CN117197503A - 图像特征匹配方法、计算机装置及存储介质 - Google Patents
图像特征匹配方法、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN117197503A CN117197503A CN202210613476.7A CN202210613476A CN117197503A CN 117197503 A CN117197503 A CN 117197503A CN 202210613476 A CN202210613476 A CN 202210613476A CN 117197503 A CN117197503 A CN 117197503A
- Authority
- CN
- China
- Prior art keywords
- point
- image
- determining
- feature
- distance parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000003708 edge detection Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 239000007787 solid Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/529—Depth or shape recovery from texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种图像特征匹配方法、计算机装置及存储介质,其中,所述方法包括:获取第一图像和第二图像;基于边缘检测算法确定第一图像的第一弱纹理区域以及第二图像的第二弱纹理区域;检测第一弱纹理区域的第一特征点与第二弱纹理区域的第二特征点;基于色差值对第一特征点和第二特征点进行对应匹配,从第二特征点中确定与第一特征点的色差值最小的对应点作为目标对应点;确定目标对应点与第一特征点的位置差异;根据位置差异确定第一特征点的匹配点。本申请可以辅助图像特征匹配,有效提升图像特征匹配的准确率。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像特征匹配方法、计算机装置及存储介质。
背景技术
图像立体匹配主要是建立两幅二维图像之间的像素对应关系,计算两幅二维图像之间的视差以及获取视差图像。现有的匹配技术往往会出现因为光照影响、遮挡和图像场景低纹理区域等因素引起的匹配结果错误。尤其是在进行低纹理区域的匹配时,在一整个区域都是低纹理同色系的情况下,小范围的匹配判断容易被误导,仅利用颜色判断是否匹配成功会造成很大的误差。
发明内容
鉴于以上内容,有必要提供一种图像特征匹配方法、计算机装置及存储介质,能够结合色差值和距离差异进行图像特征匹配,有效提升图像特征匹配的准确率。
所述图像特征匹配方法包括:获取第一图像和第二图像;
基于边缘检测算法确定所述第一图像的第一弱纹理区域以及所述第二图像的第二弱纹理区域;
检测所述第一弱纹理区域的第一特征点与所述第二弱纹理区域的第二特征点;
基于色差值对所述第一特征点和所述第二特征点进行匹配,从所述第二特征点中确定与所述第一特征点的色差值最小的对应点作为目标对应点;
确定所述目标对应点与所述第一特征点的位置差异;
根据所述位置差异确定所述第一特征点的匹配点。
可选地,所述基于边缘检测算法确定所述第一图像的第一弱纹理区域以及所述第二图像的第二弱纹理区域包括:
利用所述边缘检测算法确定所述第一图像的第一对象边缘,对所述第一对象边缘进行标记,将所述第一对象边缘内的区域作为所述第一弱纹理区域,其中,所述边缘检测算法包括Canny算法;
利用所述边缘检测算法确定所述第二图像的第二对象边缘,对所述第二对象边缘进行标记,将所述第二对象边缘内的区域作为所述第二弱纹理区域。
可选地,所述检测所述第一弱纹理区域的第一特征点与所述第二弱纹理区域的第二特征点包括:
检测所述第一图像的Harris角点作为所述第一特征点;
检测所述第二图像的Harris角点作为所述第二特征点。
可选地,所述基于色差值对所述第一特征点和所述第二特征点进行匹配,从所述第二特征点中确定与所述第一特征点的色差值最小的对应点作为目标对应点包括:
将所述第一图像设为基准图像,根据极线约束从所述第二特征点中确定任一第一特征点的对应点以及所述对应点的数量;
当所述对应点的数量大于预设值时,计算所述任一第一特征点与每个对应点的色差值,将具有最小色差值的对应点作为所述目标对应点。
可选地,所述确定所述目标对应点与所述第一特征点的位置差异包括:
计算所述第一特征点与所述第一对象边缘的第一距离参数;
计算所述目标对应点与所述第二对象边缘的第二距离参数;
根据所述第一距离参数与所述第二距离参数计算所述位置差异。
可选地,所述第一距离参数与所述第二距离参数分别包括预设数量的方向的距离数值。
可选地,所述根据所述第一距离参数与所述第二距离参数计算所述位置差异包括:
计算所述第一距离参数与所述第二距离参数中每个方向对应的位置差值;
根据预设的权重对每个方向对应的位置差值进行加权计算,获得所述位置差异。
可选地,所述根据所述位置差异确定所述第一特征点的匹配点包括:
判断所述位置差异是否处于预设的阈值范围内,将所述第二特征点中处于所述阈值范围内的目标对应点作为所述第一特征点的匹配点。
所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现所述图像特征匹配方法。
所述计算机装置包括存储器和至少一个处理器,所述存储器中存储有至少一个指令,所述至少一个指令被所述至少一个处理器执行时实现所述图像特征匹配检查方法。
相较于现有技术,所述图像特征匹配方法、计算机装置及存储介质,能结合色差值和距离差异进行图像特征匹配,不仅仅使用颜色来作为判断依据,同时利用边缘至像素点的距离来描述像素点在影像中的位置,增加图像特征匹配判断时可使用的信息,能够避免因为颜色相近的判断失误,有效提升图像特征匹配的准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本申请实施例提供的图像特征匹配方法的流程图。
图2是本申请实施例提供的第一特征点与目标对应点的示例图。
图3是本申请实施例提供的计算沿“上”方向的第一距离参数的示例图。
图4是本申请实施例提供的计算沿“左”方向的第一距离参数的示例图。
图5是本申请实施例提供的第一特征点A、C与目标对应点B、D的示例图。
图6是本申请实施例提供的计算机装置的架构图。
主要元件符号说明
计算机装置 | 3 |
处理器 | 32 |
存储器 | 31 |
图像特征匹配系统 | 30 |
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术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,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
参阅图1所示,为本申请较佳实施例的图像特征匹配方法的流程图。
在本实施例中,所述图像特征匹配方法可以应用于计算机装置中(例如图6所示的计算机装置),对于需要进行图像特征匹配的计算机装置,可以直接在计算机装置上集成本申请的方法所提供的用于图像特征匹配的功能,或者以软件开发工具包(SoftwareDevelopment Kit,SDK)的形式运行在计算机装置上。
如图1所示,所述图像特征匹配方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
步骤S1、计算机装置获取第一图像和第二图像。
在一个实施例中,计算机装置可以响应用户输入,获取所述第一图像和第二图像。此外,计算机装置也可以直接与一个或多个拍摄装置连接以直接获取多个图像,还可以预先存储所述第一图像和第二图像在计算机装置的存储器中,或者预先存储所述第一图像和第二图像在与计算机装置通讯连接的其他设备中。所述第一图像和第二图像可以是从两个不同视角拍摄的同一物品或场景的两张照片。
在一个实施例中,计算机装置还可以获取一张初始图像,对所述初始图像进行尺度与分辨率变换,获得不同尺度与分辨率下的两张图像作为所述第一图像与所述第二图像。例如,计算机装置可以基于尺度不变特征变换(Scale-invariant feature transform,SIFT)技术,按照预先设置的尺度因子对所述初始图像进行尺度变换,之后基于高斯模糊(Gaussian Blur)算法对所述初始图像进行分辨率变换。
在本申请的实施例中,所述第一图像与所述第二图像的图片尺寸一致。
步骤S2、计算机装置基于边缘检测算法确定所述第一图像的第一弱纹理区域以及所述第二图像的第二弱纹理区域。
在一个实施例中,所述基于边缘检测算法确定所述第一图像的第一弱纹理区域以及所述第二图像的第二弱纹理区域包括:
利用所述边缘检测算法确定所述第一图像的第一对象边缘,对所述第一对象边缘进行标记,将所述第一对象边缘内的区域作为所述第一弱纹理区域,其中,所述边缘检测算法包括Canny算法;
利用所述边缘检测算法确定所述第二图像的第二对象边缘,对所述第二对象边缘进行标记,将所述第二对象边缘内的区域作为所述第二弱纹理区域。
在一个实施例中,利用Canny算法确定所述第一图像的第一对象边缘包括:
获取所述第一图像中的像素点的灰度值,基于高斯公式生成滤波算子,根据所述第一图像中的像素点的灰度值与所述滤波算子对所述第一图像进行去噪,获得去噪后的第一图像;
利用预设的高斯滤波器对所述去噪后的第一图像进行梯度计算,获得所述第一图像中任一像素点的梯度,获得所述去噪后的第一图像的梯度幅值图像;
对所述梯度幅值图像进行非极大值抑制处理,将所述梯度幅值图像中梯度幅值的局部最大值对应的像素点作为初始对象边缘点,其中,若任一像素点处的梯度幅值大于沿梯度方向上与其相邻的两个像素点的梯度幅值,则将所述任一像素点作为所述梯度幅值的局部最大值对应的像素点;
基于双阈值算法对所述初始对象边缘点进行筛选,获得目标边缘点,其中,所述筛选包括对低于预设阈值的假边缘点进行剔除;
将所述目标边缘点进行连接,获得所述第一对象边缘。
在一个实施例中,计算机装置还可以利用Roberts算子、Prewitt算子、Sobel算子或Laplacian算子对所述第一图像进行边缘检测。
在一个实施例中,计算机装置可以通过利用预先编写的MATLAB编码程序将所述第一对象边缘设置为任意颜色,从而对所述第一对象边缘进行标记。
在一个实施例中,确定所述第二对象边缘的方法与确定所述第一对象边缘的方法相同,标记所述第二对象边缘的方法与标记所述第一对象边缘的方法相同。
在一个实施例中,弱纹理区域是一个相对的概念,同一个物品或场景在较高分辨率的图像中是弱纹理区域,在较低分辨率的图像中会具有更丰富的细节。
步骤S3、计算机装置检测所述第一弱纹理区域的第一特征点与所述第二弱纹理区域的第二特征点。
在一个实施例中,所述提取所述第一弱纹理区域的第一特征点与所述第二弱纹理区域的第二特征点包括:
检测所述第一图像的Harris角点作为所述第一特征点;
检测所述第二图像的Harris角点作为所述第二特征点。
在一个实施例中,计算机装置可以使用OpenCV中的cornerHairrs()函数实现对所述第一图像的Harris角点与所述第二图像的Harris角点的检测。Harris角点检测算法的原理包括:以图像中的任一像素点为中心创建局部窗口,如果所述局部窗口向任意方向的微小移动都导致灰度值的明显变化(例如,灰度值的变化值大于预设变化阈值),则认为所述任一像素点是一个Harris角点。
步骤S4、计算机装置基于色差值对所述第一特征点和所述第二特征点进行匹配,从所述第二特征点中确定与所述第一特征点的色差值最小的对应点作为目标对应点。
在一个实施例中,所述基于色差值对所述第一特征点和所述第二特征点进行对应匹配,从所述第二特征点中确定与所述第一特征点的色差值最小的对应点作为目标对应点包括:
将所述第一图像设为基准图像,根据极线约束(epipolar constraint)从所述第二特征点中确定任一第一特征点的对应点以及所述对应点的数量;
当所述对应点的数量大于预设值(例如,1)时,计算所述任一第一特征点与每个对应点的色差值,将具有最小色差值的对应点作为所述目标对应点。
在一个实施例中,所述极线约束描述的是当同一个点投影到两个不同视角的图像上时,像点、相机光心在投影模型下形成的约束,基于极线约束可以缩小特征点匹配时的搜索范围。
例如图2所示,为本申请实施例提供的第一特征点与目标对应点的示例图,其中的左侧图像表示所述第一图像,右侧图像表示所述第二图像,阴影部分分别表示所述第一弱纹理区域与所述第二弱纹理区域,其中每个小方格表示一个像素点(包括所述第一特征点或所述第二特征点),如其中的虚线箭头指向所示,当所述任一第一特征点(左侧图像中虚线箭头的起始点所在的像素点)与所述任一第一特征点的相邻两个对应点(右侧图像中虚线箭头的箭头所在的像素点)的色差值相同时,会出现两个目标对应点,所以不能仅仅将颜色作为匹配时的判断依据。
步骤S5、计算机装置确定所述目标对应点与所述第一特征点的位置差异。
在一个实施例中,所述确定所述目标对应点与所述第一特征点的位置差异包括:
计算所述第一特征点与所述第一对象边缘的第一距离参数;
计算所述目标对应点与所述第二对象边缘的第二距离参数;
根据所述第一距离参数与所述第二距离参数计算所述位置差异。
在一个实施例中,所述第一距离参数与所述第二距离参数分别包括预设数量的方向的距离数值(例如,按照每个像素点所占的长度为1进行计算)。
沿所述预设数量的方向中的任一方向计算所述距离数值时的停止准则包括:当计算至对象边缘(包括所述第一对象边缘或所述第二对象边缘)或图像边缘(包括所述第一图像的边缘或所述第二图像的边缘)时,即停止计算。
举例而言,所述预设数量可以为4,所述预设数量的方向可以包括“上、下、左、右”这四个方向。所述第一距离参数可以包括所述第一特征点在“上、下、左、右”这四个方向上,与所述第一对象边缘的距离。
例如图3所示,为本申请实施例提供的计算沿“上”方向的第一距离参数的示例图。图3表示所述第一图像,其中阴影部分表示所述第一对象边缘,其中每个小方格表示一个像素点(包括所述第一特征点),其中每个小方格的数值表示每个像素点与所述第一对象边缘的第一距离参数中“上”这一方向上的参数。其中,实线箭头的起始点所在像素点表示计算所述第一距离参数中“上”这一方向的参数的起始位置,实线箭头的箭头所在像素点表示根据所述停止准则停止计算时的终止位置(包括所述第一图像边缘或所述第一图像的边缘)。
例如图4所示,为本申请实施例提供的计算沿“左”方向的第一距离参数的示例图。图4表示所述第一图像,其中阴影部分表示所述第一对象边缘,其中每个小方格表示一个像素点(包括所述第一特征点),其中每个小方格的数值表示每个像素点与所述第一对象边缘的第一距离参数中“左”这一方向的参数。其中,实线箭头的起始点所在像素点表示计算所述第一距离参数中“左”这一方向上的参数的起始位置,实线箭头的箭头所在像素点表示根据所述停止准则停止计算时的终止位置(包括所述第一图像边缘或所述第一图像的边缘)。
在一个实施例中,计算所述第一对象边缘的第一距离参数中“右”与“下”的方向上的参数的计算方法与上述示例类似。计算所述第二距离参数的方法与计算所述第一距离参数的方法相同。
例如图5所示,按照上述方法,得到左侧的第一图像的阴影部分中的第一特征点A的第一距离参数为(1,1,1,1)(分别对应“上、下、左、右”四个方向的距离参数),其中第一图像的阴影部分表示所述第一弱纹理区域。同样的,按照上述方法,得到右侧的第二图像的阴影部分中目标对应点B的第二距离参数为(2,1,0,1)(分别对应“上、下、左、右”四个方向的距离参数),其中第二图像的阴影部分表示所述第二弱纹理区域。
同样的,按照上述方法,得到左侧的第一图像的阴影部分中的第一特征点C的第一距离参数为(2,1,1,1)(分别对应“上、下、左、右”四个方向的距离参数);得到右侧的第二图像的阴影部分左上角的目标对应点D的第二距离参数为(1,0,1,1)(分别对应“上、下、左、右”四个方向的距离参数)。
在一个实施例中,所述根据所述第一距离参数与所述第二距离参数计算所述位置差异包括:
计算所述第一距离参数与所述第二距离参数中每个方向对应的位置差值;
根据预设的权重对每个方向对应的位置差值进行加权计算,获得所述位置差异。
举例而言,例如图5所示,第一特征点A的第一距离参数为(1,1,1,1),目标对应点B的第二距离参数为(2,1,0,1),那么计算每个方向对应的位置差值时可以将这两个距离参数视为向量,进行对应相减:(1,1,1,1)-(2,1,0,1)=(-1,0,1,0),从而得到第一特征点A与目标对应点B的“上、下、左、右”四个方向对应的位置差值分别为-1、0、1、0。需要说明的是,在其他实施例中,还可以将位置差异取绝对值。
同样的,可以得到第一特征点C与目标对应点D的“上、下、左、右”四个方向对应的位置差值分别为1、1、0、0。
在一个实施例中,所述预设的权重可以基于所述第一图像与所述第二图像中相同的物品或场景进行设定。例如,当所述相同的物品为竖直的栅栏时,对于其左右方向的校准就要更为重视,可以将左右两个方向的权重设置为2,上下两个方向的权重设置为1。
举例而言,第一特征点A与目标对应点B的“上、下、左、右”四个方向对应的位置差值分别为-1、0、1、0,左右两个方向的预设的权重为2,上下两个方向的预设的权重为1,那么加权计算得到:-1×1+0×1+1×2+0×2=1,即第一特征点A与目标对应点B的所述位置差异为1。
同样的,第一特征点C与目标对应点D的所述位置差异为:1×1+1×1+0×2+0×2=2。
步骤S6、计算机装置根据所述位置差异确定所述第一特征点的匹配点。
在一个实施例中,所述根据所述位置差异确定所述第一特征点的匹配点包括:
判断所述位置差异是否处于预设的阈值范围(例如,1)内,将所述第二特征点中处于所述阈值范围内的目标对应点作为所述第一特征点的匹配点。
举例而言,第一特征点A与目标对应点B的所述位置差异为1,处于预设的阈值范围1内,所以将目标对应点B作为第一特征点A的匹配点。第一特征点C与目标对应点D的所述位置差异为2,不在预设的阈值范围1内,所以目标对应点D不是第一特征点C的匹配点。
上述图1详细介绍了本申请的图像特征匹配方法,下面结合图6,对实现所述图像特征匹配方法的软件系统的功能模块以及实现所述图像特征匹配方法的硬件装置架构进行介绍。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
参阅图6所示,为本申请较佳实施例提供的计算机装置的结构示意图。
在本申请较佳实施例中,所述计算机装置3包括存储器31、至少一个处理器32。本领域技术人员应该了解,图6示出的计算机装置的结构并不构成本申请实施例的限定,既可以是总线型结构,也可以是星形结构,所述计算机装置3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述计算机装置3包括一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的终端,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。
需要说明的是,所述计算机装置3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本申请,也应包含在本申请的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31用于存储程序代码和各种数据。例如,所述存储器31可以用于存储安装在所述计算机装置3中的图像特征匹配系统30,并在计算机装置3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者任何其他能够用于携带或存储数据的计算机可读的存储介质。
在一些实施例中,所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述计算机装置3的控制核心(Control Unit),利用各种接口和线路连接整个计算机装置3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行计算机装置3的各种功能和处理数据,例如执行图1所示的图像特征匹配的功能。
在一些实施例中,所述图像特征匹配系统30运行于计算机装置3中。所述图像特征匹配系统30可以包括多个由程序代码段所组成的功能模块。所述图像特征匹配系统30中的各个程序段的程序代码可以存储于计算机装置3的存储器31中,并由至少一个处理器32所执行,以实现图1所示的图像特征匹配的功能。
本实施例中,所述图像特征匹配系统30根据其所执行的功能,可以被划分为多个功能模块。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。
尽管未示出,所述计算机装置3还可以包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障测试电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机装置3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块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装置(可以是服务器、个人电脑等)或处理器(processor)执行本申请各个实施例所述方法的部分。
所述存储器31中存储有程序代码,且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。存储在所述存储器31中的程序代码可以由所述至少一个处理器32所执行,从而实现所述各个模块的功能以达到图像特征匹配的目的。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块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模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后所应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照以上较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种图像特征匹配方法,应用于计算机装置,其特征在于,所述方法包括:
获取第一图像和第二图像;
基于边缘检测算法确定所述第一图像的第一弱纹理区域以及所述第二图像的第二弱纹理区域;
检测所述第一弱纹理区域的第一特征点与所述第二弱纹理区域的第二特征点;
基于色差值对所述第一特征点和所述第二特征点进行匹配,从所述第二特征点中确定与所述第一特征点的色差值最小的对应点作为目标对应点;
确定所述目标对应点与所述第一特征点的位置差异;
根据所述位置差异确定所述第一特征点的匹配点。
2.根据权利要求1所述的图像特征匹配方法,其特征在于,所述基于边缘检测算法确定所述第一图像的第一弱纹理区域以及所述第二图像的第二弱纹理区域包括:
利用所述边缘检测算法确定所述第一图像的第一对象边缘,对所述第一对象边缘进行标记,将所述第一对象边缘内的区域作为所述第一弱纹理区域,其中,所述边缘检测算法包括Canny算法;
利用所述边缘检测算法确定所述第二图像的第二对象边缘,对所述第二对象边缘进行标记,将所述第二对象边缘内的区域作为所述第二弱纹理区域。
3.根据权利要求1所述的图像特征匹配方法,其特征在于,所述检测所述第一弱纹理区域的第一特征点与所述第二弱纹理区域的第二特征点包括:
检测所述第一图像的Harris角点作为所述第一特征点;
检测所述第二图像的Harris角点作为所述第二特征点。
4.根据权利要求1所述的图像特征匹配方法,其特征在于,所述基于色差值对所述第一特征点和所述第二特征点进行匹配,从所述第二特征点中确定与所述第一特征点的色差值最小的对应点作为目标对应点包括:
将所述第一图像设为基准图像,根据极线约束从所述第二特征点中确定任一第一特征点的对应点以及所述对应点的数量;
当所述对应点的数量大于预设值时,计算所述任一第一特征点与每个对应点的色差值,将具有最小色差值的对应点作为所述目标对应点。
5.根据权利要求2至4中任一项所述的图像特征匹配方法,其特征在于,所述确定所述目标对应点与所述第一特征点的位置差异包括:
计算所述第一特征点与所述第一对象边缘的第一距离参数;
计算所述目标对应点与所述第二对象边缘的第二距离参数;
根据所述第一距离参数与所述第二距离参数计算所述位置差异。
6.根据权利要求5所述的图像特征匹配方法,其特征在于,所述第一距离参数与所述第二距离参数分别包括预设数量的方向的距离数值。
7.根据权利要求6所述的图像特征匹配方法,其特征在于,所述根据所述第一距离参数与所述第二距离参数计算所述位置差异包括:
计算所述第一距离参数与所述第二距离参数中每个方向对应的位置差值;
根据预设的权重对每个方向对应的位置差值进行加权计算,获得所述位置差异。
8.根据权利要求1或7所述的图像特征匹配方法,其特征在于,所述根据所述位置差异确定所述第一特征点的匹配点包括:
判断所述位置差异是否处于预设的阈值范围内,将所述第二特征点中处于所述阈值范围内的目标对应点作为所述第一特征点的匹配点。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1至8中任意一项所述的图像特征匹配方法。
10.一种计算机装置,其特征在于,该计算机装置包括存储器和至少一个处理器,所述存储器中存储有至少一个指令,所述至少一个指令被所述至少一个处理器执行时实现如权利要求1至8中任意一项所述的图像特征匹配方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210613476.7A CN117197503A (zh) | 2022-05-31 | 2022-05-31 | 图像特征匹配方法、计算机装置及存储介质 |
US17/857,098 US20230386055A1 (en) | 2022-05-31 | 2022-07-04 | Image feature matching method, computer device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210613476.7A CN117197503A (zh) | 2022-05-31 | 2022-05-31 | 图像特征匹配方法、计算机装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117197503A true CN117197503A (zh) | 2023-12-08 |
Family
ID=88876488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210613476.7A Pending CN117197503A (zh) | 2022-05-31 | 2022-05-31 | 图像特征匹配方法、计算机装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230386055A1 (zh) |
CN (1) | CN117197503A (zh) |
-
2022
- 2022-05-31 CN CN202210613476.7A patent/CN117197503A/zh active Pending
- 2022-07-04 US US17/857,098 patent/US20230386055A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230386055A1 (en) | 2023-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358149B (zh) | 一种人体姿态检测方法和装置 | |
CN110210302B (zh) | 多目标跟踪方法、装置、计算机设备及存储介质 | |
CN110443210B (zh) | 一种行人跟踪方法、装置以及终端 | |
US10043090B2 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
CN101599175B (zh) | 确定拍摄背景发生改变的检测方法及图像处理设备 | |
CN109671115A (zh) | 使用深度值估计的图像处理方法和装置 | |
CN105303514A (zh) | 图像处理方法和装置 | |
CN110264523B (zh) | 一种确定测试图像中的目标图像的位置信息的方法与设备 | |
US20160117821A1 (en) | Apparatus and method for registering images | |
CN111275036A (zh) | 目标检测方法、装置、电子设备及计算机可读存储介质 | |
CN107004266A (zh) | 检测轮胎表面上缺陷的方法 | |
CN106919883B (zh) | 一种qr码的定位方法及装置 | |
CN109146952B (zh) | 估计车厢空闲体积的方法、装置及计算机可读存储介质 | |
CN112883955A (zh) | 货架布局检测方法、装置及计算机可读存储介质 | |
CN112330597A (zh) | 一种图像差异检测方法、装置及计算机设备 | |
CN112991374A (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
CN109492639A (zh) | 装载位置三维坐标获取方法、系统及图像识别设备 | |
Shi et al. | Investigating the performance of corridor and door detection algorithms in different environments | |
CN117218633A (zh) | 一种物品检测方法、装置、设备及存储介质 | |
CN117197503A (zh) | 图像特征匹配方法、计算机装置及存储介质 | |
TWI803333B (zh) | 圖像特徵匹配方法、電腦裝置及儲存介質 | |
CN111639642B (zh) | 一种图像处理方法、设备及装置 | |
CN112150373B (zh) | 图像处理方法、图像处理装置和可读存储介质 | |
CN116958104B (zh) | 物料表面图像处理方法、装置及存储介质 | |
CN117218162B (zh) | 一种基于ai的全景追踪控视系统 |
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 |