CN115205562B - 一种基于特征点的任意试卷配准方法 - Google Patents
一种基于特征点的任意试卷配准方法 Download PDFInfo
- Publication number
- CN115205562B CN115205562B CN202210870934.5A CN202210870934A CN115205562B CN 115205562 B CN115205562 B CN 115205562B CN 202210870934 A CN202210870934 A CN 202210870934A CN 115205562 B CN115205562 B CN 115205562B
- Authority
- CN
- China
- Prior art keywords
- test paper
- registration
- points
- template
- filtering
- 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
Images
Classifications
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及教育信息化技术领域,公开了一种基于特征点的任意试卷配准方法,包括以下步骤:步骤S1,选择一张试卷作为模板试卷;步骤S2,提取模板试卷特征,将模板试卷特征数据转为二进制文件并缓存在Redis中作为缓存文件;步骤S3,输入待配准试卷提取特征与缓存文件配准,并对配准点进行二次过滤和特征点分配,获取过滤分配特征点;步骤S4,根据过滤分配特征点数量确定当前试卷属性;步骤S5,将过滤分配特征点输入进MAGSAC++估计器中计算模板试卷和待配准试卷两个试卷图像的变换矩阵,通过透视变换完成两个试卷图像的配准。本发明取消挑选绘制定位标记的过程避免主观性,降低图像噪声干扰带来的误差提升答题卡图像配准的准确性。
Description
技术领域
本发明涉及教育信息化技术领域,具体地说,是一种基于特征点的任意试卷配准方法。
背景技术
目前市面上的网络阅卷技术和系统需要按照该产品的规范定制试卷,试卷扫描上传后一般根据试卷上预设的特殊定位标记来做定位配准然后切题识别,这种应用具有较大局限性,首先需要使用该系统来制作答题卡,限制了学校使用的试卷范围,不支持市面上众多的其他类型第三方试卷;其次,某些系统虽支持第三方试卷,但是需要选择一个试卷作为模板,指定在模板上绘制各种定位区域,一般选取某些特殊点或者线,一方面三方试卷并不一定包含这些特殊的定位标记,导致难以挑选绘制,另一方面在实际打印扫描的过程中,试卷的定位标记可能不清晰或缺失或被污染,这些干扰噪声的不确定性最终影响后续的定位配准的准确性。
因此,为了解决上述问题,本发明提供一种方法解决任意答题卡的“网阅”配准问题,取消挑选绘制定位标记的过程避免主观性,降低图像噪声干扰带来的误差提升答题卡图像配准的准确性。
发明内容
本发明的目的在于提供一种基于特征点的任意试卷配准方法,取消挑选绘制定位标记的过程避免主观性,降低图像噪声干扰带来的误差提升答题卡图像配准的准确性。
本发明通过下述技术方案实现:一种基于特征点的任意试卷配准方法,包括以下步骤:
步骤S1,选择一张试卷作为模板试卷;
步骤S2,提取模板试卷特征,将模板试卷特征数据转为二进制文件并缓存在Redis中作为缓存文件;
步骤S3,输入待配准试卷提取特征与缓存文件配准,并对配准点依次进行二次过滤和特征点分配,获取过滤分配特征点;
步骤S4,根据过滤分配特征点数量确定当前试卷属性;
步骤S5,将过滤分配特征点输入进MAGSAC++估计器中计算模板试卷和待配准试卷两个试卷图像的变换矩阵,通过透视变换完成两个试卷图像的配准。
为了更好地实现本发明,进一步地,所述步骤S1包括:
从扫描上传的一批单面答题卡中随机挑选一张图像答题卡,将其旋转正作为配准模板;
从扫描上传的一批双面答题卡中随机挑选一张图像答题卡,判断图像答题卡面情况并将其旋转正作为配准模板。
为了更好地实现本发明,进一步地,所述步骤S2包括:
采用ORB作为特征提取器,使用BEBLID作为特征描述子提取模板特征。
为了更好地实现本发明,进一步地,所述步骤S3中二次过滤的方法包括;
首先进行距离过滤,计算两点距离,计算完距离的集合,取距离的众数代表特征点映射的真实距离,点对距离误差超过距离阈值则认为是距离错误匹配;
距离过滤后行角度过滤,取角度的众数作为真实角度偏移,点对角度误差超过角度阈值认为是角度错误匹配;
通过二次过滤依次过滤掉配准点中的距离错误匹配和角度错误匹配。
为了更好地实现本发明,进一步地,所述步骤S3中特征点分配的方法包括:
步骤S31,将答题卡均分为16个块,计算每个块中包含的特征点对数量以及占全部特征点的比例R;
步骤S32,以每个特征点为中心画一个6*6像素的正方形框;
步骤S33,按照比例R从每个区域随机选择不重复的特征点;
步骤S34,选取特征点后遍历剩下的特征点框,当正方形出现重合的时候,假设当前选取的框B1的左上角坐标为(x1,y1)右下角为(x2,y2),剩下需要遍历的框B2左上角坐标为(x3,y3)右下角为(x4,y4),计算交并比IOU并表示为其中x2为框B1右下角的横坐标,x3为框B2左上角的横坐标,y2为框B1右下角的纵坐标,y3为框B2左上角的纵坐标;
步骤S35,当IOU>(1-R)时,移除框B2对应的特征点对,特征点集中的区域移除的概率更高,由此完成自适应的特征点空间位置分配。
为了更好地实现本发明,进一步地,所述步骤S4中当前试卷属性包括当前试卷图像的正立倒立情况和正面背面状态。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明无需人为选择特殊定位点定位线;
(2)本发明通过计算距离和角度组合的方式过滤错误的匹配点对;
(3)本发明通过划分区域以及构建特征点框的形式使特征分布更均匀,降低估计器使用到局部特征计算变换的概率;
(4)本发明利用特征点提取的方法自动获取图像关键信息无需手动标注以及针对提升特征点匹配在应用到该场景下使用的算法优化。
附图说明
本发明结合下面附图和实施例做进一步说明,本发明所有构思创新应视为所公开内容和本发明保护范围。
图1为本发明提供的一种基于特征点的任意试卷配准方法中的整体流程图。
图2为本发明提供的一种基于特征点的任意试卷配准方法中的配准算法流程图。
图3为本发明提供的一种基于特征点的任意试卷配准方法中过滤误差点方法示意图。
图4为本发明提供的一种基于特征点的任意试卷配准方法中透视变换的示意图。
图5为本发明提供的一种基于特征点的任意试卷配准方法中优化特征的空间分配示意图。
图6为本发明提供的一种基于特征点的任意试卷配准方法中计算交并比示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作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。
实施例1:
本实施例的一种基于特征点的任意试卷配准方法,如图1所示,本发明首先随机选择一张试卷作为模板;提取模板特征,在Redis中缓存为二进制特征文件;输入待配准试卷提取特征;从Redis加载模板特征与其匹配计算特征点数量;确定当前试卷属性;与对应模板特征匹配;使用MAGSAC++估计变换矩阵;最后完成图像配准。
实施例2:
本实施例在实施例1的基础上做进一步优化,在本实施例中,从扫描上传的一批单面答题卡中随机挑选一张图像答题卡,一批答题卡扫描后图像可能存在0°(0°代表图像正立)、90°(90°代表正立图像逆时针旋转90度的状态)、180°(180°代表倒立)、270°(270°代表逆时针270度的状态)四种情况。A4答题卡高大于宽,通过宽、高来判断可以将90°、270°的图像旋转90°,此时只存在0°正立和180°倒立两种情况。
从扫描上传的一批双面答题卡中随机挑选一张图像答题卡,双面图像答题卡与单面区别在于除了判断正立和倒立还需要判断当前输入答题卡是正面还是背面,若存在多面的情况,需要判断的情况为2*面数。
本实施例的其他部分与实施例1相同,故不再赘述。
实施例3:
本实施例在上述实施例1或2的基础上做进一步优化,在本实施例中,将每一面模板图像旋转180°得到倒立模板,原模板和倒立模板均进行特征提取。特征提取器采用ORB(Oriented FAST and Rotated BRIEF),ORB一般使用BRIEF作为特征描述,本发明引入BEBLID(Boosted Efficient Binary Local Image Descriptor)作为特征描述子,这是一种高效的局部特征二进制描述符,将ORB描述符(如BRIEF)替换为BEBLID在基准测试中可以以相同的效率大大改进BRIEF,在相同的特征点数情况下,可以得到更多的有效特征点,总体提升约14%的匹配效果。
ORB特征提取过程包括:从图片选取一个像素点m,灰度值为lp;设定一个阈值t,当两个点灰度之差的绝对值大于t则认为这两个点不同,否则认为相同;以点m为中心,3像素为半径画圆,圆弧上有16个像素点,以圆弧上的上下左右4个点为准,如果至少3个点与m点灰度值相同,则m点为特征点;对整个图像做一样的操作即可得到整个图像特征点;BEBLID利用了关键点周围图像的不同区域的平均灰度差是更高效的二进制描述符,本发明相当于用BEBLID对ORB中默认的描述方法替换,提升准确性。
因为模板图像是固定的,为避免每次输入待配准图像都重复计算模板的特征,将提取的特征数据转为二进制文件缓存在Redis中。
本实施例的其他部分与上述实施例1或2相同,故不再赘述。
实施例4:
本实施例在上述实施例1-3任一项的基础上做进一步优化,在本实施例中,待配准图像提取特征后与缓存文件配准,匹配后的特征点数量越多证明图像相似度越高,由此确定当前图像的正立倒立情况,正面还是背面等状态。
本实施例的其他部分与上述实施例1-3任一项相同,故不再赘述。
实施例5:
本实施例在上述实施例1-4任一项基础上做进一步优化,配准点优化
匹配后的点集一般会存在一部分误匹配的情况,针对此问题,本发明采用两种方法过滤。
设存在i(i>0)对点集,模板特征点集坐标为{(Xi,Yi)},Xi代表模板特征点的横坐标,Yi代表模板特征点纵坐标;待匹配图像特征点集坐标为{(Xj,Yj)},Xj代表待匹配图像特征点的横坐标,Yj代表待匹配图像特征点的纵坐标,模板图像宽度为W。
首先进行距离过滤:
计算两点距离:
计算完距离的集合,取距离的众数代表特征点映射的真实距离,点对距离误差超过5则认为是错误匹配。此方法能过滤掉一部分距离异常点,但有可能出现距离相近但是属于错误匹配。
接着进行角度过滤:
得到角度的集合,取角度的众数作为真实角度偏移,点对角度误差超过1°认为是错误匹配,弥补了距离筛选的缺陷。
距离过滤之后角度过滤,这两步必然存在,角度过滤是为了弥补距离过滤的不足。
本实施例的其他部分与上述实施例1-4任一项相同,故不再赘述。
实施例6:
本实施例在上述实施例1-5任一项基础上做进一步优化,在答题卡的图像中,存在比较明显的空间特征点分布不同。当估计器迭代时,随机选择的概率将会集中于特征点数多的区域,而局部区域特征估算出来的变换矩阵不能代表全局图像的变换。如附图5所示,答题卡左上角文字区域集中,相应的特征点也会更多,因此本专利提出一种优化方法。
①将答题卡均分为16个块,计算每个块中包含的特征点对数量以及占全部特征点的比例R
②以每个特征点为中心画一个6*6像素的正方形框
③按照比例R从每个区域随机选择不重复的特征点
④选取特征点后遍历剩下的特征点框,当正方形出现重合的时候,如附图6,假设当前选取的框B1的左上角坐标为(x1,y1)右下角为(x2,y2),剩下需要遍历的框B2左上角坐标为(x3,y3)右下角为(x4,y4),计算交并比
⑤当IOU>(1-R)时,移除B2对应的特征点对,特征点集中的区域移除的概率更高,由此完成自适应的特征点空间位置分配。
本实施例的其他部分与上述实施例1-5任一项相同,故不再赘述。
实施例7:
本实施例在上述实施例1-6任一项基础上做进一步优化,计算变换矩阵经过双重筛选以及特征点分配后的特征点集的错误比例能大幅降低。使用MAGSAC++算法计算图像变换矩阵。
MAGSAC++是一种快速、可靠、准确的鲁棒性估计器,在用于单应性和基本矩阵拟合的公开真实世界数据集上,产生的结果最优。筛选后的特征点集输入到估计器中计算两个图像的变换矩阵,通过透视变换完成图像的配准。
本实施例的其他部分与上述实施例1-6任一项相同,故不再赘述。
实施例8:
本实施例在上述实施例1-7任一项基础上做进一步优化,以单面答题卡为例,上传的一批答题卡随机选择一张作为模板图像,将模板调正,提取出这个模板的特征缓存到Redis中,将模板旋转180度重复上述过程。后面需要配准的答题卡输入后首先提取特征,与Redis中的两种特征做匹配,如果与正面模板特征的匹配点数更高,那么代表当前为正立的图像,反之当前图像倒立。确定图像当前状态后,再与对应的模板特征配准,配准后的点集经过距离和角度筛选,如图3所示,P1应该与P2点匹配,因为P3到P1与P2到P1距离相近,距离筛选无法过滤,采用角度过滤掉误匹配,获得相对准确的点集。然后使用MAGSAC++算法计算出图像变换矩阵H,相当于把当前不规则的答题卡图像通过H映射为规则的模板图像,如图4所示,完成图像的配准。
本实施例的其他部分与上述实施例1-7任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (3)
1.一种基于特征点的任意试卷配准方法,其特征在于,包括以下步骤:
步骤S1,选择一张试卷作为模板试卷;
步骤S2,提取模板试卷特征,将模板试卷特征数据转为二进制文件并缓存在Redis中作为缓存文件;
步骤S3,输入待配准试卷提取特征与缓存文件配准,并对配准点依次进行二次过滤和特征点分配,获取过滤分配特征点;
步骤S4,根据过滤分配特征点数量确定当前试卷属性;
步骤S5,将过滤分配特征点输入进MAGSAC++估计器中计算模板试卷和待配准试卷两个试卷图像的变换矩阵,通过透视变换完成两个试卷图像的配准;
所述步骤S3中二次过滤的方法包括:
首先进行距离过滤,计算两点距离,计算完距离的集合,取距离的众数代表特征点映射的真实距离,点对距离误差超过距离阈值则认为是距离错误匹配;
距离过滤后行角度过滤,取角度的众数作为真实角度偏移,点对角度误差超过角度阈值认为是角度错误匹配;
通过二次过滤过滤掉配准点中的距离错误匹配和角度错误匹配;
所述步骤S3中特征点分配的方法包括:
步骤S31,将答题卡均分为16个块,计算每个块中包含的特征点对数量以及占全部特征点的比例R;
步骤S32,以每个特征点为中心画一个6*6像素的正方形框;
步骤S33,按照比例R从每个区域随机选择不重复的特征点;
步骤S34,选取特征点后遍历剩下的特征点框,当正方形出现重合的时候,假设当前选取的框B1的左上角坐标为(x1,y1)右下角为(x2,y2),剩下需要遍历的框B2左上角坐标为(x3,y3)右下角为(x4,y4),计算交并比IOU并表示为,其中其中,x2为框B1右下角的横坐标,x3为框B2左上角的横坐标,y2为框B1右下角的纵坐标,y3为框B2左上角的纵坐标;
步骤S35,当IOU>(1-R)时,移除框B2对应的特征点对,特征点集中的区域移除的概率更高,由此完成自适应的特征点空间位置分配;
所述步骤S4中当前试卷属性包括当前试卷图像的正立倒立情况和正面背面状态。
2.根据权利要求1所述的一种基于特征点的任意试卷配准方法,其特征在于,所述步骤S1包括:
从扫描上传的一批单面答题卡中随机挑选一张图像答题卡,将其旋转正作为配准模板;
从扫描上传的一批双面答题卡中随机挑选一张图像答题卡,判断图像答题卡面情况并将其旋转正作为配准模板。
3.根据权利要求1所述的一种基于特征点的任意试卷配准方法,其特征在于,所述步骤S2包括:
采用ORB作为特征提取器,使用BEBLID作为特征描述子提取模板特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210870934.5A CN115205562B (zh) | 2022-07-22 | 2022-07-22 | 一种基于特征点的任意试卷配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210870934.5A CN115205562B (zh) | 2022-07-22 | 2022-07-22 | 一种基于特征点的任意试卷配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115205562A CN115205562A (zh) | 2022-10-18 |
CN115205562B true CN115205562B (zh) | 2023-03-14 |
Family
ID=83583427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210870934.5A Active CN115205562B (zh) | 2022-07-22 | 2022-07-22 | 一种基于特征点的任意试卷配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115205562B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495950B (zh) * | 2023-12-29 | 2024-03-26 | 山东五思信息科技有限公司 | 一种基于密度聚类的试卷密封线定位方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872475A (zh) * | 2009-04-22 | 2010-10-27 | 中国科学院自动化研究所 | 一种扫描文档图像自动配准方法 |
US9245201B1 (en) * | 2013-03-15 | 2016-01-26 | Excelis Inc. | Method and system for automatic registration of images |
CN105844616A (zh) * | 2016-03-17 | 2016-08-10 | 湖南优象科技有限公司 | 激光散射斑点辅助下的双目立体匹配算法与装置 |
CN106558072A (zh) * | 2016-11-22 | 2017-04-05 | 重庆信科设计有限公司 | 一种基于改进sift特征在遥感图像上配准的方法 |
CN106952331A (zh) * | 2017-02-28 | 2017-07-14 | 深圳信息职业技术学院 | 一种基于三维模型的纹理映射方法和装置 |
CN106981081A (zh) * | 2017-03-06 | 2017-07-25 | 电子科技大学 | 一种基于深度信息提取的墙面平整度检测方法 |
CN108182391A (zh) * | 2017-12-19 | 2018-06-19 | 中山大学 | 一种基于教育视频自动提取不重复的幻灯片方法 |
CN110738222A (zh) * | 2018-07-18 | 2020-01-31 | 深圳兆日科技股份有限公司 | 图像匹配方法、装置、计算机设备和存储介质 |
CN112348019A (zh) * | 2020-11-17 | 2021-02-09 | 武汉璞睿互联技术有限公司 | 一种答题卡矫正方法、装置、电子设备及存储介质 |
CN112597868A (zh) * | 2020-12-17 | 2021-04-02 | 四川才子软件信息网络有限公司 | 基于无定位点的试卷识别和矫正方法 |
CN113033590A (zh) * | 2019-12-25 | 2021-06-25 | 杭州海康机器人技术有限公司 | 图像特征匹配方法、装置、图像处理设备及存储介质 |
CN113095187A (zh) * | 2021-04-01 | 2021-07-09 | 杭州云梯科技有限公司 | 一种基于图像特征匹配对齐的试卷批改方法 |
CN113435479A (zh) * | 2021-06-03 | 2021-09-24 | 湖北大学 | 基于区域特征表达约束的特征点匹配方法与系统 |
CN113554036A (zh) * | 2021-07-07 | 2021-10-26 | 浙江工业大学 | 一种改进orb算法的特征点提取与匹配方法 |
CN113673428A (zh) * | 2021-08-20 | 2021-11-19 | 上海鹿鹭网络科技有限公司 | 一种答题卡图片中自动识别的方法 |
CN114693524A (zh) * | 2022-04-01 | 2022-07-01 | 杭州职业技术学院 | 侧扫声呐图像准确匹配快速拼接方法、设备及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9070002B2 (en) * | 2011-10-18 | 2015-06-30 | King Fahd University Of Petroleum And Minerals | Method of performing fingerprint matching |
US9576221B2 (en) * | 2014-07-09 | 2017-02-21 | Ditto Labs, Inc. | Systems, methods, and devices for image matching and object recognition in images using template image classifiers |
US9846948B2 (en) * | 2014-07-09 | 2017-12-19 | Ditto Labs, Inc. | Systems, methods, and devices for image matching and object recognition in images using feature point optimization |
CN110110715A (zh) * | 2019-04-30 | 2019-08-09 | 北京金山云网络技术有限公司 | 文本检测模型训练方法、文本区域、内容确定方法和装置 |
CN111353445A (zh) * | 2020-03-05 | 2020-06-30 | 三构科技(武汉)有限公司 | 一种基于深度学习的患者援助智能审核系统 |
CN114331946A (zh) * | 2021-08-27 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、设备以及介质 |
CN114220148A (zh) * | 2021-12-07 | 2022-03-22 | 中信银行股份有限公司 | 线上考试监考的处理方法、装置、终端设备及存储介质 |
CN114548218A (zh) * | 2022-01-12 | 2022-05-27 | 网易(杭州)网络有限公司 | 图像匹配方法、装置、存储介质和电子装置 |
-
2022
- 2022-07-22 CN CN202210870934.5A patent/CN115205562B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872475A (zh) * | 2009-04-22 | 2010-10-27 | 中国科学院自动化研究所 | 一种扫描文档图像自动配准方法 |
US9245201B1 (en) * | 2013-03-15 | 2016-01-26 | Excelis Inc. | Method and system for automatic registration of images |
CN105844616A (zh) * | 2016-03-17 | 2016-08-10 | 湖南优象科技有限公司 | 激光散射斑点辅助下的双目立体匹配算法与装置 |
CN106558072A (zh) * | 2016-11-22 | 2017-04-05 | 重庆信科设计有限公司 | 一种基于改进sift特征在遥感图像上配准的方法 |
CN106952331A (zh) * | 2017-02-28 | 2017-07-14 | 深圳信息职业技术学院 | 一种基于三维模型的纹理映射方法和装置 |
CN106981081A (zh) * | 2017-03-06 | 2017-07-25 | 电子科技大学 | 一种基于深度信息提取的墙面平整度检测方法 |
CN108182391A (zh) * | 2017-12-19 | 2018-06-19 | 中山大学 | 一种基于教育视频自动提取不重复的幻灯片方法 |
CN110738222A (zh) * | 2018-07-18 | 2020-01-31 | 深圳兆日科技股份有限公司 | 图像匹配方法、装置、计算机设备和存储介质 |
CN113033590A (zh) * | 2019-12-25 | 2021-06-25 | 杭州海康机器人技术有限公司 | 图像特征匹配方法、装置、图像处理设备及存储介质 |
CN112348019A (zh) * | 2020-11-17 | 2021-02-09 | 武汉璞睿互联技术有限公司 | 一种答题卡矫正方法、装置、电子设备及存储介质 |
CN112597868A (zh) * | 2020-12-17 | 2021-04-02 | 四川才子软件信息网络有限公司 | 基于无定位点的试卷识别和矫正方法 |
CN113095187A (zh) * | 2021-04-01 | 2021-07-09 | 杭州云梯科技有限公司 | 一种基于图像特征匹配对齐的试卷批改方法 |
CN113435479A (zh) * | 2021-06-03 | 2021-09-24 | 湖北大学 | 基于区域特征表达约束的特征点匹配方法与系统 |
CN113554036A (zh) * | 2021-07-07 | 2021-10-26 | 浙江工业大学 | 一种改进orb算法的特征点提取与匹配方法 |
CN113673428A (zh) * | 2021-08-20 | 2021-11-19 | 上海鹿鹭网络科技有限公司 | 一种答题卡图片中自动识别的方法 |
CN114693524A (zh) * | 2022-04-01 | 2022-07-01 | 杭州职业技术学院 | 侧扫声呐图像准确匹配快速拼接方法、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
IoU-Adaptive Deformable R-CNN: Make Full Use of IoU for Multi-Class Object Detection in Remote Sensing Imagery;Jiangqiao Yan等;《remote sensing》;第11卷(第3期);第1-22页 * |
Locally Rigid Globally Non-rigid Surface Registration;Kent Fujiwara等;《2011 International Conference on Computer Vision》;第1527-1534页 * |
基于改进图像配准算法的图像拼接实现;胡伊日格其;《中国优秀硕士学位论文全文数据库 信息科技辑》(第7期);第I138-1047页 * |
特征级高分辨率遥感图像快速自动配准;何梦梦等;《遥感学报》;第22卷(第2期);第277-292页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115205562A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409374B (zh) | 一种基于联合的同批次试卷答案区域切割方法 | |
CN109636815B (zh) | 一种基于计算机视觉的金属板带产品标签信息识别方法 | |
CN107945111B (zh) | 一种基于surf特征提取结合cs-lbp描述符的图像拼接方法 | |
CN114418899B (zh) | 一种自彩印的自适应修复方法、系统及可读存储介质 | |
CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN102354363A (zh) | 高反光柱面金属上的二维条码图像识别方法 | |
CN110648349A (zh) | 基于背景减除和连通区域算法的焊缝缺陷分割方法 | |
CN115205562B (zh) | 一种基于特征点的任意试卷配准方法 | |
CN101958989A (zh) | 图像处理装置、图像处理系统及图像处理方法 | |
CN111353961A (zh) | 一种文档曲面校正方法及装置 | |
CN115170669A (zh) | 基于边缘特征点集配准的识别定位方法及系统、存储介质 | |
CN102682428A (zh) | 一种基于方向场的指纹图像计算机自动化修补方法 | |
CN112699867A (zh) | 一种固定版式目标图像要素信息提取方法及其系统 | |
CN113592776A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN115457063A (zh) | Pcb板圆孔的边缘提取方法、装置、设备及存储介质 | |
WO2022021687A1 (zh) | 快速响应码区域定位方法、电子设备及存储介质 | |
CN113744142B (zh) | 图像修复方法、电子设备及存储介质 | |
CN109784328B (zh) | 定位条码的方法、终端及计算机可读存储介质 | |
CN111339914B (zh) | 一种基于单张图片的室内天花板地面识别方法 | |
CN113673428A (zh) | 一种答题卡图片中自动识别的方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN110717875B (zh) | 一种高清图像处理方法 | |
CN115512138A (zh) | 基于点线面融合的线特征匹配方法 | |
CN109766889B (zh) | 基于曲线拟合的轨道图像识别后处理方法 | |
CN109784121B (zh) | Dot-peen DPM码的识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |