CN104463866B - 一种基于轮廓随机采样的局部形状匹配方法 - Google Patents

一种基于轮廓随机采样的局部形状匹配方法 Download PDF

Info

Publication number
CN104463866B
CN104463866B CN201410736612.7A CN201410736612A CN104463866B CN 104463866 B CN104463866 B CN 104463866B CN 201410736612 A CN201410736612 A CN 201410736612A CN 104463866 B CN104463866 B CN 104463866B
Authority
CN
China
Prior art keywords
profile
point
template
sub
matched
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.)
Active
Application number
CN201410736612.7A
Other languages
English (en)
Other versions
CN104463866A (zh
Inventor
刘骏
王波
朱磊
杨雁清
Original Assignee
WUXI UNICOMP 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 WUXI UNICOMP TECHNOLOGY Co Ltd filed Critical WUXI UNICOMP TECHNOLOGY Co Ltd
Priority to CN201410736612.7A priority Critical patent/CN104463866B/zh
Publication of CN104463866A publication Critical patent/CN104463866A/zh
Application granted granted Critical
Publication of CN104463866B publication Critical patent/CN104463866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06V10/443—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 by matching or filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于轮廓随机采样的局部形状匹配方法，包括：采用几何圆半径方法提取待匹配目标轮廓上的所有子轮廓序列和模板轮廓上随机子轮廓；提取目标子轮廓和模板随机子轮廓的最小旋转外接矩形长宽比及轮廓面积特征，进行第一次匹配；对第一次匹配得到的轮廓点，提取其子轮廓基于角度分类的均值距离链码和均值角度链码特征；利用模板随机子轮廓得到的链码特征与第一次匹配后的子轮廓进行二次匹配，以得到少量最优匹配轮廓；计算模板随机子轮廓与匹配子轮廓的坐标变换矩阵，通过该变换矩阵将整个模板轮廓投影到目标轮廓上；更新子轮廓的坐标变换矩阵；识别最优匹配轮廓。本发明能够快速可靠地给出匹配结果，图像配准计算效率高，适应性强。

Description

一种基于轮廓随机采样的局部形状匹配方法
技术领域
本发明涉及一种形状匹配方法，尤其涉及一种基于轮廓随机采样的局部形状匹配方法。
背景技术
视觉是人类观察、认知世界的主要手段，人类从外界获取的信息大部分来自视觉系统。在观察周围环境时，人们首先注意到的是物体及周围环境的颜色、纹理、形状和空间关系等，其中形状是物体在实际感知意义下具有的最基本特征之一。形状匹配是指根据一定的度量准则来衡量形状间的相似性，它是图像自动识别和理解的基本问题之一，在计算机视觉、模式识别、遥感图像分析、文字识别等领域有着广泛的应用。然而，传统的形状匹配方法配准率低，配准速度慢，适应性差。
发明内容
本发明的目的在于通过一种基于轮廓随机采样的局部形状匹配方法，来解决以上背景技术部分提到的问题。
为达此目的，本发明采用以下技术方案：
一种基于轮廓随机采样的局部形状匹配方法，包括如下步骤：
A、提取待匹配目标轮廓上的所有子轮廓序列和模板轮廓上随机子轮廓；
B、提取待匹配目标子轮廓和模板随机子轮廓的特征，其中，该特征包括但不限于待匹配目标子轮廓和模板随机子轮廓的最小旋转外接矩形的长宽比和轮廓面积两个特征；
C、进行第一次匹配：设定匹配幅度阈值Tmagnitude，当待匹配目标图像中子轮廓的所述两个特征同时满足在模板中随机子轮廓对应特征的±Tmagnitude幅度内，则认为所述待匹配目标图像中子轮廓为匹配点，从而剔除非匹配轮廓点，其中，所述待匹配目标图像中子轮廓简称为轮廓点；
D、对第一次匹配得到的轮廓点，提取基于角度分类的均值距离链码和均值角度链码特征；
E、利用模板随机子轮廓得到的链码特征与第一次匹配后的子轮廓进行第二次匹配，对第一次匹配获得的轮廓点进行再次剔除；
F、计算模板随机子轮廓与第二次匹配后的子轮廓的坐标变换矩阵，通过子轮廓坐标变换矩阵将整个模板轮廓投影到目标轮廓上；
G、更新子轮廓的坐标变换矩阵：采用均匀采样的方法得到投影模板轮廓上的轮廓采样点，并遍历目标轮廓上的坐标点，求得投影模板轮廓采样点在目标轮廓上的最近邻坐标点，然后利用奇异值分解求得整个模板轮廓的坐标变换矩阵；
H、识别最优匹配轮廓：采用均匀采样的方法将模板轮廓点投影到目标轮廓上，并计算这些采样点到目标轮廓与之相对应的最近邻坐标点的欧式距离之和，以其为评判匹配误差的标准，对第二次匹配后子轮廓进行匹配度评价，选取距离和最小的轮廓即为最优匹配轮廓。
特别地，所述步骤A之前还包括：
一、对相机采集得到的灰度图像进行预处理：(1)对灰度图像进行3×3模板的均值滤波，并采用最大类间方差法计算待匹配目标图像f(x,y)的全局最优阈值T，得到二值图像g(x,y)；(2)从待匹配目标图像序列中截取需匹配的目标区域作为模板图像，对该目标区域进行包括滤波、阈值分割在内的预处理，取得该模板图像的二值图像；
二、提取二值图像连通区域的轮廓：(1)通过采用链码方法搜索二值图像g(x,y)的轮廓，并将链码编码中的所有点转换为坐标点，即得到一系列逆时针排序的坐标点对；使用极大极小值来限定区域的周长，遍历所有轮廓移除过长或过短的轮廓，保留待匹配的轮廓；(2)采用链码提取模板图像的二值图像的轮廓，即得到模板图像轮廓上的一系列坐标点；对位于模板图像四周边界的轮廓进行剔除，保留模板图像中的目标轮廓。
特别地，所述步骤A具体包括：
A1、采用几何圆半径范围的抽取方法提取待匹配目标轮廓每个坐标点上的子轮廓：首先计算所有轮廓点之间的欧式距离，并保存在相应的vector数组中，然后统计每个轮廓点处的前后小于圆半径长度radius的轮廓点个数，最后遍历轮廓上所有坐标点得到所有的子轮廓，并保存于vector数组；
A2、采用随机采样的方法提取模板轮廓上的随机轮廓点几何圆半径构成的子轮廓：通过计算随机轮廓点与前后轮廓点之间的欧式距离，并统计前后小于圆半径长度radius的轮廓坐标点的个数，最终提取出该随机轮廓点上的圆半径子轮廓。
特别地，所述步骤A2还包括：将模板轮廓的开始和末尾的在圆半径范围的点剔除。
特别地，所述步骤B中待匹配目标子轮廓和模板随机子轮廓的最小旋转外接矩形的长宽比和轮廓面积两个特征的提取过程如下：
B1、计算最小旋转外接矩形的长宽比特征Fratio：对给定的子轮廓坐标点集，按照水平轴逆时针旋转，每旋转一次，查找包围轮廓点集最小面积的矩形minAreaRect，即得到该矩形的长和宽，从而得到长宽比特征：
B2、计算轮廓面积特征Farea：将子轮廓的两端连接，并与轮廓部分构成封闭区域，计算该区域的面积。
特别地，所述步骤D具体包括：
D1、计算最小旋转外接矩形的中心rect_center和轮廓的重心mass_center；通过计算最小旋转外接矩形得到该矩形的中心rect_center和四个角点的坐标rect_points[4]，通过零阶矩和一阶矩得到轮廓的重心，计算公式如下：
D2、依据轮廓的重心将矩形中心偏移到矩形外侧，并将偏移中心位于矩形长边一侧：首先通过计算矩形四个角坐标点之间的欧式距离，锁定长边；然后计算矩形的两条长边和过中心点的平行线共三条直线的方程式ajx+bjy+c＝0其中，j＝1,2,3；最后，锁定重心位于过中心点的平行线的一侧方向，作该中心点的对称点offset，即完成对中心点的偏移；
D3、以偏移点为中心，偏移点与轮廓起始点为边，计算轮廓上所有点角度，并搜索从轮廓起始点顺时针或逆时针出发的最大角度为参考角度angle，然后搜索在参考角度范围内的所有点角度和轮廓坐标点；
D4、将参考角度划分为n份，以偏移点为中心，偏移点与轮廓起始点为边，按照平均角度步长进行顺时针或逆时针旋转将各个点角度和轮廓坐标点分别进行分类；
D5、计算各个角度内的轮廓坐标点的欧式距离，并对各个角度内的距离求平均值以构成距离链码，即为Davg＝{d0,d1,…,dn-1}，n为分类数；同理，对各个角度内的点角度求平均值以构成角度链码，即为Aavg＝{a0,a1,…,an-1}。
D6、利用如下公式，对均值距离链码和均值角度链码特征进行归一化处理：
特别地，所述步骤E具体包括：利用模板随机子轮廓得到的链码特征与第一次匹配后的子轮廓进行第二次匹配，采用欧式距离相似性度量公式：
相似性度量值越小，认为与模板子轮廓越相似，因此设定相似性度量参数S，选取小于度量参数S的匹配点，对第一次匹配获得的轮廓点进行再次剔除。
特别地，所述步骤F具体包括：对模板随机子轮廓坐标点和目标子轮廓坐标点进行奇异值分解，获得满足旋转和平移特性的坐标变换矩阵，再通过子轮廓坐标变换矩阵将整个模板轮廓投影到目标轮廓上。
本发明提出的基于轮廓随机采样的局部形状匹配方法能够快速可靠地给出匹配结果，提高了图像配准的计算效率，而且具有很强的适应性。
附图说明
图1为本发明实施例提供的基于轮廓随机采样的局部形状匹配方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容，除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述具体的实施例的，不是旨在于限制本发明。
请参照图1所示，图1为本发明实施例提供的基于轮廓随机采样的局部形状匹配方法流程图。
本实施例中基于轮廓随机采样的局部形状匹配方法具体如下步骤：
S101、对相机采集得到的灰度图像进行预处理：(1)对灰度图像进行3×3模板的均值滤波，并采用最大类间方差法(Otsu法)计算待匹配目标图像f(x,y)的全局最优阈值T，得到二值图像g(x,y)；(2)从待匹配目标图像序列中截取需匹配的目标区域作为模板图像，对该目标区域进行包括滤波、阈值分割在内的预处理，取得该模板图像的二值图像。
S102、提取二值图像连通区域的轮廓：(1)通过采用链码(freeman)方法搜索二值图像g(x,y)的轮廓，并将链码编码中的所有点转换为坐标点，即得到一系列逆时针排序的坐标点对；使用极大极小值来限定区域的周长，遍历所有轮廓移除过长或过短的轮廓，保留待匹配的轮廓；(2)采用链码提取模板图像的二值图像的轮廓，即得到模板图像轮廓上的一系列坐标点；对位于模板图像四周边界的轮廓进行剔除，保留模板图像中的目标轮廓。
S103、提取待匹配目标轮廓上的所有子轮廓序列和模板轮廓上随机子轮廓。
采用几何圆半径范围的抽取方法提取待匹配目标轮廓每个坐标点上的子轮廓：首先计算所有轮廓点之间的欧式距离，并保存在相应的vector数组中，然后统计每个轮廓点处的前后小于圆半径长度radius的轮廓点个数，最后遍历轮廓上所有坐标点得到所有的子轮廓，并保存于vector数组。
采用随机采样的方法提取模板轮廓上的随机轮廓点几何圆半径构成的子轮廓：通过计算随机轮廓点与前后轮廓点之间的欧式距离，并统计前后小于圆半径长度radius的轮廓坐标点的个数，最终提取出该随机轮廓点上的圆半径子轮廓。考虑到匹配的准确性，需将模板轮廓的开始和末尾的在圆半径范围的点剔除，以保证得到的随机点能够获得匹配。
S104、提取待匹配目标子轮廓和模板随机子轮廓的特征，其中，该特征包括但不限于待匹配目标子轮廓和模板随机子轮廓的最小旋转外接矩形的长宽比和轮廓面积两个特征。
待匹配目标子轮廓和模板随机子轮廓的最小旋转外接矩形的长宽比和轮廓面积两个特征的提取过程如下：
一、计算最小旋转外接矩形的长宽比特征Fratio：对给定的子轮廓坐标点集，按照水平轴逆时针旋转，每旋转一次，查找包围轮廓点集最小面积的矩形minAreaRect，即得到该矩形的长和宽，从而得到长宽比特征：
二、计算轮廓面积特征Farea：将子轮廓的两端连接，并与轮廓部分构成封闭区域，计算该区域的面积。
S105、进行第一次匹配：设定匹配幅度阈值Tmagnitude，当待匹配目标图像中子轮廓的所述两个特征同时满足在模板中随机子轮廓对应特征的±Tmagnitude幅度内，则认为该轮廓点即所述待匹配目标图像中子轮廓为匹配点，从而剔除非匹配轮廓点。
S106、对第一次匹配得到的轮廓点，提取基于角度分类的均值距离链码和均值角度链码特征。
计算最小旋转外接矩形的中心rect_center和轮廓的重心mass_center；通过计算最小旋转外接矩形得到该矩形的中心rect_center和四个角点的坐标rect_points[4]，通过零阶矩和一阶矩得到轮廓的重心，计算公式如下：
依据轮廓的重心将矩形中心偏移到矩形外侧，并将偏移中心位于矩形长边一侧：首先通过计算矩形四个角坐标点之间的欧式距离，锁定长边；然后计算矩形的两条长边和过中心点的平行线共三条直线的方程式ajx+bjy+c＝0其中，j＝1,2,3；最后，锁定重心位于过中心点的平行线的一侧方向，作该中心点的对称点offset，即完成对中心点的偏移。
以偏移点为中心，偏移点与轮廓起始点为边，计算轮廓上所有点角度，并搜索从轮廓起始点顺时针或逆时针出发的最大角度为参考角度angle，然后搜索在参考角度范围内的所有点角度和轮廓坐标点。
将参考角度划分为n份，以偏移点为中心，偏移点与轮廓起始点为边，按照平均角度步长进行顺时针或逆时针旋转将各个点角度和轮廓坐标点分别进行分类。
计算各个角度内的轮廓坐标点的欧式距离，并对各个角度内的距离求平均值以构成距离链码，即为Davg＝{d0,d1,…,dn-1}，n为分类数；同理，对各个角度内的点角度求平均值以构成角度链码，即为Aavg＝{a0,a1,…,an-1}。
利用如下公式，对均值距离链码和均值角度链码特征进行归一化处理：
S107、利用模板随机子轮廓得到的链码特征与第一次匹配后的子轮廓进行第二次匹配，对第一次匹配获得的轮廓点进行再次剔除。
利用模板随机子轮廓得到的链码特征与第一次匹配后的子轮廓进行第二次匹配，采用欧式距离相似性度量公式：
相似性度量值越小，认为与模板子轮廓越相似，因此设定相似性度量参数S，选取小于度量参数S的匹配点，对第一次匹配获得的轮廓点进行再次剔除。从而通过链码这唯一性特征，进一步剔除第一次匹配得到的轮廓点，保留极少量匹配点,得到少量最优匹配轮廓。
S108、计算模板随机子轮廓与第二次匹配后的子轮廓的坐标变换矩阵，通过子轮廓坐标变换矩阵将整个模板轮廓投影到目标轮廓上。
对模板随机子轮廓坐标点和目标子轮廓坐标点进行奇异值分解(Singular ValueDecomposition，SVD)，获得满足旋转和平移特性的坐标变换矩阵，再通过子轮廓坐标变换矩阵将整个模板轮廓投影到目标轮廓上。
S109、更新子轮廓的坐标变换矩阵：采用均匀采样的方法得到投影模板轮廓上的轮廓采样点，并遍历目标轮廓上的坐标点，求得投影模板轮廓采样点在目标轮廓上的最近邻坐标点，然后利用奇异值分解求得整个模板轮廓的坐标变换矩阵。
S1010、识别最优匹配轮廓：采用均匀采样的方法将模板轮廓点投影到目标轮廓上，并计算这些采样点到目标轮廓与之相对应的最近邻坐标点的欧式距离之和，以其为评判匹配误差的标准，对第二次匹配后的子轮廓进行匹配度评价，选取距离和最小的轮廓(误差最小)即为最优匹配轮廓。
本发明的技术方案能够快速可靠地给出匹配结果，提高了图像配准的计算效率，而且具有很强的适应性。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (3)

1.一种基于轮廓随机采样的局部形状匹配方法，其特征在于，该方法包括如下步骤：
A、提取待匹配目标轮廓上的所有子轮廓序列和模板轮廓上随机子轮廓；其中，所述步骤A之前还包括：
一、对相机采集得到的灰度图像进行预处理：(1)对灰度图像进行3×3模板的均值滤波，并采用最大类间方差法计算待匹配目标图像f(x,y)的全局最优阈值T，得到二值图像g(x,y)；(2)从待匹配目标图像序列中截取需匹配的目标区域作为模板图像，对该目标区域进行包括滤波、阈值分割在内的预处理，取得该模板图像的二值图像；
二、提取二值图像连通区域的轮廓：(1)通过采用链码方法搜索二值图像g(x,y)的轮廓，并将链码编码中的所有点转换为坐标点，即得到一系列逆时针排序的坐标点对；使用极大极小值来限定区域的周长，遍历所有轮廓移除过长或过短的轮廓，保留待匹配的轮廓；(2)采用链码提取模板图像的二值图像的轮廓，即得到模板图像轮廓上的一系列坐标点；对位于模板图像四周边界的轮廓进行剔除，保留模板图像中的目标轮廓；
所述步骤A具体包括：
A1、采用几何圆半径范围的抽取方法提取待匹配目标轮廓每个坐标点上的子轮廓：首先计算所有轮廓点之间的欧式距离，并保存在相应的vector数组中，然后统计每个轮廓点处的前后小于圆半径长度radius的轮廓点个数，最后遍历轮廓上所有坐标点得到所有的子轮廓，并保存于vector数组；
A2、采用随机采样的方法提取模板轮廓上的随机轮廓点几何圆半径构成的子轮廓：通过计算随机轮廓点与前后轮廓点之间的欧式距离，并统计前后小于圆半径长度radius的轮廓坐标点的个数，最终提取出该随机轮廓点上的圆半径子轮廓；所述步骤A2还包括：将模板轮廓的开始和末尾的在圆半径范围的点剔除；
B、提取待匹配目标子轮廓和模板随机子轮廓的特征，其中，该特征包括但不限于待匹配目标子轮廓和模板随机子轮廓的最小旋转外接矩形的长宽比和轮廓面积两个特征；所述步骤B中待匹配目标子轮廓和模板随机子轮廓的最小旋转外接矩形的长宽比和轮廓面积两个特征的提取过程如下：
B1、计算最小旋转外接矩形的长宽比特征Fratio：对给定的子轮廓坐标点集，按照水平轴逆时针旋转，每旋转一次，查找包围轮廓点集最小面积的矩形minAreaRect，即得到该矩形的长和宽，从而得到长宽比特征：
B2、计算轮廓面积特征Farea：将子轮廓的两端连接，并与轮廓部分构成封闭区域，计算该区域的面积；
C、进行第一次匹配：设定匹配幅度阈值Tmagnitude，当待匹配目标图像中子轮廓的所述两个特征同时满足在模板中随机子轮廓对应特征的±Tmagnitude幅度内，则认为所述待匹配目标图像中子轮廓为匹配点，从而剔除非匹配轮廓点，其中，所述待匹配目标图像中子轮廓简称为轮廓点；
D、对第一次匹配得到的轮廓点，提取基于角度分类的均值距离链码和均值角度链码特征；所述步骤D具体包括：
D1、计算最小旋转外接矩形的中心rect_center和轮廓的重心mass_center；通过计算最小旋转外接矩形得到该矩形的中心rect_center和四个角点的坐标rect_points[4]，通过零阶矩和一阶矩得到轮廓的重心，计算公式如下：
D2、依据轮廓的重心将矩形中心偏移到矩形外侧，并将偏移中心位于矩形长边一侧：首先通过计算矩形四个角坐标点之间的欧式距离，锁定长边；然后计算矩形的两条长边和过中心点的平行线共三条直线的方程式ajx+bjy+c＝0其中，j＝1,2,3；最后，锁定重心位于过中心点的平行线的一侧方向，作该中心点的对称点offset，即完成对中心点的偏移；
D3、以偏移点为中心，偏移点与轮廓起始点为边，计算轮廓上所有点角度，并搜索从轮廓起始点顺时针或逆时针出发的最大角度为参考角度angle，然后搜索在参考角度范围内的所有点角度和轮廓坐标点；
D4、将参考角度划分为n份，以偏移点为中心，偏移点与轮廓起始点为边，按照平均角度步长进行顺时针或逆时针旋转将各个点角度和轮廓坐标点分别进行分类；
D5、计算各个角度内的轮廓坐标点的欧式距离，并对各个角度内的距离求平均值以构成距离链码，即为Davg＝{d0,d1,…,dn-1}，n为分类数；同理，对各个角度内的点角度求平均值以构成角度链码，即为Aavg＝{a0,a1,…,an-1}；
D6、利用如下公式，对均值距离链码和均值角度链码特征进行归一化处理：
E、利用模板随机子轮廓得到的链码特征与第一次匹配后的子轮廓进行第二次匹配，对第一次匹配获得的轮廓点进行再次剔除；
F、计算模板随机子轮廓与第二次匹配后的子轮廓的坐标变换矩阵，通过子轮廓坐标变换矩阵将整个模板轮廓投影到目标轮廓上；
G、更新子轮廓的坐标变换矩阵：采用均匀采样的方法得到投影模板轮廓上的轮廓采样点，并遍历目标轮廓上的坐标点，求得投影模板轮廓采样点在目标轮廓上的最近邻坐标点，然后利用奇异值分解求得整个模板轮廓的坐标变换矩阵；
H、识别最优匹配轮廓：采用均匀采样的方法将模板轮廓点投影到目标轮廓上，并计算这些采样点到目标轮廓与之相对应的最近邻坐标点的欧式距离之和，以其为评判匹配误差的标准，对第二次匹配后的子轮廓进行匹配度评价，选取距离和最小的轮廓即为最优匹配轮廓。
2.根据权利要求1所述的基于轮廓随机采样的局部形状匹配方法，其特征在于，所述步骤E具体包括：利用模板随机子轮廓得到的链码特征与第一次匹配后的子轮廓进行第二次匹配，采用欧式距离相似性度量公式：
相似性度量值越小，认为与模板子轮廓越相似，因此设定相似性度量参数S，选取小于度量参数S的匹配点，对第一次匹配获得的轮廓点进行再次剔除。
3.根据权利要求2所述的基于轮廓随机采样的局部形状匹配方法，其特征在于，所述步骤F具体包括：对模板随机子轮廓坐标点和目标子轮廓坐标点进行奇异值分解，获得满足旋转和平移特性的坐标变换矩阵，再通过子轮廓坐标变换矩阵将整个模板轮廓投影到目标轮廓上。
CN201410736612.7A 2014-12-04 2014-12-04 一种基于轮廓随机采样的局部形状匹配方法 Active CN104463866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410736612.7A CN104463866B (zh) 2014-12-04 2014-12-04 一种基于轮廓随机采样的局部形状匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410736612.7A CN104463866B (zh) 2014-12-04 2014-12-04 一种基于轮廓随机采样的局部形状匹配方法

Publications (2)

Publication Number Publication Date
CN104463866A CN104463866A (zh) 2015-03-25
CN104463866B true CN104463866B (zh) 2018-10-09

Family

ID=52909848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410736612.7A Active CN104463866B (zh) 2014-12-04 2014-12-04 一种基于轮廓随机采样的局部形状匹配方法

Country Status (1)

Country Link
CN (1) CN104463866B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447875A (zh) * 2015-12-09 2016-03-30 新疆畜牧科学院草业研究所 一种电子地形图自动几何校正方法
CN106023096B (zh) * 2016-05-10 2019-02-22 上海交通大学 消除边缘锯齿化影响的图像匹配方法
CN106780454B (zh) * 2016-12-08 2020-08-28 苏州汉特士视觉科技有限公司 基于边缘反投影的视觉定位方法及自动分料上料装置
CN106815832B (zh) * 2016-12-20 2019-05-21 华中科技大学 一种表面贴装技术的钢网图像自动配准方法和系统
CN107610145B (zh) * 2017-07-26 2020-08-14 同济大学 一种基于自适应阈值和模板匹配的自动胰腺分割方法
CN107582001B (zh) * 2017-10-20 2020-08-11 珠海格力电器股份有限公司 洗碗机及其控制方法、装置和系统
CN109003548A (zh) * 2018-06-15 2018-12-14 信利半导体有限公司 一种显示模组的贴合方法
CN109584250B (zh) * 2018-11-28 2022-09-20 哈工大机器人（合肥）国际创新研究院 一种鲁棒的视觉区域自动划分标注的方法
CN109753974B (zh) * 2018-12-14 2020-09-22 歌尔股份有限公司 物体旋转角度的检测方法、装置及电子设备
CN109859182B (zh) * 2019-01-29 2021-02-19 上海联影医疗科技股份有限公司 医学图像失配检测方法、装置、计算机设备和存储介质
CN110068321B (zh) * 2019-03-27 2020-04-24 清华大学 定点降落标志的uav相对位姿估计方法
CN110211182B (zh) * 2019-05-31 2023-03-31 东北大学 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法
CN113450299A (zh) * 2020-03-09 2021-09-28 深圳中科飞测科技股份有限公司 图像匹配方法、计算机装置及可读存储介质
CN112184781A (zh) * 2020-09-14 2021-01-05 中国科学院深圳先进技术研究院 超声图像和ct图像的配准方法、装置及设备
CN112116622A (zh) * 2020-09-25 2020-12-22 贝壳技术有限公司 轮廓提取方法、检索库建立方法、轮廓匹配方法及其系统
CN112784771B (zh) * 2021-01-27 2022-09-30 浙江芯昇电子技术有限公司 人形检测方法、系统和监控设备
CN113139988B (zh) * 2021-05-17 2023-02-14 中国科学院光电技术研究所 一种高效高准确率的估计目标尺度变化的图像处理方法
CN113985384B (zh) * 2021-12-28 2022-05-24 中南大学 一种基于模板匹配的空间目标平动补偿方法及装置
CN116188761B (zh) * 2023-02-02 2024-02-02 杭州图谱光电科技有限公司 一种可用于规则形状阵列图的自动识别定位方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251926A (zh) * 2008-03-20 2008-08-27 北京航空航天大学 一种基于局部轮廓协方差矩阵的遥感图像配准方法
CN101847258A (zh) * 2009-03-26 2010-09-29 陈贤巧 一种光学遥感图像配准方法
CN101916441A (zh) * 2010-08-06 2010-12-15 西北工业大学 一种数字图像中基于Freeman链码的曲线匹配方法
CN102750537A (zh) * 2012-05-08 2012-10-24 中国矿业大学 一种高精度图像自动配准方法
CN105389586A (zh) * 2015-10-20 2016-03-09 浙江大学 一种基于计算机视觉自动检测虾体完整性的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2857771B1 (fr) * 2003-07-17 2005-09-23 Thales Sa Systeme d'identification automatique de cibles
CN101055620B (zh) * 2006-04-12 2011-04-06 富士通株式会社 形状比较装置和方法
CN103425988B (zh) * 2013-07-03 2017-05-24 江南大学 一种具有圆弧几何基元的实时定位与匹配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251926A (zh) * 2008-03-20 2008-08-27 北京航空航天大学 一种基于局部轮廓协方差矩阵的遥感图像配准方法
CN101847258A (zh) * 2009-03-26 2010-09-29 陈贤巧 一种光学遥感图像配准方法
CN101916441A (zh) * 2010-08-06 2010-12-15 西北工业大学 一种数字图像中基于Freeman链码的曲线匹配方法
CN102750537A (zh) * 2012-05-08 2012-10-24 中国矿业大学 一种高精度图像自动配准方法
CN105389586A (zh) * 2015-10-20 2016-03-09 浙江大学 一种基于计算机视觉自动检测虾体完整性的方法

Also Published As

Publication number Publication date
CN104463866A (zh) 2015-03-25

Similar Documents

Publication Publication Date Title
CN104463866B (zh) 一种基于轮廓随机采样的局部形状匹配方法
Guo et al. 3D object recognition in cluttered scenes with local surface features: A survey
CN106355577B (zh) 基于特征状态与全局一致性的快速图像匹配方法及系统
Zeng et al. 3dmatch: Learning the matching of local 3d geometry in range scans
CN108010045A (zh) 基于orb的视觉图像特征点误匹配提纯方法
CN111553409B (zh) 一种基于体素形状描述符的点云识别方法
CN103413145B (zh) 基于深度图像的关节点定位方法
Trinh et al. Skeleton search: Category-specific object recognition and segmentation using a skeletal shape model
Wang et al. Reflection symmetry detection using locally affine invariant edge correspondence
CN107680137B (zh) 一种基于球体投影公切线的多相机标定及参数优化方法
CN104182973A (zh) 基于圆形描述算子csift的图像复制粘贴检测方法
CN101493887A (zh) 基于半监督学习和哈希索引的眉毛图像分割方法
CN104036299B (zh) 一种基于局部纹理aam的人眼轮廓跟踪方法
CN107563292B (zh) 一种基于lddmm曲线匹配的人脸情感识别方法
CN106295649A (zh) 一种基于轮廓特征的目标识别方法
CN105654479A (zh) 多光谱图像配准方法和装置
CN104361573B (zh) 融合颜色信息和全局信息的sift特征匹配算法
Lou et al. High-precision location for occluded reference hole based on robust extraction algorithm
Zhou et al. Discarding wide baseline mismatches with global and local transformation consistency
WO2006061365A1 (en) Face recognition using features along iso-radius contours
Zhou et al. A method to automatic create dataset for training object detection neural networks
CN104766085B (zh) 一种多尺度图形识别方法
Guo et al. Image registration method based on improved SIFT algorithm and essential matrix estimation
CN110197509B (zh) 一种基于彩色人工标识的相机位姿求解法
CN106971190A (zh) 基于人体体型的性别判断方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 214145 No.11 Lijiang Road, Xinwu District, Wuxi City, Jiangsu Province

Patentee after: WUXI UNICOMP TECHNOLOGY CO., LTD.

Address before: 214145, No. 208-7, tin Tong Road, Hongshan street, Wuxi New District, Jiangsu

Patentee before: Wuxi Unicomp Technology Co., Ltd.

CP03 Change of name, title or address
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Local shape matching method based on outline random sampling

Effective date of registration: 20191024

Granted publication date: 20181009

Pledgee: Agricultural Bank of China Limited by Share Ltd Wuxi science and Technology Branch

Pledgor: WUXI UNICOMP TECHNOLOGY CO., LTD.

Registration number: Y2019990000348

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20210624

Granted publication date: 20181009

Pledgee: Agricultural Bank of China Limited by Share Ltd. Wuxi science and Technology Branch

Pledgor: WUXI UNICOMP TECHNOLOGY Co.,Ltd.

Registration number: Y2019990000348

PC01 Cancellation of the registration of the contract for pledge of patent right