一组合生成的二值化描述子和所述第二组合生成的二值化描述子执行后续的图像匹配。并根据匹配结果确定所述权重值是否合适。若确定所述权重值合适，则存储所述第一组合和所述第二组合，在后续应用中按照所述第一组合和所述第二组合生成二值化描述子进行图像匹配。若确定所述权重值不合适，则更新所述第一均值和第一方差的权重值，以及更新所述第二均值和第二方差的权重值，直到所述权重值合适。
需要说明的是，通过图像匹配的相似度是否大于或等于预设相似度来确定所述权重值是否合适。若图像匹配的相似度大于或等于预设相似度，确定所述权重值合适；若图像匹配的相似度小于预设相似度，确定所述权重值不合适。
需要说明的是，当所述第一方差的权重值等于零，且所述第二方差的权重值也等于零时，就可以根据上述步骤S1至步骤S10得到所述第一组合和所述第二组合。
步骤S11、存储所述第一组合和所述第二组合，并利用所述第一组合生成的二值化描述子和所述第二组合生成的二值化描述子执行后续的图像匹配。
在本实施方式中，存储所述第一组合和所述第二组合，方便后续在进行同类型的图像匹配时，利用所述第一组合生成的二值化描述子和所述第二组合生成的二值化描述子执行后续的图像匹配。例如，当利用上述步骤S1至步骤S10对指纹图像进行处理后得到所述第一组合和所述第二组合，可以存储所述第一组合和所述第二组合，并在需要再次对指纹图像进行匹配时，利用所述第一组合生成的二值化描述子和所述第二组合生成的二值化描述子来对所述指纹图像进行匹配。
本申请公开的图像匹配方法，当j＝128时，可以通过对8128个点对进行遍历，从中找出一个最优组合(256点对)，能够让根据匹配关键点点对生成的一对描述子之间的汉明距离尽量小，非匹配关键点点对生成的一对描述子之间的汉明距离尽量大，达到尽量拉大类内距离和类间距离之间的差异的目的。在后续图像匹配(如指纹匹配)中利用此点对组合生成二值化的描述子。可以快速生成描述子，并且尽可能的保留了原始描述子的特征，可以极大的减少描述子的储存空间，并能加快图像匹配的速度。
图1详细介绍了本申请图像匹配方法，通过遍历预设数量组合的中的所有组合，从中找出一个最优组合(256点对)能够让匹配关键点点对的描述子之间的汉明距离尽量小，非匹配关键点点对的描述子之间的汉明距离尽量大，达到尽量拉大类内距离和类间距离之间的差异的目的。在后续图像匹配过程中按照所述最优组合生成二值化的描述子。从而不仅实现描述子的二值化，同时较大程度的保留原始描述子之间的相互关系，提升描述子之间的可分性，从而实现较好的实现描述子储存空间和图像匹配效果的平衡。下面结合图2和图3，对实现所述生物识别的软件芯片的功能模块以及硬件装置架构进行介绍。应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图2为本申请一实施方式提供的生物识别芯片的结构图。
在一些实施方式中，所述生物识别芯片20可以包括多个由程序代码段所组成的功能模块，以实现图像匹配的功能。
参考图2，本实施方式中，生物识别芯片20根据其所执行的功能，可以被划分为多个功能模块，所述各个功能模块用于执行图1对应实施方式中的各个步骤，以实现图像匹配的功能。本实施方式中，所述生物识别芯片20的功能模块包括：获取模块201、生成模块202、计算模块203、选择模块204、确定模块205以及存储模块206。各个功能模块的功能将在下面的实施例中进行详述。
所述获取模块201用于获取匹配图像对，其中，所述匹配图像对包括第一图像和第二图像，所述第一图像和所述第二图像之间的相似度大于或等于预设值。
在本实施方式中，所述图像可以是指纹图像、掌纹图像、人物图像、动物图像、景物图像等图像。所述图像可以通过图像采集设备采集得到，并发送至所述电子装置。所述图像采集设备包括指纹采集设备和摄像头。所述指纹采集设备可以是设置于手机、平板电脑、工业设备等智能终端中的，用于采集用户指纹进行身份认证。所述指纹采集设备还可以是设置于考勤装置中的，用于采集用户指纹进行考勤等。
在另一实施方式中，所述图像还可以是预先存储在所述电子装置中的图像。
在本实施方式中，通过传统的图像匹配算法对图像进行匹配，得到预设数量的匹配图像对。例如，图库A中包括图像A1，图像A2，图像A3，和图像A4；图库B中包括图像B1，图像B2，图像B3，和图像B4。将图库A中的图像与图库B中的图像进行匹配，得到预设数量的匹配图像对。其中，匹配图像对描述的是两幅图像的相似度大于或等于预设值。所述图像匹配算法包括现有技术中的匹配算法，如SIFT、SURF等经典的算法。
所述获取模块201还用于从所述匹配图像对中随机挑选出N对匹配关键点点对和M对非匹配关键点点对。
在本实施方式中，针对每一匹配图像对，分别从两幅图像中随机挑选匹配关键点和非匹配关键点，其中，所述匹配关键点点对可以描述为同一位置处像素相等的两个点，非匹配关键点点对可以描述为同一位置处像素偏移超过预设值的两个点。例如，图像A1和图像B1为一个匹配图像对，在所述图像A1和图像B1对齐后，在图像A1和图像B1的同一位置的点作为匹配关键点点对；在图像A1和图像B1的位置偏差的绝对值超过4的点作为非匹配关键点。
在本实施方式中，所述N对匹配关键点点对包括第一图像中的匹配关键点PA1、PA2…PAn以及对应的第二图像中的匹配关键点PB1、PB2…PBn，所述M对非匹配关键点点对包括第一图像中的非匹配关键点NPA1、NPA2…NPAm以及对应的第二图像中的非匹配关键点NPB1、NPB2…NPBm，其中N等于M。
所述生成模块202用于基于所述N对匹配关键点点对中的每一匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量的点对组合，计算各个点对组合中点对的汉明距离。
本实施例中，预设维度为128，降维目标值为256，即需要在128*127/2＝8128个点对中选取256个点对，从而实现降维目标。则有
Figure BDA0002793087080000091
个选取方案，针对
Figure BDA0002793087080000092
个组合中的点对计算汉明距离，并统计汉明距离均值。
所述基于所述N对匹配关键点点对中的每一匹配关键点点对确定预设维度的描述子，所述预设维度的描述子为原始描述子。现有技术中，在生成二值化描述子的时候，需要将原始描述子中的一个维度与其他所有维度形成点对。例如，当所述原始描述子为128维的描述子时，总共就会有128*127/2＝8128个点对。可以最多形成8128维的描述子。然而，8128维的描述子的维度太高，会占用较多的运算时间和储存空间。我们需要寻找一种方式将8128维的描述子进行降维。按照经验和一些文献的实验资料，在描述子匹配上，256维的二值化描述子基本可以满足图像匹配的需求。维数太少会造成描述子的可分性变差，维数太多会造成匹配效率降低和储存空间变大。256维是一个比较合适的维度。因此，在本实施例中需要将8128维的描述子降维至256维。
在本实施方式中，基于所述N对匹配关键点点对中的每一匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取点对组合，计算各个点对组合中点对的汉明距离包括：分别根据所述第一图像中的PA1、PA2…PAn中的每一点生成预设j维描述子，降维目标值为2×j维，选取
Figure BDA0002793087080000093
个点对组合，计算各个组合中点对的汉明距离，并且统计汉明距离均值，其中j＝128；分别根据所述第二图像中的PB1、PB2…PBn中的每一点生成所述预设j维描述子，降维目标值为2×j维，选取
Figure BDA0002793087080000094
个点对组合，计算各个组合中点对的汉明距离，并且统计汉明距离均值，其中j＝128。
需要说明的是，为了满足将8128维的描述子降维至256维，所述j＝128。但是所述j还可以是任意其他数值，在此不做限定。
所述生成模块202还用于基于所述M对非匹配关键点点对中的每一非匹配关键点点对确定预设维度的描述子，基于所述预设维度的描述子和所述降维目标值选取预设数量的点对组合，计算各个点对组合中点对的汉明距离。
在本实施方式中，同样需要基于所述非匹配关键点点对生成256维的二值化描述子。具体地，分别根据所述第一图像中的NPA1、NPA2…NPAm中的每一点生成j维描述子，降维目标值为2×j维，选取
Figure BDA0002793087080000095
个点对组合，计算各个组合中点对的汉明距离，并且统计汉明距离均值；分别根据所述第二图像中的NPB1、NPB2…NPBm中的每一点生成所述预设j维描述子，降维目标值为2×j维，选取
Figure BDA0002793087080000096
个点对组合，计算各个组合中点对的汉明距离，并且统计汉明距离均值，其中j＝128。
所述计算模块203用于基于N对匹配关键点的各个点对组合中点对的汉明距离，计算得到第一均值。
所述计算模块203还用于基于所述M对非匹配关键点的各个点对组合中点对的汉明距离，计算得到第二均值。
在本实施方式中，为了确定所述预设数量组合情况生成的描述子使得图像匹配效果最佳，需要通过汉明距离来确定所述预设数量组合中的最佳组合。例如，所述最佳组合可以使匹配关键点点对的汉明距离(类内距)和非匹配关键点点对的汉明距离(类间距)差值的绝对值最大。
所述计算模块203还用于在遍历所述预设数量组合中的所有组合后，计算得到预设数量的第一均值和预设数量的第二均值。
所述选择模块204用于从所述预设数量第一均值中选择第一目标均值，以及从所述预设数量第二均值中选择第二目标均值，其中所述第一目标均值与所述第二目标均值之间的差值的绝对值最大。
在本实施方式中，在得到预设数量的第一均值和预设数量的第二均值后，从所述预设数量第一均值中选择第一目标均值，以及从所述预设数量第二均值中选择第二目标均值，其中所述第一目标均值与所述第二目标均值之间的差值的绝对值最大。如此，可以选择匹配关键点点对对应的第一均值较小，同时非匹配关键点点对对应的第二均值较大的256点对组合。在理想的状态下，最优的256组合会让匹配关键点点对的汉明距离(类内距)和非匹配关键点点对的汉明距离(类间距)差值最大，即类内距和类间距差异最大。此时，根据所述第一目标均值和第二目标均值确定的组合生成的二值化描述子具有最好的可分性，便于图像匹配。
所述选择模块205用于确定所述第一目标均值对应的所述预设数量组合中的第一组合，以及从所述第二目标均值对应的所述预设数量组合中的第二组合。
在本实施方式中，在确定匹配关键点点对的汉明距离(类内距)和非匹配关键点点对的汉明距离(类间距)差值最大的情况下的组合后，可以根据确定的组合生成二值化描述子。具体地，先确定所述第一目标均值对应的二值化描述子，再确定生成所述二值化描述子时对应所述预设数量组合中的第一组合，以及先确定所述第二目标均值对应的二值化描述子，再确定生成所述二值化描述子时对应所述预设数量组合中的第二组合。要说明的是，所述第一组合是依据匹配关键点点对选择得到的组合，所述第二组合是依据非匹配关键点点对选择得到的组合。所述第一组合与所述第二组合为同一组合。
在本实施方式中，所述生物识别芯片20还可以：
计算基于N对匹配关键点的各个点对组合中点对的汉明距离的第一方差以及计算基于所述M对非匹配关键点的各个点对组合中点对的汉明距离的第二方差；
设置所述第一均值和第一方差的权重值，以及设置所述第二均值和第二方差的权重值；
基于设置后的第一均值和第一方差确定所述第一组合，以及基于设置后的第二均值和第二方差确定所述第二组合。
在本实施方式中，由于所述汉明距离的均值无法体现个体差异，因此在确定生成所述二值化描述子的第一组合和第二组合时，还可以考虑所述匹配关键点点对的第一汉明距离的第一方差以及非匹配关键点点对的第二汉明距离的第二方差的大小。如果所述第一方差或者第二方差太大，说明所述点对组合生成的描述子的通用性不强，在不同的图像上匹配性能会存在差异。
在一实施方式中，可以设置所述第一均值的权重值为0.5，所述第一方差的权重值为0.5；所述第二均值的权重值为0.6，所述第二方差的权重值为0.4。再依据设置后的设置后的第一均值和第一方差确定所述第一组合，以及基于设置后的第二均值和第二方差确定所述第二组合，根据所述第一组合生成的二值化描述子和所述第二组合生成的二值化描述子执行后续的图像匹配。并根据匹配结果确定所述权重值是否合适。若确定所述权重值合适，则存储所述第一组合和所述第二组合，在后续应用中按照所述第一组合和所述第二组合生成二值化描述子进行图像匹配。若确定所述权重值不合适，则更新所述第一均值和第一方差的权重值，以及更新所述第二均值和第二方差的权重值，直到所述权重值合适。
需要说明的是，通过图像匹配的相似度是否大于或等于预设相似度来确定所述权重值是否合适。若图像匹配的相似度大于或等于预设相似度，确定所述权重值合适；若图像匹配的相似度小于预设相似度，确定所述权重值不合适。
需要说明的是，当所述第一方差的权重值等于零，且所述第二方差的权重值也等于零时，就可以得到所述第一组合和所述第二组合。
所述存储模块206用于存储所述第一组合和所述第二组合，并利用所述第一组合生成的二值化描述子和所述第二组合生成的二值化描述子执行后续的图像匹配。
在本实施方式中，存储所述第一组合和所述第二组合，方便后续在进行同类型的图像匹配时，利用所述第一组合生成的二值化描述子和所述第二组合生成的二值化描述子执行后续的图像匹配。例如，当利用上述生物识别芯片20对指纹图像进行处理后得到所述第一组合和所述第二组合，可以存储所述第一组合和所述第二组合，并在需要再次对指纹图像进行匹配时，利用所述第一组合生成的二值化描述子和所述第二组合生成的二值化描述子来对所述指纹图像进行匹配。
本申请公开的图像匹配方法，当j＝128时，可以通过对8128个点对进行遍历，从中找出一个最优组合(256点对)，能够让根据匹配关键点点对生成的一对描述子之间的汉明距离尽量小，非匹配关键点点对生成的一对描述子之间的汉明距离尽量大，达到尽量拉大类内距离和类间距离之间的差异的目的。在后续图像匹配(如指纹匹配)中利用此点对组合生成二值化的描述子。可以快速生成描述子，并且尽可能的保留了原始描述子的特征，可以极大的减少描述子的储存空间，并能加快图像匹配的速度。
图3为本申请一实施方式提供的电子装置的功能模块示意图。所述电子装置10包括存储器11、处理器12以及存储在所述存储器11中并可在所述处理器12上运行的计算机程序13，例如图像匹配的程序。
在本实施方式中，所述电子装置10可以是但不限于手机、平板电脑、计算机等装置。
所述处理器12执行所述计算机程序13时实现上述方法实施例中图像匹配的步骤。或者，所述处理器13执行所述计算机程序13实现上述芯片实施例中各模块/单元的功能。
示例性的，所述计算机程序13可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器11中，并由所述处理器12执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序13在所述电子装置10中的执行过程。例如，所述计算机程序13可以被分割成图2中的模块201-206。
本领域技术人员可以理解，所述示意图3仅仅是电子装置10的示例，并不构成对电子装置10的限定，电子装置10可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子装置10还可以包括输入输出设备等。
所称处理器12可以是中央处理单元(Central Processing Unit，CPU)，还可以包括其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器12是所述电子装置10的控制中心，利用各种接口和线路连接整个电子装置10的各个部分。
所述存储器11可用于存储所述计算机程序13和/或模块/单元，所述处理器12通过运行或执行存储在所述存储器11内的计算机程序和/或模块/单元，以及调用存储在存储器11内的数据，实现所述电子装置10的各种功能。存储器11可以包括外部存储介质，也可以包括内存。此外，存储器11可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、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。
所述电子装置10集成的模块/单元如果以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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种图像匹配方法，其特征在于，所述方法包括：
获取匹配图像对，及从所述匹配图像对中随机挑选出N对匹配关键点点对和M对非匹配关键点点对；
基于所述N对匹配关键点点对中的每一匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量点对组合，计算各个点对组合中点对的汉明距离；
基于所述M对非匹配关键点点对中的每一非匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量点对组合，计算各个点对组合中点对的汉明距离；
基于N对匹配关键点的各个点对组合中点对的汉明距离，计算得到第一均值；
基于所述M对非匹配关键点的各个点对组合中点对的汉明距离，计算得到第二均值；
在遍历所述预设数量点对组合中的所有组合后，计算得到预设数量的第一均值和预设数量的第二均值；
从所述预设数量的第一均值中选择第一目标均值，以及从所述预设数量的第二均值中选择第二目标均值，其中所述第一目标均值与所述第二目标均值之间的差值的绝对值最大；
确定所述第一目标均值对应的所述预设数量组合中的第一组合，以及从所述第二目标均值对应的所述预设数量组合中的第二组合；
存储所述第一组合和所述第二组合，并利用所述第一组合生成的二值化描述子和所述第二组合生成的二值化描述子执行图像匹配。
2.如权利要求1所述的图像匹配方法，其特征在于，所述匹配图像对包括第一图像和第二图像，所述N对匹配关键点点对包括第一图像中的匹配关键点PA1、PA2…PAn以及对应的第二图像中的匹配关键点PB1、PB2…PBn，所述M对非匹配关键点点对包括第一图像中的非匹配关键点NPA1、NPA2…NPAm以及对应的第二图像中的非匹配关键点NPB1、NPB2…NPBm，其中N等于M。
3.如权利要求2所述的图像匹配方法，其特征在于，所述第一图像和所述第二图像之间的相似度大于或等于预设值。
4.如权利要求3所述的图像匹配方法，其特征在于，所述基于所述N对匹配关键点点对中的每一匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量点对组合，计算各个点对组合中点对的汉明距离包括：
分别根据所述第一图像中的PA1、PA2…PAn中的每一点生成j维描述子；；
基于所述j维描述子和所述降维目标值选取预设数量的点对组合，其中，所述降维目标值为2×j维，所述预设数量为
Figure FDA0002793087070000011
计算选取的点对组合中各点对的汉明距离，并且统计汉明距离均值
分别根据所述第二图像中的PB1、PB2…PBn中的每一点生成所述j维描述子；
基于所述j维描述子和所述降维目标值选取预设数量的点对组合，其中，所述降维目标值为2×j维，所述预设数量为
Figure FDA0002793087070000021
计算选取的点对组合中各点对的汉明距离，并且统计汉明距离均值。
5.如权利要求4所述的图像匹配方法，其特征在于，所述基于所述M对非匹配关键点点对中的每一非匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量点对组合，计算各个点对组合中点对的汉明距离包括：
分别根据所述第一图像中的NPA1、NPA2…NPAm中的每一点生成j维描述子，其中，所述降维目标值为2×j维；；
基于所述j维描述子和所述降维目标值选取预设数量的点对组合，其中，所述预设数量为
Figure FDA0002793087070000022
计算选取的点对组合中各点对的汉明距离，并且统计汉明距离均值；
分别根据所述第二图像中的NPB1、NPB2…NPBm中的每一点生成所述j维描述子，其中，所述降维目标值为2×j维；
基于所述j维描述子和所述降维目标值选取预设数量的点对组合，其中，所述预设数量为
Figure FDA0002793087070000023
计算选取的点对组合中各点对的汉明距离，并且统计汉明距离均值。
6.如权利要求1所述的图像匹配方法，其特征在于，所述方法还包括：
计算基于N对匹配关键点的各个点对组合中点对的汉明距离的第一方差以及计算基于所述M对非匹配关键点的各个点对组合中点对的汉明距离的第二方差；
设置所述第一均值和第一方差的权重值，以及设置所述第二均值和第二方差的权重值；
基于设置后的第一均值和第一方差确定所述第一组合，以及基于设置后的第二均值和第二方差确定所述第二组合。
7.如权利要求1至5中任意一项所述的图像匹配方法，其特征在于，所述j为128。
8.如权利要求6所述的图像匹配方法，其特征在于，所述方法还包括：
通过图像匹配的相似度是否大于或等于预设相似度来确定所述权重值是否合适；
若图像匹配的相似度大于或等于预设相似度，确定所述权重值合适；及
若图像匹配的相似度小于预设相似度，确定所述权重值不合适。
9.一种生物识别芯片，其特征在于，所述芯片包括：
获取模块，用于获取匹配图像对，及从所述匹配图像对中随机挑选出N对匹配关键点点对和M对非匹配关键点点对；
生成模块，用于基于所述N对匹配关键点点对中的每一匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量点对组合，计算各个点对组合中点对的汉明距离；
所述生成模块，还用于基于所述M对非匹配关键点点对中的每一非匹配关键点点对确定预设维度的描述子，基于预设维度的描述子和降维目标值选取预设数量点对组合，计算各个点对组合中点对的汉明距离；
计算模块，用于基于N对匹配关键点的各个点对组合中点对的汉明距离，计算得到第一均值；
所述计算模块，还用于基于所述M对非匹配关键点的各个点对组合中点对的汉明距离，计算得到第二均值；
所述计算模块，还用于在遍历所述预设数量组合中的所有组合后，计算得到预设数量的第一均值和预设数量的第二均值；
选择模块，用于从所述预设数量第一均值中选择第一目标均值，以及从所述预设数量第二均值中选择第二目标均值，其中所述第一目标均值与所述第二目标均值之间的差值的绝对值最大；
确定模块，用于确定所述第一目标均值对应的所述预设数量组合中的第一组合，以及从所述第二目标均值对应的所述预设数量组合中的第二组合；
存储模块，用于存储所述第一组合和所述第二组合，并利用所述第一组合生成的二值化描述子和所述第二组合生成的二值化描述子执行后续的图像匹配。
10.一种电子装置，其特征在于，所述电子装置包括：
处理器；以及
存储器，所述存储器中存储有多个程序模块，所述多个程序模块由所述处理器加载并执行如权利要求1至8中任意一项所述的图像匹配方法。
CN202011321538.4A 2020-11-23 2020-11-23 图像匹配方法、生物识别芯片及电子装置 Active CN112308027B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011321538.4A CN112308027B (zh) 2020-11-23 2020-11-23 图像匹配方法、生物识别芯片及电子装置
TW109146056A TW202133048A (zh) 2020-11-23 2020-12-24 圖像匹配方法、生物識別晶片及電子裝置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011321538.4A CN112308027B (zh) 2020-11-23 2020-11-23 图像匹配方法、生物识别芯片及电子装置

Publications (2)

Publication Number Publication Date
CN112308027A true CN112308027A (zh) 2021-02-02
CN112308027B CN112308027B (zh) 2022-04-01

Family

ID=74335123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011321538.4A Active CN112308027B (zh) 2020-11-23 2020-11-23 图像匹配方法、生物识别芯片及电子装置

Country Status (2)

Country Link
CN (1) CN112308027B (zh)
TW (1) TW202133048A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936361A (zh) * 2022-01-28 2022-08-23 中国银联股份有限公司 生物特征识别方法、服务器以及客户端

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127243A (zh) * 2016-06-22 2016-11-16 上海师范大学 一种基于二值化sift描述子的图像匹配方法
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
CN108182205A (zh) * 2017-12-13 2018-06-19 南京信息工程大学 一种基于sift的hash算法的图像快速检索方法
CN110826355A (zh) * 2018-08-07 2020-02-21 腾讯数码（天津）有限公司 一种图像识别方法、装置和存储介质
CN111860272A (zh) * 2020-07-13 2020-10-30 敦泰电子（深圳）有限公司 图像处理方法、芯片及电子装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127243A (zh) * 2016-06-22 2016-11-16 上海师范大学 一种基于二值化sift描述子的图像匹配方法
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
CN108182205A (zh) * 2017-12-13 2018-06-19 南京信息工程大学 一种基于sift的hash算法的图像快速检索方法
CN110826355A (zh) * 2018-08-07 2020-02-21 腾讯数码（天津）有限公司 一种图像识别方法、装置和存储介质
CN111860272A (zh) * 2020-07-13 2020-10-30 敦泰电子（深圳）有限公司 图像处理方法、芯片及电子装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘利锋 等: "采用二值SIFT特征描述的图像匹配方法", 《计算机应用与软件》 *
高永强 等: "局部二值描述子在图像匹配中的应用", 《网络新媒体技术》 *

Also Published As

Publication number Publication date
CN112308027B (zh) 2022-04-01
TW202133048A (zh) 2021-09-01

Similar Documents

Publication Publication Date Title
RU2589344C2 (ru) Способ, устройство и система аутентификации на основе биологических характеристик
Yang et al. Improved local binary pattern for real scene optical character recognition
JP6840973B2 (ja) 照合方法、照合装置、照合プログラム
CN112597978B (zh) 指纹匹配方法、装置、电子设备及存储介质
Charfi et al. Bimodal biometric system based on SIFT descriptors of hand images
WO2013181695A1 (en) Biometric verification
CN110633733B (zh) 图像智能匹配方法、装置及计算机可读存储介质
CN112308027B (zh) 图像匹配方法、生物识别芯片及电子装置
Amato et al. Aggregating binary local descriptors for image retrieval
Nguyen-Quoc et al. A revisit histogram of oriented descriptor for facial color image classification based on fusion of color information
Matalov et al. RFDoc: Memory efficient local descriptors for id documents localization and classification
Fathi et al. Metric-learning-based high-discriminative local features extraction for iris recognition
Nakai et al. Camera-based document image retrieval as voting for partial signatures of projective invariants
CN112348008A (zh) 证件信息的识别方法、装置、终端设备及存储介质
Liu et al. Finger-vein recognition with modified binary tree model
US9189693B2 (en) Information processing apparatus and information processing method
Iwamura et al. Improvement of Retrieval Speed and Required Amount of Memory for Geometric Hashing by Combining Local Invariants.
Amelio Approximate matching in ACSM dissimilarity measure
Weng et al. Random VLAD based deep hashing for efficient image retrieval
Kumar et al. Cross domain descriptor for sketch based image retrieval using siamese network
CN111860272A (zh) 图像处理方法、芯片及电子装置
Wu et al. An improved feature image matching algorithm based on Locality-Sensitive Hashing
Setumin et al. Characterising local feature descriptors for face sketch to photo matching
Chafik et al. Unsupervised deep neuron-per-neuron hashing
Datta Rakshit et al. An LDOP approach for face identification under unconstrained scenarios

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