CN107845096B - 基于图像的行星三维信息测定方法 - Google Patents
基于图像的行星三维信息测定方法 Download PDFInfo
- Publication number
- CN107845096B CN107845096B CN201711251099.2A CN201711251099A CN107845096B CN 107845096 B CN107845096 B CN 107845096B CN 201711251099 A CN201711251099 A CN 201711251099A CN 107845096 B CN107845096 B CN 107845096B
- Authority
- CN
- China
- Prior art keywords
- points
- image
- dimensional
- point
- planet
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 24
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims 1
- 230000010355 oscillation Effects 0.000 claims 1
- 238000013519 translation Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 101710200331 Cytochrome b-245 chaperone 1 Proteins 0.000 description 1
- 102100037186 Cytochrome b-245 chaperone 1 Human genes 0.000 description 1
- 101710119396 Cytochrome b-245 chaperone 1 homolog Proteins 0.000 description 1
- 241001505295 Eros Species 0.000 description 1
- ULGZDMOVFRHVEP-RWJQBGPGSA-N Erythromycin Chemical compound O([C@@H]1[C@@H](C)C(=O)O[C@@H]([C@@]([C@H](O)[C@@H](C)C(=O)[C@H](C)C[C@@](C)(O)[C@H](O[C@H]2[C@@H]([C@H](C[C@@H](C)O2)N(C)C)O)[C@H]1C)(C)O)CC)[C@H]1C[C@@](C)(OC)[C@@H](O)[C@H](C)O1 ULGZDMOVFRHVEP-RWJQBGPGSA-N 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了基于图像的行星三维信息测定方法，该方法包括以下步骤：采集行星表面特征点，采用通星敏感器和导航相机刚性安装的拍摄装置，并且所述拍摄装置上还设置有探测器，通过尺度不变特征变换SIFT算法构建建立高斯金字塔和图像尺度空间，寻找尺度不变特征，从不同距离观察目标，分类采集特征点；初定位，精准定位；消除错误匹配；行星三维重构并估计拍摄装置运动过程；环绕拍摄仿真；导航相机在轨标定；精度分析；量化分析等步骤，增加匹配效率，速度更快、存储更小，在增大精度的情况下重构行星模型。
Description
技术领域
本发明涉及三维重构领域，具体涉及基于图像的行星三维信息测定方法。
背景技术
一般通过飞船绕飞拍摄行星，然后找到拍摄图像表面特征点，进行三维重构，由于飞船与行星间存在相对运动，得到的图像出现明显旋转、平移、缩放等变化，此时人工寻找特征点较慢，精度较低，而传统的模板匹配、Harris角点检测得到特征点少，从而影响特征点跟踪和三维重构的精度。
发明内容
根据上述技术问题，本发明提出了基于图像的行星三维信息测定方法，该方法包括以下步骤：
步骤一、采集行星表面特征点，采用通星敏感器和导航相机刚性安装的拍摄装置，并且所述拍摄装置上还设置有探测器，通过尺度不变特征变换SIFT算法构建建立高斯金字塔和图像尺度空间，寻找尺度不变特征，从不同距离观察目标，分类采集特征点；
步骤二、初定位，将步骤一中的所述的高斯金字塔中通过引入拉普拉斯差分函数得到高斯差分金字塔，在高斯差分金字塔中找极值点进行空间极值点检测，得到初略范围；
步骤三、精准定位，
a.每一个像素要和它所有相邻点进行比较，中间检测点和它同尺度的8个相邻点和上下尺度9*2个点共26个点进行比较，从已知极值点通过差值得到连续空间亚像素精度的极值点位置；
b.给特征点分配基准方向，在极值点领域窗口内通过前向差分计算像素梯度和方向分布，统计直方图，直方图主峰值作为特征点主方向；
c.建立特征点的描述，通过划分子区域，统计直方图，得到特征点描述符；
d.特征点匹配；
步骤四、消除错误匹配，采用随机抽样一致RANSACS算法，分辨错误匹配点并消除；
步骤五、行星三维重构并估计拍摄装置运动过程，在得到可靠的匹配特征点后，将参考坐标系原点定义在行星形心，利用观测矩阵估计出行星形状的特征点三维坐标向量，以及拍摄装置运动姿态向量和位置矢量，建立三维重构模型；
步骤六、环绕拍摄仿真，包括在不同位置拍摄时不同的点在导航相机表面的成像和成像的表面点对应亮度；
步骤六、环绕拍摄仿真，包括在不同位置拍摄时不同的点在导航相机表面的成像和成像的表面点对应亮度；
步骤七、导航相机在轨标定，确定导航相机相对于星敏感器安装关系的外定标模型和导航相机安装条件下确定内部光学矢量关系的内定标模型，在轨定标采用先外定标模型后内定标模型的方案进行在轨定标，利用基于kalman滤波算法进行在轨定标参数的高精度解算；
步骤八、精度分析，包括分析拍摄条件引入误差来源和重构算法误差来源；
步骤九、量化分析，通过计算重构的各点与真实三维模型距离最近点集中点的最远距离，对基于环绕拍摄的三维重构结果与原始三维模型的差异进行定量化处理。
进一步方案为：
步骤一中的寻找尺度不变特征，为原始图像与二维高斯函数的卷积得到不同尺度的图像，其中大尺度对应图像的概貌特征，小尺度对应图像细节特征。
进一步方案为：
步骤五中要恢复各个变量的绝对距离信息,需要加入激光测距仪对某个特征点的距离测量信息。
进一步方案为：
步骤六中的仿真条件为假设在拍摄视场为5°×5°，空间分辨率为500×500，像元大小为16μm×16μm,绕飞轨道半径为5倍等效直径，拍摄为100帧，平均间隔3.6°，垂直摆动角度为180°仿真条件下。
进一步方案为：
步骤八中重构误差来源中拍摄条件引入误差的具体可包括为所述导航相机的视场、空间分辨率和噪声强度等因素；重构算法误差包括为特征点提取算法误差和三维重构模型引入误差。
有益效果：
根据飞船与行星间相对运动的规律，采用该发明方案步骤实施，增加匹配效率，速度更快、存储更小，在增大精度的情况下重构行星模型。
附图说明
图1.为图像金字塔坐标示意图；
图2.为高斯差分图像；
图3.为绕飞拍摄原图像；
图4.为间隔5分钟和15分钟拍摄结果匹配图；
图5.相机成型基本模型；
图6.探测器不同角度拍摄行星示意图；
图7.350张原始图像重构三维图像；
图8.拍摄图像序列中正确匹配的特征点数目随图像间隔帧数的曲线。
具体实施例
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本特征，因此其仅显示与本发明有关的构成。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。
实施例1
步骤一、采集行星表面特征点，采用通星敏感器和导航相机刚性安装的拍摄装置，并且所述拍摄装置上还设置有探测器，通过尺度不变特征变换SIFT算法构建建立高斯金字塔和图像尺度空间，寻找尺度不变特征，分类采集特征点，从不同距离观察目标，大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征。
如图1所示，SIFT尺度空间是由图像的高斯金字塔组成的，包含相同大小不同尺度的图像，每组含有多张图像，下一组图像横纵像素减半，组数由原始图像大小和顶层图像大小决定。
将图像金字塔每一组中的每张图像使用不同尺度因子的高斯模板进行模糊，从而在金字塔每一组形成相同大小不同尺度的模糊图像。采样时，高斯金字塔高一组图像的初始图像(底层图像)是由低一组图像的倒数第三张图像隔点采样得到的。
步骤二、初定位，如图2所示，将步骤一中的所述的高斯金字塔中通过引入拉普拉斯差分函数得到高斯差分金字塔，在高斯差分金字塔中找极值点进行空间极值点检测，得到初略范围，计算时，用高斯金字塔每组中相邻上下层图像相减得到高斯差分图像。
步骤三、精准定位：
a.每一个像素要和它所有相邻点进行比较，中间检测点和它同尺度的8个相邻点和上下尺度9*2个点共26个点进行比较，从已知极值点通过差值得到连续空间亚像素精度的极值点位置；
b.给特征点分配基准方向，在极值点领域窗口内通过前向差分计算像素梯度和方向分布，统计直方图，直方图主峰值作为特征点主方向；
c.建立特征点的描述，通过划分子区域，在特征点尺度空间内4x4子区域统计8个方向梯度信息，共4x4x8＝128维向量，子区域大小为3σ，统计直方图，得到特征点描述符；
d.特征点匹配，得到了模板图和目标图的大量特征点描述符集合令模板特征点描述符为：Ri＝(ri1,ri2,…ri128)；目标图特征点描述符为：Si＝(si1,si2,…si128)；特征点间距离为：
匹配的特征点描述符需满足：
步骤四、消除错误匹配，采用随机抽样一致RANSACS算法，分辨错误匹配点并消除，如图3和图4所示，为在对原拍摄图进行SIFT算法匹配结果和RANSACS去除外点结果匹配示意图；
步骤五、行星三维重构并估计拍摄装置运动过程，在得到可靠的匹配特征点后，需要对行星进行三维重构，同时估计探测器的位置、姿态。
如图5所示，由于视场较小，则相机焦距l远远大于像元像线坐标值max(u,v)。同时可认为能够投影到像面的特征点景深变化不大，认为在相机坐标系中光轴方向投影值不变。
通过SIFT算法对序列图像中的特征点进行跟踪，得到F帧拍摄图像中的P个特征点。如图8所示，为Eros拍摄图像序列中正确匹配的特征点数目随图像间隔帧数的曲线。相邻图像拍摄间隔为30秒，探测器旋转角度约为0.5°。可以看出相邻帧匹配点个数超过400个点，即使相隔30帧(探测器相对行星旋转约15°)也存在100个点以上。
记第f帧图像中的第p个特征点在像平面中的像素坐标为(ufp,vfp)，特征点在参考坐标系中表示为sp，用正交单位向量ik，jf，kf描述相机坐标系，其中ik，jf为相机像平面的x、y轴，kf代表相机的光轴方向。用tf表示第f帧相机在参考坐标系中的位置，如图5所示。F帧图像的观测量可以描述为：
矩阵W可以看作是特征点在参考坐标系下的三维坐标，经过平移和旋转而得到在像平面的二维坐标矩阵。W可写为
W＝MS+T[1…1]公式(4)
其中，M是2F×3的相机矩阵，由相机的内外参数决定，行向量分别为mf和nf，S是表示特征点三维坐标的3×P矩阵，列向量表示为sp＝[xp yp zp]T，T表示参考坐标系的原点在像平面的投影，其中元素为xf和yf。因此有
根据小孔成像原理，图像上的点与真实场景点之间存在透视投影关系，如图5和图6所示，点sp在图像f帧上的投影表示为：
其中if·(sp-tf)，jf·(sp-tf)，kf·(sp-tf)分别代表特征点三维坐标向量在相机坐标系x，y，z三轴投影长度。
对行星进行三维重构并估计相机运动过程就是利用观测矩阵W，估计出行星形状的特征点三维坐标向量sp，以及表示探测器运动的姿态向量ik，jf，kf和位置矢量tf。
由于视场内特征点景深较小，认为视场内目标表面上所有点在光轴方向上的投影近似为
zf＝(c-tf)·kf 公式(7)将参考坐标系原点定义在行星形心，即：
对应图像上点与行星表面特征点的关系，式(6)可以转化为：
令焦距l＝1，将上两式重新写为：
其中，
由式(8)可知矩阵S坐标行向量和为0，则由(4)，(5)可知
由上式可得平移向量xf，yf
在式(4)中移除平移向量，得到
W*＝W-T[1…1] 公式(13)
此时W*可看成由2F×3的姿态矩阵
和特征点的三维坐标点构成的3×P矩阵
相乘得出，因此理论上W*的秩为3。
利用SVD分解，W*分解为：
W*＝U∑VT 公式(14)
取前三个主特征值向量重构出W*矩阵近似值
令
则矩阵
可表示为相机矩阵和形状矩阵的乘积形式：
上式得到的是仿射条件下相机旋转矩阵与特征点三维形状矩阵。由于引入任意非奇异3×3矩阵A以及其逆可以***到
和
中，都可以使得
因此需要给定一定约束来确定矩阵A。约束的主要原则是矩阵M是旋转矩阵，由
得到
同时由于if，jf正交，有
mf·nf＝0 公式(17)
为避免得到
令|m1|＝1。通过这三个约束，可以保证矩阵M所生成的坐标轴刻度相等且正交，即为弱透视条件下的度量约束。根据式(5)，由于
且满足上述三个约束，则有
令
则有
将矩阵L，
的行向量展开为元素形式，有
则式(20)可写为如下矩阵等式
GI＝c 公式(22)其中G∈R3F×6，I∈R6，c∈R3F，其具体定义如下
其中
则式(22)的最小二乘解可由伪逆公式得到
I＝(GTG)-1GTc 公式(24)
得到I后，可以得到实对称矩阵L，矩阵的谱分解可得到矩阵A,从而可以确定运动矩阵M和形状矩阵S。
相机三轴姿态的三个向量为
如图7所示，是通过370张原始图像重构出的三维模型并进行了纹理映射，可以看出其上的坑洞等特征被较为准确的重构出来，背光地方由于没有特征点和图像，重构不出。
步骤六、环绕拍摄仿真，包括在不同位置拍摄时不同的点在导航相机表面的成像和成像的表面点对应亮度；
步骤七、导航相机在轨标定，确定导航相机相对于星敏感器安装关系的外定标模型和导航相机安装条件下确定内部光学矢量关系的内定标模型，在轨定标采用先外定标模型后内定标模型的方案进行在轨定标，利用基于kalman滤波算法进行在轨定标参数的高精度解算；
步骤八、精度分析，包括分析拍摄条件引入误差来源和重构算法误差来源；
步骤九、量化分析，通过计算重构的各点与真实三维模型距离最近点集中点的最远距离，对基于环绕拍摄的三维重构结果与原始三维模型的差异进行定量化处理。
以上实施例仅为本发明的最优实施例，不用于限制本发明，本领域技术人员可以在本发明的保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (5)
1.基于图像的行星三维信息测定方法，其特征在于，该方法包括以下步骤：
步骤一、采集行星表面特征点，采用通星敏感器和导航相机刚性安装的拍摄装置，并且所述拍摄装置上还设置有探测器，通过尺度不变特征变换SIFT算法构建高斯金字塔和图像尺度空间，寻找尺度不变特征，从不同距离观察目标，分类采集特征点；
步骤二、初定位，将步骤一中的所述的高斯金字塔中通过引入拉普拉斯差分函数得到高斯差分金字塔，在高斯差分金字塔中找极值点进行空间极值点检测，得到初略范围；
步骤三、精准定位，
a.每一个像素要和它所有相邻点进行比较，中间检测点和它同尺度的8个相邻点和上下尺度9*2个点共26个点进行比较，从已知极值点通过差值得到连续空间亚像素精度的极值点位置；
b.给特征点分配基准方向，在极值点领域窗口内通过前向差分计算像素梯度和方向分布，统计直方图，直方图主峰值作为特征点主方向；
c.建立特征点的描述，通过划分子区域，统计直方图，得到特征点描述符；
d.特征点匹配；
步骤四、消除错误匹配，采用随机抽样一致RANSACS算法，分辨错误匹配点并消除；
步骤五、行星三维重构并估计拍摄装置运动过程，在得到可靠的匹配特征点后，将参考坐标系原点定义在行星形心，利用观测矩阵估计出行星形状的特征点三维坐标向量，以及拍摄装置运动姿态向量和位置矢量，建立三维重构模型；
步骤六、环绕拍摄仿真，包括在不同位置拍摄时不同的点在导航相机表面的成像和成像的表面点对应亮度；
步骤七、导航相机在轨标定，确定导航相机相对于星敏感器安装关系的外定标模型和导航相机安装条件下确定内部光学矢量关系的内定标模型，在轨定标采用先外定标模型后内定标模型的方案进行在轨定标，利用基于kalman滤波算法进行在轨定标参数的高精度解算；
步骤八、精度分析，包括分析拍摄条件引入误差来源和重构算法误差来源；
步骤九、量化分析，通过计算重构的各点与真实三维模型距离最近点集中点的最远距离，对基于环绕拍摄的三维重构结果与原始三维模型的差异进行定量化处理。
2.如权利要求1所述的图像的行星三维信息测定方法，其特征在于，所述步骤一中的寻找尺度不变特征，为原始图像与二维高斯函数的卷积得到不同尺度的图像，其中大尺度对应图像的概貌特征，小尺度对应图像细节特征。
3.如权利要求1所述的图像的行星三维信息测定方法，其特征在于，所述步骤五中要恢复各个变量的绝对距离信息,需要加入激光测距仪对某个特征点的距离测量信息。
4.如权利要求1所述的图像的行星三维信息测定方法，其特征在于，所述步骤六中的仿真条件为假设在拍摄视场为5°×5°、10°×10°、30°×30°，拍摄距离为5,7,9，空间分辨率为500×500，像元大小为16μm×16μm,绕飞轨道半径为5倍等效直径，拍摄为100帧、200帧、300帧，平均间隔3.6°，垂直摆动角度为180°的仿真条件下。
5.如权利要求1所述的图像的行星三维信息测定方法，其特征在于，所述步骤八中重构误差来源中拍摄条件引入误差的具体可包括为所述导航相机的视场、空间分辨率和噪声强度因素；重构算法误差包括为特征点提取算法误差和三维重构模型引入误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711251099.2A CN107845096B (zh) | 2018-01-24 | 2018-01-24 | 基于图像的行星三维信息测定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711251099.2A CN107845096B (zh) | 2018-01-24 | 2018-01-24 | 基于图像的行星三维信息测定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107845096A CN107845096A (zh) | 2018-03-27 |
| CN107845096B true CN107845096B (zh) | 2021-07-27 |
Family
ID=61663415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711251099.2A Active CN107845096B (zh) | 2018-01-24 | 2018-01-24 | 基于图像的行星三维信息测定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107845096B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110006462B (zh) * | 2019-05-23 | 2023-03-03 | 长春工业大学 | 基于奇异值分解的星敏感器在轨标定方法 |
| CN112464734B (zh) * | 2020-11-04 | 2023-09-15 | 昆明理工大学 | 一种基于视觉的四足动物行走运动特征自动识别方法 |
| CN114760405B (zh) * | 2022-04-25 | 2023-12-01 | 合肥师范学院 | 一种长距离宽视场太阳敏感器装置 |
| CN115797185B (zh) * | 2023-02-08 | 2023-05-02 | 四川精伍轨道交通科技有限公司 | 一种基于图像处理、复球面的坐标转换的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101398937A (zh) * | 2008-10-29 | 2009-04-01 | 北京航空航天大学 | 基于同一场景散乱照片集的三维重构方法 |
| CN102607534A (zh) * | 2012-03-13 | 2012-07-25 | 上海交通大学 | 基于运动恢复结构的卫星相对姿态测量方法 |
| CN103065135A (zh) * | 2013-01-25 | 2013-04-24 | 上海理工大学 | 基于数字图像处理的车牌号码匹配算法 |
| CN103593850A (zh) * | 2013-11-26 | 2014-02-19 | 北京航空航天大学深圳研究院 | 一种在cuda平台上基于递归高斯滤波的sift并行化***及方法 |
| CN104794728A (zh) * | 2015-05-05 | 2015-07-22 | 成都元天益三维科技有限公司 | 由多幅图像重构人脸实时三维数据的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101747220B1 (ko) * | 2012-08-30 | 2017-06-15 | 한화테크윈 주식회사 | 이미지 피라미드의 적응적 이미지 처리 장치 및 방법 |
| US20170064279A1 (en) * | 2015-09-01 | 2017-03-02 | National Taiwan University | Multi-view 3d video method and system |
-
2018
- 2018-01-24 CN CN201711251099.2A patent/CN107845096B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101398937A (zh) * | 2008-10-29 | 2009-04-01 | 北京航空航天大学 | 基于同一场景散乱照片集的三维重构方法 |
| CN102607534A (zh) * | 2012-03-13 | 2012-07-25 | 上海交通大学 | 基于运动恢复结构的卫星相对姿态测量方法 |
| CN103065135A (zh) * | 2013-01-25 | 2013-04-24 | 上海理工大学 | 基于数字图像处理的车牌号码匹配算法 |
| CN103593850A (zh) * | 2013-11-26 | 2014-02-19 | 北京航空航天大学深圳研究院 | 一种在cuda平台上基于递归高斯滤波的sift并行化***及方法 |
| CN104794728A (zh) * | 2015-05-05 | 2015-07-22 | 成都元天益三维科技有限公司 | 由多幅图像重构人脸实时三维数据的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 3D Reconstruction Based on SIFT and Harris Feature Points;Peng K，and etc;《Robotics and Biomimetics (ROBIO), 2009 IEEE International Conference on. IEEE》;20100225;第960-964页 * |
| 结合Harris算子和sift匹配方法的三维重建;魏梨君等;《电脑知识与技术:学术交流》;20090430;第5卷(第11期);第2980-2981页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107845096A (zh) | 2018-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107845096B (zh) | 基于图像的行星三维信息测定方法 | |
| US9799139B2 (en) | Accurate image alignment to a 3D model | |
| CN112233177B (zh) | 一种无人机位姿估计方法及*** | |
| US20050220363A1 (en) | Processing architecture for automatic image registration | |
| CN106529538A (zh) | 一种飞行器的定位方法和装置 | |
| CN104006803B (zh) | 自旋稳定空间飞行器转动运动参数的摄像测量方法 | |
| EP2022007A2 (en) | System and architecture for automatic image registration | |
| CN110044374A (zh) | 一种基于图像特征的单目视觉测量里程的方法及里程计 | |
| CN109900274B (zh) | 一种图像匹配方法及*** | |
| CN111383252B (zh) | 多相机目标追踪方法、***、装置及存储介质 | |
| US10229508B2 (en) | Dynamic particle filter parameterization | |
| Eichhardt et al. | Affine correspondences between central cameras for rapid relative pose estimation | |
| CN111127613A (zh) | 基于扫描电子显微镜的图像序列三维重构方法及*** | |
| CN117197333A (zh) | 基于多目视觉的空间目标重构与位姿估计方法及*** | |
| Knyaz et al. | Joint geometric calibration of color and thermal cameras for synchronized multimodal dataset creating | |
| Ventura et al. | P1ac: Revisiting absolute pose from a single affine correspondence | |
| CN116894876A (zh) | 基于实时图像的6-dof的定位方法 | |
| Hu et al. | Continuous point cloud stitch based on image feature matching constraint and score | |
| CN114170376B (zh) | 一种针对室外大场景的多源信息融合分组式运动恢复结构方法 | |
| Alekseev et al. | Visual-inertial odometry algorithms on the base of thermal camera | |
| Malekabadi et al. | Comparison of block-based stereo and semi-global algorithm and effects of pre-processing and imaging parameters on tree disparity map | |
| Sheikh et al. | Feature-based georegistration of aerial images | |
| CN107945209B (zh) | 基于逆向结构匹配跟踪的序列图像目标点的精确自动标定方法 | |
| Lee et al. | A single-view based framework for robust estimation of height and position of moving people | |
| Shahbazi | Hybrid 3D dynamic measurement by particle swarm optimization and photogrammetric tracking |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Image based method for determining three-dimensional information of planets Granted publication date: 20210727 Pledgee: Xi'an innovation financing Company limited by guarantee Pledgor: XI'AN PINGYUAN NETWORK TECHNOLOGY CO.,LTD. Registration number: Y2024980008688 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |