CN112257714B - 一种针对非刚性变化图像的模板匹配方法 - Google Patents

一种针对非刚性变化图像的模板匹配方法 Download PDF

Info

Publication number
CN112257714B
CN112257714B CN202011271907.3A CN202011271907A CN112257714B CN 112257714 B CN112257714 B CN 112257714B CN 202011271907 A CN202011271907 A CN 202011271907A CN 112257714 B CN112257714 B CN 112257714B
Authority
CN
China
Prior art keywords
point
pixel point
template
pixel
point set
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
Application number
CN202011271907.3A
Other languages
English (en)
Other versions
CN112257714A (zh
Inventor
杜振龙
王姣姣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN202011271907.3A priority Critical patent/CN112257714B/zh
Publication of CN112257714A publication Critical patent/CN112257714A/zh
Application granted granted Critical
Publication of CN112257714B publication Critical patent/CN112257714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

一种针对非刚性变化图像的模板匹配方法，该方法包括以下步骤：步骤1、选择任一图像作为参考图像并在参考图像中选择感兴趣对象作为模板；选择另外一张非刚性变化图像，所述非刚性变化图像中含有前述感兴趣对象且感兴趣对象产生形变或运动；采用模板并基于滑动窗口方法对非刚性变化图像进行分割，得到多个分割后的滑动窗口区域；步骤2、计算模板和分割后的各滑动窗口区域之间的相似性参数BBS，选择相似性参数BBS的期望为最大值的滑动窗口作为匹配结果，在非刚性变化的图像中准确获取感兴趣的对象。本发明的算法可以抵抗复杂的几何变形和高水平的异常值，如背景杂乱和遮挡引起的异常值，实现准确匹配。

Description

一种针对非刚性变化图像的模板匹配方法
技术领域
本发明涉及图像处理技术领域，更具体地，涉及一种针对非刚性变化图像的模板匹配方法。
背景技术
目标的识别与定位是机器视觉和图像处理领域中研究的重要内容，图像模板匹配技术在军事、飞机导航、医疗诊断、雷达目标跟踪、工业生产线、安防监控等领域具有重要的实用价值；目前，模板匹配算法主要采用归一化互相关匹配算法和不变矩特征匹配法。
归一化互相关匹配算法：通过计算模板和待匹配图像的互相关值来确定匹配的程度，互相关值最大时的搜索窗口位置决定了模板图像在待匹配图像中的位置。这种算法具有抵抗噪声和图像亮度变化的强鲁棒性,但该算法计算复杂度高，匹配耗时。
不变矩特征匹配法：对目标旋转、尺度变化等因素不敏感，在动态情况下可以实现很好的匹配效果，但基于特征的图像匹配方法结构复杂、计算量较大。
传统的模板匹配方法容易受到如光照等环境因素的影响，对目标的姿态变换和遮挡等因素非常敏感，并且难以提取基于形状和基于内容的特征向量。针对一些非刚性变化的图像，传统的模板匹配方法都不能进行准确的模板匹配，方法复杂且十分费时。
发明内容
本发明的目的是针对上述的问题，提出一种针对非刚性变化图像的模板匹配方法。
本发明的技术方案是：
本发明提供一种针对非刚性变化图像的模板匹配方法，该方法包括以下步骤：
步骤1、选择任一图像作为参考图像并在参考图像中选择感兴趣对象作为模板；选择另外一张非刚性变化图像，所述非刚性变化图像中含有前述感兴趣对象且感兴趣对象产生形变或运动；采用模板并基于滑动窗口方法对非刚性变化图像进行分割，得到多个分割后的滑动窗口区域；
步骤2、计算模板和分割后的各滑动窗口区域之间的相似性参数BBS，选择相似性参数BBS的期望为最大值的滑动窗口作为匹配结果，在非刚性变化的图像中准确获取感兴趣的对象。
进一步地，步骤1具体为：
步骤101：读入参考图像Iref，选择感兴趣的对象rect；
步骤102：将感兴趣的对象rect作为模板T；
步骤103：读入含感兴趣对象rect产生非刚性变化的图像I，非刚性变化图像I为参考图像Iref的同一场景；
步骤104：采用模板T对非刚性变化图像I进行分割，并在模板T和非刚性变化图像I分割后的多个滑动窗口区域中绘制点集P和Q。
进一步地，步骤104中，采用模板T对非刚性变化图像I进行分割，得到每个区域的大小和模板的大小相同。
进一步地，在步骤104之前，调整非刚性变化图像I的大小，使非刚性变化图像I能够被模板T的大小pz整除；pz表示模板尺寸，设置为3。
进一步地，步骤104中，所述点集P中每个像素点包含像素的RGB值和位置值xy；所述非刚性变化图像分割后的区域数量表示为k，k个区域的点集分别表示为：为Q1,Q2,Q3,…Qk。
进一步地，步骤2中：针对模板和分割后的滑动窗口区域进行相似性度量，计算相似性参数BBS；具体包括：
步骤201、针对点集P和任一点集Q，计算点集P和点集Q中任意两个点之间的距离d(pi,qj)：
其中，i表示点集P中像素点的编号，j表示点集Q中像素点的编号；A指像素点pi、qj的RGB值，L指像素点pi、qj在x轴和y轴上的坐标值，表示pi、qj两个像素点的RGB值之间的二范数，/>表示pi、qj两个像素点位置之间的二范数，λ表示参考系数；
步骤202、遍历点集P，对每个像素点pi分别获取其在Q点集中距离最近的像素点qj,将pi和qj作为一组BBP相似点对；按照下述公式，获取Q点集中的像素点qj在P点集中距离最近的像素点，当该像素点为pi时，最近邻匹配点对的系数bb为1，否则为0：
其中，NN(pi,Q)表示对像素点pi获取其在Q点集中距离最近的像素点qj，NN(qj,P)＝pi表示对像素点qj获取其在P点集中距离最近的像素点pi；∧表示并且满足；
步骤203、根据点集P和点集Q之间的最近邻匹配点对的系数bb，计算两个点集之间的相似性参数BBS：
其中，M代表点集P中像素点总数，N代表点集Q中像素点总数；
步骤204、采用下述公式计算点集P和点集Q之间的相似性参数BBS的期望E[BBS(P,Q)]：
其中，E[bbi,j(P,Q)]代表最近邻匹配点对的系数bb的期望；
步骤205、对于k个点集Q，分别按照步骤201至步骤204进行计算，获取k个点集Q与点集P对应的相似性参数BBS的期望E[BBS(P,Q)]，在k个相似性参数BBS的期望E[BBS(P,Q)]中选取最大值对应的点集作为匹配结果，获取该点集对应滑动窗口中的感兴趣对象。
进一步地，步骤204中，采用下述公式计算点集P和点集Q之间最近邻匹配点对的系数bb的期望E[bbi,j(P,Q)]：
其中：Pr{P}代表点集P的概率分布，Pr{Q}代表点集Q的概率分布；p-代表像素点p位置值与像素点p和q距离值之间的差；p+代表像素点p位置值与像素点p和q距离值之间的和；q-代表像素点q位置值与像素点p和q距离值之间的差；q+代表像素点q位置值与像素点p和q距离值之间的和；FQ(p-)代表像素点p位置值与像素点p和q距离值之间的差的概率值；FQ(p+)代表像素点p位置值与像素点p和q距离值之间的和的概率值；FP(q-)代表像素点q位置值与像素点p和q距离值之间的差的概率值；FP(q+)代表像素点q位置值与像素点p和q距离值之间的和的概率值。
进一步地，参考图像中有实际物体且参考图像为非单一图像图。
本发明的有益效果：
本发明提供一种针对非刚性变化图像的模板匹配方法，在参考图像中选择感兴趣的对象作为模板，再选择另外一张感兴趣对象产生非刚性变化的图像，针对两张图像中相同的对象进行相似性度量，最后准确匹配感兴趣的对象。与目前已有的模板匹配算法相比，本发明的算法可以抵抗复杂的几何变形和高水平的异常值，例如背景杂乱和遮挡引起的异常值，实现准确的匹配。并不易受到如光照环境的影响，可以提取基于形状的和基于内容特征的特征向量，容易确定搜索目标。
本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。
图1示出了本发明的图像模板匹配方法的流程示意图。
具体实施方式
下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
一种针对非刚性变化图像的模板匹配方法，该方法包括以下步骤:
步骤1、选择任一图像作为参考图像并在参考图像中选择感兴趣对象作为模板；选择另外一张非刚性变化图像，所述非刚性变化图像中含有前述感兴趣对象且感兴趣对象产生形变或运动；采用模板并基于滑动窗口方法对非刚性变化图像进行分割，得到多个分割后的滑动窗口区域。
步骤1具体为：
步骤101：读入参考图像Iref，选择感兴趣的对象rect；
步骤102：将感兴趣的对象rect作为模板T；
步骤103：读入含感兴趣对象rect产生非刚性变化的图像I，非刚性变化图像I为参考图像Iref的同一场景；
步骤104：采用模板T对非刚性变化图像I进行分割，并在模板T和非刚性变化图像I分割后的多个滑动窗口区域中绘制点集P和Q。
采用模板T对非刚性变化图像I进行分割，得到每个区域的大小和模板的大小相同。且在步骤104之前，调整非刚性变化图像I的大小，使非刚性变化图像I能够被模板T的大小pz整除；pz表示模板尺寸，设置为3。点集P中每个像素点包含像素的RGB值和位置值xy；所述非刚性变化图像分割后的区域数量表示为k，k个区域的点集分别表示为：为Q1,Q2,Q3,…Qk。
步骤2、计算模板和分割后的各滑动窗口区域之间的相似性参数BBS，选择相似性参数BBS的期望为最大值的滑动窗口作为匹配结果，在非刚性变化的图像中准确获取感兴趣的对象。
步骤2具体为：
步骤201、针对点集P和任一点集Q，计算点集P和点集Q中任意两个点之间的距离d(pi,qj)：
其中，i表示点集P中像素点的编号，j表示点集Q中像素点的编号；A指像素点pi、qj的RGB值，L指像素点pi、qj在x轴和y轴上的坐标值，表示pi、qj两个像素点的RGB值之间的二范数，/>表示pi、qj两个像素点位置之间的二范数，λ表示参考系数；
步骤202、遍历点集P，对每个像素点pi分别获取其在Q点集中距离最近的像素点qj,将pi和qj作为一组BBP相似点对；按照下述公式，获取Q点集中的像素点qj在P点集中距离最近的像素点，当该像素点为pi时，最近邻匹配点对的系数bb为1，否则为0：
其中，NN(pi,Q)表示对像素点pi获取其在Q点集中距离最近的像素点qj，NN(qj,P)＝pi表示对像素点qj获取其在P点集中距离最近的像素点pi；∧表示并且满足；
步骤203、根据点集P和点集Q之间的最近邻匹配点对的系数bb，计算两个点集之间的相似性参数BBS：
其中，M代表点集P中像素点总数，N代表点集Q中像素点总数；
步骤204、采用下述公式计算点集P和点集Q之间的相似性参数BBS的期望E[BBS(P,Q)]：
其中，E[bbi,j(P,Q)]代表最近邻匹配点对的系数bb的期望；
采用下述公式计算点集P和点集Q之间最近邻匹配点对的系数bb的期望E[bbi,j(P,Q)]：
其中：Pr{P}代表点集P的概率分布，Pr{Q}代表点集Q的概率分布；p-代表像素点p位置值与像素点p和q距离值之间的差；p+代表像素点p位置值与像素点p和q距离值之间的和；q-代表像素点q位置值与像素点p和q距离值之间的差；q+代表像素点q位置值与像素点p和q距离值之间的和；FQ(p-)代表像素点p位置值与像素点p和q距离值之间的差的概率值；FQ(p+)代表像素点p位置值与像素点p和q距离值之间的和的概率值；FP(q-)代表像素点q位置值与像素点p和q距离值之间的差的概率值；FP(q+)代表像素点q位置值与像素点p和q距离值之间的和的概率值。
步骤205、对于k个点集Q，分别按照步骤201至步骤204进行计算，获取k个点集Q与点集P对应的相似性参数BBS的期望E[BBS(P,Q)]，在k个相似性参数BBS的期望E[BBS(P,Q)]中选取最大值对应的点集作为匹配结果，获取该点集对应滑动窗口中的感兴趣对象。
工作原理如下：
算法运行，首先在参考图像中选择感兴趣的对象作为模板；选择另外一张感兴趣对象产生非刚性变化的图像；将搜索模板叠放在被搜索图上进行平移；计算两个区域的相似性：针对两张图像中相同的对象进行相似性度量，计算他们之间的相似度BBS，成功进行匹配，输出匹配结果。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (5)

1.一种针对非刚性变化图像的模板匹配方法，其特征在于，该方法包括以下步骤:
步骤1、选择任一图像作为参考图像并在参考图像中选择感兴趣对象作为模板；选择另外一张非刚性变化图像，所述非刚性变化图像中含有前述感兴趣对象且感兴趣对象产生形变或运动；采用模板并基于滑动窗口方法对非刚性变化图像进行分割，得到多个分割后的滑动窗口区域；
步骤2、计算模板和分割后的各滑动窗口区域之间的相似性参数BBS，选择相似性参数BBS的期望为最大值的滑动窗口作为匹配结果，在非刚性变化的图像中准确获取感兴趣的对象；
步骤1具体为：
步骤101：读入参考图像Iref，选择感兴趣的对象rect；
步骤102：将感兴趣的对象rect作为模板T；
步骤103：读入含感兴趣对象rect产生非刚性变化的图像I，非刚性变化图像I为参考图像Iref的同一场景；
步骤104：采用模板T对非刚性变化图像I进行分割，并在模板T和非刚性变化图像I分割后的多个滑动窗口区域中绘制点集P和Q；
步骤2中：针对模板和分割后的滑动窗口区域进行相似性度量，计算相似性参数BBS；具体包括：
步骤201、针对点集P和任一点集Q，计算点集P和点集Q中任意两个点之间的距离d(pi,qj)：
其中，i表示点集P中像素点的编号，j表示点集Q中像素点的编号；A指像素点pi、qj的RGB值，L指像素点pi、qj在x轴和y轴上的坐标值，表示pi、qj两个像素点的RGB值之间的二范数，/>表示pi、qj两个像素点位置之间的二范数，λ表示参考系数；
步骤202、遍历点集P，对每个像素点pi分别获取其在Q点集中距离最近的像素点qj,将pi和qj作为一组BBP相似点对；按照下述公式，获取Q点集中的像素点qj在P点集中距离最近的像素点，当该像素点为pi时，最近邻匹配点对的系数bb为1，否则为0：
其中，NN(pi,Q)表示对像素点pi获取其在Q点集中距离最近的像素点qj，NN(qj,P)＝pi表示对像素点qj获取其在P点集中距离最近的像素点pi；∧表示并且满足；
步骤203、根据点集P和点集Q之间的最近邻匹配点对的系数bb，计算两个点集之间的相似性参数BBS：
其中，M代表点集P中像素点总数，N代表点集Q中像素点总数；
步骤204、采用下述公式计算点集P和点集Q之间的相似性参数BBS的期望E[BBS(P,Q)]：
其中，E[bbi,j(P,Q)]代表最近邻匹配点对的系数bb的期望；
步骤205、对于k个点集Q，分别按照步骤201至步骤204进行计算，获取k个点集Q与点集P对应的相似性参数BBS的期望E[BBS(P,Q)]，在k个相似性参数BBS的期望E[BBS(P,Q)]中选取最大值对应的点集作为匹配结果，获取该点集对应滑动窗口中的感兴趣对象；
步骤204中，采用下述公式计算点集P和点集Q之间最近邻匹配点对的系数bb的期望E[bbi,j(P,Q)]：
其中：Pr{P}代表点集P的概率分布，Pr{Q}代表点集Q的概率分布；p-代表像素点p位置值与像素点p和q距离值之间的差；p+代表像素点p位置值与像素点p和q距离值之间的和；q-代表像素点q位置值与像素点p和q距离值之间的差；q+代表像素点q位置值与像素点p和q距离值之间的和；FQ(p-)代表像素点p位置值与像素点p和q距离值之间的差的概率值；FQ(p+)代表像素点p位置值与像素点p和q距离值之间的和的概率值；FP(q-)代表像素点q位置值与像素点p和q距离值之间的差的概率值；FP(q+)代表像素点q位置值与像素点p和q距离值之间的和的概率值。
2.根据权利要求1所述的针对非刚性变化图像的模板匹配方法，其特征在于，步骤104中，采用模板T对非刚性变化图像I进行分割，得到每个区域的大小和模板的大小相同。
3.根据权利要求1所述的针对非刚性变化图像的模板匹配方法，其特征在于，在步骤104之前，调整非刚性变化图像I的大小，使非刚性变化图像I能够被模板T的大小pz整除；pz表示模板尺寸，设置为3。
4.根据权利要求1所述的针对非刚性变化图像的模板匹配方法，其特征在于，步骤104中，所述点集P中每个像素点包含像素的RGB值和位置值xy；所述非刚性变化图像分割后的区域数量表示为k，k个区域的点集分别表示为：为Q1,Q2,Q3,…Qk。
5.根据权利要求1所述的针对非刚性变化图像的模板匹配方法，其特征在于，参考图像中有实际物体且参考图像为非单一图像图。
CN202011271907.3A 2020-11-13 2020-11-13 一种针对非刚性变化图像的模板匹配方法 Active CN112257714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011271907.3A CN112257714B (zh) 2020-11-13 2020-11-13 一种针对非刚性变化图像的模板匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011271907.3A CN112257714B (zh) 2020-11-13 2020-11-13 一种针对非刚性变化图像的模板匹配方法

Publications (2)

Publication Number Publication Date
CN112257714A CN112257714A (zh) 2021-01-22
CN112257714B true CN112257714B (zh) 2023-10-10

Family

ID=74265780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011271907.3A Active CN112257714B (zh) 2020-11-13 2020-11-13 一种针对非刚性变化图像的模板匹配方法

Country Status (1)

Country Link
CN (1) CN112257714B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007001884A2 (en) * 2005-06-20 2007-01-04 Honda Motor Co., Ltd. Direct method for modeling non-rigid motion with thin film plate spline transformation
CN102136142A (zh) * 2011-03-16 2011-07-27 内蒙古科技大学 基于自适应三角形网格的非刚性医学图像配准方法
CN104732546A (zh) * 2015-04-02 2015-06-24 西安电子科技大学 区域相似性和局部空间约束的非刚性sar图像配准方法
CN108053431A (zh) * 2018-02-24 2018-05-18 中原工学院 一种基于梯度分布的非刚体医学图像配准方法
CN109800787A (zh) * 2018-12-14 2019-05-24 西安交通大学 基于相对特征距离误差度量的图像模板匹配方法
CN111738321A (zh) * 2020-06-12 2020-10-02 腾讯音乐娱乐科技（深圳）有限公司 数据处理方法、装置、终端设备以及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007001884A2 (en) * 2005-06-20 2007-01-04 Honda Motor Co., Ltd. Direct method for modeling non-rigid motion with thin film plate spline transformation
CN102136142A (zh) * 2011-03-16 2011-07-27 内蒙古科技大学 基于自适应三角形网格的非刚性医学图像配准方法
CN104732546A (zh) * 2015-04-02 2015-06-24 西安电子科技大学 区域相似性和局部空间约束的非刚性sar图像配准方法
CN108053431A (zh) * 2018-02-24 2018-05-18 中原工学院 一种基于梯度分布的非刚体医学图像配准方法
CN109800787A (zh) * 2018-12-14 2019-05-24 西安交通大学 基于相对特征距离误差度量的图像模板匹配方法
CN111738321A (zh) * 2020-06-12 2020-10-02 腾讯音乐娱乐科技（深圳）有限公司 数据处理方法、装置、终端设备以及存储介质

Also Published As

Publication number Publication date
CN112257714A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN110097093B (zh) 一种异源图像精确匹配方法
CN110443836B (zh) 一种基于平面特征的点云数据自动配准方法及装置
CN111768447B (zh) 一种基于模板匹配的单目相机物***姿估计方法及***
CN111523547B (zh) 一种3d语义分割的方法及终端
CN111401449B (zh) 一种基于机器视觉的图像匹配方法
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN105631872B (zh) 基于多特征点的遥感图像配准方法
WO1999062024A1 (en) Method of accurately locating the fractional position of a template match point
CN111046843A (zh) 一种智能驾驶环境下的单目测距方法
Kahaki et al. Deformation invariant image matching based on dissimilarity of spatial features
CN114549549A (zh) 一种动态环境下基于实例分割的动态目标建模跟踪方法
CN113313701A (zh) 基于形状先验的电动汽车充电口两阶段视觉检测定位方法
CN114358166B (zh) 一种基于自适应k均值聚类的多目标定位方法
CN113642397B (zh) 一种基于手机视频的物体长度测量方法
CN117496401A (zh) 一种用于视频测量影像序列椭圆形目标点全自动识别与跟踪方法
CN112950527B (zh) 一种基于限定几何关联约束的立体匹配形貌测量方法
CN112257714B (zh) 一种针对非刚性变化图像的模板匹配方法
CN111179271B (zh) 一种基于检索匹配的物体角度信息标注方法及电子设备
CN115731221A (zh) 一种考虑邻域各向异性的自适应红外小目标检测方法
CN115035326A (zh) 一种雷达图像与光学图像精确匹配方法
CN109242910B (zh) 一种基于任意已知平面形状的单目相机自标定方法
Bi [Retracted] A Motion Image Pose Contour Extraction Method Based on B‐Spline Wavelet
CN108596950B (zh) 一种基于主动漂移矫正的刚体目标跟踪方法
CN111915632A (zh) 一种基于机器学习的贫纹理目标物体真值数据库构建方法
Mao et al. Research on robot location based on an improved method of map feature matching

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