CN112926593A - 一种用于动态图像增强呈现中的图像特征处理方法及装置 - Google Patents
一种用于动态图像增强呈现中的图像特征处理方法及装置 Download PDFInfo
- Publication number
- CN112926593A CN112926593A CN202110193780.6A CN202110193780A CN112926593A CN 112926593 A CN112926593 A CN 112926593A CN 202110193780 A CN202110193780 A CN 202110193780A CN 112926593 A CN112926593 A CN 112926593A
- Authority
- CN
- China
- Prior art keywords
- image
- points
- feature
- pixel
- current target
- 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.)
- Pending
Links
Images
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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种用于动态图像增强呈现中的图像特征处理方法,包括获取模板图像和识别图像;根据预设的FAST算法,分别检测出模板图像及识别图像的特征点;根据预设的BRIEF方法,对含有特征关键点的模板图像及识别图像均进行平滑模糊处理,使得模板图像及识别图像各自的特征点均能以二进制编码表征;基于模板图像及识别图像各自以二进制编码表征的特征点,利用汉明距离计算获取模板图像与识别图像之间匹配度符合预定条件的若干特征点,并输出。实施本发明,能降低增强现实模板图像特征提取的算法难度,充分的满足特征提取与匹配的实时性要求,在一定程度上还不受图像环境噪点和变换的影响。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种用于动态图像增强呈现中的图像特征处理方法及装置。
背景技术
增强现实(Augmented Reality)技术是一种通过计算机图形学和计算机视觉的结合,利用图像的特征检测与匹配,并映射三维模型与图像之上的空间虚实融合呈现技术。
作为人类在真实世界中观察事物的维度扩展,增强现实技术能够增强获取事物的数字信息(如包括文字、图像、三维模型、语音等),并通过模拟仿真实现与虚拟物体的动态交互。因此,增强现实技术广泛的应用于传媒娱乐、教育医疗培训、手术虚拟仿真、工业制造辅助、智能驾驶引导等多个领域,为人类的生产生活提供了智能化数字交互便利。
众所周知,增强现实技术需要采集并提取模板图像的有效特征。由于受限硬件设备采集效率和分辨率的影响,因此直接关系到图像识别与模型增强呈现效果。此外,增强现实技术在实际增强应用呈现时,需要克服复杂环境中各种因素对模板图像的识别正确率的影响。由此可见,如何快速准确地对模板图像的特征进行检测与空间定位、虚实遮挡交互及关键区域自然特征提取,并克服环境等因素对增强呈现带来的影响成为研究人员对增强现实技术关注的热点。
目前,国内外相关学者对以上问题进行了深入的研究。传统的增强现实模板图像特征提取主要分为简易标签特征提取与自然特征提取。其中,简易标签特征提取因形式粗陋,很难在实际应用场景中为用户带来良好的体验,逐渐被自然特征提取所替代。然而,自然特征提取尽管逐渐成为了增强现实应用的主角,但是算法复杂度较高,无法满足增强现实应用实时特征匹配的需求,在一定程度上还受图像环境噪点和变换的影响。
因此,有必要提供一种图像特征处理方法,能降低增强现实模板图像特征提取的算法难度,充分的满足特征提取与匹配的实时性要求,在一定程度上还不受图像环境噪点和变换的影响。
发明内容
本发明实施例所要解决的技术问题在于,提供一种用于动态图像增强呈现中的图像特征处理方法及装置,能降低增强现实模板图像特征提取的算法难度,充分的满足特征提取与匹配的实时性要求,在一定程度上还不受图像环境噪点和变换的影响。
为了解决上述技术问题,本发明实施例提供了一种用于动态图像增强呈现中的图像特征处理方法,所述方法包括以下步骤:
获取模板图像和识别图像;
根据预设的FAST算法,分别检测出所述模板图像及所述识别图像的特征点;
根据预设的BRIEF方法,对含有特征关键点的模板图像及识别图像均进行平滑模糊处理,使得所述模板图像及所述识别图像各自的特征点均能以二进制编码表征;
基于所述模板图像及所述识别图像各自以二进制编码表征的特征点,利用汉明距离计算获取所述模板图像与所述识别图像之间匹配度符合预定条件的若干特征点,并输出。
其中,所述根据预设的FAST算法,分别检测出所述模板图像及所述识别图像的特征点的具体步骤包括:
读取当前目标图像;其中,所述当前目标图像为所述模板图像或所述识别图像;
确定当前目标图像中以任意像素点P为圆心、4个像素范围内的圆周,并在所确定的圆周上选取16个像素点的灰度值,且进一步在预设的灰度阈值范围内,对所选的16个像素点的灰度值进行比较;
若判断出有8个及以上的相连像素点的灰度值大于或小于像素点P的灰度值,则将像素点P选为当前目标图像的关键点。
其中,所述根据预设的BRIEF方法,对含有特征点的模板图像及识别图像均进行平滑模糊处理,使得所述模板图像及所述识别图像各自的特征点均能以二进制编码表征的具体步骤包括:
读取当前目标图像;其中,所述当前目标图像为含有特征点的模板图像或含有特征点的识别图像;
以当前目标图像提取的特征点为中心,选取一定比例的窗口,且在所选窗口中任意选取N对像素点,并进一步根据公式(1),比较每一对所选像素点之间的像素值大小,以得到当前目标图像中的特征点均能以二进制编码表征:
其中,P(x1)为随机点x1=(u1,v1)的像素值,P(x2)为随机点x2=(u2,v2)的像素值,ui为像素点i在当前目标图像中的水平坐标值;vi为像素点i在当前目标图像中的垂直坐标值。
其中,所述二进制编码为256bit的二进制编码。
其中,所述基于所述模板图像及所述识别图像各自以二进制编码表征的特征点,利用汉明距离计算获取所述模板图像与所述识别图像之间匹配度符合预定条件的若干特征点,并输出的具体步骤包括:
根据公式(2),计算所述模板图像的特征点与所述识别图像的距离中心点之间的汉明距离:
其中,Pn为所述模板图像的特征点;Pc,i为所述识别图像的距离中心点;
若所计算的汉明距离小于等于预设阙值,则将所述识别图像的距离中心点作为聚类中心点,进一步再与所述聚类中心点下的其他特征点进行匹配计算汉明距离,以获得最佳匹配结果;
如果所计算的汉明距离大于所述设定阙值,则匹配结束,并对所获取的匹配结果进行记录并输出。
本发明实施例还提供了一种用于动态图像增强呈现中的图像特征处理装置,包括:
图像获取单元,用于获取模板图像和识别图像;
图像特征提取单元,用于根据预设的FAST算法,分别检测出所述模板图像及所述识别图像的特征点;
图像特征处理单元,用于根据预设的BRIEF方法,对含有特征关键点的模板图像及识别图像均进行平滑模糊处理,使得所述模板图像及所述识别图像各自的特征点均能以二进制编码表征;
图像特征匹配单元,用于利用汉明距离计算获取所述模板图像与所述识别图像之间匹配度符合预定条件的若干特征点,并输出。
其中,所述图像特征提取单元包括:
第一图像读取模块,用于读取当前目标图像;其中,所述当前目标图像为所述模板图像或所述识别图像;
像素点会对着比较模块,用于确定当前目标图像中以任意像素点P为圆心、4个像素范围内的圆周,并在所确定的圆周上选取16个像素点的灰度值,且进一步在预设的灰度阈值范围内,对所选的16个像素点的灰度值进行比较;
特征关键点提取模块,用于若判断出有8个及以上的相连像素点的灰度值大于或小于像素点P的灰度值,则将像素点P选为当前目标图像的关键点。
其中,所述图像特征处理单元包括:
第二图像读取模块,用于读取当前目标图像;其中,所述当前目标图像为含有特征点的模板图像或含有特征点的识别图像;
特征点处理模块,用于以当前目标图像提取的特征点为中心,选取一定比例的窗口,且在所选窗口中任意选取N对像素点,并进一步根据公式(1),比较每一对所选像素点之间的像素值大小,以得到当前目标图像中的特征点均能以二进制编码表征:
其中,P(x1)为随机点x1=(u1,v1)的像素值,P(x2)为随机点x2=(u2,v2)的像素值,ui为像素点i在当前目标图像中的水平坐标值;vi为像素点i在当前目标图像中的垂直坐标值。
其中,所述图像特征匹配单元包括:
汉明距离计算模块,用于根据公式(2),计算所述模板图像的特征点与所述识别图像的距离中心点之间的汉明距离:
其中,Pn为所述模板图像的特征点;Pc,i为所述识别图像的距离中心点;
特征匹配模块,用于若所计算的汉明距离小于等于预设阙值,则将所述识别图像的距离中心点作为聚类中心点,进一步再与所述聚类中心点下的其他特征点进行匹配计算汉明距离,以获得最佳匹配结果;
匹配结果输出模块,用于如果所计算的汉明距离大于所述设定阙值,则匹配结束,并对所获取的匹配结果进行记录并输出。
实施本发明实施例,具有如下有益效果:
本发明基于FAST(Features from Accelerated Segments Test,加速片段测试的特征)特征点检测与BRIEF(Binary Robust Independent Elementary Features,二进制鲁棒独立基本特征)特征描述向量创建算法,在保证特征点旋转不变性的同时,显著的优化并改进了特征检测的效率和准确性,大大的加快了特征描述符建立的速度,以免采集设备环境因素及图像本身的高频噪点影响二元描述符过于敏感,因此降低了增强现实模板图像特征提取的算法难度,充分的满足特征提取与匹配的实时性要求,在一定程度上还不受图像环境噪点和变换的影响。
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简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种用于动态图像增强呈现中的图像特征处理方法的流程图;
图2为本发明实施例中提供的一种用于动态图像增强呈现中的图像特征处理方法的应用场景中FAST特征点检测结果示意图;
图3为本发明实施例中提供的一种用于动态图像增强呈现中的图像特征处理方法的应用场景中图像不同位置下的特征匹配结果示意图;
图4为本发明实施例中提供的一种用于动态图像增强呈现中的图像特征处理方法的应用场景中实际增强现实环境下的特征匹配结果示意图;
图5为本发明实施例提供的一种用于动态图像增强呈现中的图像特征处理装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提供的一种用于动态图像增强呈现中的图像特征处理方法,所述方法包括以下步骤:
步骤S1、获取模板图像和识别图像;
步骤S2、根据预设的FAST算法,分别检测出所述模板图像及所述识别图像的特征点;
步骤S3、根据预设的BRIEF方法,对含有特征关键点的模板图像及识别图像均进行平滑模糊处理,使得所述模板图像及所述识别图像各自的特征点均能以二进制编码表征;
步骤S4、基于所述模板图像及所述识别图像各自以二进制编码表征的特征点,利用汉明距离计算获取所述模板图像与所述识别图像之间匹配度符合预定条件的若干特征点,并输出。
具体过程为,在步骤S1中,获取模板图像和识别图像。
在步骤S2中,首先,读取当前目标图像;其中,当前目标图像为所述模板图像或所述识别图像;其次,确定当前目标图像中以任意像素点P为圆心、4个像素范围内的圆周,并在所确定的圆周上选取16个像素点的灰度值,且进一步在预设的灰度阈值范围内,对所选的16个像素点的灰度值进行比较;最后,若判断出有8个及以上的相连像素点的灰度值大于或小于像素点P的灰度值,则将像素点P选为当前目标图像的关键点。
实验证明,仅将圆周上四个等距的像素进行比较,与遍历比较16个像素效果相同,但优化搜索时间能够缩短4倍,如图2所示。
在步骤S3中,由于增强现实呈现过程中,尤其是基于移动摄像采集设备的增强现实应用,目标模板图像可能实时在变化,对于方向和大小等尺度的改变,图像特征提取需要在尺度上具备不变性,从而增强图像特征识别的健壮性。FAST提供了图像的旋转和缩放不变性特性,首先对给定模板图像构建图像金字塔,以确保单张图像的多尺度分辨率表达。针对不同金字塔级别的图形进行关键点提取,以该关键点为中心的方框中计算其强度形心,关键点的方向是关键点到强度形心的向量。
因此,采用BRIEF方法,利用高斯核对输入模板图像进行平滑模糊处理,以免采集设备环境因素及图像本身的高频噪点影响二元描述符过于敏感。与传统区域灰度直方图描述特征点的方法相比,大大的加快了特征描述符建立的速度,能够保证在计算资源非常有限的移动终端设备上进行增强现实的特征匹配计算。
此时,首先读取当前目标图像;其中,当前目标图像为含有特征点的模板图像或含有特征点的识别图像;其次,以当前目标图像提取的特征点为中心,选取一定比例(如S*S)的窗口,且在所选窗口中任意选取N对像素点,并进一步根据公式(1),比较每一对所选像素点之间的像素值大小,以得到当前目标图像中的特征点均能以二进制编码表征:
其中,P(x1)为随机点x1=(u1,v1)的像素值,P(x2)为随机点x2=(u2,v2)的像素值,ui为像素点i在当前目标图像中的水平坐标值;vi为像素点i在当前目标图像中的垂直坐标值。
经过以上特征提取算法,对于模板图像和识别图像的每一个特征点都可以得到一个256bit的二进制特征描述代码,对有相似或重叠部分的两幅图像进行配准。
在步骤S4中,特征配准一般采用汉明距离进行判别,即:1.两个特征编码对应位上相同元素的个数小于128的,一定不是配对特征点;2.模板图像特征点与识别图像上特征编码对应位上相同元素的个数最多的特征点配成一对。汉明距离越小,证明匹配精度越高。
此时,首先根据公式(2),计算模板图像的特征点与识别图像的距离中心点之间的汉明距离:
其中,Pn为所述模板图像的特征点;Pc,i为所述识别图像的距离中心点;
然后,若所计算的汉明距离小于等于预设阙值,则将识别图像的距离中心点作为聚类中心点,进一步再与该聚类中心点下的其他特征点进行匹配计算汉明距离,以获得最佳匹配结果;
最后,如果所计算的汉明距离大于设定阙值,则匹配结束,并对所获取的匹配结果进行记录并输出。
如图3和图4所示,分别为不同场景下的特征匹配结果。在图3中,呈现图像不同位置场景下的特征匹配结果;在图4中,呈现实际增强现实应用场景中的特征匹配结果。
可以理解的是,为了实现在终端即可实现动态图像的增强呈现效果,可以进一步对于待展示的空间模型进行建模,如通过使用Unity 3D内嵌几何模型工具进行简单模型的生成,或利用3D MAX、MAYA、BLENDER等第三方建模工具进行模型创建;接着,对于待展示动态图像进行关键帧提取,并映射于空间模型表面。此处动态图像的生成,可以通过Photoshop进行创建生成GIF格式图像,并使用关键帧动画插值技术,对于类似视频、动画等动态图像,平均提取其特征最大化的关键帧图像,并通过线性插值算法进行关键帧之间的动态图像补齐并生成;最后,通过配置Vuforia SDK在Unity3D中的运行环境,进行打包生成相应平台的增强现实应用程序,用于Android移动终端的应用。
如图5所示,为本发明实施例中,提供的一种用于动态图像增强呈现中的图像特征处理装置,包括:
图像获取单元110,用于获取模板图像和识别图像;
图像特征提取单元120,用于根据预设的FAST算法,分别检测出所述模板图像及所述识别图像的特征点;
图像特征处理单元130,用于根据预设的BRIEF方法,对含有特征关键点的模板图像及识别图像均进行平滑模糊处理,使得所述模板图像及所述识别图像各自的特征点均能以二进制编码表征;
图像特征匹配单元140,用于基于所述模板图像及所述识别图像各自以二进制编码表征的特征点,利用汉明距离计算获取所述模板图像与所述识别图像之间匹配度符合预定条件的若干特征点,并输出。
其中,所述图像特征提取单元包括:
第一图像读取模块,用于读取当前目标图像;其中,所述当前目标图像为所述模板图像或所述识别图像;
像素点会对着比较模块,用于确定当前目标图像中以任意像素点P为圆心、4个像素范围内的圆周,并在所确定的圆周上选取16个像素点的灰度值,且进一步在预设的灰度阈值范围内,对所选的16个像素点的灰度值进行比较;
特征关键点提取模块,用于若判断出有8个及以上的相连像素点的灰度值大于或小于像素点P的灰度值,则将像素点P选为当前目标图像的关键点。
其中,所述图像特征处理单元包括:
第二图像读取模块,用于读取当前目标图像;其中,所述当前目标图像为含有特征点的模板图像或含有特征点的识别图像;
特征点处理模块,用于以当前目标图像提取的特征点为中心,选取一定比例的窗口,且在所选窗口中任意选取N对像素点,并进一步根据公式(1),比较每一对所选像素点之间的像素值大小,以得到当前目标图像中的特征点均能以二进制编码表征:
其中,P(x1)为随机点x1=(u1,v1)的像素值,P(x2)为随机点x2=(u2,v2)的像素值,ui为像素点i在当前目标图像中的水平坐标值;vi为像素点i在当前目标图像中的垂直坐标值。
其中,所述图像特征匹配单元包括:
汉明距离计算模块,用于根据公式(2),计算所述模板图像的特征点与所述识别图像的距离中心点之间的汉明距离:
其中,Pn为所述模板图像的特征点;Pc,i为所述识别图像的距离中心点;
特征匹配模块,用于若所计算的汉明距离小于等于预设阙值,则将所述识别图像的距离中心点作为聚类中心点,进一步再与所述聚类中心点下的其他特征点进行匹配计算汉明距离,以获得最佳匹配结果;
匹配结果输出模块,用于如果所计算的汉明距离大于所述设定阙值,则匹配结束,并对所获取的匹配结果进行记录并输出。
实施本发明实施例,具有如下有益效果:
本发明基于FAST(Features from Accelerated Segments Test,加速片段测试的特征)特征点检测与BRIEF(Binary Robust Independent Elementary Features,二进制鲁棒独立基本特征)特征描述向量创建算法,在保证特征点旋转不变性的同时,显著的优化并改进了特征检测的效率和准确性,大大的加快了特征描述符建立的速度,以免采集设备环境因素及图像本身的高频噪点影响二元描述符过于敏感,因此降低了增强现实模板图像特征提取的算法难度,充分的满足特征提取与匹配的实时性要求,在一定程度上还不受图像环境噪点和变换的影响。
值得注意的是,上述装置实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (9)
1.一种用于动态图像增强呈现中的图像特征处理方法,其特征在于,所述方法包括以下步骤:
获取模板图像和识别图像;
根据预设的FAST算法,分别检测出所述模板图像及所述识别图像的特征点;
根据预设的BRIEF方法,对含有特征关键点的模板图像及识别图像均进行平滑模糊处理,使得所述模板图像及所述识别图像各自的特征点均能以二进制编码表征;
基于所述模板图像及所述识别图像各自以二进制编码表征的特征点,利用汉明距离计算获取所述模板图像与所述识别图像之间匹配度符合预定条件的若干特征点,并输出。
2.如权利要求1所述的用于动态图像增强呈现中的图像特征处理方法,其特征在于,所述根据预设的FAST算法,分别检测出所述模板图像及所述识别图像的特征点的具体步骤包括:
读取当前目标图像;其中,所述当前目标图像为所述模板图像或所述识别图像;
确定当前目标图像中以任意像素点P为圆心、4个像素范围内的圆周,并在所确定的圆周上选取16个像素点的灰度值,且进一步在预设的灰度阈值范围内,对所选的16个像素点的灰度值进行比较;
若判断出有8个及以上的相连像素点的灰度值大于或小于像素点P的灰度值,则将像素点P选为当前目标图像的关键点。
3.如权利要求1所述的用于动态图像增强呈现中的图像特征处理方法,其特征在于,所述根据预设的BRIEF方法,对含有特征点的模板图像及识别图像均进行平滑模糊处理,使得所述模板图像及所述识别图像各自的特征点均能以二进制编码表征的具体步骤包括:
读取当前目标图像;其中,所述当前目标图像为含有特征点的模板图像或含有特征点的识别图像;
以当前目标图像提取的特征点为中心,选取一定比例的窗口,且在所选窗口中任意选取N对像素点,并进一步根据公式(1),比较每一对所选像素点之间的像素值大小,以得到当前目标图像中的特征点均能以二进制编码表征:
其中,P(x1)为随机点x1=(u1,v1)的像素值,P(x2)为随机点x2=(u2,v2)的像素值,ui为像素点i在当前目标图像中的水平坐标值;vi为像素点i在当前目标图像中的垂直坐标值。
4.如权利要求3所述的用于动态图像增强呈现中的图像特征处理方法,其特征在于,所述二进制编码为256bit的二进制编码。
5.如权利要求1所述的用于动态图像增强呈现中的图像特征处理方法,其特征在于,所述基于所述模板图像及所述识别图像各自以二进制编码表征的特征点,利用汉明距离计算获取所述模板图像与所述识别图像之间匹配度符合预定条件的若干特征点,并输出的具体步骤包括:
根据公式(2),计算所述模板图像的特征点与所述识别图像的距离中心点之间的汉明距离:
其中,Pn为所述模板图像的特征点;Pc,i为所述识别图像的距离中心点;
若所计算的汉明距离小于等于预设阙值,则将所述识别图像的距离中心点作为聚类中心点,进一步再与所述聚类中心点下的其他特征点进行匹配计算汉明距离,以获得最佳匹配结果;
如果所计算的汉明距离大于所述设定阙值,则匹配结束,并对所获取的匹配结果进行记录并输出。
6.一种用于动态图像增强呈现中的图像特征处理装置,其特征在于,包括:
图像获取单元,用于获取模板图像和识别图像;
图像特征提取单元,用于根据预设的FAST算法,分别检测出所述模板图像及所述识别图像的特征点;
图像特征处理单元,用于根据预设的BRIEF方法,对含有特征关键点的模板图像及识别图像均进行平滑模糊处理,使得所述模板图像及所述识别图像各自的特征点均能以二进制编码表征;
图像特征匹配单元,用于基于所述模板图像及所述识别图像各自以二进制编码表征的特征点,利用汉明距离计算获取所述模板图像与所述识别图像之间匹配度符合预定条件的若干特征点,并输出。
7.如权利要求6所述的用于动态图像增强呈现中的图像特征处理装置,其特征在于,所述图像特征提取单元包括:
第一图像读取模块,用于读取当前目标图像;其中,所述当前目标图像为所述模板图像或所述识别图像;
像素点会对着比较模块,用于确定当前目标图像中以任意像素点P为圆心、4个像素范围内的圆周,并在所确定的圆周上选取16个像素点的灰度值,且进一步在预设的灰度阈值范围内,对所选的16个像素点的灰度值进行比较;
特征关键点提取模块,用于若判断出有8个及以上的相连像素点的灰度值大于或小于像素点P的灰度值,则将像素点P选为当前目标图像的关键点。
8.如权利要求6所述的用于动态图像增强呈现中的图像特征处理装置,其特征在于,所述图像特征处理单元包括:
第二图像读取模块,用于读取当前目标图像;其中,所述当前目标图像为含有特征点的模板图像或含有特征点的识别图像;
特征点处理模块,用于以当前目标图像提取的特征点为中心,选取一定比例的窗口,且在所选窗口中任意选取N对像素点,并进一步根据公式(1),比较每一对所选像素点之间的像素值大小,以得到当前目标图像中的特征点均能以二进制编码表征:
其中,P(x1)为随机点x1=(u1,v1)的像素值,P(x2)为随机点x2=(u2,v2)的像素值,ui为像素点i在当前目标图像中的水平坐标值;vi为像素点i在当前目标图像中的垂直坐标值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110193780.6A CN112926593A (zh) | 2021-02-20 | 2021-02-20 | 一种用于动态图像增强呈现中的图像特征处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110193780.6A CN112926593A (zh) | 2021-02-20 | 2021-02-20 | 一种用于动态图像增强呈现中的图像特征处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112926593A true CN112926593A (zh) | 2021-06-08 |
Family
ID=76170026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110193780.6A Pending CN112926593A (zh) | 2021-02-20 | 2021-02-20 | 一种用于动态图像增强呈现中的图像特征处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926593A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844663A (zh) * | 2016-03-21 | 2016-08-10 | 中国地质大学(武汉) | 一种自适应orb目标跟踪方法 |
CN106204660A (zh) * | 2016-07-26 | 2016-12-07 | 华中科技大学 | 一种基于特征匹配的地面目标跟踪装置 |
CN107369183A (zh) * | 2017-07-17 | 2017-11-21 | 广东工业大学 | 面向mar的基于图优化slam的跟踪注册方法及*** |
US20180053293A1 (en) * | 2016-08-19 | 2018-02-22 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Image Registrations |
US20190281224A1 (en) * | 2017-06-23 | 2019-09-12 | Goertek Inc. | Method for tracking and shooting moving target and tracking device |
CN110414533A (zh) * | 2019-06-24 | 2019-11-05 | 东南大学 | 一种改进orb的特征提取与匹配方法 |
-
2021
- 2021-02-20 CN CN202110193780.6A patent/CN112926593A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844663A (zh) * | 2016-03-21 | 2016-08-10 | 中国地质大学(武汉) | 一种自适应orb目标跟踪方法 |
CN106204660A (zh) * | 2016-07-26 | 2016-12-07 | 华中科技大学 | 一种基于特征匹配的地面目标跟踪装置 |
US20180053293A1 (en) * | 2016-08-19 | 2018-02-22 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Image Registrations |
US20190281224A1 (en) * | 2017-06-23 | 2019-09-12 | Goertek Inc. | Method for tracking and shooting moving target and tracking device |
CN107369183A (zh) * | 2017-07-17 | 2017-11-21 | 广东工业大学 | 面向mar的基于图优化slam的跟踪注册方法及*** |
CN110414533A (zh) * | 2019-06-24 | 2019-11-05 | 东南大学 | 一种改进orb的特征提取与匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359538B (zh) | 卷积神经网络的训练方法、手势识别方法、装置及设备 | |
CN107220995B (zh) | 一种基于orb图像特征的icp快速点云配准算法的改进方法 | |
Holte et al. | View-invariant gesture recognition using 3D optical flow and harmonic motion context | |
Bayraktar et al. | Analysis of feature detector and descriptor combinations with a localization experiment for various performance metrics | |
Feng et al. | Depth-projection-map-based bag of contour fragments for robust hand gesture recognition | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN105335725A (zh) | 一种基于特征融合的步态识别身份认证方法 | |
CN110610453A (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
Qiang et al. | SqueezeNet and fusion network-based accurate fast fully convolutional network for hand detection and gesture recognition | |
CN108564120B (zh) | 基于深度神经网络的特征点提取方法 | |
CN108573231B (zh) | 基于运动历史点云生成的深度运动图的人体行为识别方法 | |
CN110751097B (zh) | 一种半监督的三维点云手势关键点检测方法 | |
Cai et al. | A novel saliency detection algorithm based on adversarial learning model | |
CN112749671A (zh) | 一种基于视频的人体行为识别方法 | |
Waheed et al. | Exploiting Human Pose and Scene Information for Interaction Detection | |
Zhang et al. | Activity object detection based on improved faster R-CNN | |
CN108564043B (zh) | 一种基于时空分布图的人体行为识别方法 | |
Kanaujia et al. | Part segmentation of visual hull for 3d human pose estimation | |
Scheck et al. | Unsupervised domain adaptation from synthetic to real images for anchorless object detection | |
CN113724329A (zh) | 融合平面与立体信息的目标姿态估计方法、***和介质 | |
Cho et al. | Modified perceptual cycle generative adversarial network-based image enhancement for improving accuracy of low light image segmentation | |
Dai et al. | An Improved ORB Feature Extraction Algorithm Based on Enhanced Image and Truncated Adaptive Threshold | |
CN112926593A (zh) | 一种用于动态图像增强呈现中的图像特征处理方法及装置 | |
Goudelis et al. | 3D Cylindrical Trace Transform based feature extraction for effective human action classification | |
Dong et al. | Pointwise motion image (PMI): A novel motion representation and its applications to abnormality detection and behavior recognition |
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 |