CN113192113A - 双目视觉特征点匹配方法、系统、介质及电子设备 - Google Patents

双目视觉特征点匹配方法、系统、介质及电子设备 Download PDF

Info

Publication number
CN113192113A
CN113192113A CN202110484249.4A CN202110484249A CN113192113A CN 113192113 A CN113192113 A CN 113192113A CN 202110484249 A CN202110484249 A CN 202110484249A CN 113192113 A CN113192113 A CN 113192113A
Authority
CN
China
Prior art keywords
points
feature point
binocular
matching
feature
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
CN202110484249.4A
Other languages
English (en)
Other versions
CN113192113B (zh
Inventor
陈小忠
高桢
孙鹏
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.)
Shandong Industry Research Information And Artificial Intelligence Integration Research Institute Co ltd
Original Assignee
Shandong Industry Research Information And Artificial Intelligence Integration Research Institute 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 Shandong Industry Research Information And Artificial Intelligence Integration Research Institute Co ltd filed Critical Shandong Industry Research Information And Artificial Intelligence Integration Research Institute Co ltd
Priority to CN202110484249.4A priority Critical patent/CN113192113B/zh
Publication of CN113192113A publication Critical patent/CN113192113A/zh
Application granted granted Critical
Publication of CN113192113B publication Critical patent/CN113192113B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种双目视觉特征点匹配方法、系统、介质及电子设备，所述方法为：获取双目相机拍摄的双目图像数据；根据得到的双目图像数据，选择特征点；根据得到的特征点位置，计算特征点的描述子；根据两幅图像的描述子进行匹配，剔除误匹配点，输出最终的匹配点对；其中，至少采用基于双目相机的几何约束条件进行误匹配点的剔除；本公开能够极大地减少图像匹配过程中产生的误匹配，提高图像匹配精度，为基于特征点匹配的图像拼接或三维重建等应用奠定了基础。

Description

双目视觉特征点匹配方法、系统、介质及电子设备
技术领域
本公开涉及图像处理技术领域，特别涉及一种双目视觉特征点匹配方法、系统、介质及电子设备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
在一些图像处理的应用中，特征点的误匹配会直接造成错误影响。例如，在视觉定位中，特征点匹配错误的直接结果是定位解算错误；在图像拼接中，特征点匹配错误的影响是造成图像拼接的偏差。因此，剔除图像误匹配的特征点，提高匹配精度具有重要意义。
发明人发现，当前常用的剔除误匹配特征点的方法有：汉明距离小于最小距离的两倍、交叉匹配、KNN匹配及RANSAC等方法。尽管这些方法起到了一定程度的错误滤除，但仍存在一定的误匹配，如图1所示，为两个水桶的特征点匹配结果，图中的连线为匹配的特征点之间的连线，尽管经过KNN匹配和RANSAC等滤除方法，在匹配结果中仍存在一些错误的匹配点，如图中两个水桶中间的交叉连线。
发明内容
为了解决现有技术的不足，本公开提供了一种双目视觉特征点匹配方法、系统、介质及电子设备，首先利用双目相机的几何约束条件滤除明显匹配错误的特征点，然后利用特征点的质心再剔除一部分错误匹配，最后通过剩余特征点之间的关联性去除错误匹配的特征点，通过三轮的滤除操作，能够显著降低误匹配点的数量。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种双目视觉特征点匹配方法。
一种双目视觉特征点匹配方法，包括以下步骤：
获取双目相机拍摄的双目图像数据；
根据得到的双目图像数据，选择特征点；
根据得到的特征点位置，计算特征点的描述子；
根据两幅图像的描述子进行匹配，剔除误匹配点，输出最终的匹配点对；
其中，至少采用基于双目相机的几何约束条件进行误匹配点的剔除。
作为可能的一些实现方式，基于两个对应特征点的行坐标关系进行约束，若两个对应特征点的行坐标相同或者差值在一定的像素范围内，则认为匹配正确；若两个对应特征点的行坐标不同或者差值超过了设定的范围阈值，则认为这一对特征点是误匹配。
作为可能的一些实现方式，采用基于双目相机的几何约束条件进行误匹配点的剔除后，继续采用基于双目相机的几何约束条件进行误匹配点的剔除。
作为进一步的限定，求解两幅图像中全部特征点的质心，得到质心的二维坐标；
计算质心与各个特征点的角系数；
若对于两个对应的特征点，与质心角系数的乘积不为负，则认为是正确的匹配点；若角系数的乘积为负数，则认为是这对特征点匹配错误。
作为更进一步的限定，任一个特征点的角系数为此特征点与质心的纵坐标之差初除以横坐标之差。
作为更进一步的限定，采用基于双目相机的几何约束条件进行误匹配点的剔除后，继续基于特征点关联性进行误匹配点的剔除。
作为更进一步的限定，分别计算每一个特征点与其他特征点的角系数，并计算对应角系数的乘积：若存在乘积为负的情况，则认为该特征点为误匹配；否则认为匹配正确。
本公开第二方面提供了一种双目视觉特征点匹配系统。
一种双目视觉特征点匹配系统，包括：
数据获取模块，被配置为：获取双目相机拍摄的双目图像数据；
特征点选择模块，被配置为：根据得到的双目图像数据，选择特征点；
描述子计算模块，被配置为：根据得到的特征点位置，计算特征点的描述子；
误匹配点剔除模块，被配置为：根据两幅图像的描述子进行匹配，剔除误匹配点，输出最终的匹配点对；
其中，至少采用基于双目相机的几何约束条件进行误匹配点的剔除。
本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的双目视觉特征点匹配方法中的步骤。
本公开第四方面提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本公开第一方面所述的双目视觉特征点匹配方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的方法、系统、介质及电子设备，首先利用双目相机的几何约束条件滤除明显匹配错误的特征点，然后利用特征点的质心再剔除一部分错误匹配，最后通过剩余特征点之间的关联性去除错误匹配的特征点，通过三轮的滤除操作，能够显著降低误匹配点的数量。
2、本公开所述的方法、系统、介质及电子设备，针对图像匹配过程中特征点的误匹配问题，建立了三种误匹配消除策略，能够极大地减少图像匹配过程中产生的误匹配，提高图像匹配精度，为基于特征点匹配的图像拼接或三维重建等应用奠定了基础。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开背景技术中提到的现有技术中的特征点匹配示意。
图2为本公开实施例1提供的双目视觉特征点匹配方法的流程示意图。
图3为本公开实施例1提供的两幅图像的特征点匹配示意图。
图4为本公开实施例1提供的基于双目相机几何约束条件的误匹配滤除结果示意图。
图5为本公开实施例1提供的特征点质心及角系数计算示意图。
图6为本公开实施例1提供的基于特征点质心位置的误匹配滤除结果示意图。
图7为本公开实施例1提供的特征点之间的角系数计算示意图。
图8为本公开实施例1提供的基于特征点关联性的误匹配滤除结果示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
如图2所示，本公开实施例1提供了一种双目视觉特征点匹配方法，首先采集图像，并选择合适的特征点；根据得到的特征点位置，计算特征点的描述子；根据两幅图像中计算的特征点描述子进行匹配并通过滤除算法剔除一些误匹配点，输出最终的匹配点对。本实施例对上述流程中的滤除误匹配的特征点步骤，提出了三种误匹配剔除策略，可以显著减少误匹配点。
具体的，包括以下步骤：
S1：特征点提取
首先将采集得到的彩色RGB图像转化为灰度图像，然后对灰度图像进行特征点提取。图像中的特征点由两部分构成：关键点和描述子。关键点是指特征点在图像中的像素位置，而描述子是人为设定的用来描述关键点周围像素信息的特征描述方式，通常表达为一个特征向量，常用的特征点提取描述方法有SIFT、SURF、FAST、BRIEF、ORB等算法。
S2：特征点匹配
在步骤S1中得到了特征点的描述子，可以通过计算两个特征描述子之间的距离来表达两个特征点之间的相似程度。基于此，可通过计算某一个特征点与另一幅图像中所有特征点描述子之间的距离来匹配特征点。计算得到对应的匹配距离后，对距离进行排序，选择距离最近的作为匹配点。
S3：滤除误匹配点
在经过步骤S2的特征点匹配后，匹配结果中存在大量误匹配的特征点。因此需要对匹配点对进行错误剔除，如背景技术中所述，当前常用的剔除误匹配特征点的方法有：汉明距离小于最小距离的两倍、交叉匹配、KNN匹配及RANSAC等方法，尽管这些方法起到了一定程度的错误滤除，但仍存在一定的误匹配。
本实施例中，主要针对特征点误匹配的滤除进行了改进优化，主要分为三个步骤：首先利用双目相机的几何约束条件滤除明显匹配错误的特征点；然后利用特征点的质心再剔除一部分错误匹配；最后通过剩余特征点之间的关联性去除错误匹配的特征点，通过三轮的滤除操作，能够显著降低误匹配点的数量。
S3.1：基于双目相机的几何约束条件滤除错误匹配
根据双目相机平行等位的特点，对双目图像进行极线校正后，左右两幅图像中对应的特征点理论上应在同一行内。因此，对于匹配结果，可以基于两个对应特征点的行坐标关系进行约束。若两个对应特征点的行坐标相同或者差值在一定的像素范围内，则认为匹配正确；若两个对应特征点的行坐标不同或者差值超过了设定的范围阈值，则认为这一对特征点是误匹配。
如图3所示，共计算得到7对匹配点，分别为A-A’、B-B’、C-D’、D-C’、E-F’、F-E’、G-J’，连线表示匹配关系，其中只有A-A’、B-B’是正确的匹配点对。通过S3.1所述方法，G-J’这一对特征点的行坐标差值很大，故滤除G-J’这一对匹配错误的特征点，得到如图4的结果，通过该策略能够进行初步的错误剔除。
S3.2：基于特征点的质心位置删减误匹配
如图5所示，基于特征点的质心位置滤除误匹配的特征点，首先求解两幅图像中全部特征点的质心O，得到质心的二维坐标，然后计算质心与各个特征点的角系数，以特征点A为例，OA的角系数kOA计算公式为：
Figure BDA0003049687150000071
若对于两个对应的特征点，其与质心角系数的乘积不为负，则认为是正确的匹配点；若角系数的乘积为负数，则认为是这对特征点匹配错误。
对于匹配点对E-F’和F-E’，有
kOE×kO'F'<0
kOF×kO'E'<0
基于上述方法，可以滤除掉E-F’和F-E’这两对匹配错误的特征点，得到如图6所述的结果，经过这一轮的剔除操作，能够剔除较为明显的匹配错误的特征点。
S3.3：基于特征点关联性的滤除方法
经过S3.1和S3.2的两轮错误匹配点滤除，已经去掉了大部分匹配错误的特征点对，仍存在的错误匹配点在图像位置上是很相近的，例如图6中的C-D’和D-C’两对点。对于剩余的特征点，分别计算每一个特征点与其他特征点的角系数，并计算对应角系数的乘积：若存在乘积为负的情况，则认为该特征点为误匹配；否则认为匹配正确。
如图7所示，同时计算左图中C点与其他特征点的角系数和有图中对应的特征点D’与其他特征点的角系数，并分别计算对应的乘积，如下：
kCA×kD'A'＞0
kCB×kD'B'＞0
kCD×kD'C'<0
根据上述计算，C-D’这对特征点的角系数乘积中存在为负数的结果。因此，C-D’为错误匹配点对，同理D-C’为错误匹配点对，滤除这两组后，可得到最终正确的匹配点对，如图8所示。
实施例2：
本公开实施例2提供了一种双目视觉特征点匹配系统，包括：
数据获取模块，被配置为：获取双目相机拍摄的双目图像数据；
特征点选择模块，被配置为：根据得到的双目图像数据，选择特征点；
描述子计算模块，被配置为：根据得到的特征点位置，计算特征点的描述子；
误匹配点剔除模块，被配置为：根据两幅图像的描述子进行匹配，剔除误匹配点，输出最终的匹配点对；
其中，至少采用基于双目相机的几何约束条件进行误匹配点的剔除。
所述系统的工作方法与实施例1提供的双目视觉特征点匹配方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的双目视觉特征点匹配方法中的步骤，所述步骤为：
获取双目相机拍摄的双目图像数据；
根据得到的双目图像数据，选择特征点；
根据得到的特征点位置，计算特征点的描述子；
根据两幅图像的描述子进行匹配，剔除误匹配点，输出最终的匹配点对；
其中，至少采用基于双目相机的几何约束条件进行误匹配点的剔除。
详细步骤与实施例1提供的双目视觉特征点匹配方法相同，这里不再赘述。
实施例4：
本公开实施例4提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本公开实施例1所述的双目视觉特征点匹配方法中的步骤，所述步骤为：
获取双目相机拍摄的双目图像数据；
根据得到的双目图像数据，选择特征点；
根据得到的特征点位置，计算特征点的描述子；
根据两幅图像的描述子进行匹配，剔除误匹配点，输出最终的匹配点对；
其中，至少采用基于双目相机的几何约束条件进行误匹配点的剔除。
详细步骤与实施例1提供的双目视觉特征点匹配方法相同，这里不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种双目视觉特征点匹配方法，其特征在于：包括以下步骤：
获取双目相机拍摄的双目图像数据；
根据得到的双目图像数据，选择特征点；
根据得到的特征点位置，计算特征点的描述子；
根据两幅图像的描述子进行匹配，剔除误匹配点，输出最终的匹配点对；
其中，至少采用基于双目相机的几何约束条件进行误匹配点的剔除。
2.如权利要求1所述的双目视觉特征点匹配方法，其特征在于：
基于两个对应特征点的行坐标关系进行约束，若两个对应特征点的行坐标相同或者差值在一定的像素范围内，则认为匹配正确；若两个对应特征点的行坐标不同或者差值超过了设定的范围阈值，则认为这一对特征点是误匹配。
3.如权利要求1所述的双目视觉特征点匹配方法，其特征在于：
采用基于双目相机的几何约束条件进行误匹配点的剔除后，继续采用基于双目相机的几何约束条件进行误匹配点的剔除。
4.如权利要求3所述的双目视觉特征点匹配方法，其特征在于：
求解两幅图像中全部特征点的质心，得到质心的二维坐标；
计算质心与各个特征点的角系数；
若对于两个对应的特征点，与质心角系数的乘积不为负，则认为是正确的匹配点；若角系数的乘积为负数，则认为是这对特征点匹配错误。
5.如权利要求4所述的双目视觉特征点匹配方法，其特征在于：
任一个特征点的角系数为此特征点与质心的纵坐标之差初除以横坐标之差。
6.如权利要求3所述的双目视觉特征点匹配方法，其特征在于：
采用基于双目相机的几何约束条件进行误匹配点的剔除后，继续基于特征点关联性进行误匹配点的剔除。
7.如权利要求5所述的双目视觉特征点匹配方法，其特征在于：
分别计算每一个特征点与其他特征点的角系数，并计算对应角系数的乘积：若存在乘积为负的情况，则认为该特征点为误匹配；否则认为匹配正确。
8.一种双目视觉特征点匹配系统，其特征在于：包括：
数据获取模块，被配置为：获取双目相机拍摄的双目图像数据；
特征点选择模块，被配置为：根据得到的双目图像数据，选择特征点；
描述子计算模块，被配置为：根据得到的特征点位置，计算特征点的描述子；
误匹配点剔除模块，被配置为：根据两幅图像的描述子进行匹配，剔除误匹配点，输出最终的匹配点对；
其中，至少采用基于双目相机的几何约束条件进行误匹配点的剔除。
9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的双目视觉特征点匹配方法中的步骤。
10.一种电子设备，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程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的双目视觉特征点匹配方法中的步骤。
CN202110484249.4A 2021-04-30 2021-04-30 双目视觉特征点匹配方法、系统、介质及电子设备 Active CN113192113B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110484249.4A CN113192113B (zh) 2021-04-30 2021-04-30 双目视觉特征点匹配方法、系统、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110484249.4A CN113192113B (zh) 2021-04-30 2021-04-30 双目视觉特征点匹配方法、系统、介质及电子设备

Publications (2)

Publication Number Publication Date
CN113192113A true CN113192113A (zh) 2021-07-30
CN113192113B CN113192113B (zh) 2022-12-23

Family

ID=76983682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110484249.4A Active CN113192113B (zh) 2021-04-30 2021-04-30 双目视觉特征点匹配方法、系统、介质及电子设备

Country Status (1)

Country Link
CN (1) CN113192113B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658080A (zh) * 2021-08-23 2021-11-16 宁波棱镜空间智能科技有限公司 一种基于特征点匹配的线扫圆柱体几何校正方法及装置
CN113689555A (zh) * 2021-09-09 2021-11-23 武汉惟景三维科技有限公司 一种双目图像特征匹配方法及系统
CN113792752A (zh) * 2021-08-03 2021-12-14 北京中科慧眼科技有限公司 基于双目相机的图像特征提取方法、系统和智能终端
CN114998773A (zh) * 2022-08-08 2022-09-02 四川腾盾科技有限公司 适用于无人机系统航拍图像的特征误匹配剔除方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104167003A (zh) * 2014-08-29 2014-11-26 福州大学 一种遥感影像的快速配准方法
CN105844616A (zh) * 2016-03-17 2016-08-10 湖南优象科技有限公司 激光散射斑点辅助下的双目立体匹配算法与装置
CN107330928A (zh) * 2017-06-09 2017-11-07 北京理工大学 基于改进形状上下文的图像特征匹配方法
CN108647580A (zh) * 2018-04-18 2018-10-12 中国人民解放军国防科技大学 基于改进sift引导isar图像特征点提取匹配方法
CN110443295A (zh) * 2019-07-30 2019-11-12 上海理工大学 改进的图像匹配与误匹配剔除算法
CN111062990A (zh) * 2019-12-13 2020-04-24 哈尔滨工程大学 一种面向水下机器人目标抓取的双目视觉定位方法
CN111898428A (zh) * 2020-06-23 2020-11-06 东南大学 一种基于orb的无人机特征点匹配方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104167003A (zh) * 2014-08-29 2014-11-26 福州大学 一种遥感影像的快速配准方法
CN105844616A (zh) * 2016-03-17 2016-08-10 湖南优象科技有限公司 激光散射斑点辅助下的双目立体匹配算法与装置
CN107330928A (zh) * 2017-06-09 2017-11-07 北京理工大学 基于改进形状上下文的图像特征匹配方法
CN108647580A (zh) * 2018-04-18 2018-10-12 中国人民解放军国防科技大学 基于改进sift引导isar图像特征点提取匹配方法
CN110443295A (zh) * 2019-07-30 2019-11-12 上海理工大学 改进的图像匹配与误匹配剔除算法
CN111062990A (zh) * 2019-12-13 2020-04-24 哈尔滨工程大学 一种面向水下机器人目标抓取的双目视觉定位方法
CN111898428A (zh) * 2020-06-23 2020-11-06 东南大学 一种基于orb的无人机特征点匹配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈敏 等: ""基于基准点和基准方向的SIFT误匹配校正方法"", 《测绘通报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792752A (zh) * 2021-08-03 2021-12-14 北京中科慧眼科技有限公司 基于双目相机的图像特征提取方法、系统和智能终端
CN113792752B (zh) * 2021-08-03 2023-12-12 北京中科慧眼科技有限公司 基于双目相机的图像特征提取方法、系统和智能终端
CN113658080A (zh) * 2021-08-23 2021-11-16 宁波棱镜空间智能科技有限公司 一种基于特征点匹配的线扫圆柱体几何校正方法及装置
CN113658080B (zh) * 2021-08-23 2023-12-22 宁波棱镜空间智能科技有限公司 一种基于特征点匹配的线扫圆柱体几何校正方法及装置
CN113689555A (zh) * 2021-09-09 2021-11-23 武汉惟景三维科技有限公司 一种双目图像特征匹配方法及系统
CN113689555B (zh) * 2021-09-09 2023-08-22 武汉惟景三维科技有限公司 一种双目图像特征匹配方法及系统
CN114998773A (zh) * 2022-08-08 2022-09-02 四川腾盾科技有限公司 适用于无人机系统航拍图像的特征误匹配剔除方法及系统
CN114998773B (zh) * 2022-08-08 2023-02-17 四川腾盾科技有限公司 适用于无人机系统航拍图像的特征误匹配剔除方法及系统

Also Published As

Publication number Publication date
CN113192113B (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
CN113192113B (zh) 双目视觉特征点匹配方法、系统、介质及电子设备
CN110532897B (zh) 零部件图像识别的方法和装置
CN110992263A (zh) 一种图像拼接方法及系统
CN112784874B (zh) 双目视觉立体匹配方法、装置、电子设备及存储介质
CN111028151A (zh) 基于图残差神经网络融合的点云数据拼接方法
CN115329111B (zh) 一种基于点云与影像匹配的影像特征库构建方法及系统
CN111105452A (zh) 基于双目视觉的高低分辨率融合立体匹配方法
Feng et al. Efficient deep learning for stereo matching with larger image patches
CN110096999B (zh) 棋盘识别方法、棋盘识别装置、电子设备和可存储介质
CN109215118B (zh) 一种基于图像序列的增量式运动结构恢复优化方法
CN106683043B (zh) 一种多通道光学探测系统的并行图像拼接方法、装置
CN110838146A (zh) 一种共面交比约束的同名点匹配方法、系统、装置及介质
CN112102379B (zh) 一种无人机多光谱影像配准方法
CN111612083B (zh) 一种手指静脉识别方法、装置及设备
CN112949504B (zh) 立体匹配方法、装置、设备及存储介质
CN113763449B (zh) 深度恢复方法、装置、电子设备及存储介质
CN110910438B (zh) 一种超高分辨率双目图像的高速立体匹配算法
CN104091308B (zh) 一种减少图像畸变的极线校正方法
CN112116653A (zh) 一种多张rgb图片的物体姿态估计方法
Wu et al. Self-supervised monocular depth estimation scale recovery using ransac outlier removal
CN113298885A (zh) 双目标定方法及装置、设备和存储介质
CN113362462B (zh) 一种基于自监督学习的双目立体视觉视差滤波方法和装置
Wei et al. Image registration algorithm based on super pixel segmentation and SURF feature points
CN115049847B (zh) 一种基于orb描述子的特征点局部邻域特征匹配方法
CN116563145B (zh) 基于颜色特征融合的水下图像增强方法及系统

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