KR100933483B1 - 영상 내의 표적 인식 방법 - Google Patents

영상 내의 표적 인식 방법 Download PDF

Info

Publication number
KR100933483B1
KR100933483B1 KR1020080008352A KR20080008352A KR100933483B1 KR 100933483 B1 KR100933483 B1 KR 100933483B1 KR 1020080008352 A KR1020080008352 A KR 1020080008352A KR 20080008352 A KR20080008352 A KR 20080008352A KR 100933483 B1 KR100933483 B1 KR 100933483B1
Authority
KR
South Korea
Prior art keywords
target
distance
modeling
information
boundary line
Prior art date
Application number
KR1020080008352A
Other languages
English (en)
Other versions
KR20090082546A (ko
Inventor
고보연
Original Assignee
국방과학연구소
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020080008352A priority Critical patent/KR100933483B1/ko
Publication of KR20090082546A publication Critical patent/KR20090082546A/ko
Application granted granted Critical
Publication of KR100933483B1 publication Critical patent/KR100933483B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods

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

본 발명은 영상 내의 표적 인식 방법에 관한 것으로서, 표적의 회전 및 크기 변화에도 높은 인식률을 얻고자 하는 것을 목적으로 한다. 이러한 본 발명의 영상 내의 표적 인식 방법은, 영상 내의 인식 대상 표적의 경계선을 추출하는 단계; 추출된 표적의 경계선 정보를 바탕으로 경계선으로 이루어지는 도형의 내부에 기준점을 설정하는 단계; 설정된 기준점과 상기 경계선상의 모든 픽셀들 간의 거리를 계산하는 단계; 계산된 모든 거리 정보를 이용하여 DFV(Distance Feature Vector:거리특징벡터)를 생성하고, 생성된 DFV를 다수의 구간으로 분할하는 단계; 분할된 각 구간에 대하여, 사전에 구축된 기준 모델과의 최적 정합 순서를 찾기 위한 1차 모델링을 수행하는 단계; 최적 정합 순서에 대한 최종 정합 값의 계산에 필요한 정보를 생성하기 위한 2차 모델링을 수행하는 단계; 1차 모델링 과정에서 추출한 정보를 이용하여 1차 정합을 수행하여, 각 표적에 대한 최적 정합 순서를 탐색하는 단계; 탐색된 최적 정합 순서에 따라 상기 2차 모델링 과정에서 추출한 정보를 이용하여 2차 정합을 수행하여 최종 정합 값을 계산하는 단계; 및 계산된 최종 정합 값을 바탕으로 상기 인식 대상 표적을 식별해 내는 단계를 포함한다.
이와 같은 본 발명에 의하면, 표적의 회전 및 크기 변화에 관계없이 높은 인식률을 얻을 수 있다.

Description

영상 내의 표적 인식 방법{Method for recognizing a target in images}
본 발명은 영상 내의 표적 인식 방법에 관한 것으로서, 특히 표적의 회전 및 크기의 변화 시에도 높은 인식률을 얻을 수 있는 영상 내의 표적 인식 방법에 관한 것이다.
고해상도의 영상 내에 존재하는 표적을 인식하기 위하여 종래에는 먼저 영역기반(Region Based)의 표적정보(예컨대, 비행기, 장갑차, 탱크 등)를 추출하고, 각 구성 픽셀(화소)의 밝기를 특징벡터(Feature Vector)로 삼아 사전에 구축된 표적 DB(Database)에 저장되어 있는 기준모델과 정합 값을 계산하여 최대 정합을 갖는 모델로 표적을 식별하는 방법을 사용하였다. 그러나 이러한 방식은 표적이 회전하거나 해상도의 차이에 따라 표적의 크기가 변할 경우에 표적에 대한 인식률이 현저히 떨어지는 단점이 있다. 따라서 일반적으로 정합 시 크기를 정규화하고 임의의 회전각도에 대한 정합 값을 모두 계산하여 인식하는 방법을 사용하는데, 모든 경우에 대하여 정합 값을 계산해야 하므로 계산시간이 많이 소요되는 문제점이 있다. 또한 정확도 역시 얼마나 세밀하게 회전시키면서 정합시켰는가와 연관이 되며, 특히 크기 변화시 표적의 영역이 작아서 다른 표적 모델과 중첩될 경우 인식 자체가 불가능한 경우가 발생할 수 있다.
본 발명은 상기와 같은 문제점을 감안하여 창출된 것으로서, 표적(도형) 영상의 경계를 추출하고 상대적으로 불변하는 표적(도형) 내의 기준점과 도형의 경계선상의 픽셀들 간의 거리를 특징벡터로 삼아 2단계 정합 과정을 거침으로써 표적의 회전 및 크기 변화에도 높은 인식률을 얻을 수 있는 영상 내의 표적 인식 방법을 제공함에 그 목적이 있다.
상기의 목적을 달성하기 위하여 본 발명에 따른 영상 내의 표적 인식 방법은,
임의의 영상 내의 인식 대상 표적의 경계선을 추출하는 단계;
상기 추출된 표적의 경계선 정보를 바탕으로 경계선으로 이루어지는 임의의 형태의 도형의 내부에 기준점을 설정하는 단계;
상기 설정된 기준점과 상기 경계선상의 모든 픽셀들 간의 거리를 계산하는 단계;
상기 계산된 모든 거리 정보를 이용하여 DFV(Distance Feature Vector:거리특징벡터)를 생성하고, 생성된 DFV를 다수의 구간으로 분할하는 단계;
상기 분할된 각 구간에 대하여, 사전에 구축된 기준 모델과의 최적 정합 순서를 찾기 위하여 상기 도형에 대한 1차 모델링을 수행하는 단계;
상기 최적 정합 순서에 대한 최종 정합 값의 계산에 필요한 정보를 생성하기 위하여 상기 도형에 대한 2차 모델링을 수행하는 단계;
상기 1차 모델링 과정에서 추출한 정보를 이용하여 상기 기준 모델과 상기 도형과의 1차 정합을 수행하여, 각 표적에 대한 최적 정합 순서를 탐색하는 단계;
상기 탐색된 최적 정합 순서에 따라 상기 2차 모델링 과정에서 추출한 다항식 급수계수 정보를 이용하여 추정된 DFV 값과 상기 도형에서 계산된 DFV 값과의 2차 정합을 수행하여 오차를 계산하고, 이를 바탕으로 최종 정합 값을 계산하는 단계; 및
상기 계산된 최종 정합 값을 바탕으로 상기 인식 대상 표적을 식별해 내는 단계를 포함하는 점에 그 특징이 있다.
여기서, 상기 1차 모델링 단계에서는 상기 분할된 각 구간별로 상기 기준점과 경계선상의 픽셀들 간의 거리 중 최소 또는 최대가 되는 지점인 정점(peak point)들의 상대 크기 및 정점 간의 이격 거리에 대한 정보를 추출한다.
또한, 상기 2차 모델링 단계에서는 상기 1차 모델링 시 사용된 분할 구간마다 상기 DFV 값을 다항식의 급수형태(테일러(Taylor) 급수를 이용하여 2차항까지만 취하는 다항식의 급수형태)로 근사화하고, 급수로 표현된 다항식에서 각 항의 계수정보를 추출한다.
또한, 상기 1차 정합 단계에서는 상기 1차 모델링 시 추출된 구간별 정점 간의 상대 크기(상기 기준점과 경계선상의 픽셀들 간의 거리 중 최소 또는 최대가 되는 지점들 간의 기준점으로부터 그 지점들까지의 각각의 거리에 대한 상대적인 크기) 및 정점 간의 이격 거리(상기 기준점과 경계선상의 픽셀들 간의 거리 중 최소 또는 최대가 되는 하나의 지점과 다른 지점 사이의 거리) 정보를 이용하여 상기 분할된 구간만을 순환 이동시키면서 정합 값을 계산하여 최적 정합 순서를 탐색한다.
삭제
이상과 같은 본 발명에 의하면, 표적 영상의 경계를 추출하고 상대적으로 불변하는 표적(도형) 내의 기준점과 도형의 경계선상의 모든 픽셀들 간의 거리를 특징벡터로 삼아 2단계 정합 과정을 거침으로써 표적의 회전 및 크기 변화에 관계없이 높은 인식률을 얻을 수 있다.
이하 첨부된 도면을 참조하면서 본 발명의 실시예를 상세히 설명한다.
도 1은 본 발명에 따른 영상 내의 표적 인식 방법을 보여주는 흐름도이다.
도 1을 참조하면, 본 발명에 따른 영상 내의 표적 인식 방법에 따라 먼저 임의의 영상 내의 인식 대상 표적(도형)(200)(도 2 참조)의 경계선(201)을 추출한다(단계 S101). 이때, 이와 같은 표적(도형)(200)의 경계선(201) 추출을 위해 일반적인 영상처리기술이 사용될 수 있다.
표적의 경계선 추출이 완료되면, 그 추출된 표적의 경계선 정보를 바탕으로 경계선으로 이루어지는 임의의 형태의 도형(200)의 내부에 기준점(202)을 설정한다(단계 S102). 그런 후, 그 설정된 기준점(202)과 상기 경계선(201) 상의 모든 픽셀들(203a∼203h) 간의 거리(projection distance)(d1∼d8)를 계산한다(단계 S103). 이때 이와 같은 거리의 계산은 기준점의 좌표값과 경계선상의 모든 픽셀들에 대한 각각의 좌표값을 구함으로써 어렵지 않게 계산할 수 있다.
이렇게 하여 기준점(202)과 경계선상의 모든 픽셀 간의 거리(d1∼d8)가 계산되면, 그 계산된 모든 거리 정보를 이용하여, 도 3에서와 같이, DFV(Distance Feature Vector: 거리특징벡터)를 생성하고, 생성된 DFV를 다수의 구간으로 분할한다(단계 S104). 그리고 분할된 각 구간에 대하여, 사전에 구축된 기준 모델과의 최적 정합 순서를 찾기 위하여 상기 도형에 대한 1차 모델링을 수행한다(단계 S105).
여기서, 이와 관련하여 상기 도 3에서의 DFV 특성을 살펴보면, 표적의 경계선 특징(기울기)에 따라 부분적으로 최고값(예를 들면, 1,3,5,7,...,15)과 최저값(예를 들면, 2,4,6,8,...,16)이 존재함을 알 수 있는데, 이들 정보를 이용하여 도 4의 (A)에서와 같이 1차 모델링을 구현하게 된다. 즉, 각 구간별로 상기 기준점과 경계선상의 픽셀들 간의 거리 중 최소 또는 최대가 되는 지점인 정점 간의 상대 크기와 각 정점 간의 이격 거리를 계산하여 1차 모델링을 수립한다. 도 4의 (A)는 1차 모델링을 통해 얻은 16구간의 특징벡터를 나타낸 것으로서, 이렇게 함으로써 전체 픽셀을 순환 이동시키면서 정합을 하지 않고서도 단지 16개의 특징구간 정보만을 처리해서 최적의 정합 순서(sequence)를 찾을 수 있게 되며, 이에 따라 최적의 정합을 찾는데 소요되는 시간을 대폭 단축시킬 수 있다.
이상에 의해, 1차 모델링이 완료되면, 상기 최적 정합 순서에 대한 최종 정합 값의 계산에 필요한 정보를 생성하기 위하여 상기 도형에 대한 2차 모델링을 수행한다(단계 S106). 이 2차 모델링 단계에서는 상기 1차 모델링 시 사용된 분할 구간마다 상기 DFV 값을 다항식의 급수형태(예를 들면, 테일러(Taylor) 급수를 이용하여 2차항까지만 취하는 다항식의 급수형태)로 근사화하고, 급수로 표현된 다항식에서 각 항(즉, 상수항, 1차항, 2차항)의 계수정보를 추출한다. 도 4의 (B)는 2차 모델링을 통해 얻은 2차 다항식 급수 예를 보여주는 것으로서, 설정된 각 구간마다 다항식 급수형태로 근사화한 계수를 정합정보로 사용한다.
이후, 상기 1차 모델링 과정에서 추출한 정보를 이용하여 1차 정합을 수행하여, 각 표적에 대한 최적 정합 순서를 탐색한다(단계 S107). 이때, 상기 1차 정합 단계에서는 상기 1차 모델링 시 추출된 구간별 정점 간의 상대 크기(상기 기준점과 경계선상의 픽셀들 간의 거리 중 최소 또는 최대가 되는 지점들 간의 기준점으로부터 그 지점들까지의 각각의 거리에 대한 상대적인 크기) 및 정점 간의 이격 거리(상기 기준점과 경계선상의 픽셀들 간의 거리 중 최소 또는 최대가 되는 하나의 지점과 다른 지점 사이의 거리) 정보를 이용하여 상기 분할된 구간만을 순환 이동시키면서 정합 값을 계산하여 최적 정합 순서를 탐색한다.
도 5는 순환 이동 정합 과정을 개념적으로 보여주는 것으로서, 하나의 표적(reference model)이 1차 모델링된 구간 길이가 N이고, 정합하고자 하는 입력 표적(test model)의 구간 길이가 M일 때, 하나씩 순환이동시키면서 정합값을 계산하여 최적 정합 순서를 탐색하게 된다.
이렇게 하여 최적 정합 순서의 탐색이 완료되면, 그 탐색된 최적 정합 순서에 따라 상기 2차 모델링 과정에서 추출한 정보를 이용하여 2차 정합을 수행하여 최종 정합 값을 계산한다(단계 S108). 이때, 이 2차 정합 단계에서는 상기 2차 모델링 시 추출된 다항식 급수계수와 정합하고자 하는 시험 표적의 특징벡터와의 정합 오차를 계산하고, 이를 바탕으로 최종 정합 값을 계산한다.
이상에 의해 최종 정합 값이 계산되면, 그 계산된 최종 정합 값을 바탕으로 상기 인식 대상 표적을 식별해 낸다(단계 S109).
도 6은 이상에서와 같은 본 발명의 영상 내의 표적 인식 방법에 따른 표적(도형)에 대한 인식 실험을 위한 도형 패턴의 예를 보여주는 도면이다.
도 6에서와 같이, 표적(도형)에 대한 인식 실험을 위해 6개의 표적(도형)을 준비하였다. 데이터 세트(data set) #1이 가장 기본이 되는 표적 모델이 되고, 이 중에 좌측 상단의 6각형(1번)을 인식하고자 하는 대상 표적으로 삼아 모델링을 구축하고 인식 실험을 실시하였다. 데이터 세트 #2는 상기 데이터 세트 #1의 기본 표적 모델을 임의의 각도로 회전시킨 시험표적이며, 데이터 세트 #3은 회전 및 크기가 변경된 표적에 대한 인식 실험을 위한 것이다.
도 7은 이들 인식 실험에 대한 결과를 보여주는 도면이다. 도 7의 (A)는 데이터 세트 #1에 대해 기준 모델인 6각형 표적(1번)과 각 표적들의 2차 정합까지 수행한 결과로서 -15d 이상의 정합값 차이로 6각형을 제대로 인식한 것을 알 수 있다. 또한, 임의의 각도로 회전한 경우[도 7의 (B)]도, -15dB 이상의 정합값 차이로 인식되는 것을 알 수 있고, 크기 및 회전한 경우[도 7의 (C)]에 대해서도 -15dB 이상의 정합값 차이로 인식되는 것을 알 수 있다.
따라서, 이러한 실험을 통해서도 알 수 있는 바와 같이, 본 발명의 방법은 인식하고자 하는 도형(표적)에 대하여 회전 및 크기 변화에 관계없이 높은 인식률을 얻을 수 있다.
이상, 바람직한 실시예를 통하여 본 발명에 관하여 상세히 설명하였으나, 본 발명은 이에 한정되는 것은 아니며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양하게 변경, 응용될 수 있음은 당업자에게 자명하다. 따라서, 본 발명의 진정한 보호 범위는 다음의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
도 1은 본 발명에 따른 영상 내의 표적 인식 방법의 실행 과정을 보여주는 흐름도.
도 2는 본 발명의 방법에 따라 표적(도형) 내의 기준점과 도형의 경계선상의 모든 픽셀들 간의 거리를 구하는 것을 개념적으로 보여주는 도면.
도 3은 본 발명의 방법에 따라 표적(도형) 내의 기준점과 경계선상의 모든 픽셀 간의 계산된 거리 정보를 이용하여 DFV를 생성한 것을 보여주는 도면.
도 4는 본 발명의 방법에 따라 1차 모델링을 통해 얻은 16구간의 특징벡터와2차 모델링을 통해 얻은 2차 다항식 급수 예를 보여주는 도면.
도 5는 본 발명의 방법에 있어서의 순환 이동 정합 과정을 개념적으로 보여주는 도면.
도 6은 본 발명의 방법에 따른 표적(도형)에 대한 인식 실험을 위한 도형 패턴의 예를 보여주는 도면.
도 7은 도 6의 표적(도형)에 대한 인식 실험에 대한 결과를 보여주는 도면.
<도면의 주요 부분에 대한 부호의 설명>
200...인식대상 표적(도형) 201...경계선
202...기준점 203a∼203h...픽셀
d1∼d8...기준점과 픽셀 간의 거리

Claims (5)

  1. 임의의 영상 내의 인식 대상 표적의 경계선을 추출하는 단계;
    상기 추출된 표적의 경계선 정보를 바탕으로 경계선으로 이루어지는 임의의 형태의 도형의 내부에 기준점을 설정하는 단계;
    상기 설정된 기준점과 상기 경계선상의 모든 픽셀들 간의 거리를 계산하는 단계;
    상기 계산된 모든 거리 정보를 이용하여 DFV(Distance Feature Vector:거리특징벡터)를 생성하고, 생성된 DFV를 다수의 구간으로 분할하는 단계;
    상기 분할된 각 구간에 대하여, 사전에 구축된 기준 모델과의 최적 정합 순서를 찾기 위하여 상기 도형에 대한 1차 모델링을 수행하는 단계;
    상기 최적 정합 순서에 대한 최종 정합 값의 계산에 필요한 정보를 생성하기 위하여 상기 도형에 대한 2차 모델링을 수행하는 단계;
    상기 1차 모델링 과정에서 추출한 정보를 이용하여 상기 기준 모델과 상기 도형과의 1차 정합을 수행하여, 각 표적에 대한 최적 정합 순서를 탐색하는 단계;
    상기 탐색된 최적 정합 순서에 따라 상기 2차 모델링 과정에서 추출한 다항식 급수계수 정보를 이용하여 추정된 DFV 값과 상기 도형에서 계산된 DFV 값과의 2차 정합을 수행하여 오차를 계산하고, 이를 바탕으로 최종 정합 값을 계산하는 단계; 및
    상기 계산된 최종 정합 값을 바탕으로 상기 인식 대상 표적을 식별해 내는 단계를 포함하는 것을 특징으로 하는 영상 내의 표적 인식 방법.
  2. 제1항에 있어서,
    상기 1차 모델링 단계에서 상기 분할된 각 구간별로 상기 기준점과 경계선상의 픽셀들 간의 거리 중 최소 또는 최대가 되는 지점인 정점(peak point)들의 상대 크기 및 정점 간의 이격 거리에 대한 정보를 추출하는 것을 특징으로 하는 영상 내의 표적 인식 방법.
  3. 제1항에 있어서,
    상기 2차 모델링 단계에서 상기 1차 모델링 시 사용된 분할 구간마다 상기 DFV 값을 다항식의 급수형태(테일러(Taylor) 급수를 이용하여 2차항까지만 취하는 다항식의 급수형태)로 근사화하고, 급수로 표현된 다항식에서 각 항의 계수정보를 추출하는 것을 특징으로 하는 영상 내의 표적 인식 방법.
  4. 제1항에 있어서,
    상기 1차 정합 단계에서 상기 1차 모델링 시 추출된 구간별 정점 간의 상대 크기(상기 기준점과 경계선상의 픽셀들 간의 거리 중 최소 또는 최대가 되는 지점들 간의 기준점으로부터 그 지점들까지의 각각의 거리에 대한 상대적인 크기) 및 정점 간의 이격 거리(상기 기준점과 경계선상의 픽셀들 간의 거리 중 최소 또는 최대가 되는 하나의 지점과 다른 지점 사이의 거리) 정보를 이용하여 상기 분할된 구간만을 순환 이동시키면서 정합 값을 계산하여 최적 정합 순서를 탐색하는 것을 특징으로 하는 영상 내의 표적 인식 방법.
  5. 삭제
KR1020080008352A 2008-01-28 2008-01-28 영상 내의 표적 인식 방법 KR100933483B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020080008352A KR100933483B1 (ko) 2008-01-28 2008-01-28 영상 내의 표적 인식 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020080008352A KR100933483B1 (ko) 2008-01-28 2008-01-28 영상 내의 표적 인식 방법

Publications (2)

Publication Number Publication Date
KR20090082546A KR20090082546A (ko) 2009-07-31
KR100933483B1 true KR100933483B1 (ko) 2009-12-23

Family

ID=41293829

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080008352A KR100933483B1 (ko) 2008-01-28 2008-01-28 영상 내의 표적 인식 방법

Country Status (1)

Country Link
KR (1) KR100933483B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335985B (zh) * 2014-08-01 2019-03-01 深圳中集天达空港设备有限公司 一种基于机器视觉的入坞飞机实时捕获方法及系统
CN105373135B (zh) 2014-08-01 2019-01-01 深圳中集天达空港设备有限公司 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统
KR20190092051A (ko) * 2018-01-30 2019-08-07 한화정밀기계 주식회사 물체 검출 방법 및 로봇 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1063318A (ja) 1996-08-22 1998-03-06 Toyoda Mach Works Ltd 物体認識方法及びその装置
JPH10222680A (ja) 1997-02-03 1998-08-21 Matsushita Electric Ind Co Ltd 位置認識方法
JP2007263899A (ja) * 2006-03-30 2007-10-11 Toppan Printing Co Ltd パターン形状計測装置及びパターン形状計測方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1063318A (ja) 1996-08-22 1998-03-06 Toyoda Mach Works Ltd 物体認識方法及びその装置
JPH10222680A (ja) 1997-02-03 1998-08-21 Matsushita Electric Ind Co Ltd 位置認識方法
JP2007263899A (ja) * 2006-03-30 2007-10-11 Toppan Printing Co Ltd パターン形状計測装置及びパターン形状計測方法

Also Published As

Publication number Publication date
KR20090082546A (ko) 2009-07-31

Similar Documents

Publication Publication Date Title
CN110097093B (zh) 一种异源图像精确匹配方法
US20200218929A1 (en) Visual slam method and apparatus based on point and line features
Aldoma et al. Multimodal cue integration through hypotheses verification for rgb-d object recognition and 6dof pose estimation
US8774510B2 (en) Template matching with histogram of gradient orientations
CN103456022B (zh) 一种高分辨率遥感图像特征匹配方法
US9418313B2 (en) Method for searching for a similar image in an image database based on a reference image
JP2011008507A (ja) 画像検索方法およびシステム
CN104751465A (zh) 一种基于lk光流约束的orb图像特征配准方法
CN109241901B (zh) 一种对具有孔洞的三维点云的检测与识别方法
GB2459043A (en) Visual Recognition of an Object in an Image
US20120155745A1 (en) Apparatus and method for extracting correspondences between aerial images
CN115546116B (zh) 全覆盖式岩体不连续面提取与间距计算方法及系统
Zhou et al. A robust object tracking algorithm based on SURF
Enjarini et al. Planar segmentation from depth images using gradient of depth feature
KR100933483B1 (ko) 영상 내의 표적 인식 방법
WO2020209046A1 (ja) 物体検出装置
CN102509072A (zh) 基于区域间差异的图像中显著对象的检测方法
WO2013024665A1 (ja) 特徴点対応付けシステム、特徴点対応付け方法、および記録媒体
CN104484647B (zh) 一种高分辨率遥感图像云高度检测方法
KR20050063991A (ko) 영상 피라미드를 이용한 영상정합 처리방법 및 장치
US9792675B1 (en) Object recognition using morphologically-processed images
JP6393495B2 (ja) 画像処理装置および物体認識方法
JP2015007919A (ja) 異なる視点の画像間で高精度な幾何検証を実現するプログラム、装置及び方法
Kang et al. A robust image matching method based on optimized BaySAC
Koutaki et al. Fast and high accuracy pattern matching using multi-stage refining eigen template

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20121102

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20131203

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20141202

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20151202

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20161202

Year of fee payment: 8

LAPS Lapse due to unpaid annual fee