CN113554035A - 基于光流的特征匹配方法、智能终端及计算机存储介质 - Google Patents
基于光流的特征匹配方法、智能终端及计算机存储介质 Download PDFInfo
- Publication number
- CN113554035A CN113554035A CN202110623317.0A CN202110623317A CN113554035A CN 113554035 A CN113554035 A CN 113554035A CN 202110623317 A CN202110623317 A CN 202110623317A CN 113554035 A CN113554035 A CN 113554035A
- Authority
- CN
- China
- Prior art keywords
- matching
- feature
- point
- image
- optical flow
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 26
- 238000012795 verification Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于光流的特征匹配方法、智能终端及计算机存储介质,该基于光流的特征匹配方法包括:S101:获取第一图像的第一特征点集,进行稀疏光流跟踪获取shi‑tomasi特征点的匹配关系;S102:提取第二图像的第二特征点集,通过第一特征点集、第二特征点集获取第一匹配点对,并获取shi‑tomasi特征点对应的单应变换矩阵;S103:通过单应变换矩阵获取第三特征点,根据第三特征点与第二特征点之间的像素距离生成第二匹配点对;S104:对第二匹配点对进行几何一致性验证,根据验证结果获取第三匹配点对集合。本发明通过图像之间的光流信息辅助特征匹配,降低了特征点匹配的计算量,耗时短,稳定性好,并且降低了图像中相似特征的干扰,降低了误匹配率,准确性高。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及基于光流的特征匹配方法、智能终端及计算机存储介质。
背景技术
特征匹配即寻找两个特征点集之间的可靠对应关系是计算机视觉的一个基本而重要的任务,如图像拼接、三维重建和图像检索都需要稳定可靠的特征匹配技术做基础。
目前特征匹配技术主要有两大类,其一是最近邻匹配法,即对当前帧的每一个特征描述子都与参考帧中的所有描述子计算匹配距离,取参考帧中匹配距离最近的特征描述子与预设阈值进行比较,确定其是否为最优匹配;其二是基于最近邻法改进的最近邻比例法,即对当前帧的每一个特征描述子都与参考帧中的所有描述子计算匹配距离,取参考帧中匹配距离最近和匹配距离次近的比例与预设阈值进行比较,确定匹配距离最近的特征描述子是否为最优匹配。然而,上述两种匹配方法在匹配过程中,对于当前帧每个特征描述子都需要与参考帧中所有特征描述子一一计算匹配距离,因此这两种匹配方法非常耗时,且容易因图像中的相似特征出现误匹配,无法保证匹配的准确性。
发明内容
为了克服现有技术的不足,本发明提出一种基于光流的特征匹配方法、智能终端及计算机存储介质,在获取第一匹配点对的同时,通过稀疏光流跟踪的方式获取第一图像、第二图像中的shi-tomasi特征点,根据该shi-tomasi特征点得到单应矩阵,通过该单应矩阵获取匹配度更高的第二匹配点对,并通过几何一致性校验的方式剔除第二匹配点对中的异常数据以获取最终匹配点对,通过图像之间的光流信息辅助特征匹配,降低了特征点匹配的计算量,耗时短,稳定性好,并且降低了图像中相似特征的干扰,降低了误匹配率,准确性高。
为解决上述问题,本发明采用的一个技术方案为:一种基于光流的特征匹配方法,所述基于光流的特征匹配方法包括:S101:获取存在连续视频流信息的第一图像、第二图像,获取所述第一图像的第一特征点集,并对所述第一图像、第二图像进行稀疏光流跟踪获取shi-tomasi特征点的匹配关系;S102:提取所述第二图像的第二特征点集,对所述第一特征点集、第二特征点集进行特征匹配形成第一匹配点对,并获取shi-tomasi特征点对应的单应变换矩阵,所述第一匹配点对包括匹配的第一特征点、第二特征点;S103:通过所述单应变换矩阵对所述第一特征点进行单应变换,生成所述第一特征点在第二图像像素坐标系的第三特征点,并根据所述第三特征点与所述第二特征点之间的像素距离获取第二匹配点对;S104:通过所述第二匹配点对进行基于单应性的几何一致性验证,根据验证结果获取第三匹配点对集合,所述第三匹配点对集合包括第一图像与第二图像中特征点的匹配信息。
进一步地,所述获取所述第一图像的第一特征点集的步骤具体包括:对所述第一图像进行SIFT或SURF特征提取得到第一特征点集。
进一步地,所述对所述第一图像、第二图像进行稀疏光流跟踪获取shi-tomasi特征点的匹配关系步骤具体包括:对所述第一图像进行shi-tomasi特征提取,获取所述第一图像中的shi-tomasi特征点,并通过所述shi-tomasi特征点进行LK稀疏光流跟踪,获取所述第一图像与所述第二图像中的shi-tomasi特征点的匹配关系。
进一步地,所述提取所述第二图像的第二特征点集的步骤具体包括:对所述第二图像进行SIFT或SURF特征提取得到所述第二特征点集。
进一步地,所述获取shi-tomasi特征点对应的单应变换矩阵的步骤具体包括:通过最小二乘法或RANSAC计算shi-tomasi特征点对应的单应变换矩阵。
进一步地,所述通过所述单应变换矩阵对所述第一特征点进行单应变换,生成所述第一特征点在第二图像像素坐标系的第三特征点的步骤具体包括:通过公式获取第三特征点,其中,p′1为第一特征点的像素坐标,p″为第三特征点的像素坐标,HN+1,N为单应变换矩阵。
进一步地,所述根据所述第三特征点与所述第二特征点之间的像素距离获取第二匹配点对的步骤具体包括:判断第三特征点与第二特征点之间的像素距离是否满足预设条件,并根据判断结果剔除所述第一匹配点对中的异常数据以获取第二匹配点对,所述预设条件为所述像素距离小于预设值。
进一步地,所述通过所述第二匹配点对进行基于单应性的几何一致性验证,根据验证结果获取第三匹配点对集合的步骤具体包括:通过随机抽样一致算法对所述第二匹配点对进行验证,根据验证结果剔除所述第二匹配点对中的异常数据以获取第三匹配点对集合。
基于相同的发明构思,本发明还提出一种智能终端,所述智能终端包括:处理器、存储器,所述处理器与所述存储器通信连接,所述存储器存储有计算机程序,所述处理器通过所述计算机程序执行如上所述的基于光流的特征匹配方法。
基于相同的发明构思,本发明还提出一种计算机存储介质,所述计算机存储介质存储有程序数据,所述程序数据被用于执行如上所述的基于光流的特征匹配方法。
相比现有技术,本发明的有益效果在于:获取第一匹配点对,并通过稀疏光流跟踪的方式获取第一图像、第二图像中shi-tomasi特征点的匹配关系,根据该shi-tomasi特征点得到单应矩阵,通过该单应矩阵获取匹配度更高的第二匹配点对,并通过几何一致性校验的方式剔除第二匹配点对中的异常数据以获取最终匹配点对,通过图像之间的光流信息辅助特征匹配,降低了特征点匹配的计算量,耗时短,稳定性好,并且降低了图像中相似特征的干扰,降低了误匹配率,准确性高。
附图说明
图1为本发明基于光流的特征匹配方法一实施例的流程图;
图2为本发明基于光流的特征匹配方法另一实施例的流程图;
图3为本发明智能终端一实施例的结构图;
图4为本发明计算机存储介质一实施例的结构图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
请参阅图1-2,图1为本发明基于光流的特征匹配方法一实施例的流程图;图2为本发明基于光流的特征匹配方法另一实施例的流程图。结合图1-2对本发明的基于光流的特征匹配方法进行详细说明。
在本实施例中,执行基于光流的特征匹配方法的设备可以为电脑、手机、平板电脑以及其他能够进行特征匹配、稀疏光流跟踪的智能器件。
在本实施例中,基于光流的特征匹配方法包括:
S101:获取存在连续视频流信息的第一图像、第二图像,获取第一图像的第一特征点集,并对第一图像、第二图像进行稀疏光流跟踪获取shi-tomasi特征点的匹配关系。
在本实施例中,第一图像、第二图像为同一相机按照时间顺序拍摄的两张图像,且两张图像可以为相邻或不相邻的两张图像。
在一个具体的实施例中,第一图像、第二图像为同一相机按时间拍摄的第N帧、N+1帧图像。
在本实施例中,获取第一图像的第一特征点集的步骤具体包括:对第一图像进行SIFT(Scale-invariantfeaturetransform,尺度不变特征变换)或SURF(Speeded UpRobust Features,加速鲁棒特征)特征提取得到第一特征点集。
在本实施例中,对第一图像、第二图像进行稀疏光流跟踪获取shi-tomasi特征点的匹配关系的步骤具体包括:对第一图像进行shi-tomasi特征提取,获取第一图像中的shi-tomasi特征点,并通过shi-tomasi特征点进行LK稀疏光流跟踪,获取第一图像与第二图像中的shi-tomasi特征点的匹配关系。
在本实施例中,shi-tomasi特征点以点集的形式存在。
S102:提取第二图像的第二特征点集,对第一特征点集、第二特征点集进行特征匹配形成第一匹配点对,并获取shi-tomasi特征点对应的单应变换矩阵,第一匹配点对包括匹配的第一特征点、第二特征点。
在本实施例中,提取第二图像的第二特征点集的步骤具体包括:对第二图像进行SIFT或SURF特征提取得到第二特征点集。
在本实施例中,使用SNN(Second nearest neighbor ratio,第二最近邻)对第一特征点集、第二特征点集进行特征粗匹配,得到第一匹配点对。
在本实施例中,获取shi-tomasi特征点对应的单应变换矩阵的步骤具体包括:通过最小二乘法或RANSAC(Random Sample Consensus,随机抽样一致算法)计算shi-tomasi特征点对应的单应变换矩阵。
在一个具体的实施例中,通过RANSAC进行粗匹配以降低异常数据的影响。
S103:通过单应变换矩阵获取第一特征点在第二图像像素坐标下的第三特征点,并根据第三特征点与第二特征点之间的像素距离选择第二匹配点对。
通过单应变换矩阵对第一特征点进行单应变换,生成第一特征点在第二图像像素坐标系的第三特征点的步骤具体包括:通过公式 获取第三特征点,其中,p1′为第一特征点的像素坐标,p″为第三特征点的像素坐标,HN+1,N为单应变换矩阵。
根据第三特征点与第二特征点之间的像素距离获取第二匹配点对的步骤具体包括:判断第三特征点与第一特征点之间的像素距离是否满足预设条件,并根据判断结果剔除所述第一匹配点对中的异常数据以获取第二匹配点对,预设条件为像素距离小于预设值。
在一个具体的实施例中,计算第一图像与第二图像间持续跟踪到的shi-tomasi特征点的单应变换矩阵HN+1,N,将第一图像提取的特征点形成的P1′点集单应变换到第二图像的像素坐标系下,得到P1″点集。单应变换公式为求得(这里p′1是P1′点集中的像素坐标)。计算P1″和P2′(第二图像提取的特征点形成的特征点集)匹配点对中每一对匹配点的像素距离其中,p′2为P2′点集中的像素坐标。当时,则认为是正确的粗匹配点,若否,则确定不满足预设条件,确定第一匹配点对中与该对匹配点对应的匹配点对为异常数据,剔除该异常数据。其中,表示像素距离,σ为10。
S104:通过第二匹配点对进行基于单应性的几何一致性验证,根据验证结果获取第三匹配点对集合,第三匹配点对集合包括第一图像与第二图像中特征点的匹配信息。
在本实施例中,通过第二匹配点对进行基于单应性的几何一致性验证,根据验证结果获取第三匹配点对集合的步骤具体包括:通过随机抽样一致算法对第二匹配点对进行验证,根据验证结果剔除第二匹配点对中的异常数据以获取第三匹配点对集合。
其中,对第二匹配点对进行验证的步骤包括:给定第二匹配点对中N个数据点组成的集合P,假设集合中大多数的点都是可以通过一个模型来产生的,且最少通过n个点(n<N)可以拟合出模型的参数,则可以通过以下的迭代方式拟合该参数。对下面的操作执行k次:
(1)从P中随机选择n个数据点;
(2)用这n个数据点拟合出一个模型M;
(3)对P中剩余的数据点,计算每个点与模型M的距离,距离超过阈值的则认定为外点,不超过阈值的认定为内点,并记录该模型M所对应的内点的数量m。
迭代k次以后,选择m最大的模型M作为拟合的结果。剔除与M距离超过阈值的外点,将模型M对应的内点确定为第三匹配点对集合中的特征点。根据该第三匹配点对集合第一图像、第二图像进行处理。
在本实施例中,进行单应性几何一致性验证的RANSAC数学模型为单应矩阵,n为4。
有益效果:本发明基于光流的特征匹配方法获取第一匹配点对,并通过稀疏光流跟踪的方式获取第一图像、第二图像中的shi-tomasi特征点的匹配关系,根据该shi-tomasi特征点得到单应矩阵,通过该单应矩阵获取匹配度更高的第二匹配点对,并通过几何一致性校验的方式剔除第二匹配点对中的异常数据以获取最终匹配点对,通过图像之间的光流信息辅助特征匹配,降低了特征点匹配的计算量,耗时短,稳定性好,并且降低了图像中相似特征的干扰,降低了误匹配率,准确性高。
基于相同的发明构思,本发明还提出一种智能终端,请参阅图3,图3为本发明智能终端一实施例的结构图,结合图3对本发明的智能终端进行说明。
在本实施例中,智能终端包括:处理器、存储器,处理器与存储器通信连接,存储器存储有计算机程序,处理器通过计算机程序执行如上述实施例所述的基于光流的特征匹配方法。
基于相同的发明构思,本发明还提出一种计算机存储介质,请参阅图4,图4为本发明计算机存储介质一实施例的结构图。
在本实施例中,计算机存储介质存储有程序数据,该程序数据被用于执行如上述实施例所述的基于光流的特征匹配方法。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其他的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的程序数据可存储于一计算机可读存储介质中,该计算机程序在被执行时,可实现上述各个方法实施例的步骤。其中,所述程序数据包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于光流的特征匹配方法,其特征在于,所述基于光流的特征匹配方法包括:
S101:获取存在连续视频流信息的第一图像、第二图像,获取所述第一图像的第一特征点集,并对所述第一图像、第二图像进行稀疏光流跟踪获取shi-tomasi特征点的匹配关系;
S102:提取所述第二图像的第二特征点集,对所述第一特征点集、第二特征点集进行特征匹配形成第一匹配点对,并获取shi-tomasi特征点对应的单应变换矩阵,所述第一匹配点对包括匹配的第一特征点、第二特征点;
S103:通过所述单应变换矩阵对所述第一特征点进行单应变换,生成所述第一特征点在第二图像像素坐标系的第三特征点,并根据所述第三特征点与所述第二特征点之间的像素距离获取第二匹配点对;
S104:通过所述第二匹配点对进行基于单应性的几何一致性验证,根据验证结果获取第三匹配点对集合,所述第三匹配点对集合包括第一图像与第二图像中特征点的匹配信息。
2.如权利要求1所述的基于光流的特征匹配方法,其特征在于,所述获取所述第一图像的第一特征点集的步骤具体包括:
对所述第一图像进行SIFT或SURF特征提取得到第一特征点集。
3.如权利要求1所述的基于光流的特征匹配方法,其特征在于,所述对所述第一图像、第二图像进行稀疏光流跟踪获取shi-tomasi特征点的匹配关系的步骤具体包括:
对所述第一图像进行shi-tomasi特征提取,获取所述第一图像中的shi-tomasi特征点,并通过所述shi-tomasi特征点进行LK稀疏光流跟踪,获取所述第一图像与所述第二图像中的shi-tomasi特征点的匹配关系。
4.如权利要求1所述的基于光流的特征匹配方法,其特征在于,所述提取所述第二图像的第二特征点集的步骤具体包括:
对所述第二图像进行SIFT或SURF特征提取得到所述第二特征点集。
5.如权利要求1所述的基于光流的特征匹配方法,其特征在于,所述获取shi-tomasi特征点对应的单应变换矩阵的步骤具体包括:
通过最小二乘法或RANSAC计算shi-tomasi特征点对应的单应变换矩阵。
7.如权利要求1所述的基于光流的特征匹配方法,其特征在于,所述根据所述第三特征点与所述第二特征点之间的像素距离获取第二匹配点对的步骤具体包括:
判断第三特征点与第二特征点之间的像素距离是否满足预设条件,并根据判断结果剔除所述第一匹配点对中的异常数据以获取第二匹配点对,所述预设条件为所述像素距离小于预设值。
8.如权利要求1所述的基于光流的特征匹配方法,其特征在于,所述通过所述第二匹配点对进行基于单应性的几何一致性验证,根据验证结果获取第三匹配点对集合的步骤具体包括:
通过随机抽样一致算法对所述第二匹配点对进行验证,根据验证结果剔除所述第二匹配点对中的异常数据以获取第三匹配点对集合。
9.一种智能终端,其特征在于,所述智能终端包括:处理器、存储器,所述处理器与所述存储器通信连接,所述存储器存储有计算机程序,所述处理器通过所述计算机程序执行如权利要求1-8任一项所述的基于光流的特征匹配方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有程序数据,所述程序数据被用于执行如权利要求1-8任一项所述的基于光流的特征匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110623317.0A CN113554035A (zh) | 2021-06-04 | 2021-06-04 | 基于光流的特征匹配方法、智能终端及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110623317.0A CN113554035A (zh) | 2021-06-04 | 2021-06-04 | 基于光流的特征匹配方法、智能终端及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113554035A true CN113554035A (zh) | 2021-10-26 |
Family
ID=78101966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110623317.0A Pending CN113554035A (zh) | 2021-06-04 | 2021-06-04 | 基于光流的特征匹配方法、智能终端及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554035A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022518A (zh) * | 2022-01-05 | 2022-02-08 | 深圳思谋信息科技有限公司 | 图像的光流信息获取方法、装置、设备和介质 |
-
2021
- 2021-06-04 CN CN202110623317.0A patent/CN113554035A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022518A (zh) * | 2022-01-05 | 2022-02-08 | 深圳思谋信息科技有限公司 | 图像的光流信息获取方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
US11373443B2 (en) | Method and appratus for face recognition and computer readable storage medium | |
CN111340109B (zh) | 图像匹配方法、装置、设备及存储介质 | |
US11600008B2 (en) | Human-tracking methods, systems, and storage media | |
CN108337551B (zh) | 一种屏幕录制方法、存储介质及终端设备 | |
WO2020024744A1 (zh) | 一种图像特征点检测方法、终端设备及存储介质 | |
CN109116129B (zh) | 终端检测方法、检测设备、***及存储介质 | |
CN114612987A (zh) | 一种表情识别方法及装置 | |
Kastryulin et al. | Pytorch image quality: Metrics for image quality assessment | |
CN105678778A (zh) | 一种图像匹配方法和装置 | |
CN115511752A (zh) | 基于bp神经网络的点坐标去畸变方法及存储介质 | |
CN106709915B (zh) | 一种图像重采样操作检测方法 | |
CN111161348B (zh) | 一种基于单目相机的物***姿估计方法、装置及设备 | |
Frantc et al. | Machine learning approach for objective inpainting quality assessment | |
CN113554035A (zh) | 基于光流的特征匹配方法、智能终端及计算机存储介质 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN117934888A (zh) | 数据聚合方法、***、设备以及存储介质 | |
CN111222446B (zh) | 人脸识别方法、人脸识别装置及移动终端 | |
CN111402177A (zh) | 一种清晰度检测方法、***、设备和介质 | |
CN116012418A (zh) | 多目标跟踪方法及装置 | |
CN112487943B (zh) | 关键帧去重的方法、装置和电子设备 | |
Karimi et al. | Quality assessment for retargeted images: A review | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN113869330A (zh) | 水下鱼类目标检测方法、装置及存储介质 | |
CN103077396B (zh) | 一种彩色图像的向量空间特征点提取方法及装置 |
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 |