CN114119990B - 用于图像特征点匹配的方法、装置及计算机程序产品 - Google Patents
用于图像特征点匹配的方法、装置及计算机程序产品 Download PDFInfo
- Publication number
- CN114119990B CN114119990B CN202111151056.3A CN202111151056A CN114119990B CN 114119990 B CN114119990 B CN 114119990B CN 202111151056 A CN202111151056 A CN 202111151056A CN 114119990 B CN114119990 B CN 114119990B
- Authority
- CN
- China
- Prior art keywords
- image
- feature point
- information
- previous frame
- current image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004590 computer program Methods 0.000 title abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 81
- 230000009466 transformation Effects 0.000 claims abstract description 41
- 230000033001 locomotion Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 39
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了用于图像特征点匹配的方法、装置、电子设备、存储介质及计算机程序产品,涉及人工智能领域,具体涉及计算机视觉和深度学习技术,可用于图像拼接和图像识别场景下。具体实现方案为:对于所获取的图像序列中的图像,执行如下操作:根据当前图像之前的相邻图像之间的映射变换信息,得到当前图像的映射图像;确定映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域;将上一帧图像中的特征点与对应于该特征点的目标区域中的特征点进行匹配,确定当前图像与上一帧图像之间关于特征点的匹配信息;根据匹配信息,确定当前图像与上一帧图像之间的映射变换信息。本公开提高了特征点匹配的准确度和效率。
Description
技术领域
本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术,尤其涉及用于图像特征点匹配的方法、装置、电子设备、存储介质以及计算机程序产品,可用于图像拼接和图像识别场景下。
背景技术
目前,快速扫描场景的特征匹配技术,一般包括以下两种:(1)基于特征匹配的方法,该方法对图像序列中的相邻帧图像进行特征提取和特征匹配,受制于特征点的范围,易产生特征点的误匹配;(2)基于光流的方法,该方法通过计算图像序列中的相邻帧图像的光流来跟踪特征点,迭代优化步骤往往复杂度较高。
发明内容
本公开提供了一种用于图像特征点匹配的方法、装置、电子设备、存储介质以及计算机程序产品。
根据第一方面,提供了一种用于图像特征点匹配的方法,对于所获取的图像序列中的图像,执行如下操作:根据当前图像之前的相邻图像之间的映射变换信息,得到当前图像的映射图像;确定映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域;将上一帧图像中的特征点与对应于该特征点的目标区域中的特征点进行匹配,确定当前图像与上一帧图像之间关于特征点的匹配信息;根据匹配信息,确定当前图像与上一帧图像之间的映射变换信息。
根据第二方面,提供了一种用于图像特征点匹配的装置,包括:对于所获取的图像序列中的图像,通过如下单元执行如下操作:得到单元,被配置成根据当前图像之前的相邻图像之间的映射变换信息,得到当前图像的映射图像;第一确定单元,被配置成确定映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域;第二确定单元,被配置成将上一帧图像中的特征点与对应于该特征点的目标区域中的特征点进行匹配,确定当前图像与上一帧图像之间关于特征点的匹配信息;第三确定单元,被配置成根据匹配信息,确定当前图像与上一帧图像之间的映射变换信息。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面任一实现方式描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面任一实现方式描述的方法。
根据第五方面,提供了一种计算机程序产品,包括:计算机程序,计算机程序在被处理器执行时实现如第一方面任一实现方式描述的方法。
根据本公开的技术,提供了一种用于图像序列中的相邻图像之间进行特征点匹配的方法,基于之前的相邻图像之间的运动跟踪信息,确定当前图像的映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域,将上一帧图像中的特征点与所对应的目标区域中的特征点进行匹配,减少了信息计算量,提高了特征点匹配的准确度和效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于图像特征点匹配的方法的一个实施例的流程图;
图3是根据本实施例的用于图像特征点匹配的方法的应用场景的示意图;
图4是根据本公开的用于图像特征点匹配的方法的又一个实施例的流程图;
图5是根据本公开的用于图像特征点匹配的装置的一个实施例的结构图;
图6是适于用来实现本公开实施例的计算机系统的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1示出了可以应用本公开的用于图像特征点匹配的方法及装置的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络,网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时,其可以是支持网络连接,信息获取、交互、显示、处理等功能的各种电子设备,包括但不限于图像扫描设备、车载智能设备、监控设备、智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如,接收终端设备101、102、103发送的图像序列,基于之前的相邻图像之间的运动跟踪信息,确定当前图像的映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域,将上一帧图像中的特征点与所对应的目标区域中的特征点进行匹配的后台处理服务器。作为示例,服务器105可以是云端服务器。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是,本公开的实施例所提供的用于图像特征点匹配的方法可以由服务器执行,也可以由终端设备执行,还可以由服务器和终端设备彼此配合执行。相应地,用于图像特征点匹配的装置包括的各个部分(例如各个单元)可以全部设置于服务器中,也可以全部设置于终端设备中,还可以分别设置于服务器和终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。当用于图像特征点匹配的方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该系统架构可以仅包括用于图像特征点匹配的方法运行于其上的电子设备(例如服务器或终端设备)。
请参考图2,图2为本公开实施例提供的一种用于图像特征点匹配的方法的流程图,对于所获取的图像序列中的图像,用于图像特征点匹配的方法的执行主体(例如,图1中的服务器)执行如流程200所示的如下操作。其中,流程200包括以下步骤:
步骤201,根据当前图像之前的相邻图像之间的映射变换信息,得到当前图像的映射图像。
本实施例中,上述执行主体可以通过有线网络连接方式或无线网络连接方式从远程,或从本地获取图像序列,并根据当前图像之前的相邻图像之间的映射变换信息,得到当前图像的映射图像。
图像序列中的图像可以是包括任意内容的图像。作为示例,在人脸识别场景下,待处理图像可以是监控设备所获取的人脸图像;在智能驾驶场景下,待处理图像可以是辅助驾驶车辆、自动驾驶车辆上的图像采集设备所获取的、表征车辆周围环境的环境图像;在图像扫描场景下,待处理图像是对现实事物(例如,书籍)进行扫描得到的扫描图像。
映射变换信息用于描述同一个平面的点在不同图像之间的映射关系,对于映射变换信息所涉及的两张图像,通过该映射变换信息可以将一张图像映射至另一张图像的视角下。作为示例,映射变换信息可以通过矩阵的形式表征,具体表现为单应矩阵。
在对图像序列中的每帧图像进行处理的过程中,由于第一帧图像和第二帧图像之前不存在相邻的两帧图像,因此,对于图像序列中的前两张图像,上述执行主体可以基于现有的特征点匹配技术确定前两张图像之间的映射变换信息。
作为示例,上述执行主体可以基于深度学习的方法,使用预先训练的CNN(Convolutional Neural Networks,卷积神经网络)、GNN(Graph Neural Network,图神经网络)等网络模型对前两帧图像进行特征提取;然后,确定第一帧图像中的特征点和第二帧图像中的特征点之间的距离(例如,汉明距离);然后,依据距离确定相匹配的特征点,得到前两帧图像之间的匹配信息;进而,依据匹配信息,通过RANSAC(Random sampleconsensus,随机抽样一致算法)得到前两帧图像之间的单应矩阵。
从图像序列中的第三帧图像开始,上述执行主体可以通过如步骤201-204所示的步骤确定当前图像与上一帧图像之间关于特征点的匹配信息以及映射变换信息。
一般情况下,扫描设备扫描目标对象得到图像序列的过程中,其运动幅度、速度等信息存在一定的波动,但不会发生突变,相对稳定。基于扫描设备运动信息相对稳定的先验知识,可以认定在前的相邻图像之间的映射变换信息与在后的相邻图像之间的映射变换信息相近。例如,第三帧图像与第二帧图像之间的映射变换信息,第四帧图像与第三帧图像之间的映射变换信息,第五帧图像与第四帧图像之间的映射变换信息,三者相近。
因而,上述执行主体可以根据当前图像之前的相邻图像之间的映射变换信息,得到当前图像的映射图像,也即将当前图像映射至上一帧图像的视角下得到的图像。
为了使得当前图像的映射图像具有更高的参考性,得到当前图像的映射图像所依据的映射变换信息可以是与当前图像最邻近,且相邻的两帧图像之间的映射变换信息。例如,对于第三帧图像,得到第三帧图像的映射图像所依据的映射变换信息为第二帧图像与第一帧图像之间的映射变换信息。
步骤202,确定映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域。
本实施例中,上述执行主体可以确定映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域。
作为示例,对于当前图像的上一帧图像中的每个特征点,上述执行主体可以将与该特征点(上一帧图像中的特征点)的像素坐标相同的、映射图像中的像素点为中心,预设尺寸范围所表征的区域作为该特征点对应的目标区域。
其中,预设尺寸可以根据实际情况具体设置。作为示例,当扫描设备在相邻图像之间的运动幅度较大时,可以设置较大的预设尺寸;当扫描设备在相邻图像之间的运动幅度较小时,可以设置较小的预设尺寸。在一具体示例中,上述执行主体可以确定扫描设备在相邻图像之间的运动幅度的平均值,进而在平均值的基础上扩大移动倍数得到预设尺寸。
可以理解,相邻帧图像中的特征点并非完全相同,而是只存在一部分相同的特征点,这部分相同的特征点才能被匹配。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤202:根据当前图像之前的相邻图像中相匹配的特征点之间的位置距离,确定映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域。
具体的,首先,上述执行主体确定当前图像之前的相邻图像中相匹配的特征点的像素坐标;然后,确定出相匹配的两个特征点的像素坐标之间的差值并将其作为该相匹配的两个特征点之间的位置距离;然后,求取所有相匹配的特征点之间的位置距离的均值,作为相邻图像中相匹配的特征点之间的位置距离。
作为示例,对于当前图像的上一帧图像中的每个特征点,上述执行主体可以将与该特征点(上一帧图像中的特征点)的像素坐标相同的、映射图像中的像素点为中心,位置距离范围内的区域作为该特征点对应的目标区域。
作为又一示例,为了应对扫描设备运动速度的波动,上述执行主体可以在位置距离的基础上通过叠加预设数值、或扩大预设倍数等方式得到最终尺寸,进而,对于当前图像的上一帧图像中的每个特征点,上述执行主体可以将与该特征点(上一帧图像中的特征点)的像素坐标相同的、映射图像中的像素点为中心,最终尺寸范围内的区域为该特征点对应的目标区域。
本实施例中,根据当前图像之前的相邻图像中相匹配的特征点之间的位置距离,确定映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域,提高了所确定的目标区域的准确度,进而提高了确定匹配信息的准确度。
步骤203,将上一帧图像中的特征点与对应于该特征点的目标区域中的特征点进行匹配,确定当前图像与上一帧图像之间关于特征点的匹配信息。
本实施例中,上述执行主体可以将上一帧图像中的特征点与对应于该特征点的目标区域中的特征点进行匹配,确定当前图像与上一帧图像之间关于特征点的匹配信息。
作为示例,对于上一帧图像中的每个特征点,上述执行主体可以确定该特征点与所对应的目标区域中的每个特征点之间的距离(例如,汉明距离),进而基于特征距离确定目标区域中与上一图像中的该特征点匹配的特征点。例如,将距离最近的两个特征点确定为相匹配的特征点。上述执行主体确定出上一帧图像中的各特征点相匹配的特征点后,即得到了当前图像与上一帧图像之间关于特征点的匹配信息。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤203:
第一,确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的初始匹配信息。
作为示例,初始匹配信息可以是基于特征提取、特征点之间的距离确定而得到的初始匹配信息。
第二,根据得到当前图像之前的相邻图像的扫描过程的运动信息,确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的惩罚信息。
作为示例,相邻图像的扫描过程的运动信息一般较为稳定,不会发生突变,基于此,对于上一帧图像中的每个特征点,在进行该特征点与所对应的目标区域中的特征点进行匹配的过程中,目标区域中的特征点与中心点之间的距离,与惩罚信息呈正相关。也即,当特征点与中心点之间的距离越大,该特征点对应的惩罚信息越大。
第三,基于上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的初始匹配信息和惩罚信息,确定匹配信息。
具体的,上述执行主体可以叠加初始匹配信息和惩罚信息,确定匹配信息。
初始匹配信息例如可以是特征点之间的汉明距离,在汉明特征的距离的基础上叠加惩罚信息,得到上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的调整后汉明距离,进而根据调整后汉明距离确定相匹配的特征点,得到匹配信息。
本实现方式中,上述执行主体基于扫描过程的运动信息,确定目标区域中的不同特征点在匹配过程中的惩罚信息,避免了图像存在重复纹理的情况下导致匹配失误的情况,提高了匹配信息的准确度。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述第二步骤:对于上一帧图像中的特征点,根据该特征点的位置信息、当前图像之前的相邻图像中相匹配的特征点之间的位置距离以及当前图像之前的相邻图像之间的映射变换信息,采用预设惩罚函数,确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的惩罚信息。
其中,预设惩罚函数表征扫描过程的运动信息与惩罚信息之间的对应关系。
作为示例,预设惩罚函数可以表示为:
Penalty=F1(x_t-1,y_t-1,mean_dx,mean_dy,h)
其中,Penalty表征所得到的惩罚信息,F1表征预设惩罚函数,x_t-1、y_t-1分别表征上一帧图像中的特征点的坐标,mean_dx,mean_dy表征当前图像之前的相邻图像中相匹配的特征点之间的位置距离,h表征映射变换信息。
需要说明的是,F1函数的自变量以及函数结构等可以根据实际情况具体设置,旨在应对重复纹理,提高图像存在重复纹理的情况下的匹配准确度。
本实现方式中,可以灵活设置预设惩罚函数,以确定目标区域中各特征点对应的惩罚信息,提高了信息确定的灵活性和实用性。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述第三步骤:
采用交叉检查策略,基于上一帧图像中的特征点与对应于该特征点的目标区域中的特征点之间的初始匹配信息和惩罚信息,确定匹配信息。
其中,交叉检查策略表征分别进行正反两个方向的特征点匹配,只有两个方向都能匹配到相同的特征点对,才能确定两个特征点相匹配。作为示例,将第三帧图像映射至第二帧图像视角下得到映射图像,基于本公开确定第二帧图像与第三帧图像的映射图像之间的匹配信息;并且,将第二帧图像映射至第三帧图像的视角下得到映射图像,基于本公开确定第三帧图像与第二帧图像的映射图像之间的匹配信息;当两种匹配信息一致时,才能确定为正确的匹配信息。本实现方式,基于交叉检查策略,进一步提高了所得到的匹配信息的准确度。
步骤204,根据匹配信息,确定当前图像与上一帧图像之间的映射变换信息。
本实施例中,上述执行主体可以根据匹配信息,确定当前图像与上一帧图像之间的映射变换信息。
作为示例,依据相邻两帧图像匹配信息,上述执行主体可以通过RANSAC(Randomsample consensus,随机抽样一致算法)得到相邻两帧图像之间的单应矩阵。
该映射变换信息可以用于拼接当前图像与上一帧图像,也可作为当前图像的下一帧图像得到所对应的映射图像所依据的映射变换信息。
在本实施例的一些可选的实现方式中,上述执行主体还可以根据图像序列中的相邻图像之间的映射变换信息,拼接图像序列中的图像。
基于快速、准确的特征匹配过程,本实现方式提高了图像拼接的效率和准确度,使得本公开可以应用于快速扫描场景中,扩展了适用范围。
继续参见图3,图3是根据本实施例的用于图像特征点匹配的方法的应用场景的一个示意图300。在图3的应用场景中,文本扫描设备301扫描文件中的文本信息,得到包括多个图像的图像序列。服务器302对于所获取的图像序列中的图像,执行如下操作:根据当前图像T之前的相邻图像T-1、T-2之间的映射变换信息H_1,得到当前图像T的映射图像T-1′;确定映射图像T-1′中与当前图像T的上一帧图像T-1中的特征点进行匹配的目标区域;将上一帧图像T-1中的特征点与对应于该特征点的目标区域中的特征点进行匹配,确定当前图像T与上一帧图像T-1之间关于特征点的匹配信息;根据匹配信息,确定当前图像T与上一帧图像T-1之间的映射变换信息H。如此循环,得到图像序列中所有相邻图像的匹配信息和映射变换信息。
本实施例中,提供了一种用于图像序列中的相邻图像之间记性特征点匹配的方法,基于之前的相邻图像之间的运动跟踪信息,确定当前图像的映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域,将上一帧图像中的特征点与所对应的目标区域中的特征点进行匹配,减少了信息计算量,提高了特征点匹配的准确度和效率。
继续参考图4,示出了根据本公开的方法的一个用于图像特征点匹配的方法实施例的示意性流程400,对于所获取的图像序列中的图像,执行以下步骤:
步骤401,根据当前图像之前的相邻图像之间的映射变换信息,得到当前图像的映射图像。
步骤402,根据当前图像之前的相邻图像中相匹配的特征点之间的位置距离,确定映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域。
步骤403,确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的初始匹配信息。
步骤404,对于上一帧图像中的特征点,根据该特征点的位置信息、当前图像之前的相邻图像中相匹配的特征点之间的位置距离以及当前图像之前的相邻图像之间的映射变换信息,采用预设惩罚函数,确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的惩罚信息。
其中,预设惩罚函数表征扫描过程的运动信息与惩罚信息之间的对应关系。
步骤405,采用交叉检查策略,基于上一帧图像中的特征点与对应于该特征点的目标区域中的特征点之间的初始匹配信息和惩罚信息,确定匹配信息。
步骤406,根据当前图像与上一帧图像之间的映射变换信息,拼接当前图像与上一帧图像。
从本实施例中可以看出,与图2对应的实施例相比,本实施例中的用于图像特征点匹配的方法的流程400具体说明了确定特征点对应的目标区域的过程,确定目标区域中每个特征点对应的惩罚信息的过程,以及实时图像拼接的过程,提高了特征匹配、图像拼接的准确度和效率。
继续参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于图像特征点匹配的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,用于图像特征点匹配的装置对于所获取的图像序列中的图像,通过如下单元执行如下操作:得到单元501,被配置成根据当前图像之前的相邻图像之间的映射变换信息,得到当前图像的映射图像;第一确定单元502,被配置成确定映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域;第二确定单元503,被配置成将上一帧图像中的特征点与对应于该特征点的目标区域中的特征点进行匹配,确定当前图像与上一帧图像之间关于特征点的匹配信息;第三确定单元504,被配置成根据匹配信息,确定当前图像与上一帧图像之间的映射变换信息。
在本实施例的一些可选的实现方式中,第一确定单元502,进一步被配置成:根据当前图像之前的相邻图像中相匹配的特征点之间的位置距离,确定映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域。
在本实施例的一些可选的实现方式中,第二确定单元503,进一步被配置成:确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的初始匹配信息;根据得到当前图像之前的相邻图像的扫描过程的运动信息,确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的惩罚信息;基于上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的初始匹配信息和惩罚信息,确定匹配信息。
在本实施例的一些可选的实现方式中,第二确定单元503,进一步被配置成:对于上一帧图像中的特征点,根据该特征点的位置信息、当前图像之前的相邻图像中相匹配的特征点之间的位置距离以及当前图像之前的相邻图像之间的映射变换信息,采用预设惩罚函数,确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的惩罚信息,其中,预设惩罚函数表征扫描过程的运动信息与惩罚信息之间的对应关系。
在本实施例的一些可选的实现方式中,第二确定单元503,进一步被配置成:采用交叉检查策略,基于上一帧图像中的特征点与对应于该特征点的目标区域中的特征点之间的初始匹配信息和惩罚信息,确定匹配信息。
在本实施例的一些可选的实现方式中,上述装置还包括:拼接单元(图中未示出),被配置成根据图像序列中的相邻图像之间的映射变换信息,拼接图像序列中的图像。
本实施例中,提供了一种用于图像序列中的相邻图像之间记性特征点匹配的装置,基于之前的相邻图像之间的运动跟踪信息,确定当前图像的映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域,将上一帧图像中的特征点与所对应的目标区域中的特征点进行匹配,减少了信息计算量,提高了特征点匹配的准确度和效率。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任意实施例所描述的用于图像特征点匹配的方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的用于图像特征点匹配的方法。
本公开实施例提供了一种计算机程序产品,该计算机程序在被处理器执行时能够实现上述任意实施例所描述的用于图像特征点匹配的方法。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如用于图像特征点匹配的方法。例如,在一些实施例中,用于图像特征点匹配的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的用于图像特征点匹配的方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于图像特征点匹配的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷;也可以为分布式系统的服务器,或者是结合了区块链的服务器。
根据本公开实施例的技术方案,提供了一种用于图像序列中的相邻图像之间记性特征点匹配的方法,基于之前的相邻图像之间的运动跟踪信息,确定当前图像的映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域,将上一帧图像中的特征点与所对应的目标区域中的特征点进行匹配,减少了信息计算量,提高了特征点匹配的准确度和效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种用于图像特征点匹配的方法,对于所获取的图像序列中的图像,执行如下操作:
根据当前图像之前的相邻图像之间的映射变换信息,得到当前图像的映射图像;
确定所述映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域;
将上一帧图像中的特征点与对应于该特征点的目标区域中的特征点进行匹配,确定当前图像与上一帧图像之间关于特征点的匹配信息,包括:确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的初始匹配信息;根据得到当前图像之前的相邻图像的扫描过程的运动信息,确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的惩罚信息;采用交叉检查策略,基于上一帧图像中的特征点与对应于该特征点的目标区域中的特征点之间的初始匹配信息和惩罚信息,确定所述匹配信息;
根据所述匹配信息,确定当前图像与上一帧图像之间的映射变换信息。
2.根据权利要求1所述的方法,其中,所述确定所述映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域,包括:
根据当前图像之前的相邻图像中相匹配的特征点之间的位置距离,确定所述映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域。
3.根据权利要求1所述的方法,其中,所述根据得到当前图像之前的相邻图像的扫描过程的运动信息,确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的惩罚信息,包括:
对于上一帧图像中的特征点,根据该特征点的位置信息、当前图像之前的相邻图像中相匹配的特征点之间的位置距离以及当前图像之前的相邻图像之间的映射变换信息,采用预设惩罚函数,确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的惩罚信息,其中,所述预设惩罚函数表征所述扫描过程的运动信息与惩罚信息之间的对应关系。
4.根据权利要求1-3中任一项所述的方法,其中,还包括:
根据所述图像序列中的相邻图像之间的映射变换信息,拼接所述图像序列中的图像。
5.一种用于图像特征点匹配的装置,对于所获取的图像序列中的图像,通过如下单元执行如下操作:
得到单元,被配置成根据当前图像之前的相邻图像之间的映射变换信息,得到当前图像的映射图像;
第一确定单元,被配置成确定所述映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域;
第二确定单元,被配置成将上一帧图像中的特征点与对应于该特征点的目标区域中的特征点进行匹配,确定当前图像与上一帧图像之间关于特征点的匹配信息,包括:确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的初始匹配信息;根据得到当前图像之前的相邻图像的扫描过程的运动信息,确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的惩罚信息;采用交叉检查策略,基于上一帧图像中的特征点与对应于该特征点的目标区域中的特征点之间的初始匹配信息和惩罚信息,确定所述匹配信息;
第三确定单元,被配置成根据所述匹配信息,确定当前图像与上一帧图像之间的映射变换信息。
6.根据权利要求5所述的装置,其中,所述第一确定单元,进一步被配置成:
根据当前图像之前的相邻图像中相匹配的特征点之间的位置距离,确定所述映射图像中与当前图像的上一帧图像中的特征点进行匹配的目标区域。
7.根据权利要求5所述的装置,其中,所述第二确定单元,进一步被配置成:
对于上一帧图像中的特征点,根据该特征点的位置信息、当前图像之前的相邻图像中相匹配的特征点之间的位置距离以及当前图像之前的相邻图像之间的映射变换信息,采用预设惩罚函数,确定上一帧图像中的特征点与对应于该特征点的目标区域中的每个特征点之间的惩罚信息,其中,所述预设惩罚函数表征所述扫描过程的运动信息与惩罚信息之间的对应关系。
8.根据权利要求5-7中任一项所述的装置,其中,还包括:
拼接单元,被配置成根据所述图像序列中的相邻图像之间的映射变换信息,拼接所述图像序列中的图像。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111151056.3A CN114119990B (zh) | 2021-09-29 | 2021-09-29 | 用于图像特征点匹配的方法、装置及计算机程序产品 |
US17/865,261 US20220351495A1 (en) | 2021-09-29 | 2022-07-14 | Method for matching image feature point, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111151056.3A CN114119990B (zh) | 2021-09-29 | 2021-09-29 | 用于图像特征点匹配的方法、装置及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114119990A CN114119990A (zh) | 2022-03-01 |
CN114119990B true CN114119990B (zh) | 2023-10-27 |
Family
ID=80441658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111151056.3A Active CN114119990B (zh) | 2021-09-29 | 2021-09-29 | 用于图像特征点匹配的方法、装置及计算机程序产品 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220351495A1 (zh) |
CN (1) | CN114119990B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115424353B (zh) * | 2022-09-07 | 2023-05-05 | 杭银消费金融股份有限公司 | 基于ai模型的业务用户特征识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376563A (zh) * | 2014-11-21 | 2015-02-25 | 深圳市理邦精密仪器股份有限公司 | 一种超声宽景成像的处理方法及装置 |
CN107657640A (zh) * | 2017-09-30 | 2018-02-02 | 南京大典科技有限公司 | 基于orb slam的智能巡防巡检管理方法 |
WO2020108366A1 (zh) * | 2018-11-27 | 2020-06-04 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN112991180A (zh) * | 2021-03-25 | 2021-06-18 | 北京百度网讯科技有限公司 | 图像拼接方法、装置、设备以及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101129328B1 (ko) * | 2010-03-03 | 2012-03-26 | 광주과학기술원 | 타겟 추적 장치 및 방법 |
-
2021
- 2021-09-29 CN CN202111151056.3A patent/CN114119990B/zh active Active
-
2022
- 2022-07-14 US US17/865,261 patent/US20220351495A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376563A (zh) * | 2014-11-21 | 2015-02-25 | 深圳市理邦精密仪器股份有限公司 | 一种超声宽景成像的处理方法及装置 |
CN107657640A (zh) * | 2017-09-30 | 2018-02-02 | 南京大典科技有限公司 | 基于orb slam的智能巡防巡检管理方法 |
WO2020108366A1 (zh) * | 2018-11-27 | 2020-06-04 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN112991180A (zh) * | 2021-03-25 | 2021-06-18 | 北京百度网讯科技有限公司 | 图像拼接方法、装置、设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于局部一致性的三维点云增长算法研究;田野;中国优秀硕士学位论文全文数据库信息科技辑(第04期);第I138-3342页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114119990A (zh) | 2022-03-01 |
US20220351495A1 (en) | 2022-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597837B (zh) | 图像检测方法、装置、设备、存储介质和计算机程序产品 | |
CN112560684B (zh) | 车道线检测方法、装置、电子设备、存储介质以及车辆 | |
CN112862877B (zh) | 用于训练图像处理网络和图像处理的方法和装置 | |
CN112634343A (zh) | 图像深度估计模型的训练方法、图像深度信息的处理方法 | |
CN112991180B (zh) | 图像拼接方法、装置、设备以及存储介质 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN113205041B (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN113392794B (zh) | 车辆跨线识别方法、装置、电子设备和存储介质 | |
CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
US20220172376A1 (en) | Target Tracking Method and Device, and Electronic Apparatus | |
CN115359308B (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN114792355A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114119990B (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN114187488B (zh) | 图像处理方法、装置、设备、介质 | |
CN113537309B (zh) | 一种对象识别方法、装置及电子设备 | |
CN113870428A (zh) | 场景地图生成方法、相关装置及计算机程序产品 | |
CN113112398A (zh) | 图像处理方法和装置 | |
CN116229209B (zh) | 目标模型的训练方法、目标检测方法及装置 | |
CN113392795B (zh) | 联合检测模型训练、联合检测方法、装置、设备及介质 | |
CN113870142B (zh) | 用于增强图像对比度的方法、装置 | |
CN112991179B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN116168442B (zh) | 样本图像生成方法、模型的训练方法、目标检测方法 | |
CN113506368B (zh) | 地图数据融合方法、装置、电子设备、介质和程序产品 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |