CN112419375B - 特征点的匹配方法及装置、存储介质、电子装置 - Google Patents

特征点的匹配方法及装置、存储介质、电子装置 Download PDF

Info

Publication number
CN112419375B
CN112419375B CN202011300291.8A CN202011300291A CN112419375B CN 112419375 B CN112419375 B CN 112419375B CN 202011300291 A CN202011300291 A CN 202011300291A CN 112419375 B CN112419375 B CN 112419375B
Authority
CN
China
Prior art keywords
target image
feature point
feature
determining
target
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.)
Active
Application number
CN202011300291.8A
Other languages
English (en)
Other versions
CN112419375A (zh
Inventor
潘威滔
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.)
Qingdao Haier Technology Co Ltd
Haier Smart Home Co Ltd
Original Assignee
Qingdao Haier Technology Co Ltd
Haier Smart Home Co 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 Qingdao Haier Technology Co Ltd, Haier Smart Home Co Ltd filed Critical Qingdao Haier Technology Co Ltd
Priority to CN202011300291.8A priority Critical patent/CN112419375B/zh
Publication of CN112419375A publication Critical patent/CN112419375A/zh
Application granted granted Critical
Publication of CN112419375B publication Critical patent/CN112419375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras

Landscapes

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

Abstract

本发明提供了一种特征点的匹配方法及装置、存储介质、电子装置，上述方法包括：获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量；根据旋转矩阵对第一目标图像进行旋转处理，得到第三目标图像，并获取第三目标图像的第一特征点集合，第一特征点集合包括：第三目标图像中的多个显著点；确定第二目标图像的第二特征点集合，对第一特征点集合中的特征点与第二特征点集合中的特征点进行匹配，第二特征集合：第二目标图像中的多个显著点，即通过旋转偏移量将处于不同角度获取的目标图像的空间位置统一化，再对处于相同空间位置的两张目标图像中的特征点进行匹配，解决了现有技术中目标图像中的特征点匹配的时间过长，重复运算过多等问题。

Description

特征点的匹配方法及装置、存储介质、电子装置
技术领域
本发明涉及通信领域，具体而言，涉及一种特征点的匹配方法及装置、存储介质、电子装置。
背景技术
图像特征匹配指的是在同一场景下，由于摄像头本身位置的不同，尽管拍摄的目标物一致，但是实际拍摄到的图像有较大的差异，但是可以通过特征点提取从图像中获取关键信息，并通过特征匹配来寻找两幅图像之间的特征像素点的对应关系，从而确定两幅图像的位置关系。图像匹配目前主要应用的方面包括目标跟踪，图像拼接等。
现有Brute-force特征匹配方法是基于暴力匹配的思想，即通过特征提取分别得到两张图片的两个特征点集合，然后用第一张图片的每个点和第二张图片的每个点进行匹配，假设第一张图片共获得M个特征点，第二张图片共获得N个特征点，那么计算的时间复杂度为O(M*N)，进而导致Brute-force特征匹配方法的响应时间过长，无法满足特征匹配实时性要求，并且由于进行了很多重复运算，使得特征匹配速度过慢。
针对相关技术中，对于目标图像中的特征点匹配的时间过长，重复运算过多等问题，尚未提出有效的技术方案。
发明内容
本发明实施例提供了一种特征点的匹配方法及装置、存储介质、电子装置，以至少解决相关技术中，对于目标图像中的特征点匹配的时间过长，重复运算过多等问题。
根据本发明的一个实施例，提供了一种特征点的匹配方法，包括：获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量；根据所述旋转偏移量对所述第一目标图像进行旋转处理，得到第三目标图像，并获取所述第三目标图像的第一特征点集合，其中，所述第一特征点集合包括：所述第三目标图像中的多个显著点；确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配，其中，所述第二特征集合：所述第二目标图像中的多个显著点。
在一个示例性实施例中，获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量之前，上述方法还包括：确定所述第一目标图像的第一欧拉角与所述第二目标图像的第二欧拉角；根据所述第一欧拉角与所述第二欧拉角确定出所述第一目标图像相对于所述第二目标图像的空间位置的旋转偏移量，其中，所述旋转偏移量包括：旋转矩阵。
在一个示例性实施例中，确定所述第一目标图像的第一欧拉角与所述第二目标图像的第二欧拉角，包括：通过在目标设备上架设目标传感器，确定所述目标设备在获取所述第一目标图像的第一欧拉角，以及所述目标设备在获取所述第二目标图像的第二欧拉角。
在一个示例性实施例中，根据所述旋转偏移量对所述第一目标图像进行旋转处理得到新的第三目标图像，并获取所述第三目标图像的第一特征点集合之后，上述方法还包括：对于所述第一特征点集合中的每一个特征点，获取所述每一个特征点的旋转误差；分别确定所述每一个特征点的旋转误差与第一预设阈值的大小关系，得到多个大小关系；对于第一大小关系所对应的第一目标特征点，重新从所述第三目标图像中获取所述第一目标特征点，其中，所述多个大小关系包括：所述第一大小关系，且所述第一大小关系用于指示所述旋转误差大于第一预设阈值；对于第二大小关系所对应的第二目标特征点，对所述第二目标特征点与所述第二特征点集合中的特征点进行匹配，其中，所述多个大小关系包括：所述第二大小关系，且所述第二大小关系用于指示所述旋转误差小于第一预设阈值。
在一个示例性实施例中，确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配之后，上述方法还包括：获取特征向量相似度对应的相似度值；通过比较所述相似度值与第二预设阈值，以确定第二目标图像和所述第三目标图像是否匹配。
在一个示例性实施例中，通过比较所述相似度值与第二预设阈值，以确定第二目标图像和所述第三目标图像是否匹配，包括：确定所述第二目标图像和所述第三目标图像的余弦相似度；在所述余弦相似度高于第三预设阈值的情况下，确定所述第二目标图像和所述第三目标图像为同源图像。
在一个示例性实施例中，获取所述第三目标图像的第一特征点集合，包括:获取所述第三目标图像中所有像素点位于所述第三目标图像的横坐标和纵坐标，以及根据所述所有像素点的所述横坐标和所述纵坐标确定每一个所述像素点的梯度方向值；根据所述梯度方向值确定出所述第三目标图像中的显著点，以得到所述第三目标图像的第一特征点集合，其中，所述显著点为所述梯度方向值大于预设阈值的像素点。
在一个示例性实施例中，确定所述第二目标图像的第二特征点集合，包括:获取所述第二目标图像中所有像素点位于所述第二目标图像的横坐标和纵坐标，以及根据所述所有像素点的所述横坐标和所述纵坐标确定每二个所述像素点的梯度方向值；根据所述梯度方向值确定出所述第二目标图像中的显著点，以得到所述第二目标图像的第二特征点集合，其中，所述显著点为所述梯度方向值大于预设阈值的像素点。
根据本发明的另一个实施例，提供了一种特征点的匹配装置，包括：获取模块，用于获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量；处理模块，用于根据所述旋转矩阵对所述第一目标图像进行旋转处理，得到第三目标图像，并获取所述第三目标图像的第一特征点集合，其中，所述第一特征点集合包括：所述第三目标图像中的多个显著点；匹配模块，用于确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配，其中，所述第二特征集合：所述第二目标图像中的多个显著点。
在一个示例性实施例中，上述装置还包括：第一确定模块，用于确定所述第一目标图像的第一欧拉角与所述第二目标图像的第二欧拉角；根据所述第一欧拉角与所述第二欧拉角确定出所述第一目标图像相对于所述第二目标图像的空间位置的旋转偏移量，其中，所述旋转偏移量包括：旋转矩阵。
在一个示例性实施例中，上述第一确定模块，还用于通过在目标设备上架设目标传感器，确定所述目标设备在获取所述第一目标图像的第一欧拉角，以及所述目标设备在获取所述第二目标图像的第二欧拉角。
在一个示例性实施例中，上述装置还包括：第二确定模块，用于对于所述第一特征点集合中的每一个特征点，获取所述每一个特征点的旋转误差；分别确定所述每一个特征点的旋转误差与第一预设阈值的大小关系，得到多个大小关系；对于第一大小关系所对应的第一目标特征点，重新从所述第三目标图像中获取所述第一目标特征点，其中，所述多个大小关系包括：所述第一大小关系，且所述第一大小关系用于指示所述旋转误差大于第一预设阈值；对于第二大小关系所对应的第二目标特征点，对所述第二目标特征点与所述第二特征点集合中的特征点进行匹配，其中，所述多个大小关系包括：所述第二大小关系，且所述第二大小关系用于指示所述旋转误差小于第一预设阈值。
在一个示例性实施例中，上述装置还包括：比较模块，用于获取特征向量相似度对应的相似度值；通过比较所述相似度值与第二预设阈值，以确定第二目标图像和所述第三目标图像是否匹配。
在一个示例性实施例中，上述比较模块，还用于确定所述第二目标图像和所述第三目标图像的余弦相似度；在所述余弦相似度高于第三预设阈值的情况下，确定所述第二目标图像和所述第三目标图像为同源图像。
在一个示例性实施例中，上述处理模块还用于获取所述第三目标图像中所有像素点位于所述第三目标图像的横坐标和纵坐标，以及根据所述所有像素点的所述横坐标和所述纵坐标确定每一个所述像素点的梯度方向值；根据所述梯度方向值确定出所述第三目标图像中的显著点，以得到所述第三目标图像的第一特征点集合，其中，所述显著点为所述梯度方向值大于预设阈值的像素点。
在一个示例性实施例中，上述匹配模块,还用于获取所述第二目标图像中所有像素点位于所述第二目标图像的横坐标和纵坐标，以及根据所述所有像素点的所述横坐标和所述纵坐标确定每二个所述像素点的梯度方向值；根据所述梯度方向值确定出所述第二目标图像中的显著点，以得到所述第二目标图像的第二特征点集合，其中，所述显著点为所述梯度方向值大于预设阈值的像素点。
根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量；根据所述旋转矩阵对所述第一目标图像进行旋转处理，得到第三目标图像，并获取所述第三目标图像的第一特征点集合，其中，所述第一特征点集合包括：所述第三目标图像中的多个显著点；确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配，其中，所述第二特征集合：所述第二目标图像中的多个显著点，也就是说，通过旋转偏移量可将处于不同角度获取的目标图像的空间位置统一化，进而对处于相同空间位置的两张目标图像中的特征点进行匹配，因此，可以解决现有技术中对于目标图像中的特征点匹配的时间过长，重复运算过多等问题，提升了特征点匹配的效率，降低了精度的损失，并且由于特征点对的匹配属于轻量级计算，提高了计算速度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的一种特征点的匹配方法的计算机终端的硬件结构框图；
图2是根据本发明实施例的特征点的匹配方法的流程图；
图3是根据本发明实施例的特征点的匹配装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第二”、“第一”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在移动终端或者计算机终端类似的运算装置中执行。以运行在计算机终端上为例，图1是本发明实施例的一种特征点的匹配方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，在一个示例性实施例中，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的特征点的匹配方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种特征点的匹配方法，图2是根据本发明实施例的特征点的匹配方法的流程图，该流程包括如下步骤：
步骤S202，获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量；
步骤S204，根据所述旋转矩阵对所述第一目标图像进行旋转处理，得到第三目标图像，并获取所述第三目标图像的第一特征点集合，其中，所述第一特征点集合包括：所述第三目标图像中的多个显著点；
步骤S206，确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配，其中，所述第二特征集合：所述第二目标图像中的多个显著点。
通过上述步骤，获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量；根据所述旋转矩阵对所述第一目标图像进行旋转处理，得到第三目标图像，并获取所述第三目标图像的第一特征点集合，其中，所述第一特征点集合包括：所述第三目标图像中的多个显著点；确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配，其中，所述第二特征集合：所述第二目标图像中的多个显著点，也就是说，通过旋转偏移量可将处于不同角度获取的目标图像的空间位置统一化，进而对处于相同空间位置的两张目标图像中的特征点进行匹配，因此，可以解决现有技术中对于目标图像中的特征点匹配的时间过长，重复运算过多等问题，提升了特征点匹配的效率，降低了精度的损失，并且由于特征点对的匹配属于轻量级计算，提高了计算速度。
上述步骤S202的实现方式有多种，在一个可选实施例中，可以通过以下方案实现：确定所述第一目标图像的第一欧拉角与所述第二目标图像的第二欧拉角；根据所述第一欧拉角与所述第二欧拉角确定出所述第一目标图像相对于所述第二目标图像的空间位置的旋转偏移量，其中，所述旋转偏移量包括：旋转矩阵。
由于欧拉角是用于唯一地确定定点转动刚体位置的三个一组独立角参量，进而可在确定第一目标图像的第一欧拉角，以及第二目标图像的第二欧拉角的情况下，为了便于对第一目标图像与第二目标图像的相对旋转偏移量，旋转偏移量可以通过旋转矩阵确定，进而根据欧拉角与旋转矩阵的对应计算公式确定出，第一目标图像的所在位置的旋转矩阵R1，第二目标图像的所在位置的旋转矩阵R2，并根据计算公式：R1T＝R2；
Figure BDA0002786588330000081
进而得到第一目标图像相对于第二目标图像在空间位置中的旋转偏移量的旋转矩阵T。
可选地，确定所述第一目标图像的第一欧拉角与所述第二目标图像的第二欧拉角，包括：通过在目标设备上架设目标传感器，确定所述目标设备在获取所述第一目标图像的第一欧拉角，以及所述目标设备在获取所述第二目标图像的第二欧拉角。
简而言之，由于欧拉角是三维空间下的参数，通过二维目标图像是不能得到的，因此，需要在获取目标图像的目标设备上架设目标传感器，对目标设备获取第一目标图像以及第二目标图像时的欧拉角度进行实时获取，以确保目标图像所对应欧拉角的准确性。
在一个示例性实施例中，根根据所述旋转偏移量对所述第一目标图像进行旋转处理，得到第三目标图像，并获取所述第三目标图像的第一特征点集合之后，所述方法还包括：对于所述第一特征点集合中的每一个特征点，获取所述每一个特征点的旋转误差；分别确定所述每一个特征点的旋转误差与第一预设阈值的大小关系，得到多个大小关系；对于第一大小关系所对应的第一目标特征点，重新从所述第三目标图像中获取所述第一目标特征点，其中，所述多个大小关系包括：所述第一大小关系，且所述第一大小关系用于指示所述旋转误差大于第一预设阈值；对于第二大小关系所对应的第二目标特征点，对所述第二目标特征点与所述第二特征点集合中的特征点进行匹配，其中，所述多个大小关系包括：所述第二大小关系，且所述第二大小关系用于指示所述旋转误差小于第一预设阈值。
也就是说，在通过第一目标图像根据旋转矩阵得到第三目标图像后，为了保证旋转后图像的精确性，需要对旋转前后的特征点的旋转误差进行确认，通过公式
Figure BDA0002786588330000091
对旋转前后同一特征点的旋转误差是否小于设定第一预设阈值ε进行确定，其中，每个特征点由位置坐标和特征向量来表示，公式中的x1、y1为旋转前的第一目标图像中特征点的位置坐标，x2、y2为旋转后的第二目标图像中特征点的位置坐标，当旋转误差大于第一预设阈值时，说明进行旋转误差计算的点可能不是同一特征点，因此，对大于第一预设阈值的特征点不再进行特征向量匹配计算，并重新在第三目标图像中获取新的第一目标特征点进行旋转误差计算，当旋转误差小于第一预设阈值时，说明该特征点为旋转前后的特征点，进而对该点进行特征向量匹配计算。
在一个示例性实施例中，确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配之后，上述方法还包括：获取特征向量相似度对应的相似度值；通过比较所述相似度值与第二预设阈值，以确定第二目标图像和所述第三目标图像是否匹配。
在确定第二目标图像中特征点与第三目标图像中对应特征点的特征向量相似度对应的相似度值后，根据确认相似度值是否满足第二预设阈值来表明第二目标图像和第三目标图像是否匹配，当相似度值高于第二预设阈值时，说明第二目标图像与第三目标图像相匹配，当相似度值低于第二预设阈值时，说明第二目标图像与第三目标图像存在相似。
在一个示例性实施例中，通过比较所述相似度值与第二预设阈值，以确定第二目标图像和所述第三目标图像是否匹配，包括：确定所述第二目标图像和所述第三目标图像的余弦相似度；在所述余弦相似度高于第三预设阈值的情况下，确定所述第二目标图像和所述第三目标图像为同源图像。
简而言之，通过确认第二目标图像和第三目标图像的余弦相似度，继而根据余弦相似度的第三预设阈值可以确认出第二目标图像和第三目标图像是否为存在相似的同源图片，例如，当余弦相似度高于第三预设阈值时，说明第二目标图像和第三目标图像为同源图像，当余弦相似度低于第三预设阈值时，说明第二目标图像和第三目标图像为无匹配关系。
在一个示例性实施例中，获取所述第三目标图像的第一特征点集合，包括:获取所述第三目标图像中所有像素点位于所述第三目标图像的横坐标和纵坐标，以及根据所述所有像素点的所述横坐标和所述纵坐标确定每一个所述像素点的梯度方向值；根据所述梯度方向值确定出所述第三目标图像中的显著点，以得到所述第三目标图像的第一特征点集合，其中，所述显著点为所述梯度方向值大于预设阈值的像素点。
在一个示例性实施例中，确定所述第二目标图像的第二特征点集合，包括:获取所述第二目标图像中所有像素点位于所述第二目标图像的横坐标和纵坐标，以及根据所述所有像素点的所述横坐标和所述纵坐标确定每二个所述像素点的梯度方向值；根据所述梯度方向值确定出所述第二目标图像中的显著点，以得到所述第二目标图像的第二特征点集合，其中，所述显著点为所述梯度方向值大于预设阈值的像素点。
也就是说，通过对目标图像中每一个像素点的梯度方向值的确定，可以更好的了解到前一像素点相对于后一像素点的向量值，并将预设阈值大于预设阈值的像素点提取出来，从而构成目标图像局部区域的梯度方向直方图，得到用于表述目标图像中多个显著点的目标图像的特征点的集合，进而可以实现对目标图像中特征的比对。
为了更好的理解上述特征点的匹配方法的过程，以下结合可选实施例对上述特征点的匹配方法流程进行说明。
本发明可选实施例中，主要提供了一种特征点的匹配方法，通过以下步骤实现：
步骤一：在拍摄设备(相当于本发明实施例中的目标设备)上架设传感器(相当于本发明中的目标传感器),能够实时侦测当前设备的欧拉角信息,其中欧拉角用α，β，γ分别表示绕x,y,z轴旋转的角度。
步骤二：假定第一张图片(相当于本发明中的目标图像)所在位置的欧拉角为α1，β1和γ1，第二张图片所在位置的欧拉角为α2，β2和γ2。那么根据欧拉角与旋转矩阵的对应计算公式:
Figure BDA0002786588330000111
Figure BDA0002786588330000121
得到第一张图片所在位置的旋转矩阵R1和第二张图片所在位置的旋转矩阵R2，并根据计算公式：
Figure BDA0002786588330000122
得到第二张图片相对于第一张图片在空间位置的旋转矩阵为T。
步骤三：对第一张图片做HOG(Histogram of Oriented Gradient，方向梯度直方图，简称HOG)特征提取，得到特征点集合，其中每个特征点由位置坐标和特征向量表示，具体可以表示为(x,y,vec)，其中，这里的vec表示固定长度L的特征向量。
步骤四：对第二张图片做T旋转得到新的图像G，这意味着G与第一张图片处于相同的观察视角下，然后对G也做HOG特征提取，得到第二个特征点集合。
步骤五：由于特征点集合有位置信息，因此只需要按照特征点的(x,y)坐标进行一对一匹配，但是由于在旋转过程中存在误差，因此在这里设定阈值ε,旋转前后同一张图片的特征点的误差通过以下公式确定：
Figure BDA0002786588330000123
当只有满足该阈值ε的特征点，才会进行特征向量相似度计算，如果不满足条件的点认为是非同一点，不再进行特征向量匹配计算。
需要说明的是，特征向量相似度计算公式为：
Figure BDA0002786588330000124
即可通过计算两张图片的余弦相似度，相似度值越高，说明两张图片越有可能是同源图片，此外还可通过设定相似度值的阈值，来进行图像的匹配判断。例如，可将相似度阈值设定为δ＝0.9，根据以下条件进行判断
Figure BDA0002786588330000125
其中，这里的1表示这一对特征点在第一张图像和第二张图像是匹配的，最终输出的是满足f＝1前后两张图像对应的坐标点对。
综上，通过本发明可选实施例，通过对特征点进行图像旋转后做特征提取以及寻找可能匹配点对的方式，快速实现特征点对的匹配，并且由于特征点对的匹配属于轻量级计算量，能够满足在CPU或者内存量很小端侧进行部署，具有良好移植性，极大提高计算速度，同时精度损失小，进而避免了Brute-force特征匹配方法时间成本过高，且存在很多冗余计算，使得特征匹配速度过慢的问题。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种特征点的匹配装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本发明实施例的特征点的匹配装置的结构框图，如图3所示，该装置包括：
(1)获取模块32，用于获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量；
(2)处理模块34，用于根据所述旋转矩阵对所述第一目标图像进行旋转处理，得到第三目标图像，并获取所述第三目标图像的第一特征点集合，其中，所述第一特征点集合包括：所述第三目标图像中的多个显著点；(3)匹配模块36，用于确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配，其中，所述第二特征集合：所述第二目标图像中的多个显著点。
通过上述装置，获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量；根据所述旋转矩阵对所述第一目标图像进行旋转处理，得到第三目标图像，并获取所述第三目标图像的第一特征点集合，其中，所述第一特征点集合包括：所述第三目标图像中的多个显著点；确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配，其中，所述第二特征集合：所述第二目标图像中的多个显著点，也就是说，通过旋转偏移量可将处于不同角度获取的目标图像的空间位置统一化，进而对处于相同空间位置的两张目标图像中的特征点进行匹配，因此，可以解决现有技术中对于目标图像中的特征点匹配的时间过长，重复运算过多等问题，提升了特征点匹配的效率，降低了精度的损失，并且由于特征点对的匹配属于轻量级计算，提高了计算速度。
在一个示例性实施例中，上述装置还包括：第一确定模块，用于确定所述第一目标图像的第一欧拉角与所述第二目标图像的第二欧拉角；根据所述第一欧拉角与所述第二欧拉角确定出所述第一目标图像相对于所述第二目标图像的空间位置的旋转偏移量，其中，所述旋转偏移量包括：旋转矩阵。
由于欧拉角是用于唯一地确定定点转动刚体位置的三个一组独立角参量，进而可在确定第一目标图像的第一欧拉角，以及第二目标图像的第二欧拉角的情况下，为了便于对第一目标图像与第二目标图像的相对旋转偏移量，旋转偏移量可以通过旋转矩阵确定，进而根据欧拉角与旋转矩阵的对应计算公式确定出，第一目标图像的所在位置的旋转矩阵R1，第二目标图像的所在位置的旋转矩阵R2，并根据计算公式：R1T＝R2；
Figure BDA0002786588330000141
进而得到第一目标图像相对于第二目标图像在空间位置中的旋转偏移量的旋转矩阵T。
在一个示例性实施例中，上述第一确定模块，还用于通过在目标设备上架设目标传感器，确定所述目标设备在获取所述第一目标图像的第一欧拉角，以及所述目标设备在获取所述第二目标图像的第二欧拉角。
简而言之，由于欧拉角是三维空间下的参数，通过二维目标图像是不能得到的，因此，需要在获取目标图像的目标设备上架设目标传感器，对目标设备获取第一目标图像以及第二目标图像时的欧拉角度进行实时获取，以确保目标图像所对应欧拉角的准确性。
在一个示例性实施例中，上述装置还包括：第二确定模块，用于对于所述第一特征点集合中的每一个特征点，获取所述每一个特征点的旋转误差；分别确定所述每一个特征点的旋转误差与第一预设阈值的大小关系，得到多个大小关系；对于第一大小关系所对应的第一目标特征点，重新从所述第三目标图像中获取所述第一目标特征点，其中，所述多个大小关系包括：所述第一大小关系，且所述第一大小关系用于指示所述旋转误差大于第一预设阈值；对于第二大小关系所对应的第二目标特征点，对所述第二目标特征点与所述第二特征点集合中的特征点进行匹配，其中，所述多个大小关系包括：所述第二大小关系，且所述第二大小关系用于指示所述旋转误差小于第一预设阈值。
也就是说，在通过第一目标图像根据旋转矩阵得到第三目标图像后，为了保证旋转后图像的精确性，需要对旋转前后的特征点的旋转误差进行确认，通过公式
Figure BDA0002786588330000151
对旋转前后同一特征点的旋转误差是否小于设定第一预设阈值ε进行确定，其中，每个特征点由位置坐标和特征向量来表示，公式中的x1、y1为旋转前的第一目标图像中特征点的位置坐标，x2、y2为旋转后的第二目标图像中特征点的位置坐标，当旋转误差大于第一预设阈值时，说明进行旋转误差计算的点可能不是同一特征点，因此，对大于第一预设阈值的特征点不再进行特征向量匹配计算，并重新在第三目标图像中获取新的第一目标特征点进行旋转误差计算，当旋转误差小于第一预设阈值时，说明该特征点为旋转前后的特征点，进而对该点进行特征向量匹配计算。
在一个示例性实施例中，上述装置还包括：比较模块，用于获取特征向量相似度对应的相似度值；通过比较所述相似度值与第二预设阈值，以确定第二目标图像和所述第三目标图像是否匹配。
在确定第二目标图像中特征点与第三目标图像中对应特征点的特征向量相似度对应的相似度值后，根据确认相似度值是否满足第二预设阈值来表明第二目标图像和第三目标图像是否匹配，当相似度值高于第二预设阈值时，说明第二目标图像与第三目标图像相匹配，当相似度值低于第二预设阈值时，说明第二目标图像与第三目标图像存在相似。
在一个示例性实施例中，上述比较模块，还用于确定所述第二目标图像和所述第三目标图像的余弦相似度；在所述余弦相似度高于第三预设阈值的情况下，确定所述第二目标图像和所述第三目标图像为同源图像。
简而言之，通过确认第二目标图像和第三目标图像的余弦相似度，继而根据余弦相似度的第三预设阈值可以确认出第二目标图像和第三目标图像是否为存在相似的同源图片，例如，当余弦相似度高于第三预设阈值时，说明第二目标图像和第三目标图像为同源图像，当余弦相似度低于第三预设阈值时，说明第二目标图像和第三目标图像为无匹配关系。
在一个示例性实施例中，上述处理模块还用于获取所述第三目标图像中所有像素点位于所述第三目标图像的横坐标和纵坐标，以及根据所述所有像素点的所述横坐标和所述纵坐标确定每一个所述像素点的梯度方向值；根据所述梯度方向值确定出所述第三目标图像中的显著点，以得到所述第三目标图像的第一特征点集合，其中，所述显著点为所述梯度方向值大于预设阈值的像素点。
在一个示例性实施例中，上述匹配模块,还用于获取所述第二目标图像中所有像素点位于所述第二目标图像的横坐标和纵坐标，以及根据所述所有像素点的所述横坐标和所述纵坐标确定每二个所述像素点的梯度方向值；根据所述梯度方向值确定出所述第二目标图像中的显著点，以得到所述第二目标图像的第二特征点集合，其中，所述显著点为所述梯度方向值大于预设阈值的像素点。
也就是说，通过对目标图像中每一个像素点的梯度方向值的确定，可以更好的了解到前一像素点相对于后一像素点的向量值，并将预设阈值大于预设阈值的像素点提取出来，从而构成目标图像局部区域的梯度方向直方图，得到用于表述目标图像中多个显著点的目标图像的特征点的集合，进而可以实现对目标图像中特征的比对。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量；
S2，根据所述旋转偏移量对所述第一目标图像进行旋转处理，得到第三目标图像，并获取所述第三目标图像的第一特征点集合，其中，所述第一特征点集合包括：所述第三目标图像中的多个显著点；
S3，确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配，其中，所述第二特征集合：所述第二目标图像中的多个显著点。
在一个示例性实施例中，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
在一个示例性实施例中，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量；
S2，根据所述旋转偏移量对所述第一目标图像进行旋转处理，得到第三目标图像，并获取所述第三目标图像的第一特征点集合，其中，所述第一特征点集合包括：所述第三目标图像中的多个显著点；
S3，确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配，其中，所述第二特征集合：所述第二目标图像中的多个显著点。
在一个示例性实施例中，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，在一个示例性实施例中，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种特征点的匹配方法，其特征在于，包括：
获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量；
根据所述旋转偏移量对所述第一目标图像进行旋转处理，得到第三目标图像，并获取所述第三目标图像的第一特征点集合，其中，所述第一特征点集合包括：所述第三目标图像中的多个显著点；
确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配，其中，所述第二特征集合包括：所述第二目标图像中的多个显著点；
其中，获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量之前，所述方法还包括：确定所述第一目标图像的第一欧拉角与所述第二目标图像的第二欧拉角；根据所述第一欧拉角与所述第二欧拉角确定出所述第一目标图像相对于所述第二目标图像的空间位置的旋转矩阵，以根据所述旋转矩阵确定所述旋转偏移量；
其中，根据所述第一欧拉角与所述第二欧拉角确定出所述第一目标图像相对于所述第二目标图像的空间位置的旋转矩阵，包括：根据所述第一欧拉角确定所述第一目标图像对应的旋转矩阵R1，以及根据所述第二欧拉角确定所述第二目标图像对应的旋转矩阵R2；根据计算公式：
Figure FDA0003902796400000011
确定所述第一目标图像相对于所述第二目标图像的空间位置的旋转矩阵T；
其中，根据以下公式确定所述第一目标图像对应的旋转矩阵R1：
Figure FDA0003902796400000012
Figure FDA0003902796400000021
Figure FDA0003902796400000022
其中，
c1＝cosα1＝cos(Yyaw),s1＝sinα1＝sin(Yyaw)；
c2＝cosβ1＝cos(Ypitch),s2＝sinβ1＝sin(Ypitch)；
c3＝cosγ1＝cos(Yroll),s2＝sinγ1＝sin(Yroll)；
α1，β1和γ1为所述第一目标图像的第一欧拉角。
2.根据权利要求1所述的方法，其特征在于，确定所述第一目标图像的第一欧拉角与所述第二目标图像的第二欧拉角，包括：
通过在目标设备上架设目标传感器，确定所述目标设备在获取所述第一目标图像的第一欧拉角，以及所述目标设备在获取所述第二目标图像的第二欧拉角。
3.根据权利要求1所述的方法，其特征在于，根据所述旋转偏移量对所述第一目标图像进行旋转处理，得到第三目标图像，并获取所述第三目标图像的第一特征点集合之后，所述方法还包括：
对于所述第一特征点集合中的每一个特征点，获取所述每一个特征点的旋转误差；
分别确定所述每一个特征点的旋转误差与第一预设阈值的大小关系，得到多个大小关系；
对于第一大小关系所对应的第一目标特征点，重新从所述第三目标图像中获取所述第一目标特征点，其中，所述多个大小关系包括：所述第一大小关系，且所述第一大小关系用于指示所述旋转误差大于第一预设阈值；
对于第二大小关系所对应的第二目标特征点，对所述第二目标特征点与所述第二特征点集合中的特征点进行匹配，其中，所述多个大小关系包括：所述第二大小关系，且所述第二大小关系用于指示所述旋转误差小于第一预设阈值。
4.根据权利要求1所述的方法，其特征在于，确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配之后，所述方法还包括：
获取特征向量相似度对应的相似度值；
通过比较所述相似度值与第二预设阈值，以确定第二目标图像和所述第三目标图像是否匹配。
5.根据权利要求4所述的方法，其特征在于，通过比较所述相似度值与第二预设阈值，以确定第二目标图像和所述第三目标图像是否匹配，包括：
确定所述第二目标图像和所述第三目标图像的余弦相似度；
在所述余弦相似度高于第三预设阈值的情况下，确定所述第二目标图像和所述第三目标图像为同源图像。
6.根据权利要求1所述的方法，其特征在于，获取所述第三目标图像的第一特征点集合，包括:
获取所述第三目标图像中所有像素点位于所述第三目标图像的横坐标和纵坐标，以及根据所述所有像素点的所述横坐标和所述纵坐标确定每一个所述像素点的梯度方向值；
根据所述梯度方向值确定出所述第三目标图像中的显著点，以得到所述第三目标图像的第一特征点集合，其中，所述显著点为所述梯度方向值大于预设阈值的像素点。
7.一种特征点的匹配装置，其特征在于，包括：
获取模块，用于获取第一目标图像相对于第二目标图像在空间位置中的旋转偏移量；
处理模块，用于根据所述旋转偏移量对所述第一目标图像进行旋转处理，得到第三目标图像，并获取所述第三目标图像的第一特征点集合，其中，所述第一特征点集合包括：所述第三目标图像中的多个显著点；
匹配模块，用于确定所述第二目标图像的第二特征点集合，对所述第一特征点集合中的特征点与所述第二特征点集合中的特征点进行匹配，其中，所述第二特征集合：所述第二目标图像中的多个显著点；
其中，所述装置还包括：第一确定模块，用于确定所述第一目标图像的第一欧拉角与所述第二目标图像的第二欧拉角；根据所述第一欧拉角与所述第二欧拉角确定出所述第一目标图像相对于所述第二目标图像的空间位置的旋转矩阵，以根据所述旋转矩阵确定所述旋转偏移量；
其中，所述第一确定模块，还用于根据所述第一欧拉角确定所述第一目标图像对应的旋转矩阵R1，以及根据所述第二欧拉角确定所述第二目标图像对应的旋转矩阵R2；根据计算公式：
Figure FDA0003902796400000041
Figure FDA0003902796400000051
确定所述第一目标图像相对于所述第二目标图像的空间位置的旋转矩阵T；
其中，根据以下公式确定所述第一目标图像对应的旋转矩阵R1：
Figure FDA0003902796400000052
Figure FDA0003902796400000053
其中，
c1＝cosα1＝cos(Yyaw),s1＝sinα1＝sin(Yyaw)；
c2＝cosβ1＝cos(Ypitch),s2＝sinβ1＝sin(Ypitch)；
c3＝cosγ1＝cos(Yroll),s2＝sinγ1＝sin(Yroll)；
α1，β1和γ1为所述第一目标图像的第一欧拉角。
8.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
CN202011300291.8A 2020-11-18 2020-11-18 特征点的匹配方法及装置、存储介质、电子装置 Active CN112419375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011300291.8A CN112419375B (zh) 2020-11-18 2020-11-18 特征点的匹配方法及装置、存储介质、电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011300291.8A CN112419375B (zh) 2020-11-18 2020-11-18 特征点的匹配方法及装置、存储介质、电子装置

Publications (2)

Publication Number Publication Date
CN112419375A CN112419375A (zh) 2021-02-26
CN112419375B true CN112419375B (zh) 2023-02-03

Family

ID=74774759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011300291.8A Active CN112419375B (zh) 2020-11-18 2020-11-18 特征点的匹配方法及装置、存储介质、电子装置

Country Status (1)

Country Link
CN (1) CN112419375B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507277A (zh) * 2017-07-31 2017-12-22 北京康邦科技有限公司 三维点云重构方法和装置、服务器及可读存储介质
CN110047142A (zh) * 2019-03-19 2019-07-23 中国科学院深圳先进技术研究院 无人机三维地图构建方法、装置、计算机设备及存储介质
CN110490934A (zh) * 2019-08-13 2019-11-22 西北工业大学 基于单目相机与机器人的混合机立式桨叶姿态检测方法
CN111079786A (zh) * 2019-11-15 2020-04-28 北京理工大学 一种基于ROS和Gazebo的旋转相机特征匹配算法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109937434B (zh) * 2017-10-18 2021-06-11 腾讯科技（深圳）有限公司 图像处理方法、装置、终端和存储介质
CN108875780A (zh) * 2018-05-07 2018-11-23 广东省电信规划设计院有限公司 基于图像数据的图像间差异对象的获取方法以及装置
CN109949227A (zh) * 2019-03-12 2019-06-28 湖北文理学院 图像拼接方法、系统及电子设备
CN111582296B (zh) * 2019-12-20 2021-02-05 珠海大横琴科技发展有限公司 一种遥感图像综合匹配方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507277A (zh) * 2017-07-31 2017-12-22 北京康邦科技有限公司 三维点云重构方法和装置、服务器及可读存储介质
CN110047142A (zh) * 2019-03-19 2019-07-23 中国科学院深圳先进技术研究院 无人机三维地图构建方法、装置、计算机设备及存储介质
CN110490934A (zh) * 2019-08-13 2019-11-22 西北工业大学 基于单目相机与机器人的混合机立式桨叶姿态检测方法
CN111079786A (zh) * 2019-11-15 2020-04-28 北京理工大学 一种基于ROS和Gazebo的旋转相机特征匹配算法

Also Published As

Publication number Publication date
CN112419375A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
US11145083B2 (en) Image-based localization
CN111598993B (zh) 基于多视角成像技术的三维数据重建方法、装置
CN111080526B (zh) 航拍图像的农田面积的测算方法、装置、设备及介质
Enqvist et al. Robust fitting for multiple view geometry
CN111127524A (zh) 一种轨迹跟踪与三维重建方法、系统及装置
CN111754579B (zh) 多目相机外参确定方法及装置
US20150154470A1 (en) Image matching method using feature point matching
US20090232415A1 (en) Platform for the production of seamless orthographic imagery
CN112153306B (zh) 图像采集系统、方法、装置、电子设备及可穿戴设备
CN108109148A (zh) 图像立体分配方法、移动终端
CN107071279A (zh) 一种全景图像画面稳定的方法及系统
CN114943773A (zh) 相机标定方法、装置、设备和存储介质
CN111598176B (zh) 一种图像匹配处理方法及装置
CN111833250A (zh) 一种全景图像拼接方法、装置、设备及存储介质
CN111047622B (zh) 视频中对象的匹配方法和装置、存储介质及电子装置
CN108737743B (zh) 基于图像拼接的视频拼接装置及视频拼接方法
CN113838151B (zh) 相机标定方法、装置、设备及介质
CN115546379A (zh) 一种数据处理方法、装置和计算机设备
CN110310243B (zh) 一种无人机摄影测量的图像校正方法、系统和存储介质
CN112419375B (zh) 特征点的匹配方法及装置、存储介质、电子装置
CN113298187A (zh) 图像处理方法及装置、计算机可读存储介质
CN111429529B (zh) 一种坐标转换的标定方法、电子设备以及计算机存储介质
CN113837246B (zh) 图像的匹配方法及其匹配装置、无人设备
CN114422776A (zh) 摄像设备的检测方法及装置、存储介质、电子装置
CN113674331A (zh) 图像对齐方法和装置、电子设备和计算机可读存储介质

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