CN112862802B - 基于边缘外观序列匹配的地点识别方法 - Google Patents
基于边缘外观序列匹配的地点识别方法 Download PDFInfo
- Publication number
- CN112862802B CN112862802B CN202110220223.9A CN202110220223A CN112862802B CN 112862802 B CN112862802 B CN 112862802B CN 202110220223 A CN202110220223 A CN 202110220223A CN 112862802 B CN112862802 B CN 112862802B
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- difference matrix
- sequence
- histogram
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于边缘外观序列匹配的地点识别方法和装置，其中，方法包括：通过获取红外相机采集的原始图像，对原始图像进行边缘提取，得到边缘图像，对边缘图像进行处理，得到边缘分布直方图，将边缘分布直方图与图像数据库中存储的直方图做差，得到图像差异矩阵，对图像差异矩阵进行增强处理，得到增强后的图像差异矩阵，在增强后的图像差异矩阵中进行序列搜索，以根据序列搜索结果确定地点识别结果。由于红外图像和可见光图像的边缘具有相似性，通过图像的边缘分布直方图对原始图像进行编码，提高了在可见光图像集合中对红外图像进行跨模态地点识别的准确度。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于边缘外观序列匹配的地点识别方法。
背景技术
地点识别，即根据相机拍摄的图像确定相机所处地点的过程。在SLAM中，地点识别可以用于重新定位、地图复用或回环修正。而在国防应用中，地点识别可以用于地图匹配导航、自主轨迹修正等，具有很重要的研究意义。
由于目前可见光相机应用广泛、分辨率高、图像质量好，因此对于大部分场景，其可见光图像更容易获取(例如，可以从街景地图中获取城市道路的图像)。而在某些必须使用红外相机的情况下，在可见光图像集合中对红外图像进行跨模态地点识别，是一个值得研究的问题。
发明内容
本发明的目的旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的目的在于提出一种基于边缘外观序列匹配的地点识别方法，能够准确地识别出图像采集的地点。
本发明第一方面实施例提出了一种基于边缘外观序列匹配的地点识别方法，包括：
获取红外相机采集的原始图像；
对所述原始图像进行边缘提取，得到边缘图像；
对所述边缘图像进行处理，得到边缘分布直方图；
将所述边缘分布直方图与图像数据库中存储的直方图做差，得到图像差异矩阵；
对图像差异矩阵进行增强处理，得到增强后的图像差异矩阵；
在增强后的图像差异矩阵中进行序列搜索，以根据序列搜索结果确定地点识别结果。
可选地，所述对所述边缘图像进行处理，得到边缘分布直方图，包括：
将所述边缘图像划分为预设个数的单元格；
对各单元格进行边缘方向的信息提取，以得到所述边缘分布直方图。
可选地，所述在增强后的图像差异矩阵中进行序列搜索，以根据序列搜索结果确定地点识别结果，包括：
采用滑窗平均算法，统计各序列图像描述子总体的差异；
若序列图像的最优匹配和次优匹配之间的差异之比小于阈值，则以最优匹配为地点识别结果。
可选地，所述对图像差异矩阵进行增强处理，得到增强后的图像差异矩阵，包括：
对所述图像差异矩阵中的邻域进行归一化处理，以得到增强后的图像差异矩阵。
可选地，所述图像数据库中存储的直方图为可见光图像的直方图。
本发明第二方面实施例提出了一种基于边缘外观序列匹配的地点识别装置，所述装置包括：
获取模块，用于获取红外相机采集的原始图像；
提取模块，用于对所述原始图像进行边缘提取，得到边缘图像；
第一处理模块，用于对所述边缘图像进行处理，得到边缘分布直方图；
第二处理模块，用于将所述边缘分布直方图与图像数据库中存储的直方图做差，得到图像差异矩阵；
第三处理模块，用于对图像差异矩阵进行增强处理，得到增强后的图像差异矩阵；
确定模块，用于在增强后的图像差异矩阵中进行序列搜索，以根据序列搜索结果确定地点识别结果。
本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现第一方面实施例所述的地点识别方法。
本发明第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面实施例所述的地点识别方法。
本发明的基于边缘外观序列匹配的地点识别方法，与现有的技术方案相比，具有以下优点：由于红外图像和可见光图像的边缘具有相似性，通过图像的边缘分布直方图对原始图像进行编码，提高了在可见光图像集合中对红外图像进行跨模态地点识别的准确度。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中，
图1为本发明实施例提供的一种基于边缘外观序列匹配的地点识别方法的流程示意图；
图2为本发明实施例提供的一种基于边缘外观序列匹配的地点识别装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在地点识别中，常用的方法有三种：1)基于局部特征描述的方法；2)基于全局图像外观描述的方法；3)基于深度学习的方法。其中，基于全局图像外观描述的方法不需要训练，并且在光照变化、季节变化的情况下，仍能取得很好的识别效果。因此我们认为这类方法更适合用于跨模态的地点识别。
现有技术中，常用的基于图像外观的地点识别方法为SeqSLAM算法，该方法对全局图像进行降采样和编码，形成图像全局描述子，然后将当前采集的图像序列和数据库中的图像序列进行匹配。由于使用图像序列匹配，匹配结果的浮动得以平滑，所以算法的精度和召回率均强于单帧匹配。
SeqSLAM算法能够在极端变化的环境中进行地点识别，主要是由于它对环境的结构信息进行编码，这个编码受光照、季节的影响很小。其具体方式是，先将图像转变为灰度图，然后降采样至64×32。之后将图像均匀分为8×4的图像块，在每个块内进行归一化：新灰度＝(原灰度-灰度均值)/灰度标准差。得到的归一化结果即为图像编码。
现有的地点识别方法，在可见光图像地点识别中具有较好的效果。但是由于红外光图像和可见光图像差异过大，通过这种方式对红外和可见光图像编码的结果仍然有较大差异。
为此，本发明提出了一种基于边缘外观序列匹配的地点识别方法。
下面参考附图描述本申请实施例的基于边缘外观序列匹配的地点识别方法、装置以及存储介质。
图1为本发明实施例提供的一种基于边缘外观序列匹配的地点识别方法的流程示意图。
如图1所示，该地点识别方法包括以下步骤：
步骤101，获取红外相机采集的原始图像。
步骤102，对原始图像进行边缘提取，得到边缘图像。
其中，边缘提取是首先利用边缘增强算子，突出图像中的局部边缘，然后定义像素的"边缘强度"，通过设置阈值的方法提取边缘点集。由于噪声和模糊的存在，检测到的边界可能会变宽或在某点处发生间断。因此，边界检测包括两个基本内容:(1)用边缘算子提取出反映灰度变化的边缘点集。(2)在边缘点集合中剔除某些边界点或填补边界间断点，并将这些边缘连接成完整的线。
本发明实施例中，获取到红外相机采集的原始图像后，可以对原始图像进行边缘提取，以得到边缘图像。
常用的边缘提取算法有微分算子法、拉普拉斯高斯算子法和canny算子法，等等，本发明实施例中对图像进行边缘提取时采用的算法不做限定。
步骤103，对边缘图像进行处理，得到边缘分布直方图。
本发明实施例中，对红外相机采集的原始图像进行边缘提取，得到边缘图像后，可以对边缘图像进行处理，以得到边缘分布直方图。
作为一种可能的实现方式，可以将边缘图像划分为预设个数的单元格，对各单元格进行边缘方向的信息提取，以得到边缘分布直方图。
作为一种示例，可以将边缘图像划分为64*40的单元格，将图像边缘分为五个方向，水平、竖直、斜45度、斜135度和无方向，这五种方向分别对应五个不同的边缘描述子。可以使用五种边缘描述子对各单元格进行边缘方向的信息提取，以得到边缘图像的边缘分布直方图。
步骤104，将边缘分布直方图与图像数据库中存储的直方图做差，得到图像差异矩阵。
其中，图像数据库中存储的直方图可以为可见光图像的直方图。
本发明实施例中，得到边缘图像的边缘分布直方图后，将边缘分布直方图与图像数据库中存储的直方图做差，以得到图像差异矩阵。由此，实现了在可见光图像集合中对红外图像进行跨模态地点识别。
需要说明的是，假设原始图像为可见光图像，则图像数据库中存储的直方图可以为红外图像的直方图，以实现在红外图像集合中对可见光图像进行地点识别。由于红外图像和可见光图像的边缘具有一定的相似性，因此可以使用边缘信息进行跨模态地点识别。
步骤105，对图像差异矩阵进行增强处理，得到增强后的图像差异矩阵。
作为一种可能的实现方式，可以对图像差异矩阵中的邻域进行归一化处理，从而避免过大、过小的值影响地点识别结果。
步骤106，在增强后的图像差异矩阵中进行序列搜索，以根据序列搜索结果确定地点识别结果。
本发明实施例中，对图像差异矩阵进行增强处理，得到增强后的图像差异矩阵后，可以在增强后的图像差异矩阵中进行图像序列的搜索，以根据序列搜索结果确定地点识别结果。
作为一种可能的实现方式，可以采用滑窗平均算法，统计各段序列图像描述子总体的差异。如果某段序列图像的最优匹配和次优匹配之间的差异之比小于阈值，则以最优匹配为地点识别结果。
其中，阈值为预先设定的值。
本发明实施例的基于边缘外观序列匹配的地点识别方法，通过获取红外相机采集的原始图像，对原始图像进行边缘提取，得到边缘图像，对边缘图像进行处理，得到边缘分布直方图，将边缘分布直方图与图像数据库中存储的直方图做差，得到图像差异矩阵，对图像差异矩阵进行增强处理，得到增强后的图像差异矩阵，在增强后的图像差异矩阵中进行序列搜索，以根据序列搜索结果确定地点识别结果。由于红外图像和可见光图像的边缘具有相似性，通过图像的边缘分布直方图对原始图像进行编码，提高了在可见光图像集合中对红外图像进行跨模态地点识别的准确度。
为了实现上述实施例，本发明提出了一种基于边缘外观序列匹配的地点识别装置。
图2为本发明实施例提供的基于边缘外观序列匹配的地点识别装置的结构示意图。
如图2所示，该基于边缘外观序列匹配的地点识别装置，可以包括：获取模块210、提取模块220、第一处理模块230、第二处理模块240、第三处理模块250以及确定模块260。
其中，获取模块210，用于获取红外相机采集的原始图像；
提取模块220，用于对原始图像进行边缘提取，得到边缘图像；
第一处理模块230，用于对边缘图像进行处理，得到边缘分布直方图；
第二处理模块240，用于将边缘分布直方图与图像数据库中存储的直方图做差，得到图像差异矩阵；
第三处理模块250，用于对图像差异矩阵进行增强处理，得到增强后的图像差异矩阵；
确定模块260，用于在增强后的图像差异矩阵中进行序列搜索，以根据序列搜索结果确定地点识别结果。
作为一种可能的情况，第一处理模块230，还可以用于：
将边缘图像划分为预设个数的单元格；对各单元格进行边缘方向的信息提取，以得到边缘分布直方图。
作为另一种可能的情况，确定模块260，还可以用于：
采用滑窗平均算法，统计各序列图像描述子总体的差异；
若序列图像的最优匹配和次优匹配之间的差异之比小于阈值，则以最优匹配为地点识别结果。
作为另一种可能的情况，第三处理模块250，还可以用于：
对图像差异矩阵中的邻域进行归一化处理，以得到增强后的图像差异矩阵。
作为另一种可能的情况，图像数据库中存储的直方图为可见光图像的直方图。
需要说明的是，前述对地点识别方法实施例的解释说明也适用于该实施例的地点识别装置，此处不再赘述。
本发明实施例的基于边缘外观序列匹配的地点识别装置，通过获取红外相机采集的原始图像，对原始图像进行边缘提取，得到边缘图像，对边缘图像进行处理，得到边缘分布直方图，将边缘分布直方图与图像数据库中存储的直方图做差，得到图像差异矩阵，对图像差异矩阵进行增强处理，得到增强后的图像差异矩阵，在增强后的图像差异矩阵中进行序列搜索，以根据序列搜索结果确定地点识别结果。由于红外图像和可见光图像的边缘具有相似性，通过图像的边缘分布直方图对原始图像进行编码，提高了在可见光图像集合中对红外图像进行跨模态地点识别的准确度。
为了实现上述实施例，本申请还提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现上述实施例中所述的地点识别方法。
为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例中所述的地点识别方法。
为了实现上述实施例，本申请还提出一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行上述实施例中所述的地点识别方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种基于边缘外观序列匹配的地点识别方法，其特征在于，所述方法包括：
获取红外相机采集的原始图像；
对所述原始图像进行边缘提取，得到边缘图像；
对所述边缘图像进行处理，得到边缘分布直方图；
将所述边缘分布直方图与图像数据库中存储的直方图做差，得到图像差异矩阵；其中，所述图像数据库中存储的直方图为可见光图像的直方图；
对图像差异矩阵进行增强处理，得到增强后的图像差异矩阵；
在增强后的图像差异矩阵中进行序列搜索，以根据序列搜索结果确定地点识别结果；
其中，所述在增强后的图像差异矩阵中进行序列搜索，以根据序列搜索结果确定地点识别结果，包括：
采用滑窗平均算法，统计各序列图像描述子总体的差异；
若序列图像的最优匹配和次优匹配之间的差异之比小于阈值，则以最优匹配为地点识别结果，其中，阈值为预先设定的值。
2.根据权利要求1所述的地点识别方法，其特征在于，所述对所述边缘图像进行处理，得到边缘分布直方图，包括：
将所述边缘图像划分为预设个数的单元格；
对各单元格进行边缘方向的信息提取，以得到所述边缘分布直方图。
3.根据权利要求1所述的地点识别方法，其特征在于，所述对图像差异矩阵进行增强处理，得到增强后的图像差异矩阵，包括：
对所述图像差异矩阵中的邻域进行归一化处理，以得到增强后的图像差异矩阵。
4.一种基于边缘外观序列匹配的地点识别装置，其特征在于，所述装置包括：
获取模块，用于获取红外相机采集的原始图像；
提取模块，用于对所述原始图像进行边缘提取，得到边缘图像；
第一处理模块，用于对所述边缘图像进行处理，得到边缘分布直方图；
第二处理模块，用于将所述边缘分布直方图与图像数据库中存储的直方图做差，得到图像差异矩阵；其中，所述图像数据库中存储的直方图为可见光图像的直方图；
第三处理模块，用于对图像差异矩阵进行增强处理，得到增强后的图像差异矩阵；
确定模块，用于在增强后的图像差异矩阵中进行序列搜索，以根据序列搜索结果确定地点识别结果；
其中，所述确定模块，还用于：
采用滑窗平均算法，统计各序列图像描述子总体的差异；
若序列图像的最优匹配和次优匹配之间的差异之比小于阈值，则以最优匹配为地点识别结果，其中，阈值为预先设定的值。
5.根据权利要求4所述的地点识别装置，其特征在于，所述第一处理模块，还用于：
将所述边缘图像划分为预设个数的单元格；
对各单元格进行边缘方向的信息提取，以得到所述边缘分布直方图。
6.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-3中任一所述的地点识别方法。
7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一所述的地点识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110220223.9A CN112862802B (zh) | 2021-02-26 | 2021-02-26 | 基于边缘外观序列匹配的地点识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110220223.9A CN112862802B (zh) | 2021-02-26 | 2021-02-26 | 基于边缘外观序列匹配的地点识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112862802A CN112862802A (zh) | 2021-05-28 |
| CN112862802B true CN112862802B (zh) | 2024-05-14 |
Family
ID=75990412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110220223.9A Active CN112862802B (zh) | 2021-02-26 | 2021-02-26 | 基于边缘外观序列匹配的地点识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862802B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103383700A (zh) * | 2013-06-26 | 2013-11-06 | 西安电子科技大学 | 基于边缘方向差直方图的图像检索方法 |
| KR101611258B1 (ko) * | 2014-10-23 | 2016-04-12 | 국방과학연구소 | 영상정합 기법을 이용한 원격 실시간 주차정보 시스템 |
| WO2017059790A1 (zh) * | 2015-10-09 | 2017-04-13 | 腾讯科技（深圳）有限公司 | 基于图像块的搜索匹配方法、系统及视频处理设备 |
| CN107423770A (zh) * | 2017-08-03 | 2017-12-01 | 广东顺德西安交通大学研究院 | 一种面向高速生产线的机器人视觉定位方法 |
| CN108205645A (zh) * | 2016-12-20 | 2018-06-26 | 中国科学院沈阳自动化研究所 | 一种异源图像匹配系统的基准图质量评价方法 |
| CN109670547A (zh) * | 2018-12-19 | 2019-04-23 | 中国人民解放军国防科技大学 | 一种多尺度序列图像匹配的位置识别定位方法 |
| CN110796094A (zh) * | 2019-10-30 | 2020-02-14 | 上海商汤智能科技有限公司 | 基于图像识别的控制方法及装置、电子设备和存储介质 |
| CN110968711A (zh) * | 2019-10-24 | 2020-04-07 | 湖南大学 | 一种基于序列图像特征的自主无人系统位置识别定位方法 |
| CN111126254A (zh) * | 2019-12-23 | 2020-05-08 | Oppo广东移动通信有限公司 | 图像识别方法、装置、设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2418588A1 (en) * | 2010-08-10 | 2012-02-15 | Technische Universität München | Visual localization method |
| JP6334735B2 (ja) * | 2014-05-06 | 2018-05-30 | ナント・ホールデイングス・アイ・ピー・エル・エル・シー | エッジベクトルを利用した画像特徴検出 |
-
2021
- 2021-02-26 CN CN202110220223.9A patent/CN112862802B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103383700A (zh) * | 2013-06-26 | 2013-11-06 | 西安电子科技大学 | 基于边缘方向差直方图的图像检索方法 |
| KR101611258B1 (ko) * | 2014-10-23 | 2016-04-12 | 국방과학연구소 | 영상정합 기법을 이용한 원격 실시간 주차정보 시스템 |
| WO2017059790A1 (zh) * | 2015-10-09 | 2017-04-13 | 腾讯科技（深圳）有限公司 | 基于图像块的搜索匹配方法、系统及视频处理设备 |
| CN108205645A (zh) * | 2016-12-20 | 2018-06-26 | 中国科学院沈阳自动化研究所 | 一种异源图像匹配系统的基准图质量评价方法 |
| CN107423770A (zh) * | 2017-08-03 | 2017-12-01 | 广东顺德西安交通大学研究院 | 一种面向高速生产线的机器人视觉定位方法 |
| CN109670547A (zh) * | 2018-12-19 | 2019-04-23 | 中国人民解放军国防科技大学 | 一种多尺度序列图像匹配的位置识别定位方法 |
| CN110968711A (zh) * | 2019-10-24 | 2020-04-07 | 湖南大学 | 一种基于序列图像特征的自主无人系统位置识别定位方法 |
| CN110796094A (zh) * | 2019-10-30 | 2020-02-14 | 上海商汤智能科技有限公司 | 基于图像识别的控制方法及装置、电子设备和存储介质 |
| CN111126254A (zh) * | 2019-12-23 | 2020-05-08 | Oppo广东移动通信有限公司 | 图像识别方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| SeqSLAM: Visual Route-Based Navigation for Sunny Summer Days and Stormy Winter Nights;Michael J. Milford;《IEEE International Conference on Robotics and Automation (ICRA)》;1643-1649 * |
| 一种动态融合的目标识别与跟踪算法;章奇, 曹剑中, 田燕, 唐垚;科学技术与工程(第19期);62-65 * |
| 复杂环境下视觉SLAM闭环检测方法综述;刘强;《机器人》;112-123+136 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112862802A (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
| CN107688806B (zh) | 一种基于仿射变换的自由场景文本检测方法 | |
| JP5775225B2 (ja) | マルチレイヤ連結成分をヒストグラムと共に用いるテキスト検出 | |
| CN111444921A (zh) | 划痕缺陷检测方法、装置、计算设备和存储介质 | |
| CN107392141B (zh) | 一种基于显著性检测和lsd直线检测的机场提取方法 | |
| CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
| CN109146832B (zh) | 一种视频图像的拼接方法、装置、终端设备及存储介质 | |
| CN111507324B (zh) | 卡片边框识别方法、装置、设备和计算机存储介质 | |
| CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
| CN111046950A (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
| CN112733711A (zh) | 基于多尺度场景变化检测的遥感影像损毁建筑物提取方法 | |
| Wang et al. | Combining semantic scene priors and haze removal for single image depth estimation | |
| Zou et al. | Path voting based pavement crack detection from laser range images | |
| CN109187548A (zh) | 一种岩体裂隙识别方法 | |
| CN117274627A (zh) | 一种基于图像转换的多时相积雪遥感图像匹配方法及系统 | |
| Ružić et al. | Texture and color descriptors as a tool for context-aware patch-based image inpainting | |
| CN112862802B (zh) | 基于边缘外观序列匹配的地点识别方法 | |
| CN116798041A (zh) | 图像识别方法、装置和电子设备 | |
| Wu et al. | Vehicle detection in high-resolution images using superpixel segmentation and CNN iteration strategy | |
| Li et al. | Graph network refining for pavement crack detection based on multiscale curvilinear structure filter | |
| CN108629226B (zh) | 一种基于图像分层技术的车辆检测方法及系统 | |
| CN114359332A (zh) | 基于深度图像的目标跟踪方法、装置、设备和介质 | |
| Sushma et al. | Text detection in color images | |
| Zhao et al. | Oil tanks extraction from high resolution imagery using a directional and weighted hough voting method | |
| Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis |
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 |