CN107480710A - 特征点匹配结果处理方法和装置 - Google Patents
特征点匹配结果处理方法和装置 Download PDFInfo
- Publication number
- CN107480710A CN107480710A CN201710648107.0A CN201710648107A CN107480710A CN 107480710 A CN107480710 A CN 107480710A CN 201710648107 A CN201710648107 A CN 201710648107A CN 107480710 A CN107480710 A CN 107480710A
- Authority
- CN
- China
- Prior art keywords
- point
- useful cross
- characteristic point
- image
- intersection 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
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
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了特征点匹配结果处理方法和装置,首先将第一图像和第二图像反向放置,利用特征点匹配算法确定第一图像和第二图像之间匹配的特征点对;其次利用数学表达方式,在每一特征点对之间做直线,确定每条直线与其他直线之间的交点;根据每个交点与其他交点之间的距离,确定有效交点组以及有效交点组的几何中心点;最后根据几何中心点确定特征点对的判断区域,从而可以根据特征点对之间的直线是否通过所述判断区域确定特征点对是否是正确的匹配结果。因此,本发明的技术方案很容易通过数学表达方式判断特征点对匹配结果的正确性。
Description
技术领域
本发明涉及计算机视觉中的图像特征匹配技术领域,尤其涉及一种特征点匹配结果处理方法和装置。
背景技术
特征匹配技术在图像检索、物体识别、视频跟踪以及增强现实等领域有重要应用。目前已有图像特征点匹配方法主要有基于局部纹理信息构造匹配描述子的方法,例如,SIFT、SURF、GLOH等匹配描述子,该类方法主要利用特征局部纹理信息进行特征点匹配,首先为特征点确定支撑区域,然后将支撑区域划分为一系列固定形状的子区域,最后将每个子区域内包含的图像纹理信息表示为向量并组成匹配描述子。
该方法由于简单且易于实现,在实际应用中使用较多。但是,该类法均存在共性的误差问题:为实现尺度不变性而进行尺度选择产生尺度误差;为实现旋转不变性而估计主方向产生主方向误差;固定位置的子区域划分产生边界误差。三种误差的存在影响了描述子的分辨能力,特别是在图像中存在形变的情况下匹配效果不好。
因此,迫切需要一种方法可以进一步验证特征点匹配结果的正确性。
发明内容
为了解决上述问题,本发明提供一种特征点匹配结果处理方法和装置,可以快速简便验证特征点匹配结果的准确性。
本发明提供一种特征点匹配结果处理方法,包括:
通过特征点匹配算法确定第一图像和第二图像之间匹配的特征点对,其中,第一图像和第二图像反向放置;
在每一特征点对之间做直线方程,确定每条直线与其他直线之间的交点;
根据每个交点与其他交点之间的距离,确定有效交点组以及有效交点组的几何中心点;
根据几何中心点确定特征点对的判断区域;
根据特征点对之间的直线是否通过所述判断区域确定特征点对是否是正确的匹配结果。
可选地,在每一特征点对之间做直线方程,确定每条直线与其他直线之间的交点,包括:
在每一特征点对之间做直线,计算每条直线的直线方程;
根据每条直线方程,确定每条直线方程之间的交点。
可选地,根据每个交点与其他交点之间的距离,确定有效交点组,包括:
在随机选择的N个交点中,根据每个交点的坐标,计算每个交点与其他N-1个交点之间的距离;
在得到的N-1个交点之间的距离中若存在M个距离小于预设的距离阈值,且M/N-1大于等于第一比例阈值,则确定该交点为有效交点;
将N个交点中的全部有效交点形成有效交点组。
可选地,确定有效交点组的几何中心点,包括:
若N个交点中的全部有效交点形成的有效交点组中存在K个有效交点,且K/N大于等于第二比例阈值时,根据K个有效交点确定该K个有效交点形成的有效交点组的几何中心点;
若K/N小于第二比例阈值,则重新随机选择的N个交点中确定有效交点组,直至重新确定该有效交点组中存在K个有效交点,且K/N大于等于第二比例阈值时为止。
可选地,根据几何中心点确定特征点对的判断区域,包括:
以几何中心点为中心,根据预设的参数设置特征点对的判断区域,所述判断区域包括矩形区域、圆形区域或椭圆区域,对应的参数包括长度、宽度、半径和/或对角线长度。
可选地,根据特征点对之间的直线是否通过所述判断区域确定特征点对是否是正确的匹配结果,包括:
若特征点对之间的直线通过所述判断区域,则确定该特征点对是正确的匹配结果;
若特征点对之间的直线不通过所述判断区域,则确定该特征点对是错误的匹配结果,删除错误的匹配结果。
可选地,通过特征点匹配算法确定第一图像和第二图像之间匹配的特征点对,包括:
分别确定第一图像和第二图像的特征点支撑区域;
将特征点支撑区域划分为多个固定形状的子区域;
将每个子区域内包含的图像纹理信息表示为向量并组成匹配描述子;
根据匹配描述子匹配得到第一图像和第二图像中一一对应的匹配的特征点对。
本申请还一种特征点匹配结果处理装置,其特征在于,包括:
第一确定模块,用于通过特征点匹配算法确定第一图像和第二图像之间匹配的特征点对,其中,第一图像和第二图像反向放置;
第二确定模块,用于在每一特征点对之间做直线方程,确定每条直线与其他直线之间的交点;
第三确定模块,用于根据每个交点与其他交点之间的距离,确定有效交点组以及有效交点组的几何中心点;
第四确定模块,用于根据几何中心点确定特征点对的判断区域;
第五确定模块,用于根据特征点对之间的直线是否通过所述判断区域确定特征点对是否是正确的匹配结果。
可选地,第三确定模块具体用于:
在随机选择的N个交点中,根据每个交点的坐标,计算每个交点与其他N-1个交点之间的距离;
在得到的N-1个交点之间的距离中,若存在M个距离小于预设的距离阈值,且M/N-1大于等于第一比例阈值,则确定该交点为有效交点,将N个交点中的全部有效交点形成有效交点组;
若N个交点中的全部有效交点形成的有效交点组中存在K个有效交点,且K/N大于等于第二比例阈值时,根据K个有效交点确定该K个有效交点形成的有效交点组的几何中心点;
若K/N小于第二比例阈值,则重新随机选择的N个交点中确定有效交点组,直至重新确定该有效交点组中存在K个有效交点,且K/N大于等于第二比例阈值时为止。
可选地,第四确定模块具体用于:
以几何中心点为中心,根据预设的参数设置特征点对的判断区域,所述判断区域包括矩形区域、圆形区域或椭圆区域,对应的参数包括长度、宽度、半径和/或对角线长度;
第五确定模块具体用于:
若特征点对之间的直线通过所述判断区域,则确定该特征点对是正确的匹配结果;
若特征点对之间的直线不通过所述判断区域,则确定该特征点对不是正确的匹配结果,删除错误的匹配结果。
本发明实施例首先将第一图像和第二图像反向放置,利用特征点匹配算法可以快色确定第一图像和第二图像之间匹配的特征点对;其次利用数学表达方式,在每一特征点对之间做直线方程,可以快速确定每条直线与其他直线之间的交点;进而根据每个交点与其他交点之间的距离,确定有效交点组以及有效交点组的几何中心点;最后根据几何中心点确定特征点对的判断区域,从而可以根据特征点对之间的直线是否通过所述判断区域确定特征点对是否是正确的匹配结果。解决了现有的特征点匹配算法在匹配特征点完成后,只能根据肉眼检测匹配特征点的正确性而存在误差较大的问题。而本发明的技术方案通过数学表达方式可以快速地判断特征点对匹配结果的正确性,本发明可以根据有效交点组的中心点确定一个判断区域,通过判断区域的大小可以调整匹配特征点的验证正确性,因此,通过本发明的验证方法可以对匹配特征点进行百分之百正确性的验证。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的特征点匹配结果处理方法的流程示意图;
图2为本发明实施例提供一种特征点对的直线交点示意图;
图3为本发明实施例提供一种判断区域示意图;
图4为现有技术提供一种特征点匹配结果判断示意图;
图5为本发明一实施例提供的特征点匹配结果处理装置结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述XXX,但这些XXX不应限于这些术语。这些术语仅用来将XXX彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一XXX也可以被称为第二XXX,类似地,第二XXX也可以被称为第一XXX。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者***中还存在另外的相同要素。
图1为本发明一实施例提供的特征点匹配结果处理方法的流程示意图,如图1所示,
101、通过特征点匹配算法确定第一图像和第二图像之间匹配的特征点对;
首先,将第一图像和第二图像放置于同一画面中,然后将第一图像和第二图像中其中一个图像(第一图像或者第二图像)旋转180度。具体匹配时包括:
分别确定第一图像和第二图像的特征点支撑区域;
将特征点支撑区域划分为多个固定形状的子区域;
将每个子区域内包含的图像纹理信息表示为向量并组成匹配描述子;
根据匹配描述子匹配得到第一图像和第二图像中一一对应的匹配的特征点对。
由于特征点匹配算法是图像的局部特征,对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性,对视觉变化、仿射变换也保持一定程度的稳定性,适用于在海量特征数据库中进行快速、准确的匹配;即使少数的几个物体也可以产生大量SIFT特征向量,速度相对较快。因此在本发明实施例中,以对第一图像和第二图像运行特征点匹配算法,其中,特征点匹配算法例如包括SIFT、SURF、GLOH等匹配描述子方法,主要是利用特征局部纹理信息进行特征点匹配,首先为特征点确定支撑区域,然后将支撑区域划分为一系列固定形状的子区域,最后将每个子区域内包含的图像纹理信息表示为向量并组成匹配描述子,根据匹配描述子匹配得到第一图像和第二图像中一一对应的匹配结果,即特征点对。
102、在每一特征点对之间做直线方程,确定每条直线与其他直线之间的交点;
由于直线方程可以表示平面中的任意一条直线,可以快速准确的得出x与y之间存在的关系,运算速度比较快,因此本发明实施例中,对每一特征点对之间的直线计算直线方程,确定每条直线与其他直线之间的交点;
图2为本发明实施例提供一种特征点对的直线交点示意图,如图2所示,假设第一图像中的特征点(X1,Y1)与第二图像中的特征点(X2,Y2)为一对特征点对,则特征点(X1,Y1)与特征点(X2,Y2)之间的直线方程为假设两条直线方程为y=k1x+b1和y=k2x+b2,那么交点为
103、根据每个交点与其他交点之间的距离,确定有效交点组以及有效交点组的几何中心点;
在一种可选的实现方式中,根据每个交点与其他交点之间的距离,确定有效交点组包括:
在随机选择的N个交点中,根据每个交点的坐标,计算每个交点与其他N-1个交点之间的距离;
在得到的N-1个交点之间的距离中若存在M个距离小于预设的距离阈值,且M/N-1大于等于第一比例阈值,则确定该交点为有效交点;
将N个交点中的全部有效交点形成有效交点组。
在一种可选的实现方式中,确定有效交点组的几何中心点,包括:
若N个交点中的全部有效交点形成的有效交点组中存在K个有效交点,且K/N大于等于第二比例阈值时,根据K个有效交点确定该K个有效交点形成的有效交点组的几何中心点;
若K/N小于第二比例阈值,则重新随机选择的N个交点中确定有效交点组,直至重新确定该有效交点组中存在K个有效交点,且K/N大于等于第二比例阈值时为止。
需要说明的是,在上述步骤中计算每个交点与其它所有交点的距离时,需要预先设定一个距离阈值a、第一比例阈值b%(通常可以设置为90%或80%)和第二比例阈值c%(通常可以设置为70%或60%)。
其中,距离阈值a的设置与本发明需要实现的特征点匹配结果的精度要求成反比,假设本发明需要实现的特征点匹配结果的精度要求越高,距离阈值a的值可以越小,反之,本发明需要实现的特征点匹配结果的精度要求越低,距离阈值a的值可以越大。
根据上述步骤,举例来说,随机取若干直线方程(可以是5个或10个),两两计算直线方程之间的交点,记录所有交点坐标,预先设定一个交点之间的距离阈值a,计算每个交点与其它所有交点的距离,若大于第一比例阈值b%的距离小于距离阈值a,则记录该交点为有效交点;若本次选择的直线方程产生的有效交点的数量占比(有效交点数/本次选择的交点数)小于第二比例阈值c%,则重新选择一组直线方程进行有效交点的确定;若本次选择的直线方程产生的有效交点的数量占比大于等于第二比例阈值c%,则记录所有的有效交点生成一个有效交点组,并计算该有效交点组的几何中心点。
需要说明的是,在计算有效交点组的几何中心点时,可以将各个有效交点坐标的平均值确定为几何中心点的坐标。例如,三个有效交点的坐标分别为(9,11),(10,10)和(11,9),则该三个有效交点的几何中心点的坐标为((9+10+11)/3,(11+10+9)/3)。
104、根据几何中心点确定特征点对的判断区域;
具体地,以几何中心点为中心,根据预设的参数设置特征点对的判断区域,所述判断区域包括矩形区域、圆形区域或椭圆区域,对应的参数包括长度、宽度、半径和/或对角线长度。其中,长度、宽度、半径和/或对角线长度等参数可以根据本发明需要实现的特征点匹配结果的精度要求自行确定,假设本发明需要实现的特征点匹配结果的精度要求越高,长度、宽度、半径和/或对角线长度等参数可以越小,反之,本发明需要实现的特征点匹配结果的精度要求越低,长度、宽度、半径和/或对角线长度等参数可以越大。具体参考图3所示的矩形判断区域,为了实现高精度的特征点匹配结果,图3所示的矩形判断区域可以设置的比较小。
105、根据特征点对之间的直线是否通过所述判断区域确定特征点对是否是正确的匹配结果。
本发明实施例中,假设特征点对之间的直线通过所述判断区域,则确定该特征点对是正确的匹配结果;假设特征点对之间的直线不通过所述判断区域,则确定该特征点对不是正确的匹配结果。
图4为现有技术提供一种特征点匹配结果判断示意图,如图4所示,在第一图像和第二图像正向放置在同一个画面中时,如果特征点匹配结果是正确的话,匹配点对所形成的直线应该是平行的,或是呈一定规律渐变的,如图3所示,但是,这种平行的或呈一定规律渐变的判断方法不容易用数学方式表达,从而造成特征点匹配结果判断困难或判断不正确的问题。
本发明实施例中,如图3所示,将第一图像和第二图像放置于同一画面中,然后将第一图像和第二图像中的其中一个图像(第一图像或者第二图像)旋转180度。在理论上,所有正确匹配的特征点对的直线就会都相交于一个交点,因此,可以很容易通过数学方式(如特征点对之间的直线方程)计算得到两两直线方程之间的交点,通过但是在实际情况中,由于特征点坐标的细微误差,所有正确匹配的特征点对的直线相交的交点可能不是一个精确的点,所以确定了一个判断区域,当特征点对之间的直线通过所述判断区域,则确定该特征点对是正确的匹配结果;当特征点对之间的直线不通过所述判断区域,则确定该特征点对不是正确的匹配结果。
本发明实施例首先将第一图像和第二图像反向放置,利用特征点匹配算法可以快色确定第一图像和第二图像之间匹配的特征点对;其次利用数学表达方式,在每一特征点对之间做直线方程,可以快速确定每条直线与其他直线之间的交点;进而根据每个交点与其他交点之间的距离,确定有效交点组以及有效交点组的几何中心点;最后根据几何中心点确定特征点对的判断区域,从而可以根据特征点对之间的直线是否通过所述判断区域确定特征点对是否是正确的匹配结果。解决了现有的特征点匹配算法在匹配特征点完成后,只能根据肉眼检测匹配特征点的正确性而存在误差较大的问题。而本发明的技术方案通过数学表达方式可以快速地判断特征点对匹配结果的正确性,本发明可以根据有效交点组的中心点确定一个判断区域,通过判断区域的大小可以调整匹配特征点的验证正确性,因此,通过本发明的验证方法可以对匹配特征点进行百分之百正确性的验证。
图5为本发明一实施例提供的特征点匹配结果处理装置结构示意图,如图5所示,包括:
第一确定模块,用于通过特征点匹配算法确定第一图像和第二图像之间匹配的特征点对,其中,第一图像和第二图像反向放置;
第二确定模块,用于在每一特征点对之间做直线方程,确定每条直线与其他直线之间的交点;
第三确定模块,用于根据每个交点与其他交点之间的距离,确定有效交点组以及有效交点组的几何中心点;
第四确定模块,用于根据几何中心点确定特征点对的判断区域;
第五确定模块,用于根据特征点对之间的直线是否通过所述判断区域确定特征点对是否是正确的匹配结果。
可选地,第二确定模块具体用于:
假设第一图像中的特征点(X1,Y1)与第二图像中的特征点(X2,Y2)为一对特征点对,则特征点(X1,Y1)与特征点(X2,Y2)之间的直线方程为假设两条直线方程为y=k1x+b1和y=k2x+b2,那么交点为
可选地,第三确定模块具体用于:
在随机选择的N个交点中,根据每个交点的坐标,计算每个交点与其他N-1个交点之间的距离;
在得到的N-1个交点之间的距离中,若存在M个距离小于预设的距离阈值,且M/N-1大于等于第一比例阈值,则确定该交点为有效交点,将N个交点中的全部有效交点形成有效交点组;
若N个交点中的全部有效交点形成的有效交点组中存在K个有效交点,且K/N大于等于第二比例阈值时,根据K个有效交点确定该K个有效交点形成的有效交点组的几何中心点;
若K/N小于第二比例阈值,则重新随机选择的N个交点中确定有效交点组,直至重新确定该有效交点组中存在K个有效交点,且K/N大于等于第二比例阈值时为止。
可选地,第四确定模块具体用于:
以几何中心点为中心,根据预设的参数设置特征点对的判断区域,所述判断区域包括矩形区域、圆形区域或椭圆区域,对应的参数包括长度、宽度、半径和/或对角线长度。
可选地,第五确定模块具体用于:
若特征点对之间的直线通过所述判断区域,则确定该特征点对是正确的匹配结果;
若特征点对之间的直线不通过所述判断区域,则确定该特征点对是错误的匹配结果,删除错误的匹配结果。
本发明实施例所述的装置可以上述实施例所示的方法,其实现原理和技术效果不再赘述。
本发明实施例中,上述特征点匹配结果处理装置的结构中包括处理器和存储器,所述存储器用于存储支持特征点匹配结果处理装置执行上述图1所示实施例中特征点匹配结果处理方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
所述程序包括一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理器调用执行。
本发明实施例还提供了一种计算机存储介质,用于储存特征点匹配结果处理装置所用的计算机软件指令,所述计算机软件指令包含了用于执行上述特征点匹配结果处理方法为特征点匹配结果处理装置所涉及的程序。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种特征点匹配结果处理方法,其特征在于,包括:
通过特征点匹配算法确定第一图像和第二图像之间匹配的特征点对,其中,第一图像和第二图像反向放置;
在每一特征点对之间做直线方程,确定每条直线与其他直线之间的交点;
根据每个交点与其他交点之间的距离,确定有效交点组以及有效交点组的几何中心点;
根据几何中心点确定特征点对的判断区域;
根据特征点对之间的直线是否通过所述判断区域确定特征点对是否是正确的匹配结果。
2.根据权利要求1所述的方法,其特征在于,在每一特征点对之间做直线方程,确定每条直线与其他直线之间的交点,包括:
假设第一图像中的特征点(X1,Y1)与第二图像中的特征点(X2,Y2)为一对特征点对,则特征点(X1,Y1)与特征点(X2,Y2)之间的直线方程为假设两条直线方程为y=k1x+b1和y=k2x+b2,那么交点为
3.根据权利要求1所述的方法,其特征在于,根据每个交点与其他交点之间的距离,确定有效交点组,包括:
在随机选择的N个交点中,根据每个交点的坐标,计算每个交点与其他N-1个交点之间的距离;
在得到的N-1个交点之间的距离中若存在M个距离小于预设的距离阈值,且M/N-1大于等于第一比例阈值,则确定该交点为有效交点;
将N个交点中的全部有效交点形成有效交点组。
4.根据权利要求3所述的方法,其特征在于,确定有效交点组的几何中心点,包括:
若N个交点中的全部有效交点形成的有效交点组中存在K个有效交点,且K/N大于等于第二比例阈值时,根据K个有效交点确定该K个有效交点形成的有效交点组的几何中心点;
若K/N小于第二比例阈值,则重新随机选择的N个交点中确定有效交点组,直至重新确定该有效交点组中存在K个有效交点,且K/N大于等于第二比例阈值时为止。
5.根据权利要求4所述的方法,其特征在于,根据几何中心点确定特征点对的判断区域,包括:
以几何中心点为中心,根据预设的参数设置特征点对的判断区域,所述判断区域包括矩形区域、圆形区域或椭圆区域,对应的参数包括长度、宽度、半径和/或对角线长度。
6.根据权利要求5所述的方法,其特征在于,根据特征点对之间的直线是否通过所述判断区域确定特征点对是否是正确的匹配结果,包括:
若特征点对之间的直线通过所述判断区域,则确定该特征点对是正确的匹配结果;
若特征点对之间的直线不通过所述判断区域,则确定该特征点对是错误的匹配结果,删除错误的匹配结果。
7.根据权利要求1所述的方法,其特征在于,通过特征点匹配算法确定第一图像和第二图像之间匹配的特征点对,包括:
分别确定第一图像和第二图像的特征点支撑区域;
将特征点支撑区域划分为多个固定形状的子区域;
将每个子区域内包含的图像纹理信息表示为向量并组成匹配描述子;
根据匹配描述子匹配得到第一图像和第二图像中一一对应的匹配的特征点对。
8.一种特征点匹配结果处理装置,其特征在于,包括:
第一确定模块,用于通过特征点匹配算法确定第一图像和第二图像之间匹配的特征点对,其中,第一图像和第二图像反向放置;
第二确定模块,用于在每一特征点对之间做直线方程,确定每条直线与其他直线之间的交点;
第三确定模块,用于根据每个交点与其他交点之间的距离,确定有效交点组以及有效交点组的几何中心点;
第四确定模块,用于根据几何中心点确定特征点对的判断区域;
第五确定模块,用于根据特征点对之间的直线是否通过所述判断区域确定特征点对是否是正确的匹配结果。
9.根据权利要求8所述的装置,其特征在于,第三确定模块具体用于:
在随机选择的N个交点中,根据每个交点的坐标,计算每个交点与其他N-1个交点之间的距离;
在得到的N-1个交点之间的距离中,若存在M个距离小于预设的距离阈值,且M/N-1大于等于第一比例阈值,则确定该交点为有效交点,将N个交点中的全部有效交点形成有效交点组;
若N个交点中的全部有效交点形成的有效交点组中存在K个有效交点,且K/N大于等于第二比例阈值时,根据K个有效交点确定该K个有效交点形成的有效交点组的几何中心点;
若K/N小于第二比例阈值,则重新随机选择的N个交点中确定有效交点组,直至重新确定该有效交点组中存在K个有效交点,且K/N大于等于第二比例阈值时为止。
10.根据权利要求9所述的装置,其特征在于,第四确定模块具体用于:
以几何中心点为中心,根据预设的参数设置特征点对的判断区域,所述判断区域包括矩形区域、圆形区域或椭圆区域,对应的参数包括长度、宽度、半径和/或对角线长度;
第五确定模块具体用于:
若特征点对之间的直线通过所述判断区域,则确定该特征点对是正确的匹配结果;
若特征点对之间的直线不通过所述判断区域,则确定该特征点对是错误的匹配结果,删除错误的匹配结果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710648107.0A CN107480710B (zh) | 2017-08-01 | 2017-08-01 | 特征点匹配结果处理方法和装置 |
PCT/CN2018/096866 WO2019024723A1 (zh) | 2017-08-01 | 2018-07-24 | 特征点匹配结果处理方法和装置 |
US16/620,790 US11100361B1 (en) | 2017-08-01 | 2018-07-24 | Method and apparatus for processing feature point matching result |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710648107.0A CN107480710B (zh) | 2017-08-01 | 2017-08-01 | 特征点匹配结果处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107480710A true CN107480710A (zh) | 2017-12-15 |
CN107480710B CN107480710B (zh) | 2020-05-22 |
Family
ID=60598477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710648107.0A Active CN107480710B (zh) | 2017-08-01 | 2017-08-01 | 特征点匹配结果处理方法和装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11100361B1 (zh) |
CN (1) | CN107480710B (zh) |
WO (1) | WO2019024723A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019024723A1 (zh) * | 2017-08-01 | 2019-02-07 | 歌尔股份有限公司 | 特征点匹配结果处理方法和装置 |
CN112183596A (zh) * | 2020-09-21 | 2021-01-05 | 湖北大学 | 结合局部网格约束和几何约束的直线段匹配方法与*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60221880A (ja) * | 1984-04-18 | 1985-11-06 | Nec Corp | 本人照合方式 |
JPS60221882A (ja) * | 1984-04-18 | 1985-11-06 | Nec Corp | 本人照合方式 |
CN101726296A (zh) * | 2009-12-22 | 2010-06-09 | 哈尔滨工业大学 | 空间机器人视觉测量、路径规划、gnc一体化仿真*** |
CN102708368A (zh) * | 2012-05-04 | 2012-10-03 | 湖南大学 | 一种基于机器视觉的生产线上瓶体的定位方法 |
CN103020938A (zh) * | 2012-12-14 | 2013-04-03 | 北京经纬恒润科技有限公司 | 一种基于加权平均法的空域图像缝合方法和*** |
CN103150737A (zh) * | 2013-01-18 | 2013-06-12 | 西北工业大学 | 一种适用于空间绳系机器人的实时空间目标特征点跟踪方法 |
CN104036542A (zh) * | 2014-05-21 | 2014-09-10 | 北京信息科技大学 | 一种基于空间光线聚集性的像面特征点匹配方法 |
CN105444696A (zh) * | 2015-12-30 | 2016-03-30 | 天津大学 | 一种基于透视投影直线测量模型的双目匹配方法及其应用 |
CN106960179A (zh) * | 2017-02-24 | 2017-07-18 | 北京交通大学 | 轨道交通线路环境安全智能监测方法和装置 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4167390B2 (ja) * | 2000-11-20 | 2008-10-15 | 日本電気株式会社 | 物体照合方法,物体照合装置,およびそのプログラムを記録した記録媒体 |
WO2004084124A1 (en) * | 2003-03-14 | 2004-09-30 | Applied Precision, Llc | System and method of point matching measured positions to template positions |
CA2579903C (en) * | 2004-09-17 | 2012-03-13 | Cyberextruder.Com, Inc. | System, method, and apparatus for generating a three-dimensional representation from one or more two-dimensional images |
US7412427B2 (en) * | 2006-01-27 | 2008-08-12 | Microsoft Corporation | Object instance recognition using feature symbol triplets |
US7991189B2 (en) * | 2007-03-28 | 2011-08-02 | Sharp Kabushiki Kaisha | Image processing apparatus, image forming apparatus, image processing system, and image processing method |
US8103108B2 (en) * | 2007-05-01 | 2012-01-24 | Sharp Kabushiki Kaisha | Image processing apparatus, image forming apparatus, image processing system, and image processing method |
CN201378656Y (zh) | 2009-03-06 | 2010-01-06 | 北京华旗资讯数码科技有限公司 | 一种具有两种标准接触件的存储卡 |
CN102385750B (zh) * | 2011-06-22 | 2013-07-10 | 清华大学 | 基于几何关系的直线匹配方法及*** |
US8532402B2 (en) * | 2011-06-22 | 2013-09-10 | The Boeing Company | Image registration |
JP5955028B2 (ja) * | 2012-02-28 | 2016-07-20 | 株式会社トプコン | 画像処理装置、画像処理方法および画像処理用のプログラム |
US8929602B2 (en) * | 2013-01-31 | 2015-01-06 | Seiko Epson Corporation | Component based correspondence matching for reconstructing cables |
KR102170689B1 (ko) | 2014-01-14 | 2020-10-27 | 한화테크윈 주식회사 | 영상 정합을 위한 특징점 샘플링 방법 |
US9634486B2 (en) * | 2014-07-09 | 2017-04-25 | Qualcomm Incorporated | Dynamic power rail control for clusters of loads |
US10198865B2 (en) * | 2014-07-10 | 2019-02-05 | Seiko Epson Corporation | HMD calibration with direct geometric modeling |
US10109055B2 (en) * | 2016-11-21 | 2018-10-23 | Seiko Epson Corporation | Multiple hypotheses segmentation-guided 3D object detection and pose estimation |
JP6976733B2 (ja) * | 2017-06-14 | 2021-12-08 | キヤノン株式会社 | 画像処理装置、画像処理方法、およびプログラム |
CN107480710B (zh) * | 2017-08-01 | 2020-05-22 | 歌尔股份有限公司 | 特征点匹配结果处理方法和装置 |
-
2017
- 2017-08-01 CN CN201710648107.0A patent/CN107480710B/zh active Active
-
2018
- 2018-07-24 US US16/620,790 patent/US11100361B1/en active Active
- 2018-07-24 WO PCT/CN2018/096866 patent/WO2019024723A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60221880A (ja) * | 1984-04-18 | 1985-11-06 | Nec Corp | 本人照合方式 |
JPS60221882A (ja) * | 1984-04-18 | 1985-11-06 | Nec Corp | 本人照合方式 |
CN101726296A (zh) * | 2009-12-22 | 2010-06-09 | 哈尔滨工业大学 | 空间机器人视觉测量、路径规划、gnc一体化仿真*** |
CN102708368A (zh) * | 2012-05-04 | 2012-10-03 | 湖南大学 | 一种基于机器视觉的生产线上瓶体的定位方法 |
CN103020938A (zh) * | 2012-12-14 | 2013-04-03 | 北京经纬恒润科技有限公司 | 一种基于加权平均法的空域图像缝合方法和*** |
CN103150737A (zh) * | 2013-01-18 | 2013-06-12 | 西北工业大学 | 一种适用于空间绳系机器人的实时空间目标特征点跟踪方法 |
CN104036542A (zh) * | 2014-05-21 | 2014-09-10 | 北京信息科技大学 | 一种基于空间光线聚集性的像面特征点匹配方法 |
CN105444696A (zh) * | 2015-12-30 | 2016-03-30 | 天津大学 | 一种基于透视投影直线测量模型的双目匹配方法及其应用 |
CN106960179A (zh) * | 2017-02-24 | 2017-07-18 | 北京交通大学 | 轨道交通线路环境安全智能监测方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019024723A1 (zh) * | 2017-08-01 | 2019-02-07 | 歌尔股份有限公司 | 特征点匹配结果处理方法和装置 |
US11100361B1 (en) | 2017-08-01 | 2021-08-24 | Goertek Inc. | Method and apparatus for processing feature point matching result |
CN112183596A (zh) * | 2020-09-21 | 2021-01-05 | 湖北大学 | 结合局部网格约束和几何约束的直线段匹配方法与*** |
Also Published As
Publication number | Publication date |
---|---|
US11100361B1 (en) | 2021-08-24 |
US20210279504A1 (en) | 2021-09-09 |
WO2019024723A1 (zh) | 2019-02-07 |
CN107480710B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10769487B2 (en) | Method and device for extracting information from pie chart | |
US10922794B2 (en) | Image correction method and device | |
CN101727580B (zh) | 图像处理装置、图像处理单元和图像处理方法 | |
CN108986152B (zh) | 一种基于差分图像的异物检测方法及装置 | |
CN109711321B (zh) | 一种结构自适应的宽基线影像视角不变直线特征匹配方法 | |
CN112085033B (zh) | 一种模板匹配方法、装置、电子设备及存储介质 | |
CN107944324A (zh) | 一种二维码畸变校正方法及装置 | |
CN107545223B (zh) | 图像识别方法及电子设备 | |
CN107192716A (zh) | 一种基于轮廓特征的工件缺陷快速检测方法 | |
CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN110428414B (zh) | 一种识别图像中票据数量的方法及装置 | |
CN105184786B (zh) | 一种浮点型三角形特征描述方法 | |
CN109740606A (zh) | 一种图像识别方法及装置 | |
CN109858542A (zh) | 一种字符识别方法和装置 | |
CN104992431B (zh) | 多光谱图像配准的方法及装置 | |
CN108875504A (zh) | 基于神经网络的图像检测方法和图像检测装置 | |
CN105590112B (zh) | 一种图像识别中倾斜文字判断方法 | |
CN105184294B (zh) | 一种基于像素追踪的倾斜文字判断识别方法 | |
CN107480710A (zh) | 特征点匹配结果处理方法和装置 | |
CN112861870A (zh) | 指针式仪表图像矫正方法、***及存储介质 | |
CN102364419B (zh) | 一种摄像式触摸控制方法及其*** | |
CN103837135A (zh) | 工件检测方法及其*** | |
CN116311219B (zh) | 一种基于透视变换的地堆本品占地面积计算方法及装置 | |
JP2008116207A (ja) | 画像計測装置、画像計測方法及びプログラム | |
US20230360262A1 (en) | Object pose recognition method based on triangulation and probability weighted ransac algorithm |
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 |