CN116958606A - 一种图像匹配方法及相关装置 - Google Patents
一种图像匹配方法及相关装置 Download PDFInfo
- Publication number
- CN116958606A CN116958606A CN202311193888.0A CN202311193888A CN116958606A CN 116958606 A CN116958606 A CN 116958606A CN 202311193888 A CN202311193888 A CN 202311193888A CN 116958606 A CN116958606 A CN 116958606A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- feature point
- paired
- point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000000605 extraction Methods 0.000 claims description 80
- 239000013598 vector Substances 0.000 claims description 71
- 238000012545 processing Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 description 34
- 230000002457 bidirectional effect Effects 0.000 description 22
- 238000013527 convolutional neural network Methods 0.000 description 21
- 230000008859 change Effects 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000001914 filtration Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000000007 visual effect Effects 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 5
- 230000001174 ascending effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm 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
- 239000000284 extract Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种图像匹配方法以及相关装置。本申请实施例可应用于计算机视觉技术领域及地图领域。其方法包括:首先,获取第一待配对图像、第二待配对图像及第一待配对图像与第二待配对图像的K个特征点配对组;接着,根据K个坐标数据组,从K个特征点配对组中确定L个目标特征点配对组;然后,根据L个目标特征点配对组中的L个第一特征点及L个第二特征点确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离;最后,根据第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离,确定第一待配对图像与第二待配对图像的匹配结果。本申请实施例提供方法,提高了图像的配对准确率。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像匹配方法及相关装置。
背景技术
随着城市发展,道路两旁的设施设备等要素会进行更新,因此需要对地图中的对应的内容进行更新,以使得地图中的信息与实际道路保持一致。在对地图进行更新时,需要将新采集的道路图像与历史的道路图像进行比对,以找到地图中发生变化的设施设备等要素,进而针对发生变化的要素对地图进行更新。
将新采集的道路图像与历史的道路图像进行比对时,需要先将大量的新采集的道路图像与大量的历史的道路图像进行匹配,但是,在现有技术中,由于采集图像质量较差、道路图像中的要素众多且样本不均衡等问题,只通过浅层特征提取,无法很好的得到图像特征,从而导致新采集的道路图像与历史的道路图像的匹配的准确率较低,进而导致对地图进行更新的准确率较低。
发明内容
本申请实施例提供了一种图像匹配方法以及相关装置,解决了现有技术中图像的匹配的准确率较低的问题。
本申请的一方面提供一种图像匹配方法,包括:
获取第一待配对图像、第二待配对图像及第一待配对图像与第二待配对图像的K个特征点配对组,其中,第一待配对图像中包括K个第一特征点,第二待配对图像中包括K个第二特征点,每个特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个特征点配对组中的第一特征点与第二特征点具有对应关系,K个特征点配对组对应的K个坐标数据组,每个坐标数据组包括属于特征点配对组中的第一特征点的坐标数据及第二特征点的坐标数据,K为大于1的整数;
根据K个坐标数据组,从K个特征点配对组中确定L个目标特征点配对组,其中,目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数;
根据L个目标特征点配对组中的L个第一特征点及L个第二特征点确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离;
根据第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离,确定第一待配对图像与第二待配对图像的匹配结果。
本申请的另一方面提供了一种地图信息更新方法,包括:
获取历史道路图像、目标道路图像及历史道路图像与目标道路图像的K个特征点配对组,其中,目标道路图像的采集时间晚于历史道路图像的采集时间,历史道路图像中包括K个第一特征点,目标道路图像中包括K个第二特征点,每个特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个特征点配对组中的第一特征点与第二特征点具有对应关系,K个特征点配对组对应的K个坐标数据组,每个坐标数据组包括属于特征点配对组中的第一特征点的坐标数据及第二特征点的坐标数据,K为大于1的整数;
根据K个坐标数据组,从K个特征点配对组中确定L个目标特征点配对组,其中,目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数;
根据L个目标特征点配对组中的L个第一特征点及L个第二特征点确定历史道路图像对应的拍摄点距离及目标道路图像对应的拍摄点距离;
根据历史道路图像对应的拍摄点距离及目标道路图像对应的拍摄点距离,确定历史道路图像与目标道路图像的匹配结果;
根据历史道路图像与目标道路图像的匹配结果,确定历史道路图像与目标道路图像中的区别图像要素集合,其中,区别图像要素集合中的区别图像要素来源与历史道路图像及目标道路图像中的至少一项;
根据区别图像要素集合对地图信息进行更新。
本申请的另一方面提供了一种图像匹配装置,包括:待配对图像获取模块、目标特征点配对组确定模块、拍摄点距离计算模块及图像匹配模块;具体的:
待配对图像获取模块,用于获取第一待配对图像、第二待配对图像及第一待配对图像与第二待配对图像的K个特征点配对组,其中,第一待配对图像中包括K个第一特征点,第二待配对图像中包括K个第二特征点,每个特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个特征点配对组中的第一特征点与第二特征点具有对应关系,K个特征点配对组对应的K个坐标数据组,每个坐标数据组包括属于特征点配对组中的第一特征点的坐标数据及第二特征点的坐标数据,K为大于1的整数;
目标特征点配对组确定模块,用于根据K个坐标数据组,从K个特征点配对组中确定L个目标特征点配对组,其中,目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数;
拍摄点距离计算模块,用于根据L个目标特征点配对组中的L个第一特征点及L个第二特征点确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离;
图像匹配模块,用于根据第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离,确定第一待配对图像与第二待配对图像的匹配结果。
在本申请实施例的另一种实现方式中,目标特征点配对组确定模块,还用于:
根据K个第一特征点对应的K个坐标数据中的横坐标数据,对K个第一特征点进行排序,得到K个第一特征点对应的K个第一序号;
根据K个第二特征点对应的K个坐标数据中的横坐标数据,对K个第二特征点进行排序,得到K个第二特征点对应的K个第二序号;
从K个特征点配对组中确定S个候选特征点配对组,其中,S个候选特征点配对组中的每个候选特征点配对组中的第一特征点对应的第一序号与第二特征点对应的第二序号相同,S为小于等于K且大于等于L的整数;
根据S个第一特征点对应的S个坐标数据中的纵坐标数据,对S个第一特征点进行排序,得到S个第一特征点对应的S个第三序号;
根据S个第二特征点对应的S个坐标数据中的纵坐标数据,对S个第二特征点进行排序,得到S个第二特征点对应的S个第四序号;
从S个候选特征点配对组中确定L个目标特征点配对组,其中,L个目标特征点配对组中的每个候选特征点配对组中的第一特征点对应的第三序号与第二特征点对应的第四序号相同。
在本申请实施例的另一种实现方式中,目标特征点配对组确定模块,还用于:
获取K个特征点配对组中每个特征点配对组中的第一特征点对应的第一序号及第二特征点对应的第二序号;
将K个特征点配对组中每个特征点配对组中的第一特征点对应的第一序号与第二特征点对应的第二序号相同的特征点配对组作为候选特征点配对组,得到S个候选特征点配对组。
在本申请实施例的另一种实现方式中,目标特征点配对组确定模块,还用于:
获取S个候选特征点配对组中每个候选特征点配对组中的第一特征点对应的第三序号及第二特征点对应的第四序号;
将S个候选特征点配对组中每个候选特征点配对组中的第一特征点对应的第三序号与第二特征点对应的第四序号相同是候选特征点配对组作为目标特征点配对组,得到L个目标特征点配对组。
在本申请实施例的另一种实现方式中,目标特征点配对组确定模块,还用于:
根据K个特征点配对组中的K个第一特征点对应的K个坐标数据中的横坐标数据,对K个第一特征点进行排序,从K个特征点配对组中确定S个候选特征点配对组,其中,S个候选特征点配对组中的S个第一特征点对应的S个坐标数据中的横坐标数据满足横坐标偏移阈值及横坐标旋转角度阈值;
根据S个候选特征点配对组中的S个第一特征点对应的S个坐标数据中的纵坐标数据,对S个第一特征点进行排序,从S个候选特征点配对组中确定L个目标特征点配对组,其中,L个目标特征点配对组中的L个第一特征点对应的L个坐标数据中的纵坐标数据满足纵坐标偏移阈值及纵坐标旋转角度阈。
在本申请实施例的另一种实现方式中,拍摄点距离计算模块,还用于:
根据L个目标特征点配对组中的L个第一特征点确定第一待配图像中的第一限定范围,其中,第一限定范围中包含L个第一特征点;
根据L个目标特征点配对组中的L个第二特征点确定第二待配图像中的第二限定范围,其中,第二限定范围中包含L个第二特征点;
根据第一限定范围及第二限定范围,确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离。
在本申请实施例的另一种实现方式中,拍摄点距离计算模块,还用于:
根据第一限定范围,计算第一限定范围的面积,得到第一面积值;
根据第一限定范围,确定第一限定范围的第一几何中心坐标数据;
根据L个第一特征点对应的L个坐标数据及第一几何中心坐标数据,计算得到L个第一距离方差;
根据第二限定范围,计算第二限定范围的面积,得到第二面积值;
根据第二限定范围,确定第二限定范围的第二几何中心坐标数据;
根据L个第二特征点对应的L个坐标数据及第二几何中心坐标数据,计算得到L个第二距离方差;
根据第一面积值、第二面积值、L个第一距离方差及L个第二距离方差,计算得到第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离。
在本申请实施例的另一种实现方式中,拍摄点距离计算模块,还用于:
将L个第一特征点按照L个第一特征点对应的L个坐标数据组中的横坐标数据值进行排列;
根据L个第一特征点中的任意X个第一特征点中确定初始第一限定范围,其中,X为大于等于1且小于L的整数;
若L-X个第一特征点中的任意一个第一特征点在对初始第一限定范围之外,则对初始第一限定范围进行更新,直到L个第一特征点均在第一限定范围;
将L个第二特征点按照L个第二特征点对应的L个坐标数据组中的横坐标数据值进行排列;
根据L个第二特征点中的任意X个第二特征点中确定初始第二限定范围;
若L-X个第二特征点中的任意一个第二特征点在对初始第二限定范围之外,则对初始第二限定范围进行更新,直到L个第二特征点均在第二限定范围。
在本申请实施例的另一种实现方式中,待配对图像获取模块,还用于:
获取第一待配对图像及第二待配对图像;
对第一待匹配图像进行特征提取,得到 R个第一特征图像,其中,R个第一特征图像中的每个第一特征图像包括M个第一特征点,R个第一特征图像对应于R个第一特征向量,第一特征向量用于表征第一特征图像的语义特征及属性特征;
对第二待匹配图像进行特征提取,得到 R个第二特征图像,其中,R个第二特征图像中的每个第二特征图像包括N个第二特征点,R个第二特征图像对应于R个第二特征向量,第二特征向量用于表征第二特征图像的语义特征及属性特征;
根据R个第一特征向量及R个第二特征图像,将R个第一特征图像中的每个第一特征图像中的M个第一特征点与R个第二特征图像中的每个第二特征图像中的N个第二特征点进行配对,得到K个特征点配对组。
在本申请实施例的另一种实现方式中,待配对图像获取模块,还用于:
将第一待匹配图像作为特征提取网络的输入,通过特征提取网络中的卷积层对第一待匹配图像进行处理,得到R个第一卷积特征图像;
将R个第一卷积特征图像作为特征提取网络中的归一化层的输入,通过归一化层对R个第一卷积特征图像进行处理,得到R个第一归一化特征图;
将R个第一归一化特征图作为特征提取网络中的激活层的输入,通过激活层对R个第一归一化特征图进行处理,得到R个第一特征图像;
将第二待匹配图像作为特征提取网络的输入,通过特征提取网络中的卷积层对第二待匹配图像进行处理,得到R个第二卷积特征图像;
将R个第二卷积特征图像作为特征提取网络中的归二化层的输入,通过归二化层对R个第二卷积特征图像进行处理,得到R个第二归二化特征图;
将R个第二归二化特征图作为特征提取网络中的激活层的输入,通过激活层对R个第二归二化特征图进行处理,得到R个第二特征图像。
在本申请实施例的另一种实现方式中,图像匹配模块,还用于:
若第一待配对图像对应的拍摄点距离与第二待配对图像对应的拍摄点距离的差值小于等于差值阈值,则将第一待配对图像与第二待配对图像进行匹配。
本申请的另一方面提供了一种地图信息更新装置,包括:道路图像获取模块、道路特征点配对组确定模块、道路图像拍摄点距离计算模块、道路图像拍摄点距离计算模块、区别图像要素集合确定模块及地图信息更新模块;具体的:
道路图像获取模块,用于获取历史道路图像、目标道路图像及历史道路图像与目标道路图像的K个特征点配对组,其中,目标道路图像的采集时间晚于历史道路图像的采集时间,历史道路图像中包括K个第一特征点,目标道路图像中包括K个第二特征点,每个特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个特征点配对组中的第一特征点与第二特征点具有对应关系,K个特征点配对组对应的K个坐标数据组,每个坐标数据组包括属于特征点配对组中的第一特征点的坐标数据及第二特征点的坐标数据,K为大于1的整数;
道路特征点配对组确定模块,用于根据K个坐标数据组,从K个特征点配对组中确定L个目标特征点配对组,其中,目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数;
道路图像拍摄点距离计算模块,用于根据L个目标特征点配对组中的L个第一特征点及L个第二特征点确定历史道路图像对应的拍摄点距离及目标道路图像对应的拍摄点距离;
道路图像匹配模块,用于根据历史道路图像对应的拍摄点距离及目标道路图像对应的拍摄点距离,确定历史道路图像与目标道路图像的匹配结果;
区别图像要素集合确定模块,用于根据历史道路图像与目标道路图像的匹配结果,确定历史道路图像与目标道路图像中的区别图像要素集合,其中,区别图像要素集合中的区别图像要素来源与历史道路图像及目标道路图像中的至少一项;
地图信息更新模块,用于根据区别图像要素集合对地图信息进行更新。
在本申请实施例的另一种实现方式中,区别图像要素集合确定模块,还用于:
若历史道路图像与目标道路图像的匹配成功,则获取历史道路图像中的历史图像要素集合及目标道路图像中的目标图像要素集合;
根据历史图像要素集合及集合,确定区别图像要素集合,其中,区别图像要素集合中的区别图像要素为只存在于历史图像要素集合中的图像要素或只存在于目标图像要素中的图像要素。
本申请的另一方面提供了一种计算机设备,包括:
存储器、收发器、处理器以及总线系统;
其中,存储器用于存储程序;
处理器用于执行存储器中的程序,包括执行上述各方面的方法;
总线系统用于连接存储器以及处理器,以使存储器以及处理器进行通信。
本申请的另一方面提供了一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面的方法。
本申请的另一方面提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方面所提供的方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种图像匹配方法以及相关装置,其方法包括:获取第一待配对图像、第二待配对图像及第一待配对图像与第二待配对图像的K个特征点配对组,其中,第一待配对图像中包括K个第一特征点,第二待配对图像中包括K个第二特征点,每个特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个特征点配对组中的第一特征点与第二特征点具有对应关系,K个特征点配对组对应的K个坐标数据组,每个坐标数据组包括属于特征点配对组中的第一特征点的坐标数据及第二特征点的坐标数据,K为大于1的整数;根据K个坐标数据组,从K个特征点配对组中确定L个目标特征点配对组,其中,目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数;根据L个目标特征点配对组中的L个第一特征点及L个第二特征点确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离;根据第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离,确定第一待配对图像与第二待配对图像的匹配结果。本申请实施例提供的图像匹配方法,通过待配对图像中的特征点对图像中的信息进行有效融合和学习,提高了对图像场景的理解能力,通过配对特征点的坐标数据组确定满足坐标拓扑关系的目标特征点配对组,进而根据目标特征点配对组中的特征点计算得到图像对应的拍摄点距离,通过对比待配对图像的拍摄点距离确定图像配对结果,判断是否发生场景变化,从而提高了图像的配对准确率。
附图说明
图1为本申请某一实施例提供的图像匹配系统的一个架构示意图;
图2为本申请某一实施例提供的图像匹配方法的流程图;
图3为本申请另一实施例提供的图像匹配方法的流程图;
图4为本申请另一实施例提供的图像匹配方法的流程图;
图5为本申请另一实施例提供的图像匹配方法的流程图;
图6为本申请另一实施例提供的图像匹配方法的流程图;
图7为本申请另一实施例提供的图像匹配方法的流程图;
图8为本申请另一实施例提供的图像匹配方法的流程图;
图9为本申请另一实施例提供的图像匹配方法的流程图;
图10为本申请另一实施例提供的图像匹配方法的流程图;
图11为本申请另一实施例提供的图像匹配方法的流程图;
图12为本申请另一实施例提供的图像匹配方法的流程图;
图13为本申请又一实施例提供的图像匹配方法的流程图;
图14为本申请某一实施例提供的图像特征提取的过程示意图;
图15为本申请某一实施例提供的双向几何校正的过程示意图;
图16为本申请某一实施例提供的凸包优化的过程示意图;
图17为本申请某一实施例提供的图像匹配方法的过程示意图;
图18为本申请某一实施例提供的图像匹配装置的结构示意图;
图19为本申请某一实施例提供的地图信息更新装置的结构示意图;
图20为本申请某一实施例提供的服务器结构示意图。
实施方式
本申请实施例提供了一种图像匹配方法、地图信息更新方法以及相关装置,通过待配对图像中的特征点对图像中的信息进行有效融合和学习,提高了对图像场景的理解能力,通过配对特征点的坐标数据组确定满足坐标拓扑关系的目标特征点配对组,进而根据目标特征点配对组中的特征点计算得到图像对应的拍摄点距离,通过对比待配对图像的拍摄点距离确定图像配对结果,判断是否发生场景变化,从而提高了图像的配对准确率。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“对应于”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision, CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
图像相似度算法是一种用于评估两个不同图像之间相似度的方法。近年来,计算机视觉(computer vision,CV)技术发展迅速,图像相似度算法受到了广泛关注,且应用前景非常广阔。它可以用于识别复杂的图像,对图像内容进行分析和提取,用于做出更准确的决策和判断,为人工智能(artificial intelligence,AI)技术提供可靠的数据。目前,可使用基于深度学习的分类网络对图像进行识别,根据识别到的结果判定不同图像之间是否相似。或者,提取图像的浅层特征(例如,纹理、边缘、棱角等特征),根据图像的浅层特征判定不同图像之间是否相似。无论何种方式,在图像匹配的准确率方面还有待提升。
基于此,本申请提供了一种图像匹配方法,分别对不同的图像进行全域特征的提取,利用全域特征构建每个特征点的特征向量。基于特征向量进行图像相似度比对,以此确定图图差分结果。其中,该全域特征包括图像的语义特征以及属性特征。利用特征点的全域特征能够提升对图像整体的理解能力,进而提升图像匹配的准确率。针对本申请的图像匹配方法,在应用时包括如下场景中的至少一种。
一、地图信息更新场景:
在地图道路数据采集的过程中,为了进行地图信息的更新,需要将新采集的道路图像与历史道路图像进行比对。示例性地,后台数据库中存储有大量历史道路图像,这些道路图像可以是用户主动上传的,也可以是通过采集车拍摄得到的。其中,每张历史道路图像还可以记录其对应的采集位置(例如,经纬度信息) 以及采集时间。
基于此,在采集到新的道路图像时,根据该道路图像的采集位置,可以从后台数据库中查找到与该道路图像的采集位置最接近的一张或多张历史道路图像。进一步地,根据历史道路图像的采集时间,可获取最新采集到的一张历史道路图像。使用该历史道路图像与新采集到的道路图像进行相似度比对,从而找到地图中发生变化的要素,进而更新地图。
二、安全监测场景:
在街道、楼宇、学校等公共区域布设监测系统,通过监测系统定时采集公共区域的图像。首先,相关工作人员可以从采集到的图像中选择一张图像作为标准图像。然后,将后续采集到的各张图像分别与标准图像进行相似度比对。如果图像之间相似度较低,则由相关工作人员到相应的场景查看是否存在安全隐患,例如,可能存在店铺招牌歪斜,或者,秘木倾斜等情况。基于此,可以及时发现这些公共安全隐患,并及时进行处理。
三、图像筛选场景:
在机器学习领域中,往往会采集大量的图像进行训练。然而,这些图像可能存在大量重复或者类似的情况,因此,还需要进行筛选剔除。为了提升筛选的效率,降低数据筛选所需的人工成本和时间成本,可基于本申请提供的图像匹配方法,对两两图像进行相似度比对。如果图像之间的相似度较高,则认为两张图像重复,因此,可以自动剔除其中一张图像,从而达到图像自动筛选的目的。
需要说明的是,上述应用场景仅为示例,本实施例提供的图像匹配方法还可以应用于其他场景中,此处不做限定。
需要说明的是,本申请书中相关数据收集处理在实例应用时应该严格根据相关国家法律法规的要求,获取个人信息主体的知情同意或单独同意,并在法律法规及个人信息主体的授权范围内,开展后续数据使用及处理行为。以及,在本申请中,涉及到的数据抓取技术方案实施,在本申请以上实施例运用到具体产品或技术中时,相关数据收集、使用和处理过程应该遵守国家法律法规要求,符合合法、正当、必要的原则,不涉及获取法律法规禁止或限制的数据类型,不会妨碍目标网站的正常运行。
本发明提出了一种图像匹配方法,为解决新采集的目标道路图像中的要素与历史道路图像中的要素比对问题,需要将新采集的目标道路图像与历史道路图像进行匹配,以确定目标道路图像与历史道路图像为在同一位置针对同一场景拍摄的得到的,对于在同一位置针对同一场景拍摄的得到的目标道路图像与历史道路图像进行要素比对,确定变更要素后,根据变更要素对地图数据进行更新。
本申请实施例提供的图像匹配方法,通过待配对图像中的特征点对图像中的信息进行有效融合和学习,提高了对图像场景的理解能力,通过配对特征点的坐标数据组确定满足坐标拓扑关系的目标特征点配对组,进而根据目标特征点配对组中的特征点计算得到图像对应的拍摄点距离,通过对比待配对图像的拍摄点距离确定图像配对结果,判断是否发生场景变化,从而提高了图像的配对准确率。
为便于理解本申请实施例提供的技术方案,这里先对本申请实施例使用的一些关键名词进行解释:
图像要素:是指地图数据图像中的有用物理点信息,例如交限、限速牌以及电子眼等。
卷积神经网络(Convolutional Neural Networks,CNN):是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deeplearning)的代表算法之一。
分类网络:用于利用神经网络进行图像要素类别识别。分类网络的输入为图像数据,分类网络的输出为图像中包含的要素类别。
特征相似度:用于评定两个空间特征相似程度的一种度量。例如用距离或角度等来衡量相似程度。
图图差分:对于两张图片,如果找到了不同,则认为道路场景发生了变化。如果两张图像相似,认为两张图像的内容一致,可以被差分。
地图道路数据采集过程中,为了进行地图信息的更新,需要将新采集的图像与历史图像中的进行比对,从而找到发生变化的要素,根据发生变化要素的进而更新地图。
为了便于理解,请参阅图1,图1为本申请实施例中图像匹配方法的应用环境图,如图1所示,本申请实施例中图像匹配方法应用于图像匹配系统。图像匹配系统包括:服务器和终端设备;其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、飞行器等。本发明实施例可应用于各种场景,包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。终端和服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制。
服务器首先获取第一待配对图像、第二待配对图像及第一待配对图像与第二待配对图像的K个特征点配对组,其中,第一待配对图像中包括K个第一特征点,第二待配对图像中包括K个第二特征点,每个特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个特征点配对组中的第一特征点与第二特征点具有对应关系,K个特征点配对组对应的K个坐标数据组,每个坐标数据组包括属于特征点配对组中的第一特征点的坐标数据及第二特征点的坐标数据,K为大于1的整数;
接着,服务器根据K个坐标数据组,从K个特征点配对组中确定L个目标特征点配对组,其中,目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数;
然后,服务器根据L个目标特征点配对组中的L个第一特征点及L个第二特征点确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离;
最后,服务器根据第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离,确定第一待配对图像与第二待配对图像的匹配结果。
下面将从服务器的角度,对本申请中图像匹配方法进行介绍。请参阅图2,本申请实施例提供的图像匹配方法包括:步骤S110至步骤S140。具体的:
S110、获取第一待配对图像、第二待配对图像及第一待配对图像与第二待配对图像的K个特征点配对组。
其中,第一待配对图像中包括K个第一特征点,第二待配对图像中包括K个第二特征点,每个特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个特征点配对组中的第一特征点与第二特征点具有对应关系,K个特征点配对组对应的K个坐标数据组,每个坐标数据组包括属于特征点配对组中的第一特征点的坐标数据及第二特征点的坐标数据,K为大于1的整数。
可以理解的是,第一待配对图像及第二待配对图像可以用用户上传的图像,或者,是存储于后台数据库的图像,又或者,是从网页上爬取的图像等,此处不做限定。
具体的,采用特征提取网络对第一待匹配图像进行特征提取处理,由此,得到R个第一特征图像。其中,特征提取网络具体可以采用卷积神经网络(Convolutional NeuralNetworks,CNN),或,残差网络(residual network.ResNet),或,视觉几何组网络(visualgeometry group network,VGG network)等。特征提取网络采用R个卷积核(kernel)进行特征提取,每个kernel用于提取一个通道的特征,由此,得到R个通道的第一特征图像。其中,每个第一特征图像具有相同的尺寸,且,每个第一特征图像包括M个第一特征点。例如,第一特征图像的尺寸为100×100,那么M为10000。
每个第一特征图像对应于一个第一特征向量,第一特征向量用于表征第一特征图像的语义特征及属性特征,其中,语义特征可以有效地归纳出语义信息,例如,“交通限制牌”、“电子眼”等特征。属性特征可以描述语义特征的属性,属性特征包含但不仅限于空间特征、旋转属性、色彩属性等。基于此,M个第一特征向量可用于描述第一待匹配图像的语义特征以及属性特征。
同样的,采用特征提取网络对第二待匹配图像进行特征提取处理,由此,得到R个第二特征图像。其中,特征提取网络具体可以采用卷积神经网络(Convolutional NeuralNetworks,CNN),或,残差网络(residual network.ResNet),或,视觉几何组网络(visualgeometry group network,VGG network)等。特征提取网络采用R个卷积核(kernel)进行特征提取,每个kernel用于提取二个通道的特征,由此,得到R个通道的第二特征图像。其中,每个第二特征图像具有相同的尺寸,且,每个第二特征图像包括N个第二特征点。例如,第二特征图像的尺寸为100×100,那么N为10000。N和M可以为相同取值,也可以为不同取值,在此不做限定。
每个第二特征图像对应于一个第二特征向量,第二特征向量用于表征第二特征图像的语义特征及属性特征,其中,语义特征可以有效地归纳出语义信息,例如,“交通限制牌”、“电子眼”等特征。属性特征可以描述语义特征的属性,属性特征包含但不仅限于空间特征、旋转属性、色彩属性等。基于此,M个第二特征向量可用于描述第二待匹配图像的语义特征以及属性特征。
针对R个第一特征图像中的每一个第一特征图像,将属于同一层的第一特征图像中的M个第一特征点与第二特征图像中的N个第二特征点进行配对,共得到K个特征点配对组,每个特征点配对组中包括一个第一特征图像中的第一特征点和一个第二特征图像中的第二特征点。
属于同一个特征点配对组中的第一特征点与第二特征点具有对应关系,该对应关系指的是,该第一特征点与第二特征点所表征于相同的元素信息,以及该第一特征点所在的第一特征图像与该第二特征点坐在的第二特征图像为同一个kernel输出的。例如,在第i个kernel输出的第i个第一特征图像对应的第一特征向量与第i个kernel输出的第i个第二特征图像对应的第二特征向量的相似度大于相似度阈值,即可以理解为第一特征向量中的语义特征与第二特征向量中的语义特征相似,并且,第一特征向量中的属性特征与第二特征向量中的属性特征相似,则表明第一特征图像中的第一特征点与第二特征图像中的第二特征点具有对应关系,可以将第一特征图像中的第一特征点与第二特征图像中的第二特征点进行配对,得到特征点配对组。基于此,对R个第一特征图像对应的R×M个第一特征点与R个第二特征图像对应的R×N个第二特征点进行配对,得到配对成功的K个特征点配对组。
第一特征点的坐标数据指的是该第一特征点在所属的第一特征图像中的坐标数据,包括横坐标数据及纵坐标数据;同样的,第二特征点的坐标数据指的是该第二特征点在所属的第二特征图像中的坐标数据,包括横坐标数据及纵坐标数据。基于此,每个特征点配对组对应一个坐标数据组,每个坐标数据组包括第一特征图像中的坐标数据和第二特征图像中的坐标数据。
S120、根据K个坐标数据组,从K个特征点配对组中确定L个目标特征点配对组。
其中,目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数。
可以理解的是,第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系是指,第一特征点的坐标数据与第二特征点的坐标数据满足固定的偏移量和旋转角度,将第一特征点的坐标数据中的横坐标数据和纵坐标数据分别赋予相同的偏移量和/或旋转角度时得到第二特征点的坐标数据中的横坐标数据和纵坐标数据。
在步骤S110对第一特征点与第二特征点进行配对时,并未考虑第一特征点的坐标数据与第二特征点的坐标数据,即存在特征点匹配错误的情况,例如,特征点配对组中的第一特征点为特征图像中道路右侧的交通限制牌上的特征点,而第二特征点为特征图像中道路左侧的交通限制牌上的特征点,即虽然满足了不同特征图像中的特征点指示的特征向量相同,但是配对成功的两个特征点的坐标数据不满足坐标拓扑关系。因此,通过步骤S120对特征点匹配结果进行双向几何校正,进而优化特征点匹配结果。
从K个特征点配对组中将坐标数据不满足坐标拓扑关系的特征点配对组进行剔除,留下L个目标特征点配对组,该L个目标特征点配对组中的每个目标特征点配对组中的第一特征点与第二特征点既满足特征向量相似又满足坐标数据存在坐标拓扑关系。
具体的,首先,根据K个特征点配对组中的K个第一特征点对应的K个坐标数据中的横坐标数据,对K个第一特征点进行排序,从K个特征点配对组中确定S个候选特征点配对组,其中,S个候选特征点配对组中的S个第一特征点对应的S个坐标数据中的横坐标数据满足横坐标偏移阈值及横坐标旋转角度阈值;然后,根据S个候选特征点配对组中的S个第一特征点对应的S个坐标数据中的纵坐标数据,对S个第一特征点进行排序,从S个候选特征点配对组中确定L个目标特征点配对组,其中,L个目标特征点配对组中的L个第一特征点对应的L个坐标数据中的纵坐标数据满足纵坐标偏移阈值及纵坐标旋转角度阈。可以理解的是,首先通过横坐标数据对K个第一特征点进行排序,找到满足横坐标拓扑关系的候选特征点配对组,将不满足横坐标拓扑关系的候选特征点进行滤除,即将错误的匹配特征点进行滤除;接着,通过纵坐标数据对K个第一特征点进行排序,找到满足纵坐标拓扑关系的候选特征点配对组,将不满足纵坐标拓扑关系的候选特征点进行滤除,即将错误的匹配特征点进行滤除,通过重复上述判断,以找到最合理的匹配拓扑结构。
S130、根据L个目标特征点配对组中的L个第一特征点及L个第二特征点确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离。
可以理解的是,在步骤S120得到了双向几何校正后的目标特征点配对组后,为了确保第一待配对图像与第二待配对图像描述为同一场景,需要判断拍摄点位置是否接近,通过步骤S130对拍摄点位置进行估计。
具体的,首先,根据L个目标特征点配对组中的L个第一特征点确定第一待配图像中的第一限定范围,其中,第一限定范围中包含L个第一特征点;以及,根据L个目标特征点配对组中的L个第二特征点确定第二待配图像中的第二限定范围,其中,第二限定范围中包含L个第二特征点;然后,根据第一限定范围及第二限定范围,确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离。该限定范围可以是L个特征点的凸包,即采用凸包优化的方式进行拍摄点位置估计。凸包是指一个点集的凸壳,是一个最小凸多边形,包含了给定点集中的所有点。
S140、根据第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离,确定第一待配对图像与第二待配对图像的匹配结果。
可以理解的是,若第一待配对图像对应的拍摄点距离与第二待配对图像对应的拍摄点距离的差值小于等于差值阈值,则表明第一待配对图像与第二待配对图像描述为同一场景,可以将第一待配对图像与第二待配对图像进行匹配。
本申请实施例提供的图像匹配方法,通过待配对图像中的特征点对图像中的信息进行有效融合和学习,提高了对图像场景的理解能力,通过配对特征点的坐标数据组确定满足坐标拓扑关系的目标特征点配对组,进而根据目标特征点配对组中的特征点计算得到图像对应的拍摄点距离,通过对比待配对图像的拍摄点距离确定图像配对结果,判断是否发生场景变化,从而提高了图像的配对准确率。
在本申请的图2对应的实施例提供的图像匹配方法的一个可选实施例中,请参阅图3,步骤S120进一步包括子步骤S1201至子步骤S1202。
S1201、根据K个特征点配对组中的K个第一特征点对应的K个坐标数据中的横坐标数据,对K个第一特征点进行排序,从K个特征点配对组中确定S个候选特征点配对组。
其中,S个候选特征点配对组中的S个第一特征点对应的S个坐标数据中的横坐标数据满足横坐标偏移阈值及横坐标旋转角度阈值。
可以理解的是,从K个特征点配对组中将坐标数据不满足坐标拓扑关系的特征点配对组进行剔除,留下L个目标特征点配对组,该L个目标特征点配对组中的每个目标特征点配对组中的第一特征点与第二特征点既满足特征向量相似又满足坐标数据存在坐标拓扑关系。
因此,通过对特征点配对组进行双向几何校正,筛选出坐标数据存在坐标拓扑关系的特征点配对组。首先进行横坐标方向的校正,属于同一配对组的第一特征点的横坐标数据与第二特征点的横坐标数据需要满足横坐标拓扑关系,从坐标数据的角度考虑,需要使得特征点经过横坐标排序后的序号相同。经过横坐标排序后,若某一特征点配对组中的第一特征点对应的第一序号与该组中第二特征点对应的第二序号不同,则说明该特征点配对组种的第一特征点与第二特征点不满足坐标拓扑关系,该配对为错位配对,需要将该错位配对进行滤除。针对K个特征点配对组中每个特征点配对组进行横坐标的坐标拓扑关系验证,将错误的交叉点配对组进行滤除,保留满足横坐标拓扑关系的S个候选特征点配对组。
S1202、根据S个候选特征点配对组中的S个第一特征点对应的S个坐标数据中的纵坐标数据,对S个第一特征点进行排序,从S个候选特征点配对组中确定L个目标特征点配对组。
其中,L个目标特征点配对组中的L个第一特征点对应的L个坐标数据中的纵坐标数据满足纵坐标偏移阈值及纵坐标旋转角度阈。
可以理解的是,进行横坐标方向的校正之后进行纵坐标方向的校正,属于同一配对组的第一特征点的纵坐标数据与第二特征点的纵坐标数据需要满足坐标拓扑关系,从坐标数据的角度考虑,需要使得特征点经过纵坐标排序后的序号相同。经过纵坐标排序后,若某一特征点配对组中的第一特征点对应的第三序号与该组中第二特征点对应的第四序号不同,则说明该特征点配对组种的第一特征点与第二特征点不满足纵坐标拓扑关系,该配对为错位配对,需要将该错位配对进行滤除。针对S个候选特征点配对组中每个候选特征点配对组进行纵坐标的坐标拓扑关系验证,将错误的交叉点配对组进行滤除,保留满足纵坐标拓扑关系的L个目标特征点配对组。
本申请实施例提供的图像匹配方法,通过双向几何校正的方式对特征点配对组中的两个特征点进行验证,只有当属于同一组的第一特征点的坐标数据与第二特征点的坐标数据同时满足横坐标拓扑关系及纵坐标拓扑关系时,才能说明第一特征点与第二特征点的配对为正确配对,解决了由于特征点配对错误导致的图像对齐准确率较低的问题,通过双向几何校正提高了特征点配对的准确性,提高了图像对齐的准确性。
在本申请的图2对应的实施例提供的图像匹配方法的一个可选实施例中,请参阅图4,步骤S120进一步包括子步骤S121至子步骤S126。需要说明的是,子步骤S121与子步骤S122可以是并列的子步骤,也可以是具有先后执行顺序;子步骤S124与子步骤S125可以是并列的子步骤,也可以是具有先后执行顺序。本申请实施例以子步骤S121与子步骤S122为并列步骤,子步骤S124与子步骤S125为并列步骤为例进行说明。具体的:
S121、根据K个第一特征点对应的K个坐标数据中的横坐标数据,对K个第一特征点进行排序,得到K个第一特征点对应的K个第一序号。
可以理解的是,根据每个第一特征点的坐标数据中的横坐标数据对所有第一特征点进行排序,这里的排序可以是升序排列也可以是降序排列,对排列后的第一特征点进行标号,每个第一特征点对应一个第一序号。
S122、根据K个第二特征点对应的K个坐标数据中的横坐标数据,对K个第二特征点进行排序,得到K个第二特征点对应的K个第二序号。
可以理解的是,根据每个第二特征点的坐标数据中的横坐标数据对所有第二特征点进行排序,这里的排序可以是升序排列也可以是降序排列,对排列后的第二特征点进行标号,每个第二特征点对应一个第二序号。
S123、从K个特征点配对组中确定S个候选特征点配对组。
其中,S个候选特征点配对组中的每个候选特征点配对组中的第一特征点对应的第一序号与第二特征点对应的第二序号相同,S为小于等于K且大于等于L的整数。
可以理解的是,对特征点配对组进行双向几何校正,首先进行横坐标方向的校正,属于同一配对组的第一特征点的横坐标数据与第二特征点的横坐标数据需要满足横坐标拓扑关系,从坐标数据的角度考虑,需要使得特征点经过横坐标排序后的序号相同。经过横坐标排序后,若某一特征点配对组中的第一特征点对应的第一序号与该组中第二特征点对应的第二序号不同,则说明该特征点配对组种的第一特征点与第二特征点不满足坐标拓扑关系,该配对为错位配对,需要将该错位配对进行滤除。针对K个特征点配对组中每个特征点配对组进行横坐标的坐标拓扑关系验证,将错误的交叉点配对组进行滤除,保留满足横坐标拓扑关系的S个候选特征点配对组。
S124、根据S个第一特征点对应的S个坐标数据中的纵坐标数据,对S个第一特征点进行排序,得到S个第一特征点对应的S个第三序号。
可以理解的是,根据每个第一特征点的坐标数据中的纵坐标数据对所有第一特征点进行排序,这里的排序可以是升序排列也可以是降序排列,对排列后的第一特征点进行标号,每个第一特征点对应一个第三序号。
S125、根据S个第二特征点对应的S个坐标数据中的纵坐标数据,对S个第二特征点进行排序,得到S个第二特征点对应的S个第四序号。
可以理解的是,根据每个第二特征点的坐标数据中的纵坐标数据对所有第二特征点进行排序,这里的排序可以是升序排列也可以是降序排列,对排列后的第二特征点进行标号,每个第二特征点对应一个第四序号。
S126、从S个候选特征点配对组中确定L个目标特征点配对组。
其中,L个目标特征点配对组中的每个候选特征点配对组中的第一特征点对应的第三序号与第二特征点对应的第四序号相同。
可以理解的是,对特征点配对组进行双向几何校正,再进行横坐标方向的校正后进行纵坐标方向的校正,属于同一配对组的第一特征点的纵坐标数据与第二特征点的纵坐标数据需要满足坐标拓扑关系,从坐标数据的角度考虑,需要使得特征点经过纵坐标排序后的序号相同。经过纵坐标排序后,若某一特征点配对组中的第一特征点对应的第三序号与该组中第二特征点对应的第四序号不同,则说明该特征点配对组种的第一特征点与第二特征点不满足纵坐标拓扑关系,该配对为错位配对,需要将该错位配对进行滤除。针对S个候选特征点配对组中每个候选特征点配对组进行纵坐标的坐标拓扑关系验证,将错误的交叉点配对组进行滤除,保留满足纵坐标拓扑关系的L个目标特征点配对组。
本申请实施例提供的图像匹配方法,通过双向几何校正的方式对特征点配对组中的两个特征点进行验证,只有当属于同一组的第一特征点的坐标数据与第二特征点的坐标数据同时满足横坐标拓扑关系及纵坐标拓扑关系时,才能说明第一特征点与第二特征点的配对为正确配对,解决了由于特征点配对错误导致的图像对齐准确率较低的问题,通过双向几何校正提高了特征点配对的准确性,提高了图像对齐的准确性。
在本申请的图4对应的实施例提供的图像匹配方法的一个可选实施例中,请参阅图5,子步骤S123进一步包括子步骤S1231至子步骤S1232。具体的:
S1231、获取K个特征点配对组中每个特征点配对组中的第一特征点对应的第一序号及第二特征点对应的第二序号。
可以理解的是,根据K个第一特征点的横坐标数据对K个第一特征点进行排序后,得到K个第一特征点对应的K个第一序号;根据K个第二特征点的横坐标数据对K个第二特征点进行排序后,得到K个第二特征点对应的K个第二序号。
S1232、将K个特征点配对组中每个特征点配对组中的第一特征点对应的第一序号与第二特征点对应的第二序号相同的特征点配对组作为候选特征点配对组,得到S个候选特征点配对组。
可以理解的是,能够进行正确配对的特征点之间的位置关系应该满足一定的拓扑关系,即需要使得特征点经过横坐标排序后的序号相同。从坐标数据的角度考虑,能够进行正确配对的第一特征点与第二特征点应当满足横坐标数据可以通过相同的拓扑计算得到,即将每个第一特征点的坐标数据中的横坐标数据赋予相同的偏移量和/或旋转角度时得到对应的第二特征点的坐标数据中的横坐标数据。从特征点的位置考虑,经过横坐标排序后,若某一特征点配对组中的第一特征点对应的第一序号与该组中第二特征点对应的第二序号不同,则说明该特征点配对组种的第一特征点与第二特征点不满足坐标拓扑关系,该配对为错位配对,需要将该错位配对进行滤除。针对K个特征点配对组中每个特征点配对组进行横坐标的坐标拓扑关系验证,将错误的交叉点配对组进行滤除,保留满足横坐标拓扑关系的S个候选特征点配对组。
本申请实施例提供的图像匹配方法,通过横坐标的几何校正方式对特征点配对组中的两个特征点进行验证,将属于同一组的第一特征点的横坐标数据与第二特征点的横坐标数据同时满足横坐标拓扑关系的特征点配对组进行保留,为后续进行纵坐标的几何校正奠定基础,同时也为提高特征点配对的准确性奠定基础。
在本申请的图4对应的实施例提供的图像匹配方法的一个可选实施例中,请参阅图6,子步骤S126进一步包括子步骤S1261至子步骤S1262。具体的:
S1261、获取S个候选特征点配对组中每个候选特征点配对组中的第一特征点对应的第三序号及第二特征点对应的第四序号。
可以理解的是,根据S个第一特征点的纵坐标数据对S个第一特征点进行排序后,得到S个第一特征点对应的S个第三序号;根据S个第二特征点的纵坐标数据对S个第二特征点进行排序后,得到S个第二特征点对应的S个第四序号。
S1262、将S个候选特征点配对组中每个候选特征点配对组中的第一特征点对应的第三序号与第二特征点对应的第四序号相同是候选特征点配对组作为目标特征点配对组,得到L个目标特征点配对组。
可以理解的是,能够进行正确配对的特征点之间的位置关系应该满足一定的拓扑关系,即需要使得特征点经过纵坐标排序后的序号相同。从坐标数据的角度考虑,能够进行正确配对的第一特征点与第二特征点应当满足纵坐标数据可以通过相同的拓扑计算得到,即将每个第一特征点的坐标数据中的纵坐标数据赋予相同的偏移量和/或旋转角度时得到对应的第二特征点的坐标数据中的纵坐标数据。从特征点的位置考虑,经过纵坐标排序后,若某一特征点配对组中的第一特征点对应的第三序号与该组中第二特征点对应的第四序号不同,则说明该特征点配对组种的第一特征点与第二特征点不满足坐标拓扑关系,该配对为错位配对,需要将该错位配对进行滤除。针对K个特征点配对组中每个特征点配对组进行纵坐标的坐标拓扑关系验证,将错误的交叉点配对组进行滤除,保留满足纵坐标拓扑关系的S个候选特征点配对组。
本申请实施例提供的图像匹配方法,通过纵坐标的几何校正方式对特征点配对组中的两个特征点进行验证,将属于同一组的第一特征点的纵坐标数据与第二特征点的纵坐标数据同时满足纵坐标拓扑关系的特征点配对组进行保留,通过双向几何校正提高了特征点配对的准确性,提高了图像对齐的准确性。
在本申请的图2对应的实施例提供的图像匹配方法的一个可选实施例中,请参阅图7,步骤S130进一步包括子步骤S131至子步骤S133。具体的:
S131、根据L个目标特征点配对组中的L个第一特征点确定第一待配图像中的第一限定范围。
其中,第一限定范围中包含L个第一特征点。
可以理解的是,根据L个第一特征点确定第一待配图像中的第一限定范围, L个第一特征点均包含在第一限定范围之内或者构成第一限定范围。优选地,该第一限定范围为根据L个第一特征点确定的凸包。
S132、根据L个目标特征点配对组中的L个第二特征点确定第二待配图像中的第二限定范围。
其中,第二限定范围中包含L个第二特征点。
可以理解的是,根据L个第二特征点确定第二待配图像中的第二限定范围, L个第二特征点均包含在第二限定范围之内或者构成第二限定范围。优选地,该第二限定范围为根据L个第二特征点确定的凸包。
S133、根据第一限定范围及第二限定范围,确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离。
可以理解的是,可以根据第一待配对图像中的凸包及第二待配对图像中的凸包计算第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离。具体的,首先计算第一凸包的面积及第二凸包的面积,接着确定第一凸包的几何中心坐标以及第二凸包的几何中心坐标,然后,计算L个第一特征点中每个第一特征点与第一凸包的几何中心坐标的距离方差,以及L个第二特征点中每个第二特征点与第二凸包的几何中心坐标的距离方差,最后根据第一凸包的面积、第二凸包的面积、L个L个第一特征点中每个第一特征点与第一凸包的几何中心坐标的距离方差及L个L个第二特征点中每个第二特征点与第二凸包的几何中心坐标的距离方差,计算得到第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离,为便于理解,将拍摄点距离的计算方式通过以下公式表示:
其中,i为第i个特征点,L为特征点总数,A为第一凸包的面积,B为第二凸包的面积,S i 表示第i个特征点与凸包的几何中心坐标的距离方差。
本申请实施例提供的图像匹配方法,通过第一待匹配图像中的L个第一特征点计算第一限定范围,以及通过第二待匹配图像中的L个第二特征点计算第二限定范围,进而通过第一限定范围及第二限定范围确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离,为后续通过第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离判断是否发生场景变化奠定基础。
在本申请的图7对应的实施例提供的图像匹配方法的一个可选实施例中,请参阅图8,子步骤S133进一步包括子步骤S1331至子步骤S1337。需要说明的是,子步骤S1331至子步骤S1333与子步骤S1334至子步骤S1336在具体执行时可以是具有先后执行顺序,也可以是并列执行的,在本申请实施例中以并列执行为例进行说明。具体的:
S1331、根据第一限定范围,计算第一限定范围的面积,得到第一面积值。
可以理解的是,当第一限定范围为凸包时,可以根据凸包的面积计算公式计算得到第一限定范围的面积,得到第一面积值。凸包的面积可以通过将凸包的所有顶点连接起来,然后计算多边形的面积来得到,可以使用海伦公式或其他方法来计算多边形的面积。
S1332、根据第一限定范围,确定第一限定范围的第一几何中心坐标数据。
可以理解的是,当第一限定范围为凸包时,凸包的几何中心坐标数据可以是凸包的质心坐标数据加上凸包的半径值,其中,质心坐标数据是凸包的所有顶点坐标的平均值,半径是指从凸包的质心到凸包的最外点的距离。
S1333、根据L个第一特征点对应的L个坐标数据及第一几何中心坐标数据,计算得到L个第一距离方差。
可以理解的是,当计算得到第一几何中心坐标数据后,可以根据L个第一特征点对应的L个坐标数据与第一几何中心坐标数据计算L哥第一特征点与几何中心的距离方差,得到L个第一距离方差。
S1334、根据第二限定范围,计算第二限定范围的面积,得到第二面积值。
可以理解的是,当第二限定范围为凸包时,可以根据凸包的面积计算公式计算得到第二限定范围的面积,得到第二面积值。凸包的面积可以通过将凸包的所有顶点连接起来,然后计算多边形的面积来得到,可以使用海伦公式或其他方法来计算多边形的面积。
S1335、根据第二限定范围,确定第二限定范围的第二几何中心坐标数据。
可以理解的是,当计算得到第二几何中心坐标数据后,可以根据L个第二特征点对应的L个坐标数据与第二几何中心坐标数据计算L哥第二特征点与几何中心的距离方差,得到L个第二距离方差。
S1336、根据L个第二特征点对应的L个坐标数据及第二几何中心坐标数据,计算得到L个第二距离方差。
可以理解的是,当第二限定范围为凸包时,可以根据凸包的面积计算公式计算得到第二限定范围的面积,得到第二面积值。凸包的面积可以通过将凸包的所有顶点连接起来,然后计算多边形的面积来得到,可以使用海伦公式或其他方法来计算多边形的面积。
S1337、根据第一面积值、第二面积值、L个第一距离方差及L个第二距离方差,计算得到第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离。
可以理解的是,可以根据第一待配对图像中的凸包及第二待配对图像中的凸包计算第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离。具体的,首先计算第一凸包的面积及第二凸包的面积,接着确定第一凸包的几何中心坐标以及第二凸包的几何中心坐标,然后,计算L个第一特征点中每个第一特征点与第一凸包的几何中心坐标的距离方差,以及L个第二特征点中每个第二特征点与第二凸包的几何中心坐标的距离方差,最后根据第一凸包的面积、第二凸包的面积、L个L个第一特征点中每个第一特征点与第一凸包的几何中心坐标的距离方差及L个L个第二特征点中每个第二特征点与第二凸包的几何中心坐标的距离方差,计算得到第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离,为便于理解,将拍摄点距离的计算方式通过以下公式表示:
其中,i为第i个特征点,L为特征点总数,A为第一凸包的面积,B为第二凸包的面积,S i 表示第i个特征点与凸包的几何中心坐标的距离方差。
本申请实施例提供的图像匹配方法,通过第一待匹配图像中的L个第一特征点计算第一限定范围,以及通过第二待匹配图像中的L个第二特征点计算第二限定范围,进而通过第一限定范围及第二限定范围确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离,为后续通过第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离判断是否发生场景变化奠定基础。
在本申请的图7对应的实施例提供的图像匹配方法的一个可选实施例中,请参阅图9,子步骤S131进一步包括子步骤S1311至子步骤S1313;子步骤S132进一步包括子步骤S1321至子步骤S1323。具体的:
S1311、将L个第一特征点按照L个第一特征点对应的L个坐标数据组中的横坐标数据值进行排列。
S1312、根据L个第一特征点中的任意X个第一特征点中确定初始第一限定范围。
其中,X为大于等于1且小于L的整数。
S1313、若L-X个第一特征点中的任意一个第一特征点在对初始第一限定范围之外,则对初始第一限定范围进行更新,直到L个第一特征点均在第一限定范围。
S1321、将L个第二特征点按照L个第二特征点对应的L个坐标数据组中的横坐标数据值进行排列。
S1322、根据L个第二特征点中的任意X个第二特征点中确定初始第二限定范围。
S1323、若L-X个第二特征点中的任意一个第二特征点在对初始第二限定范围之外,则对初始第二限定范围进行更新,直到L个第二特征点均在第二限定范围。
可以理解的是,计算平面内的L个第一特征点的凸包可以依据以下方式计算得到:1)排序点:将 L 个点按 x 坐标排序。2)初始化凸包:将第一个点作为凸包的起始点。3)添加点:对于每个后续的点,检查它是否在凸包的边界之外。如果是,将该点添加到凸包中,并更新凸包的边界。4)重复直到所有点都被处理:重复步骤 3),直到所有的点都被处理。5)返回凸包:最后,返回凸包的顶点列表,即为 L 个点的凸包。在计算凸包时,需要考虑到点的坐标是否在凸包的边界之外,这可以通过比较点与凸包的每个顶点的距离来实现。同时,为了提高效率,可以使用线段树或堆等数据结构来加速判断点是否在凸包的边界之外的过程。
本申请实施例提供的方法,通过计算凸包的方式计算第一待配对图像中的第一限定范围以及第二待配对图像中的第二限定范围,将包含特征点的待配对图像由原先的范围缩小至限定范围,减少了非特征点对图像匹配模型的干扰,为后续通过第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离判断是否发生场景变化奠定基础。
在本申请的图2对应的实施例提供的图像匹配方法的一个可选实施例中,请参阅图10,步骤S110进一步包括子步骤S111至子步骤S114。具体的:
S111、获取第一待配对图像及第二待配对图像。
可以理解的是,第一待配对图像及第二待配对图像可以用用户上传的图像,或者,是存储于后台数据库的图像,又或者,是从网页上爬取的图像等,此处不做限定。
S112、对第一待匹配图像进行特征提取,得到R个第一特征图像。
其中,R个第一特征图像中的每个第一特征图像包括M个第一特征点,R个第一特征图像对应于R个第一特征向量,第一特征向量用于表征第一特征图像的语义特征及属性特征。
可以理解的是,采用特征提取网络对第一待匹配图像进行特征提取处理,由此,得到R个第一特征图像。其中,特征提取网络具体可以采用卷积神经网络(ConvolutionalNeural Networks,CNN),或,残差网络(residual network.ResNet),或,视觉几何组网络(visual geometry group network,VGG network)等。特征提取网络采用R个卷积核(kernel)进行特征提取,每个kernel用于提取一个通道的特征,由此,得到R个通道的第一特征图像。其中,每个第一特征图像具有相同的尺寸,且,每个第一特征图像包括M个第一特征点。例如,第一特征图像的尺寸为100×100,那么M为10000。
每个第一特征图像对应于一个第一特征向量,第一特征向量用于表征第一特征图像的语义特征及属性特征,其中,语义特征可以有效地归纳出语义信息,例如,“交通限制牌”、“电子眼”等特征。属性特征可以描述语义特征的属性,属性特征包含但不仅限于空间特征、旋转属性、色彩属性等。基于此,M个第一特征向量可用于描述第一待匹配图像的语义特征以及属性特征。
S113、对第二待匹配图像进行特征提取,得到R个第二特征图像。
其中,R个第二特征图像中的每个第二特征图像包括N个第二特征点,R个第二特征图像对应于R个第二特征向量,第二特征向量用于表征第二特征图像的语义特征及属性特征。
可以理解的是,采用特征提取网络对第二待匹配图像进行特征提取处理,由此,得到R个第二特征图像。其中,特征提取网络具体可以采用卷积神经网络(ConvolutionalNeural Networks,CNN),或,残差网络(residual network.ResNet),或,视觉几何组网络(visual geometry group network,VGG network)等。特征提取网络采用R个卷积核(kernel)进行特征提取,每个kernel用于提取一个通道的特征,由此,得到R个通道的第二特征图像。其中,每个第二特征图像具有相同的尺寸,且,每个第二特征图像包括M个第二特征点。例如,第二特征图像的尺寸为100×100,那么M为10000。
每个第二特征图像对应于一个第二特征向量,第二特征向量用于表征第二特征图像的语义特征及属性特征,其中,语义特征可以有效地归纳出语义信息,例如,“交通限制牌”、“电子眼”等特征。属性特征可以描述语义特征的属性,属性特征包含但不仅限于空间特征、旋转属性、色彩属性等。基于此,M个第二特征向量可用于描述第二待匹配图像的语义特征以及属性特征。
S114、根据R个第一特征向量及R个第二特征图像,将R个第一特征图像中的每个第一特征图像中的M个第一特征点与R个第二特征图像中的每个第二特征图像中的N个第二特征点进行配对,得到K个特征点配对组。
针对R个第一特征图像中的每一个第一特征图像,将属于同一层的第一特征图像中的M个第一特征点与第二特征图像中的N个第二特征点进行配对,共得到K个特征点配对组,每个特征点配对组中包括一个第一特征图像中的第一特征点和一个第二特征图像中的第二特征点。
属于同一个特征点配对组中的第一特征点与第二特征点具有对应关系,该对应关系指的是,该第一特征点与第二特征点所表征于相同的元素信息,以及该第一特征点所在的第一特征图像与该第二特征点坐在的第二特征图像为同一个kernel输出的。例如,在第i个kernel输出的第i个第一特征图像对应的第一特征向量与第i个kernel输出的第i个第二特征图像对应的第二特征向量的相似度大于相似度阈值,即可以理解为第一特征向量中的语义特征与第二特征向量中的语义特征相似,并且,第一特征向量中的属性特征与第二特征向量中的属性特征相似,则表明第一特征图像中的第一特征点与第二特征图像中的第二特征点具有对应关系,可以将第一特征图像中的第一特征点与第二特征图像中的第二特征点进行配对,得到特征点配对组。基于此,对R个第一特征图像对应的R×M个第一特征点与R个第二特征图像对应的R×N个第二特征点进行配对,得到配对成功的K个特征点配对组。
第一特征点的坐标数据指的是该第一特征点在所属的第一特征图像中的坐标数据,包括横坐标数据及纵坐标数据;同样的,第二特征点的坐标数据指的是该第二特征点在所属的第二特征图像中的坐标数据,包括横坐标数据及纵坐标数据。基于此,每个特征点配对组对应一个坐标数据组,每个坐标数据组包括第一特征图像中的坐标数据和第二特征图像中的坐标数据。
本申请实施例提供的方法,通过对两张图像进行深度特征的提取,得到每张图像中各个特征点的特征向量,这些特征向量能够表征图像的语义特征以及属性特征,因此,能够更全面地学习到图像信息。基于此,利用特征向量实现对特征点的匹配,能够提升对图像整体的理解能力,进而有利于提升图像匹配的准确率。
在本申请的图10对应的实施例提供的图像匹配方法的一个可选实施例中,请参阅图11,子步骤S112进一步包括子步骤S1121至子步骤S1123;子步骤S113进一步包括子步骤S1131至子步骤S1133。具体的:
S1121、将第一待匹配图像作为特征提取网络的输入,通过特征提取网络中的卷积层对第一待匹配图像进行处理,得到R个第一卷积特征图像。
S1122、将R个第一卷积特征图像作为特征提取网络中的归一化层的输入,通过归一化层对R个第一卷积特征图像进行处理,得到R个第一归一化特征图。
S1123、将R个第一归一化特征图作为特征提取网络中的激活层的输入,通过激活层对R个第一归一化特征图进行处理,得到R个第一特征图像。
S1131、将第二待匹配图像作为特征提取网络的输入,通过特征提取网络中的卷积层对第二待匹配图像进行处理,得到R个第二卷积特征图像。
S1132、将R个第二卷积特征图像作为特征提取网络中的归二化层的输入,通过归二化层对R个第二卷积特征图像进行处理,得到R个第二归二化特征图。
S1133、将R个第二归二化特征图作为特征提取网络中的激活层的输入,通过激活层对R个第二归二化特征图进行处理,得到R个第二特征图像。
可以理解的是,特征提取网络不仅包括卷积层,还可以包括归一化(batchnormalization,BN)以及激活层。其中,激活层可采用整流线性单元(rectifiedlinearunit ,ReLU) 。
以第一待匹配图像为例,首先,利用特征提取网络所包括的卷积层提取图像边缘纹理等基本特征,由此,得到R个第一卷积特征图。然后,使用特征提取网络所包括的BN层将卷积层提取的R个第一卷积特征图,按照正态分布进行归一化处理,过滤掉特征中的噪声特征,由此,得到R个第一归一化特征图。最后,通过特征提取网络所包括的激活层,对R个第一归一化特征图进行非线性映射,得到R个第一特征图。需要说明的是,对第二待匹配图像也可以采用类似的方式进行处理,以得到R个第二特征图,此处不做整述。
本申请实施例提供的方法,利用特征提取网络所包括的卷积层,能够提取到图像的基本特征。利用归一化层能够过滤掉特征中的噪声,使得模型的收敛更加快速。利用激活层能够加强模型的泛化能力。
在本申请的图2对应的实施例提供的图像匹配方法的一个可选实施例中,请参阅图12,步骤S140进一步包括子步骤S141。具体的:
S141、若第一待配对图像对应的拍摄点距离与第二待配对图像对应的拍摄点距离的差值小于等于差值阈值,则将第一待配对图像与第二待配对图像进行匹配。
可以理解的是,若第一待配对图像对应的拍摄点距离与第二待配对图像对应的拍摄点距离的差值小于等于差值阈值,则表明第一待配对图像与第二待配对图像描述为同一场景,可以将第一待配对图像与第二待配对图像进行匹配。
本申请实施例提供的图像匹配方法,通过对比待配对图像的拍摄点距离确定图像配对结果,判断是否发生场景变化,从而提高了图像的配对准确率。
下面将从服务器的角度,对本申请中地图信息更新方法进行介绍。请参阅图13,本申请实施例提供的地图信息更新方法包括:步骤S210至步骤S260。具体的:
S210、获取历史道路图像、目标道路图像及历史道路图像与目标道路图像的K个特征点配对组。
其中,目标道路图像的采集时间晚于历史道路图像的采集时间,历史道路图像中包括K个第一特征点,目标道路图像中包括K个第二特征点,每个特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个特征点配对组中的第一特征点与第二特征点具有对应关系,K个特征点配对组对应的K个坐标数据组,每个坐标数据组包括属于特征点配对组中的第一特征点的坐标数据及第二特征点的坐标数据,K为大于1的整数。
可以理解的是,历史道路图像及目标道路图像通过车载拍照设备对前方行驶道路进行拍照后得到的图像,或,是用户通过终端上传的道路图像等。目标道路图像的采集时间比历史道路图像的采集时间更晚,且,通常情况下,目标道路图像与历史道路图像为的采集点相同或相近(例如,同一街道或同一停车场等)。目标道路图像和历史道路图像均为黑白图像,或者均为RGB图像。
采用特征提取网络对历史道路图像进行特征提取处理,由此,得到R个第一特征图。其中,特征提取网络具体可以采用卷积神经网络(Convolutional Neural Networks,CNN),或,残差网络(residual network.ResNet),或,视觉几何组网络(visual geometrygroup network,VGG network)等。特征提取网络采用R个卷积核(kernel)进行特征提取,每个kernel用于提取一个通道的特征,由此,得到R个通道的第一特征图,每个第一特征图具有相同的尺寸,且,每个第一特征图像包括M个第一特征点。例如,第一特征图像的尺寸为100×100,那么M为10000。
每个第一特征图像对应于一个第一特征向量,第一特征向量用于表征第一特征图像的语义特征及属性特征,其中,语义特征可以有效地归纳出语义信息,例如,“交通限制牌”、“电子眼”等特征。属性特征可以描述语义特征的属性,属性特征包含但不仅限于空间特征、旋转属性、色彩属性等。基于此,M个第一特征向量可用于描述第一待匹配图像的语义特征以及属性特征。
同样的,采用特征提取网络对目标道路图像进行特征提取处理,由此,得到R个第二特征图。其中,特征提取网络具体可以采用卷积神经网络(Convolutional NeuralNetworks,CNN),或,残差网络(residual network.ResNet),或,视觉几何组网络(visualgeometry group network,VGG network)等。特征提取网络采用R个卷积核(kernel)进行特征提取,每个kernel用于提取二个通道的特征,由此,得到R个通道的第二特征图像。其中,每个第二特征图具有相同的尺寸,每个第二特征图包括N个第二特征点,且,每个第二特征图像包括N个第二特征点。例如,第二特征图像的尺寸为100×100,那么N为10000。N和M可以为相同取值,也可以为不同取值,在此不做限定。
每个第二特征图像对应于一个第二特征向量,第二特征向量用于表征第二特征图像的语义特征及属性特征,其中,语义特征可以有效地归纳出语义信息,例如,“交通限制牌”、“电子眼”等特征。属性特征可以描述语义特征的属性,属性特征包含但不仅限于空间特征、旋转属性、色彩属性等。基于此,M个第二特征向量可用于描述第二待匹配图像的语义特征以及属性特征。
针对R个第一特征图像中的每一个第一特征图像,将属于同一层的第一特征图像中的M个第一特征点与第二特征图像中的N个第二特征点进行配对,共得到K个特征点配对组,每个特征点配对组中包括一个第一特征图像中的第一特征点和一个第二特征图像中的第二特征点。
属于同一个特征点配对组中的第一特征点与第二特征点具有对应关系,该对应关系指的是,该第一特征点与第二特征点所表征于相同的元素信息,以及该第一特征点所在的第一特征图像与该第二特征点坐在的第二特征图像为同一个kernel输出的。例如,在第i个kernel输出的第i个第一特征图像对应的第一特征向量与第i个kernel输出的第i个第二特征图像对应的第二特征向量的相似度大于相似度阈值,即可以理解为第一特征向量中的语义特征与第二特征向量中的语义特征相似,并且,第一特征向量中的属性特征与第二特征向量中的属性特征相似,则表明第一特征图像中的第一特征点与第二特征图像中的第二特征点具有对应关系,可以将第一特征图像中的第一特征点与第二特征图像中的第二特征点进行配对,得到特征点配对组。基于此,对R个第一特征图像对应的R×M个第一特征点与R个第二特征图像对应的R×N个第二特征点进行配对,得到配对成功的K个特征点配对组。
第一特征点的坐标数据指的是该第一特征点在所属的第一特征图像中的坐标数据,包括横坐标数据及纵坐标数据;同样的,第二特征点的坐标数据指的是该第二特征点在所属的第二特征图像中的坐标数据,包括横坐标数据及纵坐标数据。基于此,每个特征点配对组对应一个坐标数据组,每个坐标数据组包括第一特征图像中的坐标数据和第二特征图像中的坐标数据。
如图14所示,利用深度学习和卷积神经网络分别对获取得到的历史道路图像及目标道路图像进行整图特征提取,其中,特征提取网络包括R个特征提取层,每个特征提取层输出一个特征提取图像,每个特征提取图像对应一个特征向量,特征向量包括语义特征以及属性特征。语义特征主要用于描述图像语义特征,P 1 =F w×h×d1 ,w、h、d1分别表示特征图的长、宽和深度信息;属性特征用于描述每个特征子的属性,例如空间位置,旋转属性等,P 2 = F w×h×d2 ,d2表示语义特征的属性信息。
特征提取部分由卷积层、归一化层、激活层组成。卷积层负责提取边缘纹理等基本特征。归一化层负责将卷积层提取的特征按照正态分布进行归一化处理,过滤掉特征中的噪声特征,使得模型的训练收敛更加快速。激活层则负责对卷积层提取的特征进行非线性映射,加强模型的泛化能力。
S220、根据K个坐标数据组,从K个特征点配对组中确定L个目标特征点配对组。
其中,目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数。
可以理解的是,第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系是指,第一特征点的坐标数据与第二特征点的坐标数据满足固定的偏移量和旋转角度,将第一特征点的坐标数据中的横坐标数据和纵坐标数据分别赋予相同的偏移量和/或旋转角度时得到第二特征点的坐标数据中的横坐标数据和纵坐标数据。
在步骤S210对第一特征点与第二特征点进行配对时,并未考虑第一特征点的坐标数据与第二特征点的坐标数据,即存在特征点匹配错误的情况,例如,特征点配对组中的第一特征点为特征图像中道路右侧的交通限制牌上的特征点,而第二特征点为特征图像中道路左侧的交通限制牌上的特征点,即虽然满足了不同特征图像中的特征点指示的特征向量相同,但是配对成功的两个特征点的坐标数据不满足坐标拓扑关系。因此,通过步骤S220对特征点匹配结果进行双向几何校正,进而优化特征点匹配结果。
从K个特征点配对组中将坐标数据不满足坐标拓扑关系的特征点配对组进行剔除,留下L个目标特征点配对组,该L个目标特征点配对组中的每个目标特征点配对组中的第一特征点与第二特征点既满足特征向量相似又满足坐标数据存在坐标拓扑关系。
具体的,首先,根据K个特征点配对组中的K个第一特征点对应的K个坐标数据中的横坐标数据,对K个第一特征点进行排序,从K个特征点配对组中确定S个候选特征点配对组,其中,S个候选特征点配对组中的S个第一特征点对应的S个坐标数据中的横坐标数据满足横坐标偏移阈值及横坐标旋转角度阈值;然后,根据S个候选特征点配对组中的S个第一特征点对应的S个坐标数据中的纵坐标数据,对S个第一特征点进行排序,从S个候选特征点配对组中确定L个目标特征点配对组,其中,L个目标特征点配对组中的L个第一特征点对应的L个坐标数据中的纵坐标数据满足纵坐标偏移阈值及纵坐标旋转角度阈。可以理解的是,首先通过横坐标数据对K个第一特征点进行排序,找到满足横坐标拓扑关系的候选特征点配对组,将不满足横坐标拓扑关系的候选特征点进行滤除,即将错误的匹配特征点进行滤除;接着,通过纵坐标数据对K个第一特征点进行排序,找到满足纵坐标拓扑关系的候选特征点配对组,将不满足纵坐标拓扑关系的候选特征点进行滤除,即将错误的匹配特征点进行滤除,通过重复上述判断,以找到最合理的匹配拓扑结构。
请参阅图15,在得到了采集图像的特征点后,本申请实施例设计了一种双向几何校正的方式对特征点匹配结果进行校正,从而能够优化匹配结果。假设共有K对特征点匹配结果,可以得到每一对特征点的坐标对应关系<(xa1,ya1),(xb1,yb1)>,<(xa2,ya2), (xb2,yb2)>…<(xak,yak), (xbk,ybk)>, 但是这些特征点对会存在交错关系。从原理上讲,能够完美匹配的特征点对之间的位置关系应该满足一定的拓扑关系,即满足固定的偏移和旋转角度。故申请实施例通过双向几何校正的方法来解决匹配点不准确的问题。具体的,首先通过横向x坐标进行排序,找到最大合理拓扑的匹配点数,则可以将错误的交叉点匹配结果进行滤除;接着剩余的特征点对纵向y坐标进行排序,重复上述判断,找到最合理的匹配拓扑结构,最终得到优化后的匹配对齐结果。
S230、根据L个目标特征点配对组中的L个第一特征点及L个第二特征点确定历史道路图像对应的拍摄点距离及目标道路图像对应的拍摄点距离。
可以理解的是,在步骤S220得到了双向几何校正后的目标特征点配对组后,为了确保历史道路图像与目标道路图像描述为同一场景,需要判断拍摄点位置是否接近,通过步骤S230对拍摄点位置进行估计。
具体的,首先,根据L个目标特征点配对组中的L个第一特征点确定历史道路图像中的第一限定范围,其中,第一限定范围中包含L个第一特征点;以及,根据L个目标特征点配对组中的L个第二特征点确定目标道路图像中的第二限定范围,其中,第二限定范围中包含L个第二特征点;然后,根据第一限定范围及第二限定范围,确定历史道路图像对应的拍摄点距离及目标道路图像对应的拍摄点距离。该限定范围可以是L个特征点的凸包,即采用凸包优化的方式进行拍摄点位置估计。凸包是指一个点集的凸壳,是一个最小凸多边形,包含了给定点集中的所有点。
请参阅图16,在上述步骤中得到了双向几何校正优化后的特征点匹配结果后,为了确保拍摄的两张图像描述同一场景,需要判断拍摄点位置是否接近。本申请实施例提供的方法采用凸包优化的方式进行拍摄点位置估计,对所有匹配点求凸包,接着计算凸包的面积以及几何中心的位置以及匹配点距离几何中心的方差(匹配点的散度S),最后根据凸包的面积及散度计算拍摄点距离。若两张图像的拍摄点距离接近,例如在5米范围内,则认为匹配成功。通过上述优化方法,可以准确的得到两张图像的匹配结果, 从而判断场景是否发生变化,提升地图更新能力。具体的,拍摄点距离可通过以下公式计算:
;
其中,为第/>个匹配点,/>为匹配点总数,/>为历史图像中的凸包面积,/>为目标道路图像中的凸包面积,/>表示第/>个匹配点距离几何中心的方差。
S240、根据历史道路图像对应的拍摄点距离及目标道路图像对应的拍摄点距离,确定历史道路图像与目标道路图像的匹配结果。
可以理解的是,若历史道路图像对应的拍摄点距离与目标道路图像对应的拍摄点距离的差值小于等于差值阈值,则表明历史道路图像与目标道路图像描述为同一场景,可以将历史道路图像与目标道路图像进行匹配。
S250、根据历史道路图像与目标道路图像的匹配结果,确定历史道路图像与目标道路图像中的区别图像要素集合。
其中,区别图像要素集合中的区别图像要素来源与历史道路图像及目标道路图像中的至少一项。
可以理解的是,历史道路图像与目标道路图像的匹配结果包括两种,一种是匹配成功,另一种是匹配失败。若历史道路图像与目标道路图像的匹配成功,则表明历史道路图像与目标道路图像描述为同一场景,需要确定该场景中的变更要素,例如,目标道路图像相比于历史道路图像新增的要素,或者,目标道路图像相比于历史道路图像减少的要素,进而根据要素变更对地图数据进行更新。
优选的,步骤S250还包括以下步骤:
1)若历史道路图像与目标道路图像的匹配成功,获取历史道路图像中的历史图像要素集合及目标道路图像中的目标图像要素集合。
2)根据历史图像要素集合及集合,确定区别图像要素集合。
其中,区别图像要素集合中的区别图像要素为只存在于历史图像要素集合中的图像要素或只存在于目标图像要素中的图像要素。
若历史道路图像与目标道路图像的匹配失败,则表明历史道路图像与目标道路图像描述不同场景,无需进行后续的地图信息更新的步骤。
S260、根据区别图像要素集合对地图信息进行更新。
可以理解的是,根据区别图像要素集合对地图信息进行更新,具体的,将目标道路图像相比于历史道路图像新增的要素在地图信息中进行要素信息写入,将目标道路图像相比于历史道路图像减少的要素在地图信息中进行要素信息删除。
请参阅图17,本申请实施例提供的地图信息更新方法,主要解决新采集目标道路图像与历史道路图像比对的问题,对于历史道路图像及目标道路图像,分别进行图像特征提取,对图像中的信息进行有效融合和学习,极大的提高了图像场景理解能力,接着对特征进行融合对齐,将对齐后的结果进行双向几何校正和凸包优化,可以极大的提高图像对齐的准确率,通过判断是否产生场景变化,从而确定目标道路图像与历史道路图像的匹配结果,得到图图差分结果,从而提升地图更新的能力。
下面对本申请中的图像匹配装置进行详细描述,请参阅图18。图18为本申请实施例中图像匹配装置10的一个实施例示意图,图像匹配装置10包括:待配对图像获取模块110、目标特征点配对组确定模块120、拍摄点距离计算模块130及图像匹配模块140;具体的:
待配对图像获取模块110,用于获取第一待配对图像、第二待配对图像及第一待配对图像与第二待配对图像的K个特征点配对组,其中,第一待配对图像中包括K个第一特征点,第二待配对图像中包括K个第二特征点,每个特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个特征点配对组中的第一特征点与第二特征点具有对应关系,K个特征点配对组对应的K个坐标数据组,每个坐标数据组包括属于特征点配对组中的第一特征点的坐标数据及第二特征点的坐标数据,K为大于1的整数;
目标特征点配对组确定模块120,用于根据K个坐标数据组,从K个特征点配对组中确定L个目标特征点配对组,其中,目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数;
拍摄点距离计算模块130,用于根据L个目标特征点配对组中的L个第一特征点及L个第二特征点确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离;
图像匹配模块140,用于根据第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离,确定第一待配对图像与第二待配对图像的匹配结果。
本申请实施例提供的图像匹配装置,通过待配对图像中的特征点对图像中的信息进行有效融合和学习,提高了对图像场景的理解能力,通过配对特征点的坐标数据组确定满足坐标拓扑关系的目标特征点配对组,进而根据目标特征点配对组中的特征点计算得到图像对应的拍摄点距离,通过对比待配对图像的拍摄点距离确定图像配对结果,判断是否发生场景变化,从而提高了图像的配对准确率。
在本申请的图18对应的实施例提供的图像匹配装置的一个可选实施例中,目标特征点配对组确定模块120,还用于:
根据K个特征点配对组中的K个第一特征点对应的K个坐标数据中的横坐标数据,对K个第一特征点进行排序,从K个特征点配对组中确定S个候选特征点配对组,其中,S个候选特征点配对组中的S个第一特征点对应的S个坐标数据中的横坐标数据满足横坐标偏移阈值及横坐标旋转角度阈值;
根据S个候选特征点配对组中的S个第一特征点对应的S个坐标数据中的纵坐标数据,对S个第一特征点进行排序,从S个候选特征点配对组中确定L个目标特征点配对组,其中,L个目标特征点配对组中的L个第一特征点对应的L个坐标数据中的纵坐标数据满足纵坐标偏移阈值及纵坐标旋转角度阈。
本申请实施例提供的图像匹配装置,通过双向几何校正的方式对特征点配对组中的两个特征点进行验证,只有当属于同一组的第一特征点的坐标数据与第二特征点的坐标数据同时满足横坐标拓扑关系及纵坐标拓扑关系时,才能说明第一特征点与第二特征点的配对为正确配对,解决了由于特征点配对错误导致的图像对齐准确率较低的问题,通过双向几何校正提高了特征点配对的准确性,提高了图像对齐的准确性。
在本申请的图18对应的实施例提供的图像匹配装置的一个可选实施例中,目标特征点配对组确定模块120,还用于:
根据K个第一特征点对应的K个坐标数据中的横坐标数据,对K个第一特征点进行排序,得到K个第一特征点对应的K个第一序号;
根据K个第二特征点对应的K个坐标数据中的横坐标数据,对K个第二特征点进行排序,得到K个第二特征点对应的K个第二序号;
从K个特征点配对组中确定S个候选特征点配对组,其中,S个候选特征点配对组中的每个候选特征点配对组中的第一特征点对应的第一序号与第二特征点对应的第二序号相同,S为小于等于K且大于等于L的整数;
根据K个第一特征点对应的K个坐标数据中的纵坐标数据,对K个第一特征点进行排序,得到K个第一特征点对应的K个第三序号;
根据K个第二特征点对应的K个坐标数据中的纵坐标数据,对K个第二特征点进行排序,得到K个第二特征点对应的K个第四序号;
从S个候选特征点配对组中确定L个目标特征点配对组,其中,L个目标特征点配对组中的每个候选特征点配对组中的第一特征点对应的第三序号与第二特征点对应的第四序号相同。
本申请实施例提供的图像匹配装置,通过双向几何校正的方式对特征点配对组中的两个特征点进行验证,只有当属于同一组的第一特征点的坐标数据与第二特征点的坐标数据同时满足横坐标拓扑关系及纵坐标拓扑关系时,才能说明第一特征点与第二特征点的配对为正确配对,解决了由于特征点配对错误导致的图像对齐准确率较低的问题,通过双向几何校正提高了特征点配对的准确性,提高了图像对齐的准确性。
在本申请的图18对应的实施例提供的图像匹配装置的一个可选实施例中,目标特征点配对组确定模块120,还用于:
获取K个特征点配对组中每个特征点配对组中的第一特征点对应的第一序号及第二特征点对应的第二序号;
将K个特征点配对组中每个特征点配对组中的第一特征点对应的第一序号与第二特征点对应的第二序号相同的特征点配对组作为候选特征点配对组,得到S个候选特征点配对组。
本申请实施例提供的图像匹配装置,通过横坐标的几何校正方式对特征点配对组中的两个特征点进行验证,将属于同一组的第一特征点的横坐标数据与第二特征点的横坐标数据同时满足横坐标拓扑关系的特征点配对组进行保留,为后续进行纵坐标的几何校正奠定基础,同时也为提高特征点配对的准确性奠定基础。
在本申请的图18对应的实施例提供的图像匹配装置的一个可选实施例中,目标特征点配对组确定模块120,还用于:
获取S个候选特征点配对组中每个候选特征点配对组中的第一特征点对应的第三序号及第二特征点对应的第四序号;
将S个候选特征点配对组中每个候选特征点配对组中的第一特征点对应的第三序号与第二特征点对应的第四序号相同是候选特征点配对组作为目标特征点配对组,得到L个目标特征点配对组。
本申请实施例提供的图像匹配装置,通过纵坐标的几何校正方式对特征点配对组中的两个特征点进行验证,将属于同一组的第一特征点的纵坐标数据与第二特征点的纵坐标数据同时满足纵坐标拓扑关系的特征点配对组进行保留,通过双向几何校正提高了特征点配对的准确性,提高了图像对齐的准确性。
在本申请的图18对应的实施例提供的图像匹配装置的一个可选实施例中,拍摄点距离计算模块130,还用于:
根据L个目标特征点配对组中的L个第一特征点确定第一待配图像中的第一限定范围,其中,第一限定范围中包含L个第一特征点;
根据L个目标特征点配对组中的L个第二特征点确定第二待配图像中的第二限定范围,其中,第二限定范围中包含L个第二特征点;
根据第一限定范围及第二限定范围,确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离。
本申请实施例提供的图像匹配装置,通过第一待匹配图像中的L个第一特征点计算第一限定范围,以及通过第二待匹配图像中的L个第二特征点计算第二限定范围,进而通过第一限定范围及第二限定范围确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离,为后续通过第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离判断是否发生场景变化奠定基础。
在本申请的图18对应的实施例提供的图像匹配装置的一个可选实施例中,拍摄点距离计算模块130,还用于:
根据第一限定范围,计算第一限定范围的面积,得到第一面积值;
根据第一限定范围,确定第一限定范围的第一几何中心坐标数据;
根据L个第一特征点对应的L个坐标数据及第一几何中心坐标数据,计算得到L个第一距离方差;
根据第二限定范围,计算第二限定范围的面积,得到第二面积值;
根据第二限定范围,确定第二限定范围的第二几何中心坐标数据;
根据L个第二特征点对应的L个坐标数据及第二几何中心坐标数据,计算得到L个第二距离方差;
根据第一面积值、第二面积值、L个第一距离方差及L个第二距离方差,计算得到第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离。
本申请实施例提供的图像匹配装置,通过第一待匹配图像中的L个第一特征点计算第一限定范围,以及通过第二待匹配图像中的L个第二特征点计算第二限定范围,进而通过第一限定范围及第二限定范围确定第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离,为后续通过第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离判断是否发生场景变化奠定基础。
在本申请的图18对应的实施例提供的图像匹配装置的一个可选实施例中,拍摄点距离计算模块130,还用于:
将L个第一特征点按照L个第一特征点对应的L个坐标数据组中的横坐标数据值进行排列;
根据L个第一特征点中的任意X个第一特征点中确定初始第一限定范围,其中,X为大于等于1且小于L的整数;
若L-X个第一特征点中的任意一个第一特征点在对初始第一限定范围之外,则对初始第一限定范围进行更新,直到L个第一特征点均在第一限定范围;
将L个第二特征点按照L个第二特征点对应的L个坐标数据组中的横坐标数据值进行排列;
根据L个第二特征点中的任意X个第二特征点中确定初始第二限定范围;
若L-X个第二特征点中的任意一个第二特征点在对初始第二限定范围之外,则对初始第二限定范围进行更新,直到L个第二特征点均在第二限定范围。
本申请实施例提供的装置,通过计算凸包的方式计算第一待配对图像中的第一限定范围以及第二待配对图像中的第二限定范围,将包含特征点的待配对图像由原先的范围缩小至限定范围,减少了非特征点对图像匹配模型的干扰,为后续通过第一待配对图像对应的拍摄点距离及第二待配对图像对应的拍摄点距离判断是否发生场景变化奠定基础。
在本申请的图18对应的实施例提供的图像匹配装置的一个可选实施例中,待配对图像获取模块110,还用于:
获取第一待配对图像及第二待配对图像;
对第一待匹配图像进行特征提取,得到 R个第一特征图像,其中,R个第一特征图像中的每个第一特征图像包括M个第一特征点,R个第一特征图像对应于R个第一特征向量,第一特征向量用于表征第一特征图像的语义特征及属性特征;
对第二待匹配图像进行特征提取,得到 R个第二特征图像,其中,R个第二特征图像中的每个第二特征图像包括N个第二特征点,R个第二特征图像对应于R个第二特征向量,第二特征向量用于表征第二特征图像的语义特征及属性特征;
根据R个第一特征向量及R个第二特征图像,将R个第一特征图像中的每个第一特征图像中的M个第一特征点与R个第二特征图像中的每个第二特征图像中的N个第二特征点进行配对,得到K个特征点配对组。
本申请实施例提供的装置,通过对两张图像进行深度特征的提取,得到每张图像中各个特征点的特征向量,这些特征向量能够表征图像的语义特征以及属性特征,因此,能够更全面地学习到图像信息。基于此,利用特征向量实现对特征点的匹配,能够提升对图像整体的理解能力,进而有利于提升图像匹配的准确率。
在本申请的图18对应的实施例提供的图像匹配装置的一个可选实施例中,待配对图像获取模块110,还用于:
将第一待匹配图像作为特征提取网络的输入,通过特征提取网络中的卷积层对第一待匹配图像进行处理,得到R个第一卷积特征图像;
将R个第一卷积特征图像作为特征提取网络中的归一化层的输入,通过归一化层对R个第一卷积特征图像进行处理,得到R个第一归一化特征图;
将R个第一归一化特征图作为特征提取网络中的激活层的输入,通过激活层对R个第一归一化特征图进行处理,得到R个第一特征图像;
将第二待匹配图像作为特征提取网络的输入,通过特征提取网络中的卷积层对第二待匹配图像进行处理,得到R个第二卷积特征图像;
将R个第二卷积特征图像作为特征提取网络中的归二化层的输入,通过归二化层对R个第二卷积特征图像进行处理,得到R个第二归二化特征图;
将R个第二归二化特征图作为特征提取网络中的激活层的输入,通过激活层对R个第二归二化特征图进行处理,得到R个第二特征图像。
本申请实施例提供的装置,利用特征提取网络所包括的卷积层,能够提取到图像的基本特征。利用归一化层能够过滤掉特征中的噪声,使得模型的收敛更加快速。利用激活层能够加强模型的泛化能力。
在本申请的图18对应的实施例提供的图像匹配装置的一个可选实施例中,图像匹配模块140,还用于:
若第一待配对图像对应的拍摄点距离与第二待配对图像对应的拍摄点距离的差值小于等于差值阈值,则将第一待配对图像与第二待配对图像进行匹配。
本申请实施例提供的图像匹配装置,通过对比待配对图像的拍摄点距离确定图像配对结果,判断是否发生场景变化,从而提高了图像的配对准确率。
下面对本申请中的地图信息更新装置进行详细描述,请参阅图19。图19为本申请实施例中地图信息更新装置20的一个实施例示意图,地图信息更新装置20包括:道路图像获取模块210、道路特征点配对组确定模块220、道路图像拍摄点距离计算模块230、道路图像拍摄点距离计算模块240、区别图像要素集合确定模块250及地图信息更新模块260;具体的:
道路图像获取模块210,用于获取历史道路图像、目标道路图像及历史道路图像与目标道路图像的K个特征点配对组,其中,目标道路图像的采集时间晚于历史道路图像的采集时间,历史道路图像中包括K个第一特征点,目标道路图像中包括K个第二特征点,每个特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个特征点配对组中的第一特征点与第二特征点具有对应关系,K个特征点配对组对应的K个坐标数据组,每个坐标数据组包括属于特征点配对组中的第一特征点的坐标数据及第二特征点的坐标数据,K为大于1的整数;
道路特征点配对组确定模块220,用于根据K个坐标数据组,从K个特征点配对组中确定L个目标特征点配对组,其中,目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数;
道路图像拍摄点距离计算模块230,用于根据L个目标特征点配对组中的L个第一特征点及L个第二特征点确定历史道路图像对应的拍摄点距离及目标道路图像对应的拍摄点距离;
道路图像匹配模块240,用于根据历史道路图像对应的拍摄点距离及目标道路图像对应的拍摄点距离,确定历史道路图像与目标道路图像的匹配结果;
区别图像要素集合确定模块250,用于根据历史道路图像与目标道路图像的匹配结果,确定历史道路图像与目标道路图像中的区别图像要素集合,其中,区别图像要素集合中的区别图像要素来源与历史道路图像及目标道路图像中的至少一项;
地图信息更新模块260,用于根据区别图像要素集合对地图信息进行更新。
在本申请的图18对应的实施例提供的图像匹配装置的一个可选实施例中,区别图像要素集合确定模块250,还用于:
若历史道路图像与目标道路图像的匹配成功,则获取历史道路图像中的历史图像要素集合及目标道路图像中的目标图像要素集合;
根据历史图像要素集合及集合,确定区别图像要素集合,其中,区别图像要素集合中的区别图像要素为只存在于历史图像要素集合中的图像要素或只存在于目标图像要素中的图像要素。
本申请实施例提供的地图信息更新装置,对于历史道路图像及目标道路图像,分别进行图像特征提取,对图像中的信息进行有效融合和学习,极大的提高了图像场景理解能力,接着对特征进行融合对齐,将对齐后的结果进行双向几何校正和凸包优化,可以极大的提高图像对齐的准确率,通过判断是否产生场景变化,从而确定目标道路图像与历史道路图像的匹配结果,得到图图差分结果,从而提升地图更新的能力。
图20是本申请实施例提供的一种服务器结构示意图,该服务器300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processingunits,CPU)322(例如,一个或一个以上处理器)和存储器332,一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中,存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储介质330通信,在服务器300上执行存储介质330中的一系列指令操作。
服务器300还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作系统341,例如Windows ServerTM,Mac OS XTM,UnixTM, LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图20所示的服务器结构。
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,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,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,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。
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,在本申请各个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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元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全部或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计算机设备(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,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上实施例仅用以说明本申请的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (17)
1.一种图像匹配方法,其特征在于,包括:
获取第一待配对图像、第二待配对图像及所述第一待配对图像与第二待配对图像的K个特征点配对组,其中,所述第一待配对图像中包括K个第一特征点,所述第二待配对图像中包括K个第二特征点;每个所述特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个所述特征点配对组中的第一特征点与第二特征点具有对应关系;所述K个特征点配对组对应的K个坐标数据组,每个所述坐标数据组包括属于所述特征点配对组中的所述第一特征点的坐标数据及所述第二特征点的坐标数据,K为大于1的整数;
根据所述K个坐标数据组,从所述K个特征点配对组中确定L个目标特征点配对组,其中,所述目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数;
根据所述L个目标特征点配对组中的L个第一特征点及L个第二特征点确定所述第一待配对图像对应的拍摄点距离及所述第二待配对图像对应的拍摄点距离;
根据第一待配对图像对应的拍摄点距离及所述第二待配对图像对应的拍摄点距离,确定所述第一待配对图像与所述第二待配对图像的匹配结果。
2.如权利要求1所述的图像匹配方法,其特征在于,所述根据所述K个坐标数据组,从所述K个特征点配对组中确定L个目标特征点配对组,包括:
根据所述K个特征点配对组中的K个第一特征点对应的K个坐标数据中的横坐标数据,对所述K个第一特征点进行排序,从所述K个特征点配对组中确定S个候选特征点配对组,其中,S个候选特征点配对组中的S个第一特征点对应的S个坐标数据中的横坐标数据满足横坐标偏移阈值及横坐标旋转角度阈值,S为小于等于K且大于等于L的整数;
根据所述S个候选特征点配对组中的S个第一特征点对应的S个坐标数据中的纵坐标数据,对所述S个第一特征点进行排序,从所述S个候选特征点配对组中确定L个目标特征点配对组,其中,L个目标特征点配对组中的L个第一特征点对应的L个坐标数据中的纵坐标数据满足纵坐标偏移阈值及纵坐标旋转角度阈。
3.如权利要求1所述的图像匹配方法,其特征在于,所述根据所述K个坐标数据组,从所述K个特征点配对组中确定L个目标特征点配对组,包括:
根据所述K个第一特征点对应的K个坐标数据中的横坐标数据,对所述K个第一特征点进行排序,得到所述K个第一特征点对应的K个第一序号;
根据所述K个第二特征点对应的K个坐标数据中的横坐标数据,对所述K个第二特征点进行排序,得到所述K个第二特征点对应的K个第二序号;
从所述K个特征点配对组中确定S个候选特征点配对组,其中,所述S个候选特征点配对组中的每个候选特征点配对组中的第一特征点对应的第一序号与第二特征点对应的第二序号相同;
根据S个所述第一特征点对应的S个坐标数据中的纵坐标数据,对所述S个第一特征点进行排序,得到所述S个第一特征点对应的S个第三序号;
根据S个所述第二特征点对应的S个坐标数据中的纵坐标数据,对所述S个第二特征点进行排序,得到所述S个第二特征点对应的S个第四序号;
从所述S个候选特征点配对组中确定L个目标特征点配对组,其中,所述L个目标特征点配对组中的每个候选特征点配对组中的第一特征点对应的第三序号与第二特征点对应的第四序号相同。
4.如权利要求3所述的图像匹配方法,其特征在于,所述从所述K个特征点配对组中确定S个候选特征点配对组,包括:
获取所述K个特征点配对组中每个所述特征点配对组中的第一特征点对应的第一序号及第二特征点对应的第二序号;
将所述K个特征点配对组中每个所述特征点配对组中的第一特征点对应的第一序号与第二特征点对应的第二序号相同的特征点配对组作为候选特征点配对组,得到S个候选特征点配对组。
5.如权利要求3所述的图像匹配方法,其特征在于,所述从所述S个候选特征点配对组中确定L个目标特征点配对组,包括:
获取所述S个候选特征点配对组中每个所述候选特征点配对组中的第一特征点对应的第三序号及第二特征点对应的第四序号;
将所述S个候选特征点配对组中每个所述候选特征点配对组中的第一特征点对应的第三序号与第二特征点对应的第四序号相同是候选特征点配对组作为目标特征点配对组,得到L个目标特征点配对组。
6.如权利要求1所述的图像匹配方法,其特征在于,所述根据所述L个目标特征点配对组中的L个第一特征点及L个第二特征点确定所述第一待配对图像对应的拍摄点距离及所述第二待配对图像对应的拍摄点距离,包括:
根据所述L个目标特征点配对组中的L个第一特征点确定所述第一待配图像中的第一限定范围,其中,所述第一限定范围中包含所述L个第一特征点;
根据所述L个目标特征点配对组中的L个第二特征点确定所述第二待配图像中的第二限定范围,其中,所述第二限定范围中包含所述L个第二特征点;
根据所述第一限定范围及所述第二限定范围,确定所述第一待配对图像对应的拍摄点距离及所述第二待配对图像对应的拍摄点距离。
7.如权利要求6所述的图像匹配方法,其特征在于,所述根据所述第一限定范围及所述第二限定范围,确定所述第一待配对图像对应的拍摄点距离及所述第二待配对图像对应的拍摄点距离,包括:
根据所述第一限定范围,计算所述第一限定范围的面积,得到第一面积值;
根据所述第一限定范围,确定所述第一限定范围的第一几何中心坐标数据;
根据所述L个第一特征点对应的L个坐标数据及所述第一几何中心坐标数据,计算得到L个第一距离方差;
根据所述第二限定范围,计算所述第二限定范围的面积,得到第二面积值;
根据所述第二限定范围,确定所述第二限定范围的第二几何中心坐标数据;
根据所述L个第二特征点对应的L个坐标数据及所述第二几何中心坐标数据,计算得到L个第二距离方差;
根据所述第一面积值、所述第二面积值、所述L个第一距离方差及所述L个第二距离方差,计算得到所述第一待配对图像对应的拍摄点距离及所述第二待配对图像对应的拍摄点距离。
8.如权利要求6所述的图像匹配方法,其特征在于,所述根据所述L个目标特征点配对组中的L个第一特征点确定所述第一待配图像中的第一限定范围,包括:
将所述L个第一特征点按照所述L个第一特征点对应的L个坐标数据组中的横坐标数据值进行排列;
根据所述L个第一特征点中的任意X个第一特征点中确定初始第一限定范围,其中,X为大于等于1且小于L的整数;
若所述L-X个第一特征点中的任意一个第一特征点在对所述初始第一限定范围之外,则对所述初始第一限定范围进行更新,直到所述L个第一特征点均在所述第一限定范围;
所述根据所述L个目标特征点配对组中的L个第二特征点确定所述第二待配图像中的第二限定范围,包括:
将所述L个第二特征点按照所述L个第二特征点对应的L个坐标数据组中的横坐标数据值进行排列;
根据所述L个第二特征点中的任意X个第二特征点中确定初始第二限定范围;
若所述L-X个第二特征点中的任意一个第二特征点在对所述初始第二限定范围之外,则对所述初始第二限定范围进行更新,直到所述L个第二特征点均在所述第二限定范围。
9.如权利要求1所述的图像匹配方法,其特征在于,所述获取第一待配对图像、第二待配对图像及所述第一待配对图像与第二待配对图像的K个特征点配对组,包括:
获取第一待配对图像及第二待配对图像;
对所述第一待匹配图像进行特征提取,得到R个第一特征图像,其中,所述R个第一特征图像中的每个第一特征图像包括M个第一特征点,所述R个第一特征图像对应于R个第一特征向量,所述第一特征向量用于表征所述第一特征图像的语义特征及属性特征;
对所述第二待匹配图像进行特征提取,得到R个第二特征图像,其中,所述R个第二特征图像中的每个第二特征图像包括N个第二特征点,所述R个第二特征图像对应于R个第二特征向量,所述第二特征向量用于表征所述第二特征图像的语义特征及属性特征;
根据所述R个第一特征向量及所述R个第二特征图像,将所述R个第一特征图像中的每个第一特征图像中的M个第一特征点与所述R个第二特征图像中的每个第二特征图像中的N个第二特征点进行配对,得到K个特征点配对组。
10.如权利要求9所述的图像匹配方法,其特征在于,所述对所述第一待匹配图像进行特征提取,得到R个第一特征图像,包括:
将所述第一待匹配图像作为特征提取网络的输入,通过所述特征提取网络中的卷积层对所述第一待匹配图像进行处理,得到R个第一卷积特征图像;
将所述R个第一卷积特征图像作为特征提取网络中的归一化层的输入,通过所述归一化层对所述R个第一卷积特征图像进行处理,得到R个第一归一化特征图;
将所述R个第一归一化特征图作为特征提取网络中的激活层的输入,通过所述激活层对所述R个第一归一化特征图进行处理,得到R个第一特征图像;
所述对所述第二待匹配图像进行特征提取,得到 R个第二特征图像,包括:
将所述第二待匹配图像作为特征提取网络的输入,通过所述特征提取网络中的卷积层对所述第二待匹配图像进行处理,得到R个第二卷积特征图像;
将所述R个第二卷积特征图像作为特征提取网络中的归二化层的输入,通过所述归二化层对所述R个第二卷积特征图像进行处理,得到R个第二归二化特征图;
将所述R个第二归二化特征图作为特征提取网络中的激活层的输入,通过所述激活层对所述R个第二归二化特征图进行处理,得到R个第二特征图像。
11.如权利要求1所述的图像匹配方法,其特征在于,所述根据第一待配对图像对应的拍摄点距离及所述第二待配对图像对应的拍摄点距离,确定所述第一待配对图像与所述第二待配对图像的匹配结果,包括:
若所述第一待配对图像对应的拍摄点距离与所述第二待配对图像对应的拍摄点距离的差值小于等于差值阈值,则将所述第一待配对图像与所述第二待配对图像进行匹配。
12.一种地图信息更新方法,其特征在于,包括:
获取历史道路图像、目标道路图像及所述历史道路图像与目标道路图像的K个特征点配对组,其中,所述目标道路图像的采集时间晚于所述历史道路图像的采集时间,所述历史道路图像中包括K个第一特征点,所述目标道路图像中包括K个第二特征点,每个所述特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个所述特征点配对组中的第一特征点与第二特征点具有对应关系,所述K个特征点配对组对应的K个坐标数据组,每个所述坐标数据组包括属于所述特征点配对组中的所述第一特征点的坐标数据及所述第二特征点的坐标数据,K为大于1的整数;
根据所述K个坐标数据组,从所述K个特征点配对组中确定L个目标特征点配对组,其中,所述目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数;
根据所述L个目标特征点配对组中的L个第一特征点及L个第二特征点确定所述历史道路图像对应的拍摄点距离及所述目标道路图像对应的拍摄点距离;
根据历史道路图像对应的拍摄点距离及所述目标道路图像对应的拍摄点距离,确定所述历史道路图像与所述目标道路图像的匹配结果;
根据所述历史道路图像与所述目标道路图像的匹配结果,确定所述历史道路图像与所述目标道路图像中的区别图像要素集合,其中,所述区别图像要素集合中的区别图像要素来源与所述历史道路图像及所述目标道路图像中的至少一项;
根据所述区别图像要素集合对地图信息进行更新。
13.如权利要求12所述的地图信息更新方法,其特征在于,所述根据所述历史道路图像与所述目标道路图像的匹配结果,确定所述历史道路图像与所述目标道路图像中的区别要素图像,包括:
若所述历史道路图像与所述目标道路图像的匹配成功,则获取历史道路图像中的历史图像要素集合及所述目标道路图像中的目标图像要素集合;
根据所述历史图像要素集合及所述集合,确定区别图像要素集合,其中,所述区别图像要素集合中的区别图像要素为只存在于所述历史图像要素集合中的图像要素或只存在于所述目标图像要素中的图像要素。
14.一种图像匹配装置,其特征在于,包括:
待配对图像获取模块,用于获取第一待配对图像、第二待配对图像及所述第一待配对图像与第二待配对图像的K个特征点配对组,其中,所述第一待配对图像中包括K个第一特征点,所述第二待配对图像中包括K个第二特征点,每个所述特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个所述特征点配对组中的第一特征点与第二特征点具有对应关系,所述K个特征点配对组对应的K个坐标数据组,每个所述坐标数据组包括属于所述特征点配对组中的所述第一特征点的坐标数据及所述第二特征点的坐标数据,K为大于1的整数;
目标特征点配对组确定模块,用于根据所述K个坐标数据组,从所述K个特征点配对组中确定L个目标特征点配对组,其中,所述目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数;
拍摄点距离计算模块,用于根据所述L个目标特征点配对组中的L个第一特征点及L个第二特征点确定所述第一待配对图像对应的拍摄点距离及所述第二待配对图像对应的拍摄点距离;
图像匹配模块,用于根据第一待配对图像对应的拍摄点距离及所述第二待配对图像对应的拍摄点距离,确定所述第一待配对图像与所述第二待配对图像的匹配结果。
15.一种地图信息更新装置,其特征在于,包括:
道路图像获取模块,用于获取历史道路图像、目标道路图像及所述历史道路图像与目标道路图像的K个特征点配对组,其中,所述目标道路图像的采集时间晚于所述历史道路图像的采集时间,所述历史道路图像中包括K个第一特征点,所述目标道路图像中包括K个第二特征点,每个所述特征点配对组中包括一个第一特征点及一个第二特征点,属于同一个所述特征点配对组中的第一特征点与第二特征点具有对应关系,所述K个特征点配对组对应的K个坐标数据组,每个所述坐标数据组包括属于所述特征点配对组中的所述第一特征点的坐标数据及所述第二特征点的坐标数据,K为大于1的整数;
道路特征点配对组确定模块,用于根据所述K个坐标数据组,从所述K个特征点配对组中确定L个目标特征点配对组,其中,所述目标特征点配对组中的第一特征点的坐标数据与第二特征点的坐标数据满足坐标拓扑关系,L为大于1且小于等于K的整数;
道路图像拍摄点距离计算模块,用于根据所述L个目标特征点配对组中的L个第一特征点及L个第二特征点确定所述历史道路图像对应的拍摄点距离及所述目标道路图像对应的拍摄点距离;
道路图像匹配模块,用于根据历史道路图像对应的拍摄点距离及所述目标道路图像对应的拍摄点距离,确定所述历史道路图像与所述目标道路图像的匹配结果;
区别图像要素集合确定模块,用于根据所述历史道路图像与所述目标道路图像的匹配结果,确定所述历史道路图像与所述目标道路图像中的区别图像要素集合,其中,所述区别图像要素集合中的区别图像要素来源与所述历史道路图像及所述目标道路图像中的至少一项;
地图信息更新模块,用于根据所述区别图像要素集合对地图信息进行更新。
16.一种计算机设备,其特征在于,包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,包括执行如权利要求1至11中任一项所述的图像匹配方法,或者执行如权利要求12至13中任一项所述的地图信息更新方法;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
17.一种计算机可读存储介质,包括指令,其特征在于,当其在计算机上运行时,使得计算机执行如权利要求1至11中任一项所述的图像匹配方法,或者执行如权利要求12至13中任一项所述的地图信息更新方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311193888.0A CN116958606B (zh) | 2023-09-15 | 2023-09-15 | 一种图像匹配方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311193888.0A CN116958606B (zh) | 2023-09-15 | 2023-09-15 | 一种图像匹配方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116958606A true CN116958606A (zh) | 2023-10-27 |
CN116958606B CN116958606B (zh) | 2024-05-28 |
Family
ID=88442750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311193888.0A Active CN116958606B (zh) | 2023-09-15 | 2023-09-15 | 一种图像匹配方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958606B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333403A (zh) * | 2023-12-01 | 2024-01-02 | 合肥金星智控科技股份有限公司 | 图像增强方法、存储介质和图像处理系统 |
CN118521807A (zh) * | 2024-07-19 | 2024-08-20 | 湖南视比特机器人有限公司 | 一种标志点的配对方法、介质及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819835A (zh) * | 2012-07-26 | 2012-12-12 | 中国航天科工集团第三研究院第八三五七研究所 | 一种图像拼接中筛选特征点匹配对的方法 |
CN107945217A (zh) * | 2017-11-20 | 2018-04-20 | 北京宇航系统工程研究所 | 一种适用于自动装配的图像特征点对快速筛选方法及系统 |
CN111626325A (zh) * | 2020-04-13 | 2020-09-04 | 南京康尼机电股份有限公司 | 一种基于特征的图像匹配方法 |
CN112507992A (zh) * | 2021-02-04 | 2021-03-16 | 腾讯科技(深圳)有限公司 | 道路图像之间的拍摄距离确定方法、装置、设备及介质 |
US20220067370A1 (en) * | 2020-08-28 | 2022-03-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for identifying updated road, device and computer storage medium |
CN114972821A (zh) * | 2022-06-01 | 2022-08-30 | 杭州萤石软件有限公司 | 一种图像匹配方法、装置及电子设备 |
US20220364880A1 (en) * | 2021-07-13 | 2022-11-17 | Beijing Baidu Netcom Science Technology Co., Ltd. | Map updating method and apparatus, device, server, and storage medium |
US20230041943A1 (en) * | 2021-12-23 | 2023-02-09 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for automatically producing map data, and related apparatus |
CN116563583A (zh) * | 2023-07-07 | 2023-08-08 | 腾讯科技(深圳)有限公司 | 一种图像匹配的方法、地图信息的更新方法以及相关装置 |
-
2023
- 2023-09-15 CN CN202311193888.0A patent/CN116958606B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819835A (zh) * | 2012-07-26 | 2012-12-12 | 中国航天科工集团第三研究院第八三五七研究所 | 一种图像拼接中筛选特征点匹配对的方法 |
CN107945217A (zh) * | 2017-11-20 | 2018-04-20 | 北京宇航系统工程研究所 | 一种适用于自动装配的图像特征点对快速筛选方法及系统 |
CN111626325A (zh) * | 2020-04-13 | 2020-09-04 | 南京康尼机电股份有限公司 | 一种基于特征的图像匹配方法 |
US20220067370A1 (en) * | 2020-08-28 | 2022-03-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for identifying updated road, device and computer storage medium |
CN112507992A (zh) * | 2021-02-04 | 2021-03-16 | 腾讯科技(深圳)有限公司 | 道路图像之间的拍摄距离确定方法、装置、设备及介质 |
US20220364880A1 (en) * | 2021-07-13 | 2022-11-17 | Beijing Baidu Netcom Science Technology Co., Ltd. | Map updating method and apparatus, device, server, and storage medium |
US20230041943A1 (en) * | 2021-12-23 | 2023-02-09 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for automatically producing map data, and related apparatus |
CN114972821A (zh) * | 2022-06-01 | 2022-08-30 | 杭州萤石软件有限公司 | 一种图像匹配方法、装置及电子设备 |
CN116563583A (zh) * | 2023-07-07 | 2023-08-08 | 腾讯科技(深圳)有限公司 | 一种图像匹配的方法、地图信息的更新方法以及相关装置 |
Non-Patent Citations (1)
Title |
---|
赵逢达 等: "一种基于图像匹配的闭环检测方法", 《燕山大学学报》, vol. 32, no. 2, 31 March 2008 (2008-03-31), pages 115 - 119 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333403A (zh) * | 2023-12-01 | 2024-01-02 | 合肥金星智控科技股份有限公司 | 图像增强方法、存储介质和图像处理系统 |
CN117333403B (zh) * | 2023-12-01 | 2024-03-29 | 合肥金星智控科技股份有限公司 | 图像增强方法、存储介质和图像处理系统 |
CN118521807A (zh) * | 2024-07-19 | 2024-08-20 | 湖南视比特机器人有限公司 | 一种标志点的配对方法、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116958606B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
CN116958606B (zh) | 一种图像匹配方法及相关装置 | |
CN111241989B (zh) | 图像识别方法及装置、电子设备 | |
CN112016401B (zh) | 基于跨模态行人重识别方法及装置 | |
CN112288758B (zh) | 一种电力设备红外与可见光图像配准方法 | |
CN105404886A (zh) | 特征模型生成方法和特征模型生成装置 | |
CN116563583B (zh) | 一种图像匹配的方法、地图信息的更新方法以及相关装置 | |
CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
CN113870254B (zh) | 目标对象的检测方法、装置、电子设备及存储介质 | |
CN104281572A (zh) | 一种基于互信息的目标匹配方法及其系统 | |
CN113095158A (zh) | 一种基于对抗生成网络的笔迹生成方法及装置 | |
CN110910497B (zh) | 实现增强现实地图的方法和系统 | |
CN116152870A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
WO2022222036A1 (zh) | 车位确定方法及装置 | |
CN112308093B (zh) | 基于图像识别的空气质量感知方法、模型训练方法及系统 | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
CN116778347A (zh) | 数据更新方法、装置、电子设备和存储介质 | |
CN111767839A (zh) | 一种车辆行驶轨迹确定方法、装置、设备及介质 | |
CN114821500A (zh) | 基于点云的多源特征融合的重定位方法及装置 | |
CN113989886A (zh) | 基于人脸识别的船员身份验证方法 | |
CN113705304A (zh) | 一种图像处理方法、装置、存储介质及计算机设备 | |
CN113762249A (zh) | 图像攻击检测、图像攻击检测模型训练方法和装置 | |
JP2021182243A (ja) | 画像判定装置、方法、及びプログラム | |
CN114648568A (zh) | 对象尺寸识别方法、装置、计算机设备以及存储介质 | |
CN115359346B (zh) | 基于街景图片的小微空间识别方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |