CN105046649A - 一种去除运动视频中运动物体的全景图拼接方法 - Google Patents
一种去除运动视频中运动物体的全景图拼接方法 Download PDFInfo
- Publication number
- CN105046649A CN105046649A CN201510372210.8A CN201510372210A CN105046649A CN 105046649 A CN105046649 A CN 105046649A CN 201510372210 A CN201510372210 A CN 201510372210A CN 105046649 A CN105046649 A CN 105046649A
- Authority
- CN
- China
- Prior art keywords
- coordinate
- moving object
- panorama
- point
- video
- 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 46
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 7
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract 1
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000003786 synthesis reaction Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010047571 Visual impairment Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Studio Circuits (AREA)
Abstract
本发明涉及一种去除运动视频中运动物体的全景图拼接方法。(1)依据视频的长度获取合适数量的视频截图,若视频长度较短,则截图选取间隔较短;若视频长度较长,则选取间隔较长;(2)将原图像影射到球面上,以防止最终形成的全景图扭曲变形;(3)对每帧图像进行SURF特征点检测,获取特征点的描述子向量,作为匹配的依据;(4)特征点匹配;(5)由匹配特征点计算每两帧图像的透视(单应)变换矩阵,计算相邻两帧的正反方向单应矩阵变换;(6)由相邻帧的单应变化矩阵,获取全景图大小;(7)由全景图反映射至序列帧,为全景图的每个像素点构建候选点链表,去除运动物体,全景图的生成完毕。本发明的全景图生成清晰度较高,背景叠加精准,无运动物体的“鬼影”现象。
Description
技术领域
本发明属于视频图像处理领域,特别是涉及一种去除运动视频中运动物体的全景图拼接方法。
背景技术
不论在学术领域还是工程领域,全景图拼接算法都是图像处理的热点问题之一。它在各类软件中有着大量的应用,如相机全景图合成等等。全景图是观察者从一个固定视点像四周旋转一圈所能够看到的景象,它需要表达完整的真实环境信息。全景图的合成易产生“鬼影”,即运动物体在全景图有多个影像而导致全景图存在运动物体在不同时间的残影,影响了全景图的合成效果。
目前的各类算法仍然存在缺陷,如全景合成速度慢,5秒视频需要数十秒的合成时间;合成视觉效果差,不能够完全匹配,即背景无法叠加一致,生成的图像模糊;视频仅仅限制于水平移动,不能够垂直移动;运动物体消除不完全,有残留影像等等。
发明内容
本发明的目的在于:实现以一定时间长度的视频作为输入,在数秒之内合成一张去除视频内运动物体的全景图。该全景图生成清晰度较高,背景叠加精准,无运动物体的“鬼影”现象。
本发明的技术方案如下:
一种去除运动视频中运动物体的全景图拼接方法,其特征在于所述方法包括如下步骤:
(1)依据视频的长度获取合适数量的视频截图;
(2)将截图所得的图像影射到球面上,以防止最终形成的全景图扭曲变形;
(3)对每帧图像进行SURF特征点检测,获取特征点的描述子向量,作为匹配的依据;
(4)特征点匹配;
(5)由匹配特征点计算每两帧图像的透视单应变换矩阵,计算相邻两帧的正反方向单应矩阵变换;
(6)由相邻帧的单应变换矩阵,获取全景图大小;
(7)由全景图反映射至序列帧,为全景图的每个像素点构建候选点链表,去除运动物体,全景图的生成完毕。
进一步的,所述步骤(1)中,视频截图选择的具体方式为:若视频长度在2秒之内,则每间隔5帧取一帧图像;若视频长度在2秒至5秒之间,则每间隔10帧取一帧图像;若视频长度超过5秒,则每间隔15帧取一帧图像。
进一步的,所述步骤(2)中,图像投影至球面的方法如下:
假设世界坐标系为XYZ,照相机坐标系为xyz,且相机坐标系是由世界坐标系绕世界坐标系中的X轴旋转α角度得到;
设实景图像f上任意一个像素点p的图像坐标为(x,y),它在球面投影图像上对应的图像坐标为其中θ是水平旋转角,是俯仰角,实景图像的高度为H,宽度为W,并设球体中心为坐标系原点,相机焦距为λ,球半径r为相机焦距;这时点p(x,y)在相机坐标系xyz下的坐标为(x–W/2,y–H/2,-λ),则将它转化为世界坐标系XYZ下的坐标(u,v,w)为:
且有
由以上两式可得
因此得到球面坐标公式:
其中(x′,y′)对应于照片平面坐标(x,y)的球面展开平面坐标值;利用上公式,则可以把原始图像投影至平面,生成球面展开平面坐标图像。
进一步的,所述步骤(4)中,特征点匹配的方法如下:
采用欧氏距离来作为两个特征向量距离的评价的标准函数:
其中P1,P2表示两帧图像中的特征点,k1i和k2i表示的是P1,P2的描述子向量第i个分量;为进一步降低错误匹配率,采用最近邻比次近邻的方法,用ND(NearestDistance)和NND(NextNearestDistance)分别表示最近距离和次近距离,则最近和次近距离之比Rod为ND/NND,我们可以设定一个阈值threshold(大于0,小于1的正数),则:
根据经验,threshold取值在0.5至0.7之间。
进一步的,所述步骤(5)中,计算过程采用基于RANSAC匹配方法,由于单应矩阵需要4对匹配点进行计算,故随机选取多个4对匹配点的子集,通过最小误差方法来获取最优子集,并由此估算相邻两帧图像间的单应变换矩阵。
进一步的,所述步骤(6)中,具体方法如下:
选取所有图像序列帧的中间一帧作为全景图基础坐标帧,由于透视矩阵变换模型在帧与帧之间具有可传递性,故可由相邻帧的变换矩阵计算任意两帧之间的正向或者逆向变换;将其他帧的图像的四个顶点,映射到基础坐标帧内,选取在其中最小的x坐标和最小的y坐标做为全景图的左上角顶点,以最大的x坐标和最大的y坐标做为全景图的右下角顶点,由此可以得到全景图的大小。
进一步的,所述步骤(7)中,具体方法如下:
从全景图的左上角点开始,按行遍历全景图像的像素;对于像素点P(x,y)利用反变换矩阵来得到在单帧图像坐标系中的位置;由于全景图像素坐标并非在每帧图像都存在反投影点,故仅选择存在反投影点的点作为候选点;
对于所有的候选点Pi(xi,yi)按照灰度值进行排序,其中的像素点有可能是前景运动物体的点,也有可能是背景点,为了能够利用背景点对全景图像进行赋值,我们假设在整个帧序列当中,某一个点被运动物体遮挡的时间小于它暴露出来的时间,那么我们可以利用选取候选点的中值作为全景图像素点(x,y)的值;通过这种中值像素选取的方法,我们能够滤除运动物体,而仅仅保留背景;由此,全景图的生成完毕。
本发明的有益效果在于:
(1)全景图合成结果清晰,没有模糊重影。
首先SURF特征点的提取具有尺度不变形,即不受图像平移,旋转的影响,它能够完好地提取出图像中的特征点,为匹配提供精确的匹配点集。再者使用最近邻比次近邻的方法来作为特征点的差值度量法,降低了错误匹配率。并且算法采用RANSAC最小误差方法来对两帧图像的特征点进行匹配,它能够找到最优的四对特征点子集。
(2)全景图合成速度较快,能够在数秒内完成全景图合成。
SURF特征点检测具有高效实时性,通过设定合适的minHessian阈值参数,能够减少特征点提取时间。RANSAC最小误差方法也具有较高的时效性能,使得整体的图像拼接具有较快的计算速度。
(3)合成支持视频水平移动和垂直移动,能够生成水平方向和垂直方向的全景图。
由于将原始截图图像影射至球面坐标,形成了球面展开平面坐标图像,故在拼接时能够同时处理横向运动与纵向运动,生成水平方向和垂直方向的全景图。
(4)能够完好地消除运动物体的痕迹,没有残影。
算法在全景图中为每一个像素点维持了一个顺序的像素值链表,且采用选取中值的方式确定该像素点的像素值,由于大部分时间内,该处的像素值为背景而非运动物体,故能够选取中值以背景像素点作为该像素点的像素值。
(5)能够提取运动物体,支持进一步的操作,例如更换背景,***运动物体等等。
由于已经得到了没有运动物体的全景图,只需要使用帧差法就能够提取出运动物体,再进行后续的操作。
(6)图像视觉较为平滑,避免由于单张图像太明亮或者太昏暗而造成全景图的区域亮度不一致。
由于对全景图中每个像素点的候选点排序后是取中值操作,故可能够避免选取过亮或是过暗的像素点,实现了视觉平滑效果。
(7)算法能够对视频长度做自适应调整,若视频长度较长,则选取帧间隔大,若视频较短,则选取帧间隔小,这样的选择能够兼顾算法执行效率和全景图合成效果。
附图说明
图1是本发明的世界坐标系XYZ与照相机坐标系xyz的示意图。
图2是本发明方法的流程图。
具体实施方式
下面结合附图,对本发明的技术方案作进一步的阐述。
如图2所示的本发明方法的流程图。一种去除运动视频中运动物体的全景图拼接方法,其特征在于所述方法包括如下步骤:
(1)依据视频的长度获取合适数量的视频截图;
(2)由于通常情况下人们在拍摄习惯是身体不移动而旋转相机进行全景视频的获取,故需要将截图所得的图像影射到球面上,以防止最终形成的全景图扭曲变形;
(3)对每帧图像进行SURF特征点检测,获取特征点的描述子向量,作为匹配的依据;
(4)特征点匹配;
(5)由匹配特征点计算每两帧图像的透视单应变换矩阵,计算相邻两帧的正反方向单应矩阵变换;
(6)由相邻帧的单应变换矩阵,获取全景图大小;
(7)由全景图反映射至序列帧,为全景图的每个像素点构建候选点链表,去除运动物体,全景图的生成完毕。
其中,所述步骤(1)中,视频截图选择的具体方式为:若视频长度在2秒之内,则每间隔5帧取一帧图像;若视频长度在2秒至5秒之间,则每间隔10帧取一帧图像;若视频长度超过5秒,则每间隔15帧取一帧图像。
其中,所述步骤(2)中,图像投影至球面的方法如下:
如图1所示,假设世界坐标系为XYZ,照相机坐标系为xyz,且相机坐标系是由世界坐标系绕世界坐标系中的X轴旋转α角度得到;
设实景图像f上任意一个像素点p的图像坐标为(x,y),它在球面投影图像上对应的图像坐标为其中θ是水平旋转角,是俯仰角,实景图像的高度为H,宽度为W,并设球体中心为坐标系原点,相机焦距为λ,球半径r为相机焦距;这时点p(x,y)在相机坐标系xyz下的坐标为(x–W/2,y–H/2,-λ),则将它转化为世界坐标系XYZ下的坐标(u,v,w)为:
且有
由以上两式可得
因此得到球面坐标公式:
其中(x′,y′)对应于照片平面坐标(x,y)的球面展开平面坐标值;利用上公式,则可以把原始图像投影至平面,生成球面展开平面坐标图像。
其中,所述步骤(4)中,特征点匹配的方法如下:
采用欧氏距离来作为两个特征向量距离的评价的标准函数:
其中P1,P2表示两帧图像中的特征点,k1i和k2i表示的是P1,P2的描述子向量第i个分量;为进一步降低错误匹配率,采用最近邻比次近邻的方法,用ND(NearestDistance)和NND(NextNearestDistance)分别表示最近距离和次近距离,则最近和次近距离之比Rod为ND/NND,我们可以设定一个阈值threshold(大于0,小于1的正数),则:
根据经验,threshold取值在0.5至0.7之间。
其中,所述步骤(5)中,计算过程采用基于RANSAC匹配方法,由于单应矩阵需要4对匹配点进行计算,故随机选取多个4对匹配点的子集,通过最小误差方法来获取最优子集,并由此估算相邻两帧图像间的单应变换矩阵。
其中,所述步骤(6)中,具体方法如下:
选取所有图像序列帧的中间一帧作为全景图基础坐标帧,由于透视矩阵变换模型在帧与帧之间具有可传递性,故可由相邻帧的变换矩阵计算任意两帧之间的正向或者逆向变换;将其他帧的图像的四个顶点,映射到基础坐标帧内,选取在其中最小的x坐标和最小的y坐标做为全景图的左上角顶点,以最大的x坐标和最大的y坐标做为全景图的右下角顶点,由此可以得到全景图的大小。
其中,所述步骤(7)中,具体方法如下:
从全景图的左上角点开始,按行遍历全景图像的像素;对于像素点P(x,y)利用反变换矩阵来得到在单帧图像坐标系中的位置;由于全景图像素坐标并非在每帧图像都存在反投影点,故仅选择存在反投影点的点作为候选点;
对于所有的候选点Pi(xi,yi)按照灰度值进行排序,其中的像素点有可能是前景运动物体的点,也有可能是背景点,为了能够利用背景点对全景图像进行赋值,我们假设在整个帧序列当中,某一个点被运动物体遮挡的时间小于它暴露出来的时间,那么我们可以利用选取候选点的中值作为全景图像素点(x,y)的值;通过这种中值像素选取的方法,我们能够滤除运动物体,而仅仅保留背景;由此,全景图的生成完毕。
Claims (7)
1.一种去除运动视频中运动物体的全景图拼接方法,其特征在于所述方法包括如下步骤:
(1)依据视频的长度获取合适数量的视频截图;
(2)将截图所得的图像影射到球面上,以防止最终形成的全景图扭曲变形;
(3)对每帧图像进行SURF特征点检测,获取特征点的描述子向量,作为匹配的依据;
(4)特征点匹配;
(5)由匹配特征点计算每两帧图像的透视单应变换矩阵,计算相邻两帧的正反方向单应矩阵变换;
(6)由相邻帧的单应变换矩阵,获取全景图大小;
(7)由全景图反映射至序列帧,为全景图的每个像素点构建候选点链表,去除运动物体,全景图的生成完毕。
2.根据权利要求1所述的一种去除运动视频中运动物体的全景图拼接方法,其特征在于,所述步骤(1)中,视频截图选择的具体方式为:若视频长度在2秒之内,则每间隔5帧取一帧图像;若视频长度在2秒至5秒之间,则每间隔10帧取一帧图像;若视频长度超过5秒,则每间隔15帧取一帧图像。
3.根据权利要求1所述的一种去除运动视频中运动物体的全景图拼接方法,其特征在于,所述步骤(2)中,图像投影至球面的方法如下:
假设世界坐标系为XYZ,照相机坐标系为xyz,且相机坐标系是由世界坐标系绕世界坐标系中的X轴旋转α角度得到;
设实景图像f上任意一个像素点p的图像坐标为(x,y),它在球面投影图像上对应的图像坐标为其中θ是水平旋转角,是俯仰角,实景图像的高度为H,宽度为W,并设球体中心为坐标系原点,相机焦距为λ,球半径r为相机焦距;这时点p(x,y)在相机坐标系xyz下的坐标为(x–W/2,y–H/2,-λ),则将它转化为世界坐标系XYZ下的坐标(u,v,w)为:
且有
由以上两式可得
因此得到球面坐标公式:
其中(x′,y′)对应于照片平面坐标(x,y)的球面展开平面坐标值;利用上公式,则可以把原始图像投影至平面,生成球面展开平面坐标图像。
4.根据权利要求1所述的一种去除运动视频中运动物体的全景图拼接方法,其特征在于,所述步骤(4)中,特征点匹配的方法如下:
采用欧氏距离来作为两个特征向量距离的评价的标准函数:
其中P1,P2表示两帧图像中的特征点,k1i和k2i表示的是P1,P2的描述子向量第i个分量;为进一步降低错误匹配率,采用最近邻比次近邻的方法,用ND(NearestDistance)和NND(NextNearestDistance)分别表示最近距离和次近距离,则最近和次近距离之比Rod为ND/NND,我们可以设定一个阈值threshold(大于0,小于1的正数),则:
根据经验,threshold取值在0.5至0.7之间。
5.根据权利要求1所述的一种去除运动视频中运动物体的全景图拼接方法,其特征在于,所述步骤(5)中,计算过程采用基于RANSAC匹配方法,由于单应矩阵需要4对匹配点进行计算,故随机选取多个4对匹配点的子集,通过最小误差方法来获取最优子集,并由此估算相邻两帧图像间的单应变换矩阵。
6.根据权利要求1所述的一种去除运动视频中运动物体的全景图拼接方法,其特征在于,所述步骤(6)中,具体方法如下:
选取所有图像序列帧的中间一帧作为全景图基础坐标帧,由于透视矩阵变换模型在帧与帧之间具有可传递性,故可由相邻帧的变换矩阵计算任意两帧之间的正向或者逆向变换;将其他帧的图像的四个顶点,映射到基础坐标帧内,选取在其中最小的x坐标和最小的y坐标做为全景图的左上角顶点,以最大的x坐标和最大的y坐标做为全景图的右下角顶点,由此可以得到全景图的大小。
7.根据权利要求1所述的一种去除运动视频中运动物体的全景图拼接方法,其特征在于,所述步骤(7)中,具体方法如下:
从全景图的左上角点开始,按行遍历全景图像的像素;对于像素点P(x,y)利用反变换矩阵来得到在单帧图像坐标系中的位置;由于全景图像素坐标并非在每帧图像都存在反投影点,故仅选择存在反投影点的点作为候选点;
对于所有的候选点Pi(xi,yi)按照灰度值进行排序,其中的像素点有可能是前景运动物体的点,也有可能是背景点,为了能够利用背景点对全景图像进行赋值,我们假设在整个帧序列当中,某一个点被运动物体遮挡的时间小于它暴露出来的时间,那么我们可以利用选取候选点的中值作为全景图像素点(x,y)的值;通过这种中值像素选取的方法,我们能够滤除运动物体,而仅仅保留背景;由此,全景图的生成完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510372210.8A CN105046649A (zh) | 2015-06-30 | 2015-06-30 | 一种去除运动视频中运动物体的全景图拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510372210.8A CN105046649A (zh) | 2015-06-30 | 2015-06-30 | 一种去除运动视频中运动物体的全景图拼接方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105046649A true CN105046649A (zh) | 2015-11-11 |
Family
ID=54453169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510372210.8A Pending CN105046649A (zh) | 2015-06-30 | 2015-06-30 | 一种去除运动视频中运动物体的全景图拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105046649A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023076A (zh) * | 2016-05-11 | 2016-10-12 | 北京交通大学 | 全景图的拼接方法和检测高速铁路的防护栏的缺损状态的方法 |
CN106157304A (zh) * | 2016-07-01 | 2016-11-23 | 成都通甲优博科技有限责任公司 | 一种基于多个相机的全景图拼接方法及*** |
CN106201259A (zh) * | 2016-06-30 | 2016-12-07 | 乐视控股(北京)有限公司 | 一种虚拟现实***中分享全景影像的方法和装置 |
CN107170049A (zh) * | 2017-04-28 | 2017-09-15 | 深圳市思为软件技术有限公司 | 一种序列帧与全景交互的方法及装置 |
CN107564084A (zh) * | 2017-08-24 | 2018-01-09 | 腾讯科技(深圳)有限公司 | 一种动图合成方法、装置及存储设备 |
CN107680126A (zh) * | 2017-09-29 | 2018-02-09 | 西安电子科技大学 | 随机抽样一致性的图像匹配去噪处理***及方法 |
CN108520672A (zh) * | 2018-03-01 | 2018-09-11 | 吉林大学 | 一种具有多屏幕立体成像的驾驶模拟仿真*** |
CN109194875A (zh) * | 2018-10-31 | 2019-01-11 | 维沃移动通信有限公司 | 一种拍摄方法及电子设备 |
CN109697696A (zh) * | 2018-12-24 | 2019-04-30 | 北京天睿空间科技股份有限公司 | 用于全景视频的补盲方法 |
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 |
US10991072B2 (en) * | 2016-12-16 | 2021-04-27 | Hangzhou Hikvision Digital Technology Co., Ltd. | Method and device for fusing panoramic video images |
CN116309071A (zh) * | 2023-03-28 | 2023-06-23 | 广东科学技术职业学院 | 一种全景图像无缝拼接方法 |
-
2015
- 2015-06-30 CN CN201510372210.8A patent/CN105046649A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023076A (zh) * | 2016-05-11 | 2016-10-12 | 北京交通大学 | 全景图的拼接方法和检测高速铁路的防护栏的缺损状态的方法 |
CN106023076B (zh) * | 2016-05-11 | 2019-04-23 | 北京交通大学 | 全景图的拼接方法和检测高速铁路的防护栏的缺损状态的方法 |
CN106201259A (zh) * | 2016-06-30 | 2016-12-07 | 乐视控股(北京)有限公司 | 一种虚拟现实***中分享全景影像的方法和装置 |
CN106157304A (zh) * | 2016-07-01 | 2016-11-23 | 成都通甲优博科技有限责任公司 | 一种基于多个相机的全景图拼接方法及*** |
US10991072B2 (en) * | 2016-12-16 | 2021-04-27 | Hangzhou Hikvision Digital Technology Co., Ltd. | Method and device for fusing panoramic video images |
CN107170049B (zh) * | 2017-04-28 | 2019-03-22 | 深圳市思为软件技术有限公司 | 一种序列帧与全景交互的方法及装置 |
CN107170049A (zh) * | 2017-04-28 | 2017-09-15 | 深圳市思为软件技术有限公司 | 一种序列帧与全景交互的方法及装置 |
CN107564084A (zh) * | 2017-08-24 | 2018-01-09 | 腾讯科技(深圳)有限公司 | 一种动图合成方法、装置及存储设备 |
CN107680126B (zh) * | 2017-09-29 | 2020-10-23 | 西安电子科技大学 | 随机抽样一致性的图像匹配去噪处理***及方法 |
CN107680126A (zh) * | 2017-09-29 | 2018-02-09 | 西安电子科技大学 | 随机抽样一致性的图像匹配去噪处理***及方法 |
CN108520672A (zh) * | 2018-03-01 | 2018-09-11 | 吉林大学 | 一种具有多屏幕立体成像的驾驶模拟仿真*** |
CN109194875A (zh) * | 2018-10-31 | 2019-01-11 | 维沃移动通信有限公司 | 一种拍摄方法及电子设备 |
CN109697696A (zh) * | 2018-12-24 | 2019-04-30 | 北京天睿空间科技股份有限公司 | 用于全景视频的补盲方法 |
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 |
CN116309071A (zh) * | 2023-03-28 | 2023-06-23 | 广东科学技术职业学院 | 一种全景图像无缝拼接方法 |
CN116309071B (zh) * | 2023-03-28 | 2024-06-11 | 广东科学技术职业学院 | 一种全景图像无缝拼接方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046649A (zh) | 一种去除运动视频中运动物体的全景图拼接方法 | |
CN111968129B (zh) | 具有语义感知的即时定位与地图构建***及方法 | |
Tateno et al. | Distortion-aware convolutional filters for dense prediction in panoramic images | |
TWI709107B (zh) | 影像特徵提取方法及包含其顯著物體預測方法 | |
CN103325112B (zh) | 动态场景中运动目标快速检测方法 | |
CN106780592A (zh) | 基于相机运动和图像明暗的Kinect深度重建算法 | |
CN101394573B (zh) | 一种基于特征匹配的全景图生成方法及*** | |
CN109712247B (zh) | 基于混合现实技术的实景训练*** | |
CN111160291B (zh) | 基于深度信息与cnn的人眼检测方法 | |
CN104408725A (zh) | 一种基于tld优化算法的目标重捕获***及方法 | |
CN111950477A (zh) | 一种基于视频监督的单图像三维人脸重建方法 | |
CN107944437B (zh) | 一种基于神经网络和积分图像的人脸定位方法 | |
CN112801074A (zh) | 一种基于交通摄像头的深度图估计方法 | |
CN104217459A (zh) | 一种球面特征提取方法 | |
CN117036641A (zh) | 一种基于双目视觉的公路场景三维重建与缺陷检测方法 | |
CN108230242A (zh) | 一种从全景激光点云到视频流的转换方法 | |
JP2010121945A (ja) | 3次元形状生成装置 | |
WO2023236886A1 (zh) | 一种基于密集光流法的云遮挡预测方法 | |
CN102270339A (zh) | 一种空间各异模糊核三维运动去模糊的方法及*** | |
CN114677479A (zh) | 一种基于深度学习的自然景观多视图三维重建方法 | |
CN113686314A (zh) | 船载摄像头的单目水面目标分割及单目测距方法 | |
Zhou et al. | PersDet: Monocular 3D Detection in Perspective Bird's-Eye-View | |
Wang et al. | Visual object tracking based on light-field imaging in the presence of similar distractors | |
CN114332355A (zh) | 一种基于深度学习的弱光多视图几何重建方法 | |
Li et al. | Monocular 3-D Object Detection Based on Depth-Guided Local Convolution for Smart Payment in D2D Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151111 |