CN114067136A - 图像匹配方法、装置、电子设备、存储介质及相关产品 - Google Patents
图像匹配方法、装置、电子设备、存储介质及相关产品 Download PDFInfo
- Publication number
- CN114067136A CN114067136A CN202111194289.1A CN202111194289A CN114067136A CN 114067136 A CN114067136 A CN 114067136A CN 202111194289 A CN202111194289 A CN 202111194289A CN 114067136 A CN114067136 A CN 114067136A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- images
- matched
- characteristic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
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)
Abstract
本发明公开一种图像匹配方法、装置、电子设备、存储介质及相关产品,包括:接收待匹配的两个图像;对于每个待匹配的图像,提取图像中的特征结构和对应的特征描述子,其中,所述特征结构包括:特征线和/或特征形状;根据所述待匹配的两个图像的特征描述子,确定所述待匹配的两个图像的特征结构是否匹配。实施上述方法,通过提取图像中包括线、形状类型的特征结构,将现有技术中需要人工标注的特征点通过线和/或形状来涵盖进来,将图像拆分成线和/或形状的特征结构的组合,以得到图像特征结构的对应关系,避免了人工标注的复杂步骤,提高了图像匹配的速度和准确度,可以有效的适用于大数据量图像匹配的场景中。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种图像匹配方法、装置、电子设备、存储介质及相关产品。
背景技术
随着计算机技术的发展,图像处理技术的发展也相当迅速,图像匹配技术是图像处理技术的一项基础任务,在图像拼接、机器人空间定位等领域中起着重要作用。
现有技术中,主要采用点匹配法,这类方法速度慢、精度低,而且常常需要人工选取初始匹配点,无法适应大数据量图像匹配的场景,存在图像匹配效率和准确度较低的问题。
发明内容
本发明实施例提供一种图像匹配方法、装置、电子设备、存储介质及相关产品,以解决现有技术中存在的图像匹配效率和准确度较低的技术问题。
根据本发明的第一方面,公开了一种图像匹配方法,所述方法包括:
接收待匹配的两个图像;
对于每个待匹配的图像,提取图像中的特征结构和对应的特征描述子,其中,所述特征结构包括:特征线和/或特征形状;
根据所述待匹配的两个图像的特征描述子,确定所述待匹配的两个图像的特征结构是否匹配。
可选地,作为一个实施例,所述提取图像中的特征结构和对应的特征描述子,包括:
将图像输入至预先训练的特征提取模型中进行处理,得到所述图像中的特征结构和对应的特征描述子;
其中,所述特征提取模型是基于多个样本图像和样本图像中的特征结构训练得到的。
可选地,作为一个实施例,所述特征提取模型的训练过程,包括:
获取训练数据集,其中,所述训练数据集包括:合成图像集和真实图像集,所述合成图像集中包含多个合成的样本图像,所述合成的样本图像中包含基本形状,所述真实图像集中包含多个真实的样本图像;
将所述合成图像集中的样本图像作为输入,将对应的特征结构作为输出,对基于Magicpoint算法和霍夫变换函数构建的骨干网络进行训练,得到中间模型,其中,所述中间模型用于提取图像中的特征结构;
通过所述中间模型和单应变换适应技术,对所述真实图像集中的样本图像进行处理,得到对应的特征结构;
对于所述真实图像集中的每个样本图像Pi,对所述Pi进行一次单应变换得到Qi,将所述Pi和Qi作为输入,将所述Pi和Qi中的特征结构作为输出,对基于SuperPoint算法和霍夫变换函数构建的骨干网络进行训练,得到所述特征提取模型,其中,所述霍夫变换函数用于在模型训练过程中进行特征线、形状与点之间的转换。
可选地,作为一个实施例,在将训练数据集中的样本图像作为输入时,将所述样本图像转换为灰度图后作为输入。
可选地,作为一个实施例,所述根据所述待匹配的两个图像的特征描述子,确定所述待匹配的两个图像的特征结构是否匹配,包括:
将所述待匹配的两个图像的特征描述子中的元素进行逐位作差,得到N个差值,其中,N为特征描述子中元素的个数;
将所述差值进行求和运算,得到求和值;
若所述求和值小于预设阈值,则确定所述待匹配的两个图像的特征结构匹配,否则确定不匹配。
可选地,作为一个实施例,所述特征结构还包括:角点和边界点。
根据本发明的第二方面,公开了一种图像匹配装置,所述装置包括:
接收模块,用于接收待匹配的两个图像;
提取模块,用于对于每个待匹配的图像,提取图像中的特征结构和对应的特征描述子,其中,所述特征结构包括:特征线和/或特征形状;
确定模块,用于根据所述待匹配的两个图像的特征描述子,确定所述待匹配的两个图像的特征结构是否匹配。
可选地,作为一个实施例,所述提取模块包括:
处理子模块,用于将图像输入至预先训练的特征提取模型中进行处理,得到所述图像中的特征结构和对应的特征描述子;
其中,所述特征提取模型是基于多个样本图像和样本图像中的特征结构训练得到的。
可选地,作为一个实施例,所述装置还包括:
训练模块,用于获取训练数据集,其中,所述训练数据集包括:合成图像集和真实图像集,所述合成图像集中包含多个合成的样本图像,所述合成的样本图像中包含基本形状,所述真实图像集中包含多个真实的样本图像;
将所述合成图像集中的样本图像作为输入,将对应的特征结构作为输出,对基于Magicpoint算法和霍夫变换函数构建的骨干网络进行训练,得到中间模型,其中,所述中间模型用于提取图像中的特征结构;
通过所述中间模型和单应变换适应技术,对所述真实图像集中的样本图像进行处理,得到对应的特征结构;
对于所述真实图像集中的每个样本图像Pi,对所述Pi进行一次单应变换得到Qi,将所述Pi和Qi作为输入,将所述Pi和Qi中的特征结构作为输出,对基于SuperPoint算法和霍夫变换函数构建的骨干网络进行训练,得到所述特征提取模型,其中,所述霍夫变换函数用于在模型训练过程中进行特征线、形状与点之间的转换。
可选地,作为一个实施例,在将训练数据集中的样本图像作为输入时,将所述样本图像转换为灰度图后作为输入。
可选地,作为一个实施例,所述确定模块包括:
第一运算子模块,用于将所述待匹配的两个图像的特征描述子中的元素进行逐位作差,得到N个差值,其中,N为特征描述子中元素的个数;
第二运算子模块,用于将所述差值进行求和运算,得到求和值;
确定子模块,用于若所述求和值小于预设阈值,则确定所述待匹配的两个图像的特征结构匹配,否则确定不匹配。
可选地,作为一个实施例,所述特征结构还包括:角点和边界点。
根据本发明的第三方面,公开了一种电子设备,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程序,所述程序被所述处理器执行时实现如第一方面中图像匹配方法的步骤。
根据本发明的第四方面,公开了一种计算机可读存储介质,所述计算机可读存储介质上存储有程序,所述程序被所述处理器执行时实现如第一方面中图像匹配方法的步骤。
根据本发明的第五方面,公开了一种计算机程序产品,当所述计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如第一方面中图像匹配方法的步骤。
本发明实施例中,通过提取图像中包括线、形状类型的特征结构,将现有技术中需要人工标注的特征点通过线和/或形状来涵盖进来,将图像拆分成线和/或形状的特征结构的组合,以得到图像特征结构的对应关系,避免了人工标注的复杂步骤,提高了图像匹配的速度和准确度,可以有效的适用于大数据量图像匹配的场景中。
附图说明
图1是本发明的一个实施例的图像匹配方法的流程图;
图2是本发明的一个实施例的模型训练方法的流程图;
图3是本发明的一个实施例的图像匹配装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
随着计算机技术的发展,图像处理技术的发展也相当迅速,图像匹配技术是图像处理技术的一项基础任务,在图像拼接、机器人空间定位等领域中起着重要作用。以图像拼接为例,图像拼接技术是将数个有重叠部分的图像(可能是不同时间、不同视角或者不同传感器获得的)拼成一幅无缝的全景图或高分辨率图像的技术。图像拼接的方法很多,不同的算法步骤会有一定差异,但大致的过程是相同的。一般来说,图像拼接主要包括以下几个步骤:
图像预处理:包括数字图像处理的基本操作(例如去噪、边缘提取、直方图处理等)、建立图像的匹配模板以及对图像进行某种变换(例如傅里叶变换、小波变换等)等操作;
图像匹配:就是采用一定的匹配策略,找出待拼接图像中的模板或特征点在参考图像中对应的位置,进而确定两幅图像之间的变换关系;
建立变换模型:根据模板或者图像特征之间的对应关系,计算出数学模型中的各参数值,从而建立两幅图像的数学变换模型;
统一坐标变换:根据建立的数学转换模型,将待拼接图像转换到参考图像的坐标系中,完成统一坐标变换;
图像融合:将待拼接图像的重合区域进行融合得到拼接重构的平滑无缝全景图像。
其中,图像匹配和图像融合是图像拼接的两个关键技术,而图像匹配又是图像融合的基础,图像匹配算法的计算量一般非常大,因此图像拼接技术的发展很大程度上取决于图像匹配技术的创新。
现有的图像匹配技术中,首先利用SIFT、ORB等传统算法提取图像中的点(例如角点、边界点)和特征描述子,之后采用点匹配法进行匹配,这类方法速度慢、精度低,而且常常需要人工选取初始匹配点,无法适应大数据量图像的融合。此外,传统的特征提取算法提取的点数量和种类都不可调整,并且受噪声影响,影响特征描述子的准确性,以及提取特征的位置。因此,随着拼接技术的发展,需要更多的特征结构,尤其是分布在各个区域,甚至是缺少纹理特征的地方。
为解决上述技术问题,本发明实施例提供了一种图像匹配方法、装置、电子设备、存储介质及相关产品。
下面首先对本发明实施例提供的一种图像匹配方法进行介绍。
需要说明的是,本发明实施例提供的方法适应于电子设备,在实际应用中,该电子设备可以为服务器,本发明实施例对此不作限定。
图1是本发明的一个实施例的图像匹配方法的流程图,如图1所示,该方法可以包括以下步骤:步骤101、步骤102和步骤103,其中,
在步骤101中,接收待匹配的两个图像。
在步骤102中,对于每个待匹配的图像,提取图像中的特征结构和对应的特征描述子,其中,特征结构包括:特征线和/或特征形状。
本发明实施例中,特征描述子为特征向量,例如,可以为512位的向量。
考虑到一些场景下,无法提取到角点和边界点等特征结构,例如存在大量的墙体、背景单一的情况,现有提取算法很难提取到,进而无法实现图像匹配,针对这种情况,本发明实施例中,可以提取出线结构、形状结构(例如几何形状),基于线结构、形状结构,避免了传统算法无法提取匹配点的情况,将图像拆分成特征结构的组合可以得到图像的位置对应关系,以进行后续图像匹配。
本发明实施例中,特征结构还可以包括:角点和边界点。
可见,本发明实施例中,可以提取多种类型的特征结构,除包含“点”之外,还包括“线”、“形状”等,以增加提取特征结构的种类,在后续进行图像匹配时,提高效率和准确度。
本发明实施例中,可以预先训练用于提取点-线-形状的网络模型(即特征提取模型),在实际使用时,将两个图像分别输入至网络模型中,输出两个图像中的特征结构和特征描述子,根据特征描述子进行图像匹配。
相应地,本发明实施例中,在提取图像中的特征结构和对应的特征描述子时,可以将图像输入至预先训练的特征提取模型中进行处理,得到图像中的特征结构和对应的特征描述子;其中,特征提取模型是基于多个样本图像和样本图像中的特征结构训练得到的。
本发明实施例中,特征提取模型可以是基于神经网络训练得到的模型,相较于传统的算法,使用神经网络的方法,提取的准确度更高,抗噪声能力更强,可以减少相近位置大量特征点的冗余(例如对于图像中的运动对象,只采用点结构,会出现运动模糊问题,采用形状结构,例如四边形包围运动对象,会更稳定);可以并行计算,提高计算速度;由于图像中的特征结构可以人为定义,因此可以通过修改样本图像中特征结构的位置,提取不同类型的特征结构;特征结构数量、特征结构类型和特征描述子的维度,均可根据用户需求进行调整。
在步骤103中,根据待匹配的两个图像的特征描述子,确定待匹配的两个图像的特征结构是否匹配。
本发明实施例中,可以将待匹配的两个图像的特征描述子中的元素进行逐位作差,得到N个差值,其中,N为特征描述子中元素的个数;将差值进行求和运算,得到求和值;若求和值小于预设阈值,则确定待匹配的两个图像的特征结构匹配,否则确定不匹配。
由上述实施例可见,该实施例中,通过提取图像中包括线、形状类型的特征结构,将现有技术中需要人工标注的特征点通过线和/或形状来涵盖进来,将图像拆分成线和/或形状的特征结构的组合,以得到图像特征结构的对应关系,避免了人工标注的复杂步骤,提高了图像匹配的速度和准确度,可以有效的适用于大数据量图像匹配的场景中。
图2是本发明的一个实施例的模型训练方法的流程图,用于训练特征提取模型,如图2所示,该方法可以包括以下步骤:步骤201、步骤202、步骤203和步骤204,其中,
在步骤201中,获取训练数据集,其中,训练数据集包括:合成图像集和真实图像集,合成图像集中包含多个合成的样本图像,合成的样本图像中包含基本形状,真实图像集中包含多个真实的样本图像。
本发明实施例中,对于合成图像集中的样本图像,在生成样本图像时,可以人为地生成多种基本形状和一些背景图像,将基本形状作为图像的前景,将背景图像作为图像的背景。
本发明实施例中,真实图像集可以为MS-COCO数据集。
在步骤202中,将合成图像集中的样本图像作为输入,将对应的特征结构作为输出,对基于Magicpoint算法和霍夫变换函数构建的骨干网络进行训练,得到中间模型,其中,中间模型用于提取图像中的特征结构。
本发明实施例中,在训练中间模型时,可以采用Magicpoint算法和霍夫变换函数构建骨干网络,采用合成图像集,作为训练集,去训练特征结构提取网络,其中,霍夫变换函数用于在模型训练过程中进行特征线、形状与点之间的转换,Magicpoint的网络结构包含一个编码器和一个解码器。
本发明实施例中,使用合成图像集的原因是:合成的样本图像中能够获取特征结构的真实值,因为训练Magicpoint需要特征结构的真实值。对于任意的图像很难去确定特征结构位置,但是如果图像上只有线段、三角形、矩形和立方体等基本形状元素的话,那么特征结构的位置一般都是在端点和定点上,那么真值就很好确定。
在步骤203中,通过中间模型和单应变换适应技术,对真实图像集中的样本图像进行处理,得到对应的特征结构。
本发明实施例中,对于真实图像集中的真实场景图像,用步骤202中训练得到的中间模型+Homographic Adaptation(单应变换适应),提取真实场景图像的特征结构真值。
具体地,由于中间模型只是在基本形状元素的图像上训练出来的,对于一般的图像提取效果可能不太好。因此需要利用真实图像集上的大量的图像来进一步训练得到一般性的模型。但又由于真实图像集是没有特征结构真值的,因此需要通过之前训练好的中间模型,获取真实图像集的特征结构的真值。
本发明实施例中,在通过之前训练好的中间模型获取真实图像集的特征结构的真值时,对于每个图像做n种单应变换(例如100种),得到n个变换后的图像,在这些图像上利用中间模型分别提取特征结构,可以得到n个特征结构的heatmap,把这n个heatmap累加到一起,得到最终的heatmap,然后使用阈值截取获得每个位置上的特征结构,这个就是原始图像的特征结构的真值。
在步骤204中,对于真实图像集中的每个样本图像Pi,对Pi进行一次单应变换得到Qi,将Pi和Qi作为输入,将Pi和Qi中的特征结构作为输出,对基于SuperPoint算法和霍夫变换函数构建的骨干网络进行训练,得到特征提取模型,其中,霍夫变换函数用于在模型训练过程中进行特征线、形状与点之间的转换。
本发明实施例中,在训练特征提取模型时,可以使用SuperPoint算法和霍夫变换函数构建初始网络模型,采用真实图像集,作为训练集,进行模型训练,其中,SuperPoint主要结构包括一个编码网络和两个解码网络,两个解码网络共享一个编码网络,一个解码网络用于生成特征结构,另一个解码网络用于生成对应的特征描述子。
本发明实施例中,对于真实图像集,目前通过步骤203已经获取图像中特征结构的真值,但同特征结构一样,特征描述子也存在真值的问题,任意两个图像,真值是没法确定和标注的。Superpoint的输入是两个图像,其中一个图像是另一个图像进行单应变换得到的,两个图像作为输入的原因与Superpoint的输出有关,类似于传统的SIFT算法,Superpoint的输出不仅仅是特征结构还有特征结构的描述子。
由上可知,特征结构是有真值的,而描述子没有,因此用两个单应变换的图像做输入(点的匹配是已知的),用这两个图像的特征结构之间的匹配关系,来约束特征结构的描述子。也就是,对真实场景图像做变换,得到另外一个图像,然后两个图像都能特征结构对应关系也是知道的,由变换函数决定,对于两个图像中任意的两对点都会求loss,去优化使匹配点距离小,非匹配点距离大,这样最后得到的描述子就是满足需求的。
本发明实施例中,考虑到灰度图在处理速度上更有优势,因此在将训练数据集中的样本图像作为输入时,可以将样本图像转换为灰度图后作为输入。
可见,本发明实施例中,只要在训练的过程中,规定合理的特征结构,网络便可以学习到这类特征结构的规律,在测试的过程中实现更多类型的特征结构提取。例如训练网络稳定的提取物体边界作为特征结构,可以帮助后面的拼接过程绕过行人等运动物体,构建更加合理的拼缝。
图3是本发明的一个实施例的图像匹配装置的结构示意图,如图3所示,图像匹配装置300,可以包括:接收模块301、提取模块302和确定模块303,其中,
接收模块301,用于接收待匹配的两个图像;
提取模块302,用于对于每个待匹配的图像,提取图像中的特征结构和对应的特征描述子,其中,所述特征结构包括:特征线和/或特征形状;
确定模块303,用于根据所述待匹配的两个图像的特征描述子,确定所述待匹配的两个图像的特征结构是否匹配。
由上述实施例可见,该实施例中,通过提取图像中包括线、形状类型的特征结构,将现有技术中需要人工标注的特征点通过线和/或形状来涵盖进来,将图像拆分成线和/或形状的特征结构的组合,以得到图像特征结构的对应关系,避免了人工标注的复杂步骤,提高了图像匹配的速度和准确度,可以有效的适用于大数据量图像匹配的场景中。
可选地,作为一个实施例,所述提取模块302,可以包括:
处理子模块,用于将图像输入至预先训练的特征提取模型中进行处理,得到所述图像中的特征结构和对应的特征描述子;其中,所述特征提取模型是基于多个样本图像和样本图像中的特征结构训练得到的。
可选地,作为一个实施例,所述图像匹配装置300,还可以包括:
训练模块,用于获取训练数据集,其中,所述训练数据集包括:合成图像集和真实图像集,所述合成图像集中包含多个合成的样本图像,所述合成的样本图像中包含基本形状,所述真实图像集中包含多个真实的样本图像;
将所述合成图像集中的样本图像作为输入,将对应的特征结构作为输出,对基于Magicpoint算法和霍夫变换函数构建的骨干网络进行训练,得到中间模型,其中,所述中间模型用于提取图像中的特征结构;
通过所述中间模型和单应变换适应技术,对所述真实图像集中的样本图像进行处理,得到对应的特征结构;
对于所述真实图像集中的每个样本图像Pi,对所述Pi进行一次单应变换得到Qi,将所述Pi和Qi作为输入,将所述Pi和Qi中的特征结构作为输出,对基于SuperPoint算法和霍夫变换函数构建的骨干网络进行训练,得到所述特征提取模型,其中,所述霍夫变换函数用于在模型训练过程中进行特征线、形状与点之间的转换。
可选地,作为一个实施例,在将训练数据集中的样本图像作为输入时,可以将所述样本图像转换为灰度图后作为输入。
可选地,作为一个实施例,所述确定模块303,可以包括:
第一运算子模块,用于将所述待匹配的两个图像的特征描述子中的元素进行逐位作差,得到N个差值,其中,N为特征描述子中元素的个数;
第二运算子模块,用于将所述差值进行求和运算,得到求和值;
确定子模块,用于若所述求和值小于预设阈值,则确定所述待匹配的两个图像的特征结构匹配,否则确定不匹配。
可选地,作为一个实施例,所述特征结构还包括:角点和边界点。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
根据本发明的再一个实施例,本发明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程序,所述程序被所述处理器执行时实现如上述任意一个实施例所述的图像匹配方法中的步骤。
根据本发明的再一个实施例,本发明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上存储有程序,所述程序被处理器执行时实现如上述任意一个实施例所述的图像匹配方法中的步骤。
根据本发明的再一个实施例,本发明还提供了一种计算机程序产品,当所述计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如上述任意一个实施例所述的图像匹配方法中的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例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,本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种图像匹配方法、装置、电子设备、存储介质及相关产品,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种图像匹配方法,其特征在于,所述方法包括:
接收待匹配的两个图像;
对于每个待匹配的图像,提取图像中的特征结构和对应的特征描述子,其中,所述特征结构包括:特征线和/或特征形状;
根据所述待匹配的两个图像的特征描述子,确定所述待匹配的两个图像的特征结构是否匹配。
2.根据权利要求1所述的方法,其特征在于,所述提取图像中的特征结构和对应的特征描述子,包括:
将图像输入至预先训练的特征提取模型中进行处理,得到所述图像中的特征结构和对应的特征描述子;
其中,所述特征提取模型是基于多个样本图像和样本图像中的特征结构训练得到的。
3.根据权利要求2所述的方法,其特征在于,所述特征提取模型的训练过程,包括:
获取训练数据集,其中,所述训练数据集包括:合成图像集和真实图像集,所述合成图像集中包含多个合成的样本图像,所述合成的样本图像中包含基本形状,所述真实图像集中包含多个真实的样本图像;
将所述合成图像集中的样本图像作为输入,将对应的特征结构作为输出,对基于Magicpoint算法和霍夫变换函数构建的骨干网络进行训练,得到中间模型,其中,所述中间模型用于提取图像中的特征结构;
通过所述中间模型和单应变换适应技术,对所述真实图像集中的样本图像进行处理,得到对应的特征结构;
对于所述真实图像集中的每个样本图像Pi,对所述Pi进行一次单应变换得到Qi,将所述Pi和Qi作为输入,将所述Pi和Qi中的特征结构作为输出,对基于SuperPoint算法和霍夫变换函数构建的骨干网络进行训练,得到所述特征提取模型,其中,所述霍夫变换函数用于在模型训练过程中进行特征线、形状与点之间的转换。
4.根据权利要求3所述的方法,其特征在于,在将训练数据集中的样本图像作为输入时,将所述样本图像转换为灰度图后作为输入。
5.根据权利要求1所述的方法,其特征在于,所述根据所述待匹配的两个图像的特征描述子,确定所述待匹配的两个图像的特征结构是否匹配,包括:
将所述待匹配的两个图像的特征描述子中的元素进行逐位作差,得到N个差值,其中,N为特征描述子中元素的个数;
将所述差值进行求和运算,得到求和值;
若所述求和值小于预设阈值,则确定所述待匹配的两个图像的特征结构匹配,否则确定不匹配。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述特征结构还包括:角点和边界点。
7.一种图像匹配装置,其特征在于,所述装置包括:
接收模块,用于接收待匹配的两个图像;
提取模块,用于对于每个待匹配的图像,提取图像中的特征结构和对应的特征描述子,其中,所述特征结构包括:特征线和/或特征形状;
确定模块,用于根据所述待匹配的两个图像的特征描述子,确定所述待匹配的两个图像的特征结构是否匹配。
8.一种电子设备,其特征在于,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程序,所述程序被所述处理器执行时实现如权利要求1至6中任一项所述的图像匹配方法的步骤。
9.一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上存储有程序,所述程序被处理器执行时实现如权利要求1至6中任一项所述的图像匹配方法的步骤。
10.一种计算机程序产品,其特征在于,当所述计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至6中任一项所述的图像匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194289.1A CN114067136A (zh) | 2021-10-13 | 2021-10-13 | 图像匹配方法、装置、电子设备、存储介质及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194289.1A CN114067136A (zh) | 2021-10-13 | 2021-10-13 | 图像匹配方法、装置、电子设备、存储介质及相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114067136A true CN114067136A (zh) | 2022-02-18 |
Family
ID=80234334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111194289.1A Pending CN114067136A (zh) | 2021-10-13 | 2021-10-13 | 图像匹配方法、装置、电子设备、存储介质及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067136A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911400A (zh) * | 2024-03-14 | 2024-04-19 | 深圳市壹倍科技有限公司 | 一种晶圆缺陷的确定方法、装置、计算机设备及存储介质 |
-
2021
- 2021-10-13 CN CN202111194289.1A patent/CN114067136A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911400A (zh) * | 2024-03-14 | 2024-04-19 | 深圳市壹倍科技有限公司 | 一种晶圆缺陷的确定方法、装置、计算机设备及存储介质 |
CN117911400B (zh) * | 2024-03-14 | 2024-06-14 | 深圳市壹倍科技有限公司 | 一种晶圆缺陷的确定方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jakubović et al. | Image feature matching and object detection using brute-force matchers | |
CN108509915B (zh) | 人脸识别模型的生成方法和装置 | |
US20220114750A1 (en) | Map constructing method, positioning method and wireless communication terminal | |
US9400939B2 (en) | System and method for relating corresponding points in images with different viewing angles | |
US9256802B2 (en) | Object or shape information representation method | |
CN111028279A (zh) | 点云数据处理方法及装置、电子设备和存储介质 | |
CN112734914A (zh) | 一种增强现实视觉的图像立体重建方法及装置 | |
CN113592706B (zh) | 调整单应性矩阵参数的方法和装置 | |
CN115050002A (zh) | 图像标注模型训练方法、装置、电子设备及存储介质 | |
CN114067136A (zh) | 图像匹配方法、装置、电子设备、存储介质及相关产品 | |
KR101705584B1 (ko) | 얼굴 정렬을 위한 특징점별 특징을 추출하기 위한 서술자 생성 시스템 및 이를 이용한 특징점별 서술자 생성 방법 | |
CN114240770A (zh) | 一种图像处理方法、装置、服务器及存储介质 | |
CN114626118A (zh) | 建筑物室内模型生成方法及装置 | |
CN117078970A (zh) | 一种图片识别方法、装置、电子设备及存储介质 | |
CN114998630B (zh) | 一种从粗到精的地对空图像配准方法 | |
Zhang et al. | AG-Net: An advanced general CNN model for steganalysis | |
CN114724183A (zh) | 人体关键点检测方法、系统、电子设备及可读存储介质 | |
CN114639004A (zh) | 多聚焦图像融合方法及装置 | |
CN114266901A (zh) | 文档轮廓提取模型构建方法、装置、设备及可读存储介质 | |
CN113298102B (zh) | 一种目标分类模型的训练方法及装置 | |
CN114841870A (zh) | 图像处理方法、相关装置和系统 | |
CN114067125A (zh) | 基于全推理神经网络的目标检测方法、系统及装置 | |
CN110648388A (zh) | 一种场景几何建模的方法、装置及设备 | |
JP2016118924A (ja) | 特徴記述子作成装置及び特徴記述装置並びに方法及びプログラム | |
CN110866431B (zh) | 人脸识别模型的训练方法、人脸识别的方法和装置 |
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 |