CN112700374A - 一种无人机序列图像的快速拼接方法 - Google Patents

一种无人机序列图像的快速拼接方法 Download PDF

Info

Publication number
CN112700374A
CN112700374A CN202110049255.7A CN202110049255A CN112700374A CN 112700374 A CN112700374 A CN 112700374A CN 202110049255 A CN202110049255 A CN 202110049255A CN 112700374 A CN112700374 A CN 112700374A
Authority
CN
China
Prior art keywords
image
images
matrix
descriptor
unmanned aerial
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.)
Pending
Application number
CN202110049255.7A
Other languages
English (en)
Inventor
赵刚
康良芳
王修信
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.)
Guangxi Normal University
Original Assignee
Guangxi Normal 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 Guangxi Normal University filed Critical Guangxi Normal University
Priority to CN202110049255.7A priority Critical patent/CN112700374A/zh
Publication of CN112700374A publication Critical patent/CN112700374A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种无人机序列图像的快速拼接方法，属于图像的快速拼接技术领域，该优化调度方法具体步骤如下：步骤一：从无人机序列图像中顺序读取图像；步骤二：在每一幅图像中检测特征点，并构造描述子；步骤三：描述子降维，保留描述子99％以上的有效信息；该图像的快速拼接方法在计算协方差矩阵R的特征值时，可通过协方差矩阵R的特征值进行动态选择维度n的大小，自动选择前n个特征值，从而可以实现任意维度，同时特征点匹配速度加快，单向匹配中存在多对1的匹配进行二次筛选，特征点的误匹配减少；扭曲后的图像形变较小，融合后的图像质量更佳。

Description

一种无人机序列图像的快速拼接方法
技术领域
本发明涉及图像的快速拼接技术领域，尤其涉及一种无人机序列图像的快速拼接方法。
背景技术
相对于卫星遥感和载人航空遥感，无人机低空遥感更加快速、灵活，特别是用于灾害应急等领域，具有卫星遥感和载人航空遥感无法比拟的优势。无人机低空遥感可以为抗震救灾尤其是监测次生灾害(例如堰塞湖监测)等的发生提供最及时的高分辨率遥感信息，并为抗震救灾的决策提供信息保障和数据支持。由于无人机遥感影像航片数量多、倾角大而且无规律、航向重叠度不规则、坐标位置误差大等因素，使得无人机影像匹配难度大、速度慢、精度低，影响到影像后续处理的一系列问题。
经检索，中国专利号CN103426153B公开了一种无人机遥感影像快速拼接方法，该无人机遥感影像快速拼接方法不能在计算协方差矩阵R的特征值时任意动态选择维度n的大小，不能实现任意维度进行降维处理，特征点匹配速度慢，特征点的误匹配较大；扭曲后的图像形变较大，融合后的图像质量不佳，为此，我们提出一种无人机序列图像的快速拼接方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种无人机序列图像的快速拼接方法。
为了实现上述目的，本发明采用了如下技术方案：
一种无人机序列图像的快速拼接方法，该快速拼接方法具体步骤如下：
步骤一：从无人机序列图像中顺序读取图像：假设无人机序列图像共有n幅图像，编号为1，2，……，i，……，n，依次读取这n幅图像；
步骤二：在每一幅图像中检测特征点，并构造描述子：在每一幅图像中检测特征点，并构造描述子，使用SURF方法依次检测每一幅图像中的特征点，并构造描述子；
步骤三：描述子降维，保留描述子99％以上的有效信息：利用SURF方法构造的描述子维度为64，并使用主成分分析法对描述子降维处理。
步骤四：依次对第i+1,i幅图像进行描述子匹配，计算出匹配对：取图像i+1中某个特征点fj,通过使用FANN(快速近似最近邻)搜索算法在图像i中找出欧式距离最小的两个点f1st,f2nd，令距离分别为d1和d2；
步骤五：计算i从2到n幅图像之间的单应性矩阵Ti：依次计算出i从2到n幅图像之间的匹配对后，使用PROSAC算法计算出图像i+1,i之间的单应性矩阵Ti+1，最终Ti+1＝Ti+1*Ti；
步骤六：确认第j幅图像作为中心图像：令图像的高为h,宽为w,构建矩阵S，其中
Figure BDA0002898618790000031
并依次计算n幅图像对应的widthi与heighti；
步骤七：重新计算单应性矩阵；
步骤八：扭曲图像；
步骤九：图像拼接：使用多频段融合方法依次融合所有的扭曲图像，得到的图像即为拼接后的图像。
优选的，步骤三中所述描述子降维处理具体步骤如下：
S1、依次找出第i,i+1(1<＝i<n)这两幅待匹配图像中共m(i,i+1)个描述符作为样本，构建成A＝m(i,i+1)*64的矩阵；
S2、计算出64*64的协方差矩阵R，接着计算R的特征值，基于协方差矩阵R的特征值进行动态选择维度n的大小，自动选择前n个特征值，且将特征值从大到小进行排序，排序后有λ1>＝λ2>＝……>＝λp,其中p＝64；
S3、步骤S2中特征值对应的特征向量分别为{e1,e2,……，ep}，选出前n个特征值的特征向量为主成分方向，构造p*n的矩阵B，该矩阵由对应的n个特征向量组成，最终矩阵为F＝A*B，矩阵F的大小为m(i,i+1)*n。
优选的，所述步骤S3中n应满足如下条件:
Figure BDA0002898618790000041
优选的，步骤四中所述匹配对是否正确的判断依据为：若
Figure BDA0002898618790000042
则(fj,f1st)的匹配对正确，其中，r为阈值，r＝0.6。
优选的，步骤五中计算单应性矩阵Ti+1的具体方法为：
令
Figure BDA0002898618790000043
优选的，步骤六中计算第i幅图像对应的widthi与heighti的具体步骤如下：
S01、构造矩阵U,V；
其中，
Figure BDA0002898618790000044
；
S02、根据步骤五中计算得到的T1-Tn；
令
Figure BDA0002898618790000051
Figure BDA0002898618790000052
Figure BDA0002898618790000053
Figure BDA0002898618790000054
则
Figure BDA0002898618790000055
S03、选择中位数xi或yi：若
(max(x1,x2,…,xi,…,xn)-min(x1,x2,…,xi,…,xn))＞(max(y1,y2,…,yi,…,yn)-min(y1,y2,…,yi,…,yn))则在(x1,x2,…,xi,…,xn)选择中位数xj，反之在(y1,y2,…,yi,…,yn)中选择中位数yj。则第j幅图像即为中心图像。
优选的，步骤七中所述重新计算单应性矩阵的具体方法为：令中位数对应的矩阵为Tj，求出Tj的逆矩阵Tj -1，依次计算Ti，其中Ti＝Ti*Tj -1，得到
Figure BDA0002898618790000061
优选的，步骤八中所述扭曲图像的具体步骤如下：令最终拼接图像的宽为width，高为height，
X＝(X1,X2,…,Xi,…,Xn)，
Y＝(Y1,Y2,…,Yi,…,Yn)，
则width＝max(w,X)-min(1,X)，height＝max(h,Y)-min(1,Y)，依次根据图像对应的单应性矩阵在全景图模板中扭曲图像。
相比于现有技术，本发明的有益效果在于：
1、在计算协方差矩阵R的特征值时，可通过协方差矩阵R的特征值进行动态选择维度n的大小，自动选择前n个特征值，从而可以实现任意维度，同时依次对第i+1,i幅图像进行描述子匹配，计算出匹配对：取图像i+1中某个特征点fj,通过使用FANN(快速近似最近邻)搜索算法在图像i中找出欧式距离最小的两个点f1st,f2nd，令距离分别为d1和d2，若
Figure BDA0002898618790000062
则(fj,f1st)的匹配对正确，该种方案计算出来的特征点匹配速度加快，单向匹配中存在多对1的匹配进行二次筛选，特征点的误匹配减少；依次根据图像对应的单应性矩阵在全景图模板中扭曲图像，能够使得扭曲后的图像形变较小，融合后的图像质量更佳。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种无人机序列图像的快速拼接方法的流程框图；
图2为本发明提出的一种无人机序列图像的快速拼接方法的特征点匹配示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
参照图1，一种无人机序列图像的快速拼接方法，该快速拼接方法具体步骤如下：
步骤一：从无人机序列图像中顺序读取图像：假设无人机序列图像共有n幅图像，编号为1，2，……，i，……，n，依次读取这n幅图像；
步骤二：在每一幅图像中检测特征点，并构造描述子：在每一幅图像中检测特征点，并构造描述子，使用SURF方法依次检测每一幅图像中的特征点，并构造描述子；
步骤三：描述子降维，保留描述子99％以上的有效信息：利用SURF方法构造的描述子维度为64，并使用主成分分析法对描述子降维处理。
步骤四：依次对第i+1,i幅图像进行描述子匹配，计算出匹配对：取图像i+1中某个特征点fj,通过使用FANN(快速近似最近邻)搜索算法在图像i中找出欧式距离最小的两个点f1st,f2nd，令距离分别为d1和d2；
步骤五：计算i从2到n幅图像之间的单应性矩阵Ti：依次计算出i从2到n幅图像之间的匹配对后，使用PROSAC算法计算出图像i+1,i之间的单应性矩阵Ti+1，最终Ti+1＝Ti+1*Ti；
步骤六：确认第j幅图像作为中心图像：令图像的高为h,宽为w,构建矩阵S，其中
Figure BDA0002898618790000091
并依次计算n幅图像对应的widthi与heighti；
步骤七：重新计算单应性矩阵；
步骤八：扭曲图像；
步骤九：图像拼接：使用多频段融合方法依次融合所有的扭曲图像，得到的图像即为拼接后的图像。
步骤三中所述描述子降维处理具体步骤如下：
S1、依次找出第i,i+1(1<＝i<n)这两幅待匹配图像中共m(i,i+1)个描述符作为样本，构建成A＝m(i,i+1)*64的矩阵；
S2、计算出64*64的协方差矩阵R，接着计算R的特征值，基于协方差矩阵R的特征值进行动态选择维度n的大小，自动选择前n个特征值，且将特征值从大到小进行排序，排序后有λ1>＝λ2>＝……>＝λp,其中p＝64；
S3、步骤S2中特征值对应的特征向量分别为{e1,e2,……，ep}，选出前n个特征值的特征向量为主成分方向，构造p*n的矩阵B，该矩阵由对应的n个特征向量组成，最终矩阵为F＝A*B，矩阵F的大小为m(i,i+1)*n。
所述步骤S3中n应满足如下条件:
Figure BDA0002898618790000101
步骤四中所述匹配对是否正确的判断依据为：若
Figure BDA0002898618790000102
则(fj,f1st)的匹配对正确，其中，r为阈值，r＝0.6；
其中，当依次遍历图像i+1中特征点后，存在着多对1的错误匹配，如图2所示，f1、fj、fu在图i+1中的匹配均为fk，找出所有的多对1匹配，具体剔除错误匹配过程如下：
以(f1,fk),(fj,fk),(fu,fk)为例，在f1、fj、fu中找出与fk欧式距离最小的特征点视为正确匹配，不妨设fj和fk之间的欧氏距离最小，则剔除匹配(f1，fk),(fu，fk)，按照同样操作，处理所有的多对1匹配。
步骤五中计算单应性矩阵Ti+1的具体方法为：
令
Figure BDA0002898618790000103
步骤六中计算第i幅图像对应的widthi与heighti的具体步骤如下：
S01、构造矩阵U,V；
其中，
Figure BDA0002898618790000111
；
S02、根据步骤五中计算得到的T1-Tn；
令
Figure BDA0002898618790000112
Figure BDA0002898618790000113
Figure BDA0002898618790000114
Figure BDA0002898618790000115
则
Figure BDA0002898618790000116
S03、选择中位数xi或yi：若
(max(x1,x2,…,xi,…,xn)-min(x1,x2,…,xi,…,xn))＞(max(y1,y2,…,yi,…,yn)-min(y1,y2,…,yi,…,yn))则在(x1,x2,…,xi,…,xn)选择中位数xj，反之在(y1,y2,…,yi,…,yn)中选择中位数yj。则第j幅图像即为中心图像。
步骤七中所述重新计算单应性矩阵的具体方法为：令中位数对应的矩阵为Tj，求出Tj的逆矩阵Tj -1，依次计算Ti，其中Ti＝Ti*Tj -1，得到
Figure BDA0002898618790000121
步骤八中所述扭曲图像的具体步骤如下：令最终拼接图像的宽为width，高为height，
X＝(X1,X2,…,Xi,…,Xn)，
Y＝(Y1,Y2,…,Yi,…,Yn)，
则width＝max(w,X)-min(1,X)，height＝max(h,Y)-min(1,Y)，依次根据图像对应的单应性矩阵在全景图模板中扭曲图像。
本发明的工作原理及使用流程：该无人机序列图像的快速拼接方法，首先假设无人机序列图像共有n幅图像，编号为1，2，……，i，……，n，依次读取这n幅图像，在每一幅图像中检测特征点，并构造描述子，使用SURF方法依次检测每一幅图像中的特征点，并构造描述子，并利用SURF方法构造的描述子维度为64，并使用主成分分析法对描述子降维处理，其降维处理的具体步骤如下：通过依次找出第i,i+1(1<＝i<n)这两幅待匹配图像中共m(i,i+1)个描述符作为样本，构建成A＝m(i,i+1)*64的矩阵，接着计算出64*64的协方差矩阵R，接着计算R的特征值，基于协方差矩阵R的特征值进行动态选择维度n的大小，自动选择前n个特征值，且将特征值从大到小进行排序，排序后有λ1>＝λ2>＝……>＝λp,其中p＝64，特征值对应的特征向量分别为{e1,e2,……，ep}，选出前n个特征值的特征向量为主成分方向，构造p*n的矩阵B，该矩阵由对应的n个特征向量组成，最终矩阵为F＝A*B，矩阵F的大小为m(i,i+1)*n，其次，计算i从2到n幅图像之间的单应性矩阵Ti：依次计算出i从2到n幅图像之间的匹配对后，其中，当依次遍历图像i+1中特征点后，存在着多对1的错误匹配，如图2所示，f1、fj、fu在图i+1中的匹配均为fk，找出所有的多对1匹配，具体剔除错误匹配过程如下：
以(f1,fk),(fj,fk),(fu,fk)为例，在f1、fj、fu中找出与fk欧式距离最小的特征点视为正确匹配，不妨设fj和fk之间的欧氏距离最小，则剔除匹配(f1，fk),(fu，fk)，按照同样操作，处理所有的多对1匹配，接着使用PROSAC算法计算出图像i+1,i之间的单应性矩阵Ti+1，最终Ti+1＝Ti+1*Ti，其中计算单应性矩阵Ti+1的具体方法为：
令
Figure BDA0002898618790000131
接着确认第j幅图像作为中心图像：令图像的高为h,宽为w,构建矩阵S，其中
Figure BDA0002898618790000141
并依次计算n幅图像对应的widthi与heighti，其中计算图像对应的widthi与heighti的具体步骤如下：
S01、构造矩阵U,V；
其中，
Figure BDA0002898618790000142
；
S02、根据步骤五中计算得到的T1-Tn；
令
Figure BDA0002898618790000143
Figure BDA0002898618790000144
Figure BDA0002898618790000145
Figure BDA0002898618790000151
则
Figure BDA0002898618790000152
S03、选择中位数xi或yi：若
(max(x1,x2,…,xi,…,xn)-min(x1,x2,…,xi,…,xn))＞(max(y1,y2,…,yi,…,yn)-min(y1,y2,…,yi,…,yn))则在(x1,x2,…,xi,…,xn)选择中位数xj，反之在(y1,y2,…,yi,…,yn)中选择中位数yj。则第j幅图像即为中心图像，重新计算单应性矩阵：令中位数对应的矩阵为Tj，求出Tj的逆矩阵Tj -1，依次计算Ti，其中Ti＝Ti*Tj -1，得到
Figure BDA0002898618790000153
通过令最终拼接图像的宽为width，高为height，
X＝(X1,X2,…,Xi,…,Xn)，
Y＝(Y1,Y2,…,Yi,…,Yn)，
则width＝max(w,X)-min(1,X)，height＝max(h,Y)-min(1,Y)，依次根据图像对应的单应性矩阵在全景图模板中扭曲图像，最后使用多频段融合方法依次融合所有的扭曲图像，得到的图像即为拼接后的图像。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种无人机序列图像的快速拼接方法，其特征在于，该快速拼接方法具体步骤如下：
步骤一：从无人机序列图像中顺序读取图像：假设无人机序列图像共有n幅图像，编号为1，2，……，i，……，n，依次读取这n幅图像；
步骤二：在每一幅图像中检测特征点，并构造描述子：在每一幅图像中检测特征点，并构造描述子，使用SURF方法依次检测每一幅图像中的特征点，并构造描述子；
步骤三：描述子降维，保留描述子99％以上的有效信息：利用SURF方法构造的描述子维度为64，并使用主成分分析法对描述子降维处理。
步骤四：依次对第i+1,i幅图像进行描述子匹配，计算出匹配对：取图像i+1中某个特征点fj,通过使用FANN(快速近似最近邻)搜索算法在图像i中找出欧式距离最小的两个点f1st,f2nd，令距离分别为d1和d2；
步骤五：计算i从2到n幅图像之间的单应性矩阵Ti：依次计算出i从2到n幅图像之间的匹配对后，使用PROSAC算法计算出图像i+1,i之间的单应性矩阵Ti+1，最终Ti+1＝Ti+1*Ti；
步骤六：确认第j幅图像作为中心图像：令图像的高为h,宽为w,构建矩阵S，其中
Figure FDA0002898618780000021
并依次计算n幅图像对应的widthi与heighti；
步骤七：重新计算单应性矩阵；
步骤八：扭曲图像；
步骤九：图像拼接：使用多频段融合方法依次融合所有的扭曲图像，得到的图像即为拼接后的图像。
2.根据权利要求1所述的一种无人机序列图像的快速拼接方法，其特征在于：步骤三中所述描述子降维处理具体步骤如下：
S1、依次找出第i,i+1(1<＝i<n)这两幅待匹配图像中共m(i,i+1)个描述符作为样本，构建成A＝m(i,i+1)*64的矩阵；
S2、计算出64*64的协方差矩阵R，接着计算R的特征值，基于协方差矩阵R的特征值进行动态选择维度n的大小，自动选择前n个特征值，且将特征值从大到小进行排序，排序后有λ1>＝λ2>＝……>＝λp,其中p＝64；
S3、步骤S2中特征值对应的特征向量分别为{e1,e2,……，ep}，选出前n个特征值的特征向量为主成分方向，构造p*n的矩阵B，该矩阵由对应的n个特征向量组成，最终矩阵为F＝A*B，矩阵F的大小为m(i,i+1)*n。
3.根据权利要求2所述的一种无人机序列图像的快速拼接方法，其特征在于：所述步骤S3中n应满足如下条件:
Figure FDA0002898618780000031
4.根据权利要求1所述的一种无人机序列图像的快速拼接方法，其特征在于：步骤四中所述匹配对是否正确的判断依据为：若
Figure FDA0002898618780000032
则(fj,f1st)的匹配对正确，其中，r为阈值，r＝0.6。
5.根据权利要求1所述的一种无人机序列图像的快速拼接方法，其特征在于：步骤五中计算单应性矩阵Ti+1的具体方法为：
令
Figure FDA0002898618780000033
6.根据权利要求1所述的一种无人机序列图像的快速拼接方法，其特征在于：步骤六中计算第i幅图像对应的widthi与heighti的具体步骤如下：
S01、构造矩阵U,V；
其中，
Figure FDA0002898618780000041
S02、根据步骤五中计算得到的T1-Tn；
令
Figure FDA0002898618780000042
Figure FDA0002898618780000043
Figure FDA0002898618780000044
Figure FDA0002898618780000045
则
Figure FDA0002898618780000046
S03、选择中位数xi或yi：若
(max(x1,x2,…,xi,…,xn)-min(x1,x2,…,xi,…,xn))＞(max(y1,y2,…,yi,…,yn)-min(y1,y2,…,yi,…,yn))则在(x1,x2,…,xi,…,xn)选择中位数xj，反之在(y1,y2,…,yi,…,yn)中选择中位数yj。则第j幅图像即为中心图像。
7.根据权利要求1所述的一种无人机序列图像的快速拼接方法，其特征在于：步骤七中所述重新计算单应性矩阵的具体方法为：令中位数对应的矩阵为Tj，求出Tj的逆矩阵Tj -1，依次计算Ti，其中Ti＝Ti*Tj -1，得到
Figure FDA0002898618780000051
8.根据权利要求1所述的一种无人机序列图像的快速拼接方法，其特征在于：步骤八中所述扭曲图像的具体步骤如下：令最终拼接图像的宽为width，高为height，X＝(X1,X2,…,Xi,…,Xn)，Y＝(Y1,Y2,…,Yi,…,Yn)，则width＝max(w,X)-min(1,X)，height＝max(h,Y)-min(1,Y)，依次根据图像对应的单应性矩阵在全景图模板中扭曲图像。
CN202110049255.7A 2021-01-14 2021-01-14 一种无人机序列图像的快速拼接方法 Pending CN112700374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110049255.7A CN112700374A (zh) 2021-01-14 2021-01-14 一种无人机序列图像的快速拼接方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110049255.7A CN112700374A (zh) 2021-01-14 2021-01-14 一种无人机序列图像的快速拼接方法

Publications (1)

Publication Number Publication Date
CN112700374A true CN112700374A (zh) 2021-04-23

Family

ID=75514832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110049255.7A Pending CN112700374A (zh) 2021-01-14 2021-01-14 一种无人机序列图像的快速拼接方法

Country Status (1)

Country Link
CN (1) CN112700374A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158938A (zh) * 2021-04-29 2021-07-23 西安外事学院 基于协方差矩阵最小特征值的快速抗旋转景象匹配方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886569A (zh) * 2014-04-03 2014-06-25 北京航空航天大学 连续帧多特征点无人机侦察图像并行与匹配精度约束的拼接方法
US20160198088A1 (en) * 2014-12-23 2016-07-07 SZ DJI Technology Co., Ltd Uav panoramic imaging
CN106940876A (zh) * 2017-02-21 2017-07-11 华东师范大学 一种基于surf的快速无人机航拍图像拼接算法
CN107067415A (zh) * 2017-03-21 2017-08-18 南京航空航天大学 一种基于图像匹配的目标快速精确定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886569A (zh) * 2014-04-03 2014-06-25 北京航空航天大学 连续帧多特征点无人机侦察图像并行与匹配精度约束的拼接方法
US20160198088A1 (en) * 2014-12-23 2016-07-07 SZ DJI Technology Co., Ltd Uav panoramic imaging
CN106940876A (zh) * 2017-02-21 2017-07-11 华东师范大学 一种基于surf的快速无人机航拍图像拼接算法
CN107067415A (zh) * 2017-03-21 2017-08-18 南京航空航天大学 一种基于图像匹配的目标快速精确定位方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
XIE RENPING等: "A robust projection plane selection strategy for UAV image", 《INTERNATIONAL JOURNAL OF REMOTE SENSING,》 *
张栩然等: "顾及纹理和形状特征的无人机影像中农村宅基地提取研究――以重庆市丰都县为例", 《遥感信息》 *
李雅梅等: "一种基于局部特征的栅格地图拼接方法", 《计算机应用与软件》 *
程争刚等: "一种基于无人机位姿信息的航拍图像拼接方法", 《测绘学报》 *
罗毅等: "一种航拍图像与卫星影像拼接方法", 《信息化研究》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158938A (zh) * 2021-04-29 2021-07-23 西安外事学院 基于协方差矩阵最小特征值的快速抗旋转景象匹配方法
CN113158938B (zh) * 2021-04-29 2023-08-22 西安外事学院 基于协方差矩阵最小特征值的快速抗旋转景象匹配方法

Similar Documents

Publication Publication Date Title
CN110298298B (zh) 目标检测及目标检测网络的训练方法、装置及设备
CN110837870B (zh) 基于主动学习的声呐图像目标识别方法
Torralba et al. Sharing visual features for multiclass and multiview object detection
CN110490913B (zh) 基于角点与单线段编组的特征描述算子进行影像匹配方法
US8577099B2 (en) Method, apparatus, and program for detecting facial characteristic points
CN113239813B (zh) 一种基于三阶级联架构的YOLOv3的远景目标检测方法
CN110647912A (zh) 细粒度图像识别方法、装置、计算机设备及存储介质
CN108428248B (zh) 车窗定位方法、系统、设备及存储介质
WO2004055735A1 (ja) パターン識別方法、その装置及びそのプログラム
JPH06176161A (ja) 入力分類方法、トレーニング方法、及び装置
US20110010317A1 (en) Information processing apparatus enabling discriminator to learn and method thereof
EP2234388B1 (en) Object detection apparatus and method
CN113205026A (zh) 一种基于Faster RCNN深度学习网络改进的车型识别方法
CN111652910B (zh) 一种基于对象空间关系的目标跟踪算法
CN105787876A (zh) 一种基于surf特征跟踪匹配的全景视频自动拼接方法
CN112700374A (zh) 一种无人机序列图像的快速拼接方法
CN115937552A (zh) 一种基于融合手工特征与深度特征的图像匹配方法
US6901171B1 (en) Methods and apparatuses for refining groupings of edge points that represent a contour in an image
CN114743195A (zh) 甲状腺细胞病理数字图像识别器训练方法、图像识别方法
CN106780294B (zh) 一种基于特征描述符的圆弧匹配方法
CN110866500A (zh) 人脸检测对齐系统、方法、装置、平台、移动终端和存储介质
Shvai et al. Optimal ensemble classifiers based classification for automatic vehicle type recognition
CN116026340A (zh) 一种适用于多尺度连续变焦条件的室内定位方法
US11967131B2 (en) System for processing an image, method for processing the image, method for training a neural network for processing the image, and recording medium for executing the method
CN115861956A (zh) 一种基于解耦头部的Yolov3道路垃圾检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210423