CN113537231A - 一种联合梯度与随机信息的轮廓点云匹配方法 - Google Patents
一种联合梯度与随机信息的轮廓点云匹配方法 Download PDFInfo
- Publication number
- CN113537231A CN113537231A CN202010306125.2A CN202010306125A CN113537231A CN 113537231 A CN113537231 A CN 113537231A CN 202010306125 A CN202010306125 A CN 202010306125A CN 113537231 A CN113537231 A CN 113537231A
- Authority
- CN
- China
- Prior art keywords
- parameter
- contour
- contour point
- matched
- points
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 230000005477 standard model Effects 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 66
- 239000011159 matrix material Substances 0.000 claims description 56
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 9
- 238000009795 derivation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 9
- 230000014509 gene expression Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种联合梯度与随机信息的轮廓点云匹配方法,包括步骤,S1、归一化处理:对目标轮廓点分别进行水平投影和垂直投影,确定该目标轮廓形状的高度和宽度,通过与待匹配的标准模型比较,将目标的高度调整为同一数量级;S2、确定目标形状的初始方向;S3、建立轮廓点集之间的相似度函数;S4、提取能量差异函数梯度信息;S5、联合能量差异函数梯度信息的参数优化;S6、进行轮廓点云匹配。加快了参数寻优速度,提高匹配准确率。
Description
技术领域
本发明涉及一种联合梯度与随机信息的轮廓点云匹配方法。
背景技术
轮廓点云匹配对目标形状建模以及目标识别都具有重要意义。常规轮廓点云匹配方法准确率受形状初始方向的影响,当待匹配的目标与标准模型初始方向差异较大时,会造成匹配准确率较低。为克服轮廓点云匹配受初始方向的影响,本发明定义了轮廓关键点,并利用关键点分布情况估计形状的主轴方向,为后续轮廓匹配奠定基础。进行轮廓点匹配时,首先假设待匹配目标形状通过合适的形变可以达到与标准目标近似的形状,因此,将轮廓点匹配问题转换为寻求目标形变参数的问题。在寻求形变参数过程中,为减少迭代次数,加快寻优速度,本发明联合了参数梯度和随机更新两种方式进行参数更新,实验结果表明,改进后的匹配方法不仅可以克服形状初始方向对匹配带来的影响,而且可以加快参数寻优速度,提高匹配准确率。
发明内容
本发明的目的是克服形状初始方向对匹配带来的影响,并且实现加快参数寻优速度,提高匹配准确率。
为达上述目的,本发明提供了一种联合梯度与随机信息的轮廓点云匹配方法,其特征在于,包括以下步骤,
S1、归一化处理:对目标轮廓点分别进行水平投影和垂直投影,确定该目标轮廓形状的高度和宽度,通过与待匹配的标准模型比较,利用图像缩放技术将目标的高度调整为同一数量级;
S2、确定目标形状的初始方向;
S3、建立轮廓点集之间的相似度函数;
S4、提取能量差异函数梯度信息;
S5、联合能量差异函数梯度信息的参数优化;
S6、进行轮廓点云匹配。
所述S2的具体过程如下:
S21、提取关键点
①计算各点的形状贡献度
假设当前轮廓点表示为pi,其前k个点表示为pi-k,后边第k个点表示为pi+k,该轮廓点对轮廓形状的贡献度大小定义为:
其中eud(pi-pj)表示轮廓点pi与pj的欧式距离,计算出ci的值越接近于1,则说明该轮廓点对目标轮廓形状的贡献度越大;
②选取关键点
首先设定目标轮廓贡献度阈值T,具体实施方法为统计所有轮廓点的贡献度,并选取对轮廓形状贡献度大于T的轮廓点作为曲线的关键点;
S22、依据关键点估计目标轮廓形状初始方向
以目标轮廓的质心为圆心,将整个目标轮廓区域划分为8个扇区,然后统计每个扇区内关键点的个数,并以扇区内关键点个数最多的扇区的中轴线所在方向确定为目标轮廓的初始方向。
所述S3的具体过程如下:
假设待匹配轮廓点集表示为P0=(p01,p02,...,p0m),标准轮廓点集表示为S=(s1,s2,...,sn),对于待匹配点集P0,通过变换,使其与固定的标准轮廓点模型之间的差异最小,实现点匹配;
假设待匹配轮廓点集表示为P0,则其形状变换表示为:
P=[1|P0]RT+Uw 公式(2)
其中R表示线性变换参数矩阵,若待匹配轮廓点集中的点为d维数据,则R矩阵的维数为[(d+1)×d]维;
Uw表示对数据进行的非线性变换,其中w表示非线性变换的系数,U表示待匹配轮廓点集P0的基矩阵,通过公式(3)计算得出;
其中c0j表示点集P0的控制点集合C0的元素。
待匹配轮廓点集合匹配的目标,就是让变换后的待匹配轮廓点集P与标准轮廓点集S的差异最小,两个模型的能量差异定义如公式(4)所示:
所述S4的具体过程如下:
S41、线性变换的参数梯度计算
对待匹配轮廓点集P0,对其依据公式(2)进行形变后,其与标准轮廓点集S的差异能量表示为F(公式4所示),差异能量对于线性变换部分参数矩阵R的梯度信息可以通过求导获得,即定义则对于任一参数矩阵R的元素ri的梯度如公式(5)所示:
S42、非线性变换的参数梯度计算
假设P0是一个m×d的矩阵,为方便分析非线性变换部分的参数梯度,引入一个(m-d-1)×d的矩阵v,并令非线性变换部分的参数w=Lv,其中L表示为P0的左零空间,则原来公式(2)所描述的待匹配轮廓点集形状变换可以表示为:
P=[1|P0]RT+ULv 公式(6)
非线性变换部分的参数梯度,如公式7所示,即为计算差异能量F对于参数v的导数,如公式(7)所示:
所述S5的具体过程如下:
S51、初始化
设定尺度因子σ,代次数D,参数更新阈值Tp和参数个数N,分别确定参数R和v的数值范围:
参数R的初始值产生方法
假设待匹配轮廓点集P0为m×d维数据,其中m表示数据点个数,d表示轮廓点维数,则对点集进行仿射变换的矩阵R为(d+1)×d维;以二维数据为例,其参数矩阵其中[r1 r4]表示平移量,表示仿射变换量;图像旋转为一种特殊的仿射变换,假设图像旋转θ角,则参数矩阵中的
产生N(通常N≥20)个初始参数矩阵R时,为保证初始参数的全面性,产生9个确定方向参数,N-9个随机参数;
v参数初始化时,依据设定的参数个数通过计算机随机产生,产生v参数集合V={v1,v2...,vN};
S52、参数寻优过程
2)待识别的待匹配轮廓点集P0,分别利用初始参数集合中的每一个参数Ri和vi进行形状变换,得到变换后点集Pi,并组成变换后点集集合Ρ={P1,P2,...,PN};
2)依据公式(2)计算集合P中任变换后的待匹配轮廓点集Pi与标准配轮廓点集S之间的能量差异Fi,并组成差异能量集合Γ={F1,F2,...,FN};
3)基于梯度的参数更新
4)参数交叉更新
对于新的参数newRrand1和newvrand1,依据公式(4)计算更新后差异能量newFrand1,如果满足条件newFrand1<Frand1,则将参数Rrand1更新为newRrand1,vrand1更新微newvrand1;
S53、参数选择
对于所有更新后的和原来旧的参数,依据公式(4)重新计算所有的形变能量Fi,并选取其中最小的差异能量所对应的参数矩阵作为最终的变换参数。
所述S6的具体过程如下:
首先,依据S5所确定的参数R和vi,对待匹配轮廓点集P0,依据公式(6)进行变换,得到变换后待匹配轮廓点集P;然后,依据公式(10)对Pm×d中的任一点i与标准轮廓点集Sn×d中的第j个点进行匹配度计算,得到匹配矩阵Hm×n;最后,依据公式(11)确定待匹配轮廓点集P0中每个元素与标准轮廓点集S中的匹配元素,并得到匹配结果L:
其中pi表示待匹配轮廓点集P的第i个元素,sj表示标准轮廓点集S对应的第j个元素,σ为尺度因子。
其中L(i)表示待匹配轮廓点集P的第i个元素与标准轮廓点集S所匹配的元素的脚标。
本发明的优点如下:改进后的匹配方法不仅可以克服形状初始方向对匹配带来的影响,而且可以加快参数寻优速度,提高匹配准确率。
下面结合附图和实施例对本发明做详细说明。
附图说明
图1是一种联合梯度与随机信息的轮廓点云匹配方法的流程图。
图2是以目标轮廓形状的质心为圆心,将整个轮廓形状区域划分为8个扇区分布的示意图。
具体实施方式
为了克服形状初始方向对匹配带来的影响,达到加快参数寻优速度,提高匹配准确率,本实施例提供了一种图1所示的联合梯度与随机信息的轮廓点云匹配方法,具体是:
1.归一化处理
为克服轮廓尺寸差异过大对点匹配(轮廓点云匹配)带来的影响,首先对其尺寸进行归一化处理,具体实现方法为:对目标轮廓点分别进行水平投影和垂直投影,确定该形状的高度和宽度,通过与待匹配的模板比较,将目标的高度调整为同一数量级。
2.确定形状的初始方向
为克服目标初始方向对后续目标轮廓点匹配的影响,首先提取轮廓中的关键点,并依据其密度分布确定形状的初始角度。
2.1提取关键点
①计算各点的形状贡献度
假设当前轮廓点表示为pi,其前k个点表示为pi-k,后边第k个点表示为pi+k,该轮廓点对轮廓形状的贡献度大小定义为:
其中eud(pi-pj)表示轮廓点pi与pj的欧式距离,计算出ci的值越接近于1,则说明该轮廓点对目标轮廓形状的贡献度越大。
②选取关键点
首先设定目标轮廓贡献度阈值T,具体实施方法为统计所有轮廓点的贡献度,并选取其中贡献度大于T的点作为关键点。
2.2依据关键点估计形状初始方向
以轮廓的质心为圆心,将整个轮廓区域划分为8个扇区,如图2所示,然后统计每个扇区内关键点的个数,并以扇区内关键点个数最多的扇区的中轴线所在方向确定为轮廓的初始方向。
3.建立轮廓点集之间的相似度函数
假设待匹配轮廓点集表示为P0=(p01,p02,...,p0m),标准轮廓点集表示为S=(s1,s2,...,sn),对于待匹配点集P0,通过变换,使其与固定的标准轮廓点模型之间的差异最小,实现点匹配;
假设待匹配点集合表示为P0,其控制点集为M0,则其形状变换表示为:
P=[1|P0]RT+Uw 公式(2)
其中R表示线性变换参数矩阵,若点集中的点为d维数据,则R矩阵的维数为[(d+1)×d]维。Uw表示对数据进行的非线性变换。其中U表示点集合P0的基矩阵,通过公式(3)计算得出。w表示非线性变换的系数。
其中c0j表示点集P0的控制点集合C0的元素。
点集匹配的目标,就是让变换后的点集P与标准点集S的差异最小,两个模型的能量差异定义如公式(4)所示。
4.提取能量差异函数梯度信息
4.1线性变换的参数梯度计算
对待匹配点集合P0,对其依据公式(2)进行形变后,其与标准形状点模型S的差异能量表示为F(公式4所示),差异能量对于线性变换部分参数矩阵R的梯度信息可以通过求导获得,即定义则对于任一参数矩阵R的元素ri的梯度如公式(5)所示。
4.2非线性变换的参数梯度计算
假设P0是一个m×d的矩阵,为方便分析非线性变换部分的参数梯度,引入一个(m-d-1)×d的矩阵v,并令非线性变换部分的参数w=Lv,其中L表示为P0的左零空间,则原来公式(2)所描述的待匹配轮廓点集形状变换可以表示为:
P=[1|P0]RT+ULv 公式(6)非线性变换部分的参数梯度,如公式7所示,即为计算差异能量F对于参数v的导数,如公式(7)所示。
5.联合梯度信息的参数优化过程
参数优化过程,如步骤3所述,就是确定待匹配轮廓的参数。对于线性变换,是求取矩阵R。对非线性变换,是求取变换参数R和为v。非线性变换中包含有线性变换部分相同的参数,其参数求解的基本思路一致,故下面以非线性参数求解为例介绍参数的优化过程。
5.1初始化
设定尺度因子σ,代次数D,参数更新阈值Tp和参数个数N,分别确定参数R和v的数值范围。
参数R的初始值产生方法
参数R的初始值产生方法
假设待匹配轮廓点集P0为m×d维数据,其中m表示数据点个数,d表示轮廓点维数,则对点集进行仿射变换的矩阵R为(d+1)×d维;以二维数据为例,其参数矩阵其中[r1 r4]表示平移量,表示仿射变换量;图像旋转为一种特殊的仿射变换,假设图像旋转θ角,则参数矩阵中的
产生N(通常N≥20)个初始参数矩阵R时,为保证初始参数的全面性,产生9个确定方向参数,N-9个随机参数;
v参数初始化时,依据设定的参数个数通过计算机随机产生,产生v参数集合V={v1,v2...,vN};
5.2参数寻优过程
1)待识别的待匹配轮廓点集P0,分别利用初始参数集合中的每一个参数Ri和vi进行形状变换,得到变换后点集Pi,并组成变换后点集集合Ρ={P1,P2,...,PN};
2)依据公式(2)计算集合P中任变换后的待匹配轮廓点集Pi与标准配轮廓点集S之间的能量差异Fi,并组成差异能量集合Γ={F1,F2,...,FN};
3)基于梯度的参数更新
4)参数交叉更新
对于新的参数newRrand1和newvrand1,依据公式(4)计算更新后差异能量newFrand1,如果满足条件newFrand1<Frand1,则将参数Rrand1更新为newRrand1,vrand1更新微newvrand1;
5.3参数选择
对于所有更新后的和原来旧的参数,依据公式(4)重新计算所有的形变能量Fi,并选取其中最小的差异能量所对应的参数矩阵作为最终的变换参数。
6.点对匹配
首先,依据步骤5所确定的参数R和vi,对待匹配点集P0,依据公式(6)进行变换,得到变换后点集P;然后,依据公式(10)对Pm×d中的任一点i与标准点集Sn×d中的第j个点进行匹配度计算,得到匹配矩阵Hm×n;最后,依据公式(11)确定点集P0中每个元素与S点集中的匹配元素,并得到匹配结果L。
其中pi表示P集合的第i个元素,sj表示S集合对应的第j个的元素,σ为尺度因子。
其中L(i)表示P集合的第i个元素与S集合元素匹配的元素的脚标。
值得注意的是:以上实施例中提及的点集P0、P集合、待匹配点集P0等类似表述均是指目标轮廓点集合或目标轮廓点集的不同定义需要的指代表述;同理,以上实施例中提及的S集合、点集Pi、S点集等类似表述均是3对标准轮廓点集合或标准轮廓点集标准轮廓点集。
通过以上步骤,加快参数寻优速度,提高匹配准确率。
Claims (6)
1.一种联合梯度与随机信息的轮廓点云匹配方法,其特征在于,包括以下步骤,
S1、归一化处理:对目标轮廓点分别进行水平投影和垂直投影,确定该目标轮廓形状的高度和宽度,通过与待匹配的标准模型比较,并利用图像缩放技术将目标的高度调整为同一数量级;
S2、确定目标形状的初始方向;
S3、建立轮廓点集之间的相似度函数;
S4、提取能量差异函数梯度信息;
S5、联合能量差异函数梯度信息的参数优化;
S6、进行轮廓点云匹配。
2.根据权利要求1联合梯度与随机信息的轮廓点云匹配方法,其特征在于,所述S2的具体过程如下:
S21、提取关键点
①计算各点的形状贡献度
假设当前轮廓点表示为pi,其前k个点表示为pi-k,后边第k个点表示为pi+k,该轮廓点对轮廓形状的贡献度大小定义为:
其中eud(pi-pj)表示轮廓点pi与pj的欧式距离,计算出ci的值越接近于1,则说明该轮廓点对目标轮廓形状的贡献度越大;
②选取关键点
首先设定目标轮廓贡献度阈值T,具体实施方法为统计所有轮廓点的贡献度,并选取其中贡献度大于T的点作为关键点;
S22、依据关键点估计目标轮廓形状初始方向
以目标轮廓的质心为圆心,将整个目标轮廓区域划分为8个扇区,然后统计每个扇区内关键点的个数,并以扇区内关键点个数最多的扇区的中轴线所在方向确定为目标轮廓的初始方向。
3.根据权利要求2联合梯度与随机信息的轮廓点云匹配方法,其特征在于,所述S3的具体过程如下:
假设待匹配轮廓点集表示为P0=(p01,p02,...,p0m),标准轮廓点集表示为S=(s1,s2,...,sn),对于待匹配点集P0,通过变换,使其与固定的标准轮廓点模型之间的差异最小,实现点匹配;
假设待匹配轮廓点集表示为P0,则其形状变换表示为:
P=[1|P0]RT+Uw 公式(2)
其中R表示线性变换参数矩阵,若待匹配轮廓点集中的点为d维数据,则R矩阵的维数为[(d+1)×d]维;
Uw表示对数据进行的非线性变换,其中w表示非线性变换的系数,U表示待匹配轮廓点集P0的基矩阵,通过公式(3)计算得出。
其中c0j表示点集P0的控制点集合C0的元素;
待匹配轮廓点集合匹配的目标,就是让变换后的待匹配轮廓点集P与标准轮廓点集S的差异最小,两个模型的能量差异定义如公式(4)所示:
其中eud(pi,pj)表示两个点之间的欧式距离。
4.据权利要求3联合梯度与随机信息的轮廓点云匹配方法,其特征在于,所述S4的具体过程如下:
S41、线性变换的参数梯度计算
对待匹配轮廓点集P0,对其依据公式(2)进行形变后,其与标准轮廓点集S的差异能量表示为F(公式4所示),差异能量对于线性变换部分参数矩阵R的梯度信息可以通过求导获得,即定义则对于任一参数矩阵R的元素ri的梯度如公式(5)所示:
S42、非线性变换的参数梯度计算
假设P0是一个m×d的矩阵,为方便分析非线性变换部分的参数梯度,引入一个(m-d-1)×d的矩阵v,并令非线性变换部分的参数w=Lv,其中L表示为P0的左零空间,则原来公式(2)所描述的待匹配轮廓点集形状变换可以表示为:
P=[1|P0]RT+ULv 公式(6)
非线性变换部分的参数梯度,如公式7所示,即为计算差异能量F对于参数v的导数,如公式(7)所示:
5.根据权利要求4联合梯度与随机信息的轮廓点云匹配方法,其特征在于,所述S5的具体过程如下:
S51、初始化
设定尺度因子σ,代次数D,参数更新阈值Tp和参数个数N,分别确定参数R和v的数值范围:
参数R的初始值产生方法
假设待匹配轮廓点集P0为m×d维数据,其中m表示数据点个数,d表示轮廓点维数,则对点集进行仿射变换的矩阵R为(d+1)×d维;以二维数据为例,其参数矩阵其中[r1r4]表示平移量,表示仿射变换量;图像旋转为一种特殊的仿射变换,假设图像旋转θ角,则参数矩阵中的
产生N(通常N≥20)个初始参数矩阵R时,为保证初始参数的全面性,产生9个确定方向参数,N-9个随机参数;
v参数初始化时,依据设定的参数个数通过计算机随机产生,产生v参数集合V={v1,v2...,vN};
S52、参数寻优过程
1)待识别的待匹配轮廓点集P0,分别利用初始参数集合中的每一个参数Ri和vi进行形状变换,得到变换后点集Pi,并组成变换后点集集合Ρ={P1,P2,...,PN};
2)依据公式(2)计算集合P中任变换后的待匹配轮廓点集Pi与标准配轮廓点集S之间的能量差异Fi,并组成差异能量集合Γ={F1,F2,...,FN};
3)基于梯度的参数更新
4)参数交叉更新
对于新的参数newRrand1和newvrand1,依据公式(4)计算更新后差异能量newFrand1,如果满足条件newFrand1<Frand1,则将参数Rrand1更新为newRrand1,vrand1更新微newvrand1;
S53、参数选择
对于所有更新后的和原来旧的参数,依据公式(4)重新计算所有的形变能量Fi,并选取其中最小的差异能量所对应的参数矩阵作为最终的变换参数。
6.根据权利要求5联合梯度与随机信息的轮廓点云匹配方法,其特征在于,所述S6的具体过程如下:
首先,依据S5所确定的参数R和vi,对待匹配轮廓点集P0,依据公式(6)进行变换,得到变换后待匹配轮廓点集P;然后,依据公式(10)对Pm×d中的任一点i与标准轮廓点集Sn×d中的第j个点进行匹配度计算,得到匹配矩阵Hm×n;最后,依据公式(11)确定待匹配轮廓点集P0中每个元素与标准轮廓点集S中的匹配元素,并得到匹配结果L:
其中pi表示待匹配轮廓点集P的第i个元素,sj表示标准轮廓点集S对应的第j个元素,σ为尺度因子。
其中L(i)表示待匹配轮廓点集P的第i个元素与标准轮廓点集S所匹配的元素的脚标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306125.2A CN113537231B (zh) | 2020-04-17 | 2020-04-17 | 一种联合梯度与随机信息的轮廓点云匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306125.2A CN113537231B (zh) | 2020-04-17 | 2020-04-17 | 一种联合梯度与随机信息的轮廓点云匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537231A true CN113537231A (zh) | 2021-10-22 |
CN113537231B CN113537231B (zh) | 2024-02-13 |
Family
ID=78123385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010306125.2A Active CN113537231B (zh) | 2020-04-17 | 2020-04-17 | 一种联合梯度与随机信息的轮廓点云匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537231B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
US20100189319A1 (en) * | 2007-05-11 | 2010-07-29 | Dee Wu | Image segmentation system and method |
CN101833750A (zh) * | 2010-04-15 | 2010-09-15 | 清华大学 | 基于形状约束和方向场的主动轮廓方法及其系统 |
US20170243361A1 (en) * | 2016-02-18 | 2017-08-24 | Roman Schaffert | 2D/3D Registration |
CN109345578A (zh) * | 2018-10-15 | 2019-02-15 | 深圳步智造科技有限公司 | 基于贝叶斯优化的点云配准方法、系统及可读存储介质 |
-
2020
- 2020-04-17 CN CN202010306125.2A patent/CN113537231B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100189319A1 (en) * | 2007-05-11 | 2010-07-29 | Dee Wu | Image segmentation system and method |
US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
CN101833750A (zh) * | 2010-04-15 | 2010-09-15 | 清华大学 | 基于形状约束和方向场的主动轮廓方法及其系统 |
US20170243361A1 (en) * | 2016-02-18 | 2017-08-24 | Roman Schaffert | 2D/3D Registration |
CN109345578A (zh) * | 2018-10-15 | 2019-02-15 | 深圳步智造科技有限公司 | 基于贝叶斯优化的点云配准方法、系统及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113537231B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | Point cloud registration algorithm based on curvature feature similarity | |
Saragih et al. | Learning AAM fitting through simulation | |
CN107871325B (zh) | 基于Log-Euclidean协方差矩阵描述符的图像非刚性配准方法 | |
CN113822278B (zh) | 一种无受限场景车牌识别方法 | |
CN105631436A (zh) | 基于随机森林的级联位置回归用于人脸对齐的方法 | |
CN110136177B (zh) | 一种图像配准方法、设备和存储介质 | |
CN112348849A (zh) | 一种孪生网络视频目标跟踪方法及装置 | |
CN108416753A (zh) | 一种基于非参数化交替方向乘子法的图像去噪算法 | |
CN106980809A (zh) | 一种基于asm的人脸特征点检测方法 | |
CN110687514B (zh) | 一种非线性判别学习真假目标一维距离像特征提取方法 | |
CN113158887A (zh) | 一种提高电子签名识别准率的电子签名认证方法及设备 | |
CN113537231B (zh) | 一种联合梯度与随机信息的轮廓点云匹配方法 | |
CN111145221A (zh) | 一种基于多层深度特征提取的目标跟踪算法 | |
CN107133348A (zh) | 大规模图片集中基于语义一致性的近似搜索方法 | |
CN108898527B (zh) | 一种基于有损测量的生成模型的交通数据填充方法 | |
CN111161329B (zh) | 利用联合配准改善图像人脸个体配准性能方法及系统 | |
CN112784800B (zh) | 一种基于神经网络和形状约束的人脸关键点检测方法 | |
Costen et al. | Compensating for ensemble-specific effects when building facial models | |
CN112733758B (zh) | 黎曼几何不变性下基于曲线的三维人脸识别方法及系统 | |
CN111401385B (zh) | 一种图像局部拓扑结构特征描述符的相似度计算方法 | |
Ma et al. | Remote sensing image registration with adjustable threshold and variational mixture transformation | |
CN112906629A (zh) | 人脸表情分类器的训练、人脸表情的识别方法和装置 | |
Zhang et al. | Image matching using GPT correlation associated with simplified HOG patterns | |
CN112101461A (zh) | 一种基于hrtf-pso-fcm的无人机侦察视觉信息可听化方法 | |
CN107633010B (zh) | 一种复杂造型grc板块图像的识别方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
DD01 | Delivery of document by public notice | ||
DD01 | Delivery of document by public notice |
Addressee: XI'AN University OF POSTS & TELECOMMUNICATIONS Person in charge of patents Document name: Notice of conformity |
|
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 |