CN113724300A - 图像配准方法、装置、电子设备及存储介质 - Google Patents

图像配准方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113724300A
CN113724300A CN202010453236.6A CN202010453236A CN113724300A CN 113724300 A CN113724300 A CN 113724300A CN 202010453236 A CN202010453236 A CN 202010453236A CN 113724300 A CN113724300 A CN 113724300A
Authority
CN
China
Prior art keywords
image
target
target object
sample
reference image
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
Application number
CN202010453236.6A
Other languages
English (en)
Inventor
王再冉
郭小燕
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.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co 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 Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202010453236.6A priority Critical patent/CN113724300A/zh
Priority to PCT/CN2020/138909 priority patent/WO2021238188A1/zh
Priority to JP2022560172A priority patent/JP2023519755A/ja
Publication of CN113724300A publication Critical patent/CN113724300A/zh
Priority to US17/975,768 priority patent/US20230048952A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)

Abstract

本公开关于一种图像配准方法、装置、电子设备及存储介质，其中，所述方法包括：获取包含目标对象的目标图像；将目标图像输入至网络模型输出目标对象的位置信息和旋转角度信息；根据位置信息和旋转角度信息从图像数据库中查询得到包含目标对象的参考图像；将目标图像和参考图像进行图像配准，得到目标图像中的目标对象在参考图像中的对应位置。本公开利用网络模型确定目标对象在目标图像中的位置信息和旋转角度信息，利用该信息在图像数据库中查询到尺度相近且视角相近的参考图像，以便于从目标图像和参考图像中可以提取足够多的特征描述子，进而提升图像配准的准确性。

Description

图像配准方法、装置、电子设备及存储介质
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像配准方法、装置、电子设备及存储介质。
背景技术
图像配准是图像处理研究领域中的一个典型问题和技术难点，其目的在于比较或融合针对同一对象在不同条件下获取的图像。不同条件可以指不同的采集设备、不同的时间、不同的拍摄视角和距离等。具体来讲，图像配准即对一组图像集中的两幅图像，通过一种空间变换关系把一幅图像映射到另一幅图像，使得两幅图像中对应于空间同一位置的点一一对应起来，从而达到信息融合的目的。图像配准在计算机视觉、增强现实等领域都具有广泛的应用。
在传统的图像配准方案中，首先提取两幅图像的特征点，通过进行相似性度量找到匹配的特征点对，然后通过匹配的特征点对得到图像空间坐标变换参数，最后由图像空间坐标变换参数进行图像配准。相关技术中，特征点的提取往往对尺度缩放和视角变化很敏感，当尺度缩放和视角变化较大时，往往找不到足够多的特征点，从而影响图像配准的准确性。
发明内容
本公开提供了一种图像配准方法、装置、电子设备及存储介质，以至少解决相关技术中图像配准的准确性低的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供了一种图像配准方法，包括：
获取包含目标对象的目标图像；
将所述目标图像输入至预设的网络模型，输出所述目标对象的位置信息和旋转角度信息；
根据所述位置信息和所述旋转角度信息从预设的图像数据库中查询得到包含所述目标对象的参考图像；
将所述目标图像和所述参考图像进行图像配准，得到所述目标图像中的所述目标对象在所述参考图像中的对应位置。
可选地，所述图像数据库中存储有一种或多种样本对象的样本图像，所述样本图像包括具有不同尺度和/或不同视角的所述样本对象。
可选地，所述根据所述位置信息和所述旋转角度信息从预设的图像数据库中查询得到包含所述目标对象的参考图像的步骤，包括：
当所述图像数据库中存储有一种所述样本对象的所述样本图像，且所述样本对象与所述目标对象属于相同对象类型时，从所述图像数据库中查询得到满足预设的尺度条件和预设的视角条件的所述参考图像；或
当所述图像数据库中存储有多种所述样本对象的所述样本图像，且多种所述样本对象中存在与所述目标对象属于相同对象类型的所述样本对象时，从所述图像数据库中查询得到包含与所述目标对象属于相同对象类型的所述样本对象的同类型样本图像；从所述同类型样本图像中查询得到满足所述尺度条件和所述视角条件的所述参考图像；
其中，所述尺度条件表示所述目标对象的位置信息对应的尺度与所述样本对象的尺度的差值在预设的尺度范围内；所述视角条件表示所述目标对象的旋转角度信息对应的视角与所述样本对象的视角的差值在预设的视角范围内。
可选地，所述将所述目标图像和所述参考图像进行图像配准步骤，包括：
根据所述位置信息定位所述目标对象在所述目标图像中的最小外包矩形；
将位于所述最小外包矩形之内的所述目标图像作为对象图像；
将所述对象图像和所述参考图像进行图像配准。
可选地，所述将所述目标图像和所述参考图像进行图像配准步骤，包括：
分别从所述对象图像和所述参考图像中提取得到所述目标对象的第一特征描述子和第二特征描述子；
计算所述第一特征描述子与所述第二特征描述子之间的距离；
将所述距离满足预设的距离条件的所述第一特征描述子和所述第二特征描述子作为特征点对；
根据所述特征点对和PNP算法计算所述对象图像与所述参考图像之间的变换矩阵；
根据所述变换矩阵将所述对象图像映射到所述参考图像，以便所述对象图像和所述参考图像中对应于空间的同一位置的点相对应。
可选地，所述位置信息包括所述目标对象在所述目标图像中的最小外包矩形的坐标点信息，所述坐标点信息至少包含所述最小外包矩形的一条对角线上的两个顶点的坐标点信息，所述旋转角度信息包括所述目标对象的方位角信息、俯仰角信息和翻滚角信息。
根据本公开实施例的第二方面，提供了一种图像配准装置，包括：
获取模块，被配置为获取包含目标对象的目标图像；
预测模块，被配置为将所述目标图像输入至预设的网络模型，输出所述目标对象的位置信息和旋转角度信息；
查询模块，被配置为根据所述位置信息和所述旋转角度信息从预设的图像数据库中查询得到包含所述目标对象的参考图像；
配准模块，被配置为将所述目标图像和所述参考图像进行图像配准，得到所述目标图像中的所述目标对象在所述参考图像中的对应位置。
可选地，所述图像数据库中存储有一种或多种样本对象的样本图像，所述样本图像包括具有不同尺度和/或不同视角的所述样本对象。
可选地，所述查询模块，被配置为当所述图像数据库中存储有一种所述样本对象的所述样本图像，且所述样本对象与所述目标对象属于相同对象类型时，从所述图像数据库中查询得到满足预设的尺度条件和预设的视角条件的所述参考图像；或当所述图像数据库中存储有多种所述样本对象的所述样本图像，且多种所述样本对象中存在与所述目标对象属于相同对象类型的所述样本对象时，从所述图像数据库中查询得到包含与所述目标对象属于相同对象类型的所述样本对象的同类型样本图像；从所述同类型样本图像中查询得到满足所述尺度条件和所述视角条件的所述参考图像；
其中，所述尺度条件表示所述目标对象的位置信息对应的尺度与所述样本对象的尺度的差值在预设的尺度范围内；所述视角条件表示所述目标对象的旋转角度信息对应的视角与所述样本对象的视角的差值在预设的视角范围内。
可选地，所述配准模块，包括：
图像确定单元，被配置为根据所述位置信息定位所述目标对象在所述目标图像中的最小外包矩形；将位于所述最小外包矩形之内的所述目标图像作为对象图像；
图像配准单元，被配置为将所述对象图像和所述参考图像进行图像配准。
可选地，所述图像配准单元，包括：
提取子模块，被配置为分别从所述对象图像和所述参考图像中提取得到所述目标对象的第一特征描述子和第二特征描述子；
计算子模块，被配置为计算所述第一特征描述子与所述第二特征描述子之间的距离；
筛选子模块，被配置为将所述距离满足预设的距离条件的所述第一特征描述子和所述第二特征描述子作为特征点对；
所述计算子模块，还被配置为根据所述特征点对和PNP算法计算所述对象图像与所述参考图像之间的变换矩阵；
映射子模块，被配置为根据所述变换矩阵将所述对象图像映射到所述参考图像，以便所述对象图像和所述参考图像中对应于空间的同一位置的点相对应。
可选地，所述位置信息包括所述目标对象在所述目标图像中的最小外包矩形的坐标点信息，所述坐标点信息至少包含所述最小外包矩形的一条对角线上的两个顶点的坐标点信息，所述旋转角度信息包括所述目标对象的方位角信息、俯仰角信息和翻滚角信息。
根据本公开实施例的第三方面，提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如第一方面所述的图像配准方法。
根据本公开实施例的第四方面，提供了一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面所述的图像配准方法。
根据本公开实施例的第五方面，提供了一种计算机程序产品，包括可读性程序代码，所述可读性程序代码可由电子设备的处理器执行以完成第一方面所述的图像配准方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开的实施例将包含有目标对象的目标图像输入至预设的网络模型中，输出目标对象的位置信息和旋转角度信息。根据位置信息和旋转角度信息从预设的图像数据库中查询得到包含目标对象的参考图像。参考图像中的目标对象的尺度与目标图像中目标对象的尺度相近，参考图像中的目标对象的视角与目标图像中目标对象的视角相近。将目标图像与参考图像进行图像配准，得到目标图像中的目标对象在参考图像中的对应位置。
本公开的实施例利用网络模型确定目标对象在目标图像中的位置信息和旋转角度信息，目的在于利用位置信息和旋转角度信息在图像数据库中查询到尺度相近且视角相近的参考图像。即参考图像中目标对象的尺度和视角与目标图像中目标对象的尺度和视角的变化不大，以便于从目标图像和参考图像中可以提取足够多的特征描述子，进而提升图像配准的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种图像配准方法的流程图。
图2是根据一示例性实施例示出的一种抗尺度和视角变化的图像配准方法的流程示意图。
图3是根据一示例性实施例示出的一种图像配准装置的框图。
图4是根据一示例性实施例示出的一种图像配准电子设备的框图。
图5是根据一示例性实施例示出的一种用于图像配准的电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种图像配准方法的流程图，如图1所示，该图像配准方法可以包括以下步骤。
在步骤S11中，获取包含目标对象的目标图像。
在本公开实施例中，目标图像中可以包含一个或多个目标对象，目标对象可以为人物、动物、植物、交通工具、建筑物、自然景观等等。目标图像可以为任意格式的图片或者视频流中的帧，本公开实施例对目标对象的类别、目标图像的格式、尺寸、分辨率等不作具体限制。
在本公开的一种可选实施例中，获取到包含目标对象的目标图像之后，可以对目标图像进行预处理操作，例如，对目标图像进行降噪处理等。
在步骤S12中，将目标图像输入至预设的网络模型，输出目标对象的位置信息和旋转角度信息。
在本公开实施例中，可以预先建立并训练网络模型，该网络模型用于对输入的图像输出图像中对象的位置信息和旋转角度信息等。例如，预先建立一个初始的深度卷积网络模型，将训练样本数据输入至深度卷积网络模型中，并根据输出结果迭代调整深度卷积网络模型的各层参数，直至调整后的深度卷积网络模型的输出结果达到设定的要求。其中，训练样本数据可以包括大量的训练图像，训练图像中可以包含训练对象或者不包含训练对象，若训练图像中包含训练对象，则训练图像可以包含一个或多个训练对象。而且，训练图像可以包含不同尺度、不同视角的训练对象。训练样本数据还可以包括与各训练图像对应的训练位置信息和训练旋转角度信息。该训练位置信息用于表示训练对象在训练图像中的位置信息，通过位置信息可以得到其尺度，尺度可以理解为训练对象的大小。通俗地讲，若拍摄一个训练对象，如果距离训练对象较近进行拍摄，则成像后的训练对象的尺度较大；如果距离训练对象较远进行拍摄，则成像后的训练对象的尺度较小。训练对象的检测具有尺度不变性，即无论训练对象的尺度较大还是尺度较小，都可以检测出训练对象在训练图像中的位置信息。该训练旋转角度信息用于表示训练对象在训练图像中的视角。视角可以理解为训练对象在训练图像所在的三维空间内的角度。
在本公开的一种可选实施例中，位置信息可以包括目标对象在目标图像中的最小外包矩形的坐标点信息。具体地，坐标点信息至少包含最小外包矩形的一条对角线上的两个顶点的坐标点信息。在实际应用中，位置信息可以用locgt＝(x0,y0,x1,y1)表示，其中，locgt表示位置信息，x0表示最小外包矩形的左上角坐标点的横坐标，y0表示最小外包矩形的左上角坐标点的纵坐标；x1表示最小外包矩形的右下角坐标点的横坐标，y1表示最小外包矩形的右下角坐标点的纵坐标。
在本公开的一种可选实施例中，旋转角度信息可以包括目标对象的方位角信息、俯仰角信息和翻滚角信息。在实际应用中，旋转角度信息可以用Rgt＝(θ,φ,ψ)表示，其中，Rgt表示旋转角度信息，θ表示方位角信息，φ表示俯仰角信息，ψ表示翻滚角信息。
在本公开的一种可选实施例中，上述网络模型还可以用于对输入的图像输出图像中对象的类型信息。相应地，在上述网络模型的训练过程中，训练样本数据还可以包括与各训练图像对应的训练类型信息。该训练类型信息用于表示训练对象所属的对象类型。在实际应用中，对象类型可以为水杯、电视机、手机、汽车等等，本公开实施例对对象类型的分类等不作具体限制。
在步骤S13中，根据位置信息和旋转角度信息从预设的图像数据库中查询得到包含目标对象的参考图像。
在本公开实施例中，预设的图像数据库中可以存储一种或多种样本对象的样本图像，其中，每个样本图像可以包含具有不同尺度和/或不同视角的样本对象。
在本步骤S13查询得到的参考图像可以理解为与目标图像近似的图像。具体地，在图像数据库中查询得到满足以下三个方面条件的参考图像。一方面、参考图像中的参考对象与目标图像中的目标对象属于同一对象类型；另一方面、参考图像中的参考对象的尺度与目标图像中的目标对象的尺度相近；再一方面、参考图像中的参考对象的视角与目标图像中的目标对象的视角相近。
在本公开的一种可选实施例中，当图像数据库中存储有一种样本对象的样本图像，且样本对象与目标对象属于相同对象类型时，可以从图像数据库中查询得到满足预设的尺度条件和预设的视角条件的参考图像。
上述尺度条件可以表示目标对象的位置信息对应的尺度与样本对象的尺度的差值在预设的尺度范围内。例如，目标对象的尺度为100个平方像素点，样本对象的尺度为95个平方像素点，目标对象的尺度与样本对象的尺度的差值在尺度范围-5～5个平方像素点之间。
上述视角条件可以表示目标对象的旋转角度信息对应的视角与样本对象的视角的差值在预设的视角范围内。例如，目标对象的视角为50°，样本对象的视角为45°，目标对象的视角与样本对象的视角的差值在视角范围-5°～5°之间。
在本公开的一种可选实施例中，当图像数据库中存储有多种样本对象的样本图像，且多种样本对象中存在与目标对象属于相同对象类型的样本对象时，可以从图像数据库中查询得到包含与目标对象属于相同对象类型的样本对象的同类样本图像，例如，目标对象的对象类型为杯子，则从图像数据库中查询得到包含杯子的同类样本图像。再从同类样本图像中查询得到满足尺度条件和视角条件的参考图像。
上述从图像数据库中查询得到包含与目标对象属于相同对象类型的样本对象的同类样本图像的过程中，可以获取目标对象的对象类型，再根据对象类型从图像数据库中查询得到同类样本图像。其中，获取目标对象的对象类型时，可以将目标图像输入至网络模型，输出目标对象的对象类型。
在步骤S14中，将目标图像和参考图像进行图像配准，得到目标图像中的目标对象在参考图像中的对应位置。
在本公开实施例中，将目标图像和参考图像进行图像配准时，可以根据目标对象的位置信息从目标图像中确定得到对象图像，再将对象图像与参考图像进行图像配准。上述对象图像可以为根据目标对象的位置信息定位的，包含目标对象的最小外包矩形之内的目标图像，即将位于最小外包矩形之内的目标图像作为对象图像。
图像配准的方式可以概括为相对图像配准和绝对图像配准两种。其中，相对图像配准是指从多张图像中选择出一张图像作为参考图像，将目标图像与参考图像配准。坐标***是任意的。绝对图像配准是指先定义一个控制网格，所有的图像相对于这个网格来进行配准。本公开实施例中的图像配准主要为相对图像配准。在利用图像中的信息进行相对图像配准时，主要可以划分为三类方法：灰度信息法、变换域法和特征法。在本公开的一种可选实施例中，将对象图像与参考图像进行图像配准时，可以采用特征法将对象图像与参考图像进行图像配准。在实际应用中，可以分别从对象图像和参考图像中提取得到目标对象的第一特征描述子和第二特征描述子。特征描述子可以表示图像中的有用信息，不包含无用信息。具体地，可以利用尺度不变特征变换(Scale-invariant feature transform，SIFT)算法提取得到第一特征描述子和第二特征描述子。计算第一特征描述子与第二特征描述子之间的距离。该距离可以为欧式距离或者汉明距离等。将距离满足预设的距离条件的第一特征描述子和第二特征描述子作为特征点对。根据特征点对和PNP(Perspective NPoint)算法计算对象图像与参考图像之间的变换矩阵，即两幅图像间的相机位姿变化矩阵。然后根据变换矩阵将对象图像映射到参考图像，使得对象图像和参考图像中对应于空间的同一位置的点一一对应起来。
在根据变换矩阵将对象图像包含的目标对象映射到参考图像时，可以根据如下公式进行映射：
I2＝M*I1
其中，I2为对象图像，I1为参考图像，M为变换矩阵。
基于上述关于图像配准方法的相关说明，下面介绍一种抗尺度和视角变化的图像配准方法。如图2所示，示出了一种抗尺度和视角变化的图像配准方法的流程示意图。该方法首先利用深度神经网络模型检测目标对象在目标图像中的位置信息，并预测目标对象在三个维度上的旋转角度信息。通过目标对象在目标图像中的位置信息可以得到目标对象的尺度，通过目标对象在三个维度的旋转角度信息可以得到目标对象的视角。然后选择图像数据库中与目标图像的视角接近的参考图像，对两幅图像(目标图像和参考图像)进行图像配准，即可解决不同尺度不同视角变化的情况下，无法提取足够多的特征描述子，造成的图像配准的准确性低的难题。
本公开的实施例将包含有目标对象的目标图像输入至预设的网络模型中，输出目标对象的位置信息和旋转角度信息。根据位置信息和旋转角度信息从预设的图像数据库中查询得到包含目标对象的参考图像。参考图像中的目标对象的尺度与目标图像中目标对象的尺度相近，参考图像中的目标对象的视角与目标图像中目标对象的视角相近。将目标图像与参考图像进行图像配准，得到目标图像中的目标对象在参考图像中的对应位置。
本公开的实施例利用网络模型确定目标对象在目标图像中的位置信息和旋转角度信息，目的在于利用位置信息和旋转角度信息在图像数据库中查询到尺度相近且视角相近的参考图像。即参考图像中目标对象的尺度和视角与目标图像中目标对象的尺度和视角的变化不大，以便于从目标图像和参考图像中可以提取足够多的特征描述子，进而提升图像配准的准确性。
本公开实施例中图像数据库可以存储某一类型的样本对象的样本图像，也可以存储多个类型的样本对象的样本图像。利用深度卷积网络模型预测出目标对象的对象类型之后，可以选择与目标对象的对象类型对应的图像数据库，或者，从图像数据库中查询与目标对象的对象类型对应的样本图像。当某一对象类型的样本对象的应用广泛时，可以预先建立针对该对象类型的样本图像的图像数据库。当某一对象类型的样本对象的应用不广泛时，可以将该对象类型的样本图像存储至包含多个对象类型的样本图像的图像数据库中。
本公开实施例从目标图像中确定出对象图像，进而将对象图像与参考图像进行图像配准。对象图像的尺寸相对于目标图像的尺寸更小，利用尺寸更小的对象图像与参考图像进行图像配准，减少了计算的数据量，提高了图像配准的速度。
图3是根据一示例性实施例示出的一种图像配准装置的框图。参照图3，该装置具体可以包括如下单元和模块。
获取模块30，被配置为获取包含目标对象的目标图像；
预测模块31，被配置为将所述目标图像输入至预设的网络模型，输出所述目标对象的位置信息和旋转角度信息；
查询模块32，被配置为根据所述位置信息和所述旋转角度信息从预设的图像数据库中查询得到包含所述目标对象的参考图像；
配准模块33，被配置为将所述目标图像和所述参考图像进行图像配准，得到所述目标图像中的所述目标对象在所述参考图像中的对应位置。
在本公开的一种可选实施例中，所述图像数据库中存储有一种或多种样本对象的样本图像，所述样本图像包括具有不同尺度和/或不同视角的所述样本对象。
在本公开的一种可选实施例中，所述查询模块32，被配置为当所述图像数据库中存储有一种所述样本对象的所述样本图像，且所述样本对象与所述目标对象属于相同对象类型时，从所述图像数据库中查询得到满足预设的尺度条件和预设的视角条件的所述参考图像；
其中，所述尺度条件表示所述目标对象的位置信息对应的尺度与所述样本对象的尺度的差值在预设的尺度范围内；所述视角条件表示所述目标对象的旋转角度信息对应的视角与所述样本对象的视角的差值在预设的视角范围内。
在本公开的一种可选实施例中，所述查询模块32，被配置为当所述图像数据库中存储有多种所述样本对象的所述样本图像，且多种所述样本对象中存在与所述目标对象属于相同对象类型的所述样本对象时，从所述图像数据库中查询得到包含与所述目标对象属于相同对象类型的所述样本对象的同类型样本图像；从所述同类型样本图像中查询得到满足所述尺度条件和所述视角条件的所述参考图像。
在本公开的一种可选实施例中，所述查询模块32，被配置为获取所述目标对象的对象类型；根据所述对象类型从所述图像数据库中查询得到所述同类样本图像。
在本公开的一种可选实施例中，所述查询模块32，被配置为将所述目标图像输入至所述网络模型，输出所述目标对象的所述对象类型。
在本公开的一种可选实施例中，所述配准模块33，包括：
图像确定单元330，被配置为根据所述位置信息从所述目标图像中确定得到对象图像，所述对象图像包含所述目标对象；
图像配准单元331，被配置为将所述对象图像和所述参考图像进行图像配准。
在本公开的一种可选实施例中，所述图像确定单元330，被配置为根据所述位置信息定位所述目标对象在所述目标图像中的最小外包矩形；将位于所述最小外包矩形之内的所述目标图像作为所述对象图像。
在本公开的一种可选实施例中，所述图像配准单元331，包括：
提取子模块，被配置为分别从所述对象图像和所述参考图像中提取得到所述目标对象的第一特征描述子和第二特征描述子；
计算子模块，被配置为计算所述第一特征描述子与所述第二特征描述子之间的距离；
筛选子模块，被配置为将所述距离满足预设的距离条件的所述第一特征描述子和所述第二特征描述子作为特征点对；
所述计算子模块，还被配置为根据所述特征点对和PNP算法计算所述对象图像与所述参考图像之间的变换矩阵；
映射子模块，被配置为根据所述变换矩阵将所述对象图像映射到所述参考图像，以便所述对象图像和所述参考图像中对应于空间的同一位置的点相对应。
在本公开的一种可选实施例中，所述位置信息包括所述目标对象在所述目标图像中的最小外包矩形的坐标点信息，所述坐标点信息至少包含所述最小外包矩形的一条对角线上的两个顶点的坐标点信息，所述旋转角度信息包括所述目标对象的方位角信息、俯仰角信息和翻滚角信息。
关于上述实施例中的装置，其中各个单元、各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图4是根据一示例性实施例示出的一种图像配准电子设备400的框图。例如，电子设备400可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图4，电子设备400可以包括以下一个或多个组件：处理组件402，存储器404，电力组件406，多媒体组件408，音频组件410，输入/输出(I/O)的接口412，传感器组件414，以及通信组件416。
处理组件402通常控制电子设备400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。
存储器404被配置为存储各种类型的数据以支持在电子设备400的操作。这些数据的示例包括用于在电子设备400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件406为电子设备400的各种组件提供电力。电源组件406可以包括电源管理***，一个或多个电源，及其他与为电子设备400生成、管理和分配电力相关联的组件。
多媒体组件408包括在所述电子设备400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件408包括一个前置摄像头和/或后置摄像头。当电子设备400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(MIC)，当电子设备400处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。
I/O接口412为处理组件402和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件414包括一个或多个传感器，用于为电子设备400提供各个方面的状态评估。例如，传感器组件414可以检测到电子设备400的打开/关闭状态，组件的相对定位，例如所述组件为电子设备400的显示器和小键盘，传感器组件414还可以检测电子设备400或电子设备400一个组件的位置改变，用户与电子设备400接触的存在或不存在，电子设备400方位或加速/减速和电子设备400的温度变化。传感器组件414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件416被配置为便于电子设备400和其他设备之间有线或无线方式的通信。电子设备400可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件416经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件416还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器404，上述指令可由电子设备400的处理器420执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品包括可读性程序代码，该可读性程序代码可由电子设备400的处理器420执行以完成上述方法。可选地，该程序代码可以存储在电子设备400的存储介质中，该存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图5是根据一示例性实施例示出的一种用于图像配准的电子设备500的框图。例如，电子设备500可以被提供为一客户端或服务器。参照图5，电子设备500包括处理组件522，其进一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存储可由处理组件522的执行的指令，例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件522被配置为执行指令，以执行上述图像配准方法。
电子设备500还可以包括一个电源组件526被配置为执行电子设备500的电源管理，一个有线或无线网络接口550被配置为将电子设备500连接到网络，和一个输入输出(I/O)接口558。电子设备500可以操作基于存储在存储器532的操作***，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种图像配准方法，其特征在于，包括：
获取包含目标对象的目标图像；
将所述目标图像输入至预设的网络模型，输出所述目标对象的位置信息和旋转角度信息；
根据所述位置信息和所述旋转角度信息从预设的图像数据库中查询得到包含所述目标对象的参考图像；
将所述目标图像和所述参考图像进行图像配准，得到所述目标图像中的所述目标对象在所述参考图像中的对应位置。
2.根据权利要求1所述的图像配准方法，其特征在于，所述图像数据库中存储有一种或多种样本对象的样本图像，所述样本图像包括具有不同尺度和/或不同视角的所述样本对象。
3.根据权利要求2所述的图像配准方法，其特征在于，所述根据所述位置信息和所述旋转角度信息从预设的图像数据库中查询得到包含所述目标对象的参考图像的步骤，包括：
当所述图像数据库中存储有一种所述样本对象的所述样本图像，且所述样本对象与所述目标对象属于相同对象类型时，从所述图像数据库中查询得到满足预设的尺度条件和预设的视角条件的所述参考图像；或
当所述图像数据库中存储有多种所述样本对象的所述样本图像，且多种所述样本对象中存在与所述目标对象属于相同对象类型的所述样本对象时，从所述图像数据库中查询得到包含与所述目标对象属于相同对象类型的所述样本对象的同类型样本图像；从所述同类型样本图像中查询得到满足所述尺度条件和所述视角条件的所述参考图像；
其中，所述尺度条件表示所述目标对象的位置信息对应的尺度与所述样本对象的尺度的差值在预设的尺度范围内；所述视角条件表示所述目标对象的旋转角度信息对应的视角与所述样本对象的视角的差值在预设的视角范围内。
4.根据权利要求1所述的图像配准方法，其特征在于，所述将所述目标图像和所述参考图像进行图像配准的步骤，包括：
根据所述位置信息定位所述目标对象在所述目标图像中的最小外包矩形；
将位于所述最小外包矩形之内的所述目标图像作为对象图像；
将所述对象图像和所述参考图像进行图像配准。
5.根据权利要求4所述的图像配准方法，其特征在于，所述将所述目标图像和所述参考图像进行图像配准的步骤，包括：
分别从所述对象图像和所述参考图像中提取得到所述目标对象的第一特征描述子和第二特征描述子；
计算所述第一特征描述子与所述第二特征描述子之间的距离；
将所述距离满足预设的距离条件的所述第一特征描述子和所述第二特征描述子作为特征点对；
根据所述特征点对和PNP算法计算所述对象图像与所述参考图像之间的变换矩阵；
根据所述变换矩阵将所述对象图像映射到所述参考图像，以便所述对象图像和所述参考图像中对应于空间的同一位置的点相对应。
6.根据权利要求1至5中任一项所述的图像配准方法，其特征在于，所述位置信息包括所述目标对象在所述目标图像中的最小外包矩形的坐标点信息，所述坐标点信息至少包含所述最小外包矩形的一条对角线上的两个顶点的坐标点信息，所述旋转角度信息包括所述目标对象的方位角信息、俯仰角信息和翻滚角信息。
7.一种图像配准装置，其特征在于，包括：
获取模块，被配置为获取包含目标对象的目标图像；
预测模块，被配置为将所述目标图像输入至预设的网络模型，输出所述目标对象的位置信息和旋转角度信息；
查询模块，被配置为根据所述位置信息和所述旋转角度信息从预设的图像数据库中查询得到包含所述目标对象的参考图像；
配准模块，被配置为将所述目标图像和所述参考图像进行图像配准，得到所述目标图像中的所述目标对象在所述参考图像中的对应位置。
8.根据权利要求7所述的图像配准装置，其特征在于，所述图像数据库中存储有一种或多种样本对象的样本图像，所述样本图像包括具有不同尺度和/或不同视角的所述样本对象。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的图像配准方法。
10.一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至6中任一项所述的图像配准方法。
CN202010453236.6A 2020-05-25 2020-05-25 图像配准方法、装置、电子设备及存储介质 Pending CN113724300A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010453236.6A CN113724300A (zh) 2020-05-25 2020-05-25 图像配准方法、装置、电子设备及存储介质
PCT/CN2020/138909 WO2021238188A1 (zh) 2020-05-25 2020-12-24 图像配准方法及装置
JP2022560172A JP2023519755A (ja) 2020-05-25 2020-12-24 画像レジストレーション方法及び装置
US17/975,768 US20230048952A1 (en) 2020-05-25 2022-10-28 Image registration method and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010453236.6A CN113724300A (zh) 2020-05-25 2020-05-25 图像配准方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113724300A true CN113724300A (zh) 2021-11-30

Family

ID=78671893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010453236.6A Pending CN113724300A (zh) 2020-05-25 2020-05-25 图像配准方法、装置、电子设备及存储介质

Country Status (4)

Country Link
US (1) US20230048952A1 (zh)
JP (1) JP2023519755A (zh)
CN (1) CN113724300A (zh)
WO (1) WO2021238188A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116863100A (zh) * 2022-03-28 2023-10-10 腾讯科技（深圳）有限公司 网格模型处理方法、装置、设备以及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103377476A (zh) * 2012-04-30 2013-10-30 波音公司 使用三维地理弧的多模型数据的图像配准
CN103544710A (zh) * 2013-11-08 2014-01-29 河南工业大学 一种图像配准方法
US20170220895A1 (en) * 2016-02-02 2017-08-03 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and storage medium
CN109670065A (zh) * 2018-09-25 2019-04-23 平安科技（深圳）有限公司 基于图像识别的问答处理方法、装置、设备和存储介质
CN109741379A (zh) * 2018-12-19 2019-05-10 上海商汤智能科技有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN109767461A (zh) * 2018-12-28 2019-05-17 上海联影智能医疗科技有限公司 医学影像配准方法、装置、计算机设备和存储介质
CN110060285A (zh) * 2019-04-29 2019-07-26 中国水利水电科学研究院 一种基于surf算法的遥感图像配准方法及***
CN110473196A (zh) * 2019-08-14 2019-11-19 中南大学 一种基于深度学习的腹部ct图像目标器官配准方法
CN110728673A (zh) * 2019-10-21 2020-01-24 上海联影医疗科技有限公司 一种目标部位分析方法、装置、计算机设备及存储介质
CN110889432A (zh) * 2019-10-29 2020-03-17 北京迈格威科技有限公司 特征点匹配方法、装置、计算机设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007257287A (ja) * 2006-03-23 2007-10-04 Tokyo Institute Of Technology 画像レジストレーション方法
CN101377847B (zh) * 2007-08-29 2010-06-02 中国科学院自动化研究所 一种文档图像的配准及特征点选取方法
CN102509287B (zh) * 2011-10-12 2014-06-04 西安理工大学 针对静止目标的基于经纬度定位和图像配准的查找方法
CN102982543A (zh) * 2012-11-20 2013-03-20 北京航空航天大学深圳研究院 一种多源遥感图像配准方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103377476A (zh) * 2012-04-30 2013-10-30 波音公司 使用三维地理弧的多模型数据的图像配准
CN103544710A (zh) * 2013-11-08 2014-01-29 河南工业大学 一种图像配准方法
US20170220895A1 (en) * 2016-02-02 2017-08-03 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and storage medium
CN109670065A (zh) * 2018-09-25 2019-04-23 平安科技（深圳）有限公司 基于图像识别的问答处理方法、装置、设备和存储介质
CN109741379A (zh) * 2018-12-19 2019-05-10 上海商汤智能科技有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN109767461A (zh) * 2018-12-28 2019-05-17 上海联影智能医疗科技有限公司 医学影像配准方法、装置、计算机设备和存储介质
CN110060285A (zh) * 2019-04-29 2019-07-26 中国水利水电科学研究院 一种基于surf算法的遥感图像配准方法及***
CN110473196A (zh) * 2019-08-14 2019-11-19 中南大学 一种基于深度学习的腹部ct图像目标器官配准方法
CN110728673A (zh) * 2019-10-21 2020-01-24 上海联影医疗科技有限公司 一种目标部位分析方法、装置、计算机设备及存储介质
CN110889432A (zh) * 2019-10-29 2020-03-17 北京迈格威科技有限公司 特征点匹配方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐子锋;石超;王永锋;陈龙;: "基于ORB+PROSAC误匹配剔除算法的视觉SLAM研究", 软件工程, no. 05 *

Also Published As

Publication number Publication date
US20230048952A1 (en) 2023-02-16
WO2021238188A1 (zh) 2021-12-02
JP2023519755A (ja) 2023-05-12

Similar Documents

Publication Publication Date Title
EP3163498B1 (en) Alarming method and device
CN106557768B (zh) 对图片中的文字进行识别的方法及装置
CN105528606B (zh) 区域识别方法及装置
CN106296570B (zh) 图像处理方法及装置
CN106557759B (zh) 一种标志牌信息获取方法及装置
CN106778773B (zh) 图片中目标物的定位方法及装置
CN110853095B (zh) 相机定位方法、装置、电子设备及存储介质
CN107944367B (zh) 人脸关键点检测方法及装置
WO2023103377A1 (zh) 标定方法及装置、电子设备、存储介质及计算机程序产品
CN113643356B (zh) 相机位姿确定、虚拟物体显示方法、装置及电子设备
CN109034150B (zh) 图像处理方法及装置
CN108009563B (zh) 图像处理方法、装置及终端
CN106372663B (zh) 构建分类模型的方法及装置
CN112101216A (zh) 人脸识别方法、装置、设备及存储介质
WO2022099988A1 (zh) 目标跟踪方法及装置、电子设备和存储介质
US20230048952A1 (en) Image registration method and electronic device
CN114581525A (zh) 姿态确定方法及装置、电子设备和存储介质
CN107292901B (zh) 边缘检测方法及装置
US11574502B2 (en) Method and device for identifying face, and computer-readable storage medium
CN113220928A (zh) 一种图像搜索方法、装置、电子设备及存储介质
CN116310633A (zh) 一种关键点检测模型训练方法及关键点检测方法
CN114550086A (zh) 一种人群定位方法及装置、电子设备和存储介质
CN110659726B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN113592928A (zh) 图像处理方法、图像处理装置及存储介质
CN113610056B (zh) 障碍物检测方法、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