CN113486769B - 一种高清视频中图像快速匹配方法 - Google Patents

一种高清视频中图像快速匹配方法 Download PDF

Info

Publication number
CN113486769B
CN113486769B CN202110745394.3A CN202110745394A CN113486769B CN 113486769 B CN113486769 B CN 113486769B CN 202110745394 A CN202110745394 A CN 202110745394A CN 113486769 B CN113486769 B CN 113486769B
Authority
CN
China
Prior art keywords
target
matching
frame
definition video
structural similarity
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
Application number
CN202110745394.3A
Other languages
English (en)
Other versions
CN113486769A (zh
Inventor
陈海林
张蓬
赵绪龙
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.)
Trueland Information Technology Shanghai Co ltd
Original Assignee
Trueland Information Technology Shanghai 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 Trueland Information Technology Shanghai Co ltd filed Critical Trueland Information Technology Shanghai Co ltd
Priority to CN202110745394.3A priority Critical patent/CN113486769B/zh
Publication of CN113486769A publication Critical patent/CN113486769A/zh
Application granted granted Critical
Publication of CN113486769B publication Critical patent/CN113486769B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高清视频中图像快速匹配方法，属于图像处理领域，涉及图像快速匹配技术，利用随机数方法较少了匹配的次数，同时使用结构相似性计算解决了没有GPU加速的情况下，也能在40毫秒内处理完图片匹配；同时解决了模板匹配或直方图匹配等方法，对光照、缩放变化等敏感的问题。通过对高清视频进行视频分帧，获取单帧图像并确定起始帧；确定起始帧中的匹配目标，并获取匹配目标的目标特征；基于匹配目标的目标特征进行高斯分布处理获取随机变量组；分别将包含随机变量组的生成帧中的目标特征与起始帧中的目标特征进行结构相似性计算获取权重；通过加权平均数的方式确定生成帧中的匹配目标的目标特征，完成图像快速匹配。

Description

一种高清视频中图像快速匹配方法
技术领域
本发明属于图像处理领域，涉及图像快速匹配技术，具体是一种高清视频中图像快速匹配方法。
背景技术
图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题。
目前的高清视频中每帧图片尺寸都很大，且帧率一般都在25帧每秒或以上，为了在高清视频中连续的快速的匹配图片，匹配方法必须在40毫秒以内处理完毕，如果使用模板匹配或直方图匹配方法，后继帧中对象图片稍有光照、缩放等变化，很容易匹配失败；如果使用卷积神经网络方法，没有GPU的加速很难在40毫秒内处理完一张高清图。
为此，提出一种高清视频中图像快速匹配方法。
发明内容
为了解决上述方案存在的问题，本发明提供了一种高清视频中图像快速匹配方法，利用随机数方法较少了匹配的次数，同时使用结构相似性计算解决了没有GPU加速的情况下，也能在40毫秒内处理完图片匹配；同时解决了模板匹配或直方图匹配等方法，对光照、缩放变化等敏感的问题。通过对高清视频进行视频分帧，获取单帧图像并确定起始帧；确定起始帧中的匹配目标，并获取匹配目标的目标特征；基于匹配目标的目标特征进行高斯分布处理获取随机变量组；分别将包含随机变量组的生成帧中的目标特征与起始帧中的目标特征进行结构相似性计算获取权重；通过加权平均数的方式确定生成帧中的匹配目标的目标特征，完成图像快速匹配。
本发明的目的可以通过以下技术方案实现：
一种高清视频中图像快速匹配方法，包括：
对高清视频进行视频分帧，获取单帧图像并确定起始帧；
确定起始帧中的匹配目标，并获取匹配目标的目标特征；
基于匹配目标的目标特征进行高斯分布处理获取随机变量组；
分别将包含随机变量组的准生成帧中的目标特征与起始帧中的目标特征进行结构相似性计算获取权重；
通过加权平均数的方式确定准生成帧中的匹配目标的目标特征，并将此准生成帧标记为生成帧。
进一步地，所述高清视频为T帧每秒的高清视频，且在进行视频分帧时每帧时长为1/T，并随机获取一个单帧图像，将单帧图像标记为起始帧。
进一步地，所述匹配目标的目标特征包括初始位置、宽度值、高度值和速度。
进一步地，获取匹配目标的目标特征的过程包括：
根据上位程序得到需要匹配的目标，并将起始帧进行像素化处理，将起始帧进行像素点提取并建立坐标系，获取匹配目标在坐标系中的位置，当匹配目标超过一个像素点时，匹配目标的位置为所有占据的像素点的中心像素点坐标，并将该中心像素点的坐标标记为初始位置；
同时获取匹配目标的宽度值和高度值，所述宽度值和高度值的单位为单位像素点。
进一步地，获取随机变量组的过程包括：
将匹配图像的目标特征标记为[x,y,w,h,v]；
将匹配目标的目标特征进行高斯分布处理获取随机变量组，每个随机变量组中均包含匹配图像的目标特征，且将目标特征标记为[xi,yi,wi,hi,vi]。
进一步地，在进行结构相似性计算时包括：
比较x和xi的亮度，且用l(x，xi)表示，其中l(x，xi)的计算公式为：
比较x和xi的对比度，且用c(x，xi)表示，其中c(x，xi)的计算公式为：
比较x和xi的结构，且用s(x，xi)表示，其中s(x，xi)的计算公式为：
利用计算公式计算x和xi的结构相似性SSIM(x，xi)，计算公式为：
SSIM(x，xi)＝[l(x，xi)]α[c(x，xi)]β[s(x，xi)]γ。
进一步地，按照同样的方式对对应的随机变量组中的纵坐标yi、宽度值wi、高度值hi进行结构相似性计算，分别获取y和yi的结构相似性SSIM(y，yi)、w和wi的结构相似性SSIM(w，wi)、h和hi的结构相似性SSIM(h，hi)。
进一步地，通过加权平均数的方式求出生成帧中的匹配目标的目标特征，并标记为其中/>
与现有技术相比，本发明的有益效果是：
1、本发明通过对高清视频为25帧每秒的高清视频，且在没有GPU加速的前提下，将25帧每秒的高清视频通过技术手段分为40毫秒每帧的单帧图像，且随机选取一张包含匹配目标的单帧图像，并将该单帧图像标记为起始帧；然后根据上位程序得到需要匹配的目标，并将起始帧进行像素化处理，将起始帧进行像素点提取并建立坐标系，获取匹配目标在坐标系中的位置，当匹配目标较大且占超过一个像素点时，匹配目标的位置为所有占据的像素点的中心像素点坐标，并将该中心像素点的坐标标记为初始位置；且由于匹配目标占据超过一个像素点，所以同时获取匹配目标的宽度值和高度值，所述宽度值和高度值的单位为单位像素点，避免了如果使用模板匹配或直方图匹配方法，后继帧中对象图片稍有光照、缩放等变化，很容易匹配失败的问题。
2、本发明基于匹配目标的目标特征进行高斯分布处理获取随机变量组；利用随机数方法较少了匹配的次数，同时使用结构相似性计算避免光照、缩放等变化引起的匹配失败的问题。
3、本发明通过对高清视频进行视频分帧，获取单帧图像并确定起始帧；确定起始帧中的匹配目标，并获取匹配目标的目标特征；基于匹配目标的目标特征进行高斯分布处理获取随机变量组；分别将包含随机变量组的生成帧中的目标特征与起始帧中的目标特征进行结构相似性计算获取权重；通过加权平均数的方式确定生成帧中的匹配目标的目标特征，完成图像快速匹配。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明一种高清视频中图像快速匹配方法的流程图。
具体实施方式
下面将结合实施例对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
本发明的核心在于提供一种高清视频中图像快速匹配方法，在现有技术中，高清视频中每帧图片尺寸都很大，且帧率一般都在25帧每秒或以上，为了在高清视频中连续的快速的匹配图片，匹配方法必须在40毫秒以内处理完毕，如果使用模板匹配或直方图匹配方法，后继帧中对象图片稍有光照、缩放等变化，很容易匹配失败；如果使用卷积神经网络方法，没有GPU的加速很难在40毫秒内处理完一张高清图。
而本发明提供的一种高清视频中图像快速匹配方法，对高清视频进行视频分帧，获取单帧图像并确定起始帧；确定起始帧中的匹配目标，并获取匹配目标的目标特征；基于匹配目标的目标特征进行高斯分布处理获取随机变量组；分别将包含随机变量组的生成帧中的目标特征与起始帧中的目标特征进行结构相似性计算获取权重；通过加权平均数的方式确定生成帧中的匹配目标的目标特征，完成图像快速匹配。
此方法利用随机数方法较少了匹配的次数，同时使用结构相似性计算解决了没有GPU加速的情况下，也能在40毫秒内处理完图片匹配；同时解决了模板匹配或直方图匹配等方法，对光照、缩放变化等敏感的问题。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
请参考图1，图1为本发明一种高清视频中图像快速匹配方法的流程图；在本发明的实施例中，一种高清视频中图像快速匹配方法，包括：
步骤101：对高清视频进行视频分帧，获取单帧图像并确定起始帧；
上述高清视频为25帧每秒的高清视频，且在没有GPU加速的前提下，将25帧每秒的高清视频通过技术手段分为40毫秒每帧的单帧图像，且随机选取一张包含匹配目标的单帧图像，并将该单帧图像标记为起始帧；
步骤201：确定起始帧中的匹配目标，并获取匹配目标的目标特征；
在本步骤中，根据上位程序得到需要匹配的目标，并将起始帧进行像素化处理，将起始帧进行像素点提取并建立坐标系，获取匹配目标在坐标系中的位置，需要说明的一点是，当匹配目标较大且占超过一个像素点时，匹配目标的位置为所有占据的像素点的中心像素点坐标，并将该中心像素点的坐标标记为初始位置；且由于匹配目标占据超过一个像素点，所以同时获取匹配目标的宽度值和高度值，所述宽度值和高度值的单位为单位像素点，初始速度v＝0；将初始位置、宽度值、高度值和起始速度统一标记为匹配目标的目标特征；
步骤301：基于匹配目标的目标特征进行高斯分布处理获取随机变量组；
在此步骤中，首先将匹配图像的目标特征标记为[x,y,w,h,v]，其中，x表示初始位置横坐标，y表示初始位置纵坐标，w表示宽度值，h表示高度值，v表示起始速度；
然后在将匹配目标的目标特征进行高斯分布处理获取随机变量组时，随机变量组的个数为128个，每个随机变量组中均包含匹配图像的目标特征，且将目标特征标记为[xi,yi,wi,hi,vi]，应当进行说明的是，i为正整数，且i＝1,2，……m，本实施例中，m＝128；
步骤401：分别将包含随机变量组的生成帧中的目标特征与起始帧中的目标特征进行结构相似性计算获取权重；
需要进行说明的是，在进行结构相似性进行计算时，分别对目标特征的五个维度进行计算；
以初始位置横坐标x为例，则对应的随机变量组中的横坐标为xi；具体的结构相似性的计算方式为：
首先比较x和xi的亮度，且用l(x，xi)表示，其中l(x，xi)的计算公式为：需要进行说明的是μx、μxi分别为x和xi的平均值；
比较x和xi的对比度，且用c(x，xi)表示，其中c(x，xi)的计算公式为：需要进行说明的是σx、σxi分别为x和xi的标准差；
比较x和xi的结构，且用s(x，xi)表示，其中s(x，xi)的计算公式为：需要进行说明的是σxxi为x和xi的协方差；
需要说明的是，其中的C1、C2、C3皆为常数，且C1、C2、C3用以维持l(x，xi)、c(x，xi)以及s(x，xi)的稳定；
然后利用计算公式计算x和xi的结构相似性SSIM(x，xi)，计算公式为：
SSIM(x，xi)＝[l(x，xi)]α[c(x，xi)]β[s(x，xi)]γ
式中的α、β、γ为修正因子，且α、β、γ均大于0；
当以初始位置横坐标y为例，则对应的随机变量组中的横坐标为yi；具体的结构相似性的计算方式为：
首先比较y和yi的亮度，且用l(y，yi)表示，其中l(y，yi)的计算公式为：需要进行说明的是μy、μyi分别为y和yi的平均值；
比较y和yi的对比度，且用c(y，yi)表示，其中c(y，yi)的计算公式为：需要进行说明的是σy、σyi分别为y和yi的标准差；
比较y和yi的结构，且用s(y，yi)表示，其中s(y，yi)的计算公式为：需要进行说明的是σyyi为y和yi的协方差；
需要说明的是，其中的C1、C2、C3皆为常数，且C1、C2、C3用以维持l(y，yi)、c(y，yi)以及s(y，yi)的稳定；
然后利用计算公式计算y和yi的结构相似性SSIM(y，yi)，计算公式为：
SSIM(y，yi)＝[l(y，yi)]α[c(y，yi)]β[s(y，yi)]γ
式中的α、β、γ为修正因子，且α、β、γ均大于0；
按照同样的方式对对应的随机变量组中的宽度值wi、高度值hi进行结构相似性计算，分别获取y和yi的结构相似性SSIM(y，yi)、w和wi的结构相似性SSIM(w，wi)、h和hi的结构相似性SSIM(h，Hi)；
步骤501：通过加权平均数的方式确定生成帧中的匹配目标的目标特征，完成图像快速匹配。
需要进行解释说明的是，通过加权平均数的方式求出生成帧中的匹配目标的目标特征，并标记为其中/>
因为初始速度v＝0，所以不进行速度的计算；
将生成帧中的匹配目标的目标特征与起始帧的下一帧单帧图像进行匹配融合，进而完成图像快速匹配，同样避免了如果使用模板匹配或直方图匹配方法，后继帧中对象图片稍有光照、缩放等变化，很容易匹配失败的问题；如果使用卷积神经网络方法，没有GPU的加速很难在40毫秒内处理完一张高清图的问题。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理：一种高清视频中图像快速匹配方法，对高清视频进行视频分帧，获取单帧图像并确定起始帧；确定起始帧中的匹配目标，并获取匹配目标的目标特征；基于匹配目标的目标特征进行高斯分布处理获取随机变量组；分别将包含随机变量组的生成帧中的目标特征与起始帧中的目标特征进行结构相似性计算获取权重；通过加权平均数的方式确定生成帧中的匹配目标的目标特征，完成图像快速匹配。
此方法利用随机数方法较少了匹配的次数，同时使用结构相似性计算解决了没有GPU加速的情况下，也能在40毫秒内处理完图片匹配；同时解决了模板匹配或直方图匹配等方法，对光照、缩放变化等敏感的问题。
在本发明所提供的实施例中，应该理解到，所揭露的设备，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；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模块来实现本实施例方法的目的。
另对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (6)

1.一种高清视频中图像快速匹配方法，其特征在于，包括：
对高清视频进行视频分帧，获取单帧图像并确定起始帧；
确定起始帧中的匹配目标，并获取匹配目标的目标特征；所述匹配目标的目标特征包括初始位置、宽度值、高度值和速度；
其中，获取匹配目标的目标特征的过程包括：
根据上位程序得到需要匹配的目标，并将起始帧进行像素化处理，将起始帧进行像素点提取并建立坐标系，获取匹配目标在坐标系中的位置，当匹配目标超过一个像素点时，匹配目标的位置为所有占据的像素点的中心像素点坐标，并将该中心像素点的坐标标记为初始位置；
同时获取匹配目标的宽度值和高度值，所述宽度值和高度值的单位为单位像素点；
基于匹配目标的目标特征进行高斯分布处理获取随机变量组；
分别将包含随机变量组的准生成帧中的目标特征与起始帧中的目标特征进行结构相似性计算获取权重；
通过加权平均数的方式确定准生成帧中的匹配目标的目标特征，并将此准生成帧标记为生成帧。
2.根据权利要求1所述的一种高清视频中图像快速匹配方法，其特征在于，所述高清视频为T帧每秒的高清视频，且在进行视频分帧时每帧时长为1/T，并随机获取一个单帧图像，将单帧图像标记为起始帧。
3.根据权利要求1所述的一种高清视频中图像快速匹配方法，其特征在于，获取随机变量组的过程包括：
将匹配图像的目标特征标记为[x,y,w,h,v]；
将匹配目标的目标特征进行高斯分布处理获取随机变量组，每个随机变量组中均包含匹配图像的目标特征，且将目标特征标记为[xi,yi,wi,hi,vi]。
4.根据权利要求1所述的一种高清视频中图像快速匹配方法，其特征在于，在进行结构相似性计算时包括：
比较x和xi的亮度，且用l（x，xi）表示，其中l（x，xi）的计算公式为：；
比较x和xi的对比度，且用c（x，xi）表示，其中c（x，xi）的计算公式为：；
比较x和xi的结构，且用s（x，xi）表示，其中s（x，xi）的计算公式为：；
利用计算公式计算x和xi的结构相似性，计算公式为：。
5.根据权利要求4所述的一种高清视频中图像快速匹配方法，其特征在于，按照同样的方式对对应的随机变量组中的纵坐标yi、宽度值wi、高度值hi进行结构相似性计算，分别获取y和yi的结构相似性、w和wi的结构相似性/>、h和hi的结构相似性。
6.根据权利要求1所述的一种高清视频中图像快速匹配方法，其特征在于，通过加权平均数的方式求出生成帧中的匹配目标的目标特征，并标记为；其中；；；
。
CN202110745394.3A 2021-07-01 2021-07-01 一种高清视频中图像快速匹配方法 Active CN113486769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110745394.3A CN113486769B (zh) 2021-07-01 2021-07-01 一种高清视频中图像快速匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110745394.3A CN113486769B (zh) 2021-07-01 2021-07-01 一种高清视频中图像快速匹配方法

Publications (2)

Publication Number Publication Date
CN113486769A CN113486769A (zh) 2021-10-08
CN113486769B true CN113486769B (zh) 2024-04-26

Family

ID=77939976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110745394.3A Active CN113486769B (zh) 2021-07-01 2021-07-01 一种高清视频中图像快速匹配方法

Country Status (1)

Country Link
CN (1) CN113486769B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678778A (zh) * 2016-01-13 2016-06-15 北京大学深圳研究生院 一种图像匹配方法和装置
CN105913028A (zh) * 2016-04-13 2016-08-31 华南师范大学 一种基于face++平台的人脸跟踪方法及其装置
CN107451610A (zh) * 2016-12-29 2017-12-08 北京理工大学 一种提高特征匹配精度的图像检测方法
CN107909081A (zh) * 2017-10-27 2018-04-13 东南大学 一种深度学习中图像数据集的快速获取和快速标定方法
CN108256394A (zh) * 2016-12-28 2018-07-06 中林信达（北京）科技信息有限责任公司 一种基于轮廓梯度的目标跟踪方法
WO2018163898A1 (ja) * 2017-03-09 2018-09-13 株式会社岩根研究所 自由視点移動表示装置
CN111260681A (zh) * 2020-02-05 2020-06-09 河北科技大学 一种运动目标跟踪方法及运动目标跟踪装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9852353B2 (en) * 2014-11-12 2017-12-26 Adobe Systems Incorporated Structure aware image denoising and noise variance estimation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678778A (zh) * 2016-01-13 2016-06-15 北京大学深圳研究生院 一种图像匹配方法和装置
CN105913028A (zh) * 2016-04-13 2016-08-31 华南师范大学 一种基于face++平台的人脸跟踪方法及其装置
CN108256394A (zh) * 2016-12-28 2018-07-06 中林信达（北京）科技信息有限责任公司 一种基于轮廓梯度的目标跟踪方法
CN107451610A (zh) * 2016-12-29 2017-12-08 北京理工大学 一种提高特征匹配精度的图像检测方法
WO2018163898A1 (ja) * 2017-03-09 2018-09-13 株式会社岩根研究所 自由視点移動表示装置
CN107909081A (zh) * 2017-10-27 2018-04-13 东南大学 一种深度学习中图像数据集的快速获取和快速标定方法
CN111260681A (zh) * 2020-02-05 2020-06-09 河北科技大学 一种运动目标跟踪方法及运动目标跟踪装置

Also Published As

Publication number Publication date
CN113486769A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN111178337B (zh) 人脸关键点数据增强方法、装置、系统以及模型训练方法
EP3576017A1 (en) Method, apparatus, and device for determining pose of object in image, and storage medium
CN110378997B (zh) 一种基于orb-slam2的动态场景建图与定位方法
WO2021073418A1 (zh) 人脸识别方法、装置、设备及存储介质
CN109657612B (zh) 一种基于人脸图像特征的质量排序系统及其使用方法
CN110827312B (zh) 一种基于协同视觉注意力神经网络的学习方法
CN103971112B (zh) 图像特征提取方法及装置
CN108986185B (zh) 基于深度学习的图像数据扩增方法
CN111062331B (zh) 图像的马赛克检测方法、装置、电子设备及存储介质
CN114332942A (zh) 基于改进YOLOv3的夜间红外行人检测方法及系统
CN111160107B (zh) 一种基于特征匹配的动态区域检测方法
CN115937626A (zh) 基于实例分割的半虚拟数据集自动生成方法
CN115205626A (zh) 一种应用于涂层缺陷检测领域的数据增强方法
CN114782714A (zh) 一种基于上下文信息融合的图像匹配方法及装置
CN113486769B (zh) 一种高清视频中图像快速匹配方法
CN112084855A (zh) 一种基于改进ransac方法对视频流的外点剔除方法
CN111667511A (zh) 一种在动态视频中提取背景的方法、装置和系统
CN111275610A (zh) 一种人脸变老图像处理方法及系统
CN115063715A (zh) 一种基于灰度直方图的orb-slam3回环检测加速方法
CN115661894A (zh) 一种人脸图像质量过滤方法
WO2021056531A1 (zh) 人脸性别识别方法、人脸性别分类器的训练方法及装置
CN112949571A (zh) 识别年龄的方法、年龄识别模型的训练方法和装置
CN111222514A (zh) 一种基于视觉定位的局部地图优化方法
CN111680683A (zh) 一种roi参数的获取方法及系统
CN115984316B (zh) 一种复杂环境的工业图像边缘提取方法及装置

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