CN112766395A - 一种图像匹配方法、装置、电子设备及可读存储介质 - Google Patents

一种图像匹配方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN112766395A
CN112766395A CN202110107848.4A CN202110107848A CN112766395A CN 112766395 A CN112766395 A CN 112766395A CN 202110107848 A CN202110107848 A CN 202110107848A CN 112766395 A CN112766395 A CN 112766395A
Authority
CN
China
Prior art keywords
matched
matrix
image
images
matching function
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
CN202110107848.4A
Other languages
English (en)
Other versions
CN112766395B (zh
Inventor
杨菁
周长兵
施振生
张玉清
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.)
China University of Geosciences Beijing
Original Assignee
China University of Geosciences Beijing
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 China University of Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN202110107848.4A priority Critical patent/CN112766395B/zh
Publication of CN112766395A publication Critical patent/CN112766395A/zh
Application granted granted Critical
Publication of CN112766395B publication Critical patent/CN112766395B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local 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
    • G06V10/457—Local 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 analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种图像匹配方法、装置、电子设备及可读存储介质，分别从获取到每张待匹配图像的待匹配对象中提取出多个待匹配特征点以及多条待匹配特征边，基于每张待匹配图像中的多条待匹配特征边，构建在离散域下的初始匹配函数，然后，将在离散域下的初始匹配函数转换为连续域下的初始匹配函数，并基于离散约束对连续域下的初始匹配函数进行转换，得到目标匹配函数，最后，通过归一化算法求解所述目标匹配函数中的待求解关系矩阵，确定两张待匹配图像的目标关系矩阵，进而，可以基于目标关系矩阵确定出两张待匹配图像中的待匹配对象所属类别是否相同，有助于提高匹配结果的准确，以及可以图像处理过程中的计算效率，降低匹配结果的偏差。

Description

一种图像匹配方法、装置、电子设备及可读存储介质
技术领域
本申请涉及图像处理技术领域，尤其是涉及一种图像匹配方法、装置、电子设备及可读存储介质。
背景技术
图像匹配是计算机视觉、模式识别以及图像处理中的一个最重要的问题，它可以用于特征跟踪、目标识别和3D重建等。在智慧城市的三维重建中，通过图像匹配对来自不同相机位置的图像进行匹配，为后续的图像操作构建基础，而图像匹配旨在寻找两张图像特征点之间的对应关系。
目前，图像匹配关系是离散的，这种离散的匹配关系难以直接对其进行求解，需将其从离散域转换至连续域之后再进行求解，但是在连续域中进行求解后得到的结果是连续的，故为考虑到图像匹配关系的离散性，导致求解结果与真实结果之间存在较大的偏差，匹配效果差。
发明内容
有鉴于此，本申请的目的在于提供一种图像匹配方法、装置、电子设备及可读存储介质，可以通过在对连续域下目标匹配函数进行求解的过程中，将离散性质加入到求解过程中，有助于提高匹配结果的准确，以及可以图像处理过程中的计算效率，降低匹配结果的偏差。
本申请实施例提供了一种图像匹配方法，所述图像匹配方法包括：
针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边；
基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵；
基于所述相似度特征矩阵以及待求解关系矩阵，构建所述两张待匹配图像在离散域下的初始匹配函数，其中，所述待求解关系矩阵为双随机矩阵，表示所述两张待匹配图像中待匹配对象之间各个待匹配特征点的初始对应关系；
将所述待求解关系矩阵中的每一个元素从离散域转换至连续域，得到在连续域下的初始匹配函数；
基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数；
基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵，其中，所述目标关系矩阵用于确定所述两张待匹配图像中待匹配对象所属类别是否相同。
进一步的，所述针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边，包括：
针对于每张待匹配图像，从该待匹配图像的待匹配对象中提取出预设数量的待匹配特征点；
将每两个待匹配特征点之间的连线，确定为所述待匹配图像的待匹配特征边。
进一步的，所述基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵，包括：
确定所述两张待匹配图像中任意一张待匹配图像中的待匹配对象的任意一条待匹配特征边，与另一张待匹配图像中待匹配对象的任意一条待匹配特征边之间的边相似度；
基于确定出的多个边相似度，构建所述两张待匹配图像之间的相似度特征矩阵。
进一步的，所述基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数，包括：
基于拉格朗日乘子算法，将所述在连续域下的初始匹配函数转换为中间匹配函数；
基于矩阵的数学性质，化简所述中间匹配函数得到目标匹配函数。
进一步的，所述基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵，包括：
基于所述待求解关系矩阵的模长，使用归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，得到所述待求解关系矩阵的连续解；
将所述连续解映射为离散解，得到所述两张待匹配图像的目标关系矩阵。
本申请实施例还提供了一种图像匹配装置，所述图像匹配装置包括：
特征提取模块，用于针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边；
矩阵确定模块，用于基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵；
函数构建模块，用于基于所述相似度特征矩阵以及待求解关系矩阵，构建所述两张待匹配图像在离散域下的初始匹配函数，其中，所述待求解关系矩阵为双随机矩阵，表示所述两张待匹配图像中待匹配对象之间各个待匹配特征点的初始对应关系；
第一转换模块，用于将所述待求解关系矩阵中的每一个元素从离散域转换至连续域，得到在连续域下的初始匹配函数；
第二转换模块，用于基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数；
求解模块，用于基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵，其中，所述目标关系矩阵用于确定所述两张待匹配图像中待匹配对象所属类别是否相同。
进一步的，所述特征提取模块在用于针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边时，所述特征提取模块用于：
针对于每张待匹配图像，从该待匹配图像的待匹配对象中提取出预设数量的待匹配特征点；
将每两个待匹配特征点之间的连线，确定为所述待匹配图像的待匹配特征边。
进一步的，所述矩阵确定模块在用于基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵时，所述矩阵确定模块用于：
确定所述两张待匹配图像中任意一张待匹配图像中的待匹配对象的任意一条待匹配特征边，与另一张待匹配图像中待匹配对象的任意一条待匹配特征边之间的边相似度；
基于确定出的多个边相似度，构建所述两张待匹配图像之间的相似度特征矩阵。
进一步的，所述第二转换模块在用于基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数时，所述第二转换模块用于：
基于拉格朗日乘子算法，将所述在连续域下的初始匹配函数转换为中间匹配函数；
基于矩阵的数学性质，化简所述中间匹配函数得到目标匹配函数。
进一步的，所述求解模块在用于基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵时，所述求解模块用于：
基于所述待求解关系矩阵的模长，使用归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，得到所述待求解关系矩阵的连续解；
将所述连续解映射为离散解，得到所述两张待匹配图像的目标关系矩阵。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的图像匹配方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的图像匹配方法的步骤。
本申请实施例提供的一种图像匹配方法、装置、电子设备及可读存储介质，针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边；基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵；基于所述相似度特征矩阵以及待求解关系矩阵，构建所述两张待匹配图像在离散域下的初始匹配函数，其中，所述待求解关系矩阵为双随机矩阵，表示所述两张待匹配图像中待匹配对象之间各个待匹配特征点的初始对应关系；将所述待求解关系矩阵中的每一个元素从离散域转换至连续域，得到在连续域下的初始匹配函数；基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到所述目标匹配函数；基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵，其中，所述目标关系矩阵用于确定所述两张待匹配图像中待匹配对象所属类别是否相同。
这样，本申请通过将在离散域下构建的初始匹配函数，转换为连续域下的初始匹配函数，并基于离散约束对连续域下的初始匹配函数进行转换，得到目标匹配函数，最后，通过归一化算法求解所述目标匹配函数中的待求解关系矩阵，确定两张待匹配图像的目标关系矩阵，进而，可以基于目标关系矩阵确定出两张待匹配图像中的待匹配对象所属类别是否相同，有助于提高匹配结果的准确，以及可以图像处理过程中的计算效率，降低匹配结果的偏差。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种图像匹配方法的流程图；
图2为本申请实施例所提供的另一种图像匹配方法的流程图；
图3为本申请实施例所提供的一种图像匹配装置的结构示意图；
图4为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
经研究发现，目前，图像匹配关系是离散的，这种离散的匹配关系难以直接对其进行求解，需将其从离散域转换至连续域之后再进行求解，但是在连续域中进行求解后得到的结果是连续的，故为考虑到图像匹配关系的离散性，导致求解结果与真实结果之间存在较大的偏差，匹配效果差。
基于此，本申请实施例提供了一种图像匹配方法，有助于提高匹配结果的准确，以及可以图像处理过程中的计算效率，降低匹配结果的偏差。
请参阅图1，图1为本申请实施例所提供的一种图像匹配方法的流程图。如图1中所示，本申请实施例提供的图像匹配方法，包括：
S101、针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边。
该步骤中，获取来自不同拍摄位置的相机，所拍摄到的两张待匹配图像，针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点，以及基于多个待匹配特征点，确定出的多条待匹配特征边。
这里，从两张待匹配图像中确定出的待匹配特征点的数量是相同的。
S102、基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵。
该步骤中，基于从每张待匹配图像中确定出的多条待匹配特征边，构建得到两张待匹配图像之间的相似度特征矩阵W。
S103、基于所述相似度特征矩阵以及待求解关系矩阵，构建所述两张待匹配图像在离散域下的初始匹配函数，其中，所述待求解关系矩阵为双随机矩阵，表示所述两张待匹配图像中待匹配对象之间各个待匹配特征点的初始对应关系。
该步骤中，首先，确定可以用于表示两张待匹配图像中任意一张待匹配图像中的任意一个待匹配特征点，与另一张待匹配图像中待匹配对象的各个待匹配特征点的初始对应关系的待求解关系矩阵X，将待求解关系矩阵X转换成向量的形式，得到待求解矩阵X对应的待求解关系向量x；基于确定出的两张待匹配图像之间的相似度特征矩阵W以及待求解关系向量x，构建得到两张待匹配图像在离散域下的初始匹配函数，其中，需求解的待求解关系矩阵为双随机矩阵，即在待求解关系矩阵中每行的和为1，同时，每列的和也为1。
其中，以待求解关系矩阵X为3*3的矩阵为例，此时
Figure BDA0002918232290000081
这里，待求解关系矩阵X的大小取决于每个待匹配图像中提取出的待匹配特征点的数量，当提取出的特征点的数量为3时，待求解关系矩阵X则为3*3的矩阵；当提取出的特征点的数量为4时，待求解关系矩阵X则为4*4的矩阵。
基于相似度特征矩阵W以及待求解关系向量x，构建出的在离散域下的初始匹配函数为：
Figure BDA0002918232290000091
其中，A为保持X为双随机矩阵的约束矩阵，W为相似度特征矩阵，x为待求解关系向量，xi表示在待求解关系向量x中任意一个元素值为{0,1}之间的离散值。
S104、将所述待求解关系矩阵中的每一个元素从离散域转换至连续域，得到在连续域下的初始匹配函数。
该步骤中，对在离散域下的初始匹配函数进行松弛转换，将在离散域下的初始匹配函数中的待求解关系矩阵X对应的待求解关系向量x中的每一元素xi，从原本的离散域转换至连续域，得到了在连续域下的初始匹配函数。
这里，得到的在连续域下的初始匹配函数为：
Figure BDA0002918232290000092
其中，A为保持待求解关系矩阵X为双随机矩阵的约束矩阵，W为相似度特征矩阵，x为待求解关系向量，xi表示在待求解关系向量x中任意一个元素值为[0,1]之间的连续值。
S105、基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数。
该步骤中，由于待匹配图像中提取出的待匹配特征点是离散的，在将在离散域下的初始匹配函数，转换至连续域下进行求解时，并不能够考虑到求解结果的离散型，因此，为了保证求解结果更加准确，需将离散性引入到最后的目标匹配函数中，具体的，确定出待求解关系矩阵对应的离散约束N，基于该离散约束N，转换在连续域下的初始匹配函数，得到目标匹配函数，这里，离散约束N为所求解的目标关系矩阵中所包含的1的数量。
这里，转换得到的目标匹配函数为：
Figure BDA0002918232290000101
其中，
Figure BDA0002918232290000102
为一个半正定矩阵
Figure BDA0002918232290000103
I1是一个大小为N2×N2的单位矩阵，参数α的取值等于或者大于β，β通过以下公式计算得到：
β＝|min{λmin,0}|；
这里，λmin是相似度特征矩阵W中的最小特征值。
S106、基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵，其中，所述目标关系矩阵用于确定所述两张待匹配图像中待匹配对象所属类别是否相同。
该步骤中，通过归一化分割算法在连续域中求解得到的目标匹配函数中的待求解关系矩阵，首先，求解得到待求解关系矩阵对应的目标关系向量，然后，再将得到目标关系向量转换为目标关系矩阵，得到两张待匹配图像的目标关系矩阵，从而，可以根据两张待匹配图像的目标关系矩阵，确定两张待匹配图像中的待匹配对象的所属类别是否相同。
其中，求解得到的目标关系矩阵中包括任意一张待匹配图像的任意一个待匹配特征点，与另一张待匹配图像中任意一个待匹配特征点之间的对应关系。
本申请实施例提供的图像匹配方法，针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边；基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵；基于所述相似度特征矩阵以及待求解关系矩阵，构建所述两张待匹配图像在离散域下的初始匹配函数，其中，所述待求解关系矩阵为双随机矩阵，表示所述两张待匹配图像中待匹配对象之间各个待匹配特征点的初始对应关系；将所述待求解关系矩阵中的每一个元素从离散域转换至连续域，得到在连续域下的初始匹配函数；基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数；基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵，其中，所述目标关系矩阵用于确定所述两张待匹配图像中待匹配对象所属类别是否相同。
这样，本申请通过将在离散域下构建的初始匹配函数，转换为连续域下的初始匹配函数，并基于离散约束对连续域下的初始匹配函数进行转换，得到目标匹配函数，最后，通过归一化算法求解所述目标匹配函数中的待求解关系矩阵，确定两张待匹配图像的目标关系矩阵，进而，可以基于目标关系矩阵确定出两张待匹配图像中的待匹配对象所属类别是否相同，有助于提高匹配结果的准确，以及可以图像处理过程中的计算效率，降低匹配结果的偏差。
请参阅图2，图2为本申请实施例所提供的另一种图像匹配方法的流程图。如图2中所示，本申请实施例提供的图像匹配方法，包括：
S201、针对于每张待匹配图像，从该待匹配图像的待匹配对象中提取出预设数量的待匹配特征点。
该步骤中，针对于获取到的每张待匹配图像，从该待匹配图像的待匹配对象中，提取出预设数量的待匹配特征点。这里，从每个待匹配图像中提取出的待匹配特征点的数量是相同的。
S202、将每两个待匹配特征点之间的连线，确定为所述待匹配图像的待匹配特征边。
该步骤中，同样，针对于获取到的每张待匹配图像，分别连接每两个待匹配特征点，将每两个待匹配特征点之间的连线，确定为该待匹配图像的待匹配特征边。
S203、基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵。
S204、基于所述相似度特征矩阵以及待求解关系矩阵，构建所述两张待匹配图像在离散域下的初始匹配函数，其中，所述待求解关系矩阵为双随机矩阵，表示所述两张待匹配图像中待匹配对象之间各个待匹配特征点的初始对应关系。
S205、将所述待求解关系矩阵中的每一个元素从离散域转换至连续域，得到在连续域下的初始匹配函数。
S206、基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数。
S207、基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵，其中，所述目标关系矩阵用于确定所述两张待匹配图像中待匹配对象所属类别是否相同。
其中，S203至S207的描述可以参照S102至S106的描述，并且能达到相同的技术效果，对此不做赘述。
进一步的，步骤S203包括：确定所述两张待匹配图像中任意一个待匹配图像中的待匹配对象的任意一条待匹配特征边，与另一个待匹配图像中待匹配对象的任意一条待匹配特征边之间的边相似度；基于确定出的多个边相似度，构建所述两张待匹配图像之间的相似度特征矩阵。
该步骤中，确定两张待匹配图像里任意一张待匹配图像中待匹配对象的任意一个待匹配特征边，与两张待匹配图像里另一张待匹配图像中待匹配对象的任意一个待匹配特征边之间的边相似度；基于确定出的两张待匹配图像之间的多个边相似度，构建两张待匹配图像之间的相似度特征矩阵。这样，构建得到的相似度特征矩阵能够表明两张待匹配图像之间的各个待匹配特征边之间的边相似度。
进一步的，步骤S206包括：基于拉格朗日乘子算法，将所述在连续域下的初始匹配函数转换为中间匹配函数；基于矩阵的数学性质，化简所述中间匹配函数得到目标匹配函数。
该步骤中，在图像匹配问题中，最终求得的特征点的匹配关系应为一一对应的离散匹配关系，即两张待匹配图像中的待匹配特征点之间应为一一对应的关系，不会存在一对多的情况，但是将在离散域下的初始匹配函数转换之连续域之后，在连续域的求解过程中为了保证求解结果的准确性，使用离散约束对在连续域下的初始匹配函数在约束条件中进行约束，因此，将在连续域下的初始匹配函数转换为目标匹配函数的过程，首选，基于离散约束N对连续域下的初始匹配函数进行约束，将在连续域下的初始匹配函数转换为：
Figure BDA0002918232290000131
在将离散约束以二次约的束形式引入连续域下的初始匹配函数后，此时，连续域下的初始匹配函数是一个NP-完全问题，同时包含有三个约束条件，难以直接解决。因此，根据拉格朗日性质，通过拉格朗日乘子算法将上述得到的引入了离散约束的连续域下的初始匹配函数，转换成中间匹配函数：
Figure BDA0002918232290000132
这里，为了便于后续的计算，基于矩阵的数学性质，化简上述中间匹配函数，得到目标匹配函数。
进一步的，步骤S207包括：基于所述待求解关系矩阵的模长，使用归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，得到所述待求解关系矩阵的连续解；将所述连续解映射为离散解，得到所述两张待匹配图像的目标关系矩阵。
该步骤中，为了使得归一化分割算法更适合用于求解目标匹配函数，首先，将目标匹配函数中的约束条件转换为下面的形式：
Figure BDA0002918232290000133
其中，||x||表示待求解关系向量x的模长。
其次，对上述的待求解关系向量x的模长进行转换，得到转换后的形式：
Figure BDA0002918232290000141
然后，基于待求解关系矩阵的模长，对上述转换后的目标匹配函数再次进行转换，转换为下述形式：
Figure BDA0002918232290000142
这里，x′表示为
Figure BDA0002918232290000143
c为
Figure BDA0002918232290000144
最后，通过归一化分割算法迭代地对再次转换的得到的目标匹配函数进行求解，得到目标匹配函数的连续解。
进一步的，在得到目标匹配函数的连续解之后，由于图像匹配的结果应该是离散的，因此，需将得到的连续解映射为离散解，具体的，使用乘法更新算法将连续解映射到离散域中，在映射过程中代入目标匹配函数，求解得到待求解关系矩阵的离散解。
重复迭代上述映射过程，直到收敛为止，得到两张待匹配图像的目标关系矩阵。
具体的迭代过程如下所示：
Figure BDA0002918232290000145
其中，
Figure BDA0002918232290000146
这里，∧和
Figure BDA0002918232290000147
为拉格朗日乘子，通过以下公式计算得到：
Figure BDA0002918232290000148
本申请实施例提供的图像匹配方法，针对于每张待匹配图像，从该待匹配图像的待匹配对象中提取出预设数量的待匹配特征点；将每两个待匹配特征点之间的连线，确定为所述待匹配图像的待匹配特征边；基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵；基于所述相似度特征矩阵以及待求解关系矩阵，构建所述两张待匹配图像在离散域下的初始匹配函数，其中，所述待求解关系矩阵为双随机矩阵，表示所述两张待匹配图像中待匹配对象之间各个待匹配特征点的初始对应关系；将所述待求解关系矩阵中的每一个元素从离散域转换至连续域，得到在连续域下的初始匹配函数；基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数；基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵，其中，所述目标关系矩阵用于确定所述两张待匹配图像中待匹配对象所属类别是否相同。
这样，本申请通过将在离散域下构建的初始匹配函数，转换为连续域下的初始匹配函数，并基于离散约束对连续域下的初始匹配函数进行转换，得到目标匹配函数，最后，通过归一化算法求解所述目标匹配函数中的待求解关系矩阵，确定两张待匹配图像的目标关系矩阵，进而，可以基于目标关系矩阵确定出两张待匹配图像中的待匹配对象所属类别是否相同，有助于提高匹配结果的准确，以及可以图像处理过程中的计算效率，降低匹配结果的偏差。
请参阅图3，图3为本申请实施例所提供的一种图像匹配装置的结构示意图。如图3中所示，所述图像匹配装置300包括：
特征提取模块310，用于针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边；
矩阵确定模块320，用于基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵；
函数构建模块330，用于基于所述相似度特征矩阵以及待求解关系矩阵，构建所述两张待匹配图像在离散域下的初始匹配函数，其中，所述待求解关系矩阵为双随机矩阵，表示所述两张待匹配图像中待匹配对象之间各个待匹配特征点的初始对应关系；
第一转换模块340，用于将所述待求解关系矩阵中的每一个元素从离散域转换至连续域，得到在连续域下的初始匹配函数；
第二转换模块350，用于基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数；
求解模块360，用于基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵，其中，所述目标关系矩阵用于确定所述两张待匹配图像中待匹配对象所属类别是否相同。
进一步的，所述特征提取模块310在用于针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边时，所述特征提取模块310用于：
针对于每张待匹配图像，从该待匹配图像的待匹配对象中提取出预设数量的待匹配特征点；
将每两个待匹配特征点之间的连线，确定为所述待匹配图像的待匹配特征边。
进一步的，所述矩阵确定模块320在用于基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵时，所述矩阵确定模块320用于：
确定所述两张待匹配图像中任意一张待匹配图像中的待匹配对象的任意一条待匹配特征边，与另一张待匹配图像中待匹配对象的任意一条待匹配特征边之间的边相似度；
基于确定出的多个边相似度，构建所述两张待匹配图像之间的相似度特征矩阵。
进一步的，所述第二转换模块350在用于基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数时，所述第二转换模块350用于：
基于拉格朗日乘子算法，将所述在连续域下的初始匹配函数转换为中间匹配函数；
基于矩阵的数学性质，化简所述中间匹配函数得到目标匹配函数。
进一步的，所述求解模块360在用于基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵时，所述求解模块360用于：
基于所述待求解关系矩阵的模长，使用归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，得到所述待求解关系矩阵的连续解；
将所述连续解映射为离散解，得到所述两张待匹配图像的目标关系矩阵。
本申请实施例提供的图像匹配装置，针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边；基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵；基于所述相似度特征矩阵以及待求解关系矩阵，构建所述两张待匹配图像在离散域下的初始匹配函数，其中，所述待求解关系矩阵为双随机矩阵，表示所述两张待匹配图像中待匹配对象之间各个待匹配特征点的初始对应关系；将所述待求解关系矩阵中的每一个元素从离散域转换至连续域，得到在连续域下的初始匹配函数；基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数；基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵，其中，所述目标关系矩阵用于确定所述两张待匹配图像中待匹配对象所属类别是否相同。
这样，本申请通过将在离散域下构建的初始匹配函数，转换为连续域下的初始匹配函数，并基于离散约束对连续域下的初始匹配函数进行转换，得到目标匹配函数，最后，通过归一化算法求解所述目标匹配函数中的待求解关系矩阵，确定两张待匹配图像的目标关系矩阵，进而，可以基于目标关系矩阵确定出两张待匹配图像中的待匹配对象所属类别是否相同，有助于提高匹配结果的准确，以及可以图像处理过程中的计算效率，降低匹配结果的偏差。
请参阅图4，图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示，所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令，当电子设备400运行时，所述处理器410与所述存储器420之间通过总线430通信，所述机器可读指令被所述处理器410执行时，可以执行如上述图1以及图2所示方法实施例中的图像匹配方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的图像匹配方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种图像匹配方法，其特征在于，所述图像匹配方法包括：
针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边；
基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵；
基于所述相似度特征矩阵以及待求解关系矩阵，构建所述两张待匹配图像在离散域下的初始匹配函数，其中，所述待求解关系矩阵为双随机矩阵，表示所述两张待匹配图像中待匹配对象之间各个待匹配特征点的初始对应关系；
将所述待求解关系矩阵中的每一个元素从离散域转换至连续域，得到在连续域下的初始匹配函数；
基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数；
基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵，其中，所述目标关系矩阵用于确定所述两张待匹配图像中待匹配对象所属类别是否相同。
2.根据权利要求1所述的图像匹配方法，其特征在于，所述针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边，包括：
针对于每张待匹配图像，从该待匹配图像的待匹配对象中提取出预设数量的待匹配特征点；
将每两个待匹配特征点之间的连线，确定为所述待匹配图像的待匹配特征边。
3.根据权利要求1所述的图像匹配方法，其特征在于，所述基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵，包括：
确定所述两张待匹配图像中任意一张待匹配图像中的待匹配对象的任意一条待匹配特征边，与另一张待匹配图像中待匹配对象的任意一条待匹配特征边之间的边相似度；
基于确定出的多个边相似度，构建所述两张待匹配图像之间的相似度特征矩阵。
4.根据权利要求1所述的图像匹配方法，其特征在于，所述基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数，包括：
基于拉格朗日乘子算法，将所述在连续域下的初始匹配函数转换为中间匹配函数；
基于矩阵的数学性质，化简所述中间匹配函数得到目标匹配函数。
5.根据权利要求1所述的图像匹配方法，其特征在于，所述基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵，包括：
基于所述待求解关系矩阵的模长，使用归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，得到所述待求解关系矩阵的连续解；
将所述连续解映射为离散解，得到所述两张待匹配图像的目标关系矩阵。
6.一种图像匹配装置，其特征在于，所述图像匹配装置包括：
特征提取模块，用于针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边；
矩阵确定模块，用于基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵；
函数构建模块，用于基于所述相似度特征矩阵以及待求解关系矩阵，构建所述两张待匹配图像在离散域下的初始匹配函数，其中，所述待求解关系矩阵为双随机矩阵，表示所述两张待匹配图像中待匹配对象之间各个待匹配特征点的初始对应关系；
第一转换模块，用于将所述待求解关系矩阵中的每一个元素从离散域转换至连续域，得到在连续域下的初始匹配函数；
第二转换模块，用于基于所述待求解关系矩阵对应的离散约束，转换所述在连续域下的初始匹配函数，得到目标匹配函数；
求解模块，用于基于归一化分割算法求解所述目标匹配函数中的待求解关系矩阵，确定所述两张待匹配图像的目标关系矩阵，其中，所述目标关系矩阵用于确定所述两张待匹配图像中待匹配对象所属类别是否相同。
7.根据权利要求6所述的图像匹配装置，其特征在于，所述特征提取模块在用于针对于获取到的两张待匹配图像中的每张待匹配图像，从该待匹配图像中确定出待匹配对象的多个待匹配特征点以及多条待匹配特征边时，所述特征提取模块用于：
针对于每张待匹配图像，从该待匹配图像的待匹配对象中提取出预设数量的待匹配特征点；
将每两个待匹配特征点之间的连线，确定为所述待匹配图像的待匹配特征边。
8.根据权利要求6所述的图像匹配装置，其特征在于，所述矩阵确定模块在用于基于每张待匹配图像中的所述多条待匹配特征边，确定所述两张待匹配图像之间的相似度特征矩阵时，所述矩阵确定模块用于：
确定所述两张待匹配图像中任意一张待匹配图像中的待匹配对象的任意一条待匹配特征边，与另一张待匹配图像中待匹配对象的任意一条待匹配特征边之间的边相似度；
基于确定出的多个边相似度，构建所述两张待匹配图像之间的相似度特征矩阵。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至5任一所述的图像匹配方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至5任一所述的图像匹配方法的步骤。
CN202110107848.4A 2021-01-27 2021-01-27 一种图像匹配方法、装置、电子设备及可读存储介质 Active CN112766395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110107848.4A CN112766395B (zh) 2021-01-27 2021-01-27 一种图像匹配方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110107848.4A CN112766395B (zh) 2021-01-27 2021-01-27 一种图像匹配方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112766395A true CN112766395A (zh) 2021-05-07
CN112766395B CN112766395B (zh) 2023-11-28

Family

ID=75705967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110107848.4A Active CN112766395B (zh) 2021-01-27 2021-01-27 一种图像匹配方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112766395B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058432A (zh) * 2023-10-11 2023-11-14 北京万方数据股份有限公司 图像查重方法、装置、电子设备及可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0716021D0 (en) * 2007-08-17 2007-09-26 Warwick Warp Ltd Method and apparatus for identifying and matching fingerprints using sweat pores
CN101236599A (zh) * 2007-12-29 2008-08-06 浙江工业大学 基于多摄像机信息融合的人脸识别检测装置
CN102903111A (zh) * 2012-09-27 2013-01-30 哈尔滨工程大学 基于图像分割的大面积低纹理区立体匹配算法
CN104091333A (zh) * 2014-07-01 2014-10-08 黄河科技学院 基于区域可信融合的多类无监督彩色纹理图像分割方法
CN109658481A (zh) * 2018-12-24 2019-04-19 北京旷视科技有限公司 图像标注方法及装置、特征图生成方法及装置
CN109685060A (zh) * 2018-11-09 2019-04-26 科大讯飞股份有限公司 图像处理方法和装置
CN110070096A (zh) * 2019-05-31 2019-07-30 中国科学院自动化研究所 针对非刚性形状匹配的局部频域描述子生成方法及装置
CN111243035A (zh) * 2020-04-29 2020-06-05 成都纵横自动化技术股份有限公司 相机标定方法、装置、电子设备和计算机可读存储介质
WO2020118828A1 (zh) * 2018-12-13 2020-06-18 深圳先进技术研究院 基于梯度域的低剂量pet图像重建方法、装置、设备及介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0716021D0 (en) * 2007-08-17 2007-09-26 Warwick Warp Ltd Method and apparatus for identifying and matching fingerprints using sweat pores
CN101236599A (zh) * 2007-12-29 2008-08-06 浙江工业大学 基于多摄像机信息融合的人脸识别检测装置
CN102903111A (zh) * 2012-09-27 2013-01-30 哈尔滨工程大学 基于图像分割的大面积低纹理区立体匹配算法
CN104091333A (zh) * 2014-07-01 2014-10-08 黄河科技学院 基于区域可信融合的多类无监督彩色纹理图像分割方法
CN109685060A (zh) * 2018-11-09 2019-04-26 科大讯飞股份有限公司 图像处理方法和装置
WO2020118828A1 (zh) * 2018-12-13 2020-06-18 深圳先进技术研究院 基于梯度域的低剂量pet图像重建方法、装置、设备及介质
CN109658481A (zh) * 2018-12-24 2019-04-19 北京旷视科技有限公司 图像标注方法及装置、特征图生成方法及装置
CN110070096A (zh) * 2019-05-31 2019-07-30 中国科学院自动化研究所 针对非刚性形状匹配的局部频域描述子生成方法及装置
CN111243035A (zh) * 2020-04-29 2020-06-05 成都纵横自动化技术股份有限公司 相机标定方法、装置、电子设备和计算机可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JING YANG等: "graph matching based on fast normalized cut and multiplicative update mapping", PATTERN RECOGNITION, pages 1 - 11 *
张文坤;汪西原;韩佳雪;: "自动确定类别数的RJMCMC+SA图像分割算法研究", 图学学报, vol. 40, no. 06, pages 1038 - 1047 *
王凌燕;: "基于骨架线约束的非刚性三维模型匹配", 计算机应用与软件, vol. 37, no. 06, pages 171 - 177 *
贾迪;朱宁丹;杨宁华;吴思;李玉秀;赵明远;: "图像匹配方法研究综述", 中国图象图形学报, vol. 24, no. 05, pages 677 - 699 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058432A (zh) * 2023-10-11 2023-11-14 北京万方数据股份有限公司 图像查重方法、装置、电子设备及可读存储介质
CN117058432B (zh) * 2023-10-11 2024-01-30 北京万方数据股份有限公司 图像查重方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN112766395B (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
JP6902122B2 (ja) ダブル視野角画像較正および画像処理方法、装置、記憶媒体ならびに電子機器
US10832034B2 (en) Facial image generating method, facial image generating apparatus, and facial image generating device
CN110738236B (zh) 图像匹配方法、装置、计算机设备及存储介质
CN109117854B (zh) 关键点匹配方法、装置、电子设备以及存储介质
CN111340077A (zh) 基于注意力机制的视差图获取方法和装置
WO2021169641A1 (zh) 人脸识别方法和系统
CN111274999B (zh) 数据处理、图像处理方法、装置及电子设备
CN111160288A (zh) 手势关键点检测方法、装置、计算机设备和存储介质
Yuan et al. Poor textural image tie point matching via graph theory
CN110738222A (zh) 图像匹配方法、装置、计算机设备和存储介质
CN113870215A (zh) 中线提取方法及装置
CN112766395A (zh) 一种图像匹配方法、装置、电子设备及可读存储介质
US11495049B2 (en) Biometric feature reconstruction method, storage medium and neural network
CN115861393B (zh) 图像匹配方法、航天器着陆点定位方法及相关装置
CN116403224A (zh) 字符识别方法、装置、计算机设备、存储介质和程序产品
CN115660991A (zh) 模型的训练方法、图像曝光矫正方法、装置、设备及介质
CN115797616A (zh) 一种图像校正点获取方法、装置、电子设备及介质
CN112506423A (zh) 一种云储存系统中动态接入存储设备的方法及装置
CN111986246A (zh) 基于图像处理的三维模型重建方法、装置和存储介质
CN116664746B (zh) 人脸重建方法及装置、计算机可读存储介质、终端
CN114926647B (zh) 点云识别方法、装置、设备和计算机可读存储介质
CN114638287A (zh) 主成分分析模型的获取方法、装置和电子设备
CN113192111A (zh) 一种三维点云相似配准方法
WO2024138636A1 (zh) 细胞图像配准方法、系统、电子设备及存储介质
CN115423855B (zh) 图像的模板匹配方法、装置、设备及介质

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