CN112364881A - 一种进阶采样一致性图像匹配算法 - Google Patents

一种进阶采样一致性图像匹配算法 Download PDF

Info

Publication number
CN112364881A
CN112364881A CN202010251972.3A CN202010251972A CN112364881A CN 112364881 A CN112364881 A CN 112364881A CN 202010251972 A CN202010251972 A CN 202010251972A CN 112364881 A CN112364881 A CN 112364881A
Authority
CN
China
Prior art keywords
points
matching
point
image
calculating
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
CN202010251972.3A
Other languages
English (en)
Other versions
CN112364881B (zh
Inventor
张立炎
熊维康
陈凯风
陈启宏
周克亮
肖朋
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202010251972.3A priority Critical patent/CN112364881B/zh
Publication of CN112364881A publication Critical patent/CN112364881A/zh
Application granted granted Critical
Publication of CN112364881B publication Critical patent/CN112364881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/194Segmentation; Edge detection involving foreground-background segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/30Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local 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
    • G06V10/443Local 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 by matching or filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20016Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform

Landscapes

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

Abstract

本发明涉及图像处理技术领域,具体涉及一种进阶采样一致性图像匹配算法。读取待匹配的两张图片,对每张图片构建图像金字塔,完成初始化;检测图片中Oriented FAST角点的位置,使用迭代法设置阈值;进行FAST关键点的提取;根据角点位置计算BRIEF描述子;对图像金字塔的每一层图片进行步骤2~4的操作;对图像进行网格处理,通过暴力匹配法进行特征匹配,并在匹配过程中缺乏先验信息时使用词袋模型对描述子进行分类;分组计算匹配点的质量因子并降序排序,对其进行筛选,剔除误匹配点;绘制匹配结果。减少了算法采样的随机性,不仅提升了获得正确模型的成功率,也大大降低了系统的迭代次数,提高了算法的速度,减少了系统的总体计算时间。

Description

一种进阶采样一致性图像匹配算法
技术领域
本发明涉及图像处理技术领域,具体涉及一种进阶采样一致性图像匹配算法。
背景技术
视觉导航的方法有很长的历史,从简单的单目视觉里程计到双目视觉里程计,再到后来基于视觉的SLAM(Simultaneous Localization and Mapping),关于视觉导航方面的研究已经取得了很大进步。1980年Moravec提出了视觉里程计的框架,此后出现的视觉里程计都是基于该框架,主要包含特征提取、匹配、跟踪以及后端的位姿估计。
近年来在计算机视觉处理中,当角度、距离等观测环境变化时,角点可能会被误判变成普通点,普通点也可能会被误判成角点。为了解决这种问题计算机视觉领域定义了更加稳定的特征点,即ORB特征。
ORB特征算法通过运用灰度质心法在FAST角点检测的基础上加上了方向,又通过在BRIEF描述子的点对集矩阵上加入旋转矩阵,给BRIEF描述子加上了旋转不变性,使算法具备了平移、旋转、光照的不变性,使其相对于SURF、SIFT等算子有着一个数量级以上的提高。
但在实际操作中由于受到光照、平移、相机抖动造成的拖影等影响,特征点不一定都能得到匹配,甚至有可能产生误匹配的情况。这会降低左右两帧图像之间单应性矩阵的精度,进而影响计算机视觉系统的测量精度。
发明内容
本发明的目的就是针对现有技术的缺陷,提供一种进阶采样一致性图像匹配算法,它适用于高匹配精度场合的图像匹配,能在较强有效性和鲁棒性的前提下,保证导航系统高定位精度的同时加快系统的定位速度。
本发明技术方案为:一种进阶采样一致性图像匹配算法,包括:
步骤1,读取待匹配的两张图片,对每张图片构建图像金字塔,完成初始化;
步骤2,检测图片中Oriented FAST角点的位置,使用迭代法设置阈值T;
步骤3,进行FAST关键点的提取;
步骤4,根据角点位置计算BRIEF描述子;
步骤5,对图像金字塔的每一层图片进行步骤2~4的操作;
步骤6,对图像进行网格处理,通过暴力匹配法进行特征匹配,并在匹配过程中缺乏先验信息时使用词袋模型对描述子进行分类;
步骤7,分组计算匹配点的质量因子并降序排序,对其进行筛选,剔除误匹配点;
步骤8,绘制匹配结果。
较为优选的,所述步骤2包括:
步骤201,为全局阈值设置一个初始估计值T,并用T分割图像,产生两组像素G1和G2,其中,G1由灰度值大于T的像素组成,G2由灰度值小于等于T的像素组成;
步骤202,通过计算G1和G2像素的平均灰度值m1和m2,得到一个新的阈值
Figure RE-GDA0002714702300000031
并将新的阈值
Figure RE-GDA0002714702300000032
代入步骤201;
步骤203,重复步骤201~202,直至本次迭代所得的T值与上次迭代所得的T值之差小于设定值,最终得到全局阈值T′。
较为优选的,所述步骤3包括:
以像素点p为中心,选取半径为r的圆上的多个像素点,若多个像素点中有连续N个点的亮度大于Ip+T′或小于Ip-T′,则判断像素点p为FAST关键点;
重复步骤2~3,直至所有像素点中的FAST关键点全部提取完毕;
其中,Ip为像素点p的灰度值,T′为全局阈值。
较为优选的,所述步骤3包括:
指定最终要提取的角点数量M,对原始FAST角点分别计算 Harris响应值;
选取前M个具有最大响应值的角点作为最终的角点集合;
利用添加尺度和旋转描述的方式对选取的角点添加方向,其中
对选取的角点添加尺度描述的方式为构建图像金字塔,并在金字塔的每一层上检测角点;
对选取的角点添加旋转描述的方式为利用灰度质心法计算特征点方向。
较为优选的,所述步骤4包括:
按照高斯概率分布,在关键点附近随机均匀选取一对像素点 p和q;
计算n对像素点的BRIEF描述子点集D;
利用旋转矩阵Rθ计算添加方向后的BRIEF描述子点集Dθ,所述Dθ=RθD。
较为优选的,所述步骤6包括:
在匹配过程中,进行重构特征点和/或三角化和/或相似变换操作,并对特征点加入正向景深、视差距离、反投影误差、尺度及旋转一致性的判断。
较为优选的,所述步骤7包括:
计算各匹配点的质量因子;
取质量排名最好的m个匹配点进行分组,计算每组匹配点的质量之和,将各个组按质量之和的高低进行降序排列;
选取质量之和最高的k组匹配点计算单应性矩阵H,其余匹配点根据所述单应性矩阵H计算对应的投影点;
将匹配点与投影点的误差e与误差门限δ比较,若e<δ则判断该匹配点为内点,否则为外点;
统计内点数目t并与内点数目阈值S比较,若t>S,则内点数目更新为t,返回内点和模型参数;反之则继续迭代,直至t>S。
本发明的有益效果为:在图像特征点对的匹配过程中,通过使用迭代法设置阈值,对图像进行重复阈值操作,将图像分割为对象类和背景类,然后利用每一个类中的灰阶级别对阈值进行改进,该方法计算简单,错分概率小;通过使用词袋模型对描述子进行分类从而简化了运算,加速了匹配进程,同时也对特征点加入正向景深、视差距离、反投影误差、尺度及旋转一致性的严格判断;针对传统的直接采用随机抽样法进行的误匹配筛选,本方案减少了算法采样的随机性,不仅提升了获得正确模型的成功率,也大大降低了系统的迭代次数,提高了算法的速度,减少了系统的总体计算时间。
附图说明
图1为本发明流程示意图;
图2为本发明步骤2流程示意图;
图3为本发明步骤3中FAST关键点的提取示意图;
图4为本发明步骤4BRIEF描述子的采样方式示意图;
图5为本发明步骤7流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明,便于清楚地了解本发明,但它们不对本发明构成限定。
如图1所示,本发明提供的采样一致性图像匹配算法流程如下:
步骤1,读取待匹配的两张图片,采用双线性插值对每张图片构建图像金字塔,完成初始化。该图像金字塔,建立8层按比例缩放的图像,实现尺度不变性。
步骤2,检测图片中Oriented FAST角点的位置,使用迭代法设置阈值T。如图2所示,为全局阈值设置一个初始估计值T(图像的平均灰度值)并用T分割图像,产生两组像素:G1由灰度值大于T的像素组成,G2由小于等于T的像素组成。通过计算G1和 G2像素的平均灰度值m1和m2,从而计算出一个新的阈值
Figure RE-GDA0002714702300000061
重复之前的步骤直到连续迭代中的T值间的差小于一个预定义参数为止。
步骤3,进行FAST关键点的提取。如图3所示,以像素点p 为中心,选取半径为3的圆上的16个像素点。假如选取的圆上有连续N个点的亮度大于Ip+T或小于Ip-T,那么像素点p可以被认为是特征点(N通常取12,即为FAST-12。其它常用的N取值为9和11,它们分别被称为FAST-9和FAST-11)。循环步骤2和步骤3,对每一个像素点执行相同的操作。
提取的FAST关键点数量很多且不确定,通过指定最终要提取的角点数量M,对原始FAST角点分别计算Harris响应值,然后选取前M个具有最大响应值的角点作为最终的角点集合。其次FAST角点不具有方向性,通过添加尺度和旋转的描述可以有效解决问题。尺度不变性由构建图像金字塔,并在金字塔的每一层上检测角点来实现。而特征的旋转是由灰度质心法实现的。
在一个小的图像块B中,定义图像块的矩为:
Figure RE-GDA0002714702300000071
其中I(x,y)为图像灰度表达式,通过矩可以找到图像块的质心:
Figure RE-GDA0002714702300000072
连接图像块的几何中心O与质心C,得到一个方向向量
Figure RE-GDA0002714702300000074
, 于是特征点的方向可以定义为:
θ=arctan(m01/m10)
步骤4,根据角点位置计算BRIEF描述子。如图4所示,BRIEF 是一种二进制描述子。其描述向量由许多个0和1组成,这里的 0和1编码了关键点附近两个像素p和q之间的大小关系:如果p 比q大,则取1,反之就取0。按照高斯概率分布,随机均匀的选取p和q的位置,描述子计算完毕之后根据步骤3中计算的特征点方向,计算添加方向的描述子。
原式BRIEF描述子选取的n对像素点集为:
Figure RE-GDA0002714702300000073
已知向量对应角度为θ,则对应的新点对为:
Dθ=RθD
其中Dθ为添加完方向后的描述子点集,Rθ为旋转矩阵。
步骤5,对图像金字塔的每一层图片进行步骤2~4的操作。
步骤6,对图像进行网格处理,通过暴力匹配法进行特征匹配,并在匹配过程中缺乏先验信息时使用词袋模型对描述子进行分类。在进行图像特征提取时首先做网格处理,从而可以避免特征点选取的不均匀性。匹配时采用暴力匹配法,即对每一个特征点
Figure RE-GDA0002714702300000082
与所有的
Figure RE-GDA0002714702300000083
测量描述子的距离然后排序,取最近的一个作为匹配点。对于BRIEF这种二进制描述子通常使用汉明距离作为度量,即两个二进制串之间的汉明距离(指的是不同位数的个数)。而当特征点数量过大时,也可采用快速近似最邻近算法以满足系统的实时性要求。匹配过程中,在缺乏先验信息时采用词袋模型对描述子进行分类,通过类别节点的设置可以简化运算,同时通过重构特征点、三角化或相似变换约束缩小搜索范围以加速匹配进程,对特征点加入正向景深、视差距离、反投影误差、尺度及旋转一致性的严格判断。
步骤7,分组计算匹配点的质量因子并降序排序,对其进行筛选,剔除误匹配点。如图5所示,系统首先会通过引入质量因子来对特征匹配进行质量分级,质量较高的匹配点对被用来求取单应性矩阵。在特征匹配过程中,每一对匹配特征点会产生汉明距离的比值β,其计算公式为:
Figure RE-GDA0002714702300000081
其中,dmin为最小汉明距离,dmin2为次小汉明距离。
由于比值β与最小汉明距离dmin这两个变量越小,匹配特征点对的匹配质量越好,匹配正确的成功率也越高。设定阈值为βt,当β小于βt时则可认为该两个特征点匹配。因此定义一个质量因子γ来衡量匹配点对的质量好坏,即质量越好,匹配点是内点的相对概率越高,求得正确模型也越容易。质量因子γ的计算公式:
Figure RE-GDA0002714702300000091
设置最大迭代次数为Im,内点误差门限为δ,内点数目阈值为TP
δ的计算公式为:
δ=η(Limg+Himg)
其中,Limg表示图像的长度,Himg表示图像的宽度,η为常数。
TP的计算公式为:
TP=μN
其中,μ为大于0小于1的常数,N为匹配点数目。
取质量排名最好的m个点每4个点组合,计算每组的质量之和,并按组合的质量之和降序排列。选取质量之和相对最高的4 组(至少4组)匹配点对计算单应性矩阵H,除去这4组匹配点对的剩余匹配点对按照H计算对应的投影点。计算匹配点与投影点的误差e与误差门限δ比较,若e<δ则判断为内点,否则为外点。统计内点数目t并与内点数目阈值TP比较,若t>TP,则内点数目更新为t,反之则迭代次数加1并重复质量排序之后的步骤。利用更新后的t个内点重新计算单应性矩阵H以及新的内点,若迭代次数I小于最大迭代次数Im,则返回单应性矩阵以及新的内点集,反之则找不到符合的模型,流程图如图5所示。
步骤8,绘制匹配结果。绘制改进的进阶采样一致性图像匹配算法的匹配结果。
本发明的可行性通过如下实验加以验证:
实验在ubuntu16.04操作环境下,使用C++编译,计算机配置为:Intel(R)Core(TM)i5-5200U CPU@2.20GHz 2.19GHz RAM 8.00GB;
设置为0.8,为2000,为0.1,为0.6;
采用的图像样本选自于开源数据集中的图像。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (7)

1.一种进阶采样一致性图像匹配算法,其特征在于,包括:
步骤1,读取待匹配的两张图片,对每张图片构建图像金字塔,完成初始化;
步骤2,检测图片中Oriented FAST角点的位置,使用迭代法设置阈值T;
步骤3,进行FAST关键点的提取;
步骤4,根据角点位置计算BRIEF描述子;
步骤5,对图像金字塔的每一层图片进行步骤2~4的操作;
步骤6,对图像进行网格处理,通过暴力匹配法进行特征匹配,并在匹配过程中缺乏先验信息时使用词袋模型对描述子进行分类;
步骤7,分组计算匹配点的质量因子并降序排序,对其进行筛选,剔除误匹配点;
步骤8,绘制匹配结果。
2.根据权利要求1所述的进阶采样一致性图像匹配算法,其特征在于,所述步骤2包括:
步骤201,为全局阈值设置一个初始估计值T,并用T分割图像,产生两组像素G1和G2,其中,G1由灰度值大于T的像素组成,G2由灰度值小于等于T的像素组成;
步骤202,通过计算G1和G2像素的平均灰度值m1和m2,得到一个新的阈值
Figure FDA0002435824360000011
并将新的阈值
Figure FDA0002435824360000012
代入步骤201;
步骤203,重复步骤201~202,直至本次迭代所得的T值与上次迭代所得的T值之差小于设定值,最终得到全局阈值T′。
3.根据权利要求1所述的进阶采样一致性图像匹配算法,其特征在于,所述步骤3包括:
以像素点p为中心,选取半径为r的圆上的多个像素点,若多个像素点中有连续N个点的亮度大于Ip+T或小于Ip-T,则判断像素点p为FAST关键点;
重复步骤2~3,直至所有像素点中的FAST关键点全部提取完毕;
其中,Ip为像素点p的灰度值,T′为全局阈值。
4.根据权利要求1所述的进阶采样一致性图像匹配算法,其特征在于,所述步骤3包括:
指定最终要提取的角点数量M,对原始FAST角点分别计算Harris响应值;
选取前M个具有最大响应值的角点作为最终的角点集合;
利用添加尺度和旋转描述的方式对选取的角点添加方向,其中
对选取的角点添加尺度描述的方式为构建图像金字塔,并在金字塔的每一层上检测角点;
对选取的角点添加旋转描述的方式为利用灰度质心法计算特征点方向。
5.根据权利要求1所述的进阶采样一致性图像匹配算法,其特征在于,所述步骤4包括:
按照高斯概率分布,在关键点附近随机均匀选取一对像素点p和q;
计算n对像素点的BRIEF描述子点集D;
利用旋转矩阵Rθ计算添加方向后的BRIEF描述子点集Dθ,所述Dθ=RθD。
6.根据权利要求1所述的进阶采样一致性图像匹配算法,其特征在于,所述步骤6包括:
在匹配过程中,进行重构特征点和/或三角化和/或相似变换操作,并对特征点加入正向景深、视差距离、反投影误差、尺度及旋转一致性的判断。
7.根据权利要求1所述的进阶采样一致性图像匹配算法,其特征在于,所述步骤7包括:
计算各匹配点的质量因子;
取质量排名最好的m个匹配点进行分组,计算每组匹配点的质量之和,将各个组按质量之和的高低进行降序排列;
选取质量之和最高的k组匹配点计算单应性矩阵H,其余匹配点根据所述单应性矩阵H计算对应的投影点;
将匹配点与投影点的误差e与误差门限δ比较,若e<δ则判断该匹配点为内点,否则为外点;
统计内点数目t并与内点数目阈值S比较,若t>S,则内点数目更新为t,返回内点和模型参数;反之则继续迭代,直至t>S。
CN202010251972.3A 2020-04-01 2020-04-01 一种进阶采样一致性图像匹配方法 Active CN112364881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010251972.3A CN112364881B (zh) 2020-04-01 2020-04-01 一种进阶采样一致性图像匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010251972.3A CN112364881B (zh) 2020-04-01 2020-04-01 一种进阶采样一致性图像匹配方法

Publications (2)

Publication Number Publication Date
CN112364881A true CN112364881A (zh) 2021-02-12
CN112364881B CN112364881B (zh) 2022-06-28

Family

ID=74516365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010251972.3A Active CN112364881B (zh) 2020-04-01 2020-04-01 一种进阶采样一致性图像匹配方法

Country Status (1)

Country Link
CN (1) CN112364881B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554036A (zh) * 2021-07-07 2021-10-26 浙江工业大学 一种改进orb算法的特征点提取与匹配方法
CN113569876A (zh) * 2021-08-31 2021-10-29 东软睿驰汽车技术(沈阳)有限公司 图像特征提取方法、装置和电子设备
CN114372510A (zh) * 2021-12-15 2022-04-19 北京工业大学 一种基于图像区域分割的帧间匹配slam方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090271433A1 (en) * 2008-04-25 2009-10-29 Xerox Corporation Clustering using non-negative matrix factorization on sparse graphs
US20130101204A1 (en) * 2011-10-19 2013-04-25 Lee F. Holeva Generating a composite score for a possible pallet in an image scene
CN107680133A (zh) * 2017-09-15 2018-02-09 重庆邮电大学 一种基于改进闭环检测算法的移动机器人视觉slam方法
CN107704867A (zh) * 2017-08-24 2018-02-16 哈尔滨工业大学 一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法
CN107918927A (zh) * 2017-11-30 2018-04-17 武汉理工大学 一种匹配策略融合及低误差的快速图像拼接方法
CN108335319A (zh) * 2018-02-06 2018-07-27 中南林业科技大学 一种基于自适应阈值及ransac的图像角点匹配方法
CN110264503A (zh) * 2019-06-18 2019-09-20 上海理工大学 一种基于cs搜索的图像配准方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090271433A1 (en) * 2008-04-25 2009-10-29 Xerox Corporation Clustering using non-negative matrix factorization on sparse graphs
US20130101204A1 (en) * 2011-10-19 2013-04-25 Lee F. Holeva Generating a composite score for a possible pallet in an image scene
CN107704867A (zh) * 2017-08-24 2018-02-16 哈尔滨工业大学 一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法
CN107680133A (zh) * 2017-09-15 2018-02-09 重庆邮电大学 一种基于改进闭环检测算法的移动机器人视觉slam方法
CN107918927A (zh) * 2017-11-30 2018-04-17 武汉理工大学 一种匹配策略融合及低误差的快速图像拼接方法
CN108335319A (zh) * 2018-02-06 2018-07-27 中南林业科技大学 一种基于自适应阈值及ransac的图像角点匹配方法
CN110264503A (zh) * 2019-06-18 2019-09-20 上海理工大学 一种基于cs搜索的图像配准方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MARAGOS P ET AL: "Threshold superposition in morphological image analysis systems", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS & MACHINE INTELLIGENCE》, vol. 12, no. 05, 31 December 1990 (1990-12-31) *
徐瑞鑫等: "基于切分模板的实时跟踪算法", 《吉林工学院学报(自然科学版)》, no. 03, 31 December 2002 (2002-12-31) *
钱杭等: "动态无线充电的软开关及控制策略研究", 《电力电子技术》, vol. 53, no. 01, 31 December 2019 (2019-12-31) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554036A (zh) * 2021-07-07 2021-10-26 浙江工业大学 一种改进orb算法的特征点提取与匹配方法
CN113569876A (zh) * 2021-08-31 2021-10-29 东软睿驰汽车技术(沈阳)有限公司 图像特征提取方法、装置和电子设备
CN114372510A (zh) * 2021-12-15 2022-04-19 北京工业大学 一种基于图像区域分割的帧间匹配slam方法

Also Published As

Publication number Publication date
CN112364881B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
Melekhov et al. Dgc-net: Dense geometric correspondence network
CN113012212B (zh) 一种基于深度信息融合的室内场景三维点云重建方法和系统
CN105740899B (zh) 一种机器视觉图像特征点检测与匹配复合的优化方法
CN106780557B (zh) 一种基于光流法和关键点特征的运动目标跟踪方法
CN112364881B (zh) 一种进阶采样一致性图像匹配方法
CN107633226B (zh) 一种人体动作跟踪特征处理方法
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
CN111046856B (zh) 基于动静态特征提取并行位姿跟踪与地图创建的方法
CN111652292B (zh) 一种基于ncs、ms的相似物体实时检测方法及系统
CN113393524B (zh) 一种结合深度学习和轮廓点云重建的目标位姿估计方法
CN113888461A (zh) 基于深度学习的小五金件缺陷检测方法、系统及设备
CN112164115A (zh) 物体位姿识别的方法、装置及计算机存储介质
CN111009005A (zh) 几何信息与光度信息相结合的场景分类点云粗配准方法
CN116229189B (zh) 基于荧光内窥镜的图像处理方法、装置、设备及存储介质
CN115049821A (zh) 一种基于多传感器融合的三维环境目标检测方法
CN110942473A (zh) 一种基于特征点网格化匹配的运动目标跟踪检测方法
CN111652836A (zh) 一种基于聚类算法和神经网络的多尺度目标检测方法
CN110633727A (zh) 基于选择性搜索的深度神经网络舰船目标细粒度识别方法
CN117576079A (zh) 一种工业产品表面异常检测方法、装置及系统
CN112652003A (zh) 一种基于ransac测度优化的三维点云配准方法
Zhang et al. Research on image feature point matching based on ORB and RANSAC algorithm
CN110727817B (zh) 基于t-CNN的三维模型检索方法、终端设备及存储介质
CN113128518B (zh) 基于孪生卷积网络和特征混合的sift误匹配检测方法
CN108921872B (zh) 一种适用于长程跟踪的鲁棒性视觉目标跟踪方法
CN112329662B (zh) 基于无监督学习的多视角显著性估计方法

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