CN110363250A - 一种三维图像智能匹配的方法及其*** - Google Patents
一种三维图像智能匹配的方法及其*** Download PDFInfo
- Publication number
- CN110363250A CN110363250A CN201910665587.0A CN201910665587A CN110363250A CN 110363250 A CN110363250 A CN 110363250A CN 201910665587 A CN201910665587 A CN 201910665587A CN 110363250 A CN110363250 A CN 110363250A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- matching
- feature vector
- vector
- 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.)
- Withdrawn
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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种三维图像智能匹配的方法及其***,其中三维图像智能匹配的方法,具体包括以下步骤:获得目标图像;将目标图像旋转至指定角度;获得旋转后目标图像的纹理特征向量和空间关系特征向量;将获得的目标图像的纹理特征向量和空间关系特征向量与标准图像的纹理特征向量和空间关系特征向量进行比较匹配;输出匹配结果。本申请提供的三维图像智能匹配的方法及其***能够精确的比对需要认证的图像与标准图像之间的相似度,提高了比对的准确率。
Description
技术领域
本申请涉及图像领域,具体地,涉及一种三维图像智能匹配的方法及其***。
背景技术
现有技术中,图像的对比通常是通过一个相似度来判断图像之间的相似程度,通常是提供了一个图像模板与二维的目标图像进行比较,从而完成图像的对比。但是若目标图像是倾斜一定角度的,那么倾斜的目标图像与目标图像之间的相似程度则在很大程度上出现偏差。并且在比较过程中,现有技术通常在对比过程中单纯的将需要认证的图像的特征量与数据库中图像的特征量进行比较,若比对的结果一致则认证通过,但是这种粗略的对比方法很容易导致结果出现错误。因此需要一种更精确的三维图像智能匹配的方法,在三维图像中完成图像间的一系列对比,提高了图像对比的准确性。
发明内容
本申请的目的在于提供一种三维图像智能匹配的方法及其***,能够精确的比对需要认证的图像与标准图像之间的相似度,从而输出匹配结果,提高了比对的准确率。
为达到上述目的,本申请提供了一种三维图像智能匹配的方法,具体包括以下步骤:获得目标图像;将目标图像旋转至指定角度;获得旋转后目标图像的纹理特征向量和空间关系特征向量;将获得的目标图像的纹理特征向量和空间关系特征向量与标准图像的纹理特征向量和空间关系特征向量进行比较匹配;输出匹配结果。
如上的,其中,在将目标图像旋转至指定角度之前,还包括,判断目标图像是否倾斜。
如上的,其中,将目标图像旋转至指定角度具体包括以下子步骤:进行图像模板间的对比;判断图像模板是否完成对比;若完成对比,则记录图像模板间的每一度的对比结果;将目标图像与图像模板进行对比;将目标图像与图像模板进行逐像素对比,并记录对比结果;根据对比结果旋转目标图像。
如上的,其中,图像模板包括指定角度为0度的标准图像以及指定角度为0-360度的标准图像,其中将指定角度为0度的标准图像与指定角度为0-360度的标准图像进行逐一角度的对比从而完成图像模板间的对比。
如上的,其中,将目标图像以及图像模板均划分为若干个位置块,将划分为若干个位置块的图像模板与图像模板逐像素对比,直至位置块全部对比完毕。
如上的,其中,计算目标图像的纹理特征向量具体包括以下步骤:确定试验区;将试验区设置为高分辨率;在试验区中计算纹理特征向量;其中纹理特征向量f1表示为:
其中L表示图像的灰度级;i,j分别表示像素的灰度;d表示两个像素间的空间位置关系,p2 d(i,j)表示像素灰度i从空间位置关系d到像素灰度j的概率的平方。
如上的,其中,计算空间关系特征向量之前,还包括,将目标图像构建为三维目标图像模型,具体包括以下子步骤:确定初始模型;在初始模型中进行特征匹配;将匹配的特征导入初始模型中,形成三维目标图像模型。
如上的,其中,空间关系特征向量包括距离特征向量与角度特征向量;其中设定三维目标图像模型中的两点间的坐标分别为A1(x1,y1,z1),A2(x2,y2,z2),则距离特征向量A1A2表示为:
一种三维图像智能匹配***,包括获取单元、旋转单元、计算单元、匹配单元;获取单元,用于获取目标图像;旋转单元,用于将目标图像旋转至指定角度;计算单元,用于计算旋转后目标图像的纹理特征向量和空间关系特征向量,以及标准图像的纹理特征向量和空间关系特征向量;匹配单元,用于将获得的目标图像的纹理特征向量和空间关系特征向量与标准图像的纹理特征向量和空间关系特征向量进行比较匹配,并输出匹配结果。
如上的,其中,旋转单元具体包括以下子模块:对比模块、判断模块、记录模块;对比模块,用于进行标准图像间的对比以及目标图像和标准图像的对比;判断模块,用于判断标准图像间是否完成了每一度的对比以及标图像和标准图像每一位置块的像素对比;记录模块,用于记录标准图像间的相似程度以及,目标图像与图像模板位置块的相似程度。
本申请具有以下有益效果:
(1)本申请提供的三维图像智能匹配的方法及其***能够精确的比对需要认证的图像与标准图像之间的相似度,提高了比对的准确率。
(2)本申请提供的三维图像智能匹配的方法及其***能够快速对目标图像进行是否倾斜的估算,若存在倾斜则将目标图像进行指定角度的旋转,从而完成图像间的对比。
附图说明
为了更清楚地说明本申请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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是根据本申请实施例提供的三维图像智能匹配的方法流程图;
图2是根据本申请实施例提供的三维图像智能匹配***的内部结构图;
图3是根据本申请实施例提供的三维图像智能匹配***的内部子模块结构图;
图4是根据本申请实施例提供的三维图像智能匹配***的又一内部子模块结构图。
具体实施方式
下面结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
本申请涉及一种三维图像智能匹配的方法及***。根据本申请,能够精确的比对需要认证的图像与标准图像之间的相似度,从而输出匹配结果,提高了比对的准确率。
如图1所示为本申请提供的三维图像智能匹配的方法流程图。
步骤S110:获得目标图像。
具体地,该目标图像为输入的需要进行比对或认证的图像,所述目标图像可以为物体或人物,或物体、人物中的一部分。
步骤S120:将目标图像旋转至指定角度。
具体地,图像数据库中存在至少一个标准图像,其中标准图像能够认证目标图像。
其中在旋转目标图像前,还包括,估算目标图像是否倾斜,若倾斜则执行步骤S120,否则执行步骤S130。
优选地,由于对目标图像是否倾斜进行估算,因此无需精确计算倾斜角度,可采用比较简单的方式进行快速估算。例如可在目标图像中建立一个直角坐标系以判断物体是否倾斜等快速直观的判断方式,在此不在赘述。
其中进行目标图像旋转具体包括以下子步骤:
步骤D1:进行图像模板间的对比。
具体地,图像模板可分为指定角度为0的标准图像以及指定角度为0-360度的标准图像。将指定角度为0的标准图像与指定角度为0-360度的标准图像进行逐一角度的对比。
步骤D2:判断图像模板是否完成对比。
具体地,判断指定角度为0的标准图像是否与指定角度为0-360度的标准图像完成了每一度的对比。
若未完成对比则执行步骤D1,否则执行步骤D3。
步骤D3:记录图像模板间的每一度的对比结果。
具体地,将指定角度为0-360度的标准图像从0度开始与指定角度为0的标准图像进行对比,此时两标准图像间的相似度为1,记录该对比结果;再将指定角度为0-360度的标准图像旋转至指定角度为1度,与指定角度为0的标准图像进行对比,并记录此时两标准图像的相似度为对比结果。以此类推,完成指定角度为0-360度的标准图像与指定角度为0的标准图像间的对比。
优选地,当指定角度为0-360度的标准图像的指定角度为0度或360度时,两标准图像间的相似度为1,指定角度越接近0度或360度时,两标准图像间的相似度越接近1。
优选地,其中本步骤中涉及图像对比的方法可参考现有技术中多种实施图像对比的方法,本实施例中不进行赘述。
步骤D4:将目标图像与图像模板进行对比。
具体地,采用整体对比的原则,判断目标图像与图像模板的相似度是否大于指定阈值,若小于指定阈值,则流程退出。若大于指定阈值,则认为目标图像与图像模板大致相似,执行步骤D5。
值得注意的是,指定阈值为一固定数值,可由工作人员手动或自动修改,具体数值在本实施例中不进行限定。
步骤D5:将目标图像与图像模板进行逐像素对比,并记录对比结果。
具体地,可将目标图像以及图像模板均划分为若干个位置块,将若干个位置块的每个像素与图像模板的位置块的每个像素进行对比,直至目标图像的所有位置块与图像模板对比完毕,执行步骤D6。
步骤D6:根据对比结果旋转目标图像。
具体地,统计目标图像与图像模板位置块的相似度,并取平均值,若位置块的平均相似度,与指定角度为0-360度的标准图像与指定角度为0的标准图像在某一角度的相似度的差值不超过指定阈值,则查找指定角度为0-360度的标准图像当时的指定角度为多少,按照该指定角度进行目标图像的旋转。
步骤S130:获得旋转后目标图像的纹理特征向量和空间关系特征向量。
具体地,其中计算目标图像的纹理特征向量之前,还包括分析目标图像,例如根据目标物体进行亮度信息、频率特性信息以及将目标物体的各部位的形状、位置、大小等进行数值化的信息进行分析。最终判断目标图像是否完整能够进行纹理特征向量的计算。
进一步地,若亮度信息、频率特性信息以及将目标物体的各部位的形状、位置、大小等进行数值化的信息均达到正常数值或范围,则认为该目标图像能够进一步计算纹理特征向量。其中分析方法具体可参考现有技术。
具体地,纹理特征向量表示目标物体的特征数据。纹理特征向量可以能量特征、信息熵、对比度、相关性等表示形式。上述表现形式均可代表纹理特征向量,其中可计算目标图像的一种或多种纹理特征向量。
计算目标图像的纹理特征向量具体包括以下步骤:
步骤P1:确定试验区。
其中在确定试验区之前,对接收目标图像的接收窗口进行划分。
具体地,将接收窗口划分为若干个小方格,其中选取目标图像及其周边方格为实验区。
步骤P2:将试验区设置为高分辨率。
具体地,在高分辨率图像的数据中进行纹理体征提取能够使后续计算结果更加准确。
步骤P3:在试验区中计算纹理特征向量。
具体地,若计算能量特征作为纹理特征向量,则纹理特征向量可表示为:
其中,f1表示纹理特征向量,L表示图像的灰度级;i,j分别表示像素的灰度;d表示两个像素间的空间位置关系,p2 d(i,j)表示像素灰度i从空间位置关系d到像素灰度j的概率的平方。
若计算信息熵特征作为纹理特征向量,则可表示为:
其中,f2表示纹理特征向量,L表示图像的灰度级;i,j分别表示像素的灰度;d表示两个像素间的空间位置关系,pd(i,j)表示像素灰度i从空间位置关系d到像素灰度j的概率,lg表示常用对数。
若计算对比度特征作为纹理特征向量,则可表示为:
其中,f3表示纹理特征向量,n表示划分的方格的数量,L表示图像的灰度级;i,j分别表示像素的灰度;d表示两个像素间的空间位置关系,pd(i,j)表示像素灰度i从空间位置关系d到像素灰度j的概率。
若计算相关性作为纹理特征向量,则可表示为:
其中公式四中,f4表示纹理特征向量,
具体地,公式一、二、三、四中的一个或多个均可以作为纹理特征向量,可以分别表示,目标图像的均匀性、复杂性、清晰度和线性关系。
具体地,计算空间关系特征向量之前,还包括,将目标图像构建为三维目标图像,具体包括以下子步骤:
步骤Q1:确定初始模型。
具体地,由于空间中的点与二维图像中的点的对应关系是通过摄像机来决定的,因此首先需要确定目标图像的初始模型,采用摄像机标定方法,确定点与点的对应关系,从而完成初始模型的确定。
步骤Q2:在初始模型中进行特征匹配。
具体地,将空间中的特征与目标图像中的特征对应起来,若形成了同一对应的特征则完成了特征匹配。其中对应的特征包括连接/邻接关系、交叠/重叠关系和包含/包容关系等,以及特征的颜色或轮廓等。示例性地,若空间中和目标图像中的某几个特征间存在连接/邻接关系,且颜色相同,则在该空间的特征和在目标图像中的特征为对应关系。
优选地,在进行特征匹配前,可对目标图像进行特征抽取、分割和匹配前的预处理,以改善图像数据,消除图像中无关的信息,从而增强图像特征匹配的可靠性。
步骤Q3:将匹配的特征导入初始模型中,形成三维目标图像模型。
具体地,在形成三维模型后,还需要不断对模型进行完善以保证三维目标图像模型的准确性,具体可使用三角化、线性或非线性差值、参数表面的拟合以及误差校正等手段进行三维目标图像模型的完善。
具体地,在本实施例中,空间关系特征向量包括距离特征向量与角度特征向量,其中设定三维目标图像模型中的两点间的坐标分别为A1(x1,y1,z1),A2(x2,y2,z2),则距离特征向量A1A2可表示为:
进一步地,设三点坐标为A1(x1,y1,z1),A2(x2,y2,z2),A3(x3,y3,z3),则按照角度特征向量θ可表示为
其中,
作为另一个实施例,为了测量精确,距离特征向量的确定包括以下子步骤:
步骤W1:在三维目标图像模型中获取三维点云并进行标准化。
优选地,采用双目立体视觉测量的方法进行三维点云的获取。
由于三维点云的比例可能存在差异,因此在获取三维点云后,还需要对三维点云的比例进行统一调整。
具体地,根据三维目标图像模型中确定三维坐标系,选取离三维坐标系的原点距离最远的点,将该点与原点的距离为标准比例,根据标准比例进行三维点云比例的调整。
步骤W2:对标准化后的三维点云进行区域分割。
具体地,可将三维点云分为若干个子空间集合,其中子空间集合表示为P={p1、p2…pn}。
步骤W3:确定质心的位置。
其中质心的坐标为每个子空间p1、p2…pn所在三维坐标系中的x、y、z值的平均值,具体质心的坐标mx=x1+x2+…+xn/n,其中x1、x2…xn分别表示每个子空间的x值。
质心的坐标my=y1+y2+…+yn/n,其中y1、y2…yn分别表示每个子空间的y值。
质心的坐标mz=(z1+z2+…+zn)/n,其中z1、z2…zn分别表示每个子空间的z值。
步骤W4:根据三维目标图像模型的质心以及最远位置计算距离特征向量。
具体地,距离特征向量可表示为,
其中(xmax,ymax,zmax)为三维模型中的最远距离A4的坐标。
步骤S140:将获得的目标图像的纹理特征向量和空间关系特征向量与标准图像的纹理特征向量和空间关系特征向量进行比较匹配。
具体地,将目标图像的纹理特征向量和空间关系特征向量与指定角度为0-360度的标准图像进行对比。
进一步地,在匹配前,还包括,将标准图像转化为三维标准图像,以计算空间关系特征向量。
优选地,指定角度为0-360度的标准图像的纹理特征向量的计算可参考公式一至四,空间关系特征向量的计算可参考公式五、六。
其中目标图像与标准图像的纹理特征向量的对比可表示为其中a=1、2、3、4。
其中目标图像与标准图像的空间关系特征向量的对比包括距离特征向量的对比以及角度特征向量的对比,具体地,距离特征向量之比B表示:
其中A1A2表示三维目标图像模型的任意两点的距离,A1A2′表示三维标准图像的任意两点的距离。
作为另一个实施例,距离特征向量之比还可表示为:
其中B′表示距离特征向量之比,D表示三维目标图像模型的质心距模型中最远位置的距离。
步骤S150:输出匹配结果。
具体地,匹配结果为上述根据纹理特征向量以及空间关系特征向量对比出的目标图像与标准图像的对比结果。
优选地,若对比结果S和B(或B′)的结果越高,则说明目标图像与备用图像集合中的某一图像越相似。
本申请还提供了三维图像智能匹配***,如图2所示,智能图像比对***其中包括了获取单元201、旋转单元202、计算单元203、匹配单元204。
其中获取单元201用于获取目标图像。
旋转单元202与获取单元201连接,用于将目标图像旋转至指定角度。
进一步地,如图3所示,旋转单元202中具体包括以下子模块:对比模块301、判断模块302、记录模块303。
对比模块301用于进行标准图像间的对比以及目标图像和标准图像的对比。
判断模块302与对比模块301连接,用于判断标准图像间是否完成了每一度的对比以及标图像和标准图像每一位置块的像素对比。
记录模块303与判断模块302连接,用于记录标准图像间的相似程度以及,目标图像与图像模板位置块的相似程度。
计算单元203与旋转单元202连接,用于计算旋转后目标图像的纹理特征向量和空间关系特征向量,以及标准图像的纹理特征向量和空间关系特征向量。
具体地,如图4所示,计算单元203包括以下子模块:目标图像分析模块401、纹理特征向量计算模块402;初始模块确定模块403、特征匹配模块404、导入模块405、空间关系特征向量计算模块406。
其中目标图像分析模块401用于对目标图像进行数据分析。
纹理特征向量计算模块402与目标图像分析模块401连接,用于根据分析后的结果计算纹理特征向量。
初始模块确定模块403用于利用摄像机确定目标图像的初始模型。
特征匹配模块404与初始模块确定模块403连接,用于在初始模型中进行特征匹配。
导入模块405与特征匹配模块404连接,用于将匹配的特征导入初始模型中,形成三维目标图像模型。
空间关系特征向量计算模块406与导入模块405连接,用于根据三维目标图像模型计算空间关系特征向量。
匹配单元204与计算单元203连接,用于将获得的目标图像的纹理特征向量和空间关系特征向量与标准图像的纹理特征向量和空间关系特征向量进行比较匹配,并输出匹配结果。
本申请具有以下有益效果:
(1)本申请提供的三维图像智能匹配的方法及其***能够精确的比对需要认证的图像与标准图像之间的相似度,提高了比对的准确率。
(2)本申请提供的三维图像智能匹配的方法及其***能够快速对目标图像进行是否倾斜的估算,若存在倾斜则将目标图像进行指定角度的旋转,从而完成图像间的对比。
(3)本申请提供的三维图像智能匹配的方法及其***能够快速进行目标图像的指定角度的旋转,减少了角度比对所需的时间,达到了快速图像比对的效果。
虽然当前申请参考的示例被描述,其只是为了解释的目的而不是对本申请的限制,对实施方式的改变,增加和/或删除可以被做出而不脱离本申请的范围。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种三维图像智能匹配的方法,其特征在于,具体包括以下步骤:
获得目标图像;
将目标图像旋转至指定角度;
获得旋转后目标图像的纹理特征向量和空间关系特征向量;
将获得的目标图像的纹理特征向量和空间关系特征向量与标准图像的纹理特征向量和空间关系特征向量进行比较匹配;
输出匹配结果。
2.如权利要求1所述的三维图像智能匹配的方法,其特征在于,在将目标图像旋转至指定角度之前,还包括,判断目标图像是否倾斜。
3.如权利要求1所述的三维图像智能匹配的方法,其特征在于,将目标图像旋转至指定角度具体包括以下子步骤:
进行图像模板间的对比;
判断图像模板是否完成对比;
若完成对比,则记录图像模板间的每一度的对比结果;
将目标图像与图像模板进行对比;
将目标图像与图像模板进行逐像素对比,并记录对比结果;
根据对比结果旋转目标图像。
4.如权利要求3所述的三维图像智能匹配的方法,其特征在于,图像模板包括指定角度为0度的标准图像以及指定角度为0-360度的标准图像,其中将指定角度为0度的标准图像与指定角度为0-360度的标准图像进行逐一角度的对比从而完成图像模板间的对比。
5.如权利要求3所述的三维图像智能匹配的方法,其特征在于,将目标图像以及图像模板均划分为若干个位置块,将划分为若干个位置块的图像模板与图像模板逐像素对比,直至位置块全部对比完毕。
6.如权利要求1所述的三维图像智能匹配的方法,其特征在于,计算目标图像的纹理特征向量具体包括以下步骤:
确定试验区;
将试验区设置为高分辨率;
在试验区中计算纹理特征向量;
其中纹理特征向量f1表示为:
其中L表示图像的灰度级;i,j分别表示像素的灰度;d表示两个像素间的空间位置关系,p2 d(i,j)表示像素灰度i从空间位置关系d到像素灰度j的概率的平方。
7.如权利要求1所述的三维图像智能匹配的方法,其特征在于,计算空间关系特征向量之前,还包括,将目标图像构建为三维目标图像模型,具体包括以下子步骤:
确定初始模型;
在初始模型中进行特征匹配;
将匹配的特征导入初始模型中,形成三维目标图像模型。
8.如权利要求1所述的三维图像智能匹配的方法,其特征在于,空间关系特征向量包括距离特征向量与角度特征向量;
其中设定三维目标图像模型中的两点间的坐标分别为A1(x1,y1,z1),A2(x2,y2,z2),则距离特征向量A1A2表示为:
9.一种三维图像智能匹配***,其特征在于,包括获取单元、旋转单元、计算单元、匹配单元;
获取单元,用于获取目标图像;
旋转单元,用于将目标图像旋转至指定角度;
计算单元,用于计算旋转后目标图像的纹理特征向量和空间关系特征向量,以及标准图像的纹理特征向量和空间关系特征向量;
匹配单元,用于将获得的目标图像的纹理特征向量和空间关系特征向量与标准图像的纹理特征向量和空间关系特征向量进行比较匹配,并输出匹配结果。
10.如权利要求9所述的三维图像智能匹配***,其特征在于,旋转单元具体包括以下子模块:对比模块、判断模块、记录模块;
对比模块,用于进行标准图像间的对比以及目标图像和标准图像的对比;
判断模块,用于判断标准图像间是否完成了每一度的对比以及标图像和标准图像每一位置块的像素对比;
记录模块,用于记录标准图像间的相似程度以及,目标图像与图像模板位置块的相似程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665587.0A CN110363250A (zh) | 2019-07-23 | 2019-07-23 | 一种三维图像智能匹配的方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665587.0A CN110363250A (zh) | 2019-07-23 | 2019-07-23 | 一种三维图像智能匹配的方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363250A true CN110363250A (zh) | 2019-10-22 |
Family
ID=68221334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910665587.0A Withdrawn CN110363250A (zh) | 2019-07-23 | 2019-07-23 | 一种三维图像智能匹配的方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363250A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235545A (zh) * | 2023-11-14 | 2023-12-15 | 亿海蓝(北京)数据技术股份公司 | 判断空间对象分布相似性的方法、装置和可读存储介质 |
CN117975046A (zh) * | 2024-02-20 | 2024-05-03 | 蚂蚁云创数字科技(北京)有限公司 | 图像检测处理方法及装置 |
CN117975045A (zh) * | 2024-02-20 | 2024-05-03 | 蚂蚁云创数字科技(北京)有限公司 | 基于模型的纹理识别处理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8731237B1 (en) * | 2010-05-11 | 2014-05-20 | The United States Of America, As Represented By The Secretary Of The Navy | Automatic asset detection for disaster relief using satellite imagery |
CN103971130A (zh) * | 2013-01-25 | 2014-08-06 | 台达电子工业股份有限公司 | 快速图形比对方法 |
CN106570511A (zh) * | 2016-11-02 | 2017-04-19 | 上海大学 | 基于计算机视觉的键盘字符缺陷在线检测***和方法 |
CN107335192A (zh) * | 2017-05-26 | 2017-11-10 | 深圳奥比中光科技有限公司 | 运动辅助训练方法、装置及存储装置 |
CN107633535A (zh) * | 2017-09-06 | 2018-01-26 | 深圳市易天自动化设备股份有限公司 | 一种新型机器视觉目标高速定位方法 |
CN109543535A (zh) * | 2018-10-23 | 2019-03-29 | 华南理工大学 | 三维指静脉特征提取方法及其匹配方法 |
-
2019
- 2019-07-23 CN CN201910665587.0A patent/CN110363250A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8731237B1 (en) * | 2010-05-11 | 2014-05-20 | The United States Of America, As Represented By The Secretary Of The Navy | Automatic asset detection for disaster relief using satellite imagery |
CN103971130A (zh) * | 2013-01-25 | 2014-08-06 | 台达电子工业股份有限公司 | 快速图形比对方法 |
CN106570511A (zh) * | 2016-11-02 | 2017-04-19 | 上海大学 | 基于计算机视觉的键盘字符缺陷在线检测***和方法 |
CN107335192A (zh) * | 2017-05-26 | 2017-11-10 | 深圳奥比中光科技有限公司 | 运动辅助训练方法、装置及存储装置 |
CN107633535A (zh) * | 2017-09-06 | 2018-01-26 | 深圳市易天自动化设备股份有限公司 | 一种新型机器视觉目标高速定位方法 |
CN109543535A (zh) * | 2018-10-23 | 2019-03-29 | 华南理工大学 | 三维指静脉特征提取方法及其匹配方法 |
Non-Patent Citations (2)
Title |
---|
杨帆: "《数字图像处理与分析 第四版》", 31 January 2019 * |
蔺守臣 等: "《高等数学 上》", 30 September 2015 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235545A (zh) * | 2023-11-14 | 2023-12-15 | 亿海蓝(北京)数据技术股份公司 | 判断空间对象分布相似性的方法、装置和可读存储介质 |
CN117235545B (zh) * | 2023-11-14 | 2024-02-02 | 亿海蓝(北京)数据技术股份公司 | 判断空间对象分布相似性的方法、装置和可读存储介质 |
CN117975046A (zh) * | 2024-02-20 | 2024-05-03 | 蚂蚁云创数字科技(北京)有限公司 | 图像检测处理方法及装置 |
CN117975045A (zh) * | 2024-02-20 | 2024-05-03 | 蚂蚁云创数字科技(北京)有限公司 | 基于模型的纹理识别处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021174939A1 (zh) | 人脸图像的获取方法与*** | |
US10269175B2 (en) | Three dimensional content generating apparatus and three dimensional content generating method thereof | |
CN111784778B (zh) | 基于线性求解非线性优化的双目相机外参标定方法和*** | |
JP4573085B2 (ja) | 位置姿勢認識装置とその位置姿勢認識方法、及び位置姿勢認識プログラム | |
US10846844B1 (en) | Collaborative disparity decomposition | |
US11816810B2 (en) | 3-D reconstruction using augmented reality frameworks | |
CN110490158B (zh) | 一种基于多级模型的鲁棒人脸对齐方法 | |
CN108701234A (zh) | 车牌识别方法及云*** | |
CN110363250A (zh) | 一种三维图像智能匹配的方法及其*** | |
CN113012122B (zh) | 一种类别级6d位姿与尺寸估计方法及装置 | |
CN106560835B (zh) | 一种路牌识别方法及装置 | |
CN110175558A (zh) | 一种人脸关键点的检测方法、装置、计算设备及存储介质 | |
CN112484746B (zh) | 一种基于地平面的单目视觉辅助激光雷达里程计方法 | |
CN108428249A (zh) | 一种基于光流跟踪和双几何模型的初始位姿估计方法 | |
CN113920081A (zh) | 一种刀具磨损度检测方法 | |
CN112634125A (zh) | 一种基于离线人脸数据库的自动面部替换方法 | |
CN111274944A (zh) | 一种基于单张图像的三维人脸重建方法 | |
CN108664860A (zh) | 房间平面图的识别方法及装置 | |
CN109344758B (zh) | 基于改进局部二值模式的人脸识别方法 | |
CN113052110B (zh) | 一种基于多视图投影和深度学习的三维兴趣点提取方法 | |
CN113724329A (zh) | 融合平面与立体信息的目标姿态估计方法、***和介质 | |
CN106408654B (zh) | 一种三维地图的创建方法及*** | |
CN110046554B (zh) | 一种人脸对齐方法和相机 | |
Gava et al. | Dense scene reconstruction from spherical light fields | |
Coorg | Pose imagery and automated three-dimensional modeling of urban environments |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191022 |