CN104111960A - 一种页面的匹配方法和装置 - Google Patents
一种页面的匹配方法和装置 Download PDFInfo
- Publication number
- CN104111960A CN104111960A CN201310142160.5A CN201310142160A CN104111960A CN 104111960 A CN104111960 A CN 104111960A CN 201310142160 A CN201310142160 A CN 201310142160A CN 104111960 A CN104111960 A CN 104111960A
- Authority
- CN
- China
- Prior art keywords
- similarity
- image
- contrast images
- benchmark image
- local feature
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/418—Document matching, e.g. of document images
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种页面的匹配方法和装置,对不同浏览器显示的相同页面进行匹配以快速的查找出显示效果存在差异的页面。所述的方法包括:在至少两种浏览器中开启服务器中运行的同一页面,并分别从各浏览器中截取所述同一页面的图像;分别提取各截取的图像的全局特征,并依据各截取的图像中提取的关键像素点确定局部特征,其中,所述截取的图像包括基准图像和对比图像;计算所述对比图像相对于基准图像的全局特征的第一相似度,以及局部特征的第二相似度;通过对所述全局特征的第一相似度和局部特征的第二相似度进行加权求和,确定所述基准图像和对比图像对应页面的匹配结果。
Description
技术领域
本申请涉及互联网技术,特别是涉及一种页面的匹配方法和装置。
背景技术
随着科技的发展,越来越多的用户在网络上浏览、查找资源,用户通常是通过浏览器进行上网的。用户使用浏览器打开网站的页面时,浏览器通常先从网站的服务器中获取页面的页面脚本,如HTML脚本,然后浏览器会对页面脚本进行渲染以显示该页面。
但是,当前存在多款浏览器,如IE(Internet Explorer)浏览器,火狐(FireFox)浏览器和Chrome浏览器等,不同浏览器在显示页面时会采取不同的技术。如HTML脚本采用html语言生成,采用不同的浏览器打开同一页面时,虽然是采用相同的HTML脚本,但由于不同浏览器对脚本中的html语言可能会有不同的解释,并可能采取不同的渲染技术进行页面的渲染,因而可能出现在不同浏览器打开相同页面时,页面的显示效果存在差异的情况。
而在实际情况中,上述页面显示的效果存在差异时,可能会出现某种浏览器打开的页面信息表达不完整,甚至页面信息出现错误的情况。
因此,本领域技术人员迫切解决的技术问题是,提出一种页面的匹配方法,对不同浏览器显示的相同页面进行匹配,以快速的查找出显示效果存在差异的页面。
发明内容
本申请提供一种页面的匹配方法和装置,对不同浏览器显示的相同页面进行匹配,以快速的查找出显示效果存在差异的页面。
为了解决上述问题,本申请公开了一种页面的匹配方法,包括:
在至少两种浏览器中开启服务器中运行的同一页面,并分别从各浏览器中截取所述同一页面的图像;
分别提取各截取的图像的全局特征,并依据各截取的图像中提取的关键像素点确定局部特征,其中,所述截取的图像包括基准图像和对比图像,所述基准图像为选定的浏览器中截取的图像,所述对比图像为除所述基准图像以外的其他浏览器中截取的图像;
计算所述对比图像相对于基准图像的全局特征的第一相似度,以及局部特征的第二相似度;
通过对所述全局特征的第一相似度和局部特征的第二相似度进行加权求和,确定所述基准图像和对比图像对应页面的匹配结果。
可选的,所述从各浏览器中截取所述同一页面的图像之后,还包括:对截取的图像进行预处理得到尺寸相同的灰度图像。
可选的,所述分别提取各截取的图像的全局特征,包括:分别提取各灰度图像的梯度,并依据所述梯度计算梯度直方图;将所述基准图像的梯度和梯度直方图作为所述基准图像的全局特征,并将所述对比图像的梯度和梯度直方图作为所述对比图像的全局特征。
可选的,所述分别提取各灰度图像的梯度,并依据所述梯度计算梯度直方图,包括:分别提取所述各灰度图像中像素点的像素值;通过所述像素值计算对应灰度图像的梯度;依据所述灰度图像的梯度计算梯度的和,作为所述灰度图像的梯度直方图。
可选的,所述依据各截取的图像中提取的关键像素点确定局部特征,包括:采取尺度不变特征转换SIFT算法提取所述灰度图像中的关键像素点;以所述关键像素点为中心确定所述关键像素点的局部特征;将所述基准图像中关键像素点的局部特征作为所述基准图像的局部特征,并将所述对比图像中关键像素点的局部特征作为所述对比图像的局部特征。
可选的,以所述关键像素点为中心确定所述关键像素点的局部特征,包括:以所述关键像素点为中心选取像素点作为像素组;将所述像素组与所述关键像素点进行比较,确定所述关键像素点的局部特征。
可选的,计算所述对比图像相对于基准图像的全局特征的第一相似度,包括:计算所述对比图像的梯度直方图相对于所述基准图像的梯度直方图的相似度,作为所述基准图像相对于对比图像的全局特征的第一相似度。
可选的,其特征在于,所述对比图像相对于基准图像的局部特征的第二相似度的计算方法包括:以所述基准图像的关键像素点为节点构建视觉树;采用所述对比图像的关键像素点对所述视觉树进行查找,确定对比的叶子节点;计算所述对比图像的关键像素点相对于所述叶子节点的相似度,作为所述对比图像相对于基准图像的局部特征的第二相似度。
可选的,所述通过对所述全局特征的第一相似度和局部特征的第二相似度进行加权求和,确定所述基准图像和对比图像对应页面的匹配结果,包括:按照预置的权重分别对所述全局特征的第一相似度和局部特征的第二相似度进行加权并求和,确定所述对比图像相对于所述基准图像的整体相似度;将所述整体相似度与预置的匹配阈值进行比较,确定所述基准图像和对比图像对应页面的匹配结果。
可选的,所述将所述整体相似度与预置的匹配阈值进行比较,确定所述基准图像和对比图像对应页面的匹配结果,包括:检测所述整体相似度是否大于所述预置的匹配阈值;当所述整体相似度大于所述预置的匹配阈值时,所述基准图像和对比图像对应页面匹配失败;当所述整体相似度小于或等于所述预置的匹配阈值时,所述基准图像和对比图像对应页面匹配成功。
可选的,所述对截取的图像进行预处理得到尺寸相同的灰度图像,包括:对所述截取的图像进行尺度变换,得到尺寸相同的图像;对所述尺寸相同的图像进行灰度图像转换,得到对应的灰度图像。
相应的,本申请还公开了一种页面的匹配装置,包括:
页面开启并截取模块,用于在至少两种浏览器中开启服务器中运行的同一页面,并分别从各浏览器中截取所述同一页面的图像;
特征提取模块,用于分别提取各截取的图像的全局特征,并依据各截取的图像中提取的关键像素点确定局部特征,其中,所述截取的图像包括基准图像和对比图像,所述基准图像为选定的浏览器中截取的图像,所述对比图像为除所述基准图像以外的其他浏览器中截取的图像;
相似度计算模块,用于计算所述基准图像相对于对比图像的全局特征的第一相似度,以及局部特征的第二相似度;
结果确定模块,用于通过对所述全局特征的第一相似度和局部特征的第二相似度进行加权求和,确定所述基准图像和对比图像对应页面的匹配结果。
与现有技术相比,本申请包括以下优点:
首先,本申请实施例对不同浏览器中开启的同一页面进行图像截取,从而通过图像获取页面的真实显示情况。再对截取的图像进行全局特征和局部特征的比对,以对不同浏览器中开启的同一页面进行匹配,确定不同浏览器开启的同一页面的匹配结果,通过图像的特征比对可以提高页面匹配的准确性,并可以快速的查找出显示效果存在差异的页面,提高页面的匹配的效率。
附图说明
图1是本申请实施例一提供的页面匹配方法流程图;
图2是本申请实施例一提供的局部特征提取示意图;
图3是本发明实施例二提供的页面的匹配装置结构图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
由于不同的浏览器采取了不同的技术,导致其在使用同一网页脚本打开同一页面时,对脚本语言可能存在不同的解释,并可能采取不同的渲染技术进行页面的渲染,因而可能出现在不同浏览器打开相同页面时,页面的显示效果存在差异的情况。
这种差异可能导致用户使用某款浏览器时,开启的页面中出现页面信息表达不完整,甚至页面信息出现错误的情况。使得用户看到错误的页面信息或无法获取页面信息,严重的影响了用户的体验。
为了防止出现上述问题,其中一种应用场景是在网站构建、维护,网页开发等过程中,会预先对不同浏览器显示同一页面进行测试、匹配,并在出现上述问题时对页面脚本进行修改,提高用户的体验效果。
本申请实施例提供了页面的匹配方法,采用图像处理技术,对不同浏览器中开启的同一页面进行图像截取,再对截取的图像进行全局特征和局部特征的比对,以对不同浏览器中开启的同一页面进行匹配,确定不同浏览器开启的同一页面的匹配结果,通过图像的特征比对可以提高页面匹配的准确性,并可以快速的查找出显示效果存在差异的页面,提高页面的匹配的效率。
实施例一
参照图1,给出了本申请实施例一提供的页面匹配方法流程图。
步骤101,在至少两种浏览器中开启服务器中运行的同一页面,并分别从各浏览器中截取所述同一页面的图像。
为了检测同一页面脚本在不同浏览器中显示的页面是否一致,本申请获取服务器中运行的某一页面的页面脚本,然后在至少两种浏览器中运行该页面脚本,从而在至少两种浏览器中开启同一页面。具体实施中,可以在各浏览器中输入要开启的页面的网页地址,即统一资源定位符(Uniform ResourceLocator,URL)地址,然后该浏览器会自动向服务器请求页面脚本,并对页面脚本进行渲染以开启页面。
本申请实施例中,所采用的浏览器可以按照内核划分,如IE内核和非IE内核,也可以按照所采用的排版引擎划分,包括:Trident排版引擎(如IE浏览器)、Gecko排版引擎(如FireFox)、KHTML排版引擎(如搜狗浏览器2)和Presto排版引擎(如Opera浏览器)等。还可以按照浏览器的名称划分,如可以包括IE浏览器、FireFox、Chrome浏览器和Opera浏览器等。浏览器的划分可以按照实际需求而定,本申请实施例对此不作限定。
然后针对同一页面的相同位置,从各浏览器中截取对应的图像,如选取同一页面的标题位置,然则可以从各浏览器中显示的页面的标题位置处截取图像。
步骤102,分别提取各截取的图像的全局特征,并依据各截取的图像中提取的关键像素点确定局部特征。
在图像截取完毕后,可以对截取的图像进行特征提取操作。本申请实施例为了对图像进行更准确的比对,采用将图像的全局特征与局部特征相融合的方法,因此针对每一个截取的图像,可以提取该截取的图像的全局特征,如计算直方图等,然后再从各截取的图像中提取关键像素点,依据该关键像素点确定图像的局部特征。
其中,全局特征描述如颜色直方图、颜色矩阵、灰度共生矩阵等,这些特征描述反映的是图像的全局信息。而局部特征从图像的内容出发,提取出感兴趣的内容,通常,局部特征具有足够的描述能力和区分度,以达到描述图像特征的目的。从而本申请实施例在依据全局的角度对图像进行比对的基础上,还可以对图像的细节进行区分,从而更准确的对两张图像进行比对,以确定图像对应的页面是否匹配。
本申请实施例中,为了对截取的图像进行标准化的比对,可以将截取的图像划分为基准图像和对比图像。其中,所述基准图像为选定的浏览器中截取的图像,所述对比图像为除所述基准图像以外的其他浏览器中截取的图像。
如进行对比的浏览器包括IE浏览器、FireFox和Chrome浏览器,则可以将IE浏览器作为选定的浏览器,则将从IE浏览器中截取的图像作为基准图像,将从FireFox和Chrome浏览器中截取的图像作为对比图像。采用对比图像与基准图像进行比对,确定对应页面的匹配结果。
在本申请的一种可选实施例中,步骤101之后,还包括:对截取的图像进行预处理得到尺寸相同的灰度图像。进一步的,所述对截取的图像进行预处理得到尺寸相同的灰度图像,包括:对所述截取的图像进行尺度变换,得到尺寸相同的图像;对所述尺寸相同的图像进行灰度图像转换,得到对应的灰度图像。
本发明实施例中,为了能够更准确的进行后续的特征提取和比对处理,可以在截取图像后将截取的图像进行预处理以获取尺寸相同的灰度图像。首先可以对截取的图像进行尺度变换,如以基准图像的尺寸为基准,将对比图像通过尺寸变换(如放大或缩小等)得到与基准图像的尺寸相同的对比图像,然后再对基准图像和对比图像分别进行灰度图像转换,得到对应的灰度图像。则经过预处理后对比图像和基准图像均为灰度图像并且尺寸相同。
在本申请的一种可选实施例中,步骤102中分别提取各截取的图像的全局特征,可以包括如下步骤:分别提取各灰度图像的梯度,并依据所述梯度计算梯度直方图;将所述基准图像的梯度和梯度直方图作为所述基准图像的全局特征,并将所述对比图像的梯度和梯度直方图作为所述对比图像的全局特征。
则所述分别提取各灰度图像的梯度,并依据所述梯度计算梯度直方图,包括如下子步骤:
子步骤S201,分别提取所述各灰度图像中像素点的像素值;
子步骤S202,通过所述像素值计算对应灰度图像的梯度;
子步骤S203,依据所述灰度图像的梯度计算梯度的和,作为所述灰度图像的梯度直方图。
本申请实施例中,将各截取的图像预处理成尺寸相同的灰度图像后,可以提取各灰度图像的全局特征,其中,可以通过灰度的变化来反映图像的全局特征,因此可以将边缘定义为图像中灰度发生急剧变化的区域边界,而图像灰度的变化情况可以用图像灰度分布的梯度来反映。从而本申请实施例可以通过提取各灰度图像的梯度并计算梯度直方图来描述全局特征。
实际处理中,可以把图像看作二维离散函数,图像的梯度就是这个二维离散函数的求导,可以得到如下的向量:
上述向量的模值由下式给出:
其中,f(x,y)是图像中某一像素点的像素值,则通过上式计算得到的模值即为图像在该像素点的梯度。
计算梯度之后,可以对梯度进行求和得到梯度和作为梯度直方图。本申请实施例中梯度直方图包括:行的梯度直方图和列的梯度直方图,因此针对每一个灰度图像,可以计算每一行的梯度的和作为行的梯度直方图,再计算每一列的梯度的和作为列的梯度直方图。
上述计算得到的梯度与像素点的坐标相关,从而得到的直方图,反映了图像中对象与背景间的分布情况,从而既反映了全局的分布,又保留了空间信息。
从而,对基准图像而言,其全局特征包括基准图像的梯度、行的梯度直方图和列的梯度直方图;同样的对比图像的全局特征也包括对比图像的梯度、行的梯度直方图和列的梯度直方图。
在本申请的一种可选实施例中,步骤102中依据各截取的图像中提取的关键像素点确定局部特征,包括如下子步骤:
子步骤S301,采取尺度不变特征转换(Scale-invariant feature transform,SIFT)算法提取所述灰度图像中的关键像素点;
子步骤S302,以所述关键像素点为中心确定所述关键像素点的局部特征;
子步骤S303,将所述基准图像中关键像素点的局部特征作为所述基准图像的局部特征,并将所述对比图像中关键像素点的局部特征作为所述对比图像的局部特征。
子步骤S302具体包括:以所述关键像素点为中心选取像素点作为像素组;将所述像素组与所述关键像素点进行比较,确定所述关键像素点的局部特征。
从而,利用SIFT算法对图像进行局部特征的提取时,可以得到图像中具有旋转不变性和尺度不变性的SIFT特征点,也称为关键像素点。然后可以以每个关键像素点为中心,选取该关键像素点四周的像素点,相邻的像素点再构成像素组,以得到若干像素组,每个像素组再与关键像素点比较得到坐标值,即为该关键像素点的SIFT特征,即关键像素点的局部特征。
参照图2,给出了本申请实施例一提供的局部特征提取示意图。
本申请一个可选实施例中,在提取关键像素点的局部特征时,如图2(1)所示,以关键像素点为中心取8×8像素点的窗口。图中的中央黑点为关键像素点,每个小格代表关键点所在尺度空间的一个邻域像素点。图中小箭头表示每个像素点处参与计算sift特征的计算值。然后在每4×4像素的小块上加权计算,所得到的结果就是一个像素组。如图2(2)所示,此时一个关键像素点具有2×2共4个像素组,每个像素组有8个方向向量信息。
例如,可以选取关键像素点四周的64个像素点,每相邻的4个像素为一像素组,共得到16个像素组,每个像素组再与关键像素点比较得到8个坐标值,共得到128个坐标值,即128维SIFT特征向量作为该关键像素点的SIFT特征。
由此,在提取关键像素点的局部特征时,可以选取2×2个、4×4个、8×8个......(也即2n×2n)个像素组,每个像素组包含4×4个像素点。
其中,SIFT算法是一种计算机视觉的算法,可以用来侦测与描述影像中的局部性特征。SIFT特征从理论上来说是一种相似不变量,它在尺度空间中寻找极值点,并提取出其位置,尺度,旋转不变量。并且,在构造SIFT特征时,由于在很多细节上进行了特殊处理,使得SIFT算法对图像的复杂变形和光照变化具有了较强的适应性,同时,运算速度比较快,定位精度也比较高。
对基准图像和对比图像分别采取上述方法,就可以得到基准图像的局部特征以及对比图像的局部特征。
从而通过上述方法,可以得到基准图像的全局特征和局部特征,并且可以得到对比图像的全局特征和局部特征。后续可以依据各特征分别进行比对。
步骤103,计算所述对比图像相对于基准图像的全局特征的第一相似度,以及局部特征的第二相似度。
在进行特征比对时,可以分别对全局特征和局部特征进行比对,具体的,可以采用对比图像的全局特征与基准图像的全局特征进行比对,即计算采用对比图像的全局特征相对于基准图像的全局特征的第一相似度;再采用对比图像的局部特征与基准图像的局部特征进行比对,即计算采用对比图像的局部特征相对于基准图像的局部特征的第二相似度。
在本申请的一种可选实施例中,步骤103中计算所述对比图像相对于基准图像的全局特征的第一相似度,包括:计算所述对比图像的梯度直方图相对于所述基准图像的梯度直方图的相似度,作为所述基准图像相对于对比图像的全局特征的第一相似度。
采用梯度直方图计算对比图像相对于基准图像的全局特征的第一相似度中,由于梯度直方图包括行的梯度直方图和列的梯度直方图,因此可以分别对行的梯度直方图和列的梯度直方图求相似度,然后对两个相似度取模,得到的模值作为所述基准图像相对于对比图像的全局特征的第一相似度。
在本申请的另一种可选实施例中,步骤103中计算所述对比图像相对于基准图像的局部特征的第二相似度,包括以下子步骤:
子步骤S401,以所述基准图像的关键像素点为节点构建视觉树;
子步骤S402,采用所述对比图像的关键像素点对所述视觉树进行查找,确定对比的叶子节点;
子步骤S403,计算所述对比图像的关键像素点相对于所述叶子节点的相似度,作为所述对比图像相对于基准图像的局部特征的第二相似度。
在具体实现中,对于基准图像的所有关键像素点,可以使用层次K-means方法训练得到一棵m层的视觉树,该视觉树中每个节点的分支数为2,即该视觉树是一种二叉树。从而视觉树中的每个结点都对应一个关键像素点,即如上述实施例中的128维的SIFT特征点。
从而针对对比图像,也提取其所有的关键像素点,然后针对每个关键像素点,从视觉树的根结点开始进行比较,即分别计算该关键像素点与根节点的两个子节点的距离。从而以找到与其距离最小的分支进行遍历,直到命中该视觉树中的某个叶子结点,即找到与对比图像中该关键像素点进行比对的叶子节点(基准图像的某一关键像素点)。
再计算对比图像中该关键像素点与对比的叶子结点的相似度,将该相似度作为对比图像相对于基准图像的该局部特征的第二相似度。进一步,为了提供比对的准确定,在确定关键像素点与对比的叶子结点的相似度后,还可以将该相似度与预先设定的比对阈值进行比较,如该比对阈值可以配置为0.5,从而若相似度高于该比对阈值,则认为比对成功,可以作为该局部特征的第二相似度;反之,若相似度不高于(等于或低于)该比对阈值,则认为对比失败,需要重新查找视觉树以进行重新比对。
并且,本申请的实施例中,对比图像和基准图像分别具有多个局部特征,则对每一个局部特征都可以计算得到对应的第二相似度。
从而通过上述方法可以得到对比图像相对于基准图像的全局特征的第一相似度,以及对比图像相对于基准图像的局部特征的第二相似度。
步骤104,通过对所述全局特征的第一相似度和局部特征的第二相似度进行加权求和,确定所述基准图像和对比图像对应页面的匹配结果。
在本申请的一种可选实施例中,步骤104可以包括以下子步骤:
子步骤S501,按照预置的权重分别对所述全局特征的第一相似度和局部特征的第二相似度进行加权并求和,确定所述对比图像相对于所述基准图像的整体相似度;
子步骤S502,将所述整体相似度与预置的匹配阈值进行比较,确定所述基准图像和对比图像对应页面的匹配结果。
进一步,子步骤S502包括:检测所述整体相似度是否大于所述预置的匹配阈值;当所述整体相似度大于所述预置的匹配阈值时,所述基准图像和对比图像对应页面匹配失败;当所述整体相似度不大于所述预置的匹配阈值时,所述基准图像和对比图像对应页面匹配成功。
本申请实施例中,预先对全局特征和局部特征分别配置了权重,该权重是通过预先进行采样、训练得到的。假设全局特征的权重为第一权重,局部特征的权重为第二权重,则可以采用第一权重对全局特征的第一相似度进行加权,并采用第二权重对局部特征的第二相似度进行加权,然后将加权后的第一相似度与加权后的第二相似度相加求和,将求和的结果作为对比图像相对于基准图像的整体相似度。
其中,由于对比图像和基准图像分别具有多个局部特征,则对每一个局部特征都可以计算得到对应的第二相似度,在采用第二权重对局部特征的第二相似度进行加权时,可以先将所有第二相似度相加,求得的和再与第二权重进行加权;也可以分别对每一个第二相似度进行加权后再求和。
然后可以将整体相似度与预置的匹配阈值进行比较,其中,预置的匹配阈值是衡量对比图像和基准图像是否匹配的一个量化的数值。从而检测整体相似度是否大于预置的匹配阈值;当整体相似度大于预置的匹配阈值时,可以认为基准图像和对比图像是不匹配的,即基准图像和对比图像对应页面匹配失败。当整体相似度小于或等于该预置的匹配阈值时,可以认为基准图像和对比图像是匹配的,即基准图像和对比图像对应页面匹配成功。
其中,若基准图像和对比图像对应页面匹配失败,则此时可以认为基准图像和对比图像对应采用的浏览器在显示页面时,页面的显示效果存在差异。若在网站维护和网页开发过程中,后续就可以检测时何种浏览器在显示页面时出现错误,可以对页面脚本等进行修改,以消除页面显示效果的差异。
综上所述,本申请实施例对不同浏览器中开启的同一页面进行图像截取,从而通过图像获取页面的真实显示情况。再对截取的图像进行全局特征和局部特征的比对,以对不同浏览器中开启的同一页面进行匹配,确定不同浏览器开启的同一页面的匹配结果,通过图像的特征比对可以提高页面匹配的准确性,并可以快速的查找出显示效果存在差异的页面,提高页面的匹配的效率。
其次,为了能够更准确的进行后续的特征提取和比对处理,可以在截取图像后将截取的图像进行预处理以获取尺寸相同的灰度图像。从而后续在提取依据像素值确定梯度和梯度直方图作为全局特征,从而可以依据全局特征反映的是图像的全局信息。并且,本申请采用SIFT算法提取图像的局部特征,从而可以从图像的内容出发,具有足够的描述能力和区分度。从而本申请实施例在依据全局特征从全局的角度对图像进行比对的基础上,还可以依据局部特征对图像的细节进行区分,从而更准确的对两张图像进行比对,提高页面匹配的准确性,更加符合用户的要求。
实施例二
参照图3,给出了本发明实施例二提供的页面的匹配装置结构图。
相应的,本发明实施例还提供了一种页面的匹配装置,包括:页面开启并截取模块31、特征提取模块32、相似度计算模块33和结果确定模块34。
页面开启并截取模块21,用于在至少两种浏览器中开启服务器中运行的同一页面,并分别从各浏览器中截取所述同一页面的图像;
特征提取模块32,用于分别提取各截取的图像的全局特征,并依据各截取的图像中提取的关键像素点确定局部特征,其中,所述截取的图像包括基准图像和对比图像,所述基准图像为选定的浏览器中截取的图像,所述对比图像为除所述基准图像以外的其他浏览器中截取的图像;
相似度计算模块33,用于计算所述基准图像相对于对比图像的全局特征的第一相似度,以及局部特征的第二相似度;
结果确定模块34,用于通过对所述全局特征的第一相似度和局部特征的第二相似度进行加权求和,确定所述基准图像和对比图像对应页面的匹配结果。
可选的,所述装置还包括:预处理模块,用于对截取的图像进行预处理得到尺寸相同的灰度图像。
可选的,特征提取模块32包括:
提取并计算子模块,用于分别提取各灰度图像的梯度,并依据所述梯度计算梯度直方图;
全局特征确定子模块,用于将所述基准图像的梯度和梯度直方图作为所述基准图像的全局特征,并将所述对比图像的梯度和梯度直方图作为所述对比图像的全局特征。
可选的,提取并计算子模块包括:
像素值提取单元,用于分别提取所述各灰度图像中像素点的像素值;
梯度计算单元,用于通过所述像素值计算对应灰度图像的梯度;
直方图计算单元,用于依据所述灰度图像的梯度计算梯度的和,作为所述灰度图像的梯度直方图。
可选的,特征提取模块32包括:
关键像素点提取子模块,用于采取尺度不变特征转换SIFT算法提取所述灰度图像中的关键像素点;
特征确定子模块,用于以所述关键像素点为中心确定所述关键像素点的局部特征;
局部特征确定子模块,用于将所述基准图像中关键像素点的局部特征作为所述基准图像的局部特征,并将所述对比图像中关键像素点的局部特征作为所述对比图像的局部特征。
可选的,特征确定子模块包括:
像素组选取单元,用于以所述关键像素点为中心选取像素点作为像素组;
比较并确定单元,用于将所述像素组与所述关键像素点进行比较,确定所述关键像素点的局部特征。
可选的,相似度计算模块33包括:
第一相似度计算子模块,用于计算所述对比图像的梯度直方图相对于所述基准图像的梯度直方图的相似度,作为所述基准图像相对于对比图像的全局特征的第一相似度。
第二相似度计算子模块,用于计算对比图像相对于基准图像的局部特征的第二相似度。第二相似度计算子模块包括:
视觉树构建单元,用于以所述基准图像的关键像素点为节点构建视觉树;
查找单元,用于采用所述对比图像的关键像素点对所述视觉树进行查找,确定对比的叶子节点;
第二相似度计算单元,用于计算所述对比图像的关键像素点相对于所述叶子节点的相似度,作为所述对比图像相对于基准图像的局部特征的第二相似度。
可选的,结果确定模块34包括:
整体相似度计算子模块,用于按照预置的权重分别对所述全局特征的第一相似度和局部特征的第二相似度进行加权并求和,确定所述对比图像相对于所述基准图像的整体相似度;
结果确定子模块,用于将所述整体相似度与预置的匹配阈值进行比较,确定所述基准图像和对比图像对应页面的匹配结果。
可选的,结果确定子模块,用于检测所述整体相似度是否大于所述预置的匹配阈值;当所述整体相似度大于所述预置的匹配阈值时,所述基准图像和对比图像对应页面匹配失败;当所述整体相似度小于或等于所述预置的匹配阈值时,所述基准图像和对比图像对应页面匹配成功。
综上所述,本申请实施例对不同浏览器中开启的同一页面进行图像截取,从而通过图像获取页面的真实显示情况。再对截取的图像进行全局特征和局部特征的比对,以对不同浏览器中开启的同一页面进行匹配,确定不同浏览器开启的同一页面的匹配结果,通过图像的特征比对可以提高页面匹配的准确性,并可以快速的查找出显示效果存在差异的页面,提高页面的匹配的效率。
其次,为了能够更准确的进行后续的特征提取和比对处理,可以在截取图像后将截取的图像进行预处理以获取尺寸相同的灰度图像。从而后续在提取依据像素值确定梯度和梯度直方图作为全局特征,从而可以依据全局特征反映的是图像的全局信息。并且,本申请采用SIFT算法提取图像的局部特征,从而可以从图像的内容出发,具有足够的描述能力和区分度。从而本申请实施例在依据全局特征从全局的角度对图像进行比对的基础上,还可以依据局部特征对图像的细节进行区分,从而更准确的对两张图像进行比对,提高页面匹配的准确性,更加符合用户的要求。
对于系统实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均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的部分互相参见即可。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,所述计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非持续性的电脑可读媒体(transitory media),如调制的数据信号和载波。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种页面的匹配方法和装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种页面的匹配方法,其特征在于,包括:
在至少两种浏览器中开启服务器中运行的同一页面,并分别从各浏览器中截取所述同一页面的图像;
分别提取各截取的图像的全局特征,并依据各截取的图像中提取的关键像素点确定局部特征,其中,所述截取的图像包括基准图像和对比图像,所述基准图像为选定的浏览器中截取的图像,所述对比图像为除所述基准图像以外的其他浏览器中截取的图像;
计算所述对比图像相对于基准图像的全局特征的第一相似度,以及局部特征的第二相似度;
通过对所述全局特征的第一相似度和局部特征的第二相似度进行加权求和,确定所述基准图像和对比图像对应页面的匹配结果。
2.根据权利要求1所述的方法,其特征在于,所述从各浏览器中截取所述同一页面的图像之后,还包括:
对截取的图像进行预处理得到尺寸相同的灰度图像。
3.根据权利要求2所述的方法,其特征在于,所述分别提取各截取的图像的全局特征,包括:
分别提取各灰度图像的梯度,并依据所述梯度计算梯度直方图;
将所述基准图像的梯度和梯度直方图作为所述基准图像的全局特征,并将所述对比图像的梯度和梯度直方图作为所述对比图像的全局特征。
4.根据权利要求3所述的方法,其特征在于,所述分别提取各灰度图像的梯度,并依据所述梯度计算梯度直方图,包括:
分别提取所述各灰度图像中像素点的像素值;
通过所述像素值计算对应灰度图像的梯度;
依据所述灰度图像的梯度计算梯度的和,作为所述灰度图像的梯度直方图。
5.根据权利要求2所述的方法,其特征在于,所述依据各截取的图像中提取的关键像素点确定局部特征,包括:
采取尺度不变特征转换SIFT算法提取所述灰度图像中的关键像素点;
以所述关键像素点为中心确定所述关键像素点的局部特征;
将所述基准图像中关键像素点的局部特征作为所述基准图像的局部特征,并将所述对比图像中关键像素点的局部特征作为所述对比图像的局部特征。
6.根据权利要求5所述的方法,其特征在于,以所述关键像素点为中心确定所述关键像素点的局部特征,包括:
以所述关键像素点为中心选取像素点作为像素组;
将所述像素组与所述关键像素点进行比较,确定所述关键像素点的局部特征。
7.根据权利要求1至4任一所述的方法,其特征在于,计算所述对比图像相对于基准图像的全局特征的第一相似度,包括:
计算所述对比图像的梯度直方图相对于所述基准图像的梯度直方图的相似度,作为所述基准图像相对于对比图像的全局特征的第一相似度。
8.根据权利要求1、2、5或6任一所述的方法,其特征在于,所述对比图像相对于基准图像的局部特征的第二相似度的计算方法包括:
以所述基准图像的关键像素点为节点构建视觉树;
采用所述对比图像的关键像素点对所述视觉树进行查找,确定对比的叶子节点;
计算所述对比图像的关键像素点相对于所述叶子节点的相似度,作为所述对比图像相对于基准图像的局部特征的第二相似度。
9.根据权利要求1至6任一所述的方法,其特征在于,所述通过对所述全局特征的第一相似度和局部特征的第二相似度进行加权求和,确定所述基准图像和对比图像对应页面的匹配结果,包括:
按照预置的权重分别对所述全局特征的第一相似度和局部特征的第二相似度进行加权并求和,确定所述对比图像相对于所述基准图像的整体相似度;
将所述整体相似度与预置的匹配阈值进行比较,确定所述基准图像和对比图像对应页面的匹配结果。
10.根据权利要求9所述的方法,其特征在于,所述将所述整体相似度与预置的匹配阈值进行比较,确定所述基准图像和对比图像对应页面的匹配结果,包括:
检测所述整体相似度是否大于所述预置的匹配阈值;
当所述整体相似度大于所述预置的匹配阈值时,所述基准图像和对比图像对应页面匹配失败;
当所述整体相似度小于或等于所述预置的匹配阈值时,所述基准图像和对比图像对应页面匹配成功。
11.根据权利要求2所述的方法,其特征在于,所述对截取的图像进行预处理得到尺寸相同的灰度图像,包括:
对所述截取的图像进行尺度变换,得到尺寸相同的图像;
对所述尺寸相同的图像进行灰度图像转换,得到对应的灰度图像。
12.一种页面的匹配装置,其特征在于,包括:
页面开启并截取模块,用于在至少两种浏览器中开启服务器中运行的同一页面,并分别从各浏览器中截取所述同一页面的图像;
特征提取模块,用于分别提取各截取的图像的全局特征,并依据各截取的图像中提取的关键像素点确定局部特征,其中,所述截取的图像包括基准图像和对比图像,所述基准图像为选定的浏览器中截取的图像,所述对比图像为除所述基准图像以外的其他浏览器中截取的图像;
相似度计算模块,用于计算所述基准图像相对于对比图像的全局特征的第一相似度,以及局部特征的第二相似度;
结果确定模块,用于通过对所述全局特征的第一相似度和局部特征的第二相似度进行加权求和,确定所述基准图像和对比图像对应页面的匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310142160.5A CN104111960A (zh) | 2013-04-22 | 2013-04-22 | 一种页面的匹配方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310142160.5A CN104111960A (zh) | 2013-04-22 | 2013-04-22 | 一种页面的匹配方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104111960A true CN104111960A (zh) | 2014-10-22 |
Family
ID=51708755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310142160.5A Pending CN104111960A (zh) | 2013-04-22 | 2013-04-22 | 一种页面的匹配方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104111960A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462502A (zh) * | 2014-12-19 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种基于特征融合的图像检索方法 |
CN105138245A (zh) * | 2015-09-30 | 2015-12-09 | 北京奇虎科技有限公司 | 一种智能终端截屏图片的去重处理方法和装置 |
CN105260301A (zh) * | 2015-09-24 | 2016-01-20 | 努比亚技术有限公司 | 用户界面的视效比对测试装置及其实现方法 |
CN105760488A (zh) * | 2016-02-17 | 2016-07-13 | 北京大学 | 基于多层次特征融合的图像表达方法和装置 |
CN107590154A (zh) * | 2016-07-08 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 基于图像识别的物体相似度判定方法和装置 |
CN108255726A (zh) * | 2018-01-18 | 2018-07-06 | 北京网信云服信息科技有限公司 | 一种应用程序页面适配测试方法及装置 |
CN104462502B (zh) * | 2014-12-19 | 2018-08-31 | 中国科学院深圳先进技术研究院 | 一种基于特征融合的图像检索方法 |
CN108733643A (zh) * | 2017-04-25 | 2018-11-02 | 北大方正集团有限公司 | 基于版心的pdf文件对比的方法及系统 |
CN109446061A (zh) * | 2018-09-17 | 2019-03-08 | 平安科技(深圳)有限公司 | 一种页面检测方法、计算机可读存储介质及终端设备 |
CN109885446A (zh) * | 2018-12-25 | 2019-06-14 | 北京互金新融科技有限公司 | 确定网站页面显示状态的方法及装置 |
CN109949295A (zh) * | 2019-03-21 | 2019-06-28 | 中国工商银行股份有限公司 | 浏览器网页的差异性检测方法、装置及计算机存储介质 |
CN109978626A (zh) * | 2019-03-29 | 2019-07-05 | 上海幻电信息科技有限公司 | 网页广告变更监测方法、装置及存储介质 |
CN110598142A (zh) * | 2019-09-17 | 2019-12-20 | 浙江大搜车软件技术有限公司 | 网页校准方法、装置、计算机设备及存储介质 |
CN110609794A (zh) * | 2019-09-12 | 2019-12-24 | 中国联合网络通信集团有限公司 | 页面检测方法及装置 |
WO2020000270A1 (zh) * | 2018-06-27 | 2020-01-02 | 华为技术有限公司 | 一种图像处理方法、装置及系统 |
CN111309618A (zh) * | 2020-02-24 | 2020-06-19 | 广州市百果园信息技术有限公司 | 页面元素定位方法、页面测试方法及相关装置 |
CN112581516A (zh) * | 2020-11-30 | 2021-03-30 | 北京迈格威科技有限公司 | 图像匹配方法、装置、电子设备及存储介质 |
CN113472813A (zh) * | 2021-09-02 | 2021-10-01 | 浙江齐安信息科技有限公司 | 一种安防资产识别方法及系统 |
CN115544473A (zh) * | 2022-09-09 | 2022-12-30 | 苏州吉弘能源科技有限公司 | 一种光伏发电站运维终端登录控制系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1728655A (zh) * | 2004-11-25 | 2006-02-01 | 刘文印 | 一种检测鉴别假冒网页的方法及系统 |
CN101145902A (zh) * | 2007-08-17 | 2008-03-19 | 东南大学 | 基于图像处理的钓鱼网页检测方法 |
CN101968813A (zh) * | 2010-10-25 | 2011-02-09 | 华北电力大学 | 一种假冒网页检测方法 |
CN102012939A (zh) * | 2010-12-13 | 2011-04-13 | 中国人民解放军国防科学技术大学 | 综合颜色和局部不变特征匹配的动画场景自动标注方法 |
WO2011140679A1 (zh) * | 2010-05-13 | 2011-11-17 | 中国科学院自动化研究所 | 基于拓扑知觉组织理论的形状图像分类方法 |
CN102376088A (zh) * | 2010-08-24 | 2012-03-14 | 康博公司 | 用于在计算上量化图像间相似性的系统 |
CN102542058A (zh) * | 2011-12-29 | 2012-07-04 | 天津大学 | 一种融合全局与局部视觉特征的层次化地标识别方法 |
-
2013
- 2013-04-22 CN CN201310142160.5A patent/CN104111960A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1728655A (zh) * | 2004-11-25 | 2006-02-01 | 刘文印 | 一种检测鉴别假冒网页的方法及系统 |
CN101145902A (zh) * | 2007-08-17 | 2008-03-19 | 东南大学 | 基于图像处理的钓鱼网页检测方法 |
WO2011140679A1 (zh) * | 2010-05-13 | 2011-11-17 | 中国科学院自动化研究所 | 基于拓扑知觉组织理论的形状图像分类方法 |
CN102376088A (zh) * | 2010-08-24 | 2012-03-14 | 康博公司 | 用于在计算上量化图像间相似性的系统 |
CN101968813A (zh) * | 2010-10-25 | 2011-02-09 | 华北电力大学 | 一种假冒网页检测方法 |
CN102012939A (zh) * | 2010-12-13 | 2011-04-13 | 中国人民解放军国防科学技术大学 | 综合颜色和局部不变特征匹配的动画场景自动标注方法 |
CN102542058A (zh) * | 2011-12-29 | 2012-07-04 | 天津大学 | 一种融合全局与局部视觉特征的层次化地标识别方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462502A (zh) * | 2014-12-19 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种基于特征融合的图像检索方法 |
CN104462502B (zh) * | 2014-12-19 | 2018-08-31 | 中国科学院深圳先进技术研究院 | 一种基于特征融合的图像检索方法 |
CN105260301A (zh) * | 2015-09-24 | 2016-01-20 | 努比亚技术有限公司 | 用户界面的视效比对测试装置及其实现方法 |
CN105138245A (zh) * | 2015-09-30 | 2015-12-09 | 北京奇虎科技有限公司 | 一种智能终端截屏图片的去重处理方法和装置 |
CN105138245B (zh) * | 2015-09-30 | 2018-06-29 | 北京奇虎科技有限公司 | 一种智能终端截屏图片的去重处理方法和装置 |
CN105760488A (zh) * | 2016-02-17 | 2016-07-13 | 北京大学 | 基于多层次特征融合的图像表达方法和装置 |
CN107590154B (zh) * | 2016-07-08 | 2021-03-02 | 阿里巴巴集团控股有限公司 | 基于图像识别的物体相似度判定方法和装置 |
CN107590154A (zh) * | 2016-07-08 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 基于图像识别的物体相似度判定方法和装置 |
CN108733643A (zh) * | 2017-04-25 | 2018-11-02 | 北大方正集团有限公司 | 基于版心的pdf文件对比的方法及系统 |
CN108255726A (zh) * | 2018-01-18 | 2018-07-06 | 北京网信云服信息科技有限公司 | 一种应用程序页面适配测试方法及装置 |
WO2020000270A1 (zh) * | 2018-06-27 | 2020-01-02 | 华为技术有限公司 | 一种图像处理方法、装置及系统 |
CN111247517A (zh) * | 2018-06-27 | 2020-06-05 | 华为技术有限公司 | 一种图像处理方法、装置及系统 |
CN111247517B (zh) * | 2018-06-27 | 2021-08-20 | 华为技术有限公司 | 一种图像处理方法、装置及系统 |
CN109446061A (zh) * | 2018-09-17 | 2019-03-08 | 平安科技(深圳)有限公司 | 一种页面检测方法、计算机可读存储介质及终端设备 |
CN109446061B (zh) * | 2018-09-17 | 2022-06-10 | 平安科技(深圳)有限公司 | 一种页面检测方法、计算机可读存储介质及终端设备 |
CN109885446A (zh) * | 2018-12-25 | 2019-06-14 | 北京互金新融科技有限公司 | 确定网站页面显示状态的方法及装置 |
CN109949295A (zh) * | 2019-03-21 | 2019-06-28 | 中国工商银行股份有限公司 | 浏览器网页的差异性检测方法、装置及计算机存储介质 |
CN109978626A (zh) * | 2019-03-29 | 2019-07-05 | 上海幻电信息科技有限公司 | 网页广告变更监测方法、装置及存储介质 |
CN110609794A (zh) * | 2019-09-12 | 2019-12-24 | 中国联合网络通信集团有限公司 | 页面检测方法及装置 |
CN110598142A (zh) * | 2019-09-17 | 2019-12-20 | 浙江大搜车软件技术有限公司 | 网页校准方法、装置、计算机设备及存储介质 |
CN111309618A (zh) * | 2020-02-24 | 2020-06-19 | 广州市百果园信息技术有限公司 | 页面元素定位方法、页面测试方法及相关装置 |
CN112581516A (zh) * | 2020-11-30 | 2021-03-30 | 北京迈格威科技有限公司 | 图像匹配方法、装置、电子设备及存储介质 |
CN113472813A (zh) * | 2021-09-02 | 2021-10-01 | 浙江齐安信息科技有限公司 | 一种安防资产识别方法及系统 |
CN113472813B (zh) * | 2021-09-02 | 2021-12-07 | 浙江齐安信息科技有限公司 | 一种安防资产识别方法及系统 |
CN115544473A (zh) * | 2022-09-09 | 2022-12-30 | 苏州吉弘能源科技有限公司 | 一种光伏发电站运维终端登录控制系统 |
CN115544473B (zh) * | 2022-09-09 | 2023-11-21 | 苏州吉弘能源科技有限公司 | 一种光伏发电站运维终端登录控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104111960A (zh) | 一种页面的匹配方法和装置 | |
CN111898696B (zh) | 伪标签及标签预测模型的生成方法、装置、介质及设备 | |
Henderson et al. | End-to-end training of object class detectors for mean average precision | |
Tian et al. | A dual neural network for object detection in UAV images | |
CN111488873B (zh) | 一种基于弱监督学习的字符级场景文字检测方法和装置 | |
CN111027576B (zh) | 基于协同显著性生成式对抗网络的协同显著性检测方法 | |
CN106447592B (zh) | 每个特征描述符的在线个性化服务 | |
Han et al. | HANet: A hierarchical attention network for change detection with bi-temporal very-high-resolution remote sensing images | |
Wei et al. | Learning calibrated-guidance for object detection in aerial images | |
Wan et al. | AFSar: An anchor-free SAR target detection algorithm based on multiscale enhancement representation learning | |
CN111915618B (zh) | 基于峰值响应增强的实例分割算法、计算设备 | |
Li et al. | Robust deep neural networks for road extraction from remote sensing images | |
Huang et al. | End-to-end multitask siamese network with residual hierarchical attention for real-time object tracking | |
Chen et al. | Robust one-stage object detection with location-aware classifiers | |
Lei et al. | Boundary extraction constrained siamese network for remote sensing image change detection | |
Ju et al. | A real-time small target detection network | |
Feng et al. | Cacnet: Salient object detection via context aggregation and contrast embedding | |
Lv et al. | Novel automatic approach for land cover change detection by using VHR remote sensing images | |
Wang et al. | Cross-domain learning using optimized pseudo labels: toward adaptive car detection in different weather conditions and urban cities | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
Zha et al. | ENGD-BiFPN: A remote sensing object detection model based on grouped deformable convolution for power transmission towers | |
Zhou et al. | Self-supervised saliency estimation for pixel embedding in road detection | |
Wei et al. | 3D face image inpainting with generative adversarial nets | |
Zhang et al. | Weakly Supervised Local-Global Anchor Guidance Network for Landslide Extraction With Image-Level Annotations | |
Tan et al. | Divide to attend: A multiple receptive field attention module for object detection in remote sensing images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141022 |
|
RJ01 | Rejection of invention patent application after publication |