CN113496230A - 图像匹配方法和系统 - Google Patents
图像匹配方法和系统 Download PDFInfo
- Publication number
- CN113496230A CN113496230A CN202010191272.XA CN202010191272A CN113496230A CN 113496230 A CN113496230 A CN 113496230A CN 202010191272 A CN202010191272 A CN 202010191272A CN 113496230 A CN113496230 A CN 113496230A
- Authority
- CN
- China
- Prior art keywords
- corner
- image
- matching
- relational expression
- pairs
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 122
- 230000014509 gene expression Effects 0.000 claims description 68
- 238000012360 testing method Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 17
- 230000004044 response Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000005316 response function Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本公开公开了一种图像匹配方法和系统,涉及图像处理领域。该方法包括:提取目标图像和源图像的角点;生成目标图像和源图像的角点的描述子;将目标图像的角点的描述子,与源图像的角点的描述子进行匹配,确定目标图像和源图像间的匹配角点对;判断匹配角点对之间是否满足变换关系求解条件;若满足,则确定目标图像与源图像匹配,否则,确定目标图像与源图像不匹配。本公开使用角点代替关键点,物理含义更明确,图像匹配速度更快。
Description
技术领域
本公开涉及图像处理领域,尤其涉及一种图像匹配方法和系统。
背景技术
目前,进行图像匹配时,利用的是SURF(Speeded Up Robust Features,加速稳健特征)图像匹配方法,即提取图像的SURF关键点,然后实现图像匹配。但相关图像匹配速度较慢,不能满足实时性要求较高的场景。
发明内容
本公开要解决的一个技术问题是,提供一种图像匹配方法和系统,能够提高图像匹配的速度。
根据本公开一方面,提出一种图像匹配方法,包括:提取目标图像和源图像的角点;生成目标图像和源图像的角点的描述子;将目标图像的角点的描述子,与源图像的角点的描述子进行匹配,确定目标图像和源图像间的匹配角点对;判断匹配角点对之间是否满足变换关系求解条件;若满足,则确定目标图像与源图像匹配,否则,确定目标图像与源图像不匹配。
在一些实施例中,目标图像的角点的描述子为多尺度下的描述子;源图像的角点的描述子为单一尺度下的描述子。
在一些实施例中,判断匹配角点对之间是否满足变换关系求解条件包括:在匹配角点对中任意选取预定个数的测试角点对,其中预定个数为大于等于4的自然数;将测试角点对的每个像素坐标代入透视变换关系式,确定透视变换关系式的变换参数;将匹配角点对中除测试角点对外的其他角点对的每个像素坐标,代入确定变换参数的透视变换关系式,确定满足透视变换关系式的角点对,和不满足透视变换关系式的角点对;依次迭代执行上述步骤预定次数,选择满足透视变换关系式的角点对个数最多的透视变换关系式作为最优变换关系式;若满足最优变换关系式的角点对的个数,小于不满足最优变换关系式的角点对的个数,则确定匹配角点对之间不满足变换关系求解条件。
在一些实施例中,判断匹配角点对之间是否满足变换关系求解条件还包括:若满足最优变换关系式的角点对的个数,大于等于不满足最优变换关系式的角点对的个数,则将目标图像中的预定个数的极值角点的像素坐标代入最优变换关系式,得到对应的预定个数的极值特征点对应的像素坐标;根据极值特征点对应的像素坐标,确定极值特征点是否能够构成一个凸包;若能够构成一个凸包,则确定匹配角点对之间满足变换关系求解条件,否则,确定匹配角点对之间不满足变换关系求解条件。
根据本公开的另一方面,还提出一种图像匹配系统,包括:角点检测模块,被配置为提取目标图像和源图像的角点;描述子生成模块,被配置为生成目标图像和源图像的角点的描述子;角点匹配模块,被配置为将目标图像的角点的描述子,与源图像的角点的描述子进行匹配,确定目标图像和源图像间的匹配角点对;图像匹配模块,被配置为判断匹配角点对之间是否满足变换关系求解条件;若满足,则确定目标图像与源图像匹配,否则,确定目标图像与源图像不匹配。
在一些实施例中,目标图像的角点的描述子为多尺度下的描述子;源图像的角点的描述子为单一尺度下的描述子。
在一些实施例中,图像匹配模块被配置为在匹配角点对中任意选取预定个数的测试角点对,其中预定个数为大于等于4的自然数;将测试角点对的每个像素坐标代入透视变换关系式,确定透视变换关系式的变换参数;将匹配角点对中除测试角点对外的其他角点对的每个像素坐标,代入确定变换参数的透视变换关系式,确定满足透视变换关系式的角点对,和不满足透视变换关系式的角点对;依次迭代执行上述步骤预定次数,选择满足透视变换关系式的角点对个数最多的透视变换关系式作为最优变换关系式;若满足最优变换关系式的角点对的个数,小于不满足最优变换关系式的角点对的个数,则确定匹配角点对之间不满足变换关系求解条件。
在一些实施例中,图像匹配模块被配置为若满足最优变换关系式的角点对的个数,大于等于不满足最优变换关系式的角点对的个数,则将目标图像中的预定个数的极值角点的像素坐标代入最优变换关系式,得到对应的预定个数的极值特征点对应的像素坐标;根据极值特征点对应的像素坐标,确定极值特征点是否能够构成一个凸包;若能够构成一个凸包,则确定匹配角点对之间满足变换关系求解条件,否则,确定匹配角点对之间不满足变换关系求解条件。
根据本公开的另一方面,还提出一种图像匹配系统,包括:存储器;以及耦接至存储器的处理器,处理器被配置为基于存储在存储器的指令执行如上述的图像匹配方法。
根据本公开的另一方面,还提出一种计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现上述的图像匹配方法。
本公开的实施例中,通过提取图像的角点,并生成角点的描述子,通过描述子的匹配,在目的图像和源图像中找到匹配角点对,从而通过判断匹配角点对之间是否满足变换关系求解条件,来确定目标图像与源图像是否匹配。使用角点代替关键点,物理含义更明确,图像匹配速度更快,更适合用于实时性要求高的场景。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1为本公开的图像匹配方法的一些实施例的流程示意图。
图2为本公开的图像匹配方法的另一些实施例的流程示意图。
图3为目标图像和源图像示意图。
图4为本公开的图像匹配系统的一些实施例的结构示意图。
图5为本公开的图像匹配系统的另一些实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
图1为本公开的图像匹配方法的一些实施例的流程示意图。
在步骤110,提取目标图像和源图像的角点。例如,想要在某图像中检测出是否包含特定图案,则该特定图像为目标图像,源图像为待检测图像。角点就是极值点,即在某方面属性特别突出的点。
在一些实施例中,可以利用Harris角点、Shi-Tomasi角点、FAST角点等检测算法提取图像的角点,角点即为图像的特征点。
以Harris角点检测算法为例,设待检测点坐标值为(u,v),以该点为中心的正方形区域沿X方向的偏移量为x个单位,沿Y方向的偏移量为y个单位,则正方形区域内灰度值变化量Ex,y=∑u,vwu,v|Ix+u,y+v-Iu,v|2。其中,w为正方形区域函数,区域内填充值为1,区域外填充值为0,Iu,v为(u,v)点处的灰度值,略去高阶无穷小项后,上式变为:Ex,y=∑u,vwu,v[x2(Iu)2+y2(Iv)2+2xyIuIv]。
通过计算响应函数值R来判断待检测点(u,v)的性质。当R为较大的正值时,待检测点为角点;当R为负值时,待检测点为边缘点;当R值较小时,待检测点为平缓区域内的点。通过设定一个阈值,当响应函数值R大于该阈值时,认为该待检测点为角点。遍历计算图像内所有像素点的R值,满足阈值大小的点即为图像的角点。
在步骤120,生成目标图像和源图像的角点的描述子。描述子例如为SURF描述子,将SURF描述子作为角点的特征向量。
在一些实施例中,目标图像的角点的描述子为多尺度下的描述子,源图像的角点的描述子为单一尺度下的描述子。
在一些实施例中,为了消除旋转变换给图像匹配过程中的判断带来的影响,需要为每一个角点计算主方向。下面以三尺度的描述子为例进行介绍。以一个角点为顶点,以6s(s为尺度值系数,例如,s选取0.6、1和1.4,其中,三个取值对应描述子的三个尺度,可对像素值进行四舍五入)为半径,张角为60°的一个扇形窗口区域内使用边长为4s的Haar小波模板进行滤波,求得每一个点的Haar小波响应值(为一个x方向分量值dx的向量和与y方向分量值dy的向量)。然后,使用方差为2s的高斯函数对该扇形区域内的每个点的Haar小波响应值进行加权,加权后的向量值即为该角点对应这块扇形区域的响应值。实际中,可直接使用边长为9、15和21的三个正方形高斯滤波模板。然后,以角点为轴,每5°或10°旋转这个扇形窗口,用和之前的同样的方法求得新的位置上的响应值。如此继续,直到这个扇形窗口遍历完整个圆形区域。选择这期间计算得到的最长的响应值对应的方向即为该角点的主方向。
然后对角点生成SURF描述子。以角点为中心,首先将坐标旋转到角点的主方向,选取一个边长为20s(s依然是尺度值系数,同样取0.6、1和1.4)的正方形区域,使得该正方形的两条边与主方向平行,也使得角点正好在正方形区域的中心。随后将该正方形区域等分为4x4共16个子块,使得每个子块的大小为5s x 5s。然后在每个子块内计算每个像素点的Haar小波模板进行响应值的计算,得到每个采样点处的平行于主方向的响应值dx和垂直于主方向的响应值dy,并以角点为中心,给这些响应值进行方差为3.3s的高斯加权,以增强对定位误差和几何变形的鲁棒性。最后,分别统计16个子块中每一个子块内的∑dx、∑dy、∑|dx|及∑|dy|,组成含有64个值的向量作为该角点在一个尺度下的SURF描述子。该实施例中,使用3个尺度为目标图像生成描述子,故目标图像的每个角点都得到3个这样的64维SURF描述子。
对于源图像,只需生成s=1的单一尺度下的一个SURF描述子。
在步骤130,将目标图像的角点的描述子,与源图像的角点的描述子进行匹配,确定目标图像和源图像间的匹配角点对。
在一些实施例中,计算目标图像的每个角点的每个描述子与源图像的角点的描述子的欧式距离,确定匹配的描述子对;根据匹配的描述子对,确定匹配角点对。若目标图像中的某角点的任意尺度下的描述子满足源图像某角点的描述子匹配条件,则得到目标图像与源图像中匹配的描述子对。
例如,源图像a中角点的集合为{pi},i=1,2,...,n,目标图像b中角点的集合为{qj},j=1,2,...,m。通过拿源图像a中的每一个角点和目标图像b中每一个角点一一进行比较,对每一个角点pi,都能在目标图像b的3个尺度中找到描述子与角点pi的描述子的欧氏距离最短的角点qj。但即使角点匹配对中的两个角点对应的描述子向量之间的距离是最近的,这也并不意味着这两个角点确实是正确匹配的。如果目标图像b中所有角点的描述子向量和pi的描述子向量的距离都很大,或者有多个角点的描述子与之距离相近,那么得到的匹配对(pi,qj)就很有可能是错误的。
为了去除以上情况下的匹配错误,就需要对匹配结果进行比值提纯。例如,在图像间寻找匹配点对(pi,qj)的过程中,在选定一个角点qj的情况下,记录下描述子与qj的描述子距离最近和距离次近的两个角点pi、pi′,以及它们的描述子和qj的描述子之间的距离di、di′。如果di和di′的比值小于某个设定值t,则认为匹配对(pi,qj)是正确的,保留该匹配对;反之则认为(pi,qj)是错误的匹配,需要将其剔除。实际应用中,t值通常设定在0.5到0.8之间,优选的t值选择为0.65。
在步骤140,判断匹配角点对之间是否满足变换关系求解条件。
在一些实施例中,在忽略图像扭曲、折叠等非线性畸变的前提下,同一个场景的不同视角的图像之间满足以下透视变换关系式。
在步骤150,若满足,则确定目标图像与源图像匹配,否则,确定目标图像与源图像不匹配。
在上述实施例中,通过提取图像的角点,并生成角点的描述子,通过描述子的匹配,在目的图像和源图像中找到匹配角点对,从而通过判断匹配角点对之间是否满足变换关系求解条件,来确定目标图像与源图像是否匹配。相比与现有技术,在源图像和模板图像提取多层尺度意义下的关键特征点,提取关键点的算法较复杂,而本申请用角点代替关键点,物理含义更明确,图像匹配速度更快,更适合用于实时性要求高的场景。
图2为本公开的图像匹配方法的另一些实施例的流程示意图。
在步骤210,提取目标图像和源图像的角点。源图像为包含目标图像的图像。如图3所示,目标图像为310,源图像为320。
在步骤220,计算目标图像的角点的多尺度下SURF描述子,和源图像的角点的单一尺度下SURF描述子。
在步骤230,计算目标图像和源图像间的描述子的欧式距离,通过设置阈值,确定描述子匹配对。
在步骤240,根据描述子匹配对,确定目标图像和源图像间的匹配角点对。
在步骤250,在匹配角点对中任意选取预定个数的测试角点对,其中预定个数为大于等于4的自然数。
在一些实施例中,同一个场景的不同视角的图像I(x,y)和I′(x′,y′)之间满足以下透视变换关系式:
其中,h1~h9为透视变换关系式的参数。从上面的公式可知,只需给定4对匹配的像素点对,就可得到八个关于h1~h9的齐次方程组,解得后,即可计算出两幅图像之间的变换关系。
在该实施例中,通常得到的匹配角点对往往不止4对,因此,计算图像的变换关系实际上就是一个求解超定方程组的问题,对于超定方程组,通常使用最小二乘法求解。由于匹配角点对的结果会出现匹配错误的情况,即存在野点,即明显错误点。由于野点的存在,求得的结果会与实际结果产生较大的偏差,因此会极大程度地左右计算结果的准确性。因此,简单地直接求取变换关系的最小二乘解是不可行的。
为了最大程度地消除野点对计算结果的不良影响,有必要使用提纯法。该实施例中,使用算法简单、性能良好的随机抽样一致性(RANSAC,Random Sample Consensus)提纯法,以消除野点的影响。即先随机选取预定个数的测试角点对。
在步骤260,将测试角点对的每个像素坐标代入透视变换关系式,确定透视变换关系式的变换参数。
在步骤270,将匹配角点对中除测试角点对外的其他角点对的每个像素坐标,代入确定变换参数的透视变换关系式,确定满足透视变换关系式的角点对,和不满足透视变换关系式的角点对。
例如,匹配角点对有100对,将选择的4对测试角点对外的96对角点对分别代入到确定变换参数的透视变换关系式,依次判断透视变换关系式是否成立,若成立,则该角点对为满足透视变换关系式的角点对,即该角点对为内点,否则为不满足透视变换关系式的角点对,即该角点对为野点。
在步骤280,判断迭代执行次数是否满足阈值,若是,则执行步骤290,否则,执行步骤250。
例如,通过设置迭代次数,使得迭代不会无限执行下去。
在步骤290,选择满足透视变换关系式的角点对个数最多的透视变换关系式作为最优变换关系式。
在步骤2100,满足最优变换关系式的角点对的个数是否大于等于不满足最优变换关系式的角点对的个数,若是,则执行步骤2110,否则,执行步骤2140。
在步骤2110,将目标图像中的预定个数的极值角点的像素坐标代入最优变换关系式,得到对应的预定个数的极值特征点对应的像素坐标。
例如,将目标图像的四个顶点的像素坐标代入最优变换关系式,得到四个变换后的角点的像素坐标。
在步骤2120,根据极值特征点对应的像素坐标,确定极值特征点是否能够构成一个凸包,若是,则执行步骤2130,否则,执行步骤2150。
例如,判断四个极值特征点是否能够构成一个四边形凸包。
在步骤2130,确定匹配角点对之间满足变换关系求解条件。
在步骤2140,确定目标图像与源图像匹配。
在步骤2150,确定匹配角点对之间不满足变换关系求解条件。
在步骤2160,确定目标图像与源图像不匹配。
在上述实施例中,利用图像角点检测方法替代SURF关键点检测方法,物理含义更明确;另外,该实施例中仅对目标图像使用多尺度意义下的描述子,对于源图像使用单一尺度的描述子,在不牺牲准确性的情况下,对匹配具有良好的旋转、视角、噪声等变换的适应性,图像匹配处理速度上有较大程度提升,更适合用于实时性要求高的场景。将本方案应用于5G视频直播监播场景下,可以快速检测出视频中是否含有某特定图案等信息。
图4为本公开的图像匹配系统的一些实施例的结构示意图。该图像匹配系统包括角点检测模块410、描述子生成模块420、角点匹配模块430和图像匹配模块440。
角点检测模块410被配置为提取目标图像和源图像的角点。
描述子生成模块420被配置为生成目标图像和源图像的角点的描述子。
在一些实施例中,目标图像的角点的描述子为多尺度下的描述子,源图像的角点的描述子为单一尺度下的描述子。
角点匹配模块430被配置为将目标图像的角点的描述子,与源图像的角点的描述子进行匹配,确定目标图像和源图像间的匹配角点对。
在一些实施例中,计算目标图像的每个角点的每个描述子与源图像的角点的描述子的欧式距离,确定匹配的描述子对;根据匹配的描述子对,确定匹配角点对。
图像匹配模块440被配置为判断匹配角点对之间是否满足变换关系求解条件;若满足,则确定目标图像与源图像匹配,否则,确定目标图像与源图像不匹配。
在一些实施例中,在匹配角点对中任意选取预定个数的测试角点对,其中预定个数为大于等于4的自然数;将测试角点对的每个像素坐标代入透视变换关系式,确定透视变换关系式的变换参数;将匹配角点对中除测试角点对外的其他角点对的每个像素坐标,代入确定变换参数的透视变换关系式,确定满足透视变换关系式的角点对,和不满足透视变换关系式的角点对;依次迭代执行上述步骤预定次数,选择满足透视变换关系式的角点对个数最多的透视变换关系式作为最优变换关系式;若满足最优变换关系式的角点对的个数,小于不满足最优变换关系式的角点对的个数,则确定匹配角点对之间不满足变换关系求解条件。
在另一些实施例中,若满足最优变换关系式的角点对的个数,大于等于不满足最优变换关系式的角点对的个数,则将目标图像中的预定个数的极值角点的像素坐标代入最优变换关系式,得到对应的预定个数的极值特征点对应的像素坐标;根据极值特征点对应的像素坐标,确定极值特征点是否能够构成一个凸包;若能够构成一个凸包,则确定匹配角点对之间满足变换关系求解条件,否则,确定匹配角点对之间不满足变换关系求解条件。
在上述实施例中,通过提取图像的角点,并生成角点的描述子,通过描述子的匹配,在目的图像和源图像中找到匹配角点对,从而通过判断匹配角点对之间是否满足变换关系求解条件,来确定目标图像与源图像是否匹配,使用角点代替关键点,物理含义更明确,图像匹配速度更快。另外,仅对目标图像使用多尺度意义下的描述子,对于源图像使用单一尺度的描述子,在不牺牲准确性的情况下,图像匹配处理速度上有较大程度提升,更适合用于实时性要求高的场景。
图5为本公开的图像匹配系统的另一些实施例的结构示意图。该图像匹配系统500包括存储器510和处理器520。其中:存储器510可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储图1、2、5所对应实施例中的指令。处理器520耦接至存储器510,可以作为一个或多个集成电路来实施,例如微处理器或微控制器。该处理器520用于执行存储器中存储的指令。
在一些实施例中,处理器520通过BUS总线530耦合至存储器510。该图像匹配系统500还可以通过存储接口540连接至外部存储系统550以便调用外部数据,还可以通过网络接口560连接至网络或者另外一台计算机系统(未标出)。此处不再进行详细介绍。
在该实施例中,通过存储器存储数据指令,再通过处理器处理上述指令,提高了图像匹配的速度。
在另一些实施例中,一种计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现图1-2所对应实施例中的方法的步骤。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、装置、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、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非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、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。
至此,已经详细描述了本公开。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种图像匹配方法,包括:
提取目标图像和源图像的角点;
生成所述目标图像和所述源图像的角点的描述子;
将所述目标图像的角点的描述子,与所述源图像的角点的描述子进行匹配,确定所述目标图像和所述源图像间的匹配角点对;
判断所述匹配角点对之间是否满足变换关系求解条件;
若满足,则确定所述目标图像与所述源图像匹配,否则,确定所述目标图像与所述源图像不匹配。
2.根据权利要求1所述的图像匹配方法,其中,
所述目标图像的角点的描述子为多尺度下的描述子;
所述源图像的角点的描述子为单一尺度下的描述子。
3.根据权利要求1或2所述的图像匹配方法,其中,判断所述匹配角点对之间是否满足变换关系求解条件包括:
在所述匹配角点对中任意选取预定个数的测试角点对,其中所述预定个数为大于等于4的自然数;
将所述测试角点对的每个像素坐标代入透视变换关系式,确定所述透视变换关系式的变换参数;
将所述匹配角点对中除所述测试角点对外的其他角点对的每个像素坐标,代入确定变换参数的透视变换关系式,确定满足所述透视变换关系式的角点对,和不满足所述透视变换关系式的角点对;
依次迭代执行上述步骤预定次数,选择满足所述透视变换关系式的角点对个数最多的透视变换关系式作为最优变换关系式;
若满足所述最优变换关系式的角点对的个数,小于不满足所述最优变换关系式的角点对的个数,则确定所述匹配角点对之间不满足变换关系求解条件。
4.根据权利要求3所述的图像匹配方法,其中,判断所述匹配角点对之间是否满足变换关系求解条件还包括:
若满足所述最优变换关系式的角点对的个数,大于等于不满足所述最优变换关系式的角点对的个数,则将所述目标图像中的预定个数的极值角点的像素坐标代入所述最优变换关系式,得到对应的预定个数的极值特征点对应的像素坐标;
根据所述极值特征点对应的像素坐标,确定所述极值特征点是否能够构成一个凸包;
若能够构成一个凸包,则确定所述匹配角点对之间满足变换关系求解条件,否则,确定所述匹配角点对之间不满足变换关系求解条件。
5.一种图像匹配系统,包括:
角点检测模块,被配置为提取目标图像和源图像的角点;
描述子生成模块,被配置为生成所述目标图像和所述源图像的角点的描述子;
角点匹配模块,被配置为将所述目标图像的角点的描述子,与所述源图像的角点的描述子进行匹配,确定所述目标图像和所述源图像间的匹配角点对;
图像匹配模块,被配置为判断所述匹配角点对之间是否满足变换关系求解条件;若满足,则确定所述目标图像与所述源图像匹配,否则,确定所述目标图像与所述源图像不匹配。
6.根据权利要求5所述的图像匹配系统,其中,
所述目标图像的角点的描述子为多尺度下的描述子;
所述源图像的角点的描述子为单一尺度下的描述子。
7.根据权利要求5或6所述的图像匹配系统,其中,
所述图像匹配模块被配置为在所述匹配角点对中任意选取预定个数的测试角点对,其中所述预定个数为大于等于4的自然数;将所述测试角点对的每个像素坐标代入透视变换关系式,确定所述透视变换关系式的变换参数;将所述匹配角点对中除所述测试角点对外的其他角点对的每个像素坐标,代入确定变换参数的透视变换关系式,确定满足所述透视变换关系式的角点对,和不满足所述透视变换关系式的角点对;依次迭代执行上述步骤预定次数,选择满足所述透视变换关系式的角点对个数最多的透视变换关系式作为最优变换关系式;若满足所述最优变换关系式的角点对的个数,小于不满足所述最优变换关系式的角点对的个数,则确定所述匹配角点对之间不满足变换关系求解条件。
8.根据权利要求7所述的图像匹配系统,其中,
所述图像匹配模块被配置为若满足所述最优变换关系式的角点对的个数,大于等于不满足所述最优变换关系式的角点对的个数,则将所述目标图像中的预定个数的极值角点的像素坐标代入所述最优变换关系式,得到对应的预定个数的极值特征点对应的像素坐标;根据所述极值特征点对应的像素坐标,确定所述极值特征点是否能够构成一个凸包;若能够构成一个凸包,则确定所述匹配角点对之间满足变换关系求解条件,否则,确定所述匹配角点对之间不满足变换关系求解条件。
9.一种图像匹配系统,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令执行如权利要求1至4任一项所述的图像匹配方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现权利要求1至4任一项所述的图像匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010191272.XA CN113496230A (zh) | 2020-03-18 | 2020-03-18 | 图像匹配方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010191272.XA CN113496230A (zh) | 2020-03-18 | 2020-03-18 | 图像匹配方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113496230A true CN113496230A (zh) | 2021-10-12 |
Family
ID=77993001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010191272.XA Pending CN113496230A (zh) | 2020-03-18 | 2020-03-18 | 图像匹配方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496230A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442874A (zh) * | 2021-12-02 | 2022-05-06 | 北京电子工程总体研究所 | 一种要素展示方法、组件及计算机可读存储介质 |
CN116128804A (zh) * | 2022-11-28 | 2023-05-16 | 深圳技术大学 | 多尺度多方向的无人机图像角点检测方法、系统及终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722887A (zh) * | 2012-05-23 | 2012-10-10 | 北京京北方信息技术有限公司 | 一种图像配准方法及装置 |
CN104376548A (zh) * | 2014-11-07 | 2015-02-25 | 中国电子科技集团公司第二十八研究所 | 一种基于改进型surf算法的图像快速拼接方法 |
CN110532833A (zh) * | 2018-05-23 | 2019-12-03 | 北京国双科技有限公司 | 一种视频分析方法及装置 |
-
2020
- 2020-03-18 CN CN202010191272.XA patent/CN113496230A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722887A (zh) * | 2012-05-23 | 2012-10-10 | 北京京北方信息技术有限公司 | 一种图像配准方法及装置 |
CN104376548A (zh) * | 2014-11-07 | 2015-02-25 | 中国电子科技集团公司第二十八研究所 | 一种基于改进型surf算法的图像快速拼接方法 |
CN110532833A (zh) * | 2018-05-23 | 2019-12-03 | 北京国双科技有限公司 | 一种视频分析方法及装置 |
Non-Patent Citations (1)
Title |
---|
李炎: "视频流中标版类广告的检测方法研究", 《中国优秀硕士学位论文全文数据库》, pages 2 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442874A (zh) * | 2021-12-02 | 2022-05-06 | 北京电子工程总体研究所 | 一种要素展示方法、组件及计算机可读存储介质 |
CN114442874B (zh) * | 2021-12-02 | 2024-06-04 | 北京电子工程总体研究所 | 一种要素展示方法、组件及计算机可读存储介质 |
CN116128804A (zh) * | 2022-11-28 | 2023-05-16 | 深圳技术大学 | 多尺度多方向的无人机图像角点检测方法、系统及终端 |
CN116128804B (zh) * | 2022-11-28 | 2024-02-27 | 深圳技术大学 | 多尺度多方向的无人机图像角点检测方法、系统及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101303124B1 (ko) | 특징점 기술자에 의한 객체 추적장치 및 방법, 그리고 에러 특징점 제거장치 및 방법 | |
CN110287873B (zh) | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 | |
CN110909825B (zh) | 使用概率模型在视觉数据中检测对象 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN112085033B (zh) | 一种模板匹配方法、装置、电子设备及存储介质 | |
Niu et al. | Fast and effective Keypoint-based image copy-move forgery detection using complex-valued moment invariants | |
CN105934757B (zh) | 一种用于检测第一图像的关键点和第二图像的关键点之间的不正确关联关系的方法和装置 | |
US20190333242A1 (en) | Method and apparatus for three-dimensional object pose estimation, device and storage medium | |
Konishi et al. | Real-time 6D object pose estimation on CPU | |
CN112084849A (zh) | 图像识别方法和装置 | |
CN111507908A (zh) | 图像矫正处理方法、装置、存储介质及计算机设备 | |
CN113298934A (zh) | 一种基于双向匹配的单目视觉图像三维重建方法及系统 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
CN116452644A (zh) | 基于特征描述子的三维点云配准方法、装置及存储介质 | |
CN113496230A (zh) | 图像匹配方法和系统 | |
CN111199558A (zh) | 一种基于深度学习的图像匹配方法 | |
CN111950554A (zh) | 一种身份证识别方法、装置、设备及存储介质 | |
CN111161348B (zh) | 一种基于单目相机的物体位姿估计方法、装置及设备 | |
CN113313725B (zh) | 含能材料药桶的桶口识别方法及系统 | |
Zhou et al. | Histograms of Gaussian normal distribution for 3D feature matching in cluttered scenes | |
CN110728296B (zh) | 一种加速特征点匹配的两步随机抽样一致性方法及系统 | |
Noury et al. | How to overcome perceptual aliasing in ASIFT? | |
CN115578392A (zh) | 线条检测方法、装置及存储介质 | |
CN114708420A (zh) | 基于局部方差和后验概率分类器的视觉定位方法及装置 | |
Li et al. | Unmanned aerial vehicle image matching based on improved RANSAC algorithm and SURF algorithm |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220127 Address after: 100007 room 205-32, floor 2, building 2, No. 1 and No. 3, qinglonghutong a, Dongcheng District, Beijing Applicant after: Tianyiyun Technology Co.,Ltd. Address before: No.31, Financial Street, Xicheng District, Beijing, 100033 Applicant before: CHINA TELECOM Corp.,Ltd. |