CN111915645B - 影像匹配方法、装置、计算机设备及计算机可读存储介质 - Google Patents
影像匹配方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111915645B CN111915645B CN202010677868.0A CN202010677868A CN111915645B CN 111915645 B CN111915645 B CN 111915645B CN 202010677868 A CN202010677868 A CN 202010677868A CN 111915645 B CN111915645 B CN 111915645B
- Authority
- CN
- China
- Prior art keywords
- image
- matching
- matched
- characteristic
- normalized
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种影像匹配方法、装置、计算机设备及计算机可读存储介质,该方法包括:分别获取参考影像和待匹配影像的局部区域图像;将局部区域图像进行特征变换,得到归一化区域图像;在归一化区域图像内、外分别进行特征点检测,得到特征点;根据归一化区域图像内、外的特征点对参考影像和待匹配影像的特征点进行匹配,得到匹配结果;根据特征点的匹配结果确定待匹配影像和参考影像的匹配结果。通过实施本发明,解决了影像匹配过程中影像因角度和尺度问题带来的变形误差,并且使得提取的特征点能够更好地覆盖整幅影像,大大提高了视频大数据的视角变化大、成像环境复杂等实际问题下的点集匹配的效率和鲁棒性。
Description
技术领域
本发明涉及影像匹配技术领域,具体涉及一种影像匹配方法、装置、计算机设备及计算机可读存储介质。
背景技术
目标匹配是动态目标跟踪中的关键步骤,从特征类型来分,当前主要有点特征和线特征匹配两大类方法。目标匹配可转换为目标的特征点集匹配问题。环岛电子围网视频数据可能存在由于复杂的现场成像环境、天气条件、大气云层干扰引起的噪声,以及由于光照变化、视角变换或遮挡等因素造成的离群点现象(即得到的两组特征点集会有所不同),这些严重制约了RANSAC(Nearest Neighbor Distance Ratio)等现有算法在处理环岛电子围网视频数据时的应用效能。这是因为噪声的存在意味着理想情况下的精确匹配将不再成立,为了防止过拟合,匹配算法需要找到数据点的真实位置并相应地估计变换函数,这大大增加了对应关系搜索和变换函数估计的难度,增大了匹配误差;为了处理存在的离群点,算法需要将点集中一个子集与另一个点集中适当的子集匹配上,而子集包含点的数量又事先未知,从而使问题变得更加困难;此外,点集匹配本质上是一个NPC复杂组合优化问题,为了获得一个合理解,往往需要在变量参数空间中进行搜索,而当参数空间的维度较高时,搜索代价变得非常之高。这些存在于视频大数据环境下的实际问题给动态目标跟踪中的点集匹配步骤带来巨大挑战。
发明内容
有鉴于此,本发明实施例提供了一种影像匹配方法、装置、计算机设备及计算机可读存储介质,以解决存在于视频大数据环境下的实际问题给动态目标跟踪中的点集匹配步骤带来巨大挑战的问题。
根据第一方面,本发明实施例提供了一种影像匹配方法,包括:分别获取参考影像和待匹配影像的局部区域图像;将局部区域图像进行特征变换,得到归一化区域图像;在归一化区域图像内、外分别进行特征点检测,得到特征点;根据归一化区域图像内、外的特征点对参考影像和待匹配影像的特征点进行匹配,得到匹配结果;根据特征点的匹配结果确定待匹配影像和参考影像的匹配结果。
可选地,分别获取参考影像和待匹配影像的局部区域图像,包括:获取参考影像和待匹配影像;利用不同方差高斯卷积核分别对参考影像和待匹配影像进行平滑处理和下采样处理,形成高斯尺度金字塔图像;对各层金字塔图像分别进行最大稳定极值区域检测,得到多个最大稳定极值区域;根据各最大稳定极值区域的位置和面积剔除各层金字塔图像上重复的最大稳定极值区域;根据剔除重复的最大稳定极值区域后的各层金字塔图像的最大稳定极值区域形成参考影像和待匹配影像的局部区域图像。
可选地,最大稳定极值区域的位置包括质心位置、主轴的方向和周长,根据各最大稳定极值区域的位置和面积剔除各层金字塔图像上重复的最大稳定极值区域,包括:根据各最大稳定极值区域的质心位置判断相邻层金字塔图像上两个最大稳定极值区域的质心距离是否小于第一预设阈值;如果相邻层金字塔图像上两个最大稳定极值区域的质心距离小于第一预设阈值,判断两个最大稳定极值区域的面积是否满足第一关系式;如果两个最大稳定极值区域的面积满足第一关系式,判断两个最大稳定极值区域的主轴的方向、周长是否满足第二关系式;如果两个最大稳定极值区域的主轴的方向、周长满足第二关系式,确定两个最大稳定极值区域为相同的最大稳定极值区域,并剔除两个最大稳定极值区域中的其中任意一个。
可选地,根据归一化区域图像外的特征点对参考影像和待匹配影像的特征点进行匹配,包括:将参考影像和待匹配影像的归一化区域图像外的特征点分别聚类到参考影像和待匹配影像的局部区域内;根据参考影像和待匹配影像的归一化区域图像外的特征点所属的局部区域的区域参数分别确定参考影像和待匹配影像的归一化区域图像外的特征点的特征区域;将特征区域进行特征变换,得到归一化特征区域图像;根据归一化特征区域图像对归一化区域图像外的特征点进行特征描述;采用预设特征点匹配方法对参考影像和待匹配影像的特征描述后的归一化区域图像外的特征点进行匹配。
可选地,将参考影像和待匹配影像的归一化区域图像外的特征点分别聚类到参考影像和待匹配影像的局部区域内,包括:分别计算参考影像和待匹配影像的归一化区域图像外的各特征点至各局部区域中心点的距离;判断各特征点至各局部区域中心点的最小距离和次小距离的比值是否小于第二预设阈值;如果各特征点至各局部区域中心点的最小距离和次小距离的比值小于第二预设阈值,确定各特征点属于最小距离对应的局部区域。
可选地,如果各特征点至各局部区域中心点的最小距离和次小距离的比值大于或等于第二预设阈值,确定各特征点属于最小距离对应的局部区域和次小距离对应的局部区域。
可选地,在根据归一化区域内、外的特征点对参考影像和待匹配影像的特征点进行匹配之后,影像匹配方法还包括:基于极几何约束的方法对匹配后的初始匹配点进行提纯处理,得到最终匹配点。
根据第二方面,本发明实施例提供了一种影像匹配装置,包括:获取模块,用于分别获取参考影像和待匹配影像的局部区域图像;特征变换模块,用于将局部区域图像进行特征变换,得到归一化区域图像;检测模块,用于在归一化区域图像内、外分别进行特征点检测,得到特征点;匹配模块,用于根据归一化区域图像内、外的特征点对参考影像和待匹配影像的特征点进行匹配,得到匹配结果;确定模块,用于根据特征点的匹配结果确定待匹配影像和参考影像的匹配结果。
根据第三方面,本发明实施例提供了一种计算机设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行如第一方面或第一方面任意实施方式中的影像匹配方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行如第一方面或第一方面任意实施方式中的影像匹配方法。
本发明实施例提供的影像匹配方法、装置、计算机设备及计算机可读存储介质,通过分别获取参考影像和待匹配影像的局部区域图像,将整幅影像分解为一些局部区域图像的集合,对参考影像和待匹配影像进行离线的多尺度特征提取;然后考虑图像的角度、对比度、环境等场景特征,将局部区域图像进行特征变换,得到归一化区域图像,使得处理后的局部区域图像之间由最初的视角变化简化为尺度和旋转变化,解决影像因角度和尺度问题带来的变形误差;然后在归一化区域图像内、外分别进行特征点检测,得到特征点,使得特征点能够更好地覆盖整幅影像;最后根据归一化区域图像内、外的特征点对参考影像和待匹配影像的特征点进行匹配,得到匹配结果,根据特征点的匹配结果确定待匹配影像和参考影像的匹配结果,大大提高了视频大数据的视角变化大、成像环境复杂等实际问题下的点集匹配的效率和鲁棒性。该影像匹配方法经过实验表明,对视角变化影像之间的匹配具有很强的鲁棒性,即使在很大的程度的视角变化情况下,也能获得较好的匹配效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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示出了本发明实施例的影像匹配方法的流程图;
图2示出了本发明实施例的实验用匹配影像组图;
图3示出了本发明实施例匹配后的影像组图;
图4示出了本发明实施例的影像匹配装置的结构框图;
图5示出了本发明实施例的计算机设备的硬件结构框图。
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,本领域技术人员在没有作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。
在可见光波段影像匹配过程中,虽然在不同可见光波段影像之间会存在一定程度的辐射差异,但是影像之间的辐射差异较小,这类辐射差异往往为线性的,常用的归一化等方法能够较好地处理这类辐射变化。因此,在可见光影像与可见光影像匹配中,需要解决的主要问题来自影像像对之间的几何变形。当两幅影像之间存在很大的视角变化时,同一目标在影像上呈现的相似性较小,此时如果想要尝试在影像上提取和匹配视角不变的特征,难度非常大。为了改善匹配效果,研究学者提出了很多种方法,但目前已有的影像匹配方法在视角变化影像的匹配中难以获得稳健的匹配结果。
针对已有影像匹配方法对视角变化影像难以获得稳健的匹配结果的问题,本发明从视角变化影像几何畸变机理出发,提出了一种能够稳健匹配尺度、旋转以及大视角变化的影像匹配方法。如图1所示,该影像匹配方法包括:
S101.分别获取参考影像和待匹配影像的局部区域图像;具体地,获取影像局部区域的方法很多,如影像分割、区域特征提取等。但是,由于目前影像分割仍然是一个有待解决的问题,因此本发明实施例中可选择区域特征提取方法来获取影像局部区域。由于进行局部区域检测的目的是为了进行后续的大视角变化影像匹配,因此所采用的局部区域特征提取方法对于影像的视角变化需要具有较强的鲁棒性。最大稳定极值区域(MSER)对影像视角变化具有较强的鲁棒性,因此选择MSER算子提取影像局部区域特征。在原始的MSER算法中,所有的最大稳定极值区域都来自一个单一的影像尺度上,因此当影像模糊或观测距离发生变化时,一些MSER将消失,或将产生一些新的MSER。此时,从不同影像上提取得到的局部区域重复率将降低,这将不利于后续的影像匹配。为了克服这个问题,本发明实施例采用多尺度的MSER提取方法获取影像局部区域。
S102.将局部区域图像进行特征变换,得到归一化区域图像;具体地,考虑图像的角度、对比度、环境等场景特征,在影像上提取了局部区域图像以后,结合影像视角变化模型分析,根据这些局部区域的二阶矩将椭圆形的影像局部区域进行拟合,归一化为圆形区域。对于任意一个椭圆形区域EAP(Elliptical Area),可以以此椭圆形区域影像为基础,归一化得到视角不变的圆形特征区域CAP(Circular Area)。处理后的局部区域图像之间由最初的视角变化简化为尺度和旋转变化,可以解决影像因角度和尺度问题带来的变形误差。
S103.在归一化区域图像内、外分别进行特征点检测,得到特征点;具体地,由于影像上检测到的局部区域往往数量较少,并且拟合后的椭圆形区域的定位精度比较低,本发明实施例将这类影像局部区域定义为粗特征,而在影像局部区域内检测到的点特征定义为精特征。本发明实施例中选择点特征进行影像匹配。点特征不仅数量更多,而且定位精度更高。在本发明实施例的匹配方法中,可以根据应用需求选择任意的点特征检测算子进行特征点检测。
由于检测到的影像局部区域不一定能够完整地覆盖整幅影像,在归一化区域图像内进行点特征检测和匹配无法获得覆盖整个影像区域的同名特征。因此,有必要对影像局部区域未覆盖的影像区域也进行特征点检测和匹配。本发明实施例中可选择具有尺度和旋转不变性的DoG(DifferenceofGuassian)算子进行归一化区域图像内、外点特征检测。
S104.根据归一化区域图像内、外的特征点对参考影像和待匹配影像的特征点进行匹配,得到匹配结果;具体地,对于归一化区域图像内的特征点,根据归一化区域的区域参数可以确定归一化区域图像内特征点的特征区域,确定了特征点的特征区域后,可以采用尺度不变特征转换(Scale-invariant feature transform,SIFT)方法对点特征进行特征描述。获取了特征描述符以后,可以采用常用的NNDR(Nearest Neighbor DistanceRatio)方法进行特征匹配。NNDR特征匹配方法为:计算各特征描述符之间的距离,对于每一个特征,如果与其最相近的两个特征的距离满足最小距离与次小距离的比例小于一定的阈值,则认为该特征与最近的特征为一对初始匹配特征点对。
对于归一化区域图像外的特征点,可以先确定特征点的圆形特征区域,然后采用SIFT特征描述符和NNDR方法进行特征描述和匹配。
S105.根据特征点的匹配结果确定待匹配影像和参考影像的匹配结果。
本发明实施例提供的影像匹配方法,通过分别获取参考影像和待匹配影像的局部区域图像,将整幅影像分解为一些局部区域图像的集合,对参考影像和待匹配影像进行离线的多尺度特征提取;然后考虑图像的角度、对比度、环境等场景特征,将局部区域图像进行特征变换,得到归一化区域图像,使得处理后的局部区域图像之间由最初的视角变化简化为尺度和旋转变化,解决影像因角度和尺度问题带来的变形误差;然后在归一化区域图像内、外分别进行特征点检测,得到特征点,使得特征点能够更好地覆盖整幅影像;最后根据归一化区域图像内、外的特征点对参考影像和待匹配影像的特征点进行匹配,得到匹配结果,根据特征点的匹配结果确定待匹配影像和参考影像的匹配结果,大大提高了视频大数据的视角变化大、成像环境复杂等实际问题下的点集匹配的效率和鲁棒性。该影像匹配方法经过实验表明,对视角变化影像之间的匹配具有很强的鲁棒性,即使在很大的程度的视角变化情况下,也能获得较好的匹配效果。
在可选的实施例中,步骤S101,分别获取参考影像和待匹配影像的局部区域图像,可以采用多尺度的MSER提取方法获取影像局部区域,具体包括:获取参考影像和待匹配影像;利用不同方差高斯卷积核分别对参考影像和待匹配影像进行平滑处理和下采样处理,形成高斯尺度金字塔图像;对各层金字塔图像分别进行最大稳定极值区域检测,得到多个最大稳定极值区域;根据各最大稳定极值区域的位置和面积剔除各层金字塔图像上重复的最大稳定极值区域;根据剔除重复的最大稳定极值区域后的各层金字塔图像的最大稳定极值区域形成参考影像和待匹配影像的局部区域图像。
具体地,可采用原始的MSER算法在每一层金字塔影像上提取MSER,得到多个最大稳定极值区域。通过在参考影像和待匹配影像上形成高斯尺度金字塔图像,然后在每一层的金字塔影像上提取最大稳定极值区域,并将重复的最大稳定极值区域剔除,因此,可以准确地提取到参考影像和待匹配影像上的各最大稳定极值区域,从而从影像模糊或观测距离发生变化的影像上提取得到的局部区域重复率将提高,这将有利于后续的影像匹配。
在可选的实施例中,最大稳定极值区域的位置包括质心位置、主轴的方向和周长,根据各最大稳定极值区域的位置和面积剔除各层金字塔图像上重复的最大稳定极值区域,包括:根据各最大稳定极值区域的质心位置判断相邻层金字塔图像上两个最大稳定极值区域的质心距离是否小于第一预设阈值;如果相邻层金字塔图像上两个最大稳定极值区域的质心距离小于第一预设阈值,判断两个最大稳定极值区域的面积是否满足第一关系式;如果两个最大稳定极值区域的面积满足第一关系式,判断两个最大稳定极值区域的主轴的方向、周长是否满足第二关系式;如果两个最大稳定极值区域的主轴的方向、周长满足第二关系式,确定两个最大稳定极值区域为相同的最大稳定极值区域,并剔除两个最大稳定极值区域中的其中任意一个。
具体地,可以采用如下两条规则进行重复MSER判别:①相邻层金字塔图像上,两个MSER的质心距离小于第一预设阈值d;②相邻层金字塔图像上两个MSER的面积S1和S2满足第一关系式。
为了进一步增强重复MSER判别的可靠性,在前面两条判别规则的基础上可以增加如下一条规则:相邻层金字塔图像上两个MSER的椭圆形主轴的方向、周长满足第二关系式。
如果相邻金字塔图像上两个最大稳定极值区域同时满足以上三个条件,则认为这两个最大稳定极值区域为重复区域。此时,将两个最大稳定极值区域中的其中任意一个剔除。优选地,将粗尺度影像上对应的最大稳定极值区域剔除。
在可选的实施例中,步骤S104中,根据归一化区域图像外的特征点对参考影像和待匹配影像的特征点进行匹配,包括:将参考影像和待匹配影像的归一化区域图像外的特征点分别聚类到参考影像和待匹配影像的局部区域内;根据参考影像和待匹配影像的归一化区域图像外的特征点所属的局部区域的区域参数分别确定参考影像和待匹配影像的归一化区域图像外的特征点的特征区域;将特征区域进行特征变换,得到归一化特征区域图像;根据归一化特征区域图像对归一化区域图像外的特征点进行特征描述;采用预设特征点匹配方法对参考影像和待匹配影像的特征描述后的归一化区域图像外的特征点进行匹配。
具体地,在归一化特征区域图像未覆盖的影像区域进行特征点检测后,可以获取特征点的影像坐标位置。根据特征点的影像坐标位置可以将特征点聚类到参考影像和待匹配影像的局部区域内。聚类的规则为:分别计算参考影像和待匹配影像的归一化区域图像外的各特征点至各局部区域中心点的距离;判断各特征点至各局部区域中心点的最小距离和次小距离的比值是否小于第二预设阈值;如果各特征点至各局部区域中心点的最小距离和次小距离的比值小于第二预设阈值,确定各特征点属于最小距离对应的局部区域。如果各特征点至各局部区域中心点的最小距离和次小距离的比值大于或等于第二预设阈值,确定各特征点属于最小距离对应的局部区域和次小距离对应的局部区域。根据特征点所属的影像局部区域的椭圆参数确定特征点的椭圆形特征区域。将特征点椭圆形特征区域归一化为圆形特征区域,并采用SIFT特征描述符和NNDR方法进行特征描述和匹配。
在可选的实施例中,完成局部区域和非局部区域特征点匹配后,在初始匹配结果中,会存在一些错误匹配。传统方法是利用RANSAC(Random Sample Consensus)估计影像间的仿射变换矩阵来剔除错误匹配。但是,在高分辨率影像中,整幅影像像对之间不服从同一个仿射变换,如果采用估计仿射变换矩阵的方法,将会有大量的正确匹配点被误认为是错误匹配被剔除。因此,为了克服这个问题,在根据归一化区域内、外的特征点对参考影像和待匹配影像的特征点进行匹配之后,影像匹配方法还包括:基于极几何约束的方法对匹配后的初始匹配点进行提纯处理,通过估计影像像对之间的基本矩阵来剔除错误匹配,得到最终匹配点。
为了进一步说明本发明的影像匹配方法,以一具体实施例进行说明。图像匹配所使用的数据为从横琴环岛视频相邻摄像头所提取的同一船只的图片,如图2所示,选取了一组用于实验,通过采用本发明实施例的影像匹配方法对指定区域的船进行SIFT匹配,匹配结果如图3所示。通过图3可以看出,本发明实施例的影像匹配方法能够很好的对指定区域的船进行匹配。
本发明实施例还提供了一种影像匹配装置,如图4所示,包括:
获取模块21,用于分别获取参考影像和待匹配影像的局部区域图像;具体的实施方式详见上述实施例步骤S101的描述,在此不再赘述。
特征变换模块22,用于将局部区域图像进行特征变换,得到归一化区域图像;具体的实施方式详见上述实施例步骤S102的描述,在此不再赘述。
检测模块23,用于在归一化区域图像内、外分别进行特征点检测,得到特征点;具体的实施方式详见上述实施例步骤S103的描述,在此不再赘述。
匹配模块24,用于根据归一化区域图像内、外的特征点对参考影像和待匹配影像的特征点进行匹配,得到匹配结果;具体的实施方式详见上述实施例步骤S104的描述,在此不再赘述。
确定模块25,用于根据特征点的匹配结果确定待匹配影像和参考影像的匹配结果。具体的实施方式详见上述实施例步骤S105的描述,在此不再赘述。
本发明实施例提供的影像匹配装置,通过分别获取参考影像和待匹配影像的局部区域图像,将整幅影像分解为一些局部区域图像的集合,对参考影像和待匹配影像进行离线的多尺度特征提取;然后考虑图像的角度、对比度、环境等场景特征,将局部区域图像进行特征变换,得到归一化区域图像,使得处理后的局部区域图像之间由最初的视角变化简化为尺度和旋转变化,解决影像因角度和尺度问题带来的变形误差;然后在归一化区域图像内、外分别进行特征点检测,得到特征点,使得特征点能够更好地覆盖整幅影像;最后根据归一化区域图像内、外的特征点对参考影像和待匹配影像的特征点进行匹配,得到匹配结果,根据特征点的匹配结果确定待匹配影像和参考影像的匹配结果,大大提高了视频大数据的视角变化大、成像环境复杂等实际问题下的点集匹配的效率和鲁棒性。该影像匹配方法经过实验表明,对视角变化影像之间的匹配具有很强的鲁棒性,即使在很大的程度的视角变化情况下,也能获得较好的匹配效果。
本发明实施例还提供了一种计算机设备,如图5所示,包括:处理器31和存储器32,其中处理器31和存储器32可以通过总线或者其他方式连接,图5中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit,CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器32作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的影像匹配方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的影像匹配方法。
存储器32可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器31所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器32可选包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至处理器31。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的一个或者多个模块存储在存储器32中,当被处理器31执行时,执行如图1所示实施例中的影像匹配方法。
上述计算机设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种影像匹配方法,其特征在于,包括:
分别获取参考影像和待匹配影像的局部区域图像;
将所述局部区域图像进行特征变换,得到归一化区域图像;
在所述归一化区域图像内、外分别进行特征点检测,得到特征点;
根据所述归一化区域图像内、外的特征点对所述参考影像和待匹配影像的特征点进行匹配,得到匹配结果;
根据所述特征点的匹配结果确定所述待匹配影像和所述参考影像的匹配结果;
根据所述归一化区域图像外的特征点对所述参考影像和待匹配影像的特征点进行匹配,包括:
将所述参考影像和待匹配影像的所述归一化区域图像外的特征点分别聚类到所述参考影像和待匹配影像的局部区域内;
根据所述参考影像和待匹配影像的所述归一化区域图像外的特征点所属的局部区域的区域参数分别确定所述参考影像和待匹配影像的归一化区域图像外的特征点的特征区域;
将所述特征区域进行特征变换,得到归一化特征区域图像;
根据归一化特征区域图像对所述归一化区域图像外的特征点进行特征描述;
采用预设特征点匹配方法对所述参考影像和待匹配影像的特征描述后的所述归一化区域图像外的特征点进行匹配。
2.根据权利要求1所述的影像匹配方法,其特征在于,所述分别获取参考影像和待匹配影像的局部区域图像,包括:
获取参考影像和待匹配影像;
利用不同方差高斯卷积核分别对所述参考影像和待匹配影像进行平滑处理和下采样处理,形成高斯尺度金字塔图像;
对各层金字塔图像分别进行最大稳定极值区域检测,得到多个最大稳定极值区域;
根据各最大稳定极值区域的位置和面积剔除各层金字塔图像上重复的最大稳定极值区域;
根据剔除重复的最大稳定极值区域后的各层金字塔图像的最大稳定极值区域形成参考影像和待匹配影像的局部区域图像。
3.根据权利要求2所述的影像匹配方法,其特征在于,所述最大稳定极值区域的位置包括质心位置、主轴的方向和周长,所述根据各最大稳定极值区域的位置和面积剔除各层金字塔图像上重复的最大稳定极值区域,包括:
根据各最大稳定极值区域的质心位置判断相邻层金字塔图像上两个最大稳定极值区域的质心距离是否小于第一预设阈值;
如果相邻层金字塔图像上两个最大稳定极值区域的质心距离小于第一预设阈值,判断所述两个最大稳定极值区域的面积是否满足第一关系式;
如果所述两个最大稳定极值区域的面积满足第一关系式,判断所述两个最大稳定极值区域的主轴的方向、周长是否满足第二关系式;
如果所述两个最大稳定极值区域的主轴的方向、周长满足第二关系式,确定所述两个最大稳定极值区域为相同的最大稳定极值区域,并剔除所述两个最大稳定极值区域中的其中任意一个。
4.根据权利要求1所述的影像匹配方法,其特征在于,所述将所述参考影像和待匹配影像的所述归一化区域图像外的特征点分别聚类到所述参考影像和待匹配影像的局部区域内,包括:
分别计算所述参考影像和待匹配影像的所述归一化区域图像外的各特征点至各局部区域中心点的距离;
判断各特征点至各局部区域中心点的最小距离和次小距离的比值是否小于第二预设阈值;
如果各特征点至各局部区域中心点的最小距离和次小距离的比值小于第二预设阈值,确定各特征点属于最小距离对应的局部区域。
5.根据权利要求4所述的影像匹配方法,其特征在于,
如果各特征点至各局部区域中心点的最小距离和次小距离的比值大于或等于第二预设阈值,确定各特征点属于最小距离对应的局部区域和次小距离对应的局部区域。
6.根据权利要求1-5任一项所述的影像匹配方法,其特征在于,在所述根据所述归一化区域内、外的特征点对所述参考影像和待匹配影像的特征点进行匹配之后,还包括:
基于极几何约束的方法对匹配后的初始匹配点进行提纯处理,得到最终匹配点。
7.一种影像匹配装置,其特征在于,包括:
获取模块,用于分别获取参考影像和待匹配影像的局部区域图像;
特征变换模块,用于将所述局部区域图像进行特征变换,得到归一化区域图像;
检测模块,用于在所述归一化区域图像内、外分别进行特征点检测,得到特征点;
匹配模块,用于根据所述归一化区域图像内、外的特征点对所述参考影像和待匹配影像的特征点进行匹配,得到匹配结果;
确定模块,用于根据所述特征点的匹配结果确定所述待匹配影像和所述参考影像的匹配结果;
根据所述归一化区域图像外的特征点对所述参考影像和待匹配影像的特征点进行匹配,包括:
将所述参考影像和待匹配影像的所述归一化区域图像外的特征点分别聚类到所述参考影像和待匹配影像的局部区域内;
根据所述参考影像和待匹配影像的所述归一化区域图像外的特征点所属的局部区域的区域参数分别确定所述参考影像和待匹配影像的归一化区域图像外的特征点的特征区域;
将所述特征区域进行特征变换,得到归一化特征区域图像;
根据归一化特征区域图像对所述归一化区域图像外的特征点进行特征描述;
采用预设特征点匹配方法对所述参考影像和待匹配影像的特征描述后的所述归一化区域图像外的特征点进行匹配。
8.一种计算机设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-6任意一项所述的影像匹配方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-6任意一项所述的影像匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010677868.0A CN111915645B (zh) | 2020-07-14 | 2020-07-14 | 影像匹配方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010677868.0A CN111915645B (zh) | 2020-07-14 | 2020-07-14 | 影像匹配方法、装置、计算机设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915645A CN111915645A (zh) | 2020-11-10 |
CN111915645B true CN111915645B (zh) | 2021-08-27 |
Family
ID=73280273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010677868.0A Active CN111915645B (zh) | 2020-07-14 | 2020-07-14 | 影像匹配方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915645B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381785A (zh) * | 2020-11-12 | 2021-02-19 | 北京一起教育科技有限责任公司 | 一种图像检测方法、装置及电子设备 |
CN114866853B (zh) * | 2022-04-12 | 2024-07-02 | 咪咕文化科技有限公司 | 直播互动方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310439A (zh) * | 2013-05-09 | 2013-09-18 | 浙江大学 | 一种基于尺度空间的图像最稳极值区域检测方法 |
CN103400384A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 结合区域匹配和点匹配的大视角图像匹配方法 |
CN104700401A (zh) * | 2015-01-30 | 2015-06-10 | 天津科技大学 | 一种基于K-Means聚类法的图像仿射变换控制点选取方法 |
CN106529591A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于改进的mser图像匹配算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7382897B2 (en) * | 2004-04-27 | 2008-06-03 | Microsoft Corporation | Multi-image feature matching using multi-scale oriented patches |
-
2020
- 2020-07-14 CN CN202010677868.0A patent/CN111915645B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310439A (zh) * | 2013-05-09 | 2013-09-18 | 浙江大学 | 一种基于尺度空间的图像最稳极值区域检测方法 |
CN103400384A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 结合区域匹配和点匹配的大视角图像匹配方法 |
CN104700401A (zh) * | 2015-01-30 | 2015-06-10 | 天津科技大学 | 一种基于K-Means聚类法的图像仿射变换控制点选取方法 |
CN106529591A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于改进的mser图像匹配算法 |
Also Published As
Publication number | Publication date |
---|---|
CN111915645A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097050B (zh) | 行人检测方法、装置、计算机设备及存储介质 | |
CN109784250B (zh) | 自动引导小车的定位方法和装置 | |
CN113128610B (zh) | 一种工业零件位姿估计方法及*** | |
US9996755B2 (en) | Method and image processing apparatus for image-based object feature description | |
CN110222572B (zh) | 跟踪方法、装置、电子设备及存储介质 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN112446379B (zh) | 一种动态大场景自适应智能处理方法 | |
CN110738222B (zh) | 图像匹配方法、装置、计算机设备和存储介质 | |
CN109447117B (zh) | 双层车牌识别方法、装置、计算机设备及存储介质 | |
CN111915645B (zh) | 影像匹配方法、装置、计算机设备及计算机可读存储介质 | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN114743259A (zh) | 位姿估计方法、位姿估计***、终端、存储介质及应用 | |
CN111369605A (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和*** | |
Zhang et al. | An improved vehicle panoramic image generation algorithm | |
CN111199558A (zh) | 一种基于深度学习的图像匹配方法 | |
Flenner et al. | Resampling forgery detection using deep learning and a-contrario analysis | |
CN110516731B (zh) | 一种基于深度学习的视觉里程计特征点检测方法及*** | |
CN113763274B (zh) | 一种联合局部相位锐度定向描述的多源图像匹配方法 | |
Ihmeida et al. | Image registration techniques and applications: Comparative study on remote sensing imagery | |
CN116229406B (zh) | 车道线检测方法、***、电子设备及存储介质 | |
Zedan et al. | Copy move forgery detection techniques: a comprehensive survey of challenges and future directions | |
CN114998630B (zh) | 一种从粗到精的地对空图像配准方法 | |
CN111768436B (zh) | 一种基于Faster-RCNN改进的图像特征块配准方法 | |
CN113033256B (zh) | 一种指尖检测模型的训练方法和设备 | |
Wu et al. | An accurate feature point matching algorithm for automatic remote sensing image registration |
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 |