CN113744177A - 图像的角点检测方法、装置和存储介质 - Google Patents
图像的角点检测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN113744177A CN113744177A CN202010466710.9A CN202010466710A CN113744177A CN 113744177 A CN113744177 A CN 113744177A CN 202010466710 A CN202010466710 A CN 202010466710A CN 113744177 A CN113744177 A CN 113744177A
- Authority
- CN
- China
- Prior art keywords
- point
- difference
- difference value
- corner
- matrix
- 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 description 60
- 230000002093 peripheral effect Effects 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 109
- 230000004044 response Effects 0.000 claims description 61
- 238000011176 pooling Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 2
- 229930091051 Arenine Natural products 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像的角点检测方法、运算装置和存储介质,通过并行的方式处理图像中的中心点像素与周围点像素,之后基于并行处理结果得到图像的角点,该方法涉及运算逻辑简单,运算速度快。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像的角点检测方法、装置和存储介质。
背景技术
图像中的角点是图像很重要的特征点,其对图像图形的理解和分析有很重要的作用。
角点是具备稳定性质的特征,其可以在保留图像图形重要特征的同时,有效地减少图像处理过程中的数据量,进而提高图像处理中的计算的速度,使得实时处理成为可能。通常可以利用角点的稳定的性质将角点应用三维场景重建、运动估计、目标跟踪、目标识别、图像配准与匹配等计算机视觉领域。
传统的角点检测方法主要有SIFT(Scale Invariant Feature Transform,尺度不变特征变换),Surf(Speeded Up Robust Features;它是一种类似于SIFT的兴趣点检测及描述子算法),FAST角点检测等特征点提取算法提取图像中的特征点等等。然而,传统的角点检测方法存在运算速度慢,效率低等缺陷。
发明内容
基于此,有必要针对上述技术问题,提供一种能够快速检测图像中角点的方法、装置和存储介质。
一种图像的角点检测方法,所述方法包括:
从原图中的多个中心点的周围点读取多个周围点像素,将所述多个周围点像素分发至多个第一运算单元,其中,所述周围点环绕所述中心点分布;
所述多个第一运算单元分别使用对应的中心点像素与周围点像素进行减法运算,得到多个差值;
若某一中心点对应的差值符合目标结果,则将所述某一中心点作为预判角点,其中,所述目标结果为第一预设数量个连续的符合预设条件的差值;
根据预判角点对应的目标结果计算所述预判角点的响应值;
根据所述预判角点的响应值从所述预判角点中确定角点。
在其中一个可选地实施例中,目标结果为包含第一预设数量个连续的大于正阈值的差值,或者,包含第一预设数量个连续的小于负阈值的差值。
在其中一个可选地实施例中,若某一中心点对应的差值符合目标结果,则将所述某一中心点作为预判角点,包括:
根据所述多个差值和预设规则得到差值矩阵,其中,预设规则为每一中点对应的差值排列在所述差值矩阵的同一行或同一列;
从所述差值矩阵读取某一中心点对应的多个差值,将所述多个差值分发至多个第一运算单元;
所述多个第一运算单元并行比较接收的差值与正阈值或负阈值的大小,得到所述差值矩阵中各个差值的比较结果;
根据所述差值矩阵中各个差值的比较结果判断各个中心点对应的差值是否包含所述目标结果。
在其中一个可选地实施例中,所述根据所述多个差值和预设规则得到差值矩阵,包括:
将所述多个差值按照预设规则进行排列得到原始差值矩阵;
从所述原始差值矩阵的每一中心点对应的差值的行或列中读取前第二预设数量的差值,其中,所述第二预设数量比所述第一预设数量小1;
将所述读取前第二预设数量的差值写入所述原始差值矩阵的每一中心点对应的差值的行或列的末尾,得到差值矩阵。
在其中一个可选地实施例中,所述多个第一运算单元并行比较接收的差值与正阈值或负阈值的大小,得到所述差值矩阵中各个差值的比较结果;根据所述差值矩阵中各个差值的比较结果判断各个中心点对应的差值是否包含所述目标结果,包括:
各个所述第一运算单元并行比较接收的差值与正阈值的大小;
若所述差值大于所述正阈值,则将对应的差值的比较结果计为1,否则记为0;
根据所述各个差值的比较结果得到结果矩阵;
使用所述结果矩阵中各个比较结果进行卷积运算,其中所述卷积运算的卷积核的形状为1*第一预设数量,所述卷积核中1为权值;
根据所述卷积运算的结果是否等于所述第一预设数量判断各个中心点对应的差值是否包含所述目标结果。
在其中一个可选地实施例中,所述多个第一运算单元并行比较接收的差值与正阈值或负阈值的大小,得到所述差值矩阵中各个差值的比较结果;根据所述差值矩阵中各个差值的比较结果判断各个中心点对应的差值是否包含所述目标结果,包括:
各个所述第一运算单元并行比较接收的差值与负阈值的大小;
若所述差值小于所述负阈值,则将对应的差值的比较结果计为1,否则记为0;
根据所述各个差值的比较结果得到结果矩阵;
使用所述结果矩阵中各个比较结果进行卷积运算,其中所述卷积运算的卷积核为的形状为1*第一预设数量,所述卷积核中1为权值;
根据所述卷积运算的结果是否等于所述第一预设数量的相反数判断各个中心点对应的差值是否包含所述目标结果。
在其中一个可选地实施例中,根据预判角点对应的目标结果计算所述预判角点的响应值,包括:
对某一预判角点对应的各个目标结果进行第一池化运算,得到所述某一预判角点对应的每一目标结果中的最小差值;
将所述某一预判角点对应的每一目标结果中的最小差值中的最大值作为所述某一预判角点的响应值。
在其中一个可选地实施例中,根据所述预判角点的响应值从所述预判角点中确定角点,包括:
以各个所述预判角点为中心,使用各个所述预判角点的响应值进行第二池化运算获取最大响应值;
将所述最大响应值对应的预判角点确定为角点。
一种运算装置,所述装置包括:读写电路、第二运算单元以及多个第一运算单元,所述读写电路连接所述多个第一运算单元,所述多个第一运算单元连接所述第二运算单元,
所述读写电路,用于从原图中的多个中心点的周围点读取多个周围点像素,将所述多个周围点像素分发至多个第一运算单元,其中,所述周围点环绕所述中心点分布;
所述多个第一运算单元分别使用对应的中心点像素与周围点像素进行减法运算,得到多个差值;若某一中心点对应的差值符合目标结果,则将所述某一中心点作为预判角点;
第二运算单元,用于根据预判角点对应的目标结果计算所述预判角点的响应值;根据所述预判角点的响应值从所述预判角点中确定角点。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请任一实施例的方法的步骤。
上述图像的角点检测方法、运算装置和存储介质,通过使多个第一运算单元分别进行不同中心点的中心点像素与周围点像素的减法运算,实现以并行的方式运算图像中的多个中心点与周围点像素的差值,之后基于该并行方式得到的差值确定预判角点,并从预判角点中得到角点。由于本实施例的方法运算装置的每个运算周期可以处理多个中心点像素与周围点像素的运算,与传统的图像的角点检测方法的串行执行方式相比,本实施例的方法运算速度快,图像的角点检测效率高的优点。
附图说明
图1为一个实施例中通过摄像机拍摄的一段视频的图像帧;
图2为一个实施例中图像的角点检测方法的流程示意图;
图3为一个实施例中中心点与周围点分布示意图;
图4为一个实施例中步骤S103的细化步骤的流程示意图;
图5为一个实施例中原始差值矩阵与差值矩阵的转换示意图;
图6为一个实施例中步骤S104的细化步骤的流程示意图;
图7为一个实施例中运算装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
为了方便说明本发明实施例,下述对本发明实施例中涉及的术语进行解释:
(1)特征点,又称关键点,是图像上某些特殊的、具有代表的点。
(2)角点,特征点的一种,其可以被理解为:若某像素与其周围邻域内足够多的像素点相差较大,则该像素可能是角点。
(3)描述子是使用数学方法描述特征点。
本申请提供的图像的角点检测方法,可以应用于目标追踪、多幅图像的配准、利用二维图像进行三维重建以及恢复场景三维结构等等需涉及特征点检测、匹配的图像处理场景。
具体地,在处理这些场景下的图像时,一般首先确定基准图和待匹配图像,然后对这两种图像进行特征点提取,之后对提取的特征点进行描述,即生成特征点的描述子的过程,最后进行特征点匹配,该特征点匹配的过程即为特征点的描述子比对的过程。一般情况下使用计算对应的特征点的描述子距离的方式进行特征点的描述子比对。在得到比对结果后,再进行上述具体场景下的后续处理,即可实现上述场景下的图像处理过程。在上述的图像处理过程中,角点可以作为上述过程中提取的特征点。
可选地,一般可以使用SIFT(Scale Invariant Feature Transform,尺度不变特征变换),Surf(Speeded Up Robust Features;它是一种类似于SIFT的兴趣点检测及描述子算法),FAST角点检测等特征点提取算法提取图像中的特征点。
可选地,一般可以使用常用的特征点的描述子生成算法,例如BRISK(BinaryRobust Invariant Scalable Keypoints,特征提取算法)、FREAK(FastRetinaKeypoint,特征点匹配算法)、BRIEF(Binary Robust IndependentElementaryFeatures,特征点描述算法)等等描述子生成算法得到特征点的描述子。
为了便于理解上述过程,以图1示出场景为例说明上述特征点提取、匹配过程以及如何上述过程应用于目标追踪的场景。图1为通过摄像机拍摄的一段视频的图像帧,目标为飞机,该图中各个图像帧中的目标的姿态并不完全相同。可以通过上述方式追踪各个图像帧中的飞机。
具体地,将第一幅图像作为基准图,其他图像作为待匹配图像。首先,对各个图像帧进行角点检测,图1示出的各帧图像中黑色点为提取的各帧图像的角点。之后,生成各个图像帧的角点的描述子(该描述子是一串数字),比对角点点的描述子得到特征匹配结果。最后对特征匹配几个进行解析即可实现对图1中各个图像帧的目标进行追踪。可选地,可以使用计算距离(例如汉明距离,欧氏距离等等)的方式比对特征点的描述子。
可选地,可以应用fast算法处理各个图像帧得到角点。
具体地,应用fast算法处理各个图像帧得到角点一般包含如下步骤:
(1)比较图像中的中心点像素与周围点像素
一般情况下会计算中心点与周围16个点的像素差值(Center–round)。
(2)初步判断是否为角点
是否有连续九个大于阈值(T)的差值;或者,是否有连续九个小于阈值的负值(-T)的差值,若存在,则将对应的中心点作为预判角点。
(3)计算预判角点响应值
首先取各个连续的九个差值中的最小值,之后,从各个中心点对应的所有满足条件的最小值中的最大值,即为响应值(得分)。
(4)非极大值抑制
若某一预判角点为中心的一个邻域(如3x3或5x5)内有多个预判角点,则将该邻域内这些预判角点响应值最大的保留;否则,抑制。若邻域内只有一个特征点(角点),则保留。最终保留的预判角点即为需要的角点。
在一个实施例中,如图2所示,提供了一种图像的角点检测方法,以该方法应用于图1中的场景为例进行说明,该方法被包含多个第一运算单元的运算装置执行,该运算装置的各个第一运算单元能够执行基本运算,例如,加减乘除,以及卷积、池化运算等等。该方法包括以下步骤:
步骤S101,从原图中的多个中心点的周围点读取多个周围点像素,将所述多个周围点像素分发至多个第一运算单元。
其中,所述周围点环绕所述中心点分布。例如,图3中的点P为中心点,16个周围点环绕点P分布。可选地,该原图可以为图1场景中的任一图像帧。可选地,运算装置从原图中的多个中心点的周围点读取多个周围点像素,将所述多个周围点像素分发至多个第一运算单元。
步骤S102,所述多个第一运算单元的分别使用对应的中心点像素与周围点像素进行减法运算,得到多个差值。
具体地,运算装置的多个第一运算单元的分别使用对应的中心点像素与周围点像素进行减法运算,得到多个差值。
例如,运算装置有n个第一运算单元参与本步骤的运算,这n个第一运算单元中每一个第一运算单元使用对应的中心点像素与其接收的周围点像素进行减法运算,每一个第一运算单元得到一个减法运算的结果:差值。
可选地,运算装置可以在每次分发周围点像素的同时将中心点像素发送至对应的第一运算单元。可选地,也可以是首先确定各个第一运算单元需执行哪些中心点像素的相关减法运算,之后将中心点像素对应的存储至第一运算单元的私有存储空间。在各个第一运算单元接收周围点像素,需执行减法运算后,各个第一运算单元从各自的私有存储空间读取对应的中心点像素进行相应的减法运算。可以理解的是,若首先确定各个第一运算单元需执行哪些中心点像素的相关减法运算,在分发周围点像素时,需考虑各个周围点像素对应的中心点像素的存储位置。
步骤S103,若某一中心点对应的差值符合目标结果,则将所述某一中心点作为预判角点。
其中,所述目标结果为第一预设数量个连续的符合预设条件的差值。预判角点可以理解为根据上述处理过程的结果得到的图像中可能是角点的点。进一步地,该目标结果为包含第一预设数量个连续的大于正阈值的差值,或者,包含第一预设数量个连续的小于负阈值的差值值。具体地,若某一中心点对应的差值符合目标结果,运算装置将所述某一中心点作为预判角点。
可选地,可以根据中心点的周围点数量确定该第一预设数量。例如,周围点数量为16时,该第一预设数量为9或12是较好的选择。
步骤S104,根据预判角点对应的目标结果计算所述预判角点的响应值。
具体地,运算装置根据预判角点对应的目标结果计算所述预判角点的响应值。更具体地,运算装置可以首先确定各个预判角点是否有满足要求的目标结果,若某一预判角点存在多个满足要求的目标结果,则首先确定各个目标结果中差值的最小差值,之后再比较这些目标结果中的最小差值,得到这些最小差值中的最大值,该最大值即为响应置。
例如,某一预判角点A存在两个满足要求的目标结果(本示例假设第一预设数量为9),分别为R0(D00,D01,D02,D03,D04,D05,D06,D07,D08)和R1(D10,D11,D12,D13,D14,D15,D16,D17,D18)。
运算装置首先选出D00,D01,D02,D03,D04,D05,D06,D07,D08中的最小值,假设得到的R0中最小差为D02;以及,运算装置首先选出D10,D11,D12,D13,D14,D15,D16,D17,D18中的最小值,假设得到的R1中最小差为D14。之后比较D02与的D14大小,D02与D14中较大的为该预判角点A的响应值。
步骤S105,根据所述预判角点的响应值从所述预判角点中确定角点。
具体地,运算装置根据所述预判角点的响应值从所述预判角点中确定角点。具体地,运算装置首先以某一预判角点为中心确定邻域,该邻域可以为3*3或5*5的区域。之后,判断该邻域内是否存在其他预判角点,若不存在,则保留该预判角点,若存在,则比较邻域中各个预判角点的响应值大小,保留响应值最大的预判角点(不保留的不是图像的角点)。最终保留的预判角点即为检测出的角点。
例如,预判角点A的邻域中存在预判角点B,预判角点A响应值为D14;预判角点B响应值为D20。此时,需要比较二者响应值D14与D20的大小,确定保留的预判角点。
本申请提供的图像的角点检测方法,通过使多个第一运算单元分别进行不同中心点的中心点像素与周围点像素的减法运算,实现以并行的方式运算图像中的多个中心点与周围点像素的差值,之后基于该并行方式得到的差值确定预判角点,并从预判角点中得到角点。由于本实施例的方法运算装置的每个运算周期可以处理多个中心点像素与周围点像素的运算,与传统的图像的角点检测方法的串行执行方式相比,本实施例的方法运算速度快,图像的角点检测效率高的优点。
在其中一个实施例中,上述步骤S103也可以通过并行的方式被执行。这可以进一步加快图像的角点检测。具体地,如图4所示,步骤S103包括:
步骤S1031,根据所述多个差值和预设规则得到差值矩阵。
其中,预设规则为每一中点对应的差值排列在所述差值矩阵的同一行或同一列。为了进一步地易于统计各个中心点对应的差值是否满足目标结果的要求,运算装置可以应用下述方法获取差值矩阵。
首先,将所述多个差值按照预设规则进行排列得到原始差值矩阵。之后,从所述原始差值矩阵的每一中心点对应的差值的行或列中读取前第二预设数量的差值,其中,所述第二预设数量比所述第一预设数量小1。最后,将所述读取前第二预设数量的差值写入所述原始差值矩阵的每一中心点对应的差值的行或列的末尾,得到差值矩阵。
下面以图5示出的示例为例说明该差值矩阵的获取过程。原始差值矩阵如图5左图所示,该差值矩阵的每一行对应一个中心点的差值,例如,第一行为中心点A对应的差值。通过上述方法处理原始差值矩阵后得到的差值矩阵如图5右图所示。由于周围环绕中心点分布,对原始差值矩进行上述处理,可以使中心点的起始周围点与末尾周围点的差值在二维分布上连续。此时,只需运算装置对该差值矩阵进行简单的卷积运算即可很容易的判断各个中心点对应的差值是否满足目标结果。
可选地,为了配合运算装置的配置,在某些情形下,还可以先对原始差值矩阵进行转置操作,之后再进行复制-粘贴操作。例如,某运算装置仅可以按行读取数据,但是原始差值矩阵中按列排列各个中心点差值,此时,需要先对原始差值矩阵进行转置操作,之后再进行复制-粘贴操作。
步骤S1032,从所述差值矩阵读取某一中心点对应的多个差值,将所述多个差值分发至多个第一运算单元。
具体地,运算装置从所述差值矩阵读取某一中心点对应的多个差值,将所述多个差值分发至多个第一运算单元。
步骤S1033,所述多个第一运算单元并行比较接收的差值与正阈值或负阈值的大小,得到所述差值矩阵中各个差值的比较结果。
具体地,运算装置的多个第一运算单元并行比较接收的差值与正阈值或负阈值的大小,得到所述差值矩阵中各个差值的比较结果。
步骤S1034,根据所述差值矩阵中各个差值的比较结果判断各个中心点对应的差值是否包含所述目标结果。
具体地,运算装置根据所述差值矩阵中各个差值的比较结果判断各个中心点对应的差值是否包含所述目标结果。由于差值矩阵中各个差值包含二维特征,这便于统计连续的符合要求的结果。
进一步地,上述步骤S1033-S1034的执行具体包括两种情形。
情形1(判断是否存在连续的第一预设数量个大于正阈值的差值):各个所述第一运算单元并行比较接收的差值与正阈值的大小;若所述差值大于所述正阈值,则将对应的差值的比较结果计为1,否则记为0;根据所述各个差值的比较结果得到结果矩阵;使用所述结果矩阵中各个比较结果进行卷积运算,其中所述卷积运算的卷积核的形状为1*第一预设数量,所述卷积核中1为权值;根据所述卷积运算的结果是否等于所述第一预设数量判断各个中心点对应的差值是否包含所述目标结果。
例如,第一预设数量为9,此时卷积核尺寸为1*9。若存在9个连续的符合预设条件的差值,此时,卷积运算的结果为9。
情形2(判断是否存在连续的第一预设数量个小于负阈值的差值值):
各个所述第一运算单元并行比较接收的差值与负阈值的大小;若所述差值小于所述负阈值,则将对应的差值的比较结果计为1,否则记为0;根据所述各个差值的比较结果得到结果矩阵;使用所述结果矩阵中各个比较结果进行卷积运算,其中所述卷积运算的卷积核为的形状为1*第一预设数量,所述卷积核中1为权值;根据所述卷积运算的结果是否等于所述第一预设数量的相反数判断各个中心点对应的差值是否包含所述目标结果。
例如,第一预设数量为9,此时卷积核尺寸为1*9。若存在9个连续的符合预设条件的差值,此时,卷积运算的结果为-9。
本实施方法将复杂繁琐的数据统计转换为简单的卷积运算,降低了数据处理中出错的概率,且该方法涉及运算简单,数据处理效率高。
在其中一个实施例中,如图6所示,步骤S104,包括:
步骤S1041,对某一预判角点对应的各个目标结果进行第一池化运算,得到所述某一预判角点对应的每一目标结果中的最小差值。
具体地,运算装置对某一预判角点对应的各个目标结果进行第一池化运算(min_pooling),得到所述某一预判角点对应的每一目标结果中的最小差值。可选地,第一池化运算的卷积核尺寸可以为1*9。
步骤S1042,将所述某一预判角点对应的每一目标结果中的最小差值中的最大值作为所述某一预判角点的响应值。
具体地,运算装置对将所述某一预判角点对应的每一目标结果中的最小差值中的最大值(max_pooling)作为所述某一预判角点的响应值。
本实施方法将复杂繁琐的比较运算转化简单的池化运算,降低了数据处理中出错的概率,且该方法涉及运算简单,数据处理效率高。
在其中一个实施例中,步骤S105,包括:运算装置以各个所述预判角点为中心,使用各个所述预判角点的响应值进行第二池化运算(max_pooling)获取最大响应值;将所述最大响应值对应的预判角点确定为角点。
本实施方法将复杂繁琐的比较运算转化简单的池化运算,降低了数据处理中出错的概率,且该方法涉及运算简单,数据处理效率高。
应该理解的是,虽然图2、图4、图6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图4、图6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,在其中一个实施例中还提出了一种如图7所示的运算装置。
该运算装置10包含读写电路100、第二运算单元300以及多个第一运算单元200。其中,所述读写电路连接所述多个第一运算单元200,所述多个第一运算单元200连接所述第二运算单元300。
读写电路100,用于从原图中的多个中心点的周围点读取多个周围点像素,将所述多个周围点像素分发至多个第一运算单元。其中,所述周围点环绕所述中心点分布。
所述多个第一运算单元200分别使用对应的中心点像素与周围点像素进行减法运算,得到多个差值;若某一中心点对应的差值符合目标结果,则将所述某一中心点作为预判角点,其中,所述目标结果为第一预设数量个连续的符合预设条件的差值。可选地,目标结果为包含第一预设数量个连续的大于正阈值的差值,或者,包含第一预设数量个连续的小于负阈值的差值。
第二运算单元300,用于根据预判角点对应的目标结果计算所述预判角点的响应值;根据所述预判角点的响应值从所述预判角点中确定角点。
本实施例的运算装置,通过使多个第一运算单元分别进行不同中心点的中心点像素与周围点像素的减法运算,实现以并行的方式运算图像中的多个中心点与周围点像素的差值,之后基于该并行方式得到的差值确定预判角点,并从预判角点中得到角点。由于本实施例的方法运算装置的每个运算周期可以处理多个中心点像素与周围点像素的运算,与传统的图像的角点检测方法的串行执行方式相比,本实施例的运算装置可以高效、快速的实现角点检测。
在其中一个实施例中,该读写电路100还用于根据所述多个差值和预设规则得到差值矩阵,其中,预设规则为每一中点对应的差值排列在所述差值矩阵的同一行或同一列。
在其中一个实施例中,该读写电路100还用于从所述差值矩阵读取某一中心点对应的多个差值,将所述多个差值分发至多个第一运算单元。多个第一运算单元用于并行比较接收的差值与正阈值或负阈值的大小,得到所述差值矩阵中各个差值的比较结果;根据所述差值矩阵中各个差值的比较结果判断各个中心点对应的差值是否包含所述目标结果。
可选地,该读写电路100具体用于将所述多个差值按照预设规则进行排列得到原始差值矩阵;从所述原始差值矩阵的每一中心点对应的差值的行或列中读取前第二预设数量的差值,其中,所述第二预设数量比所述第一预设数量小1;将所述读取前第二预设数量的差值写入所述原始差值矩阵的每一中心点对应的差值的行或列的末尾,得到差值矩阵。
可选地,各个所述第一运算单元200用于并行比较接收的差值与正阈值的大小;若所述差值大于所述正阈值,则将对应的差值的比较结果计为1,否则记为0;根据所述各个差值的比较结果得到结果矩阵;使用所述结果矩阵中各个比较结果进行卷积运算,其中所述卷积运算的卷积核的形状为1*第一预设数量,所述卷积核中1为权值;根据所述卷积运算的结果是否等于所述第一预设数量判断各个中心点对应的差值是否包含所述目标结果。
可选地,各个所述第一运算单元200用于并行比较接收的差值与负阈值的大小;若所述差值小于所述负阈值,则将对应的差值的比较结果计为1,否则记为0;根据所述各个差值的比较结果得到结果矩阵;使用所述结果矩阵中各个比较结果进行卷积运算,其中所述卷积运算的卷积核为的形状为1*第一预设数量,所述卷积核中1为权值;根据所述卷积运算的结果是否等于所述第一预设数量的相反数判断各个中心点对应的差值是否包含所述目标结果。
在其中一个实施例中,第二运算单元300具体用于对某一预判角点对应的各个目标结果进行第一池化运算,得到所述某一预判角点对应的每一目标结果中的最小差值;将所述某一预判角点对应的每一目标结果中的最小差值中的最大值作为所述某一预判角点的响应值。
在其中一个实施例中,第二运算单元300具体用于以各个所述预判角点为中心,使用各个所述预判角点的响应值进行第二池化运算获取最大响应值;将所述最大响应值对应的预判角点确定为角点。
关于运算装置的具体限定可以参见上文中对于图像的角点检测方法的限定,在此不再赘述。上述图像的角点检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:从原图中的多个中心点的周围点读取多个周围点像素,将所述多个周围点像素分发至多个第一运算单元,其中,所述周围点环绕所述中心点分布;控制所述多个第一运算单元分别使用对应的中心点像素与周围点像素进行减法运算,得到多个差值;若某一中心点对应的差值符合目标结果,则将所述某一中心点作为预判角点,其中,所述目标结果为第一预设数量个连续的符合预设条件的差值;根据预判角点对应的目标结果计算所述预判角点的响应值;根据所述预判角点的响应值从所述预判角点中确定角点。
可选地,目标结果为包含第一预设数量个连续的大于正阈值的差值,或者,包含第一预设数量个连续的小于负阈值的差值。
在一个实施例中,计算机程序被处理器执行时具体实现以下步骤:根据所述多个差值和预设规则得到差值矩阵,其中,预设规则为每一中点对应的差值排列在所述差值矩阵的同一行或同一列;从所述差值矩阵读取某一中心点对应的多个差值,将所述多个差值分发至多个第一运算单元;所述多个第一运算单元并行比较接收的差值与正阈值或负阈值的大小,得到所述差值矩阵中各个差值的比较结果;根据所述差值矩阵中各个差值的比较结果判断各个中心点对应的差值是否包含所述目标结果。
在一个实施例中,计算机程序被处理器执行时具体实现以下步骤:将所述多个差值按照预设规则进行排列得到原始差值矩阵;从所述原始差值矩阵的每一中心点对应的差值的行或列中读取前第二预设数量的差值,其中,所述第二预设数量比所述第一预设数量小1;将所述读取前第二预设数量的差值写入所述原始差值矩阵的每一中心点对应的差值的行或列的末尾,得到差值矩阵。
在一个实施例中,计算机程序被处理器执行时具体实现以下步骤:控制各个所述第一运算单元并行比较接收的差值与正阈值的大小;若所述差值大于所述正阈值,则将对应的差值的比较结果计为1,否则记为0;根据所述各个差值的比较结果得到结果矩阵;使用所述结果矩阵中各个比较结果进行卷积运算,其中所述卷积运算的卷积核的形状为1*第一预设数量,所述卷积核中1为权值;根据所述卷积运算的结果是否等于所述第一预设数量判断各个中心点对应的差值是否包含所述目标结果。
在一个实施例中,计算机程序被处理器执行时具体实现以下步骤:控制各个所述第一运算单元并行比较接收的差值与负阈值的大小;若所述差值小于所述负阈值,则将对应的差值的比较结果计为1,否则记为0;根据所述各个差值的比较结果得到结果矩阵;使用所述结果矩阵中各个比较结果进行卷积运算,其中所述卷积运算的卷积核为的形状为1*第一预设数量,所述卷积核中1为权值;根据所述卷积运算的结果是否等于所述第一预设数量的相反数判断各个中心点对应的差值是否包含所述目标结果。
在一个实施例中,计算机程序被处理器执行时具体实现以下步骤:对某一预判角点对应的各个目标结果进行第一池化运算,得到所述某一预判角点对应的每一目标结果中的最小差值;将所述某一预判角点对应的每一目标结果中的最小差值中的最大值作为所述某一预判角点的响应值。
在一个实施例中,计算机程序被处理器执行时具体实现以下步骤:以各个所述预判角点为中心,使用各个所述预判角点的响应值进行第二池化运算获取最大响应值;将所述最大响应值对应的预判角点确定为角点。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
依据以下条款可更好地理解前述内容:
条款1、一种图像的角点检测方法,所述方法包括:
从原图中的多个中心点的周围点读取多个周围点像素,将所述多个周围点像素分发至多个第一运算单元,其中,所述周围点环绕所述中心点分布;
所述多个第一运算单元分别使用对应的中心点像素与周围点像素进行减法运算,得到多个差值;
若某一中心点对应的差值符合目标结果,则将所述某一中心点作为预判角点,其中,所述目标结果为第一预设数量个连续的符合预设条件的差值;
根据预判角点对应的目标结果计算所述预判角点的响应值;
根据所述预判角点的响应值从所述预判角点中确定角点。
条款2、根据条款1所述的方法,第一运算单元200,目标结果为包含第一预设数量个连续的大于正阈值的差值,或者,包含第一预设数量个连续的小于负阈值的差值。
条款3、根据条款2所述的方法,第一运算单元200,若某一中心点对应的差值符合目标结果,则将所述某一中心点作为预判角点,包括:
根据所述多个差值和预设规则得到差值矩阵,其中,预设规则为每一中点对应的差值排列在所述差值矩阵的同一行或同一列;
从所述差值矩阵读取某一中心点对应的多个差值,将所述多个差值分发至多个第一运算单元;
所述多个第一运算单元并行比较接收的差值与正阈值或负阈值的大小,得到所述差值矩阵中各个差值的比较结果;
根据所述差值矩阵中各个差值的比较结果判断各个中心点对应的差值是否包含所述目标结果。
条款4、根据条款3所述的方法,第一运算单元200,所述根据所述多个差值和预设规则得到差值矩阵,包括:
将所述多个差值按照预设规则进行排列得到原始差值矩阵;
从所述原始差值矩阵的每一中心点对应的差值的行或列中读取前第二预设数量的差值,其中,所述第二预设数量比所述第一预设数量小1;
将所述读取前第二预设数量的差值写入所述原始差值矩阵的每一中心点对应的差值的行或列的末尾,得到差值矩阵。
条款5、根据条款3或4所述的方法,第一运算单元200,所述多个第一运算单元并行比较接收的差值与正阈值或负阈值的大小,得到所述差值矩阵中各个差值的比较结果;根据所述差值矩阵中各个差值的比较结果判断各个中心点对应的差值是否包含所述目标结果,包括:
各个所述第一运算单元并行比较接收的差值与正阈值的大小;
若所述差值大于所述正阈值,则将对应的差值的比较结果计为1,否则记为0;
根据所述各个差值的比较结果得到结果矩阵;
使用所述结果矩阵中各个比较结果进行卷积运算,其中所述卷积运算的卷积核的形状为1*第一预设数量,所述卷积核中1为权值;
根据所述卷积运算的结果是否等于所述第一预设数量判断各个中心点对应的差值是否包含所述目标结果。
条款6、根据条款3或4所述的方法,第一运算单元200,所述多个第一运算单元并行比较接收的差值与正阈值或负阈值的大小,得到所述差值矩阵中各个差值的比较结果;根据所述差值矩阵中各个差值的比较结果判断各个中心点对应的差值是否包含所述目标结果,包括:
各个所述第一运算单元并行比较接收的差值与负阈值的大小;
若所述差值小于所述负阈值,则将对应的差值的比较结果计为1,否则记为0;
根据所述各个差值的比较结果得到结果矩阵;
使用所述结果矩阵中各个比较结果进行卷积运算,其中所述卷积运算的卷积核为的形状为1*第一预设数量,所述卷积核中1为权值;
根据所述卷积运算的结果是否等于所述第一预设数量的相反数判断各个中心点对应的差值是否包含所述目标结果。
条款7、根据条款3或4所述的方法,第一运算单元200,根据预判角点对应的目标结果计算所述预判角点的响应值,包括:
对某一预判角点对应的各个目标结果进行第一池化运算,得到所述某一预判角点对应的每一目标结果中的最小差值;
将所述某一预判角点对应的每一目标结果中的最小差值中的最大值作为所述某一预判角点的响应值。
条款8、根据条款7所述的方法,第一运算单元200,根据所述预判角点的响应值从所述预判角点中确定角点,包括:
以各个所述预判角点为中心,使用各个所述预判角点的响应值进行第二池化运算获取最大响应值;
将所述最大响应值对应的预判角点确定为角点。
条款9、一种运算装置,第一运算单元200,所述装置包括:读写电路、第二运算单元以及多个第一运算单元,所述读写电路连接所述多个第一运算单元,所述多个第一运算单元连接所述第二运算单元,
所述读写电路,用于从原图中的多个中心点的周围点读取多个周围点像素,将所述多个周围点像素分发至多个第一运算单元,其中,所述周围点环绕所述中心点分布;
所述多个第一运算单元分别使用对应的中心点像素与周围点像素进行减法运算,得到多个差值;若某一中心点对应的差值符合目标结果,则将所述某一中心点作为预判角点;
第二运算单元,用于根据预判角点对应的目标结果计算所述预判角点的响应值;根据所述预判角点的响应值从所述预判角点中确定角点。
条款10、一种计算机可读存储介质,其上存储有计算机程序,第一运算单元200,所述计算机程序被处理器执行时实现条款1至8中任一项所述的方法的步骤。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像的角点检测方法,所述方法包括:
从原图中的多个中心点的周围点读取多个周围点像素,将所述多个周围点像素分发至多个第一运算单元,其中,所述周围点环绕所述中心点分布;
所述多个第一运算单元分别使用对应的中心点像素与周围点像素进行减法运算,得到多个差值;
若某一中心点对应的差值符合目标结果,则将所述某一中心点作为预判角点,其中,所述目标结果为第一预设数量个连续的符合预设条件的差值;
根据预判角点对应的目标结果计算所述预判角点的响应值;
根据所述预判角点的响应值从所述预判角点中确定角点。
2.根据权利要求1所述的方法,其特征在于,目标结果为包含第一预设数量个连续的大于正阈值的差值,或者,包含第一预设数量个连续的小于负阈值的差值。
3.根据权利要求2所述的方法,其特征在于,若某一中心点对应的差值符合目标结果,则将所述某一中心点作为预判角点,包括:
根据所述多个差值和预设规则得到差值矩阵,其中,预设规则为每一中点对应的差值排列在所述差值矩阵的同一行或同一列;
从所述差值矩阵读取某一中心点对应的多个差值,将所述多个差值分发至多个第一运算单元;
所述多个第一运算单元并行比较接收的差值与正阈值或负阈值的大小,得到所述差值矩阵中各个差值的比较结果;
根据所述差值矩阵中各个差值的比较结果判断各个中心点对应的差值是否包含所述目标结果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述多个差值和预设规则得到差值矩阵,包括:
将所述多个差值按照预设规则进行排列得到原始差值矩阵;
从所述原始差值矩阵的每一中心点对应的差值的行或列中读取前第二预设数量的差值,其中,所述第二预设数量比所述第一预设数量小1;
将所述读取前第二预设数量的差值写入所述原始差值矩阵的每一中心点对应的差值的行或列的末尾,得到差值矩阵。
5.根据权利要求3或4所述的方法,其特征在于,所述多个第一运算单元并行比较接收的差值与正阈值或负阈值的大小,得到所述差值矩阵中各个差值的比较结果;根据所述差值矩阵中各个差值的比较结果判断各个中心点对应的差值是否包含所述目标结果,包括:
各个所述第一运算单元并行比较接收的差值与正阈值的大小;
若所述差值大于所述正阈值,则将对应的差值的比较结果计为1,否则记为0;
根据所述各个差值的比较结果得到结果矩阵;
使用所述结果矩阵中各个比较结果进行卷积运算,其中所述卷积运算的卷积核的形状为1*第一预设数量,所述卷积核中1为权值;
根据所述卷积运算的结果是否等于所述第一预设数量判断各个中心点对应的差值是否包含所述目标结果。
6.根据权利要求3或4所述的方法,其特征在于,所述多个第一运算单元并行比较接收的差值与正阈值或负阈值的大小,得到所述差值矩阵中各个差值的比较结果;根据所述差值矩阵中各个差值的比较结果判断各个中心点对应的差值是否包含所述目标结果,包括:
各个所述第一运算单元并行比较接收的差值与负阈值的大小;
若所述差值小于所述负阈值,则将对应的差值的比较结果计为1,否则记为0;
根据所述各个差值的比较结果得到结果矩阵;
使用所述结果矩阵中各个比较结果进行卷积运算,其中所述卷积运算的卷积核为的形状为1*第一预设数量,所述卷积核中1为权值;
根据所述卷积运算的结果是否等于所述第一预设数量的相反数判断各个中心点对应的差值是否包含所述目标结果。
7.根据权利要求3或4所述的方法,其特征在于,根据预判角点对应的目标结果计算所述预判角点的响应值,包括:
对某一预判角点对应的各个目标结果进行第一池化运算,得到所述某一预判角点对应的每一目标结果中的最小差值;
将所述某一预判角点对应的每一目标结果中的最小差值中的最大值作为所述某一预判角点的响应值。
8.根据权利要求7所述的方法,其特征在于,根据所述预判角点的响应值从所述预判角点中确定角点,包括:
以各个所述预判角点为中心,使用各个所述预判角点的响应值进行第二池化运算获取最大响应值;
将所述最大响应值对应的预判角点确定为角点。
9.一种运算装置,其特征在于,所述装置包括:读写电路、第二运算单元以及多个第一运算单元,所述读写电路连接所述多个第一运算单元,所述多个第一运算单元连接所述第二运算单元,
所述读写电路,用于从原图中的多个中心点的周围点读取多个周围点像素,将所述多个周围点像素分发至多个第一运算单元,其中,所述周围点环绕所述中心点分布;
所述多个第一运算单元分别使用对应的中心点像素与周围点像素进行减法运算,得到多个差值;若某一中心点对应的差值符合目标结果,则将所述某一中心点作为预判角点;
第二运算单元,用于根据预判角点对应的目标结果计算所述预判角点的响应值;根据所述预判角点的响应值从所述预判角点中确定角点。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466710.9A CN113744177A (zh) | 2020-05-28 | 2020-05-28 | 图像的角点检测方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466710.9A CN113744177A (zh) | 2020-05-28 | 2020-05-28 | 图像的角点检测方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113744177A true CN113744177A (zh) | 2021-12-03 |
Family
ID=78724069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010466710.9A Pending CN113744177A (zh) | 2020-05-28 | 2020-05-28 | 图像的角点检测方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744177A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0498470A (ja) * | 1990-08-10 | 1992-03-31 | Nippon Steel Corp | 線図形の線幅分類方式 |
JP2003203236A (ja) * | 2001-10-31 | 2003-07-18 | Ricoh Co Ltd | 画像データ処理装置,画像処理装置,カラー画像形成装置およびパターンマッチング方法 |
CN101719275A (zh) * | 2009-11-23 | 2010-06-02 | 中国科学院计算技术研究所 | 图像特征点提取和实现方法、图像拷贝检测方法及其系统 |
GB201309287D0 (en) * | 2013-05-23 | 2013-07-10 | Linear Algebra Technologies Ltd | Corner detection |
KR101453713B1 (ko) * | 2014-02-03 | 2014-10-22 | 연세대학교 산학협력단 | 객체 인식 방법 및 그 장치 |
KR101491334B1 (ko) * | 2013-10-25 | 2015-02-10 | 한국 한의학 연구원 | 영상에서 컬러차트 검출 방법 및 장치 |
CN105809663A (zh) * | 2014-12-31 | 2016-07-27 | 中国移动通信集团公司 | 一种获取图像局部区域的方法、装置和电子设备 |
CN108898147A (zh) * | 2018-06-27 | 2018-11-27 | 清华大学 | 一种基于角点检测的二维图像边缘平直化方法、装置 |
CN108921838A (zh) * | 2018-06-29 | 2018-11-30 | 北京字节跳动网络技术有限公司 | 用于检测图像的方法和装置 |
CN109146932A (zh) * | 2018-07-17 | 2019-01-04 | 北京旷视科技有限公司 | 确定图像中目标点的世界坐标的方法、装置和系统 |
CN109344846A (zh) * | 2018-09-26 | 2019-02-15 | 联想(北京)有限公司 | 图像特征提取方法和装置 |
CN109509200A (zh) * | 2018-12-26 | 2019-03-22 | 深圳市繁维医疗科技有限公司 | 基于轮廓提取的棋盘格角点检测方法、装置以及计算机可读存储介质 |
CN109934777A (zh) * | 2019-01-09 | 2019-06-25 | 深圳市三宝创新智能有限公司 | 图像局部不变特征提取方法、装置、计算机设备及存储介质 |
CN110991291A (zh) * | 2019-11-26 | 2020-04-10 | 清华大学 | 一种基于并行计算的图像特征提取方法 |
CN111179166A (zh) * | 2019-12-09 | 2020-05-19 | 平安国际智慧城市科技股份有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-05-28 CN CN202010466710.9A patent/CN113744177A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0498470A (ja) * | 1990-08-10 | 1992-03-31 | Nippon Steel Corp | 線図形の線幅分類方式 |
JP2003203236A (ja) * | 2001-10-31 | 2003-07-18 | Ricoh Co Ltd | 画像データ処理装置,画像処理装置,カラー画像形成装置およびパターンマッチング方法 |
CN101719275A (zh) * | 2009-11-23 | 2010-06-02 | 中国科学院计算技术研究所 | 图像特征点提取和实现方法、图像拷贝检测方法及其系统 |
GB201309287D0 (en) * | 2013-05-23 | 2013-07-10 | Linear Algebra Technologies Ltd | Corner detection |
KR101491334B1 (ko) * | 2013-10-25 | 2015-02-10 | 한국 한의학 연구원 | 영상에서 컬러차트 검출 방법 및 장치 |
KR101453713B1 (ko) * | 2014-02-03 | 2014-10-22 | 연세대학교 산학협력단 | 객체 인식 방법 및 그 장치 |
CN105809663A (zh) * | 2014-12-31 | 2016-07-27 | 中国移动通信集团公司 | 一种获取图像局部区域的方法、装置和电子设备 |
CN108898147A (zh) * | 2018-06-27 | 2018-11-27 | 清华大学 | 一种基于角点检测的二维图像边缘平直化方法、装置 |
CN108921838A (zh) * | 2018-06-29 | 2018-11-30 | 北京字节跳动网络技术有限公司 | 用于检测图像的方法和装置 |
CN109146932A (zh) * | 2018-07-17 | 2019-01-04 | 北京旷视科技有限公司 | 确定图像中目标点的世界坐标的方法、装置和系统 |
CN109344846A (zh) * | 2018-09-26 | 2019-02-15 | 联想(北京)有限公司 | 图像特征提取方法和装置 |
CN109509200A (zh) * | 2018-12-26 | 2019-03-22 | 深圳市繁维医疗科技有限公司 | 基于轮廓提取的棋盘格角点检测方法、装置以及计算机可读存储介质 |
CN109934777A (zh) * | 2019-01-09 | 2019-06-25 | 深圳市三宝创新智能有限公司 | 图像局部不变特征提取方法、装置、计算机设备及存储介质 |
CN110991291A (zh) * | 2019-11-26 | 2020-04-10 | 清华大学 | 一种基于并行计算的图像特征提取方法 |
CN111179166A (zh) * | 2019-12-09 | 2020-05-19 | 平安国际智慧城市科技股份有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163193B (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
CN110765860B (zh) | 摔倒判定方法、装置、计算机设备及存储介质 | |
Jiang et al. | Robust feature matching for remote sensing image registration via linear adaptive filtering | |
CN109214366B (zh) | 局部目标重识别方法、装置及系统 | |
JP6232982B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN111275685B (zh) | 身份证件的翻拍图像识别方法、装置、设备及介质 | |
CN109063776B (zh) | 图像再识别网络训练方法、装置和图像再识别方法及装置 | |
CN109816694B (zh) | 目标跟踪方法、装置及电子设备 | |
WO2022199419A1 (zh) | 人脸检测方法、装置、终端设备及计算机可读存储介质 | |
CN112084849A (zh) | 图像识别方法和装置 | |
Ma et al. | Image feature matching via progressive vector field consensus | |
CN113469092B (zh) | 字符识别模型生成方法、装置、计算机设备和存储介质 | |
CN111914908A (zh) | 一种图像识别模型训练方法、图像识别方法及相关设备 | |
CN109447023B (zh) | 确定图像相似度的方法、视频场景切换识别方法及装置 | |
CN112232140A (zh) | 人群计数方法、装置、电子设备及计算机存储介质 | |
WO2022267939A1 (zh) | 图像处理方法及装置、计算机可读存储介质 | |
CN111401524A (zh) | 卷积神经网络处理方法、装置、设备、存储介质及模型 | |
CN109840529B (zh) | 一种基于局部敏感置信度评估的图像匹配方法 | |
Badki et al. | Robust radiometric calibration for dynamic scenes in the wild | |
CN108109164B (zh) | 一种信息处理方法及电子设备 | |
TW201903649A (zh) | 辨識系統、辨識方法及非暫態電腦可讀取媒體 | |
CN113744177A (zh) | 图像的角点检测方法、装置和存储介质 | |
CN108304838B (zh) | 一种图片信息识别方法及终端 | |
CN115564639A (zh) | 背景虚化方法、装置、计算机设备和存储介质 | |
Liu et al. | Point2CN: Progressive two-view correspondence learning via information fusion |
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 |