CN113689555A - 一种双目图像特征匹配方法及*** - Google Patents

一种双目图像特征匹配方法及*** Download PDF

Info

Publication number
CN113689555A
CN113689555A CN202111055549.7A CN202111055549A CN113689555A CN 113689555 A CN113689555 A CN 113689555A CN 202111055549 A CN202111055549 A CN 202111055549A CN 113689555 A CN113689555 A CN 113689555A
Authority
CN
China
Prior art keywords
matching
feature
points
matched
point
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
Application number
CN202111055549.7A
Other languages
English (en)
Other versions
CN113689555B (zh
Inventor
李中伟
钟凯
杨柳
袁超飞
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.)
WUHAN POWER3D TECHNOLOGY Ltd
Original Assignee
WUHAN POWER3D TECHNOLOGY Ltd
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 WUHAN POWER3D TECHNOLOGY Ltd filed Critical WUHAN POWER3D TECHNOLOGY Ltd
Priority to CN202111055549.7A priority Critical patent/CN113689555B/zh
Publication of CN113689555A publication Critical patent/CN113689555A/zh
Application granted granted Critical
Publication of CN113689555B publication Critical patent/CN113689555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Graphics (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 Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种双目图像特征匹配方法及***，所述方法包括：分别对左视图和右视图进行特征点提取，得到对应的特征点集合；对对应的特征点集合进行多层次约束筛选，得到一对多的匹配集合，所述一对多的匹配集合指的是匹配集合中每一个待匹配特征点对应多个候选特征点；对匹配集合中一对多的特征点进行三维重建，根据三维重建结果剔除异常特征点，得到新的匹配集合；从新的匹配集合中筛选出匹配种子点，根据匹配种子点，通过三角形匹配法进行局部匹配点筛选，完成特征匹配。本发明可实现高精度特征匹配，减少因一对多的特征点或假点带来的匹配误差，提高运动目标的双目跟踪测量的准确性。

Description

一种双目图像特征匹配方法及***
技术领域
本发明属于计算机视觉测量技术领域，具体涉及一种双目图像特征匹配方法及***。
背景技术
在计算机视觉测量领域，实现图像特征点的匹配是实现视觉测量的基础，尤其对于运动目标，要实现运动目标的双目跟踪测量，必须进行快速、高精度的特征匹配。目前研究图像特征匹配方法很多，但是稳定性和精确性不能得到保证，常用的极线约束方法存在一对多和假点的情况。
发明内容
有鉴于此，本发明提出了一种双目图像特征匹配方法及***、设备、存储介质，用于解决双目图像特征匹配存在一对多和假点的问题。
本发明第一方面，公开一种双目图像特征匹配方法，所述方法包括：
分别对左视图和右视图进行特征点提取，得到对应的特征点集合；
对对应的特征点集合进行多层次约束筛选，得到一对多的匹配集合，所述一对多的匹配集合指的是匹配集合中每一个待匹配特征点对应多个候选特征点；
对匹配集合中一对多的特征点进行三维重建，根据三维重建结果剔除异常特征点，得到新的匹配集合；
从新的匹配集合中筛选出匹配种子点，根据匹配种子点，通过三角形匹配法进行局部匹配点筛选，完成特征匹配。
优选的，所述多层次约束包括极线约束、距离约束和视差约束。
优选的，所述对对应的特征点集合进行多层次约束筛选，得到一对多的匹配集合具体包括：
左视图对应的特征点集合为L，右视图对应的特征点集合为R，
对特征点集合为L和特征点集合R进行极线约束匹配，得到集合A；
根据极线的距离约束对集合A进行筛选，得到集合B；
通过质心计算图像特征点的视差，通过视差约束对所述匹配集合B进行筛选，得到一对多的匹配集合C。
优选的，所述对匹配集合中一对多的特征点进行三维重建，剔除异常特征点，得到新的匹配集合具体包括：
在匹配集合中，分别根据每一个待匹配特征点及对应的多个候选特征点中的任一候选特征点进行三维重建，得到对应的多个三维模型；
比较所述多个三维模型，对于超出预设的模型范围或与多数三维模型方向差异大于预设阈值的三维模型，判定三维模型对应的特征点为异常特征点；
从匹配集合中剔除异常特征点，得到新的匹配集合D。
优选的，所述从新的匹配集合中筛选出匹配种子点满足的条件为：一对一的匹配且匹配精度最高，所述匹配种子点为两对。
优选的，所述通过三角形匹配法进行局部匹配点筛选，完成特征匹配具体包括：
得到两对匹配种子点之后，分别将新的匹配集合中左视图和右视图中的每个特征点与对应两个匹配种子点构成三角形特征；
计算三角形特征的边长和夹角，比较左视图和右视图中对应的三角形特征，计算边长差值和夹角差值；
将三角形特征的边长和夹角的差值均在设定的阈值范围之内的特征点对作为局部匹配点；
筛选出所有的局部匹配点，完成特征匹配。
优选的，所述比较左视图和右视图中对应的三角形特征，计算边长差值和夹角差值具体包括：
新的匹配集合中，除匹配种子点之外的任一个待匹配特征点与对应的匹配种子点组成一个待匹配三角形特征，待匹配特征点对应的每个候选特征点分别与对应的匹配种子点组成一个候选三角形特征，比较待匹配三角形特征与每一个候选三角形特征，分别计算对应边长差值和夹角差值。
本发明第二方面，公开一种双目图像特征匹配***，所述***包括：
分别对左视图和右视图进行特征点提取，得到对应的特征点集合；
对对应的特征点集合进行多层次约束筛选，得到一对多的匹配集合C，所述一对多的匹配集合指的是匹配集合中每一个待匹配特征点对应多个候选特征点；
对匹配集合中一对多的特征点进行三维重建，根据三维重建结果剔除异常特征点，得到新的匹配集合；
从新的匹配集合中筛选出匹配种子点，根据匹配种子点，通过三角形匹配法进行局部匹配点筛选，完成特征匹配。
本发明第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的方法。
本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果：
1)本发明通过分别对左视图和右视图对应的特征点集合进行多层次约束筛选，得到一对多的匹配集合，通过对一对多的匹配集合的三维重建剔除异常点，筛选出匹配种子点，结合三角匹配法进行局部特征点筛选，可实现高精度特征匹配，减少因一对多的特征点或假点带来的匹配误差。
2)本发明在筛选出匹配种子点的基础上，通过三角形匹配法进行局部匹配点筛选，分别将新的匹配集合中左视图和右视图中的每个特征点与对应两个匹配种子点构成三角形特征；比较左视图和右视图中对应的三角形特征，计算边长差值和夹角差值；根据边长和夹角的差值判断三角形特征的相似程度，从而筛选出与待匹配特征点匹配度最高的候选特征点，完成局部特征匹配。本发明通过局部特征匹配，在保证全局匹配的基础上进一步提高局部匹配精度，进而提高运动目标的双目跟踪测量的准确性。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种双目图像特征匹配方法流程图；
图2为本发明基于种子点实现局部特征匹配的实例图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1所示，本发明公开一种双目图像特征匹配方法，所述方法包括：
S1、分别对左视图和右视图进行特征点提取，得到对应的特征点集合。
具体的，在跟踪目标上粘贴标志点，采用双目相机进行跟踪扫描，分别对双目相机获取的左视图和右视图进行特征点提取，得到的左视图对应的特征点集合为L，右视图对应的特征点集合为R。
S2、对对应的特征点集合进行多层次约束筛选，得到一对多的匹配集合。
具体的，所述一对多的匹配集合指的是匹配集合中每一个待匹配特征点对应多个候选特征点；所述多层次约束包括极线约束、距离约束和视差约束。
步骤S2具体包括如下分步骤：
S21、对特征点集合为L和特征点集合R进行极线约束匹配，得到集合A；
S22、根据极线的距离约束对集合A进行筛选，得到集合B；
具体的，所述极线的距离约束为L中的特征点到左极线方程的距离在2个像素之内，同实对应的R中的特征点到右极线方程的距离也在2个像素之内，从集合A中筛选出满足上述距离约束条件的特征点，得到集合B；
S23、通过质心计算图像特征点的视差，通过视差约束对所述集合B进行筛选，得到一对多的匹配集合C。
具体的，首先分别计算集合L的质心、集合R的质心，通过质心计算左右图像的视差，将视差作为阈值，从集合B中筛选除视差小于等于所述阈值的特征点，得到匹配集合C
S3、对匹配集合中一对多的特征点进行三维重建，根据三维重建结果剔除异常特征点，得到新的匹配集合。
S31、在匹配集合中，分别根据每一个待匹配特征点及对应的多个候选特征点中的任一候选特征点进行三维重建，得到对应的多个候选三维模型；
S32、比较所述多个候选三维模型，对于超出预设的模型范围或与多数三维模型方向差异大于预设阈值的候选三维模型，判定该候选三维模型对应的特征点为异常特征点；
S33、从匹配集合中剔除异常特征点，得到新的匹配集合D。
具体的，匹配集合C中，假设左视图上的一个待匹配特征点a对应了右视图上的三个候选特征点a1、a2、a3，结合标志点，分别对a和a1组成的特征点对、a和a2组成的特征点对、a和a3组成的特征点对进行三维重建，得到3个候选三维模型，比较这3个候选三维模型，若某一候选三维模型存在超出实际的目标模型范围或者与实际的目标模型方向相反等问题，则判定该候选三维模型对应特征点为异常特征点，将该异常特征点从匹配集合C中剔除。
S4、从新的匹配集合中筛选出匹配种子点，根据匹配种子点，通过三角形匹配法进行局部匹配点筛选，完成特征匹配。
S41、从新的匹配集合D中筛选出两对满足一对一的匹配且匹配精度最高的匹配种子点。
S42、得到两对匹配种子点之后，分别将新的匹配集合中左视图和右视图中的每个特征点与对应两个匹配种子点构成三角形特征；
S43、计算三角形特征的边长和夹角，比较左视图和右视图中对应的三角形特征，计算边长差值和夹角差值；
具体的，在新的匹配集合D中，除匹配种子点之外的任一个待匹配特征点与对应的匹配种子点组成一个待匹配三角形特征，待匹配特征点对应的每个候选特征点分别与对应的匹配种子点组成一个候选三角形特征，比较待匹配三角形特征与每一个候选三角形特征，分别计算对应边长差值和夹角差值。
S44、将三角形特征的边长和夹角的差值均在设定的阈值范围之内的特征点对作为局部匹配点；
根据计算的对应三角形的边长差值和夹角差值来判断两个三角形的相似程度，若边长和夹角的差值均在设定的阈值范围之内，则认为相似度较高，从对应的候选三角形中筛选出与待匹配三角形相似度最高的一个三角形，其对应的特征点即为待匹配特征点对应的局部匹配点。
请参阅图2，图2为本发明基于种子点实现局部特征匹配的实例图。图2的左右视图中，标号为0和1的点分别为匹配种子点，当需要对标号为2的点进行特征匹配时，将标号为2的待匹配特征点与标号为0和1的匹配种子点组成一个待匹配三角形，同实将标号为2的点对应的每一个候选特点分别与标号为0和1的匹配种子点组成一个候选三角形，分别将待匹配三角形与每个候选三角形比较，计算对应边长差值和夹角差值，进而筛选出相似度较高的三角形，得到最佳匹配点。
S45、重复步骤S43和S44，筛选出所有的局部匹配点，完成特征匹配。
本发明在筛选出匹配种子点的基础上，通过三角形匹配法进行局部匹配点筛选，分别将新的匹配集合中左视图和右视图中的每个特征点与对应两个匹配种子点构成三角形特征；比较左视图和右视图中对应的三角形特征，计算边长差值和夹角差值；根据边长和夹角的差值判断三角形特征的相似程度，从而筛选出与待匹配特征点匹配度最高的候选特征点，完成局部特征匹配。本发明通过局部特征匹配，在保证全局匹配的基础上进一步提高局部匹配精度，进而提高运动目标的双目跟踪测量的准确性。
与所述方法实施例相对应，本发明还公开一种双目图像特征匹配***，所述***包括：
特征提取模块：用于分别对左视图和右视图进行特征点提取，得到对应的特征点集合；
特征筛选模块：用于对对应的特征点集合进行多层次约束筛选，得到一对多的匹配集合，所述多层次约束包括极线约束、距离约束和视差约束；所述一对多的匹配集合指的是匹配集合中每一个待匹配特征点对应多个候选特征点；
异常剔除模块：用于对匹配集合中一对多的特征点进行三维重建，根据三维重建结果剔除异常特征点，得到新的匹配集合；
局部匹配模块：用于从新的匹配集合中筛选出匹配种子点，根据匹配种子点，通过三角形匹配法进行局部匹配点筛选，完成特征匹配。
以上方法实施例和***实施例是一一对应的，***实施例简述之处请参阅方法实施例即可。
本发明通过分别对左视图和右视图对应的特征点集合进行多层次约束筛选，得到一对多的匹配集合，通过对一对多的匹配集合的三维重建剔除异常点，筛选出匹配种子点，结合三角匹配法进行局部特征点筛选，可实现高精度特征匹配，减少因一对多的特征点或假点带来的匹配误差。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只议存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种双目图像特征匹配方法，其特征在于，所述方法包括：
分别对左视图和右视图进行特征点提取，得到对应的特征点集合；
对对应的特征点集合进行多层次约束筛选，得到一对多的匹配集合，所述一对多的匹配集合指的是匹配集合中每一个待匹配特征点对应多个候选特征点；
对匹配集合中一对多的特征点进行三维重建，根据三维重建结果剔除异常特征点，得到新的匹配集合；
从新的匹配集合中筛选出匹配种子点，根据匹配种子点，通过三角形匹配法进行局部匹配点筛选，完成特征匹配。
2.根据权利要求1所述的双目图像特征匹配方法，其特征在于，所述多层次约束包括极线约束、距离约束和视差约束。
3.根据权利要求2所述的双目图像特征匹配方法，其特征在于，所述对对应的特征点集合进行多层次约束筛选，得到一对多的匹配集合具体包括：
左视图对应的特征点集合为L，右视图对应的特征点集合为R，
对特征点集合为L和特征点集合R进行极线约束匹配，得到集合A；
根据极线的距离约束对集合A进行筛选，得到集合B；
通过质心计算图像特征点的视差，通过视差约束对所述匹配集合B进行筛选，得到一对多的匹配集合C。
4.根据权利要求3所述的双目图像特征匹配方法，其特征在于，所述对匹配集合中一对多的特征点进行三维重建，剔除异常特征点，得到新的匹配集合具体包括：
在匹配集合中，分别根据每一个待匹配特征点及对应的多个候选特征点中的任一候选特征点进行三维重建，得到对应的多个三维模型；
比较所述多个三维模型，对于超出预设的模型范围或与多数三维模型方向差异大于预设阈值的三维模型，判定三维模型对应的特征点为异常特征点；
从匹配集合中剔除异常特征点，得到新的匹配集合D。
5.根据权利要求1所述的双目图像特征匹配方法，其特征在于，所述从新的匹配集合中筛选出匹配种子点满足的条件为：一对一的匹配且匹配精度最高，所述匹配种子点为两对。
6.根据权利要求1所述的双目图像特征匹配方法，其特征在于，所述通过三角形匹配法进行局部匹配点筛选，完成特征匹配具体包括：
得到两对匹配种子点之后，分别将新的匹配集合中左视图和右视图中的每个特征点与对应两个匹配种子点构成三角形特征；
计算三角形特征的边长和夹角，比较左视图和右视图中对应的三角形特征，计算边长差值和夹角差值；
将三角形特征的边长和夹角的差值均在设定的阈值范围之内的特征点对作为局部匹配点；
筛选出所有的局部匹配点，完成特征匹配。
7.根据权利要求1所述的双目图像特征匹配方法，其特征在于，所述比较左视图和右视图中对应的三角形特征，计算边长差值和夹角差值具体包括：
新的匹配集合中，除匹配种子点之外的任一个待匹配特征点与对应的匹配种子点组成一个待匹配三角形特征，待匹配特征点对应的每个候选特征点分别与对应的匹配种子点组成一个候选三角形特征，比较待匹配三角形特征与每一个候选三角形特征，分别计算对应边长差值和夹角差值。
8.一种双目图像特征匹配***，其特征在于，所述***包括：
特征提取模块：用于分别对左视图和右视图进行特征点提取，得到对应的特征点集合；
特征筛选模块：用于对对应的特征点集合进行多层次约束筛选，得到一对多的匹配集合，所述多层次约束包括极线约束、距离约束和视差约束；所述一对多的匹配集合指的是匹配集合中每一个待匹配特征点对应多个候选特征点；
异常剔除模块：用于对匹配集合中一对多的特征点进行三维重建，根据三维重建结果剔除异常特征点，得到新的匹配集合；
局部匹配模块：用于从新的匹配集合中筛选出匹配种子点，根据匹配种子点，通过三角形匹配法进行局部匹配点筛选，完成特征匹配。
9.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1～7任一项所述的方法。
10.一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计算机指令，所述计算机指令使所述计算机实现如权利要求1～7任一项所述的方法。
CN202111055549.7A 2021-09-09 2021-09-09 一种双目图像特征匹配方法及*** Active CN113689555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111055549.7A CN113689555B (zh) 2021-09-09 2021-09-09 一种双目图像特征匹配方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111055549.7A CN113689555B (zh) 2021-09-09 2021-09-09 一种双目图像特征匹配方法及***

Publications (2)

Publication Number Publication Date
CN113689555A true CN113689555A (zh) 2021-11-23
CN113689555B CN113689555B (zh) 2023-08-22

Family

ID=78585809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111055549.7A Active CN113689555B (zh) 2021-09-09 2021-09-09 一种双目图像特征匹配方法及***

Country Status (1)

Country Link
CN (1) CN113689555B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392434A (zh) * 2014-11-05 2015-03-04 浙江工业大学 一种基于三角形约束的图像匹配扩散方法
CN105894574A (zh) * 2016-03-30 2016-08-24 清华大学深圳研究生院 一种双目三维重建方法
CN106295710A (zh) * 2016-08-18 2017-01-04 晶赞广告（上海）有限公司 基于非几何约束的图像局部特征匹配方法、装置及终端
CN106408609A (zh) * 2016-09-13 2017-02-15 江苏大学 一种基于双目视觉的并联机构末端运动位姿检测方法
US20190204084A1 (en) * 2017-09-29 2019-07-04 Goertek Inc. Binocular vision localization method, device and system
CN110245671A (zh) * 2019-06-17 2019-09-17 艾瑞迈迪科技石家庄有限公司 一种内窥镜图像特征点匹配方法及***
CN111126436A (zh) * 2019-11-21 2020-05-08 珠海格力智能装备有限公司 视觉匹配方法及装置
WO2020172783A1 (zh) * 2019-02-26 2020-09-03 武汉资联虹康科技股份有限公司 一种用于经颅磁刺激诊疗的人头姿态跟踪***
CN112132960A (zh) * 2020-09-28 2020-12-25 北京博能科技股份有限公司 一种三维重建方法、装置和电子设备
WO2021017699A1 (zh) * 2019-07-30 2021-02-04 广州市百果园信息技术有限公司 异常点对的检测方法、图像拼接方法、装置及设备
CN112734858A (zh) * 2021-01-08 2021-04-30 长沙行深智能科技有限公司 一种双目标定精度在线检测方法及装置
CN113192113A (zh) * 2021-04-30 2021-07-30 山东产研信息与人工智能融合研究院有限公司 双目视觉特征点匹配方法、***、介质及电子设备

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392434A (zh) * 2014-11-05 2015-03-04 浙江工业大学 一种基于三角形约束的图像匹配扩散方法
CN105894574A (zh) * 2016-03-30 2016-08-24 清华大学深圳研究生院 一种双目三维重建方法
CN106295710A (zh) * 2016-08-18 2017-01-04 晶赞广告（上海）有限公司 基于非几何约束的图像局部特征匹配方法、装置及终端
CN106408609A (zh) * 2016-09-13 2017-02-15 江苏大学 一种基于双目视觉的并联机构末端运动位姿检测方法
US20190204084A1 (en) * 2017-09-29 2019-07-04 Goertek Inc. Binocular vision localization method, device and system
WO2020172783A1 (zh) * 2019-02-26 2020-09-03 武汉资联虹康科技股份有限公司 一种用于经颅磁刺激诊疗的人头姿态跟踪***
CN110245671A (zh) * 2019-06-17 2019-09-17 艾瑞迈迪科技石家庄有限公司 一种内窥镜图像特征点匹配方法及***
WO2021017699A1 (zh) * 2019-07-30 2021-02-04 广州市百果园信息技术有限公司 异常点对的检测方法、图像拼接方法、装置及设备
CN111126436A (zh) * 2019-11-21 2020-05-08 珠海格力智能装备有限公司 视觉匹配方法及装置
CN112132960A (zh) * 2020-09-28 2020-12-25 北京博能科技股份有限公司 一种三维重建方法、装置和电子设备
CN112734858A (zh) * 2021-01-08 2021-04-30 长沙行深智能科技有限公司 一种双目标定精度在线检测方法及装置
CN113192113A (zh) * 2021-04-30 2021-07-30 山东产研信息与人工智能融合研究院有限公司 双目视觉特征点匹配方法、***、介质及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WENDONG WANG ET AL.: ""Recovering the Three-Dimensional Motion and Structure of Multiple Moving Objects from Binocular Image Flows"", 《 COMPUTER VISION AND IMAGE UNDERSTANDING》, vol. 63, no. 3, pages 430 - 446, XP000597550, DOI: 10.1006/cviu.1996.0033 *
罗久飞;邱广;张毅;冯松;韩冷;: "基于自适应双阈值的SURF双目视觉匹配算法研究", 仪器仪表学报, no. 03, pages 242 - 249 *
翁秀玲;王云峰;余小亮;: "一种图像立体匹配的误匹配点剔除与校正方法", 软件, no. 10, pages 20 - 24 *

Also Published As

Publication number Publication date
CN113689555B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN107220997B (zh) 一种立体匹配方法及***
US9858472B2 (en) Three-dimensional facial recognition method and system
CN103913131B (zh) 一种基于双目视觉的自由曲面法矢量测量方法
EP3273412B1 (en) Three-dimensional modelling method and device
CN107481271B (zh) 一种立体匹配方法、***及移动终端
US20120320162A1 (en) Video object localization method using multiple cameras
CN110148179A (zh) 一种训练用于估计图像视差图的神经网络模型方法、装置及介质
CN108550166B (zh) 一种空间目标图像匹配方法
CN111160229B (zh) 基于ssd网络的视频目标检测方法及装置
CN109215118B (zh) 一种基于图像序列的增量式运动结构恢复优化方法
CN112861870B (zh) 指针式仪表图像矫正方法、***及存储介质
CN108122280A (zh) 一种三维点云的重建方法及装置
CN110942102B (zh) 一种概率松弛核线匹配方法及***
CN111553296B (zh) 一种基于fpga实现的二值神经网络立体视觉匹配方法
CN105405122A (zh) 一种基于数据平稳性的圆检测方法
CN111105451A (zh) 一种克服遮挡效应的驾驶场景双目深度估计方法
CN114241018A (zh) 一种牙齿点云配准方法、***及可读存储介质
CN116188893A (zh) 基于bev的图像检测模型训练及目标检测方法和装置
CN112116602A (zh) 深度图修复方法、装置和可读存储介质
CN113298838B (zh) 一种物体轮廓线提取方法及***
CN107730543B (zh) 一种半稠密立体匹配的快速迭代计算方法
CN111664845A (zh) 交通标志定位、视觉地图制作方法及装置、定位***
CN113435367A (zh) 社交距离评估方法、装置及存储介质
CN112258647A (zh) 地图重建方法及装置、计算机可读介质和电子设备
CN110060290B (zh) 一种基于3d卷积神经网络的双目视差计算方法

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