CN113283442B - 特征点的提取方法和装置 - Google Patents
特征点的提取方法和装置 Download PDFInfo
- Publication number
- CN113283442B CN113283442B CN202010102920.XA CN202010102920A CN113283442B CN 113283442 B CN113283442 B CN 113283442B CN 202010102920 A CN202010102920 A CN 202010102920A CN 113283442 B CN113283442 B CN 113283442B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- point
- points
- pixel
- 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
- 238000000605 extraction Methods 0.000 title claims description 47
- 238000000034 method Methods 0.000 claims abstract description 66
- 230000011218 segmentation Effects 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 29
- 230000004044 response Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 24
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
- G06V10/426—Graphical representations
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种特征点的提取方法和装置,该方法包括:获取待处理图像的图像金字塔;按照从图像金字塔的底部至顶部的顺序,获取图像金字塔中每层图像的目标特征点,目标特征点为亚像素级的特征点;其中,第i层图像的目标像素点为根据第i层图像的初始特征点的邻域内的像素点的坐标和主方向确定,所述初始特征点的坐标精度为像素级,i=0,1,2....;输出图像金字塔中每层图像的目标特征点。本申请中对图像金字塔中的每层图像的初始特征点进行精确定位,获取亚像素级的目标特征点,提高了图像中提取的特征点的精度。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种特征点的提取方法和装置。
背景技术
视觉SLAM主要分为视觉前端和优化后端。视觉前端也称为视觉里程计(visualodometry,VO),主要是根据相邻两张图像中提取的特征点进行匹配,以估计出相机运动,进而为后端优化(如特征点的匹配和相机位姿的求解)提供较好的初始值。目前,对图像中的特征点的提取的主流算法为基于FAST特征检测与BRIEF特征描述子匹配实现的ORB(oriented Fast and rotated BRIEF)算法。
现有技术中的ORB算法在图像中提取的特征点为整像素值,特征点的精度较低,进而造成图像中的像素点出现重叠冗余的现象,进而影响后端优化。
发明内容
本申请提供一种特征点的提取方法和装置,能够提高图像中提取的特征点的精度。
本申请的第一方面提供一种特征点的提取方法,包括:
获取待处理图像的图像金字塔;
按照从所述图像金字塔的底部至顶部的顺序,获取所述图像金字塔中每层图像的目标特征点,所述目标特征点为亚像素级的特征点;其中,第i层图像的目标像素点为根据所述第i层图像的初始特征点的邻域内的像素点的坐标和主方向确定,所述初始特征点的坐标精度为像素级,所述i为大于或等于0的整数;
输出所述图像金字塔中每层图像的目标特征点。
可选的,获取所述第i层图像的目标像素点,包括:根据所述像素点的主方向和所述像素点的灰度梯度,得到所述像素点的梯度向量;
根据所述像素点的梯度向量,将经过所述像素点且垂直于所述梯度向量的直线,作为所述像素点的直线;
根据所述像素点的直线和所述像素点的坐标,确定所述第i层图像的目标特征点。
可选的,所述像素点为多个,所述根据所述像素点的直线和所述像素点的坐标,确定所述第i层图像的目标特征点,包括:获取多个所述像素点的直线的至少一个交点;
根据所述至少一个交点,确定所述第i层图像的目标特征点的选取区域;
在所述选取区域中,根据每个所述像素点的坐标,以及每个所述像素点的直线,确定所述第i层图像的目标特征点,所述第i层图像的目标特征点为距离每个所述像素点的直线的距离之和最小的像素点,所述目标特征点是采用最小二乘法求解的、且是在相邻两次迭代确定的像素点的距离小于0.5像素点尺寸时输出的。
可选的,所述在所述选取区域中,根据每个所述像素点的坐标,以及每个所述像素点的直线,确定所述第i层图像的目标特征点,包括:根据每个所述像素点的坐标和所述初始特征点的邻域的中心位置的坐标,确定每个所述像素点的权重,距离所述中心位置的距离越近的像素点的权重越大;在所述选取区域中,根据每个像素点的权重和每个所述像素点的直线,采用所述最小二乘法,确定所述第i层图像的目标特征点。
可选的,所述获取所述第i层图像的初始特征点,包括:提取所述第i层图像的特征点;根据预先设置的所述第i层图像的特征点的预设数量,以及预先设置的四叉树的预设分割层数,采用四叉树算法对所述四叉树的根节点进行迭代分割,得到所述第i层图像的初始特征点。
可选的,所述得到所述第i层图像的初始特征点,包括:
A'、删除第k分割层中特征点的数量为0的节点,以特征点的数量不为0的节点作为根节点,对所述根节点进行分割,所述k为大于等于0且小于所述预设层数的整数;
B'、若所述k小于预设层数且提取的特征点的数量小于预设数量,则返回执行A',直至所述k等于预设层数或提取的特征点的数量等于所述预设数量,执行C';
C'、根据所述第i层图像的特征点的预设数量和所述第k分割层中的特征点的Harris响应值,确定所述第i层图像的初始特征点。
可选的,所述方法还包括:
根据所述第i层图像的纹理,设置所述第i层图像的所述预设分割层数。
可选的,所述i层图像的所述预设分割层数为大于或等于4且小于或等于10的整数。
可选的,所述输出所述图像金字塔中每层所述图像的目标特征点,包括:获取每层所述图像的目标特征点的描述子;输出每层所述图像的目标特征点的描述子。
本申请的第二方面提供一种特征点的提取装置,包括:
第一处理模块,用于获取待处理图像的图像金字塔,以及按照从所述图像金字塔的底部至顶部的顺序,获取所述图像金字塔中每层图像的目标特征点,所述目标特征点为亚像素级的特征点;其中,第i层图像的目标像素点为根据所述第i层图像的初始特征点的邻域内的像素点的坐标和主方向确定,所述初始特征点的坐标精度为像素级,所述i为大于或等于0的整数;
第二处理模块,用于输出所述图像金字塔中每层图像的目标特征点。
可选的,所述第一处理模块,还用于根据所述像素点的主方向和所述像素点的灰度梯度,得到所述像素点的梯度向量;根据所述像素点的梯度向量,将经过所述像素点且垂直于所述梯度向量的直线,作为所述像素点的直线;根据所述像素点的直线和所述像素点的坐标,确定所述第i层图像的目标特征点。
可选的,所述像素点为多个。
所述第一处理模块,具体用于获取多个所述像素点的直线的至少一个交点;根据所述至少一个交点,确定所述第i层图像的目标特征点的选取区域;在所述选取区域中,根据每个所述像素点的坐标,以及每个所述像素点的直线,确定所述第i层图像的目标特征点,所述第i层图像的目标特征点为距离每个所述像素点的直线的距离之和最小的像素点,所述目标特征点是采用最小二乘法求解的、且是在相邻两次迭代确定的像素点的距离小于0.5像素点尺寸时输出的。
可选的,所述第一处理模块,具体用于根据每个所述像素点的坐标和所述初始特征点的邻域的中心位置的坐标,确定每个所述像素点的权重,距离所述中心位置的距离越近的像素点的权重越大;在所述选取区域中,根据每个像素点的权重和每个所述像素点的直线,采用所述最小二乘法,确定所述第i层图像的目标特征点。
可选的,所述第一处理模块,具体用于提取所述第i层图像的特征点;根据预先设置的所述第i层图像的特征点的预设数量,以及预先设置的四叉树的预设分割层数,采用四叉树算法对所述四叉树的根节点进行迭代分割,得到所述第i层图像的初始特征点。
可选的,所述第一处理模块,具体用于:
A'、删除第k分割层中特征点的数量为0的节点,以特征点的数量不为0的节点作为根节点,对所述根节点进行分割,所述k为大于等于0且小于所述预设层数的整数;
B'、若所述k小于预设层数且提取的特征点的数量小于预设数量,则返回执行A',直至所述k等于预设层数或提取的特征总数点的数量等于所述预设数量,执行C';
C'、根据所述第i层图像的特征点的预设数量和所述第k分割层中的特征点的Harris响应值,确定所述第i层图像的初始特征点。
可选的,所述第一处理模块,还用于根据所述第i层图像的纹理,设置所述第i层图像的所述预设分割层数。
可选的,所述i层图像的所述预设分割层数为大于或等于4且小于或等于10的整数。
可选的,所述第二处理模块,具体用于获取每层所述图像的目标特征点的描述子,并输出每层所述图像的目标特征点的描述子。
本申请的第三方面提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述电子设备执行上述特征点的提取方法。
本申请的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机执行指令,当所述计算机执行指令被处理器执行时,实现上述特征点的提取方法。
本申请提供一种特征点的提取方法和装置,该方法包括:获取待处理图像的图像金字塔;按照从图像金字塔的底部至顶部的顺序,获取图像金字塔中每层图像的目标特征点,目标特征点为亚像素级的特征点;其中,第i层图像的目标像素点为根据第i层图像的初始特征点的邻域内的像素点的坐标和主方向确定,初始特征点的坐标精度为像素级,i为大于或等于0的整数;输出图像金字塔中每层图像的目标特征点。本申请中对图像金字塔中的每层图像的初始特征点进行精确定位,获取亚像素级的目标特征点,提高了图像中提取的特征点的精度。
附图说明
图1为现有技术中的特征点的提取方法的流程图;
图2为采用现有技术中对输出的图像的特征点的示意图;
图3为本申请提供的特征点的提取方法的流程示意图一;
图4为本申请提供的获取第i层图像的目标特征点的流程示意图;
图5为本申请提供的像素点的直线的相交示意图;
图6为本申请提供的邻域窗口的示意图;
图7为采用本申请提供的特征点的提取方法输出的图像的特征点的示意图一;
图8为本申请提供的特征点的提取方法的流程示意图二;
图9为本申请提供的特征点的提取方法的流程示意图三;
图10为本申请提供的四叉树分割示意图;
图11为特征点的数量为4时的选取结果示意图;
图12为特征点的数量为7时的选取结果示意图;
图13为采用本申请提供的特征点的提取方法输出的图像的特征点的示意图二;
图14为本申请提供的特征点的提取方法的流程示意图四;
图15为本申请提供的特征点的提取方法的流程示意图五;
图16为本申请提供的特征点的提取装置的结构示意图;
图17为本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请的实施例,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了更为清楚地对本申请提供的特征点的提取方法进行说明,下述对现有技术中的特征点的提取方法进行介绍。
图像的特征点可以简单的理解为图像中比较显著的点,如轮廓点、较暗区域中的亮点、较亮区域中的暗点等。现有技术中的快速特征点提取和描述的算法(oriented FASTand rotated BRIEF,ORB)是采用FAST(features from accelerated segment test)算法来检测特征点。FAST定义基于特征点周围的图像灰度值,检测候选点周围一圈的像素值,如果候选点周围邻域内有足够多的像素点与该候选点的灰度值差别够大,则认为该候选点为一个特征点。在得到特征点后,需要以某种方式描述这些特征点的属性。这些属性的输出称之为该特征点的描述子(Feature DescritorS)。ORB采用BRIEF算法来计算一个特征点的描述子,其中的核心思想是在特征点的周围以一定模式选取N个像素点对,把这N个像素点对的比较结果组合起来作为描述子。应理解,本申请中的点、轮廓点、亮点、暗点、特征点、候选点等均为图像中的像素点。
在现实生活中,从不同的距离,不同的方向、角度,不同的光照条件下观察一个物体时,物体的大小、形状、明暗都会有所不同。但我们的大脑依然可以判断它是同一件物体。理想的特征描述子应该具备这些属性,即以多种理想的方式分别计算描述子时,应该得出同样的结果。即描述子应该对光照(亮度)不敏感,具备尺度一致性(大小),旋转一致性(角度)等。现有技术中的ORB算法主要解决的是BRIEF描述子中不具备旋转不变性的问题,但并没有解决尺度一致性问题。
因此,在现有的ORB算法的基础上,OpenCV的ORB实现中采用了图像金字塔来改善尺度一致性的性能。
下面结合图1对现有技术中OpenCV的ORB中提取特征点的方式进行介绍,图1为现有技术中的特征点的提取方法的流程图,如图1所示,现有技术中的特征点的提取方法主要包括:
S101,接收图像。
S102,获取图像的图像金字塔。
S103,获取图像金字塔中每层图像的特征点。
S104,计算每个特征点的主方向。
S105,获取每个特征点的描述子。
S106,输出每个特征点的描述子。
上述S101中,现有技术中在对图像中的特征点进行提取时,可以接收用户输入的图像。
上述S102中,图像金字塔是图像中多尺度表达的一种,最主要用于图像的分割,是一种以多分辨率来解释图像的结构。简单来说,图像金字塔就是用来进行图像缩放的。现有技术中获取图像金字塔的类型包括:高斯图像金字塔和拉普拉斯图像金字塔,二者的不同点在于图像的采样类型不同。其中,高斯图像金字塔采用下采样方式,即将图像逐层缩小;拉普拉斯图像金字塔采用上采样方式,即将图像逐层放大。本实施例中对现有技术中获取图像金字塔的方式不做赘述,具体可以参照现有技术的相关描述。
上述S103-S106中,OpenCV中仍采用FAST算法获取每层图像中的特征点,然后将所述有的特征点进行四叉树划分,并计算每个特征点的主方向,再采用BRIEF算法获取每个特征点的描述子,以输出该每个特征点的描述子,即为输出图像的特征点。
图像的特征点的提取可以应用在多个场景中。示例性的,在自动驾驶场景中,车机对采集的图像进行特征点的提取,可以获取该图像中的对象,以确定车机的驾驶决策,如车机前方有障碍物,车机的驾驶决策可以为右拐。在机器人(或拍摄装置)的位姿估计的场景中,根据机器人采集的相邻两帧图像的特征点的提取、匹配,以估计机器人的位姿。
而依据上述图1中现有技术中的特征点的提取方式,提取的图像中的特征点均为整像素值的特征点,特征点的像素精度低,输出的特征点就容易聚集在一起,出现重叠冗余的情况。图2为采用现有技术中对输出的图像的特征点的示意图。如图2所示,图像中的特征点以虚线方框形式输出,特征点之间出现重叠冗余的情况。鉴于现有技术中的提取的特征点的精度低,进而影响特征点的后端的应用。
为了解决现有技术的特征点的精度低的问题,本申请中提供了一种特征点的提取方法,在现有的OpenCV的ORB的基础上,图像金字塔中每层图像中的特征点进行亚像素级的精度的定位,以获取亚像素级的特征点,提高了图像中提取的特征点的精度。
下面结合具体的实施例对本申请提供的特征点的提取方法进行说明,下述的实施例之间可以相互结合。图3为本申请提供的特征点的提取方法的流程示意图一。如图3所示,本实施例提供的特征点的提取方法可以包括:
S301,获取待处理图像的图像金字塔。
S302,按照从图像金字塔的底部至顶部的顺序,获取图像金字塔中每层图像的目标特征点,目标特征点为亚像素级的特征点;其中,第i层图像的目标像素点为根据第i层图像的初始特征点的邻域内的像素点的坐标和主方向确定,初始特征点的坐标精度为像素级,i为大于或等于0的整数。
S303,输出图像金字塔中每层图像的目标特征点。
本实施例中的S301中获取待处理图像的图像金字塔的方式可以采用下采样的方式,获取待处理图像的高斯图像金字塔。
可选的,在S301之前,还可以执行上述S101。
上述S302中,本实施例中按照从图像金字塔的底部至顶部的顺序,获取图像金字塔中每层图像的目标特征点。该目标特征点是对图像金字塔中每层图像的初始特征点进行亚像素级的精度的定位获取的。其中,图像金字塔中每层图像的初始特征点可以为采用FAST算法在每层图像中提取的特征点。应理解,该初始特征点的坐标精度为像素级。
可选的,本实施例中的S302可以包括上述S103、以及对获取的初始特征点进行亚像素级的精度的定位,以获取亚像素级的目标特征点。其中,图像金字塔中每层图像的目标特征点为根据每层图像的初始特征点的邻域内的像素点的坐标和主方向确定。对于图像金字塔中的第i层图像来说,第i层图像的目标像素点为根据第i层图像的初始特征点的邻域内的像素点的坐标和主方向确定,其中,i为大于或等于0的整数。
应理解,本实施例中可以预先设置邻域窗口尺寸,如4pixel*4pixel。移动邻域窗口,若初始特征点处于邻域窗口中,则该邻域窗口的区域作为初始特征点的邻域,且将该邻域窗口中的其他像素点作为初始特征点的邻域内的像素点。本实施例中的像素点的坐标可以为像素点在图像中的像素坐标,可以采用质心法计算像素点的主方向,具体可以参照现有技术中的质心法的相关描述,在此不做赘述。
上述S303中,输出图像金字塔中每层图像的目标特征点,即为获取目标特征点的获取每层图像的目标特征点的描述子,输出每层图像的目标特征点的描述子。具体的,可以表现为如图2中的输出特征点的形式。
下面以图像金字塔中的第i层图像为例,对本实施例中获取第i层图像的目标特征点的方式进行介绍。具体的,图4为本申请提供的获取第i层图像的目标特征点的流程示意图,如图4所示,上述S302可以包括:
S3021,根据像素点的主方向和像素点的灰度梯度,得到像素点的梯度向量。
本实施例中以第i层图像中的一个初始特征点为例进行说明,本实施例中的像素点均为该初始特征点的邻域内的像素点。其中,可以根据像素点的主方向和像素点的灰度梯度,得到像素点的梯度向量。应理解,像素点的灰度梯度常用于图像中的边缘检测,本实施例中可以采用边缘检测算法是利用一阶和二阶微分算子获取像素点在某个区域内(本实施例中的邻域)的灰度变化,如Canny算子、Sobel算子、LOG算子等。
本实施例中可以采用公式一确定像素点的梯度向量:
其中,(xi,yi)为像素点的坐标,应理解,初始特征点的邻域中可能包含有多个像素点,i代表该初始特征点的邻域内的任一像素点。g(xi,yi)为像素点的灰度值,G[g(xi,yi)]为像素点的灰度梯度向量。
S3022,根据像素点的梯度向量,将经过像素点且垂直于梯度向量的直线,作为像素点的直线。
本实施例中,可以经过像素点作垂直该像素点的梯度向量的直线,该直线称为像素点的直线。
S3023,根据像素点的直线和像素点的坐标,确定第i层图像的目标特征点。
应理解,初始特征点的邻域中可能包含有多个像素点。在根据上述S3022获取每个像素点的直线后,该多个像素点的直线可以相交于至少一个交点。
本实施例中,获取该多个像素点的直线相交的至少一个交点。示例性的,图5为本申请提供的像素点的直线的相交示意图。如图5所示,初始特征点的领域中包括3个像素点,该3个像素点的直线分别为L1、L2、L3,L1、L2、L3相交于三个交点分别为A、B、C。
本实施例中可以根据至少一个交点,确定第i层图像的目标特征点的选取区域。示例性的,如图5所示,L1、L2、L3相交于三个交点分别为a、b、c,形成相交的区域为三角形区域,该三角形区域即为第i层图像的目标特征点的选取区域。
其中,在选取区域中,可以根据每个像素点的坐标,以及每个像素点的直线,确定第i层图像的目标特征点。鉴于本实施例中能够确定每个像素点的坐标,且根据上述公式一能够获取每个像素点的梯度向量,基于每个像素点的坐标以及梯度向量,能够获取每个像素点的直线对应的直线方程。其中,每个像素点的直线对应的直线方程如下公式二所示:
dxi·x+dyi·y-(dxi·xi+dyi·yi)=Aix+Biy+Ci 公式二其中,Ai,Bi,Ci分别为每个像素点的直线对应的直线方程中的参数。
在获取每个像素点的直线对应的直线方程,每个像素点的直线的交点的坐标也能够计算出来。因此,根据每个像素点的直线的交点的坐标便能够确定目标特征点的选取区域在图像中的位置。示例性的,根据L1、L2、L3的直线对应的直线方程可以获取图5中的a、b、c的坐标,则目标特征点的选取区域即为图5中的三角形区域。
本实施例中可以在选取区域中,获取第i层图像的目标特征点,其中,第i层图像的目标特征点为距离每个像素点的直线的距离之和最小的像素点。另,本实施例中的第i层图像的目标特征点可以采用最小二乘法求解获取。
具体的,下述对本实施例中在选取区域中,获取第i层图像的目标特征点的方式进行说明:
本实施例中,可以根据每个交点到各像素点的直线的距离,获取每个交点与该初始特征点的误差方程,如下公式三所示:
其中,vi为任一交点与初始特征点的误差,(x′,y′)为任一交点的坐标,ai,bi,ci为交点与该初始特征点的误差方程中的参数。
可选的,为了计算简便,本实施例中可以将上述公式三的误差方程替换为如下公式四:
vi=Aix′+Biy′+Ci 公式四
据此,本实施例中可以根据每个交点与该初始特征点的误差方程的加和,采用最小二乘法求解P(x′,y′),即该初始特征点对应的目标特征点。如图5所述,初始特征点P0的位置实质上在P处,即本实施例中能够将特征点进行精确定位。
本实施例中,为了提高获取P(x′,y′)的准确度,可以对每个交点的误差方程进行权重赋值,进而根据交点的误差方程,以及该误差方程对应的权重,采用最小二乘法求解P(x′,y′)。
其中,误差方程对应的权重与获取该误差方程对应的像素点(即采用交点到直线的距离,该直线对应的像素点)距离该初始特征点的邻域的中心位置的距离相关。
图6为本申请提供的邻域窗口的示意图。如图6所示,该邻域窗口为4pixel*4pixel的窗口,P0为初始特征点,P0的邻域内的像素点为图6中所示的每个黑点。本实施例中获取每个像素点的直线的交点,以获取每个交点的误差方程,以及每个交点的误差方程的权重。示例性的,若交点a的误差方程为a点距离像素点d的直线的误差方程,则该误差方程的权重即为像素点d的权重,像素点d的权重与该像素点d距离P0的邻域的中心位置的距离相关。其中,距离中心位置的距离越近的像素点的权重越大。
本实施例中可以根据每个像素点的坐标和初始特征点的邻域的中心位置的坐标,确定每个像素点的权重,具体可以采用如下公式五获取每个像素点的权重:
其中,w(x,y)为像素点的权重,(x,y)为像素点的坐标,(xc,yc)为P0的邻域的中心位置的坐标,S为邻域窗口的一边,如上述邻域为4pixel*4pixel,则s=4。
本实施例中在选取区域中,根据每个像素点的权重和每个像素点的直线,采用最小二乘法,确定第i层图像的目标特征点,即为根据每个交点的误差方程,以及误差方程的权重后,采用最小二乘法,确定第i层图像的目标特征点。
具体的,本实施例中将每个交点的误差方程和误差方程的权重乘积进行加和,采用最小二乘法,求解P(x′,y′)。鉴于最小二乘法是一个不断迭代优化找到函数的全局最优解的方法,本实施例中预先设置最小二乘法的上限次数迭代,按照迭代方向进行迭代,但是不能让迭代进入无限的迭代中,需要设置一个最大迭代次数,即上限迭代次数。应理解,本实施例中可以在相邻两次迭代确定的像素点的距离小于0.5像素点尺寸时输出初始特征点对应的目标特征点,鉴于该目标特征点是在相邻两次迭代确定的像素点的距离小于0.5像素点尺寸时输出的,那么该目标特征点为亚像素级的特征点。
图7为采用本申请提供的特征点的提取方法输出的图像的特征点的示意图一。如图7所示,本实施例中输出的图像的特征点中减少了像素点的重叠冗余的问题,提高了特征点的精度。
相较于图1中的特征点的提取方法,本实施例中的特征点的提取方法相当于在S104之后增加了S107:获取每个特征点对应的目标特征点,目标特征点为亚像素级的特征点。具体的,与图1相比,本实施例中的特征点的提取方法可以归纳为如图8所示的流程,图8为本申请提供的特征点的提取方法的流程示意图二。
本实施例提供的特征点的提取方法包括:获取待处理图像的图像金字塔;按照从图像金字塔的底部至顶部的顺序,获取图像金字塔中每层图像的目标特征点,目标特征点为亚像素级的特征点;其中,第i层图像的目标像素点为根据第i层图像的初始特征点的邻域内的像素点的坐标和主方向确定,初始特征点的坐标精度为像素级,i为大于或等于0的整数;输出图像金字塔中每层图像的目标特征点。本实施例中对图像金字塔中的每层图像的初始特征点进行精确定位,获取亚像素级的目标特征点,提高了图像中提取的特征点的精度。
如上述图1中所示的特征点的提取方法中的S103中在获取每层图像中的特征点,然后将有的特征点进行四叉树划分,获取特征点,但四叉树算法也为迭代分割技术,现有技术中的四叉树迭代分割过多,则会出现“过均衡化”的问题,即将图像中不是特征点的像素点确定为特征点,进而也影响特征点的提取准确度。
本实施例中,在上述实施例的基础上,为了解决该现有技术中的问题,可以预先设置四叉树的分割层数或特征点的数量,以避免四叉树迭代分割过多,出现“过均衡化”的特征点。具体的,下述结合图9对本申请中的特征点的提取方法进行进一步说明。图9为本申请提供的特征点的提取方法的流程示意图三。如图9所示,本实施例提供的特征点的提取方法可以包括:
S901,获取待处理图像的图像金字塔。
S902,提取每层图像的特征点。
S903,根据预先设置的每层图像的特征点的预设数量,以及预先设置的四叉树的预设分割层数,采用四叉树算法对四叉树的根节点进行迭代分割,得到每层图像的初始特征点。
S904,根据每层图像的初始特征点的邻域内的像素点的坐标和主方向确定,每层图像的初始特征点对应的目标特征点。
S905,输出图像金字塔中每层图像的目标特征点。
应理解,本实施例中的S901、S904-S905中的实施方式具体可以参照上述实施例中的S301、S302-S303中的相关描述。
本实施例的S902中提取每层图像的特征点,指的采用现有技术中的FAST算法提取每层图像中的特征点。
与上述实施例中不同的是,上述实施例中将FAST算法提取每层图像中的特征点作为初始特征点,而本实施例中为了避免四叉树迭代分割过多,出现“过均衡化”的特征点,本实施例中预先设置四叉树的分割层数或每层图像的特征点的数量,根据预先设置的每层图像的特征点的预设数量,以及预先设置的四叉树的预设分割层数,采用四叉树算法对四叉树的根节点进行迭代分割,得到每层图像的初始特征点。
下面以第i层图像为例,对得到第i层图像的初始特征点的过程进行说明,假设第i层图像的特征数为n,分割层数为L:
A'、删除第k分割层中特征点的数量为0的节点,以特征点的数量不为0的节点作为根节点,对根节点进行分割,k为大于等于0且小于预设层数的整数。
其中,在第0分割层时,将第i层图像的特征点(采用FAST算法获取的特征点)分配在根节点中,并将根节点所在的分割层作为第0分割层,将L记为0。且删除第0分割层中特征点的数量为0的节点,以特征点的数量不为0的节点作为根节点,对根节点进行分割,以得到四倍数量的叶子结点,并删除特征数为0的叶子节点,同时记分割层数L1。
B'、若k小于预设层数且提取的特征点的数量小于预设数量,则将k加1返回执行A',直至k等于预设层数或提取的特征点的数量等于预设数量,执行C'。
本实施例中,在每进行一次四叉树分割后,若k小于预设层数且提取的特征点的数量小于预设数量,则将k加1返回执行A',以再对特征点的数量不为0的节点进行四叉树分割,直至k等于预设层数或提取的特征点的数量等于预设数量,则停止分割,将第k分割层中的特征点作为待选择的特征点。应注意,该处的提取的特征点的数量为采用四叉树分割提取的所有的特征点的数量。
C'、根据第i层图像的特征点的预设数量和第k分割层中的特征点的Harris响应值,确定第i层图像的初始特征点。
本实施例中,可以根据第k分割层中的特征点的Harris响应值,应理解,本实施例中的特征点的Harris响应值是采用Harris响应函数计算获取的。
下述结合图10-图12对确定第i层图像的初始特征点的方法进行说明:
图10为本申请提供的四叉树分割示意图。如图10所示,未分割前可以看作最外围的大的正方形,四叉树分割一次后形成了四个等大的正方形。鉴于左下角和右下角的节点不能再进行四叉树分割(特征点的数量为0),则对左上角和右上角两个节点再进行四叉树分割,进而在左上角和右上角两个节点中形成了更小的正方形。图10中的四叉树进行了两次分割。
下面以预先设置的特征点的数量为例对获取初始特征点进行说明:
如特征点的数量为4,则在第一次四叉树分割时,即可获取两个初始特征点13和14,鉴于左上角和右上角的节点中包括多个特征点,则可以根据左上角和右上角的节点中的特征点的Harris响应值,分别在该两个节点中选取一个初始特征点,如在左上角的节点中将Harris响应值最大的特征点1作为一个初始特征点,在右上角的节点中将Harris响应值最大的特征点11作为一个初始特征点,即可获取13、14、1和11这四个初始特征点,如图11所示,图11为特征点的数量为4时的选取结果示意图。
如特征点的数量为7,则在第一次四叉树分割时,即可获取两个初始特征点13和14,鉴于左上角和右上角的节点中包括多个特征点,则可以根据左上角和右上角的节点中的特征点的Harris响应值,选取初始特征点。鉴于在第二次四叉树分割时,可以在左上角的节点中获取一个初始特征点1,则可以在左上角和右上角的二次分割后的其他节点中选择四个初始特征点。
示例性的,如在其余四个包含有特征点的节点中选择Harris响应值最大的特征点作为初始特征点,分别为2、5、10和11,以此获取13、14、1、2、5、10和11这七个初始特征点,如图12所示,图12为特征点的数量为7时的选取结果示意图。
值得注意的是,若特征点的数量为7,则采用上述方式只能获取7个初始特征点,本实施例中还可以在其余四个包含有特征点的节点中选择Harris响应值次优的特征点作为初始特征点,如选择3、4、6、7、8、9和12中的Harris响应值最大的特征点作为初始特征点。按照类似的方式,可以在分割预设层数后的四叉树中确定预设数量的初始特征点,进而能够避免四叉树迭代分割过多,出现“过均衡化”的特征点,提高提取的特征点的准确度。
图13为采用本申请提供的特征点的提取方法输出的图像的特征点的示意图二。如图13所示,本实施例中输出的图像的特征点中减少了“无效”特征点,将图像中不是特征点的像素点删除,提高了特征点的精度。
相较于图1中的特征点的提取方法,本实施例中的特征点的提取方法相当于在S103之后增加了S108:特征点均衡化。具体的,与图1相比,本实施例中的特征点的提取方法可以归纳为如图14所示的流程。图14为本申请提供的特征点的提取方法的流程示意图四。
可选的,本实施例中对图像金字塔中的每层图像设置的分割层数可以相同或不同。本实施例中,可以根据图像金字塔中的第i层图像的纹理,设置第i层图像的所述预设分割层数。
其中,若图像在拍摄时光线充足,则图像相较于光线弱的情况会表现出更为丰富的纹理。另外,如白墙、地面等灰度变化不明显的物体,对应的图像的纹理不丰富。
可选的,本实施例中,可以预先设置图像的纹理与图像的预设分割层数的对应关系。对于图像金字塔中的第i层图像,可以根据第i层图像的纹理,以及该图像的纹理与图像的预设层数的对应关系,确定该第i层图像的预设分割层数。其中,图像的纹理的丰富程度能够表示图像中是否存在表征图像特征的特征点的数量,也就是说,若图像的纹理越丰富,则图像中存在的能够表征图像特征的特征点的数量也就越多,反之就越少。对应的,本实施例中,图像的纹理与图像设置的分割层数为负相关,也就是说,图像的纹理越丰富,则图像的预设分割层数则越少,反之,则图像的预设分割层数则越多。
可选的,本实施例中的i层图像的预设分割层数为大于或等于4且小于或等于10的整数。其中,对于纹理丰富的图像来说,图像的预设分割层数一般为4-6层;而对于纹理不丰富的图像,如白墙或地面等,图像的预设分割层数一般为8-10层。
本实施例中,预先设置四叉树的分割层数或每层图像的特征点的数量,根据预先设置的每层图像的特征点的预设数量,以及预先设置的四叉树的预设分割层数,采用四叉树算法对四叉树的根节点进行迭代分割,得到每层图像的初始特征点,能够避免四叉树迭代分割过多,出现“过均衡化”的特征点,以提高提取的特征点的准确度。另外,本实施例中还针对具有不同纹理的第i层图像,根据其对应的纹理设该第i层图像的预设分割层数,能够提高获取的图像中的初始特征点的准确度。
在实际的应用过程中,本实施例中的特征点的提取方法可以如图15所示,图15为本申请提供的特征点的提取方法的流程示意图五。具体可以包括:
S1501,接收图像。
S1502,获取图像的图像金字塔。
S1503,从图像金字塔的底部至顶部的顺序,提取第i层图像的特征点。
S1504,对第i层图像的特征点进行均衡化处理,获取第i层图像的初始特征点。
S1505,对第i层图像的初始特征点进行亚像素级的定位,获取第i层图像的目标特征点。
S1506,判断是否到达图像金字塔的顶层。若是,执行S1507,若否,将i加1,返回执行上述S1503。
S1507,输出图像的目标特征点。
应理解,本实施例中的S1504、S1505具体可以参照上述实施例中S803、S302中的相关描述,在此不做赘述。
图16为本申请提供的特征点的提取装置的结构示意图。该特征点的提取装置可由任意的软件和/或硬件实现,该特征点的提取装置用于执行上述图3、图9和图15中的特征点的提取方法。可选的,该特征点的提取装置可以为服务器或终端设备等电子设备。本申请中的终端设备可以包括但不限于为移动终端或固定终端设备。移动终端设备包括但不限于手机、个人数字助理(Personal Digital Assistant,简称:PDA)、平板电脑、便携设备(例如,便携式计算机、袖珍式计算机或手持式计算机)等。固定终端设备包括但不限于台式计算机等。
如图16所示,该特征点的提取装置1600包括:第一处理模块1601和第二处理模块1602。
第一处理模块1601,用于获取待处理图像的图像金字塔,以及按照从图像金字塔的底部至顶部的顺序,获取图像金字塔中每层图像的目标特征点,目标特征点为亚像素级的特征点;其中,第i层图像的目标像素点为根据第i层图像的初始特征点的邻域内的像素点的坐标和主方向确定,初始特征点的坐标精度为像素级,i为大于或等于0的整数;
第二处理模块1602,用于输出图像金字塔中每层图像的目标特征点。
可选的,第一处理模块1601,还用于根据像素点的主方向和像素点的灰度梯度,得到像素点的梯度向量;根据像素点的梯度向量,将经过像素点且垂直于梯度向量的直线,作为像素点的直线;根据像素点的直线和像素点的坐标,确定第i层图像的目标特征点。
可选的,像素点为多个。
第一处理模块1601,具体用于获取多个像素点的直线的至少一个交点;根据至少一个交点,确定第i层图像的目标特征点的选取区域;在选取区域中,根据每个像素点的坐标,以及每个像素点的直线,确定第i层图像的目标特征点,第i层图像的目标特征点为距离每个像素点的直线的距离之和最小的像素点,目标特征点是采用最小二乘法求解的、且是在相邻两次迭代确定的像素点的距离小于0.5像素点尺寸时输出的。
可选的,第一处理模块1601,具体用于根据每个像素点的坐标和初始特征点的邻域的中心位置的坐标,确定每个像素点的权重,距离中心位置的距离越近的像素点的权重越大;在选取区域中,根据每个像素点的权重和每个像素点的直线,采用最小二乘法,确定第i层图像的目标特征点。
可选的,第一处理模块1601,具体用于提取第i层图像的特征点;根据预先设置的第i层图像的特征点的预设数量,以及预先设置的四叉树的预设分割层数,采用四叉树算法对四叉树的根节点进行迭代分割,得到第i层图像的初始特征点。
可选的,第一处理模块1601,具体用于:
A'、删除第k分割层中特征点的数量为0的节点,以特征点的数量不为0的节点作为根节点,对根节点进行分割,k为大于等于0且小于预设层数的整数;
B'、若k小于预设层数且提取的特征点的数量小于预设数量,则将k加1返回执行A',直至k等于预设层数或提取的特征点的数量等于预设数量,执行C'。
C'、根据第i层图像的特征点的预设数量和第k分割层中的特征点的Harris响应值,确定第i层图像的初始特征点。
可选的,所述第一处理模块1601,还用于根据所述第i层图像的纹理,设置所述第i层图像的所述预设分割层数。
可选的,所述i层图像的所述预设分割层数为大于或等于4且小于或等于10的整数。
可选的,第二处理模块1602,具体用于获取每层图像的目标特征点的描述子,并输出每层图像的目标特征点的描述子。
本实施例提供的特征点的提取装置与上述特征点的提取方法实现的原理和技术效果类似,在此不作赘述。
图17为本申请提供的电子设备的结构示意图。该电子设备为上述图16中的特征点的提取装置。如图17所示,该电子设备1700包括:存储器1701和至少一个处理器1702。
存储器1701,用于存储程序指令。
处理器1702,用于在程序指令被执行时实现本实施例中的特征点的提取方法,具体实现原理可参见上述实施例,本实施例此处不再赘述。
该电子设备1700还可以包括及输入/输出接口1703。
输入/输出接口1703可以包括独立的输出接口和输入接口,也可以为集成输入和输出的集成接口。其中,输出接口用于输出数据,输入接口用于获取输入的数据,上述输出的数据为上述方法实施例中输出的统称,输入的数据为上述方法实施例中输入的统称。
本申请还提供一种可读存储介质,可读存储介质中存储有执行指令,当电子设备的至少一个处理器执行该执行指令时,当计算机执行指令被处理器执行时,实现上述实施例中的特征点的提取方法。
本申请还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得电子设备实施上述的各种实施方式提供的特征点的提取方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块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接口,装置或模块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模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块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模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述特征点的提取装置的实施例中,应理解,处理模块可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (9)
1.一种特征点的提取方法,其特征在于,包括:
获取待处理图像的图像金字塔;
按照从所述图像金字塔的底部至顶部的顺序,获取所述图像金字塔中每层图像的目标特征点,所述目标特征点为亚像素级的特征点;其中,第i层图像的目标像素点为根据所述第i层图像的初始特征点的邻域内的像素点的坐标和主方向确定,所述初始特征点的坐标精度为像素级,所述i为大于或等于0的整数;
输出所述图像金字塔中每层图像的目标特征点;
获取所述第i层图像的初始特征点,包括:
提取所述第i层图像的特征点;
根据预先设置的所述第i层图像的特征点的预设数量,以及预先设置的四叉树的预设分割层数,采用四叉树算法对所述四叉树的根节点进行迭代分割,得到所述第i层图像的初始特征点。
2.根据权利要求1所述的方法,其特征在于,获取所述第i层图像的目标像素点,包括:
根据所述像素点的主方向和所述像素点的灰度梯度,得到所述像素点的梯度向量;
根据所述像素点的梯度向量,将经过所述像素点且垂直于所述梯度向量的直线,作为所述像素点的直线;
根据所述像素点的直线和所述像素点的坐标,确定所述第i层图像的目标特征点。
3.根据权利要求2所述的方法,其特征在于,所述像素点为多个,所述根据所述像素点的直线和所述像素点的坐标,确定所述第i层图像的目标特征点,包括:
获取多个所述像素点的直线的至少一个交点;
根据所述至少一个交点,确定所述第i层图像的目标特征点的选取区域;
在所述选取区域中,根据每个所述像素点的坐标,以及每个所述像素点的直线,确定所述第i层图像的目标特征点,所述第i层图像的目标特征点为距离每个所述像素点的直线的距离之和最小的像素点,所述目标特征点是采用最小二乘法求解的、且是在相邻两次迭代确定的像素点的距离小于0.5像素点尺寸时输出的。
4.根据权利要求3所述的方法,其特征在于,所述在所述选取区域中,根据每个所述像素点的坐标,以及每个所述像素点的直线,确定所述第i层图像的目标特征点,包括:
根据每个所述像素点的坐标和所述初始特征点的邻域的中心位置的坐标,确定每个所述像素点的权重,距离所述中心位置的距离越近的像素点的权重越大;
在所述选取区域中,根据每个像素点的权重和每个所述像素点的直线,采用所述最小二乘法,确定所述第i层图像的目标特征点。
5.根据权利要求1所述的方法,其特征在于,所述得到所述第i层图像的初始特征点,包括:
A'、删除第k分割层中特征点的数量为0的节点,以特征点的数量不为0的节点作为根节点,对所述根节点进行分割,所述k为大于等于0且小于所述预设层数的整数;
B'、若所述k小于预设层数且提取的特征点的数量小于预设数量,则返回执行A',直至所述k等于预设层数或提取的特征点的数量总数等于所述预设数量,执行C';
C'、根据所述第i层图像的特征点的预设数量和所述第k分割层中的特征点的Harris响应值,确定所述第i层图像的初始特征点。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述第i层图像的纹理,设置所述第i层图像的所述预设分割层数。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述i层图像的所述预设分割层数为大于或等于4且小于或等于10的整数。
8.根据权利要求1-4任一项所述的方法,其特征在于,所述输出所述图像金字塔中每层所述图像的目标特征点,包括:
获取每层所述图像的目标特征点的描述子;
输出每层所述图像的目标特征点的描述子。
9.一种特征点的提取装置,其特征在于,包括:
第一处理模块,用于获取待处理图像的图像金字塔,以及按照从所述图像金字塔的底部至顶部的顺序,获取所述图像金字塔中每层图像的目标特征点,所述目标特征点为亚像素级的特征点;其中,第i层图像的目标像素点为根据所述第i层图像的初始特征点的邻域内的像素点的坐标和主方向确定,所述初始特征点的坐标精度为像素级,所述i为大于或等于0的整数;
第二处理模块,用于输出所述图像金字塔中每层图像的目标特征点;
所述第一处理模块,具体用于提取第i层图像的特征点;根据预先设置的第i层图像的特征点的预设数量,以及预先设置的四叉树的预设分割层数,采用四叉树算法对四叉树的根节点进行迭代分割,得到第i层图像的初始特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010102920.XA CN113283442B (zh) | 2020-02-19 | 2020-02-19 | 特征点的提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010102920.XA CN113283442B (zh) | 2020-02-19 | 2020-02-19 | 特征点的提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283442A CN113283442A (zh) | 2021-08-20 |
CN113283442B true CN113283442B (zh) | 2024-05-10 |
Family
ID=77274904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010102920.XA Active CN113283442B (zh) | 2020-02-19 | 2020-02-19 | 特征点的提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283442B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5150209A (en) * | 1990-05-11 | 1992-09-22 | Picturetel Corporation | Hierarchical entropy coded lattice threshold quantization encoding method and apparatus for image and video compression |
US5257121A (en) * | 1990-08-29 | 1993-10-26 | The Johns Hopkins University | Multi-resolution spatial integration signal processor and method |
WO2002001488A1 (en) * | 2000-06-26 | 2002-01-03 | Rojer Alan S | Use of image detail to select and classify variably-sized pixel blocks for motion estimation |
EP2048599A1 (en) * | 2007-10-11 | 2009-04-15 | MVTec Software GmbH | System and method for 3D object recognition |
CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
US8429163B1 (en) * | 2012-01-25 | 2013-04-23 | Hewlett-Packard Development Company, L.P. | Content similarity pyramid |
CN105069790A (zh) * | 2015-08-06 | 2015-11-18 | 潍坊学院 | 一种齿轮外观缺陷快速影像检测方法 |
CN105930858A (zh) * | 2016-04-06 | 2016-09-07 | 吴晓军 | 一种带旋转、缩放的快速高精度几何模板匹配方法 |
CN107679164A (zh) * | 2017-09-28 | 2018-02-09 | 上海交通大学 | 基于四叉树虚拟显示的超大容量图像的浏览方法及系统 |
CN108416385A (zh) * | 2018-03-07 | 2018-08-17 | 北京工业大学 | 一种基于改进图像匹配策略的同步定位与建图方法 |
CN109325534A (zh) * | 2018-09-22 | 2019-02-12 | 天津大学 | 一种基于双向多尺度金字塔的语义分割方法 |
CN110046623A (zh) * | 2019-03-04 | 2019-07-23 | 青岛小鸟看看科技有限公司 | 一种图像特征点提取方法和相机 |
CN110675437A (zh) * | 2019-09-24 | 2020-01-10 | 重庆邮电大学 | 一种基于改进gms-orb特征的图像匹配方法及存储介质 |
WO2020014901A1 (zh) * | 2018-07-18 | 2020-01-23 | 深圳前海达闼云端智能科技有限公司 | 一种目标跟踪方法、装置、电子设备和可读存储介质 |
-
2020
- 2020-02-19 CN CN202010102920.XA patent/CN113283442B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5150209A (en) * | 1990-05-11 | 1992-09-22 | Picturetel Corporation | Hierarchical entropy coded lattice threshold quantization encoding method and apparatus for image and video compression |
US5257121A (en) * | 1990-08-29 | 1993-10-26 | The Johns Hopkins University | Multi-resolution spatial integration signal processor and method |
WO2002001488A1 (en) * | 2000-06-26 | 2002-01-03 | Rojer Alan S | Use of image detail to select and classify variably-sized pixel blocks for motion estimation |
EP2048599A1 (en) * | 2007-10-11 | 2009-04-15 | MVTec Software GmbH | System and method for 3D object recognition |
CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
US8429163B1 (en) * | 2012-01-25 | 2013-04-23 | Hewlett-Packard Development Company, L.P. | Content similarity pyramid |
CN105069790A (zh) * | 2015-08-06 | 2015-11-18 | 潍坊学院 | 一种齿轮外观缺陷快速影像检测方法 |
CN105930858A (zh) * | 2016-04-06 | 2016-09-07 | 吴晓军 | 一种带旋转、缩放的快速高精度几何模板匹配方法 |
CN107679164A (zh) * | 2017-09-28 | 2018-02-09 | 上海交通大学 | 基于四叉树虚拟显示的超大容量图像的浏览方法及系统 |
CN108416385A (zh) * | 2018-03-07 | 2018-08-17 | 北京工业大学 | 一种基于改进图像匹配策略的同步定位与建图方法 |
WO2020014901A1 (zh) * | 2018-07-18 | 2020-01-23 | 深圳前海达闼云端智能科技有限公司 | 一种目标跟踪方法、装置、电子设备和可读存储介质 |
CN109325534A (zh) * | 2018-09-22 | 2019-02-12 | 天津大学 | 一种基于双向多尺度金字塔的语义分割方法 |
CN110046623A (zh) * | 2019-03-04 | 2019-07-23 | 青岛小鸟看看科技有限公司 | 一种图像特征点提取方法和相机 |
CN110675437A (zh) * | 2019-09-24 | 2020-01-10 | 重庆邮电大学 | 一种基于改进gms-orb特征的图像匹配方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113283442A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220383535A1 (en) | Object Tracking Method and Device, Electronic Device, and Computer-Readable Storage Medium | |
Schilling et al. | Trust your model: Light field depth estimation with inline occlusion handling | |
US8385630B2 (en) | System and method of processing stereo images | |
KR101032446B1 (ko) | 영상의 정점 검출 장치 및 방법 | |
US7848571B2 (en) | Computer-implemented method for efficient image segmentation using automated saddle-point detection | |
CN113221925B (zh) | 一种基于多尺度图像的目标检测方法及装置 | |
CN113724379B (zh) | 融合图像与激光点云的三维重建方法及装置 | |
CN111105452A (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
WO2023155387A1 (zh) | 多传感器目标检测方法、装置、电子设备以及存储介质 | |
CN114674826A (zh) | 基于布匹的视觉检测方法及检测系统 | |
CN112734837B (zh) | 图像匹配的方法及装置、电子设备及车辆 | |
CN111901499B (zh) | 一种计算视频图像中像素实际距离的方法及设备 | |
Chen et al. | Range image segmentation for modeling and object detection in urban scenes | |
CN113283442B (zh) | 特征点的提取方法和装置 | |
CN110009683B (zh) | 基于MaskRCNN的实时平面上物体检测方法 | |
CN109785367B (zh) | 三维模型追踪中外点滤除方法和装置 | |
CN108921852B (zh) | 基于视差与平面拟合的双分支室外非结构化地形分割网络 | |
CN114549825A (zh) | 目标检测方法、装置、电子设备与存储介质 | |
CN115564812A (zh) | 基于高精度视差细化的立体匹配方法、系统、设备及介质 | |
CN111695552B (zh) | 多特征融合的水下目标建模及优化方法 | |
CN110059651B (zh) | 一种相机实时跟踪注册方法 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
Patricio et al. | A similarity-based adaptive neighborhood method for correlation-based stereo matching | |
CN111798519A (zh) | 激光条纹中心的提取方法、装置、电子设备及存储介质 | |
US8891869B2 (en) | System and method for effectively performing an integrated segmentation procedure |
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 |