CN101782969A - 一种基于物理定位信息的图像特征可靠匹配的方法 - Google Patents
一种基于物理定位信息的图像特征可靠匹配的方法 Download PDFInfo
- Publication number
- CN101782969A CN101782969A CN 201010114998 CN201010114998A CN101782969A CN 101782969 A CN101782969 A CN 101782969A CN 201010114998 CN201010114998 CN 201010114998 CN 201010114998 A CN201010114998 A CN 201010114998A CN 101782969 A CN101782969 A CN 101782969A
- Authority
- CN
- China
- Prior art keywords
- initial pictures
- initial
- width
- cloth
- dimensional
- 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 24
- 239000004744 fabric Substances 0.000 claims description 36
- 230000008878 coupling Effects 0.000 claims description 17
- 238000010168 coupling process Methods 0.000 claims description 17
- 238000005859 coupling reaction Methods 0.000 claims description 17
- 230000005012 migration Effects 0.000 claims description 11
- 238000013508 migration Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 239000013598 vector Substances 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 3
- 230000013011 mating Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 241000282320 Panthera leo Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于物理定位信息的图像特征可靠匹配的方法，依次包括以下步骤：获取多幅具有二维物理信息的至少两幅之间有重叠区域的初始图像；提取各幅初始图像的SIFT特征点；利用初始图像的二维物理信息得到两幅初始图像在像素级上的二维偏移量，确定两幅初始图像的重叠区域；对两幅初始图像的重叠区域的特征点进行匹配；输出匹配的特征点对的二维物理信息；重复步骤以上，将多幅初始图像逐一进行匹配。本发明只对比图像局部特征点信息，匹配速度快而准确，大大减少了产生误匹配的可能性，几乎可以达到零误差的效果。
Description
技术领域
本发明涉及图像处理与图像匹配领域，特别涉及全景图的拼接。
背景技术
图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题。图像匹配主要可分为以灰度为基础的匹配和以特征为基础的匹配。
尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法，用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。此算法由David Lowe在1999年所发表，2004年完善总结，其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。
SIFT算法提取的SIFT特征向量具有如下特征：
(1)SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；
(2)独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；
(3)多量性，高速性与可扩展性；
SIFT算法对每个特征点可以提取128维的特征向量，并利用此特征向量进行特征点之间的匹配。
在没有物理定位信息的情况下，图像特征点的匹配需要对整幅图像的特征点做处理，如利用特征点建立KD-tree，再利用BBF算法在KD-tree上找KNN(K-nearest neighbor)。这样的处理在时间上比较长。而且全局匹配都有产生误匹配的可能性，结果需要人工干预。
发明内容
本发明提供一种匹配准确度高，且匹配速度快的基于物理定位信息的图像特征可靠匹配的方法。
一种基于物理定位信息的图像特征可靠匹配的方法，包括以下步骤：
(1)获取多幅具有二维物理信息的初始图像，所述的初始图像中至少两幅之间有重叠区域；
所获取的初始图像至少两幅之间有重叠区域，并且可以拼接成为一幅全景图像。所述的二维物理信息即图像在初始全景图中的二维坐标，原点可任意；：步骤(1)中利用相机拍摄初始全景图的不同区域得到多幅初始图像，拍摄不同区域时，相机的主光轴与初始全景图的夹角保持不变，且相机与初始全景图之间的垂直距离保持不变。这样多幅初始图像所在平面就相互平行，而且初始图像所记录的大小在初始全景图中所占的区域是一致的，只有这样才能在后来的匹配过程中有精确的重合区域作为保障，而且利用初始图像的二维物理信息可以得出初始图像在像素级上的重叠区域。
(2)提取各幅初始图像的SIFT特征点；
SIFT算子是David G.Lowe在2004年提出的一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变形的图像局部特征描述算子，其全称是Scale Invariant Fearture Transform，即尺度不变特征变换。Sift特征点的提取步骤：
1.构建尺度空间，建立金字塔模型，检测极值点，获得尺度不变性。
2.特征点过滤并进行精确定位。
3.为特征点指定方向参数。
4.关键点描述子的生成。
具体可以参照DAVID G.LOWE的论文(“Distinctive Image Fearturesfrom Scale-Invariant Keypoints”。International Journal of Computer Vision60(2)，91-110，2004)，最终提取出来的特征点信息包括特征点在图像上的亚像素坐标以及128维的特征向量。
(3)利用初始图像的二维物理信息得到两幅初始图像在像素级上的二维偏移量，确定两幅初始图像的重叠区域；
要得到两幅初始图像在像素级上的二维偏移量，首先要知道相机的参数及拍摄初始图像时的状态，在得知感光元件的大小，相机镜头的焦距以及相机到初始全景图的垂直距离后，可以利用相机成像的原理得出初始图像所在平面的实际位移量与初始图像像素偏移量的比值k。若有S，T两幅有重叠区域的初始图像要进行匹配，它们在所在平面上的坐标分别为(x1，y1)与(x2，y2)，初始图像T相对于初始图像S的实际偏移量为(x2-x1，y2-y1)，根据实际偏移量和k可以计算出两幅初始图像像素级上的二维偏移量，若二维偏移量的绝对值分别小于图像像素，则图像像素与二维偏移量的差值所确定的区域即为重叠区域。
(4)对两幅初始图像的重叠区域的特征点进行匹配；
在步骤(3)中可以得知两幅初始图像是否有重叠区域以及重叠区域在各幅图中的像素位置，只需对在重叠区域的特征点进行匹配，其他特征点不予考虑。首先要设置特征向量的欧氏距离公式阈值，以及需要的两幅初始图像的特征点匹配对数目。
在特征点匹配过程中，在不做预处理的情况下，需要对所有特征点进行处理，在判断特征点的位移偏差后再决定是否计算两者的欧氏距离以判断两者的匹配情况，为了提高效率，可以事先把特征点按照在初始图像中所处的位置进行分类，比如把初始图像均匀分成M×N块的区域，把所有特征点分类放入区域中。在进行匹配过程中，可以知道处于重叠位置的区域块，只需对这些区域块中的特征点做匹配过程，在时间上提高了效率。在理论上，划分区域块越小，在进行匹配时所要处理的特征点越少，效率也就更高，但所要空间也随之增加。所以要注意时间与空间之间的矛盾。
若两幅初始图像的像素偏差在水平和垂直方向分别为P，Q个像素，在实际匹配过程中，因为步骤(1)中的条件不可能完全满足，加上图像所在平面会有轻微变形，所以在匹配过程中，可以对像素偏差的要求有所降低，在偏差为P±μ，Q±μ(μ可以根据实际情况进行选取)的条件下都可以对匹配对的特征向量进行欧氏距离的计算。在欧氏距离小于设定的阈值后可以把这对特征点对放入一个大小为需要的特征点匹配对数目的最小堆，最后就可以获得需要数目的特征点匹配对，且之间的欧氏距离最小，即特征向量最吻合。
(5)输出匹配的特征点对的二维信息；
每对特征点匹配对的信息包括两点在各自图中的亚像素级位置，把步骤(4)中得到的最小堆中的匹配对信息按照格式输出以进行后续的控制点优化和全景图拼接工作。
本发明一种基于物理定位信息的图像特征可靠匹配技术具有以下优点：
1.匹配快速。在没有物理定位信息的情况下，图像特征点的匹配需要对整幅图像的特征点做处理，如利用特征点建立KD-tree，再利用BBF算法在KD-tree上找KNN(K-nearest neighbor)。这样的处理在时间上不如只对比图像局部特征点信息的本发明。
2.匹配准确。一幅图中的特征点在另一幅图中的一个很小的区域快查找与之匹配的特征点，再加上特征点特征向量的欧式距离限制，大大减少了产生误匹配的可能性，几乎可以达到零误差的效果。而利用其他全局匹配都有产生误匹配的可能性，结果需要人工干预。
附图说明
图1为本发明获取图像的相机成像示意图。
图2为本发明图像重叠示意图。
图3为本发明SIFT算法的金字塔模型。
图4为本发明方法的流程示意图。
具体实施方式
如附图4所示，本发明的一种基于物理定位信息的图像特征可靠匹配技术，包括以下步骤：
(1)获取20幅具有二维物理信息的至少两幅之间有重叠区域的初始图像；拍摄不同区域时，相机的主光轴与初始全景图的夹角为90度，且相机与初始全景图之间的垂直距离保持不变。
(2)提取各幅初始图像的SIFT特征点；最终提取出来的初始图像的SIFT特征点信息包括特征点在初始图像上的像素级位置以及128维的特征向量。(如附图3所示，SIFT算法的金字塔模型，左侧的图像层，新的图像是由上一层图像降采样(1/2采样)而得，而右侧的DOG层是由同一层的不同尺度空间的图像相减而得)
(3)利用初始图像的二维物理信息确定两幅初始图像的重叠区域，得到两幅初始图像在像素级上的二维偏移量。
如附图1所示，相机感光元件的长度和宽度分别为a mm和b mm，即在相机成像面1上面的最大的长度和宽度分别为a mm和b mm；初始图像在初始全景图2中所占区域的长度和宽度分别为A1 cm和B1 cm，镜头焦距为f mm，即相机3到成像面1的距离为fmm，相机3到初始全景图2的垂直距离为d cm，那么a/A1＝b/B1＝f/d。在得知d，f，a，b后可以求出初始图像在初始全景图2中所占区域的长度和宽度分别为A1＝ad/f，B1＝bd/f。再根据图像的分辨率，可以得到像素点数目与真实长度的比值k，即初始图像像素偏移量与实际位移量的比值。相机若有S，T两幅有重叠区域的图要进行匹配，它们在所在平面上的坐标分别为(x1，y1)与(x2，y2)，B图相对于A图的偏移量(x2-x1，y2-y1)为实际位移量，根据图像的位置与两者之间的偏移量可以计算出两者的重叠区域并且确定重叠区域在两幅图中确切的像素级信息，即像素偏移量＝k×实际位移量。若两者的像素偏移量表示为P pixel(如附图2中EH的距离)和Q pixel(如附图2中HG的距离)，每幅图像的分辨率为X pixel×Y pixel(其中，X如附图2中的AG的距离，Y如附图2中的ED的距离)，若|P|＜X且|Q|＜Y，则可以确定两幅图像之间有一个长宽分别为X-|P|，Y-|Q|的重叠区域，即ABCD重叠区域。
(4)对两幅初始图像的重叠区域的特征点进行匹配；
首先要设置特征向量的欧氏距离公式阈值为0.01，以及需要的两幅初始图像的特征点匹配对数目为10对。
在特征点匹配过程中，对所有特征点进行处理，在判断特征点的位移偏差后再决定是否计算两者的欧氏距离以判断两者的匹配情况，为了提高效率，事先把特征点按照在初始图像中所处的位置均匀分成5×5块的区域，把所有特征点分类放入区域中。在进行匹配过程中，可以知道处于重叠位置的区域块，只需对这些区域块中的特征点做匹配过程。
若两幅初始图像的像素偏差在水平和垂直方向分别为P，Q个像素，在实际匹配过程中，因为步骤(1)中的条件不可能完全满足，加上初始图像所在平面会有轻微变形，所以在匹配过程中，可以对像素偏差的要求有所降低，在偏差为P±μ，Q±μ(μ取100像素)的条件下都可以对匹配对的特征向量进行欧氏距离的计算。在欧氏距离小于设定的阈值后可以把这对特征点对放入一个大小为需要的特征点匹配对数目的最小堆，最后就可以获得需要数目的特征点匹配对，且之间的欧氏距离最小，即特征向量最吻合。
(5)输出匹配的特征点对的二维物理信息；
步骤(4)中得到的最小堆中的匹配对信息按照格式输出。
(6)重复步骤(3)-(5)，将20幅初始图像逐一进行匹配。
将所得到的所有匹配对信息进行后续的控制点优化和全景图拼接工作。
Claims (3)
1.一种基于物理定位信息的图像特征可靠匹配的方法，其特征在于：包括以下步骤：
(1)获取多幅具有二维物理信息的初始图像，所述的初始图像中至少两幅之间有重叠区域；
(2)提取各幅初始图像的SIFT特征点；
(3)利用初始图像的二维物理信息计算任意两幅初始图像在像素级上的二维偏移量，根据两幅初始图像之间的二维偏移量确定重叠区域；
(4)对两幅初始图像的重叠区域的SIFT特征点进行匹配；
(5)输出匹配的特征点对的二维物理信息；
(6)重复步骤(3)-(5)，将所有初始图像逐一进行匹配。
2.如权利要求1所述的基于物理定位信息的图像特征可靠匹配的方法，其特征在于：步骤(1)中利用相机拍摄初始全景图的不同区域得到多幅初始图像，拍摄不同区域时，相机的主光轴与初始全景图的夹角保持不变，且相机与初始全景图之间的垂直距离保持不变。
3.如权利要求1所述的基于物理定位信息的图像特征可靠匹配的方法，其特征在于：步骤(3)确定重叠区域的方法是：利用相机成像原理得出初始图像所在平面的实际位移量与初始图像像素偏移量的比值，利用步骤(1)得到的初始图像的二维物理信息，得出初始图像所在平面的实际位移量，最后得出两幅初始图像在像素级上的二维偏移量，若二维偏移量的绝对值分别小于图像像素，则图像像素与二维偏移量的差值所确定的区域即为重叠区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201010114998XA CN101782969B (zh) | 2010-02-26 | 2010-02-26 | 一种基于物理定位信息的图像特征可靠匹配的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201010114998XA CN101782969B (zh) | 2010-02-26 | 2010-02-26 | 一种基于物理定位信息的图像特征可靠匹配的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101782969A true CN101782969A (zh) | 2010-07-21 |
| CN101782969B CN101782969B (zh) | 2011-12-07 |
Family
ID=42522958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201010114998XA Expired - Fee Related CN101782969B (zh) | 2010-02-26 | 2010-02-26 | 一种基于物理定位信息的图像特征可靠匹配的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101782969B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980250A (zh) * | 2010-10-15 | 2011-02-23 | 北京航空航天大学 | 基于降维局部特征描述子和隐条件随机场的目标识别方法 |
| CN102065313A (zh) * | 2010-11-16 | 2011-05-18 | 上海大学 | 平行式相机阵列的未标定多视点图像校正方法 |
| CN102289676A (zh) * | 2011-07-30 | 2011-12-21 | 山东鲁能智能技术有限公司 | 基于红外检测的变电站刀闸模式识别方法 |
| CN102629329A (zh) * | 2012-02-28 | 2012-08-08 | 北京工业大学 | 基于自适应sift算法的人员室内定位方法 |
| CN102968777A (zh) * | 2012-11-20 | 2013-03-13 | 河海大学 | 一种基于重叠区域sift特征点的图像拼接方法 |
| CN103902953A (zh) * | 2012-12-25 | 2014-07-02 | 深圳先进技术研究院 | 一种屏幕检测系统及方法 |
| CN104917934A (zh) * | 2015-06-01 | 2015-09-16 | 天津航天中为数据系统科技有限公司 | 一种误匹配点的消除方法、视频补偿方法及装置 |
| CN105163004A (zh) * | 2015-04-30 | 2015-12-16 | 南方电网科学研究院有限责任公司 | 一种消除误匹配点的视频补偿方法 |
| CN106447608A (zh) * | 2016-08-25 | 2017-02-22 | 中国科学院长春光学精密机械与物理研究所 | 一种视频图像拼接方法及装置 |
| CN106485256A (zh) * | 2016-10-10 | 2017-03-08 | 宋育锋 | 基于sift特征点的双标签相对位置信息构建方法 |
| TWI621099B (zh) * | 2016-09-14 | 2018-04-11 | 豪威科技股份有限公司 | 具有基於特徵的重影去除的陣列照相機影像組合 |
| CN108961322A (zh) * | 2018-05-18 | 2018-12-07 | 辽宁工程技术大学 | 一种适用于降落序列影像的误匹配剔除方法 |
| CN109933083A (zh) * | 2017-12-15 | 2019-06-25 | 翔升（上海）电子技术有限公司 | 基于无人机的放牧方法、装置和系统 |
| CN110544204A (zh) * | 2019-07-31 | 2019-12-06 | 华南理工大学 | 一种基于块匹配的图像拼接方法 |
| CN111524230A (zh) * | 2020-04-01 | 2020-08-11 | 中南大学 | 一种三维模型与展开全景图联动浏览方法及计算机系统 |
| CN111680703A (zh) * | 2020-06-01 | 2020-09-18 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于图像特征点检测与匹配的360度施工全景图联动定位方法 |
| CN114202660A (zh) * | 2022-02-21 | 2022-03-18 | 广东建科交通工程质量检测中心有限公司 | 一种基于边云桥梁检测的远程分布式控制方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1851555A (zh) * | 2006-05-19 | 2006-10-25 | 李鹏 | 实现二维全景真实成像的方法 |
| CN101561866A (zh) * | 2009-05-27 | 2009-10-21 | 上海交通大学 | 基于sift特征与灰度差值直方图特征的文字识别方法 |
-
2010
- 2010-02-26 CN CN201010114998XA patent/CN101782969B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1851555A (zh) * | 2006-05-19 | 2006-10-25 | 李鹏 | 实现二维全景真实成像的方法 |
| CN101561866A (zh) * | 2009-05-27 | 2009-10-21 | 上海交通大学 | 基于sift特征与灰度差值直方图特征的文字识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 《IEEE》 20041231 Dongming Lu，Changyu Diao Relic Protection and Digitization Technology 全文 1-3 , 2 * |
| 《中国博士学位论文全文数据库》 20080831 武二永 基于视觉的机器人同时定位与地图构建 全文 1-3 , 1 * |
| 《图像图形技术研究与应用2009》 20091231 熊英 等 SIFT特征在三维物体识别中的应用 全文 1-3 , 2 * |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980250A (zh) * | 2010-10-15 | 2011-02-23 | 北京航空航天大学 | 基于降维局部特征描述子和隐条件随机场的目标识别方法 |
| CN101980250B (zh) * | 2010-10-15 | 2014-06-18 | 北京航空航天大学 | 基于降维局部特征描述子和隐条件随机场的目标识别方法 |
| CN102065313A (zh) * | 2010-11-16 | 2011-05-18 | 上海大学 | 平行式相机阵列的未标定多视点图像校正方法 |
| CN102065313B (zh) * | 2010-11-16 | 2012-10-31 | 上海大学 | 平行式相机阵列的未标定多视点图像校正方法 |
| CN102289676A (zh) * | 2011-07-30 | 2011-12-21 | 山东鲁能智能技术有限公司 | 基于红外检测的变电站刀闸模式识别方法 |
| CN102289676B (zh) * | 2011-07-30 | 2013-02-20 | 山东鲁能智能技术有限公司 | 基于红外检测的变电站刀闸模式识别方法 |
| CN102629329A (zh) * | 2012-02-28 | 2012-08-08 | 北京工业大学 | 基于自适应sift算法的人员室内定位方法 |
| CN102629329B (zh) * | 2012-02-28 | 2014-07-23 | 北京工业大学 | 基于自适应sift算法的人员室内定位方法 |
| CN102968777A (zh) * | 2012-11-20 | 2013-03-13 | 河海大学 | 一种基于重叠区域sift特征点的图像拼接方法 |
| CN102968777B (zh) * | 2012-11-20 | 2015-01-14 | 河海大学 | 一种基于重叠区域sift特征点的图像拼接方法 |
| CN103902953A (zh) * | 2012-12-25 | 2014-07-02 | 深圳先进技术研究院 | 一种屏幕检测系统及方法 |
| CN103902953B (zh) * | 2012-12-25 | 2017-11-07 | 深圳先进技术研究院 | 一种屏幕检测系统及方法 |
| CN105163004A (zh) * | 2015-04-30 | 2015-12-16 | 南方电网科学研究院有限责任公司 | 一种消除误匹配点的视频补偿方法 |
| CN104917934A (zh) * | 2015-06-01 | 2015-09-16 | 天津航天中为数据系统科技有限公司 | 一种误匹配点的消除方法、视频补偿方法及装置 |
| CN106447608A (zh) * | 2016-08-25 | 2017-02-22 | 中国科学院长春光学精密机械与物理研究所 | 一种视频图像拼接方法及装置 |
| CN106447608B (zh) * | 2016-08-25 | 2017-11-07 | 中国科学院长春光学精密机械与物理研究所 | 一种视频图像拼接方法及装置 |
| TWI621099B (zh) * | 2016-09-14 | 2018-04-11 | 豪威科技股份有限公司 | 具有基於特徵的重影去除的陣列照相機影像組合 |
| CN106485256A (zh) * | 2016-10-10 | 2017-03-08 | 宋育锋 | 基于sift特征点的双标签相对位置信息构建方法 |
| CN109933083A (zh) * | 2017-12-15 | 2019-06-25 | 翔升（上海）电子技术有限公司 | 基于无人机的放牧方法、装置和系统 |
| CN108961322A (zh) * | 2018-05-18 | 2018-12-07 | 辽宁工程技术大学 | 一种适用于降落序列影像的误匹配剔除方法 |
| CN108961322B (zh) * | 2018-05-18 | 2021-08-10 | 辽宁工程技术大学 | 一种适用于降落序列影像的误匹配剔除方法 |
| CN110544204A (zh) * | 2019-07-31 | 2019-12-06 | 华南理工大学 | 一种基于块匹配的图像拼接方法 |
| CN111524230A (zh) * | 2020-04-01 | 2020-08-11 | 中南大学 | 一种三维模型与展开全景图联动浏览方法及计算机系统 |
| CN111524230B (zh) * | 2020-04-01 | 2021-01-26 | 中南大学 | 一种三维模型与展开全景图联动浏览方法及计算机系统 |
| CN111680703A (zh) * | 2020-06-01 | 2020-09-18 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于图像特征点检测与匹配的360度施工全景图联动定位方法 |
| CN111680703B (zh) * | 2020-06-01 | 2022-06-03 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于图像特征点检测与匹配的360度施工全景图联动定位方法 |
| CN114202660A (zh) * | 2022-02-21 | 2022-03-18 | 广东建科交通工程质量检测中心有限公司 | 一种基于边云桥梁检测的远程分布式控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101782969B (zh) | 2011-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101782969B (zh) | 一种基于物理定位信息的图像特征可靠匹配的方法 | |
| CN108090958B (zh) | 一种机器人同步定位和地图构建方法和系统 | |
| CN103426186B (zh) | 一种改进的surf快速匹配方法 | |
| David et al. | Object recognition in high clutter images using line features | |
| CN106919944B (zh) | 一种基于orb算法的大视角图像快速识别方法 | |
| CN105957015A (zh) | 一种螺纹桶内壁图像360度全景拼接方法及系统 | |
| Zhao et al. | Learning deep network for detecting 3d object keypoints and 6d poses | |
| Zhou et al. | Progressive large scale-invariant image matching in scale space | |
| CN103400384A (zh) | 结合区域匹配和点匹配的大视角图像匹配方法 | |
| CN112766008B (zh) | 一种基于二维码的物体空间位姿获取方法 | |
| Cordes et al. | High-resolution feature evaluation benchmark | |
| Gao et al. | DCT-based local descriptor for robust matching and feature tracking in wide area motion imagery | |
| Wei et al. | ELSR: Efficient line segment reconstruction with planes and points guidance | |
| CN110929782B (zh) | 一种基于正射影像图对比的河道异常检测方法 | |
| Kim et al. | Ep2p-loc: End-to-end 3d point to 2d pixel localization for large-scale visual localization | |
| Yu et al. | DNN Flow: DNN Feature Pyramid based Image Matching. | |
| CN111179271B (zh) | 一种基于检索匹配的物体角度信息标注方法及电子设备 | |
| Kang et al. | A robust image matching method based on optimized BaySAC | |
| CN111160433B (zh) | 一种高分辨率图像特征点的高速匹配方法及系统 | |
| Fernández et al. | Generalized Hough transform for 3D object recognition and visualization in integral imaging | |
| Wang et al. | Stereo rectification based on epipolar constrained neural network | |
| Matusiak et al. | Depth-based descriptor for matching keypoints in 3D scenes | |
| Morago et al. | Integrating lidar range scans and photographs with temporal changes | |
| Xie et al. | Real-time Reconstruction of unstructured scenes based on binocular vision depth | |
| CN112907453B (zh) | 一种笔记本内结构图像矫正方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111207 Termination date: 20190226 |