CN112818989B - 一种基于梯度幅值随机采样的图像匹配方法 - Google Patents
一种基于梯度幅值随机采样的图像匹配方法 Download PDFInfo
- Publication number
- CN112818989B CN112818989B CN202110153655.2A CN202110153655A CN112818989B CN 112818989 B CN112818989 B CN 112818989B CN 202110153655 A CN202110153655 A CN 202110153655A CN 112818989 B CN112818989 B CN 112818989B
- Authority
- CN
- China
- Prior art keywords
- image
- sampling
- template image
- binary string
- sampling point
- 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
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于梯度幅值随机采样的图像匹配方法，包括以下步骤：S1、对目标检测图像，截取感兴趣区域，得到第一模板图像；S2、对第一模板图像进行预处理，得到模板图像采样点对的二进制串；S3、将待匹配图像的像素点均移动一个步长，将移动后的待匹配图像按照步骤S2的方法，生成待匹配图像采样点对的二进制串；S4、根据待匹配图像采样点对的二进制串与模板图像采样点对的二进制串间的最小距离，得到最小距离在目标检测图像的位置；S5、采用图像金字塔的采样关系，将最小距离在目标检测图像的位置映射至目标检测图像，得到准确的目标位置，匹配结束；本发明解决了基于视觉的产品检测中目标区域精确定位不准确的问题。
Description
技术领域
本发明涉及，具体涉及一种基于梯度幅值随机采样的图像匹配方法。
背景技术
在利用视觉图像进行产品缺陷检测中，首先需要对检测区域进行定位。由于产线处于运动状态，并且，现场光照也可能受到环境的影响而发生一定的变化。所以每次检测时拍摄的图像都有一定的区别。这种区别导致对检测区域的定位精度有可能达不到实际检测要求。此外，产品在线运动状态下，有可能出现一定角度的旋转，也可能导致定位精度不够。作为视觉检测中图像预处理阶段的重要步骤，准确定位检测区域对后期的视觉检测准确性有至关重要的影响。
传统的检测区域定位算法主要采用基于灰度图的模板匹配算法。但是，基于灰度图的模板匹配容易受到光照变化和噪声的影响，定位精度无法满足实际检测的要求。
目前大多数已有的匹配方法，都存在一个缺陷，就是提取图像的边缘，这导致匹配定位算法只能适应非常小范围的光照变换，由于图像存在非线性光照的变化，如果降低图像的对比度，提取的边缘点将很少。在图像特征区域存在被部分遮挡的情况下，已有的匹配算法无法准确找到目标区域。基于梯度直方图的方法由于缺少位置信息，匹配准确率有待提高。因此，现有的匹配算法中，无法解决图像存在部分遮挡、图像存在干扰以及非线性光照变化引起的相似度量问题。因此，有必要提出一种满足实时性检测要求并且匹配准确、稳定可靠的图像定位方法。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于梯度幅值随机采样的图像匹配方法解决了基于视觉的产品检测中目标区域精确定位不准确的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于梯度幅值随机采样的图像匹配方法，包括以下步骤：
S1、对目标检测图像，截取感兴趣区域，得到第一模板图像；
S2、对第一模板图像进行预处理，得到模板图像采样点对的二进制串；
S3、将待匹配图像的像素点均移动一个步长，将移动后的待匹配图像按照步骤S2的方法，生成待匹配图像采样点对的二进制串；
S4、根据待匹配图像采样点对的二进制串与模板图像采样点对的二进制串间的最小距离，得到最小距离在目标检测图像的位置；
S5、采用图像金字塔的采样关系，将最小距离在目标检测图像的位置映射至目标检测图像，得到准确的目标位置，匹配结束。
进一步地，步骤S2包括以下分步骤：
S21、对第一模板图像进行金字塔下采样处理，得到第二模板图像；
S22、计算第二模板图像的梯度幅值；
S23、对第二模板图像的梯度幅值进行随机采样，得到模板图像的采样点；
S24、根据模板图像的采样点，生成模板图像采样点对的二进制串。
上述进一步方案的有益效果为：由于采用的图像梯度幅值，不需要单独提取图像边缘。因此，即使图像存在部分遮挡的情况，也可以计算图像梯度。另外，采用梯度幅值可以避免非线性光照的影响，因此，该方法能够适应不同的光照条件。采用像素级进行特征计算和表达，可以适应图像存在混乱的情况。
进一步地，步骤S22中计算第二模板图像的梯度幅值的公式为：
其中，(x,y)为第二模板图像的像素坐标，M(x,y)为第二模板图像的梯度幅值，f(x,y)为(x,y)点处灰度值。
进一步地，步骤S23中随机采样的函数为：
其中，G(x,y)为随机采样的函数，σ为标准差，(x,y)为第二模板图像的像素坐标。
进一步地，步骤S24包括以下分步骤：
S241、随机选择两个不同的模板图像的采样点构成采样点对，比较任意两个采样点间的幅值大小，得到表征采样点对间的幅值大小的二进制数；
其中，s(x)为任意两个采样点间的幅值大小关系，用“1”或“0”表示；
S242、将所有采样点对的二进制数组合，得到模板图像采样点对的二进制串。
进一步地，步骤S4中待匹配图像采样点对的二进制串与模板图像采样点对的二进制串间的距离的计算公式为：
其中，d为待匹配图像采样点对的二进制串与模板图像采样点对的二进制串间的距离，x(i)为模板图像采样点对的二进制串，y(i)为待匹配图像采样点对的二进制串，异或操作。
上述进一步方案的有益效果为：距离d表示两个等长字符串在对应位置上不同字符的数目。对于二进制串之间的距离d，就是两个二进制串中不同的位的数量，由于采用的二进制编码，可以通过位运算快速计算结果，距离最小表明两者之间非常相似，如果距离为0，则说明两者完全一样。
综上，本发明的有益效果为：
1、采用图像金字塔对原始图像进行降采样，减少了计算数据，提高了运算速度。
2、有效利用图像梯度信息，不受光照变化的影响，计算整个图像的梯度，不受图像边缘缺失等部分遮挡的影响。
3、利用高斯分布进行图像采样，既能够准确的表达原始图像的特征，又极大减少了参与计算点的数量，提高的计算效率。
4、通过对采样点进行二进制串编码，利用计算二进制串间距离，判断图像的相似度，采用了位运算的方式，提高了匹配速度。
5、根据图像梯度分布服从高斯分布的特点，采样得到的点能够很好的代替原始图像的特征，结合梯度幅值信息，能够准确的描述模板图像，同样也能够准确的匹配目标对象，提高了图像检测的目标定位准确率。
附图说明
图1为一种基于梯度幅值随机采样的图像匹配方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
本发明基本思想是根据工业相机采集的视觉图像，建立图像匹配的模板，利用图像分布服从高斯分布的特点，在梯度幅值图像中，利用高斯分布进行幅值点随机采样，采样得到的点可以很好的代替原始图像的特征。
通过制定采样点之间的大小比对规则，生成采样点对的二进制串，该二进制串可以代表模板图像的特征；在待匹配的目标图像中，采用同样的方式生成二进制串，最后通过比较二进制串之间的距离，实现图像匹配。二进制串距离的计算由于可以采用位运算实现，计算速度快，可以很好的满足实时性的匹配要求，解决图像检测定位不准确以及实时性不够的问题，其详细具体过程如下，如图1所示，包括以下步骤：
S1、对目标检测图像，截取感兴趣区域，得到第一模板图像；
S2、对第一模板图像进行预处理，得到模板图像采样点对的二进制串；
步骤S2包括以下分步骤：
S21、对第一模板图像进行金字塔下采样处理，得到第二模板图像；
在本实施例中，对第一模板图像进行3次金字塔下采样处理。
S22、计算第二模板图像的梯度幅值；
步骤S22中计算第二模板图像的梯度幅值的公式为：
其中，(x,y)为第二模板图像的像素坐标，M(x,y)为第二模板图像的梯度幅值，f(x,y)为(x,y)点处灰度值。
S23、对第二模板图像的梯度幅值进行随机采样，得到模板图像的采样点；步骤S23中随机采样的函数为：
其中，G(x,y)为随机采样的函数，σ为标准差，(x,y)为第二模板图像的像素坐标。
在本实施例中，对梯度幅值进行高斯采样，采样点的数量可以根据实际图像进行自由设定，在实际使用过程中，该步骤可以事先确定好，通常设置采样数量为128、256和512。同时，通过建立查找表，可以快速得到采样点的位置和幅值大小。
S24、根据模板图像的采样点，生成模板图像采样点对的二进制串。
步骤S24包括以下分步骤：
S241、随机选择两个不同的模板图像的采样点构成采样点对，比较任意两个采样点间的幅值大小，得到表征采样点对间的幅值大小的二进制数；
其中，s(x)为任意两个采样点间的幅值大小关系，用“1”或“0”表示；
在选择的采样点为128时，将得到一个64位的二进制串，同理，256个采样点将得到128位的二进制串，512个采样点将得到256位的二进制串。
S242、将所有采样点对的二进制数组合，得到模板图像采样点对的二进制串。
S3、将待匹配图像的像素点均移动一个步长，将移动后的待匹配图像按照步骤S2的方法，生成待匹配图像采样点对的二进制串；
S4、根据待匹配图像采样点对的二进制串与模板图像采样点对的二进制串间的最小距离，得到最小距离在目标检测图像的位置；
步骤S4中待匹配图像采样点对的二进制串与模板图像采样点对的二进制串间的距离的计算公式为：
其中，d为待匹配图像采样点对的二进制串与模板图像采样点对的二进制串间的距离，x(i)为模板图像采样点对的二进制串，y(i)为待匹配图像采样点对的二进制串，异或操作。
距离d表示两个等长字符串在对应位置上不同字符的数目。对于二进制串之间的距离d，就是两个二进制串中不同的位的数量，由于采用的二进制编码，可以通过位运算快速计算结果，距离最小的汉明距离表明两者之间非常相似，如果汉明距离为0，则说明两者完全一样。
S5、采用图像金字塔的采样关系，将最小距离在目标检测图像的位置映射至目标检测图像，得到准确的目标位置，匹配结束。
本发明的有益效果为：本发明提供了一种基于梯度幅值随机采样的图像匹配方法，解决基于视觉的产品检测中目标区域精确定位的问题。本申请采用图像梯度幅值为基础，通过高斯分布对梯度幅值进行采样，然后制定图像梯度幅值的大小比较规则，根据采样点的大小关系生成二进制串，通过比较二进制串的距离实现目标区域的精确定位，为了进一步提高算法的速度，在计算梯度幅值之前，先对图像进行金字塔采样，提供的技术用于解决现有产品检测中存在的提取图像目标区域不准确、不能很好地提高解决产品检测准确率的技术问题，有效地实现基于视觉的产品检测问题，如目标字符识别，产品缺陷检测等。
Claims (2)
1.一种基于梯度幅值随机采样的图像匹配方法，其特征在于，包括以下步骤：
S1、对目标检测图像，截取感兴趣区域，得到第一模板图像；
S2、对第一模板图像进行预处理，得到模板图像采样点对的二进制串；
S3、将待匹配图像的像素点均移动一个步长，将移动后的待匹配图像按照步骤S2的方法，生成待匹配图像采样点对的二进制串；
S4、根据待匹配图像采样点对的二进制串与模板图像采样点对的二进制串间的最小距离，得到最小距离在目标检测图像的位置；
S5、采用图像金字塔的采样关系，将最小距离在目标检测图像的位置映射至目标检测图像，得到准确的目标位置，匹配结束；
所述步骤S2包括以下分步骤：
S21、对第一模板图像进行金字塔下采样处理，得到第二模板图像；
S22、计算第二模板图像的梯度幅值；
S23、对第二模板图像的梯度幅值进行随机采样，得到模板图像的采样点；
S24、根据模板图像的采样点，生成模板图像采样点对的二进制串；
所述步骤S22中计算第二模板图像的梯度幅值的公式为：
其中，(x，y)为第二模板图像的像素坐标，M(x，y)为第二模板图像的梯度幅值，f(x，y)为(x，y)点处灰度值；
所述步骤S23中随机采样的函数为：
其中，G(x，y)为随机采样的函数，σ为标准差，(x，y)为第二模板图像的像素坐标；
所述步骤S24包括以下分步骤：
S241、随机选择两个不同的模板图像的采样点构成采样点对，比较任意两个采样点间的幅值大小，得到表征采样点对间的幅值大小的二进制数；
其中，s(x)为任意两个采样点间的幅值大小关系，用“1”或“0”表示，pi，pj为任意采样点的幅值大小；
S242、将所有采样点对的二进制数组合，得到模板图像采样点对的二进制串。
2.根据权利要求1所述的基于梯度幅值随机采样的图像匹配方法，其特征在于，所述步骤S4中待匹配图像采样点对的二进制串与模板图像采样点对的二进制串间的距离的计算公式为：
其中，d为待匹配图像采样点对的二进制串与模板图像采样点对的二进制串间的距离，x(i)为模板图像采样点对的二进制串，y(i)为待匹配图像采样点对的二进制串，为异或操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110153655.2A CN112818989B (zh) | 2021-02-04 | 2021-02-04 | 一种基于梯度幅值随机采样的图像匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110153655.2A CN112818989B (zh) | 2021-02-04 | 2021-02-04 | 一种基于梯度幅值随机采样的图像匹配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112818989A CN112818989A (zh) | 2021-05-18 |
| CN112818989B true CN112818989B (zh) | 2023-10-03 |
Family
ID=75861257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110153655.2A Active CN112818989B (zh) | 2021-02-04 | 2021-02-04 | 一种基于梯度幅值随机采样的图像匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112818989B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436289B (zh) * | 2021-08-04 | 2023-08-22 | 成都工业学院 | 一种基于方向向量相关系数的图像编码及分类方法 |
| CN113627446B (zh) * | 2021-08-18 | 2023-10-31 | 成都工业学院 | 基于梯度向量的特征点描述算子的图像匹配方法及系统 |
| CN115080931B (zh) * | 2022-07-21 | 2022-12-27 | 南通东德纺织科技有限公司 | 基于数字水印的纺织品图像版权保护方法 |
| CN116309597B (zh) * | 2023-05-23 | 2023-08-01 | 成都工业学院 | 一种药盒混装缺陷的视觉在线检测方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809731A (zh) * | 2015-05-05 | 2015-07-29 | 北京工业大学 | 一种基于梯度二值化的旋转尺度不变场景匹配方法 |
| WO2016062159A1 (zh) * | 2014-10-20 | 2016-04-28 | 网易（杭州）网络有限公司 | 图像匹配方法及手机应用测试平台 |
| CN105740899A (zh) * | 2016-01-29 | 2016-07-06 | 长安大学 | 一种机器视觉图像特征点检测与匹配复合的优化方法 |
| CN106960451A (zh) * | 2017-03-13 | 2017-07-18 | 西安电子科技大学 | 一种提升图像弱纹理区域特征点数量的方法 |
| CN109409208A (zh) * | 2018-09-10 | 2019-03-01 | 东南大学 | 一种基于视频的车辆特征提取与匹配方法 |
| CN109871910A (zh) * | 2019-03-12 | 2019-06-11 | 成都工业学院 | 一种手写字符识别方法及装置 |
| CN110197232A (zh) * | 2019-06-05 | 2019-09-03 | 中科新松有限公司 | 基于边缘方向和梯度特征的图像匹配方法 |
| CN110472674A (zh) * | 2019-07-31 | 2019-11-19 | 苏州中科全象智能科技有限公司 | 一种基于边缘和梯度特征的模板匹配算法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120082385A1 (en) * | 2010-09-30 | 2012-04-05 | Sharp Laboratories Of America, Inc. | Edge based template matching |
| GB2572756B (en) * | 2018-04-05 | 2020-05-06 | Imagination Tech Ltd | Sampling for feature detection |
-
2021
- 2021-02-04 CN CN202110153655.2A patent/CN112818989B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016062159A1 (zh) * | 2014-10-20 | 2016-04-28 | 网易（杭州）网络有限公司 | 图像匹配方法及手机应用测试平台 |
| CN104809731A (zh) * | 2015-05-05 | 2015-07-29 | 北京工业大学 | 一种基于梯度二值化的旋转尺度不变场景匹配方法 |
| CN105740899A (zh) * | 2016-01-29 | 2016-07-06 | 长安大学 | 一种机器视觉图像特征点检测与匹配复合的优化方法 |
| CN106960451A (zh) * | 2017-03-13 | 2017-07-18 | 西安电子科技大学 | 一种提升图像弱纹理区域特征点数量的方法 |
| CN109409208A (zh) * | 2018-09-10 | 2019-03-01 | 东南大学 | 一种基于视频的车辆特征提取与匹配方法 |
| CN109871910A (zh) * | 2019-03-12 | 2019-06-11 | 成都工业学院 | 一种手写字符识别方法及装置 |
| CN110197232A (zh) * | 2019-06-05 | 2019-09-03 | 中科新松有限公司 | 基于边缘方向和梯度特征的图像匹配方法 |
| CN110472674A (zh) * | 2019-07-31 | 2019-11-19 | 苏州中科全象智能科技有限公司 | 一种基于边缘和梯度特征的模板匹配算法 |
Non-Patent Citations (3)
| Title |
|---|
| 李壮，等."基于梯度径向夹角直方图的异源图像匹配".《测绘学报》.2011,第40卷(第3期),318-325. * |
| 杨顺，等."基于梯度信息描述符的图像匹配算法".《激光与光电子学进展》.2020,第57卷(第14期),141022. * |
| 王强，等."一种局部二值模式图像特征点匹配算法".《计算机应用研究》.2019,第36卷(第1期),268-272. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112818989A (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112818989B (zh) | 一种基于梯度幅值随机采样的图像匹配方法 | |
| CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
| CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
| CN110543878A (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
| CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
| CN105160686B (zh) | 一种基于改进sift算子的低空多视角遥感影像匹配方法 | |
| CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
| CN104167003A (zh) | 一种遥感影像的快速配准方法 | |
| CN112364881B (zh) | 一种进阶采样一致性图像匹配方法 | |
| CN108827969A (zh) | 金属零件表面缺陷检测与识别方法及装置 | |
| CN104424457A (zh) | 一种非线性扭曲情况下的二维码识别方法 | |
| CN106340010B (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
| CN110287760A (zh) | 一种基于深度学习的人脸五官点遮挡检测方法 | |
| CN107145890A (zh) | 一种远距离多视角环境下的指针式仪表盘自动读数方法 | |
| CN107392210A (zh) | 一种基于tld算法的目标检测跟踪方法 | |
| CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
| CN108229500A (zh) | 一种基于函数拟合的sift误匹配点剔除法 | |
| CN112488128A (zh) | 一种基于贝塞尔曲线的任意畸变图像线段检测方法 | |
| CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
| CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
| CN105678763B (zh) | 一种稳定的直线/圆特征检测方法及装置 | |
| CN103116890B (zh) | 一种基于视频图像的智能搜索匹配方法 | |
| CN106529548A (zh) | 亚像素级的多尺度Harris角点检测算法 | |
| CN117496401A (zh) | 一种用于视频测量影像序列椭圆形目标点全自动识别与跟踪方法 | |
| CN110009670A (zh) | 基于fast特征提取和piifd特征描述的异源图像配准方法 |
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 |