CN114332510A - 一种层次化的图像匹配方法 - Google Patents
一种层次化的图像匹配方法 Download PDFInfo
- Publication number
- CN114332510A CN114332510A CN202210001464.9A CN202210001464A CN114332510A CN 114332510 A CN114332510 A CN 114332510A CN 202210001464 A CN202210001464 A CN 202210001464A CN 114332510 A CN114332510 A CN 114332510A
- Authority
- CN
- China
- Prior art keywords
- feature
- matching
- points
- point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 230000003190 augmentative effect Effects 0.000 abstract 1
- 238000012216 screening Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 235000014748 Amaranthus tricolor Nutrition 0.000 description 1
- 244000024893 Amaranthus tricolor Species 0.000 description 1
- 235000010725 Vigna aconitifolia Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种层次化的图像匹配方法,获得查询图像和参考图像特征点特征描述子,从参考图像包含的局部特征点中,为查询图像中的每个局部特征点寻找两个最相似的候选匹配特征点;并依次筛选出最佳特征匹配结果。本发明能够快速地计算出两幅图像之间的特征匹配点,然后应用于一系列的基于图像匹配的高层次计算机视觉任务中:基于图像的三维重建、同时定位与地图构建、图像检索、地图导航、数字孪生、图像拼接、混合现实、虚拟现实和增强现实等。
Description
技术领域
本发明属于计算机图像处理处理技术,具体涉及一种层次化的图像匹配方法。
背景技术
图像匹配是计算机视觉领域的热点研究问题,受到了国内外研究者们的广泛关注。一个完整的图像匹配流程包括以下步骤:检测图像中的特征点、计算对应的特征描述子,特征匹配,消除错误的特征匹配点。在实践中,受特征描述子的歧义性、图像的纹理、光照和尺度变化等因素的影响,导致自然场景下的图像匹配精度较低,严重影响了基于图像匹配的高层次计算机视觉技术的研究进程与应用。
以基于图像的三维重建为例,如果错误的特征匹配点作为三维重建***的输入数据,可能会破坏三维模型的完成性和几何一致性,获得错误的摄像机姿态信息和低精度的三维模型,甚至导致三维重建过程失败。因此,人们迫切希望能够提出一种高精度的图像匹配方法,既能够产生大量的特征匹配点,又能够消除其中的错误的特征匹配点,以便提高基于图像匹配的高层次计算机视觉应用***的性能。目前现有相关研究存在以下问题:
(1)在处理两幅图像之间的特征匹配时需要若干秒的时间,难以满足一些实时处理应用的需求;
(2)要么是特征匹配的结果依赖于所选用的空间聚类方法,要么仅适用于宽基线图像的特征匹配,即都不具有通用性;
(3)不能同时消除由于描述的歧义性、图像尺度、纹理和光照变化等多种因素所导致的所有的错误特征匹配点。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种层次化的图像匹配方法,从参考图像的局部特征点集合中为查询图像中的每个局部特征点寻找一个精确的匹配点,然后通过计算出来的精确的特征匹配点,使得一系列基于图像匹配的高层次的计算机视觉应用变成可能。
技术方案:本发明的一种层次化的图像匹配方法,涉及图像的特征点检测、特征匹配和错误匹配消除,具体包括以下步骤:
步骤S1:针对输入的两幅图像,即查询图像Il和参考图像Ir,分别对其使用局部特征点检测方法和局部特征描述子计算方法,来计算出查询图像Il和参考图像Ir中各自包含的局部特征点和对应的特征描述子;
其中,从查询图像Il的检测出来的局部特征点为Kl=k(xi,yi),对应的特征描述子为Dl=d(k(xi,yi));i∈[1,M],M表示从查询图像Il中检测出来的局部特征点数量;
从参考图像Ir中的检测出来的局部特征点为Kr=k(x′j,y′j),对应的特征描述子为Dr=d(k(x′j,y′j));j∈[1,N],N表示从参考图像Ir中检测出来的局部特征点数量;
步骤S2:从参考图像包含的局部特征点中,为查询图像中的每个局部特征点k(xi,yi)寻找两个最相似的候选匹配特征点,即为k(x′j,y′j)和k(x′j+1,y′j+1);
步骤S3:计算两个候选匹配特征点k(x′j,y′j)和k(x′j+1,y′j+1)与特征点k(xi,yi)之间的距离差异比值ρ,进而根据距离差异比值ρ确定初始特征匹配结果Matches1;
步骤S4:对于初始特征匹配结果Matches1,使用交叉验证法消除由于特征描述子歧义性产生的错误特征匹配,进而获得特征匹配结果为Matches2;
步骤S5:对于特征匹配结果Matches2,消除其中所有因为不满足几何一致性导致的错误特征匹配点,获得精确的特征匹配结果Matches3;
步骤S6:对于特征匹配结果Matches3,使用基于聚类的方法消除受噪声数据的影响所导致的错误特征匹配点,从而获得最终的特征匹配结果,即为MatchesFinal。
进一步地,所述步骤S1中计算局部特征点和对应的特征描述子的具体方法为:
1)特征点的预训练,通过制作一些三维物体并对这些物体进行一个视角的图片截取得到二维图像;所得二维图像中所有的特征点的真值是已知的,因此将其用于网络训练;
2)特征点自标注,采用ImageNet作为该部分的训练数据集和测试数据集;使用合成场景进行训练得到基础特征点检测网络模型,同时利用基础特征点检测网络模型在ImageNet数据集上进行特征点的提取,即为特征点自标注;
3)联合训练,针对上一步骤中使用的图片进行几何变换,得到若干图片对,将同一对图片对的两张图片输入网络,提取特征点和描述子,进行联合训练获得基于深度学习的局部特征,从而进行局部特征点的检测和计算特征描述子。
进一步地,所述步骤S2中使用层次化的局部感知哈希法来计算获得k(x′j,y′j)和k(x′j+1,y′j+1),具体过程如下:
1)构造哈希索引
记G={g:S→U}表示函数族,其中,S为输入,S为输出,g(v)=(h1(v),…,hk(v)),hi∈H,表示随机独立地从函数族G中选择L个哈希函数g1,…,gL;对于数据集中任意一点v,将其存储到桶gi(v)中,其中,i=1,…,L;
2)哈希搜索
对于一个查询点q=k(xi,yi)以及给定的距离阈值r,从搜索桶g1(q),…,gL(q),取出其中的所有点v1,…,vn作为候选近似最近邻点;对于任意的vj,如果D(q,vj)≤r,则返回vj,其中D(·)为相似性度量函数。通过上述过程,可以找到两个最佳的候选匹配点,q为查询点。
进一步地,所述步骤S3中特征点k(xi,yi)与两个候选匹配的局部特征点k(x′j,y′j)和k(x′j+1,y′j+1)之间的差异比值ρ的计算方法为:
Matches1={<k(xi,yi),k(x′j,y′j)>|i∈[1,M-,j∈[1,N-};
其中,d(k(xi,yi))表示局部特征点k(xi,yi)的特征描述子;d(k(x′j,y′j))表示候选匹配特征点局部特征点k(x′j,y′j)的特征描述子;d(k(x′j+1,y′j+1))表示局部特征点k(x′j+1,y′j+1)的特征描述子。
进一步地,所述步骤S4中采用交叉验证法来消除错误特征匹配点,具体方法为:
首先将查询图像的特征点k(xi,yi)与参考图像的特征点k(x′j,y′j)进行匹配,进而将参考特征点k(x′j,y′j)与查询特征点k(xi,yi)进行匹配,如果两次匹配的结果不一致,则将<k(xi,yi),k(x′j,y′j)>从Matches1删除,从而获得更加精确的特征匹配结果Matches2:
Matches2={<k(x′jj,y′jj),k(xii,yii)>|ii∈[1,M-,jj∈[1,N]}。
进一步地,所述步骤S5中采用几何约束法Matches2中不满足几何一致性的错误特征匹配点,具体方法为:
首选计算查询特征点k(xi,yi)与参考特征点k(x′j,y′j)之间的单应矩阵H,进而计算查询特征点k(xi,yi)与Hk(x′j,y′j)之间的距离τ,如果τ<0.5,则认为<k(xi,yi),k(x′j,y′j)>是一对正确的特定匹配点;否则是错误的特定匹配点,应该从Matches2消除,从而获得精确的特征匹配结果Matches3。
进一步地,所述步骤S6的详细方法为:
S6.1、采用层次化聚类方法对Matches3参考特征点进行聚类,找出中心点C1;
S6.2、以C1为中心计算参考特征点的外接矩形Rect1;
S6.3、根据单应性变换,检出Rect1在查询图像Ir中的对应区域Rect′1;
S6.4、从Matches3删除在区域Rect′1之外的匹配点,即可获得最终的特征匹配结果MatchesFinal。
有益效果:本发明所提出的层次化图像匹配方法同时考虑了影响局部特征匹配精度的多种因素(如特征描述子的歧义性、图像的光照、纹理和尺度变化等),采用层次的特征匹配错误消除方法,逐步地消除错误的特征匹配点,此方法快速、精确,匹配结果可以应用于如三维重建、图像检索、同时定位与地图构建、数字孪生等高层次的计算机视觉应用***中。
附图说明
图1为本发明的整体处理流程示意图;
图2为本发明一实施例中的图像处理流程示意图;
图3为本发明一实施例中的输入原始图;
图4为本发明一实施例中的最终输出结果;
其中,图3(a)为查询图像,图3(b)为参考图像。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,本发明的一种层次化的图像匹配方法,包括以下步骤:
步骤S1、对给出的输入图像,即查询图像Il和参考图像Ir,分别对其使用局部特征检测方法,计算出查询图像和参考图像各自包含的局部特征点和对应的特征描述子;
其中查询图像Il的局部特征点为Kl=k(xi,yi),对应的特征描述子为Dl=d(k(xi,yi));i∈[1,M];
参考图像Ir中的局部特征点为Kr=k(x′j,y′j),对应的特征描述子为Dr=d(k(x′j,y′j));j∈[1,N];
M和N分别表示查询图像和参考图像中的局部特征点数量;
步骤S2:从参考图像包含的局部特征点中,为查询图像中的每个局部特征点k(xi,yi)寻找两个最相似的候选匹配特征点k(x′j,y′j)和k(x′j+1,y′j+1);
步骤S3:计算最相似的两个候选匹配特征点之间的距离差异比值ρ,进而根据比值确定初始特征匹配结果Matches1;
步骤S4:对于初始特征匹配结果Matches1,消除其中所有由于特征描述子歧义性产生的错误特征匹配,获得精确的特征匹配结果Matches2;
步骤S5:对于特征匹配结果Matches2,消除其中所有因为不满足几何一致性导致的错误特征匹配点,获得精确的特征匹配结果Matches3;
步骤S6:对于特征匹配结果Matches3,消除其中所有由于特征匹配方法受噪声数据的影响所导致的错误特征匹配点,从而获得最终的特征匹配结果MatchesFinal。
实施例1:
如图2所示,步骤(a)使用比例测试方法消除由于描述子的歧义性所导致的错误匹配点;步骤(b)使用交叉验证方法消除非对称的特征匹配点;步骤(c)使用几何约束方法消除不满足特定几何模型的特征匹配点(如单应矩阵约束、基本矩阵约束和极线约束等);步骤(d)使用统计优化和特征聚类方法消除受噪声数据影响所导致的错误匹配点。
本实施例的具体步骤为:
Step1:用户输入两幅图像,即查询图像Il和参考图像Ir。输入图像中可以包含有一定的遮挡、模糊、特定的形状和物体、以及色彩差异;且不需要用户对输入图像进行任何的预处理操作。
Step2:分别检测查询图像Il和参考图像Ir中的特征点,以及计算对应的特征描述子。
记查询图像Il中的查询特征点为Kl={k(xi,yi)|i∈[1,M]},对应的特征描述子为Dl={d(k(xi,yi))|i∈[1,M]}。
参考图像Ir中的参考特征点为Kr={k(x′j,y′j)|j∈[1,N]},对应的特征描述子为Dr={d(k(x′j,y′j))|j∈[1,N]}。
其中,M和N分别表示查询图像和参考图像中的特征点数量;d(k(xi,yi))表示特征点k(xi,yi)的特征描述子;d(k(x′j,y′j))表示特征点k(x′j,y′j)的特征描述子。
Step3:使用层次化的局部感知哈希方法为查询特征点k(xi,yi)寻找两个候选的匹配点k(x′j,y′j)和k(x′j+1,y′j+1),进而可以计算出两个候选匹配点之间的差异比值:
其中,d(k(xi,yi))表示局部特征点k(xi,yi)的特征描述子;d(k(x′j,y′j))表示局部特征点k(x′j,y′j)的特征描述子;d(k(x′j+1,y′j+1))表示局部特征点k(x′j+1,y′j+1)的特征描述子。如果则认为特征点k(x′j,y′j)是特征点k(xi,yi)的正确匹配点;至此,可以获得初始的特征匹配结果Matches1:
Matches1={<k(xi,yi),k(x′j,y′j)>|i∈[1,M],j∈[1,N]} (2)
Step4:以参考图像Ir中的特征点k(x′jj,y′jj)作为查询特征点,从查询图像Il中为特征点k(x′jj,y′jj)寻找两个候选匹配点k(xii,yii)和k(xii+1,yii+1);根据式(1)可以计算出如下所示的特征匹配结果:
Matches2={<k(x′jj,y′jj),k(xii,yii)>|ii∈[1,M],jj∈[1,N]} (3)
合并Matches1和Matches2中的匹配结果,当i=ii且j=jj时,<k(xi,yi),k(x′j,y′j)>被看作为一对正确的匹配点,否则错误的匹配点、应该被删除,从而可以获得如下所示的特征匹配结果:
Matches3={<k(xp,yp),k(x′q,y′q)>|p∈[1,M],q∈[1,N]}; (4)
通过上述过程的交叉验证,使得验证结果满足一致性。
Step5:根据Matches3计算出查询图像Il和参考图像Ir之间的单应矩阵Hlr,如下所示:
记k(x′q,y′q,1)为k(x′q,y′q)的齐次坐标,进而可以计算出特征点k(x′q,y′q)在查询图像Il中的对应点:
如果特征点k(x′p,y′p)与特征点k(xp,yp)之间的距离小于0.5,则认为<k(xp,yp),k(x′q,y′q)>是一对正确的特征匹配点,否则应该将其从Matches3中删除,进而可以获得如下所示的特征匹配结果。
Matches4={<k(xg,yg),k(x′s,y′s)>|g∈[1,M],s∈[1,N]} (7)
其中,<k(xg,yg)、k(x′s,y′s)>是一对特征匹配结果,k(xg,yg)表示查询特征点,k(x′s,y′s)表示参考特征点。
Step6:在实践中,由于求解单应矩阵Hlr时受噪声数据的影响,导致特征匹配结果Matches4中仍然存在错误的特征匹配点,对于这些错误的匹配点、既可以采用基于统计的错误消除方法又可以采用基于聚类的错误消除方法将其从Matches4中删除,从而获得完全正确的特征匹配结果,如下所示:
MatchesFinal={<k(xv,yv),k(x′c,y′c)>|v∈[1,M],c∈[1,N]} (8)
其中,M和N分别为查询图像Il和参考图像Ir中的特征点数量。
图2中个,从步骤b到步骤c依次进行以下操作:
首先进行特征点的初始匹配,然后分别采用:比例测试、交叉验证、几何约束、统计与聚类方法,分别逐层消除错误的特征匹配,从而获得正确的特征匹配结果。
上述实施例中,输入图像如图3所示,图3(a)为查询图像,图3(b)为参考图像;在图像匹配的计算过程中,不需要对输入图像进行任何预处理操作。
如图4所示,本实施例的最初输出匹配结果图4所示,其中绿色的直线表示正确的特征匹配点;连线的两端表示特征点在图像中的位置。
通过上述实施例可以看出,本发明通过分析造成特征匹配错误的多种因素,提供高层次化的特征匹配方法,逐层地消除错误的特征匹配点,为提高基于图像匹配的高层次计算机视觉应用***的性能奠定基础。能够快速及高效地计算出对应的特征匹配点,进而应用于一系列基于图像匹配的高层次计算机视觉应用***。
Claims (7)
1.一种层次化的图像匹配方法,其特征在于:包括以下步骤:
步骤S1:针对输入的两幅图像,即查询图像Il和参考图像Ir,分别对其使用局部特征点检测方法和局部特征描述子计算方法,来计算出查询图像Il和参考图像Ir中各自包含的局部特征点和对应的特征描述子;
其中,从查询图像Il的检测出来的局部特征点为Kl=k(xi,yi),对应的特征描述子为Dl=d(k(xi,yi));i∈[1,M],M表示从查询图像Il中检测出来的局部特征点数量;
从参考图像Ir中的检测出来的局部特征点为Kr=k(x′j,y′j),对应的特征描述子为Dr=d(k(x′j,y′j));j∈[1,N],N表示从参考图像Ir中检测出来的局部特征点数量;
步骤S2:从参考图像包含的局部特征点中,为查询图像中的每个局部特征点k(xi,yi)寻找两个最相似的候选匹配特征点,即为k(x′j,y′j)和k(x′j+1,y′j+1);
步骤S3:计算两个候选匹配特征点k(x′j,y′j)和k(x′j+1,y′j+1)与特征点k(xi,yi)之间的距离差异比值ρ,进而根据距离差异比值ρ确定初始特征匹配结果Matches1;
步骤S4:对于初始特征匹配结果Matches1,使用交叉验证法消除由于特征描述子歧义性产生的错误特征匹配,进而获得特征匹配结果为Matches2;
步骤S5:对于特征匹配结果Matches2,消除其中所有因为不满足几何一致性导致的错误特征匹配点,获得特征匹配结果Matches3;
步骤S6:对于特征匹配结果Matches3,使用基于聚类的方法消除受噪声数据的影响所导致的错误特征匹配点,从而获得最终的特征匹配结果,即为MatchesFinal。
2.根据权利要求1所述的层次化的图像匹配方法,其特征在于:所述步骤S1采用基于深度学习的局部特征检测法来计算局部特征点和对应的特征描述子的具体方法为:
步骤S1.1、局部特征点的预训练:通过制作相应三维物体并对这些物体进行一个视角的图片截取得到二维图像,将这些二维图像中所有已知的局部特征点用于网络训练;
步骤S1.2、特征点自标注:采用ImageNet作为训数据集和测试数据集;使用合成场景进行训练得到基础特征点检测网络模型,同时利用基础特征点检测网络模型在ImageNet数据集上进行特征点的提取,即为特征点自标注;
步骤S1.3、联合训练:针对上一步骤中使用的图片进行几何变换,若干图片对,将相应图片对输入基础特征点检测网络,提取特征点和描述子,进行联合训练获得基于深度学习的局部特征,从而进行局部特征点的检测和计算特征描述子。
3.根据权利要求1所述的层次化的图像匹配方法,其特征在于:所述步骤S2中使用层次化的局部感知哈希法来计算获得k(x′j,y′j)和k(x′j+1,y′j+1),具体过程如下:
S2.1、构造哈希索引
记G={g:S→U}表示函数族,其中,S表示输入,U表示输出;g(v)=(h1(v),…,hk(v)),hi∈H,表示随机独立地从函数族G中选择L个哈希函数g1,…,gL;对于数据集中任意一点v,将其存储到桶gi(v)中,其中,i=1,…,L;
S2.2、哈希搜索过程
对于一个查询点q=k(xi,yi)以及给定的距离阈值r,从搜索桶g1(q),…,gL(q),取出其中的所有点v1,…,vn作为候选近似最近邻点;对于任意的vj,如果D(q,vj)≤r,则返回vj,其中D(·)为相似性度量函数,q表示查询点;
通过上述过程找到两个最佳的候选匹配点。
4.根据权利要求1所述的层次化的图像匹配方法,其特征在于:所述步骤S3中特征点k(xi,yi)与两个候选匹配的局部特征点k(x′j,y′j)和k(x′j+1,y′j+1)之间的差异比值ρ的计算方法为:
Matches1={<k(xi,yi),k(x′j,y′j)>|i∈[1,M],j∈[1,N]};
其中,d(k(xi,yi))表示局部特征点k(xi,yi)的特征描述子;d(k(x′j,y′j))表示局部特征点k(x′j,y′j)的特征描述子;d(k(x′j+1,y′j+1))表示局部特征点k(x′j+1,y′j+1)的特征描述子。
5.根据权利要求1所述的层次化的图像匹配方法,其特征在于:所述步骤S4中采用交叉验证法来消除错误特征匹配点,具体方法为:
首先将查询图像的特征点k(xi,yi)与参考图像中的特征点k(x′j,y′j)进行匹配,进而将参考特征点k(x′j,y′j)与查询特征点k(xi,yi)进行匹配,如果两次匹配的结果不一致,则将<k(xi,yi),k(x′j,y′j)>从Matches1删除,从而获得更加精确的特征匹配结果Matches2。
6.根据权利要求1所述的层次化的图像匹配方法,其特征在于:所述步骤S5中采用几何约束法Matches2中不满足几何一致性的错误特征匹配点,具体方法为:
首选计算查询特征点k(xi,yi)与参考特征点k(x′j,y′j)之间的单应矩阵H,进而计算查询特征点k(xi,yi)与Hk(x′j,y′j)之间的距离τ,如果τ<0.5,则认为<k(xi,yi),k(x′j,y′j)>是一对正确的特定匹配点;否则是错误的特定匹配点,应该从Matches2消除,从而获得精确的特征匹配结果Matches3;
其中,Hk(x′j,y′j)是指特征点k(x′j,y′j)在查询图像中的位置。
7.根据权利要求1所述的层次化的图像匹配方法,其特征在于:所述步骤S6采用基于聚类的特征匹配错误消除法来逐层消除错误特征匹配点,具体内容为:
S6.1、采用层次化聚类方法对Matches3参考特征点进行聚类,找出中心点C1;
S6.2、以C1为中心计算参考特征点的外接矩形Rect1;
S6.3、根据单应性变换,检出Rect1在查询图像Ir中的对应区域Rect′1;
S6.4、从Matches3删除在区域Rect′1之外的匹配点,即可获得最终的特征匹配结果MatchesFinal。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210001464.9A CN114332510B (zh) | 2022-01-04 | 2022-01-04 | 一种层次化的图像匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210001464.9A CN114332510B (zh) | 2022-01-04 | 2022-01-04 | 一种层次化的图像匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114332510A true CN114332510A (zh) | 2022-04-12 |
CN114332510B CN114332510B (zh) | 2024-03-22 |
Family
ID=81022371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210001464.9A Active CN114332510B (zh) | 2022-01-04 | 2022-01-04 | 一种层次化的图像匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332510B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109852A (zh) * | 2023-04-13 | 2023-05-12 | 安徽大学 | 一种快速及高精度的特征匹配错误消除方法 |
CN116342826A (zh) * | 2023-05-25 | 2023-06-27 | 上海维智卓新信息科技有限公司 | 一种ar地图的构建方法及装置 |
CN116385665A (zh) * | 2023-06-02 | 2023-07-04 | 合肥吉麦智能装备有限公司 | 一种面向双模g臂x光机多视角x光图像三维重建方法 |
CN116543187A (zh) * | 2023-07-04 | 2023-08-04 | 合肥吉麦智能装备有限公司 | 一种面向双模g型臂x光机的图像匹配方法 |
CN117150698A (zh) * | 2023-11-01 | 2023-12-01 | 广东新禾道信息科技有限公司 | 基于数字孪生的智慧城市网格对象构建方法与*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615642A (zh) * | 2014-12-17 | 2015-05-13 | 吉林大学 | 基于局部邻域约束的空间验证的错误匹配检测方法 |
US20210279904A1 (en) * | 2020-03-05 | 2021-09-09 | Magic Leap, Inc. | Systems and methods for depth estimation by learning triangulation and densification of sparse points for multi-view stereo |
-
2022
- 2022-01-04 CN CN202210001464.9A patent/CN114332510B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615642A (zh) * | 2014-12-17 | 2015-05-13 | 吉林大学 | 基于局部邻域约束的空间验证的错误匹配检测方法 |
US20210279904A1 (en) * | 2020-03-05 | 2021-09-09 | Magic Leap, Inc. | Systems and methods for depth estimation by learning triangulation and densification of sparse points for multi-view stereo |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109852A (zh) * | 2023-04-13 | 2023-05-12 | 安徽大学 | 一种快速及高精度的特征匹配错误消除方法 |
CN116342826A (zh) * | 2023-05-25 | 2023-06-27 | 上海维智卓新信息科技有限公司 | 一种ar地图的构建方法及装置 |
CN116342826B (zh) * | 2023-05-25 | 2023-10-10 | 上海维智卓新信息科技有限公司 | 一种ar地图的构建方法及装置 |
CN116385665A (zh) * | 2023-06-02 | 2023-07-04 | 合肥吉麦智能装备有限公司 | 一种面向双模g臂x光机多视角x光图像三维重建方法 |
CN116543187A (zh) * | 2023-07-04 | 2023-08-04 | 合肥吉麦智能装备有限公司 | 一种面向双模g型臂x光机的图像匹配方法 |
CN117150698A (zh) * | 2023-11-01 | 2023-12-01 | 广东新禾道信息科技有限公司 | 基于数字孪生的智慧城市网格对象构建方法与*** |
CN117150698B (zh) * | 2023-11-01 | 2024-02-23 | 广东新禾道信息科技有限公司 | 基于数字孪生的智慧城市网格对象构建方法与*** |
Also Published As
Publication number | Publication date |
---|---|
CN114332510B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114332510A (zh) | 一种层次化的图像匹配方法 | |
CN113240691B (zh) | 一种基于u型网络的医学图像分割方法 | |
JP6216508B2 (ja) | 3dシーンにおける3d物体の認識および姿勢決定のための方法 | |
Ikeuchi et al. | The great buddha project: Digitally archiving, restoring, and analyzing cultural heritage objects | |
CN102236794B (zh) | 3d场景中3d对象的识别和姿态确定 | |
Irschara et al. | Towards wiki-based dense city modeling | |
CN110110116B (zh) | 一种整合深度卷积网络和语义分析的商标图像检索方法 | |
CN108830888B (zh) | 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法 | |
CN109711321B (zh) | 一种结构自适应的宽基线影像视角不变直线特征匹配方法 | |
CN105654483A (zh) | 三维点云全自动配准方法 | |
CN109523582B (zh) | 一种顾及法向量和多尺度稀疏特征的点云粗配准方法 | |
CN110111375B (zh) | 一种Delaunay三角网约束下的影像匹配粗差剔除方法及装置 | |
CN110490915B (zh) | 一种基于卷积受限玻尔兹曼机的点云配准方法 | |
CN112163588A (zh) | 基于智能进化的异源图像目标检测方法、存储介质及设备 | |
CN113393439A (zh) | 一种基于深度学习的锻件缺陷检测方法 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
CN112288758A (zh) | 一种电力设备红外与可见光图像配准方法 | |
CN115147599A (zh) | 一种面向遮挡和截断场景的多几何特征学习的物体六自由度位姿估计方法 | |
CN111739079A (zh) | 一种基于语义特征多源低空立体像对快速匹配方法 | |
CN110838146A (zh) | 一种共面交比约束的同名点匹配方法、***、装置及介质 | |
IL123566A (en) | Detection of prominent contours in a pair of stereoscopic figures | |
CN109801317A (zh) | 基于卷积神经网络进行特征提取的图像匹配方法 | |
CN114972937A (zh) | 一种基于深度学习的特征点检测与描述子生成方法 | |
CN114155406A (zh) | 一种基于区域级特征融合的位姿估计方法 | |
Kang et al. | 3D urban reconstruction from wide area aerial surveillance video |
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 |