专利交易市场

本发明涉及无人机导航技术领域，揭露了一种基于图像匹配的无人机导航方法。所述方法包括以下步骤：获得精确区域原图集，对精确区域特征原图集进行边界融合操作，获得精确地貌原图，对无人机所在的位置进行实地测量，获得拍摄图像并进行计算，获得实时特征地貌图；根据实时特征地貌图与精确地貌原图进行匹配获得当前精确位置，接收精确地貌原图上设置的飞行路径或原始目标地点，成飞行路径导航图或生成飞行目标导航图，根据当前飞行区域进行分析，生成重叠导航区域并进行计算，对精确地貌原图进行修正操作。本发明结合GPS导航对GPS导航误差进行修正，也可进行无网导航，进行作业区域自主导航，定位精确。

本发明涉及一种基于自注意力深度神经网络的图像匹配方法，步骤包括：首先构建数据集并对数据集中的数据进行特征增强；对于输入的特征，首先利用PointCN模块提取初始全局特征，再经过可微分池化层进行下采样，再传入顺序意识网络更好地学习全局信息，之后传入可微分不池化层进行上采样得到更好的全局信息;将经过PointCN模块提取的初始全局特征传入我们的自注意力层进行操作，可以得到加强后的特征信息。然后得到的更好的全局信息进行拼接处理，再经过PointCN模块得到初步预测结果；对初步预测结果通过加权8点算法进行计算，得到本质矩阵。本网络可以代替RANSAC去对SIFT一类算法提取的匹配点做后处理，来提高匹配精度。

本发明公开了一种NCC图像匹配算法酶数值膜系统，包括表层膜，用于存储待匹配图像、模板图像和初始化的酶，同时输出计算模板图像在待匹配图像中的匹配位置的位置坐标；ComputeT膜，用于计算模板图像进行NCC计算时所需的参数；ComputeMatchingCood膜，用于计算模板图像在待匹配图像中的匹配位置；若干个ComputeNccValuelk膜，用于并行计算模板图像在原始图像中每移动一个位置后在该位置处的NCC值。本发明的膜系统具有强大的并行性，可使模板图像不需要在原始图像上进行滑动匹配，而是和所有子图像同时计算NCC的值，让串行计算下耗时的多个NCC计算并行执行，计算时间复杂度为常数，与数据规模无关，从而大大降低整个NCC图像匹配算法的时间复杂度。

本发明公开了一种基于局部稳定区域的鱼眼图像匹配方法，首先根据鱼眼图像像素灰度值的梯度变化率得到图像的稳定区域，通过图像块内部特征点之间关系与图像块的颜色信息对稳定区域的图像块进行区域匹配；然后根据鱼眼成像模型与鱼眼图像畸变原理推导出适用于D-nets算法的鱼眼立体系统半球模型；最后在推导出鱼眼模型的基础上对相似度高的图像块内部点使用D-nets算法进行特征点匹配，得到图像的特征点匹配图。本发明算法使用局部网络状描述子对鱼眼图像上特征点进行匹配，在畸变严重区域具有匹配速度快、匹配精度高等优点。

本申请公开一种神经网络的训练方法及图像匹配方法、装置，至少包括：标注第一服装实例和第二服装实例的注释信息，所述第一服装实例和第二服装实例分别来源于第一服装图像和第二服装图像；响应于所述第一服装实例和所述第二服装实例匹配的情况，将所述第一服装图像和所述第二服装图像进行配对；基于配对的所述第一服装图像和所述第二服装图像对待训练的神经网络进行训练。

本发明公开了一种基于梯度向量的特征点描述算子的图像匹配方法及系统,通过采集原图像与目标图像并检测原图像与目标图像中特征点,利用梯度向量分别构建原图像特征点描述算子与目标图像特征点描述算子,并根据原图像特征点描述算子与目标图像特征点描述算子计算原图像与目标图像间特征点距离,并根据计算的特征点距离完成原图像与目标图像间匹配;本发明采用特征点间梯度值构建梯度向量,结合描述算子具有的旋转不变性,有效解决了图像有旋转时低匹配精度的问题,并利用归一化向量点积有效判断原图像与目标图像的相关性,简化算子计算,提高计算精准性以及图像匹配准确性。

本发明涉及一种基于多尺度邻居深度神经网络的图像匹配方法。该方法通过分析输入需要匹配的匹配对，通过新型神经网络训练自适应地输出匹配好的图像对，具体来说，给定两个视图特征点的匹配数据，设计了一个端到端的神经网络框架，该神经网络将图像匹配问题表述为二分类问题，它使用基于特异相容的距离度量每个匹配对之间的距离，再使用多尺度邻居将匹配对与其邻居组合成图。本发明方法可以充分挖掘匹配对的局部信息；本发明方法与其他匹配算法相比，在基准数据集取得了最先进的性能，具备较好的鲁棒性。