CN112991179A - 用于输出信息的方法、装置、设备以及存储介质 - Google Patents
用于输出信息的方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112991179A CN112991179A CN202110322610.3A CN202110322610A CN112991179A CN 112991179 A CN112991179 A CN 112991179A CN 202110322610 A CN202110322610 A CN 202110322610A CN 112991179 A CN112991179 A CN 112991179A
- Authority
- CN
- China
- Prior art keywords
- sequence
- image
- homography matrix
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 110
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000000844 transformation Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000036544 posture Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- User Interface Of Digital Computer (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了用于输出信息的方法、装置、设备以及存储介质,涉及人工智能领域,具体为计算机视觉和深度学习技术领域,可用在图像拼接场景下。具体实现方案为:获取目标图像对应的图像序列以及与图像序列对应的模拟单应矩阵序列;利用目标特征点识别算法确定图像序列中各图像帧的特征点,并基于各图像帧的特征点,确定图像序列中任意两相邻图像帧之间的估计单应矩阵序列;根据模拟单应矩阵序列以及估计单应矩阵序列,确定针对目标特征点识别算法的评估信息;输出评估信息。本实现方式可以对特征点识别算法进行评估,从而能够为优化特征点识别算法提供依据以及为图像拼接提供基础。
Description
技术领域
本公开涉及人工智能领域,具体为计算机视觉和深度学习技术领域,尤其涉及用于输出信息的方法、装置、设备以及存储介质,可用在图像拼接场景下。
背景技术
图像拼接(image mosaic)是一个日益流行的研究领域,它已经成为照相绘图学、计算机视觉、图像处理和计算机图形学研究中的热点。在对图像拼接过程中,可以首先识别图像中的特征点。但特征点识别算法的性能直接影响到图像拼接的效果。
发明内容
提供了一种用于输出信息的方法、装置、设备以及存储介质。
根据第一方面,提供了一种用于输出信息的方法,包括:获取目标图像对应的图像序列以及与图像序列对应的模拟单应矩阵序列;利用目标特征点识别算法确定图像序列中各图像帧的特征点,并基于各图像帧的特征点,确定图像序列中任意两相邻图像帧之间的估计单应矩阵序列;根据模拟单应矩阵序列以及估计单应矩阵序列,确定针对目标特征点识别算法的评估信息;输出评估信息。
根据第二方面,提供了一种用于输出信息的装置,包括:获取单元,被配置成获取目标图像对应的图像序列以及与图像序列对应的模拟单应矩阵序列;估计单元,被配置成利用目标特征点识别算法确定图像序列中各图像帧的特征点,并基于各图像帧的特征点,确定图像序列中任意两相邻图像帧之间的估计单应矩阵序列;生成单元,被配置成根据模拟单应矩阵序列以及估计单应矩阵序列,确定针对目标特征点识别算法的评估信息;输出单元,被配置成输出评估信息。
根据第三方面,提供了一种用于输出信息的电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面所描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,上述计算机指令用于使计算机执行如第一方面所描述的方法。
根据第五方面,一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现如第一方面所描述的方法。
根据本公开的技术可以对特征点识别算法进行评估,从而能够为优化特征点识别算法提供依据以及为图像拼接提供基础。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的用于输出信息的方法的一个实施例的流程图;
图2是根据本公开的用于输出信息的方法的一个应用场景的示意图;
图3是根据本公开的用于输出信息的方法的另一个实施例的流程图;
图4是根据本公开的用于输出信息的装置的一个实施例的结构示意图;
图5是用来实现本公开实施例的用于输出信息的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
继续参考图1,示出了根据本公开的用于输出信息的方法的一个实施例的流程100。本实施例的用于输出信息的方法,包括以下步骤:
步骤101,获取目标图像对应的图像序列以及与图像序列对应的模拟单应矩阵序列。
本实施例中,执行主体可以获取目标图像对应的图像序列。这里,目标图像可以是任意广角图像或者全景图像,或者像素宽度大于一定数值的图像。图像序列可以是对目标图像进行模拟连续扫描得到的图像序列,或者是对图像序列进行划分得到的图像序列。图像序列中的相邻的两图像帧之间可以包括重叠区域。
执行主体还可以获取与图像序列对应的模拟单应矩阵序列。这里,模拟单应矩阵序列可以通过性能较优的特征点识别算法提取图像序列中的各图像帧的特征点后进行配准确定。上述性能较优的特征点识别算法可以是预先训练的卷积神经网络。或者,上述目标图像中可以包括标定点,划分得到的图像序列中可以包括上述标定点,通过相邻的两图像帧中的标定点位置,确定模拟单应矩阵序列。
单应矩阵也可以称为单应性矩阵,用来描述物体在世界坐标系和像素坐标系之间的位置映射关系。
步骤102,利用目标特征点识别算法确定图像序列中各图像帧的特征点,并基于各图像帧的特征点,确定图像序列中任意两相邻图像帧之间的估计单应矩阵序列。
执行主体在获取图像序列后,可以利用目标特征点识别算法对图像序列中各图像帧进行特征点识别,得到各图像帧的特征点。目标特征点识别算法可以是各种能够提取特征的算法,例如括SIFT(Scale-invariant feature transform,尺度不变特征变换)、SURF(Speeded Up Robust Features,加速稳健特征)、ORB(Oriented FAST and RotatedBRIEF)、基于深度学习的特征点识别(卷积神经网络)等算法。在得到各图像帧的特征点后,可以对相邻图像帧的特征点进行匹配。并利用匹配的特征点确定两相邻图像帧之间的单应矩阵。根据单应矩阵对应的图像帧在图像序列中的位置,对各单应矩阵进行排序,得到单应矩阵序列,记为估计单应矩阵序列。
步骤103,根据模拟单应矩阵序列以及估计单应矩阵序列,确定针对目标特征点识别算法的评估信息。
由于模拟单应矩阵序列中的各单应矩阵准确度较高,可以将其作为标准来评述估计单应矩阵序列。可以理解的是,如果估计单应矩阵序列与模拟单应矩阵序列越相似,则目标特征点识别算法的性能就越好。本实施例中,执行主体可以计算模拟单应矩阵序列以及估计单应矩阵序列的相似度,并根据上述相似度,生成评估信息。或者,执行主体可以分别计算模拟单应矩阵序列中的各单应矩阵与估计单应矩阵序列中对应的单应矩阵之间的相似度,得到相似度序列。并基于上述相似度序列生成评估信息。或者,执行主体还可以直接将上述模拟单应矩阵序列以及估计单应矩阵序列作为评估信息输出。评估信息中可以包括上述两单应矩阵序列以及对应的相似度或相似度序列,还可以包括基于上述相似度或相似度序列生成的结论,例如“当前特征点识别算法的性能较好”等等。
本实施例中,单应矩阵的计算可以采用RANSAC(RANdom SAmple Consensus,随机抽样一致)、LMeDS(最小中值法)等算法。
步骤104,输出评估信息。
执行主体还可以将评估信息输出,以供技术人员查看,技术人员可以根据评估信息对目标特征点识别算法进行优化,或选用合适的特征点识别算法进行数据处理等。
继续参见图2,其示出了根据本公开的用于输出信息的方法的一个应用场景的示意图。在图2的应用场景中,终端设备201可以对目标图像进行划分,得到图像序列。图像序列中的相邻图像帧之间有重叠区域。通过利用性能较优的特征点识别算法对图像序列中各图像帧进行特征点识别,并对识别出的特征点进行匹配。基于匹配的特征点计算每两个相邻图像帧之间的单应矩阵,将得到的单应矩阵序列记为模拟单应矩阵序列。然后,利用目标特征点识别算法识别出各图像帧中的特征点进行匹配。基于匹配的特征点计算每两个相邻图像帧之间的单应矩阵,将得到的单应矩阵序列记为估计单应矩阵序列。计算模拟单应矩阵序列和估计单应矩阵序列之间的相似度,基于相似度生成目标特征点识别算法的评估信息。并将评估信息显示出来,技术人员可以基于评估信息对目标特征点识别算法进行优化。
本公开的上述实施例提供的用于输出信息的方法,可以利用目标图像对应的图像序列以及对应的模拟单应矩阵序列和基于目标特征点识别算法得到的估计单应矩阵序列进行比较,从而实现对目标特征点识别算法进行评估,为图像拼接提供算法基础。
继续参见图3,其示出了根据本公开的用于输出信息的方法的另一个实施例的流程300。本实施例的方法可以包括以下步骤:
步骤301,根据模拟相机以及目标图像,确定目标图像对应的图像序列。
本实施例中,执行主体可以利用模拟相机对目标图像进行连续扫描,得到目标图像对应的图像序列。在扫描时,执行主体可以控制模拟相机在预设的多个位置对目标图像进行模拟扫描,得到多个图像帧。
在本实施例的一些可选的实现方式中,执行主体可以通过图3中未示出的以下步骤来得到目标图像对应的图像序列:利用模拟相机以预设姿态沿预设路线移动,对目标图像进行模拟连续扫描得到图像序列。
本实现方式中,执行主体可以利用模拟相机以预设姿态沿预设路线移动对目标图像进行模拟连续扫描得到图像序列。例如,模拟相机可以在目标图像上方高h处,与目标图像之间的夹角为θ。预设路线可以是与目标图像的中线平行的线条,这样可以最大限度的拍摄到目标图像中的内容。具体的,模拟相机在对目标图像进行连续扫描时可以以预设的频率对目标图像进行拍摄,得到图像序列。
假设虚拟相机沿扫描方向x和纸面的夹角是θ,随机抖动的角度是α,(y,z方向同理)则可以确定不同姿态下相机平面上4个点。以4个点作为起始点,任意固定矩形框的4个顶点作为目标点,可以得到真实的单应矩阵序列。
步骤302,确定图像序列中任意两相邻图像帧之间的模拟单应矩阵序列。
执行主体在得到图像序列后,可以确定图像序列中任意两相邻图像帧之间的单应矩阵。将得到的各单应矩阵进行排序,得到单应矩阵序列,记为模拟单应矩阵序列。本实施例中,目标图像中可以包括标定点,利用标定点可以对相邻图像帧进行匹配,从而计算得到该相邻图像帧之间的单应矩阵。
在本实施例的一些可选的实现方式中,执行主体还可以根据模拟相机在连续扫描过程中的姿态变换,确定模拟单应矩阵序列。
本实施例中,由于相机是模拟的,相机的姿态可以是预先设定的。即,模拟相机以预设姿态沿预设路线移动时,也可以计算出模拟相机的姿态变换。上述姿态可以包括位置和俯仰角。执行主体可以根据模拟相机的姿态确定出相邻图像帧之间的单应矩阵。并根据各单应矩阵对应的图像帧在图像序列中的位置,得到单应矩阵序列,记为模拟单应矩阵序列。
在本实施例的一些可选的实现方式中,执行主体还可以首先根据模拟相机在连续扫描过程中的姿态变换,确定相机姿态序列。然后,根据相机姿态序列,确定模拟单应矩阵序列。
本实现方式中,执行主体可以首先根据模拟相机在对目标图像连续扫描过程中的姿态,确定图像序列中各图像帧对应的相机姿态。这样,就可以得到图像序列对应的相机姿态序列。然后,对应每个相机姿态,确定单应矩阵,得到模拟单应矩阵序列。
步骤303,利用目标特征点识别算法确定图像序列中各图像帧的特征点,并基于各图像帧的特征点,确定图像序列中任意两相邻图像帧之间的估计单应矩阵序列。
步骤304,确定模拟单应矩阵序列以及估计单应矩阵序列之间的距离;根据距离,确定针对目标特征点识别算法的评估信息。
本实施例中,执行主体可以计算模拟单应矩阵序列以及估计单应矩阵序列之间的距离。具体的,执行主体可以分别计算模拟单应矩阵序列中的各单应矩阵与对应的估计单应矩阵序列中单应矩阵之间的距离,然后计算各距离的平均值。将上述平均值作为模拟单应矩阵序列以及估计单应矩阵序列的相似度值。根据上述距离,确定针对目标特征点识别算法的评估信息。具体的,上述评估信息中可以包括上述距离值,还可以包括与上述距离值对应的结论信息。
步骤305,输出评估信息。
本公开的上述实施例提供的用于输出信息的方法,对目标图像进行模拟扫描,生成了模拟图片序列,避免了真实图片的采集和标注的过程,只要有原始图像,就可以任意生成图像。并基于模拟相机的姿态变换,计算图像序列对应的单应矩阵序列。避免了基于真实扫描图片序列进行计算单应矩阵难以准确估计的问题,且可以通过人为设定模拟相机的姿态,覆盖所有真实姿态及其序列组合。直接基于单应矩阵序列和单应矩阵估计序列之间的距离均值,评估目标特征点匹配算法,避免了重投影误差方法在射影变换上的缺陷。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种用于输出信息的装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于输出信息的装置400包括:获取单元401、估计单元402、生成单元403和输出单元404。
获取单元401,被配置成获取目标图像对应的图像序列以及与图像序列对应的模拟单应矩阵序列。
估计单元402,被配置成利用目标特征点识别算法确定图像序列中各图像帧的特征点,并基于各图像帧的特征点,确定图像序列中任意两相邻图像帧之间的估计单应矩阵序列。
生成单元403,被配置成根据模拟单应矩阵序列以及估计单应矩阵序列,确定针对目标特征点识别算法的评估信息;
输出单元404,被配置成输出评估信息。
在本实施例的一些可选的实现方式中,获取单元401可以进一步被配置成:根据模拟相机以及目标图像,确定目标图像对应的图像序列;确定图像序列中任意两相邻图像帧之间的单应矩阵,得到模拟单应矩阵序列。
在本实施例的一些可选的实现方式中,获取单元401可以进一步被配置成:利用模拟相机以预设姿态沿预设路线移动,对目标图像进行模拟连续扫描得到图像序列。
在本实施例的一些可选的实现方式中,获取单元401可以进一步被配置成:根据模拟相机在连续扫描过程中的姿态变换,确定模拟单应矩阵序列。
在本实施例的一些可选的实现方式中,获取单元401可以进一步被配置成:根据模拟相机在连续扫描过程中的姿态变换,确定相机姿态序列;根据相机姿态序列,确定模拟单应矩阵序列。
在本实施例的一些可选的实现方式中,生成单元403可以进一步被配置成:确定模拟单应矩阵序列以及估计单应矩阵序列之间的距离;根据距离,确定针对目标特征点识别算法的评估信息。
应当理解,用于输出信息的装置400中记载的单元401至单元405分别与参考图1中描述的方法中的各个步骤相对应。由此,上文针对用于输出信息的方法描述的操作和特征同样适用于装置400及其中包含的单元,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了根据本公开实施例的执行用于输出信息的方法的电子设备500的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,电子设备500包括处理器501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储器508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储电子设备500操作所需的各种程序和数据。处理器501、ROM 502以及RAM 503通过总线504彼此相连。I/O接口(输入/输出接口)505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储器508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器501可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器501执行上文所描述的各个方法和处理,例如用于输出信息的方法。例如,在一些实施例中,用于输出信息的方法可被实现为计算机软件程序,其被有形地包含于机器可读存储介质,例如存储器508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由处理器501执行时,可以执行上文描述的用于输出信息的方法的一个或多个步骤。备选地,在其他实施例中,处理器501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于输出信息的方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器501执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以是分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开的保护范围之内。
Claims (15)
1.一种用于输出信息的方法,包括:
获取目标图像对应的图像序列以及与所述图像序列对应的模拟单应矩阵序列;
利用目标特征点识别算法确定所述图像序列中各图像帧的特征点,并基于各图像帧的特征点,确定所述图像序列中任意两相邻图像帧之间的估计单应矩阵序列;
根据所述模拟单应矩阵序列以及所述估计单应矩阵序列,确定针对所述目标特征点识别算法的评估信息;
输出所述评估信息。
2.根据权利要求1所述的方法,其中,所述获取目标图像对应的图像序列以及与所述图像序列对应的模拟单应矩阵序列,包括:
根据模拟相机以及所述目标图像,确定所述目标图像对应的图像序列;
确定所述图像序列中任意两相邻图像帧之间的单应矩阵,得到模拟单应矩阵序列。
3.根据权利要求2所述的方法,其中,所述根据模拟相机以及所述目标图像,确定所述目标图像对应的图像序列,包括:
利用模拟相机以预设姿态沿预设路线移动,对所述目标图像进行模拟连续扫描得到所述图像序列。
4.根据权利要求2所述的方法,其中,所述确定所述图像序列中任意两相邻图像帧之间的单应矩阵,得到模拟单应矩阵序列,包括:
根据所述模拟相机在连续扫描过程中的姿态变换,确定所述模拟单应矩阵序列。
5.根据权利要求4所述的方法,其中,所述根据所述模拟相机在连续扫描过程中的姿态变换,确定所述模拟单应矩阵序列,包括:
根据所述模拟相机在连续扫描过程中的姿态变换,确定相机姿态序列;
根据所述相机姿态序列,确定所述模拟单应矩阵序列。
6.根据权利要求1所述的方法,其中,所述根据所述模拟单应矩阵序列以及所述估计单应矩阵序列,确定针对所述目标特征点识别算法的评估信息,包括:
确定所述模拟单应矩阵序列以及所述估计单应矩阵序列之间的距离;
根据所述距离,确定针对所述目标特征点识别算法的评估信息。
7.一种用于输出信息的装置,包括:
获取单元,被配置成获取目标图像对应的图像序列以及与所述图像序列对应的模拟单应矩阵序列;
估计单元,被配置成利用目标特征点识别算法确定所述图像序列中各图像帧的特征点,并基于各图像帧的特征点,确定所述图像序列中任意两相邻图像帧之间的估计单应矩阵序列;
生成单元,被配置成根据所述模拟单应矩阵序列以及所述估计单应矩阵序列,确定针对所述目标特征点识别算法的评估信息;
输出单元,被配置成输出所述评估信息。
8.根据权利要求7所述的装置,其中,所述获取单元进一步被配置成:
根据模拟相机以及所述目标图像,确定所述目标图像对应的图像序列;
确定所述图像序列中任意两相邻图像帧之间的单应矩阵,得到模拟单应矩阵序列。
9.根据权利要求8所述的装置,其中,所述获取单元进一步被配置成:
利用模拟相机以预设姿态沿预设路线移动,对所述目标图像进行模拟连续扫描得到所述图像序列。
10.根据权利要求8所述的装置,其中,所述获取单元进一步被配置成:
根据所述模拟相机在连续扫描过程中的姿态变换,确定所述模拟单应矩阵序列。
11.根据权利要求10所述的装置,其中,所述获取单元进一步被配置成:
根据所述模拟相机在连续扫描过程中的姿态变换,确定相机姿态序列;
根据所述相机姿态序列,确定所述模拟单应矩阵序列。
12.根据权利要求7所述的装置,其中,所述生成单元进一步被配置成:
确定所述模拟单应矩阵序列以及所述估计单应矩阵序列之间的距离;
根据所述距离,确定针对所述目标特征点识别算法的评估信息。
13.一种执行用于输出信息的方法的电子设备,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至少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能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322610.3A CN112991179B (zh) | 2021-03-25 | 2021-03-25 | 用于输出信息的方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322610.3A CN112991179B (zh) | 2021-03-25 | 2021-03-25 | 用于输出信息的方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991179A true CN112991179A (zh) | 2021-06-18 |
CN112991179B CN112991179B (zh) | 2023-06-27 |
Family
ID=76333694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110322610.3A Active CN112991179B (zh) | 2021-03-25 | 2021-03-25 | 用于输出信息的方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991179B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170066014A (ko) * | 2015-12-04 | 2017-06-14 | 광운대학교 산학협력단 | 시점 변화에 강인한 특징점 정합 방법 |
CN108230248A (zh) * | 2018-01-23 | 2018-06-29 | 深圳普捷利科技有限公司 | 一种基于自适应特征点配准的环视***拼接效果评估和自动微调方法 |
CN108781267A (zh) * | 2016-03-24 | 2018-11-09 | 索尼公司 | 图像处理设备和方法 |
CN109166077A (zh) * | 2018-08-17 | 2019-01-08 | 广州视源电子科技股份有限公司 | 图像对齐方法、装置、可读存储介质及计算机设备 |
CN112365470A (zh) * | 2020-11-12 | 2021-02-12 | 中运科技股份有限公司 | 基于sift的广告素材与现场照片自动匹配评估方法、存储介质及计算机设备 |
-
2021
- 2021-03-25 CN CN202110322610.3A patent/CN112991179B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170066014A (ko) * | 2015-12-04 | 2017-06-14 | 광운대학교 산학협력단 | 시점 변화에 강인한 특징점 정합 방법 |
CN108781267A (zh) * | 2016-03-24 | 2018-11-09 | 索尼公司 | 图像处理设备和方法 |
CN108230248A (zh) * | 2018-01-23 | 2018-06-29 | 深圳普捷利科技有限公司 | 一种基于自适应特征点配准的环视***拼接效果评估和自动微调方法 |
CN109166077A (zh) * | 2018-08-17 | 2019-01-08 | 广州视源电子科技股份有限公司 | 图像对齐方法、装置、可读存储介质及计算机设备 |
CN112365470A (zh) * | 2020-11-12 | 2021-02-12 | 中运科技股份有限公司 | 基于sift的广告素材与现场照片自动匹配评估方法、存储介质及计算机设备 |
Non-Patent Citations (2)
Title |
---|
朱永丰;朱述龙;张静静;朱永康;: "基于ORB特征的单目视觉定位算法研究", 计算机科学, no. 1, pages 209 - 213 * |
范雪婷等: "改进尺度不变特征变换算法的图像配准", 计算机与数字工程, pages 1185 - 1190 * |
Also Published As
Publication number | Publication date |
---|---|
CN112991179B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118542B (zh) | 激光雷达与相机之间的标定方法、装置、设备及存储介质 | |
CN109242913B (zh) | 采集器相对参数的标定方法、装置、设备和介质 | |
CN110111388B (zh) | 三维物***姿参数估计方法及视觉设备 | |
CN114550177B (zh) | 图像处理的方法、文本识别方法及装置 | |
CN112991180B (zh) | 图像拼接方法、装置、设备以及存储介质 | |
CN112634343A (zh) | 图像深度估计模型的训练方法、图像深度信息的处理方法 | |
CN112560684B (zh) | 车道线检测方法、装置、电子设备、存储介质以及车辆 | |
CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
CN112862877A (zh) | 用于训练图像处理网络和图像处理的方法和装置 | |
CN110111364B (zh) | 运动检测方法、装置、电子设备及存储介质 | |
CN112381183A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN113436100A (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN116109824A (zh) | 基于扩散模型的医学影像及像素级标注生成方法及装置 | |
CN110706262A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN113393468A (zh) | 图像处理方法、模型训练方法、装置和电子设备 | |
CN112529097A (zh) | 样本图像生成方法、装置以及电子设备 | |
CN112634366B (zh) | 位置信息的生成方法、相关装置及计算机程序产品 | |
JP7003617B2 (ja) | 推定装置、推定方法、及び推定プログラム | |
CN113658035A (zh) | 脸部变换方法、装置、设备、存储介质以及产品 | |
CN113112398A (zh) | 图像处理方法和装置 | |
CN113516697A (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN112085842B (zh) | 深度值确定方法及装置、电子设备和存储介质 | |
CN114166238B (zh) | 车道线的识别方法、装置及电子设备 | |
CN113781653B (zh) | 对象模型生成方法、装置、电子设备及存储介质 |
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 |