CN113569876A - 图像特征提取方法、装置和电子设备 - Google Patents
图像特征提取方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113569876A CN113569876A CN202111011877.7A CN202111011877A CN113569876A CN 113569876 A CN113569876 A CN 113569876A CN 202111011877 A CN202111011877 A CN 202111011877A CN 113569876 A CN113569876 A CN 113569876A
- Authority
- CN
- China
- Prior art keywords
- image
- contour
- feature
- point
- layer
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 abstract description 27
- 230000008859 change Effects 0.000 abstract description 16
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 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
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种图像特征提取方法、装置和电子设备，包括：获取原始图像，并基于原始图像构建图像金字塔；对图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点，并对图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓；确定每个特征点所属的轮廓，并确定各个轮廓的形状质心；从每个特征点开始，按照预设方向遍历每个特征点所属的轮廓上的各个轮廓点，计算上述各点与其所属的轮廓的形状质心之间的距离，并将计算得到的距离作为开始的特征点的描述子。采用本发明的方法得到的特征点的描述子在光照强度变化较大的场景中仍可以进行特征点的匹配，不受光照变化的影响。
Description
技术领域
本发明涉及图像处理的技术领域，尤其是涉及一种图像特征提取方法、装置和电子设备。
背景技术
在目前的视觉同步定位与地图构建系统(Simultaneous Localization andMapping，简称SLAM)中，技术人员通常利用前后帧图像之间的特征点匹配估计相机运动。在这一过程中，需要通过图像特征提取算法提取前后帧图像的特征点，然后通过前后帧图像特征点的匹配，估计相机位置和姿态，从而根据相机位置增量式的构建地图，达到定位和地图构建的目的。
在目前的视觉同步定位与地图构建系统中，特征提取算法都是采用传统的SIFT算法、BRIEF算法或ORB算法，其都是依赖于基于像素强度特征作为特征点的描述子，然而，以像素强度特征作为依据的描述子所建的地图点在下次使用时，如果光照强度与建图时的光照强度有较大变化，所建的地图将无法再次使用。例如，白天所建的某一地图点，晚上使用时，重投影回图像中却无法匹配到对应的特征点，因为地图点中所存在的此点在白天光照环境下的附近像素强度特征与晚上图像中此点附近的像素强度特征已经不同(如，地图点中所存在的A点在白天光照环境下，其附近像素强度特征为1234，即其附近的第1个像素点的强度最大，第2个像素点的强度次之，第3个像素点的强度再次之，第4个像素点的强度最小，而晚上图像中A点附近的像素强度特征为4321，即其附近的第4个像素点的强度最大，第3个像素点的强度次之，第2个像素点的强度再次之，第1个像素点的强度最小，二者本是同一个A点，但由于像素强度特征不同，而不被认定为同一点，无法将地图点中A点对应的3D位置作为晚上拍摄图像时的位置)，所以无法实现地图点与拍摄图像中的特征点的匹配，从而导致SLAM定位失败。
综上，现有的基于像素强度特征作为特征点的描述子无法在光照强度变化较大的场景中进行特征点的匹配。
发明内容
有鉴于此，本发明的目的在于提供一种图像特征提取方法、装置和电子设备，以缓解现有的基于像素强度作为特征点的描述子无法在光照强度变化较大的场景中进行特征点的匹配进而实现定位的技术问题。
第一方面，本发明实施例提供了一种图像特征提取方法，包括：
获取原始图像，并基于所述原始图像构建图像金字塔；
对所述图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点，并对所述图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓，其中，所述轮廓为多个轮廓点所构成的；
确定每个特征点所属的轮廓，并确定各个所述轮廓的形状质心；
从每个特征点开始，按照预设方向遍历每个特征点所属的轮廓上的各个轮廓点，计算上述各点与其所属的轮廓的形状质心之间的距离，并将计算得到的所述距离作为开始的所述特征点的描述子。
进一步的，获取原始图像，并基于所述原始图像构建图像金字塔，包括：
将所述原始图像转换为灰度图像；
对所述灰度图像进行高斯模糊处理，得到模糊化的灰度图像；
根据所述模糊化的灰度图像构建所述图像金字塔。
进一步的，对所述图像金字塔中的每一层图像进行角点检测，包括：
采用角点检测算法对所述图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点；
对所述图像金字塔中的每一层图像进行轮廓检测，包括：
采用轮廓提取算法对所述图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓。
进一步的，所述角点检测算法包括以下任一种：Harris角点检测算法、FAST角点检测算法；所述轮廓提取算法包括：OpenCV中的findContours函数。
进一步的，确定各个所述轮廓的形状质心，包括：
计算构成各个所述轮廓的轮廓点的位置信息的平均位置信息；
将所述平均位置信息作为各个所述轮廓的形状质心。
进一步的，所述预设方向包括以下任一种：顺时针方向、逆时针方向。
进一步的，所述方法还包括：
获取相邻两帧原始图像的特征点和特征点的描述子；
计算所述相邻两帧原始图像的特征点的描述子之间的距离；
若所述距离小于预设值，则确定所述相邻两帧原始图像中与所述特征点的描述子对应的特征点匹配；
若所述距离不小于所述预设值，则确定所述相邻两帧原始图像中与所述特征点的描述子对应的特征点不匹配。
进一步的，所述方法还包括：
获取相邻两帧原始图像的特征点和特征点的描述子；
根据所述特征点的描述子对所述相邻两帧原始图像的特征点进行匹配，得到所述相邻两帧原始图像中匹配的特征点；
利用三角化计算所述匹配的特征点的3D位置，得到3D地图中的3D位置点，并对计算得到的所述3D位置点标记对应的特征点的描述子。
第二方面，本发明实施例还提供了一种图像特征提取装置，包括：
获取并构建单元，用于获取原始图像，并基于所述原始图像构建图像金字塔；
角点检测和轮廓检测单元，用于对所述图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点，并对所述图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓，其中，所述轮廓为多个轮廓点所构成的；
确定单元，用于确定每个特征点所属的轮廓，并确定各个所述轮廓的形状质心；
计算单元，用于从每个特征点开始，按照预设方向遍历每个特征点所属的轮廓上的各个轮廓点，计算上述各点与其所属的轮廓的形状质心之间的距离，并将计算得到的所述距离作为开始的所述特征点的描述子。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
在本发明实施例中，提供了一种图像特征提取方法，包括：先获取原始图像，并基于原始图像构建图像金字塔；然后，对图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点，并对图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓；进而，确定每个特征点所属的轮廓，并确定各个轮廓的形状执行；最后，从每个特征点开始，按照预设方向遍历每个特征点所属的轮廓上的各个轮廓点，计算上述各点与其所属的轮廓的形状质心之间的距离，并将计算得到的距离作为开始的特征点的描述子。通过上述描述可知，本发明的图像特征提取方法采用特征点所属轮廓的各轮廓点与轮廓的形状质心之间的距离作为特征点的描述子，因为物体的几何轮廓不受光照影响，所以采用本发明的方法得到的特征点的描述子在光照强度变化较大的场景中仍可以进行特征点的匹配，不受光照变化的影响，缓解了现有的基于像素强度特征作为特征点的描述子无法在光照强度变化较大的场景中进行特征点的匹配的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种图像特征提取方法的流程图；
图2为本发明实施例提供的确定各个轮廓的形状质心的流程图；
图3为本发明实施例提供的特征点匹配的方法流程图；
图4为本发明实施例提供的构建3D地图的方法流程图；
图5为本发明实施例提供的一种图像特征提取装置的示意图；
图6为本发明实施例提供的一种电子设备的示意图。
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他实施例，都属于本发明保护的范围。
目前，图像特征提取算法都是依赖于基于像素强度特征作为特征点的描述子，然而，以像素强度特征作为依据的描述子所建的地图点在下次使用时，如果光照强度与建图时的光照强度有较大变化，所建的地图将无法再次使用，因为地图点中所存在的此点在白天光照环境下的附近像素强度特征与晚上图像中此点附近的像素强度特征已经不同，所以无法实现地图点与晚上拍摄图像中的特征点的匹配，从而导致定位失败。
基于此，本实施例提供了一种图像特征提取方法，该方法采用特征点所属轮廓的各轮廓点与轮廓的形状质心之间的距离作为特征点的描述子，因为物体的几何轮廓不受光照影响，所以采用本发明的方法得到的特征点的描述子在光照强度变化较大的场景中仍可以进行特征点的匹配，不受光照变化的影响。
下面结合附图对本发明实施例进行进一步介绍。
实施例一：
根据本发明实施例，提供了一种图像特征提取方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种图像特征提取方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取原始图像，并基于原始图像构建图像金字塔；
在本发明实施例中，上述原始图像可以为摄像机拍摄得到的图像，构建得到的图像金字塔中，不同层的图像具有不同的尺度大小。
构建图像金字塔的目的是为了纠正不同尺度大小的图像进行轮廓提取后，相同物体会产生不同大小的轮廓，进而造成后续基于轮廓得到的特征点的描述子不同，影响后续基于描述子进行的特征点的匹配。
步骤S104，对图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点，并对图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓，其中，轮廓为多个轮廓点所构成的；
步骤S106，确定每个特征点所属的轮廓，并确定各个轮廓的形状质心；
在确定每个特征点所属的轮廓时，可以计算每个特征点与所有轮廓的距离，然后，将计算得到的距离中最小距离所对应的轮廓作为当前特征点所属的轮廓。
下文中再对确定形状质心的过程进行详细描述，在此不再赘述。
步骤S108，从每个特征点开始，按照预设方向遍历每个特征点所属的轮廓上的各个轮廓点，计算上述各点与其所属的轮廓的形状质心之间的距离，并将计算得到的距离作为开始的特征点的描述子。
通过上述步骤S108的描述可知，得到的特征点的描述子实际为多个距离值所构成的向量。
上述预设方向可以为顺时针方向，也可以为逆时针方向，当轮廓为非连通轮廓时，顺时针方向为特征点位置的轮廓法线的右侧方向。
在本发明实施例中，提供了一种图像特征提取方法，包括：先获取原始图像，并基于原始图像构建图像金字塔；然后，对图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点，并对图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓；进而，确定每个特征点所属的轮廓，并确定各个轮廓的形状执行；最后，从每个特征点开始，按照预设方向遍历每个特征点所属的轮廓上的各个轮廓点，计算上述各点与其所属的轮廓的形状质心之间的距离，并将计算得到的距离作为开始的特征点的描述子。通过上述描述可知，本发明的图像特征提取方法采用特征点所属轮廓的各轮廓点与轮廓的形状质心之间的距离作为特征点的描述子，因为物体的几何轮廓不受光照影响，所以采用本发明的方法得到的特征点的描述子在光照强度变化较大的场景中仍可以进行特征点的匹配，不受光照变化的影响，缓解了现有的基于像素强度特征作为特征点的描述子无法在光照强度变化较大的场景中进行特征点的匹配的技术问题。
上述内容对本发明的图像特征提取方法进行了简要介绍，下面对其中涉及到的具体内容进行详细描述。
在本发明的一个可选实施例中，上述步骤S102，获取原始图像，并基于原始图像构建图像金字塔，具体包括如下步骤：
(1)将原始图像转换为灰度图像；
(2)对灰度图像进行高斯模糊处理，得到模糊化的灰度图像；
(3)根据模糊化的灰度图像构建图像金字塔。
上述高斯模糊处理是为了将影响轮廓提取的噪点模糊化，从而后续在提取轮廓时，能够提取得到准确的轮廓。上述高斯模糊处理的过程可以为：计算灰度图像中3*3的图像块的像素的平均值，将计算得到的平均值作为3*3的图像块的最中心像素点的像素值，按照该方式对灰度图像的每个像素点都取3*3的图像块，然后进行上述处理过程，从而得到模糊化的灰度图像。
在构建图像金字塔时，按照尺度因子对模糊化的灰度图像进行下采样，从而得到图像金字塔。
在本发明的一个可选实施例中，对图像金字塔中的每一层图像进行角点检测，具体包括：采用角点检测算法对图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点；
对图像金字塔中的每一层图像进行轮廓检测，具体包括：采用轮廓提取算法对图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓。
上述角点检测算法包括以下任一种：Harris角点检测算法、FAST角点检测算法；轮廓提取算法包括：OpenCV中的findContours函数。
在本发明的一个可选实施例中，参考图2，步骤S106，确定各个轮廓的形状质心，具体包括如下步骤：
步骤S201，计算构成各个轮廓的轮廓点的位置信息的平均位置信息；
也就是计算，每个轮廓的轮廓点的位置的平均值，具体的，计算x方向的平均值和y方向的平均值，从而得到平均位置信息。
步骤S202，将平均位置信息作为各个轮廓的形状质心。
在本发明的一个可选实施例中，参考图3，特征点匹配的过程包括：
步骤S301，获取相邻两帧原始图像的特征点和特征点的描述子；
步骤S302，计算相邻两帧原始图像的特征点的描述子之间的距离；
步骤S303，若距离小于预设值，则确定相邻两帧原始图像中与特征点的描述子对应的特征点匹配；
步骤S304，若距离不小于预设值，则确定相邻两帧原始图像中与特征点的描述子对应的特征点不匹配。
上述距离可以为巴氏距离、欧式距离、马氏距离等，本发明实施例对其不进行具体限定，上述预设值为一个小值。
在本发明的一个可选实施例中，参考图4，构建3D地图的过程包括：
步骤S401，获取相邻两帧原始图像的特征点和特征点的描述子；
步骤S402，根据特征点的描述子对相邻两帧原始图像的特征点进行匹配，得到相邻两帧原始图像中匹配的特征点；
步骤S403，利用三角化计算匹配的特征点的3D位置，得到3D地图中的3D位置点，并对计算得到的3D位置点标记对应的特征点的描述子。
在构建得到3D地图后，后续在进行应用时，获取新采集的图像，并得到其中特征点的描述子，将得到的特征点的描述子与3D地图中的3D位置点的特征点的描述子进行匹配，若大部分描述子匹配后，可以将3D地图中的3D位置点确定为新采集图像时的位置，如此，便实现了定位。
本发明的图像特征提取方法使用轮廓讯息作为特征点的描述子，可以抗光照变化，提升了SLAM定位的可用性，从特征点做起始点记录轮廓距离，可区别同一轮廓中不同的特征点，并且具有抗旋转性，即相机拍摄的图像旋转后，得到的特征点的描述子不变。
实施例二：
本发明实施例还提供了一种图像特征提取装置，该图像特征提取装置主要用于执行本发明实施例一中所提供的图像特征提取方法，以下对本发明实施例提供的图像特征提取装置做具体介绍。
图5是根据本发明实施例的一种图像特征提取装置的示意图，如图5所示，该装置主要包括：获取并构建单元10、角点检测和轮廓检测单元20、确定单元30和计算单元40，其中：
获取并构建单元，用于获取原始图像，并基于原始图像构建图像金字塔；
角点检测和轮廓检测单元，用于对图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点，并对图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓，其中，轮廓为多个轮廓点所构成的；
确定单元，用于确定每个特征点所属的轮廓，并确定各个轮廓的形状质心；
计算单元，用于从每个特征点开始，按照预设方向遍历每个特征点所属的轮廓上的各个轮廓点，计算上述各点与其所属的轮廓的形状质心之间的距离，并将计算得到的距离作为开始的特征点的描述子。
在本发明实施例中，提供了一种图像特征提取装置，包括：先获取原始图像，并基于原始图像构建图像金字塔；然后，对图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点，并对图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓；进而，确定每个特征点所属的轮廓，并确定各个轮廓的形状执行；最后，从每个特征点开始，按照预设方向遍历每个特征点所属的轮廓上的各个轮廓点，计算上述各点与其所属的轮廓的形状质心之间的距离，并将计算得到的距离作为开始的特征点的描述子。通过上述描述可知，本发明的图像特征提取装置采用特征点所属轮廓的各轮廓点与轮廓的形状质心之间的距离作为特征点的描述子，因为物体的几何轮廓不受光照影响，所以采用本发明的方法得到的特征点的描述子在光照强度变化较大的场景中仍可以进行特征点的匹配，不受光照变化的影响，缓解了现有的基于像素强度特征作为特征点的描述子无法在光照强度变化较大的场景中进行特征点的匹配的技术问题。
可选地，获取并构建单元还用于：将原始图像转换为灰度图像；对灰度图像进行高斯模糊处理，得到模糊化的灰度图像；根据模糊化的灰度图像构建图像金字塔。
可选地，角点检测和轮廓检测单元还用于：采用角点检测算法对图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点；对图像金字塔中的每一层图像进行轮廓检测，包括：采用轮廓提取算法对图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓。
可选地，角点检测算法包括以下任一种：Harris角点检测算法、FAST角点检测算法；轮廓提取算法包括：OpenCV中的findContours函数。
可选地，确定单元还用于：计算构成各个轮廓的轮廓点的位置信息的平均位置信息；将平均位置信息作为各个轮廓的形状质心。
可选地，该装置还用于：获取相邻两帧原始图像的特征点和特征点的描述子；计算相邻两帧原始图像的特征点的描述子之间的距离；若距离小于预设值，则确定相邻两帧原始图像中与特征点的描述子对应的特征点匹配；若距离不小于预设值，则确定相邻两帧原始图像中与特征点的描述子对应的特征点不匹配。
可选地，该装置还用于：获取相邻两帧原始图像的特征点和特征点的描述子；根据特征点的描述子对相邻两帧原始图像的特征点进行匹配，得到相邻两帧原始图像中匹配的特征点；利用三角化计算匹配的特征点的3D位置，得到3D地图中的3D位置点，并对计算得到的3D位置点标记对应的特征点的描述子。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
如图6所示，本申请实施例提供的一种电子设备600，包括：处理器601、存储器602和总线，所述存储器602存储有所述处理器601可执行的机器可读指令，当电子设备运行时，所述处理器601与所述存储器602之间通过总线通信，所述处理器601执行所述机器可读指令，以执行如上述图像特征提取方法的步骤。
具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定，当处理器601运行存储器602存储的计算机程序时，能够执行上述图像特征提取方法。
处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。
对应于上述图像特征提取方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述图像特征提取方法的步骤。
本申请实施例所提供的图像特征提取装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
再例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述车辆标记方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(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。
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定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述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：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种图像特征提取方法，其特征在于，包括：
获取原始图像，并基于所述原始图像构建图像金字塔；
对所述图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点，并对所述图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓，其中，所述轮廓为多个轮廓点所构成的；
确定每个特征点所属的轮廓，并确定各个所述轮廓的形状质心；
从每个特征点开始，按照预设方向遍历每个特征点所属的轮廓上的各个轮廓点，计算上述各点与其所属的轮廓的形状质心之间的距离，并将计算得到的所述距离作为开始的所述特征点的描述子。
2.根据权利要求1所述的方法，其特征在于，获取原始图像，并基于所述原始图像构建图像金字塔，包括：
将所述原始图像转换为灰度图像；
对所述灰度图像进行高斯模糊处理，得到模糊化的灰度图像；
根据所述模糊化的灰度图像构建所述图像金字塔。
3.根据权利要求1所述的方法，其特征在于，对所述图像金字塔中的每一层图像进行角点检测，包括：
采用角点检测算法对所述图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点；
对所述图像金字塔中的每一层图像进行轮廓检测，包括：
采用轮廓提取算法对所述图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓。
4.根据权利要求3所述的方法，其特征在于，所述角点检测算法包括以下任一种：Harris角点检测算法、FAST角点检测算法；所述轮廓提取算法包括：OpenCV中的findContours函数。
5.根据权利要求1所述的方法，其特征在于，确定各个所述轮廓的形状质心，包括：
计算构成各个所述轮廓的轮廓点的位置信息的平均位置信息；
将所述平均位置信息作为各个所述轮廓的形状质心。
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：
获取相邻两帧原始图像的特征点和特征点的描述子；
计算所述相邻两帧原始图像的特征点的描述子之间的距离；
若所述距离小于预设值，则确定所述相邻两帧原始图像中与所述特征点的描述子对应的特征点匹配；
若所述距离不小于所述预设值，则确定所述相邻两帧原始图像中与所述特征点的描述子对应的特征点不匹配。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取相邻两帧原始图像的特征点和特征点的描述子；
根据所述特征点的描述子对所述相邻两帧原始图像的特征点进行匹配，得到所述相邻两帧原始图像中匹配的特征点；
利用三角化计算所述匹配的特征点的3D位置，得到3D地图中的3D位置点，并对计算得到的所述3D位置点标记对应的特征点的描述子。
8.一种图像特征提取装置，其特征在于，包括：
获取并构建单元，用于获取原始图像，并基于所述原始图像构建图像金字塔；
角点检测和轮廓检测单元，用于对所述图像金字塔中的每一层图像进行角点检测，得到每一层图像中的特征点，并对所述图像金字塔中的每一层图像进行轮廓检测，得到每一层图像中的轮廓，其中，所述轮廓为多个轮廓点所构成的；
确定单元，用于确定每个特征点所属的轮廓，并确定各个所述轮廓的形状质心；
计算单元，用于从每个特征点开始，按照预设方向遍历每个特征点所属的轮廓上的各个轮廓点，计算上述各点与其所属的轮廓的形状质心之间的距离，并将计算得到的所述距离作为开始的所述特征点的描述子。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111011877.7A CN113569876A (zh) | 2021-08-31 | 2021-08-31 | 图像特征提取方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111011877.7A CN113569876A (zh) | 2021-08-31 | 2021-08-31 | 图像特征提取方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113569876A true CN113569876A (zh) | 2021-10-29 |
Family
ID=78173231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111011877.7A Pending CN113569876A (zh) | 2021-08-31 | 2021-08-31 | 图像特征提取方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113569876A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115900553A (zh) * | 2023-01-09 | 2023-04-04 | 成都盛锴科技有限公司 | 一种列车巡检机器人的复合定位方法及其系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100795570B1 (ko) * | 2006-09-01 | 2008-01-21 | 전자부품연구원 | 영상의 특징점 추출방법 |
| US20160068560A1 (en) * | 2013-04-29 | 2016-03-10 | Memorial Sloan Kettering Cancer Center | Compositions and methods for altering second messenger signaling |
| CN110569857A (zh) * | 2019-07-28 | 2019-12-13 | 景德镇陶瓷大学 | 一种基于质心距离计算的图像轮廓角点检测方法 |
| CN110929598A (zh) * | 2019-11-07 | 2020-03-27 | 西安电子科技大学 | 基于轮廓特征的无人机载sar图像匹配方法 |
| CN112364881A (zh) * | 2020-04-01 | 2021-02-12 | 武汉理工大学 | 一种进阶采样一致性图像匹配算法 |
| CN112435211A (zh) * | 2020-09-03 | 2021-03-02 | 北京航空航天大学 | 一种内窥镜图像序列中轮廓稠密特征点描述和匹配的方法 |
| CN112508037A (zh) * | 2020-11-23 | 2021-03-16 | 北京配天技术有限公司 | 图像模板匹配方法、装置及存储装置 |
| CN112712541A (zh) * | 2020-12-31 | 2021-04-27 | 北京白象新技术有限公司 | 一种图像形状描述子生成方法 |
| CN112861983A (zh) * | 2021-02-24 | 2021-05-28 | 广东拓斯达科技股份有限公司 | 图像匹配方法、装置、电子设备以及存储介质 |
-
2021
- 2021-08-31 CN CN202111011877.7A patent/CN113569876A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100795570B1 (ko) * | 2006-09-01 | 2008-01-21 | 전자부품연구원 | 영상의 특징점 추출방법 |
| US20160068560A1 (en) * | 2013-04-29 | 2016-03-10 | Memorial Sloan Kettering Cancer Center | Compositions and methods for altering second messenger signaling |
| CN110569857A (zh) * | 2019-07-28 | 2019-12-13 | 景德镇陶瓷大学 | 一种基于质心距离计算的图像轮廓角点检测方法 |
| CN110929598A (zh) * | 2019-11-07 | 2020-03-27 | 西安电子科技大学 | 基于轮廓特征的无人机载sar图像匹配方法 |
| CN112364881A (zh) * | 2020-04-01 | 2021-02-12 | 武汉理工大学 | 一种进阶采样一致性图像匹配算法 |
| CN112435211A (zh) * | 2020-09-03 | 2021-03-02 | 北京航空航天大学 | 一种内窥镜图像序列中轮廓稠密特征点描述和匹配的方法 |
| CN112508037A (zh) * | 2020-11-23 | 2021-03-16 | 北京配天技术有限公司 | 图像模板匹配方法、装置及存储装置 |
| CN112712541A (zh) * | 2020-12-31 | 2021-04-27 | 北京白象新技术有限公司 | 一种图像形状描述子生成方法 |
| CN112861983A (zh) * | 2021-02-24 | 2021-05-28 | 广东拓斯达科技股份有限公司 | 图像匹配方法、装置、电子设备以及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| ARJUN PARAMARTHALINGAM等: "Extraction of compact boundary normalisation based geometric descriptors for affine invariant shape retrieval", IET IMAGE PROCESSING, vol. 15, no. 5, pages 1093 - 1104, XP006110934, DOI: 10.1049/ipr2.12088 * |
| 张瑜慧等: "融合轮廓和区域特征的形状描述子", 科学技术与工程, vol. 12, no. 35, pages 9570 - 9575 * |
| 李平等: "采用多形状特征融合的多视点目标识别", 光学精密工程, vol. 22, no. 12, pages 3368 - 3376 * |
| 韦东兴等: "一种基于形状特征的图像分类方法", 微计算机信息, vol. 26, no. 21, pages 220 - 222 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115900553A (zh) * | 2023-01-09 | 2023-04-04 | 成都盛锴科技有限公司 | 一种列车巡检机器人的复合定位方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016705B (zh) | 计算机视觉系统中的地平面估计 | |
| JP6351238B2 (ja) | 画像処理装置、撮像装置および距離補正方法 | |
| CN107316326B (zh) | 应用于双目立体视觉的基于边的视差图计算方法和装置 | |
| CN107851321B (zh) | 图像处理方法和双摄像头系统 | |
| WO2019102442A1 (en) | Systems and methods for 3d facial modeling | |
| CN109640066B (zh) | 高精度稠密深度图像的生成方法和装置 | |
| US20180181816A1 (en) | Handling Perspective Magnification in Optical Flow Proessing | |
| CN108986197B (zh) | 3d骨架线构建方法及装置 | |
| CN111160232B (zh) | 正面人脸重建方法、装置及系统 | |
| US20120134596A1 (en) | Image processing device, image processing method, integrated circuit, and program | |
| CN113610918A (zh) | 位姿计算方法和装置、电子设备、可读存储介质 | |
| CN114332349B (zh) | 一种双目结构光边缘重建方法、系统及存储介质 | |
| CN110689554B (zh) | 用于红外图像序列的背景运动估计方法、装置及存储介质 | |
| CN116582653A (zh) | 一种基于多摄像头数据融合的智能视频监控方法及系统 | |
| CN113569876A (zh) | 图像特征提取方法、装置和电子设备 | |
| CN110673607A (zh) | 动态场景下的特征点提取方法、装置、及终端设备 | |
| CN110800020B (zh) | 一种图像信息获取方法、图像处理设备及计算机存储介质 | |
| CN112837384A (zh) | 车辆标记方法、装置和电子设备 | |
| CN116977671A (zh) | 基于图像空间定位的目标跟踪方法、装置、设备及存储介质 | |
| CN110765875B (zh) | 交通目标的边界检测方法、设备及装置 | |
| CN110706257A (zh) | 有效特征点对的识别方法、相机状态的确定方法及装置 | |
| US20170140549A1 (en) | Method of perceiving 3d structure from a pair of images | |
| CN112884817B (zh) | 稠密光流计算方法、装置、电子设备以及存储介质 | |
| CN110197228B (zh) | 图像校正方法及装置 | |
| CN113436349A (zh) | 一种3d背景替换方法、装置、存储介质和终端设备 |
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 |