CN105589801A - 手机集群测试方法和系统 - Google Patents
手机集群测试方法和系统 Download PDFInfo
- Publication number
- CN105589801A CN105589801A CN201410559857.7A CN201410559857A CN105589801A CN 105589801 A CN105589801 A CN 105589801A CN 201410559857 A CN201410559857 A CN 201410559857A CN 105589801 A CN105589801 A CN 105589801A
- Authority
- CN
- China
- Prior art keywords
- image
- coordinate
- source images
- mobile phone
- template 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种手机集群测试方法,包括:建立手机集群测试系统;中央节点主机设置一个定时运行的测试任务,向各个从机发送指令和收集各台手机上的数据信息,判断手机连接状态是否正常,并将收集到的数据信息写入数据库中;Web页面读取数据库中的数据进行显示,选中待测试应用和触发中央节点主机发布测试任务,通知从机获取待测试应用及测试代码的下载地址;每台从机基于图像匹配方法对一台或多台手机中的待测试应用进行测试;并将测试结果数据汇集至中央节点主机中;数据库对各台手机的数据信息、连接状态和测试结果数据进行存储。本发明还提供了一种手机集群测试系统,兼容对各种手机的集群测试,具有效率高速度快的优点。
Description
技术领域
本发明涉及手机测试技术领域,尤其涉及一种手机集群测试方法和系统。
背景技术
随着移动终端应用的需求日益增大,运营商为手机应用程序(Application,简称APP)的开发者提供调用手机进行软件测试的要求越来越高。
当前手机应用程序APP测试的解决方案中需使用特殊的硬件接通手机的键盘和触模屏接口,上位机(PersonalComputer,简称PC)解析通讯协议之后产生相应的硬件电气控制信号激发相应的功能。手机屏幕信号的反馈,通过屏幕仿真硬件采集屏幕显示数据,并将显示数据在上位机端进行预处理后再透过网络传送出去。因此,现有手机应用程序APP测试的硬件解决方案的系统建设维护成本高,并且需要使用带有仿真硬件的定制手机终端来构建终端池,如果手机终端型号不同,适用区域不同或者型号不同,则需要改造相应的手机终端,以提供相应的测试支持,即现有的解决方案兼容性差,适用范围小,效率低,难以实现对多种手机的应用程序的集群测试。
发明内容
本发明所要解决的技术问题是,提供一种手机集群测试方法和系统,实现对手机的集群调度和控制,完成批量化的手机应用程序的自动测试。
为解决以上技术问题,一方面,本发明实施例提供一种手机集群测试方法,包括:
通过中央节点主机定时运行一个或多个测试任务,向各个从机发送指令和收集各台手机上的数据信息,判断手机连接状态是否正常,并将收集到的数据信息写入数据库中;
通过Web页面读取所述数据库中的数据进行显示,选中被测试手机的待测试应用和触发所述中央节点主机发布测试任务,通知与所述被测试手机连接的从机获取待测试应用及测试代码的下载地址;
每台从机从所述中央节点主机中接收测试任务,根据所述测试任务下载相应的待测试应用和测试代码;并且,每台从机基于图像匹配方法对所述从机所连接的一台或多台手机中的所述待测试应用进行测试;并将测试结果数据汇集至所述中央节点主机中;
通过数据库对各台手机的数据信息、连接状态和测试结果数据进行存储。
在一种可实现的方式中,所述每台从机基于图像匹配方法对所述从机所连接的一台或多台手机中的所述待测试应用进行测试,包括:
查找出被测试手机屏幕上的待测试应用的最佳匹配图像的定位坐标;
启动对所述最佳匹配图像所关联的测试代码进行测试;
测试完成后,与被测试手机连接的从机将测试结果数据上传至所述中央节点主机中,生成和展示HTML格式的测试报告。
进一步地,所述查找出被测试手机屏幕上的待测试应用的最佳匹配图像的定位坐标,包括:
将选定的模板图像在待测试应用中的源图像中进行全局模板匹配,控制所述模板图像在所述源图像中滑动查找出最佳匹配区域;
计算出所述模板图像与所述源图像的特征点及特征向量;
根据所述特征点及特征向量,计算出所述最佳匹配区域与所述模板图像的视觉相似度;
若所述视觉相似度为零,则判定所述最佳匹配区域与所述模板图像不匹配;
若所述视觉相似度不为零,则获得所述模板图像与所述源图像的特征匹配点对;
根据所述特征匹配点对,计算出最佳匹配图像的定位坐标。
进一步地,所述将选定的模板图像在待测试应用中的源图像中进行全局模板匹配,控制所述模板图像在所述源图像中滑动查找出最佳匹配区域,包括:
分别获取所述模板图像与所述源图像的高度和宽度;
若所述模板图像的高度大于所述源图像的高度,或者,所述模板图像的宽度大于所述源图像的宽度,则判定所述源图像中不存在匹配区域;
若所述模板图像的高度小于或等于所述源图像的高度,并且,所述模板图像的宽度小于或等于所述源图像的宽度,则:
将所述模板图像在所述源图像中以单位长度进行滑动,逐一计算出所述模板图像与所述源图像的标准相关系数,获得标准相关系数矩阵;
查找出所述标准相关系数矩阵中的最大系数值,以及所述最大系数值所对应的坐标位置;
根据所述最大系数值所对应的坐标位置以及所述模板图像的高度与宽度,确定所述最佳匹配区域的位置。
优选地,所述最大系数值所对应的坐标位置为(m,n),所述模板图像的高度为h1,宽度为w1;
则所述最佳匹配区域的位置为:在所述源图像上的、以坐标位置(m,n)为左上角,长为h1,高为w1的矩形区域。
在一种可实现的方式中,所述计算出所述模板图像与所述源图像的特征点及特征向量,具体包括:
在待检测图像上搜索所有尺度的图像位置,通过高斯微分函数检测出对于尺度和旋转不变的极值点;所述待检测图像包括所述模板图像和所述源图像;
依据所述极值点的稳定程度,通过建立一个拟合模型来确定特征点的位置和尺度;
基于图像局部的梯度方向,为每个特征点的位置分配一个或多个方向;
在每个特征点周围的邻域内,在选定的尺度上测量图像局部的梯度,将所述梯度变换为表示局部形状变形和光照变化的特征向量;
当所述待检测图像为所述模板图像时,所述特征点为所述模板图像的SIFT特征点;所述特征向量为所述模板图像的SIFT特征向量;
当所述待检测图像为所述源图像时,所述特征点为所述源图像的SIFT特征点;所述特征向量为所述源图像的SIFT特征向量。
进一步地,根据所述特征点及特征向量,计算出所述最佳匹配区域与所述模板图像的视觉相似度,具体为:
计算出所述模板图像的SIFT特征点的长度和所述最佳匹配区域的SIFT特征点的长度;
若所述模板图像的SIFT特征点的长度为零,或者,所述最佳匹配区域的SIFT特征点的长度为零,则确定所述最佳匹配区域与所述模板图像的视觉相似度为零;
若所述模板图像的SIFT特征点的长度不为零,并且,所述最佳匹配区域的SIFT特征点的长度为零,则,计算出所述模板图像与所述最佳匹配区域的特征匹配点对的数目;将所述特征匹配点对的数目除以所述模板图像的SIFT特征点的长度的商作为所述视觉相似度。
进一步地,若所述视觉相似度不为零,则获得所述模板图像与所述源图像的特征匹配点对,具体包括:
计算出所述模板图像的SIFT特征向量与所述最佳匹配区域的SIFT特征向量的最小欧氏距离和次小欧氏距离;
在所述最小欧氏距离除以所述次小欧氏距离的商小于第一阈值时,将所述模板图像与所述源图像的特征点作为所述特征匹配点对,并对所述特征匹配点对的数目进行叠加。
进一步地,当所述特征匹配点对的数目高于最小匹配数目时,所述根据所述特征匹配点对,计算出最佳匹配图像的定位坐标,包括:
利用单映射函数查找出与所述特征匹配点对相对应的单映射矩阵;
根据所述单映射矩阵,利用向量数组的透视变换函数计算出所述模板图像在所述源图像上的最佳匹配区域的多个坐标点;
计算出最佳匹配区域的中心点坐标,将所述中心点坐标作为所述最佳匹配图像的定位坐标。
在一种可实现的方式中,根据所述单映射矩阵,所述利用向量数组的透视变换函数计算出所述模板图像在所述源图像上的最佳匹配区域的多个坐标点,具体包括:
根据所述特征匹配点对,获取所述模板图像上的SIFT特征点的坐标及其一一匹配的、在所述源图像上的SIFT特征点的坐标;
随机筛选出N对匹配点对的坐标,在所述模板图像和所述源图像之间进行映射,获得第一方程:
并且获得对应的映射系数,将所述映射系数组建为系数矩阵H,获得第二方程:
其中,N≥4;[x’i,y’i]是所述源图像上的SIFT特征点的坐标;[xi,yi]是所述模板图像上的SIFT特征点的坐标;H是从所述模板图像上的SIFT特征点映射到所述源图像上的SIFT特征点的系数矩阵;
利用所述系数矩阵计算出所述模板图像上的SIFT特征点映射到所述源图像上的实时坐标;
在所述源图像上的SIFT特征点的坐标与所述实时坐标的之间的距离小于第二阈值时,利用第一方程和方程对所述系数矩阵H进行更新,直到所述系数矩阵H不再变化,并将不再变化的系数矩阵H作为所述单映射矩阵;
根据所述单映射矩阵和第一方程,通过以下第三方程逐一计算出所述模板图像在所述最佳匹配区域的N个匹配点的坐标(x’,y’):
将所述N个匹配点的坐标的中心点坐标作为所述最佳匹配图像的定位坐标。
进一步地,当所述特征匹配点对的数目低于所述最小匹配数目,并且大于指定倍率系数时,其中,所述指定倍率系数小于所述最小匹配数目;
则所述根据所述特征匹配点,计算出最佳匹配图像的定位坐标,具体为:
对所述模板图像进行SIFT强匹配,包括:根据所述特征匹配点对,获取所述模板图像上的SIFT特征点的坐标及其一一匹配的、在所述源图像上的SIFT特征点的坐标;
对所述源图像上的SIFT特征点的坐标求均值处理,并将获得的均值坐标值作为所述最佳匹配图像的定位坐标。
进一步地,当所述特征匹配点对的数目小于指定倍率系数时,其中,所述指定倍率系数小于所述最小匹配数目;
则所述根据所述特征匹配点,计算出最佳匹配图像的定位坐标,包括:
选定所述最佳匹配区域中的特征点的邻近区域与所述模板图像进行局部模板匹配。
在一种可实现的方式中,选定所述最佳匹配区域中的特征点的邻近区域与所述模板图像进行局部模板匹配,包括:
计算出所述特征点的邻近区域与所述模板图像的局部视觉相似度;
若所述局部视觉相似度高于第三阈值,则判定匹配成功,根据局部模板匹配获得的坐标计算出所述最佳匹配图像的定位坐标;
若所述局部视觉相似度低于所述第三阈值,则对所述模板图像与所述源图像进行全局多尺度模板匹配。
进一步地,若所述局部视觉相似度低于所述第三阈值,则对所述模板图像与所述源图像进行全局多尺度模板匹配,包括:
建立尺度列表;所述尺度列表包括多个尺度系数;
根据所述尺度列表中的尺度系数,对所述模板图像进行放缩;
对进行放缩后的模板图像在所述源图像中进行全局模板匹配,记录每一次匹配获得的匹配值和匹配区域,形成最佳匹配集合;
计算完所有尺度的全局模板匹配后,将所述最佳匹配集合中的最大匹配值所对应的区域作为最佳匹配图像,并计算出所述最佳匹配图像的中心坐标值作为所述最佳匹配图像的定位坐标。
另一方面,本发明实施例还提供了一种手机集群测试系统,包括:中央节点主机、Web页面、数据库、与所述中央节点主机连接的多台从机;每一台所述从机连接有多台手机;
所述中央节点主机,用于定时运行一个或多个测试任务,向各个所述从机发送指令和收集各台手机上的数据信息,判断手机连接状态是否正常,并将收集到的数据信息写入所述数据库中;
所述Web页面,用于读取所述数据库中的数据进行显示,选中被测试手机的待测试应用和触发所述中央节点主机发布测试任务,通知与所述被测试手机连接的从机获取所述待测试应用及测试代码的下载地址;
每台所述从机,用于从所述中央节点主机中接收测试任务,根据所述测试任务下载相应的待测试应用和测试代码;
每台所述从机,还用于基于图像匹配方法对所述从机所连接的一台或多台手机中的所述待测试应用进行测试;并将测试结果数据汇集至所述中央节点主机中;
所述数据库,用于存储各台手机的数据信息、连接状态和测试结果数据。
进一步地,每一台所述从机设有图像匹配模块和手机应用测试模块;
所述图像匹配模块,用于查找出被测试手机屏幕上的待测试应用的最佳匹配图像的定位坐标;
所述手机应用测试模块,用于启动对所述最佳匹配图像所关联的测试代码的测试;测试完成后,所述与被测试手机连接的从机将测试结果数据上传至所述中央节点主机中,并生成和展示HTML格式的测试报告。
进一步地,所述图像匹配模块包括:
全局模板匹配器,用于将模板图像在源图像中进行全局模板匹配,控制所述模板图像在所述源图像中滑动查找出最佳匹配区域;
特征描述器,用于计算出所述模板图像与所述源图像的特征点及特征向量;
相似度计算器,用于根据所述特征点及特征向量,计算出所述最佳匹配区域与所述模板图像的视觉相似度;若所述视觉相似度为零,则判定所述最佳匹配区域与所述模板图像不匹配;若所述视觉相似度不为零,则获得所述模板图像与所述源图像的特征匹配点对;以及,
匹配图像定位器,用于根据所述特征匹配点对,计算出最佳匹配图像的定位坐标。
进一步地,所述全局模板匹配器,包括:
尺寸识别器,用于分别获取所述模板图像与所述源图像的高度和宽度;
匹配区域判定器,用于若所述模板图像的高度大于所述源图像的高度,或者,所述模板图像的宽度大于所述源图像的宽度,则判定所述源图像中不存在匹配区域;
若所述模板图像的高度小于或等于所述源图像的高度,并且,所述模板图像的宽度小于或等于所述源图像的宽度,则所述全局模板匹配器还包括:
相关系数计算器,用于将所述模板图像在所述源图像中以单位长度进行滑动,逐一计算出所述模板图像与所述源图像的标准相关系数,获得标准相关系数矩阵;
最大系数筛选器,用于查找出所述标准相关系数矩阵中的最大系数值,以及所述最大系数值所对应的坐标位置;
最佳匹配区域确定器,用于根据所述最大系数值所对应的坐标位置以及所述模板图像的高度与宽度,确定所述最佳匹配区域的位置。
优选地,所述最大系数值所对应的坐标位置为(m,n),所述模板图像的高度为h1,宽度为w1;
则所述最佳匹配区域的位置为:在所述源图像上的、以坐标位置(m,n)为左上角,长为h1,高为w1的矩形区域。
进一步地,所述特征描述器,具体包括:
尺度空间极值检测器,用于在待检测图像上搜索所有尺度的图像位置,通过高斯微分函数检测出对于尺度和旋转不变的极值点;所述待检测图像包括所述模板图像和所述源图像;
特征点定位器,用于依据所述极值点的稳定程度,通过建立一个拟合模型来确定特征点的位置和尺度;
特征点方向确定器,用于基于图像局部的梯度方向,为每个特征点的位置分配一个或多个方向;
特征描述器,用于在每个特征点周围的邻域内,在选定的尺度上测量图像局部的梯度,将所述梯度变换为表示局部形状变形和光照变化的特征向量;
当所述待检测图像为所述模板图像时,所述特征点为所述模板图像的SIFT特征点;所述特征向量为所述模板图像的SIFT特征向量;
当所述待检测图像为所述源图像时,所述特征点为所述源图像的SIFT特征点;所述特征向量为所述源图像的SIFT特征向量。
进一步地,所述相似度计算器,具体包括:
特征点长度计算器,用于计算出所述模板图像的SIFT特征点的长度和所述最佳匹配区域的SIFT特征点的长度;
视觉相似度计算器,用于确定所述最佳匹配区域与所述模板图像的视觉相似度,包括:
若所述模板图像的SIFT特征点的长度为零,或者,所述最佳匹配区域的SIFT特征点的长度为零,则确定所述最佳匹配区域与所述模板图像的视觉相似度为零;
若所述模板图像的SIFT特征点的长度不为零,并且,所述最佳匹配区域的SIFT特征点的长度为零,则,计算出所述模板图像与所述最佳匹配区域的特征匹配点对的数目;将所述特征匹配点对的数目除以所述模板图像的SIFT特征点的长度的商作为所述视觉相似度。
在一种可实现的方式中,若所述视觉相似度不为零,则所述相似度计算器还包括:
欧氏距离计算器,用于计算出所述模板图像的SIFT特征向量与所述最佳匹配区域的SIFT特征向量的最小欧氏距离和次小欧氏距离;
特征匹配点对判别器,用于在所述最小欧氏距离除以所述次小欧氏距离的商小于第一阈值时,将所述模板图像与所述源图像的特征点作为所述特征匹配点对;以及,
特征匹配点对统计器,用于对所述特征匹配点对的数目进行叠加。
进一步地,当所述特征匹配点对的数目高于最小匹配数目时,所述匹配图像定位器,还包括:
单映射矩阵计算器,用于利用单映射函数查找出与所述特征匹配点对相对应的单映射矩阵;
坐标变换器,用于根据所述单映射矩阵,利用向量数组的透视变换函数计算出所述模板图像在所述源图像上的最佳匹配区域的多个坐标点;
中心坐标计算器,用于计算出最佳匹配区域的中心点坐标,将所述中心点坐标作为所述最佳匹配图像的定位坐标。
进一步地,所述坐标变换器,具体包括:
特征点坐标抓取器,用于根据所述特征匹配点对,获取所述模板图像上的SIFT特征点的坐标及其一一匹配的、在所述源图像上的SIFT特征点的坐标;
坐标筛选映射器,用于随机筛选出N对匹配点对的坐标,在所述模板图像和所述源图像之间进行映射,获得第一方程:
并且获得对应的映射系数,将所述映射系数组建为系数矩阵H,获得第二方程:
其中,N≥4;[x’i,y’i]是所述源图像上的SIFT特征点的坐标;[xi,yi]是所述模板图像上的SIFT特征点的坐标;H是从所述模板图像上的SIFT特征点映射到所述源图像上的SIFT特征点的系数矩阵;
实时映射坐标计算器,用于利用所述系数矩阵计算出所述模板图像上的SIFT特征点映射到所述源图像上的实时坐标;
单映射矩阵更新器,用于在所述源图像上的SIFT特征点的坐标与所述实时坐标的之间的距离小于第二阈值时,利用第一方程和第二方程对所述系数矩阵H进行更新,直到所述系数矩阵H不再变化,并将不再变化的系数矩阵H作为所述单映射矩阵;
匹配点坐标计算器,用于根据所述单映射矩阵和第一方程,通过以下第三方程逐一计算出所述模板图像在所述最佳匹配区域的N个匹配点的坐标(x’,y’):
所述中心坐标计算器,还用于将所述N个匹配点的坐标的中心点坐标作为所述最佳匹配图像的定位坐标。
进一步地,当所述特征匹配点对的数目低于所述最小匹配数目,并且大于指定倍率系数时,其中,所述指定倍率系数小于所述最小匹配数目;
则所述匹配图像定位器,具体还包括:
特征强匹配器,用于对所述模板图像进行SIFT强匹配,包括:
特征点坐标抓取器,用于根据所述特征匹配点对,获取所述模板图像上的SIFT特征点的坐标及其一一匹配的、在所述源图像上的SIFT特征点的坐标;
均值处理器,用于对所述源图像上的SIFT特征点的坐标求均值处理,并将获得的均值坐标值作为所述最佳匹配图像的定位坐标。
进一步地,当所述特征匹配点对的数目小于指定倍率系数时,其中,所述指定倍率系数小于所述最小匹配数目;
则所述匹配图像定位器还包括:局部模板匹配器,用于选定所述最佳匹配区域中的特征点的邻近区域与所述模板图像进行局部模板匹配。
进一步地,所述局部模板匹配器包括:
局部视觉相似度计算器,用于计算出所述特征点的邻近区域与所述模板图像的局部视觉相似度;
若所述局部视觉相似度高于第三阈值,则判定匹配成功,则所述局部模板匹配器还包括:局部定位器,用于根据局部模板匹配获得的坐标计算出所述最佳匹配图像的定位坐标;
若所述局部视觉相似度低于所述第三阈值,则所述局部模板匹配器还包括:多尺度匹配器,用于对所述模板图像与所述源图像进行全局多尺度模板匹配。
进一步地,所述多尺度匹配器,包括:
尺度列表构建器,用于建立尺度列表;所述尺度列表包括多个尺度系数;
图像尺寸放缩器,用于根据所述尺度列表中的尺度系数,对所述模板图像进行放缩;
匹配集合生成器,用于对进行放缩后的模板图像在所述源图像中进行全局模板匹配,记录每一次匹配获得的匹配值和匹配区域,形成最佳匹配集合;以及,
多尺度匹配图像坐标定位器,用于计算完所有尺度的全局模板匹配后,将所述最佳匹配集合中的最大匹配值所对应的区域作为最佳匹配图像,并计算出所述最佳匹配图像的中心坐标值作为所述最佳匹配图像的定位坐标。
本发明实施例提供的手机集群测试方法及系统,首先设立中央节点主机以及与中央节点主机连接的多台从机,在每一台从机连接有多台待测试的手机,通过中央节点主机向各台从机发送测试任务,用户可以通过Web页面展现数据库的状态数据和触发中央节点主机发布测试任务;所有的指令都通过中央节点主机发送到从机上,这样的结构在集群扩容的时候只需要增加从机即可,所有的测试数据也可以全部汇集中央节点主机上,方便数据的收集。被测试手机通过有线或无线的方式连接其隶属的从机,各台从机对其所连接的手机采用基于图像匹配方法进行测试,由于在进行手机集群测试时可以进一步采用模板匹配和SIFT(Scale-InvariantFeatureTransform,尺度不变特征转换)的图像匹配方法,扬长避短,兼有基于灰度的图像匹配方法的计算简单、直接与基于特征的图像匹配方法的旋转不变性和尺度不变性的优点,因此提高了图像匹配的准确度和灵活性。使得使用手机集群测试的用户,只需要提交应用APP的安装包和测试代码,就可以在不同型号的手机上同时进行大规模的测试。将本发明提供的图像匹配方法应用在手机应用测试时,可以快速准确地识别出目标图像,从而提高手机应用APP的测试效率。因此,实施本发明实施例提供的技术方案,可以完成手机的集群调度和控制,完成批量化的手机自动测试,减少了在做大批量手机测试时的成本,提高手机测试的效率、兼容性和适用范围。
附图说明
图1是本发明实施例一提供的手机集群测试系统的一种结构示意图;
图2是本发明实施例一提供的手机集群测试方法的一种步骤流程图;
图3是本发明实施例二提供的基于图像匹配方法的手机应用测试的步骤流程图;
图4是本发明实施例二提供的查找出被测试手机屏幕上的待测试应用的最佳匹配图像的定位坐标的一种可实现方式的步骤流程图;
图5是本发明实施例二提供的将模板图像在源图像中进行全局模板匹配的示意图;
图6是本发明实施例二提供的计算模板图像与源图像的特征点及特征向量一种可实现方式的步骤流程图;
图7是本发明实施例二提供的从机的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
实施例一
参见图1,是本发明实施例一提供的手机集群测试系统的一种结构示意图。
在本实施例中,所述的手机集群测试系统包括中央节点主机100、Web页面200、数据库300、与所述中央节点主机100连接的多台从机(如图1中的从机1,从机2,…,从机M,M>1);每一台所述从机连接有多台手机。如图1所示,从机1连接有N1台手机;从机2连接有N2台手机;如此类推,从机M连接有NM台手机,其中,N1≥1,N2≥1;NM≥1。系统中的所有手机形成手机集群,通过本发明实施例提供的手机集群测试系统对整个手机集群中的手机进行测试。
具体实施时,所述中央节点主机100,用于定时运行一个或多个测试任务,向各个所述从机发送指令和收集各台手机上的数据信息,判断手机连接状态是否正常,并将收集到的数据信息写入所述数据库300中;
所述Web页面200,用于读取所述数据库300中的数据进行显示,选中被测试手机的待测试应用APP和触发所述中央节点主机100发布测试任务,通知与所述被测试手机连接的从机获取所述待测试应用APP及测试代码的下载地址;
每台所述从机,用于从所述中央节点主机100中接收测试任务,根据所述测试任务下载相应的待测试应用APP和测试代码;
每台所述从机,还用于基于图像匹配方法对所述从机所连接的一台或多台手机中的所述待测试应用进行测试;并将测试结果数据汇集至所述中央节点主机中;
所述数据库300,用于存储各台手机的数据信息、连接状态和测试结果数据。
与所述手机集群测试系统相对应,本实施例还提供了一种手机集群测试方法。如图2所示,是本发明实施例一提供的手机集群测试方法的一种步骤流程图。
本实施例提供的手机集群测试方法,可以利用上述的手机集群测试系统,对手机应用APP进行相应的测试,手机集群测试系统的结构原理如上文所述,在此不再赘述。具体地,本实施例提供的手机集群测试方程包括以下步骤:
步骤S201:通过中央节点主机100定时运行一个或多个测试任务,向各个所述从机发送指令和收集各台手机上的数据信息,判断手机连接状态是否正常,并将收集到的数据信息写入所述数据库中;
步骤S202:通过Web页面200读取所述数据库300中的数据进行显示,选中被测试手机的待测试应用APP和触发所述中央节点主机100发布测试任务,通知与所述被测试手机连接的从机获取待测试应用APP及测试代码的下载地址;
步骤S203:每台从机从所述中央节点主机100中接收测试任务,根据所述测试任务下载相应的待测试应用APP和测试代码;
步骤S204:每台从机基于图像匹配方法对所述从机所连接的一台或多台手机中的所述待测试应用APP进行测试;并将测试结果数据汇集至所述中央节点主机100中;
步骤S205:通过数据库300对各台手机的数据信息、连接状态和测试结果数据进行存储。
本发明实施例提供的手机集群测试方法及系统,首先设立中央节点主机以及与中央节点主机连接的多台从机,在每一台从机连接有多台待测试的手机,通过中央节点主机向各台从机发送测试任务,用户可以通过Web页面展现数据库的状态数据和触发中央节点主机发布测试任务;所有的指令都通过中央节点主机发送到从机上,这样的结构在集群扩容的时候只需要增加从机即可,所有的测试数据也可以全部汇集中央节点主机上,方便数据的收集。
实施例二
本实施例与实施例一的区别点在于,本实施例提供的手机集群测试方法,在实施例一的基础上,进一步地,在所述步骤S204中,如图3所示,所述每台从机基于图像匹配方法对所述从机所连接的一台或多台手机中的所述待测试应用APP进行测试,包括:
步骤S301:查找出被测试手机屏幕上的待测试应用APP的最佳匹配图像的定位坐标;
步骤S302:启动对所述最佳匹配图像所关联的测试代码进行测试;
步骤S303:测试完成后,与被测试手机连接的从机将测试结果数据上传至所述中央节点主机100中,生成和展示HTML(HyperTextMark-upLanguage,超文本标记语言)格式的测试报告。
如图4所示,是本发明实施例二提供的查找出被测试手机屏幕上的待测试应用的最佳匹配图像的定位坐标的一种可实现方式的步骤流程图。
在一种可实现的方式中,所述步骤S301可以采用以下步骤进行实现,包括:
步骤S401:将选定的模板图像在待测试应用APP中的源图像中进行全局模板匹配,控制所述模板图像在所述源图像中滑动查找出最佳匹配区域。
如图5所示,是本发明实施例二提供的将模板图像在源图像中进行全局模板匹配的示意图。其中,源图像S中包含有多个控件或按键的图标,分别为图标501~图标506。控制模板图像T从源图像S的左上角开始滑动,以在源图像S中找到目标图标504,在每滑动一次匹配窗口(模板图像T的大小)时,计算模板图像T与该窗口对应的图像区域之间的相似度。
具体实施时,在一种可实现的方式中,所述步骤S401具体为:
a.分别获取所述模板图像T与所述源图像S的高度和宽度;
b.若所述模板图像T的高度大于所述源图像S的高度,或者,所述模板图像T的宽度大于所述源图像S的宽度,则判定所述源图像S中不存在匹配区域;
c.若所述模板图像T的高度小于或等于所述源图像S的高度,并且,所述模板图像T的宽度小于或等于所述源图像S的宽度,则:
c1.将所述模板图像T在所述源图像S中以单位长度进行滑动,逐一计算出所述模板图像T与所述源图像S的标准相关系数,获得标准相关系数矩阵A;
c2.查找出所述标准相关系数矩阵A中的最大系数值,以及所述最大系数值所对应的坐标位置;
c3.根据所述最大系数值所对应的坐标位置以及所述模板图像T的高度h1与宽度w1,确定所述最佳匹配区域的位置。
在一种可实现的方式中,所述最大系数值所对应的坐标位置为(m,n),所述模板图像的高度为h1,宽度为w1;则所述最佳匹配区域的位置为:在所述源图像上的、以坐标位置(m,n)为左上角,长为h1,高为w1的矩形区域。具体地,可以设计一内部函数template_match()实现以上所述步骤S401,其伪代码实现过程如下:
在进行模板匹配的过程中,由于模板图像T与源图像S中的目标图标504的尺寸大小和/或方向有可能不一致,因此,该步骤查找得到的最佳匹配区域并不一定是有效匹配(即最佳匹配区域有可能不是目标图标504),还需要通过进一步对源图像S进行处理分析。
步骤S402:计算出所述模板图像T与所述源图像S的特征点及特征向量。
在本实施例中,优选采用SIFT(Scale-InvariantFeatureTransform,尺度不变特征转换)特征匹配算法对所述模板图像T与所述源图像S的特征点及特征向量进行计算。SIFT特征匹配算法是一种用来侦测与描述影像中的局部性特征的计算机视觉算法,主要通过分别求两幅图中的特征点(InterestPointsorCornerPoints)及其有关尺寸(Scale)和方向(Orientation)的描述子得到特征,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,然后进行两幅图像的特征点匹配。SIFT算法的实质是在不同尺度空间上查找特征点,并计算出特征点的方向,其所查找到的特征点是一些十分突出,不会因光照、仿射变换和噪音等因素而变化的点,如角点、边缘点、暗区的亮点及亮区的暗点等,因而SIFT特征对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换和噪音等也保持一定程度的稳定性。
通过以上步骤计算获得模板图像T与源图像S的特征点及特征向量后,可以进一步通过步骤S403对两者的视觉相似度进行比较。
步骤S403:根据所述特征点及特征向量,计算出所述最佳匹配区域与所述模板图像的视觉相似度;对所述视觉相似度是否为零进行判断,若所述视觉相似度为零,则执行步骤S404;若所述视觉相似度不为零,则执行步骤S405;
步骤S404:判定所述最佳匹配区域与所述模板图像T不匹配。
步骤S405:获得所述模板图像T与所述源图像S的特征匹配点对,并执行步骤S406。
步骤S406:根据所述特征匹配点对,计算出最佳匹配图像的定位坐标。
参看图6,是本发明实施例二提供的计算模板图像与源图像的特征点及特征向量一种可实现方式的步骤流程图。
具体实施时,所述步骤S402具体可以通过以下步骤进行实现,包括:
步骤S601:尺度空间极值检测。在待检测图像上搜索所有尺度的图像位置,通过高斯微分函数检测出对于尺度和旋转不变的极值点(又称为潜在的对于尺度和旋转不变的兴趣点)。
步骤S602:特征点定位。依据所述极值点的稳定程度,通过建立一个拟合模型来确定特征点的位置和尺度。
步骤S603:特征点方向确定。基于图像局部的梯度方向,为每个特征点的位置分配一个或多个方向。
步骤S604:特征点特征描述。在每个特征点周围的邻域内,在选定的尺度上测量图像局部的梯度,将所述梯度变换为表示局部形状变形和光照变化的特征向量。
具体地,在所述步骤S601~步骤S604中,当所述待检测图像为所述模板图像T时,所述特征点为所述模板图像T的SIFT特征点;所述特征向量为所述模板图像T的SIFT特征向量;当所述待检测图像为所述源图像S时,所述特征点为所述源图像S的SIFT特征点;所述特征向量为所述源图像S的SIFT特征向量。
进一步地,在一种可实现的方式中,所述步骤S403可以通过以下步骤实现,具体为:
步骤S4031:计算出所述模板图像T的SIFT特征点的长度len(keypoint1)和所述最佳匹配区域的SIFT特征点的长度len(keypoint2)。根据模板图像T的SIFT特征点的长度和最佳匹配区域的SIFT特征点的长度的大小,判断最佳匹配区域与模板图像T的视觉相似度是否为零。
若所述模板图像T的SIFT特征点的长度为零,或者,所述最佳匹配区域的SIFT特征点的长度为零,则执行步骤S4032;若所述模板图像T的SIFT特征点的长度不为零,并且,所述最佳匹配区域的SIFT特征点的长度不为零,则执行步骤S4033。
步骤S4032:确定所述最佳匹配区域与所述模板图像T的视觉相似度为零。
步骤S4033:计算出所述模板图像T与所述最佳匹配区域的特征匹配点对的数目Good_Match;将所述特征匹配点对的数目Good_Match除以所述模板图像T的SIFT特征点的长度len(keypoint1)的商作为所述视觉相似度,即,视觉相似度的值=Good_Match/len(keypoint1)。
在本实施例中,上述步骤S403计算获得的视觉相似度,是通过步骤S401将模板图像T在整个源图像S中进行全局模板匹配获得的“全局视觉相似度”,其目的是实现对源图像的粗过滤,排除那些必然不存在匹配区域的源图像(测试图片),提高图像匹配过程的运行效率。
具体实施时,若所述视觉相似度不为零,则在所述步骤S405中,获得所述模板图像T与所述源图像S的特征匹配点对的过程,具体包括:
计算出所述模板图像T的SIFT特征向量与所述最佳匹配区域的SIFT特征向量的最小欧氏距离min_E和次小欧氏距离nextmin_E;在所述最小欧氏距离min_E除以所述次小欧氏距离nextmin_E的商小于第一阈值时,将所述模板图像T与所述源图像S的特征点作为所述特征匹配点对,并对所述特征匹配点对的数目Good_Match进行叠加。例如,假设第一阈值TH1为0.75,则当所述模板图像T的SIFT特征向量与所述最佳匹配区域的SIFT特征向量的最小欧氏距离min_E小于次小欧氏距离nextmin_E与第一阈值TH1的乘积,即min_E<0.75*nextmin_E时,对特征匹配点对的数目Good_Match进行叠加:Good_Match=Good_Match+1。
以上步骤S403~步骤S405可以通过构造一函数feature_similarity()进行实现,其伪代码可表示为:
具体实施时,计算获得的SIFT特征点描述子即为其相应的特征向量。构造函数cv2.SIFT.detectAndCompute()计算出模板图像T和源图像S的SIFT特征点及其SIFT特征点描述子(即特征向量):
其次利用cv2.FlannBasedMatcher()进行特征点匹配,接着按照最近邻距离除以次近邻距离低于某一阈值(即第一阈值TH1)准则,计算SIFT特征匹配点对。其中,“距离”指模板图像T中一个SIFT特征向量与源图像S中的一个SIFT特征向量间的欧氏距离:
保留SIFT特征匹配点对,记作Good_Match。
在获得所述模板图像T与所述源图像S的特征匹配点对的数目Good_Match后,根据该特征匹配点对的数目Good_Match的大小选择执行不同的策略来实现最优匹配图像的定位。
与上述的手机集群测试方法相对应,本实施例提供的手机集群测试系统在实施例一的基础上,进一步地,每一台所述从机设有图像匹配模块和手机应用测试模块。
如图7所示,是本发明实施例二提供的从机的一种结构示意图。
其中,所述图像匹配模块701,用于查找出被测试手机屏幕上的待测试应用的最佳匹配图像的定位坐标;
所述手机应用测试模块702,用于启动对所述最佳匹配图像所关联的测试代码的测试;测试完成后,所述与被测试手机连接的从机将测试结果数据上传至所述中央节点主机100中,并生成和展示HTML(HyperTextMark-upLanguage,超文本标记语言)格式的测试报告。
在一种可实现的方式中,以从机1为例,所述图像匹配模块701包括:
全局模板匹配器7011,用于将模板图像T在源图像S中进行全局模板匹配,控制所述模板图像T在所述源图像S中滑动查找出最佳匹配区域;
特征描述器7012,用于利用SIFT特征匹配算法计算出所述模板图像T与所述源图像S的特征点及特征向量;
相似度计算器7013,用于根据所述特征点及特征向量,计算出所述最佳匹配区域与所述模板图像T的视觉相似度;若所述视觉相似度为零,则判定所述最佳匹配区域与所述模板图像T不匹配;若所述视觉相似度不为零,则获得所述模板图像T与所述源图像S的特征匹配点对;以及,
匹配图像定位器7014,用于根据所述特征匹配点对,计算出最佳匹配图像的定位坐标。
在一种可实现的方式中,所述全局模板匹配器7011包括:
尺寸识别器,用于分别获取所述模板图像T与所述源图像S的高度和宽度;
匹配区域判定器,用于若所述模板图像T的高度大于所述源图像S的高度,或者,所述模板图像T的宽度大于所述源图像S的宽度,则判定所述源图像S中不存在匹配区域;
若所述模板图像T的高度小于或等于所述源图像S的高度,并且,所述模板图像T的宽度小于或等于所述源图像S的宽度,则所述全局模板匹配器还包括:
相关系数计算器,用于将所述模板图像T在所述源图像S中以单位长度进行滑动,逐一计算出所述模板图像T与所述源图像S的标准相关系数,获得标准相关系数矩阵A;
最大系数筛选器,用于查找出所述标准相关系数矩阵A中的最大系数值,以及所述最大系数值所对应的坐标位置;
最佳匹配区域确定器,用于根据所述最大系数值所对应的坐标位置以及所述模板图像T的高度与宽度,确定所述最佳匹配区域的位置。
其中,全局模板匹配器7011的功能结构组成与前文所述的步骤S401的具体实现过程a~c(包括c1~c3)一一对应,在此不再赘述。
优选地,所述最大系数值所对应的坐标位置为(m,n),所述模板图像T的高度为h1,宽度为w1;则所述最佳匹配区域的位置为:在所述源图像S上的、以坐标位置(m,n)为左上角,长为h1,高为w1的矩形区域。
在本实施例中,优选地,所述特征描述器7012,具体包括:
尺度空间极值检测器,用于在待检测图像上搜索所有尺度的图像位置,通过高斯微分函数检测出对于尺度和旋转不变的极值点;所述待检测图像包括所述模板图像和所述源图像;
特征点定位器,用于依据所述极值点的稳定程度,通过建立一个拟合模型来确定特征点的位置和尺度;
特征点方向确定器,用于基于图像局部的梯度方向,为每个特征点的位置分配一个或多个方向;
特征描述器,用于在每个特征点周围的邻域内,在选定的尺度上测量图像局部的梯度,将所述梯度变换为表示局部形状变形和光照变化的特征向量;
当所述待检测图像为所述模板图像时,所述特征点为所述模板图像的SIFT特征点;所述特征向量为所述模板图像的SIFT特征向量;
当所述待检测图像为所述源图像时,所述特征点为所述源图像的SIFT特征点;所述特征向量为所述源图像的SIFT特征向量。
以上特征描述器7012的功能结构与图6所示的步骤流程一一对应,在此不再一一赘述其工作原理,详见前文中关于利用图6所示的实现方式计算模板图像T与源图像S的特征点及特征向量的相应内容。
进一步地,本实施例提供的所述相似度计算器7013,在一种可实现方式中,具体包括:
特征点长度计算器,用于计算出所述模板图像的SIFT特征点的长度和所述最佳匹配区域的SIFT特征点的长度;
视觉相似度计算器,用于确定所述最佳匹配区域与所述模板图像的视觉相似度,包括:
若所述模板图像的SIFT特征点的长度为零,或者,所述最佳匹配区域的SIFT特征点的长度为零,则确定所述最佳匹配区域与所述模板图像的视觉相似度为零;
若所述模板图像的SIFT特征点的长度不为零,并且,所述最佳匹配区域的SIFT特征点的长度为零,则,计算出所述模板图像与所述最佳匹配区域的特征匹配点对的数目;将所述特征匹配点对的数目除以所述模板图像的SIFT特征点的长度的商作为所述视觉相似度。
相应地,以上关于相似度计算器7013的具体功能结构与前文中关于步骤S403的一种可实现方式的流程步骤一一对应相同,在此不再赘述。
具体地,若所述视觉相似度不为零,则所述相似度计算器7013还包括:
欧氏距离计算器,用于计算出所述模板图像的SIFT特征向量与所述最佳匹配区域的SIFT特征向量的最小欧氏距离和次小欧氏距离;
特征匹配点对判别器,用于在所述最小欧氏距离除以所述次小欧氏距离的商小于第一阈值时,将所述模板图像与所述源图像的特征点作为所述特征匹配点对;以及,
特征匹配点对统计器,用于对所述特征匹配点对的数目进行叠加。
本实施例提供的手机集群测试方法及系统,在实施例一的基础上,进一步地,基于图像匹配方法进行测试,由于在进行手机集群测试时进一步采用全局模板匹配和SIFT(Scale-InvariantFeatureTransform,尺度不变特征转换)的图像匹配方法,扬长避短,兼有基于灰度的图像匹配方法的计算简单、直接与基于特征的图像匹配方法的旋转不变性和尺度不变性的优点,因此提高了图像匹配的准确度和灵活性。使得使用手机集群测试的用户,只需要提交应用APP的安装包和测试代码,就可以在不同型号的手机上同时进行大规模的测试。
实施例三
本实施例与实施例二的区别点在于,本实施例提供的手机集群测试方法及系统在实施例二的基础上,通过进一步限制图像匹配的条件,在进行全局模板匹配后获得的所述最佳匹配区域与所述模板图像T的视觉相似度不为零时,提供更加详细的查找出最佳的匹配区域的实施方式。
具体实施时,可以设定最小匹配数目(MIN_MATCH_COUNT),来界定所述特征匹配点对的数目Good_Match的大小。通过所述特征匹配点对的数目Good_Match与最小匹配数目的比较,选定不同的计算策略。
在本实施例提供的手机集群测试方法中,进一步地,当所述特征匹配点对的数目Good_Match高于最小匹配数目(MIN_MATCH_COUNT)时,所述根据所述特征匹配点对,计算出最佳匹配图像的定位坐标,包括:利用单映射(homography,也称为单应性)函数查找出与所述特征匹配点对相对应的单映射矩阵(HomographyMatrix)。
进一步,根据所述单映射矩阵,利用向量数组的透视变换函数计算出所述模板图像T在所述源图像S上的最佳匹配区域的多个坐标点;计算出最佳匹配区域的中心点坐标,将所述中心点坐标作为所述最佳匹配图像的定位坐标。
具体地,假设最小匹配数目MIN_MATCH_COUNT为5,若特征匹配点对的数目Good_Match高于5,则用homography映射找出匹配区域,构建cv2.findHomography()函数,利用匹配的关键点找出相应的单映射矩阵,再用cv2.perspectiveTransfrom()函数映射点群,得到模板图像T在源图像S上匹配映射区域的四个坐标点,接着就利用得到的坐标点计算出匹配区域的中心点坐标,实现了定位功能;反之,若特征匹配点对的数目Good_Match低于5,则需要进行进一步的判断。
在本实施例中,在一种可实现的方式中,所述利用向量数组的透视变换函数计算出所述模板图像T在所述源图像S上的最佳匹配区域的多个坐标点,具体包括以下步骤:
步骤S801:根据所述特征匹配点对,获取所述模板图像T上的SIFT特征点的坐标及其一一匹配的、在所述源图像S上的SIFT特征点的坐标。
步骤S802:随机筛选出N对匹配点对的坐标,在所述模板图像T和所述源图像S之间进行映射,获得第一方程:
并且获得对应的映射系数,将所述映射系数组建为系数矩阵H,获得第二方程:
其中,N≥4;[x’i,y’i]是所述源图像S上的SIFT特征点的坐标;[xi,yi]是所述模板图像T上的SIFT特征点的坐标;H是从所述模板图像T上的SIFT特征点映射到所述源图像S上的SIFT特征点的系数矩阵,其中h11~h33是系数矩阵H的各个元素。
步骤S803:利用所述系数矩阵H计算出所述模板图像T上的SIFT特征点映射到所述源图像S上的实时坐标。
步骤S804:在所述源图像S上的SIFT特征点的坐标与所述实时坐标的之间的距离小于第二阈值TH2时,利用第一方程(1)和第二方程(2)对所述系数矩阵H进行更新,直到所述系数矩阵H不再变化,并将不再变化的系数矩阵H作为所述单映射矩阵。
步骤S805:根据所述单映射矩阵和第一方程(1),通过以下第三方程(3)逐一计算出所述模板图像T在所述最佳匹配区域的N个匹配点的坐标(x’,y’):
步骤S806:将所述N个匹配点的坐标的中心点坐标作为所述最佳匹配图像的定位坐标。
另一方面,当所述特征匹配点对的数目Good_Match低于所述最小匹配数目MIN_MATCH_COUNT,并且大于指定倍率系数ratio_num(例如,系数ratio_num可优选为模板图像T的SIFT特征点数的0.1倍)时,则所述步骤S406具体为:对所述模板图像T进行SIFT强匹配,包括以下步骤:
步骤61:根据所述特征匹配点对,获取所述模板图像T上的SIFT特征点的坐标及其一一匹配的、在所述源图像S上的SIFT特征点的坐标;
步骤62:对所述源图像S上的SIFT特征点的坐标求均值处理,并将获得的均值坐标值作为所述最佳匹配图像的定位坐标。其中,所述指定倍率系数ratio_num小于所述最小匹配数目MIN_MATCH_COUNT。
在所述步骤S406中执行强匹配的目的是:防止遗漏能够匹配上的图像对。具体实施时,有些模板图像T本身只能提取几个SIFT特征点,但是实际上这些模板图像T刚好又与源图像S匹配,而传统的SIFT算法无法为这些只有少数特征点的模板图像T查找到匹配区域。而本发明实施例进行强匹配后,可以克服传统SIFT特征提取方法的这一缺陷,提高图像匹配的能力。
但是,当所述特征匹配点对的数目Good_Match小于指定倍率系数ratio_num时,或者,特征匹配点对的数目Good_Match小于零,即可以提取的特征匹配点对的数目Good_Match非常少时,(其中,所述指定倍率系数小于所述最小匹配数目),则所述步骤S406包括:选定所述最佳匹配区域中的特征点的邻近区域与所述模板图像T进行局部模板匹配,具体可以通过以下步骤进行实现:
步骤S4061:计算出所述特征点的邻近区域与所述模板图像T的局部视觉相似度;若所述局部视觉相似度高于第三阈值TH3,则执行步骤S4062;若所述局部视觉相似度低于所述第三阈值TH3,则执行步骤S4063。
步骤S4062:判定匹配成功,根据局部模板匹配获得的坐标计算出所述最佳匹配图像的定位坐标;
步骤S4063:对所述模板图像T与所述源图像S进行全局多尺度模板匹配。
其中,步骤S4061中的局部视觉相似度是通过最佳匹配区域中的特征点的邻近区域与所述模板图像T进行局部模板匹配来获得的。
具体实施时,在计算局部视觉相似度时,可以采用前文所述的feature_similarity()函数进行实现;还可以采用颜色直方图的相似度来计算。具体地,可以分别计算模板图像T的颜色直方图H1(i)和源图像S中的邻近区域的颜色直方图H2(i),然后采用第四方程(4)解算出局部视觉相似度:
而步骤S4061中的特征点的邻近区域,可选择为:以特征点所在坐标为中心,长、宽分别为模板图像T高度和宽度两倍的矩形区域,通过在该矩形区域上对模板图像T进行匹配,选出最好的匹配区域,如果其与模板图像T的视觉相似度高于某一阈值(TH3),则认为匹配成功,否则执行步骤S4063。
在一种可实现的方式中,若所述局部视觉相似度低于所述第三阈值TH3,则所述步骤S4063,具体包括:
步骤S31:建立尺度列表;所述尺度列表包括多个尺度系数;
步骤S32:根据所述尺度列表中的尺度系数,对所述模板图像T进行放缩;
步骤S33:对进行放缩后的模板图像T在所述源图像S中进行全局模板匹配,记录每一次匹配获得的匹配值和匹配区域,形成最佳匹配集合;
步骤S34:计算完所有尺度的全局模板匹配后,将所述最佳匹配集合中的最大匹配值所对应的区域作为最佳匹配图像,并计算出所述最佳匹配图像的中心坐标值作为所述最佳匹配图像的定位坐标。
可以采用将以上过程采用函数multi_scale_match()实现,并通过伪代码将以上过程表示如下:
在本实施例中,主要计算模板T与源图像S多尺度匹配相似度,对模板T实现了多尺度放缩,在一定程度上解决模板匹配存在的对尺度变换敏感的问题,如果匹配值(放缩后的模板图像与源图像S的匹配值)低于一定阈值,则认为匹配失败,否则计算最佳匹配区域与模板T的视觉相识度。
步骤S31~S34采用的是多尺度模板匹配方法,其作用是细过滤,排除那些容易匹配错误的源图像S的干扰,因而比前文所述步骤S401的模板匹配过程更加丰富。
与上述手机集群测试方法相对应,本实施例提供的手机应测试系统在实施例二的基础上,进一步地,可以设定最小匹配数目(MIN_MATCH_COUNT),来界定所述特征匹配点对的数目Good_Match的大小。通过所述特征匹配点对的数目Good_Match与最小匹配数目的比较,选定不同的计算策略。
在本实施例提供的手机集群测试系统中,进一步地,当所述特征匹配点对的数目Good_Match高于最小匹配数目MIN_MATCH_COUNT时,所述匹配图像定位器7014,还包括:
单映射矩阵计算器,用于利用单映射函数查找出与所述特征匹配点对相对应的单映射矩阵;
坐标变换器,用于根据所述单映射矩阵,利用向量数组的透视变换函数计算出所述模板图像T在所述源图像S上的最佳匹配区域的多个坐标点;
中心坐标计算器,用于计算出最佳匹配区域的中心点坐标,将所述中心点坐标作为所述最佳匹配图像的定位坐标。
其中,优选地,所述坐标变换器,具体包括:
特征点坐标抓取器,用于根据所述特征匹配点对,获取所述模板图像T上的SIFT特征点的坐标及其一一匹配的、在所述源图像S上的SIFT特征点的坐标;
坐标筛选映射器,用于随机筛选出N对匹配点对的坐标,在所述模板图像T和所述源图像S之间通过第一方程(1)进行映射;
并且获得对应的映射系数,将所述映射系数组建为系数矩阵H,即上述第二方程(2);其中,第一方程(1)和第二方程(2)中的参数与前文所记载的内容相同。即N≥4;[x’i,y’i]是所述源图像S上的SIFT特征点的坐标;[xi,yi]是所述模板图像T上的SIFT特征点的坐标;H是从所述模板图像T上的SIFT特征点映射到所述源图像S上的SIFT特征点的系数矩阵。
所述坐标变换器还包括实时映射坐标计算器,用于利用所述系数矩阵计算出所述模板图像T上的SIFT特征点映射到所述源图像S上的实时坐标;
单映射矩阵更新器,用于在所述源图像S上的SIFT特征点的坐标与所述实时坐标的之间的距离小于第二阈值时,利用第一方程(1)和第二方程(2)对所述系数矩阵H进行更新,直到所述系数矩阵H不再变化,并将不再变化的系数矩阵H作为所述单映射矩阵;
匹配点坐标计算器,用于根据所述单映射矩阵和第一方程(1),逐一计算出所述模板图像T在所述最佳匹配区域的N个匹配点的坐标(x’,y’),即采用上述第三方程(3)进行计算。
所述坐标变换器还包括所述中心坐标计算器,还用于将所述N个匹配点的坐标的中心点坐标作为所述最佳匹配图像的定位坐标。
但是,当所述特征匹配点对的数目低于所述最小匹配数目,并且大于指定倍率系数时,其中,所述指定倍率系数小于所述最小匹配数目;则所述匹配图像定位器7014,具体还包括:
特征强匹配器,用于对所述模板图像T进行SIFT强匹配,包括:
特征点坐标抓取器,用于根据所述特征匹配点对,获取所述模板图像T上的SIFT特征点的坐标及其一一匹配的、在所述源图像S上的SIFT特征点的坐标;
均值处理器,用于对所述源图像S上的SIFT特征点的坐标求均值处理,并将获得的均值坐标值作为所述最佳匹配图像的定位坐标。
当所述特征匹配点对的数目小于指定倍率系数时,其中,所述指定倍率系数小于所述最小匹配数目;则所述匹配图像定位器7014还包括:局部模板匹配器,用于选定所述最佳匹配区域中的特征点的邻近区域与所述模板图像T进行局部模板匹配。
优选地,所述局部模板匹配器包括:
局部视觉相似度计算器,用于计算出所述特征点的邻近区域与所述模板图像T的局部视觉相似度;
若所述局部视觉相似度高于第三阈值,则判定匹配成功,则所述局部模板匹配器还包括:局部定位器,用于根据局部模板匹配获得的坐标计算出所述最佳匹配图像的定位坐标;
若所述局部视觉相似度低于所述第三阈值,则所述局部模板匹配器还包括:多尺度匹配器,用于对所述模板图像T与所述源图像S进行全局多尺度模板匹配。
在一种可实现的方式中,所述多尺度匹配器,包括:
尺度列表构建器,用于建立尺度列表;所述尺度列表包括多个尺度系数;
图像尺寸放缩器,用于根据所述尺度列表中的尺度系数,对所述模板图像T进行放缩;
匹配集合生成器,用于对进行放缩后的模板图像T在所述源图像S中进行全局模板匹配,记录每一次匹配获得的匹配值和匹配区域,形成最佳匹配集合;以及,
多尺度匹配图像坐标定位器,用于计算完所有尺度的全局模板匹配后,将所述最佳匹配集合中的最大匹配值所对应的区域作为最佳匹配图像,并计算出所述最佳匹配图像的中心坐标值作为所述最佳匹配图像的定位坐标。
本实施例中的手机应用测试系统中的各个功能模块与本实施例中的手机集群测试方法的各个步骤一一对应相同,其工作原理以及技术效果不再一一赘述。
本实施例提供的手机集群测试方法及系统,进一步对在采样图像匹配获取最近匹配图像的定位坐标的计算过程提出了一种具体可实现的优化方案。实施本实施例提供的技术方案,可以克服基于模板匹配的“尺度不变”以及“不可旋转”的缺陷,同时,降低了传统的SIFT特征算法的复杂度。因而,本发明实施例可以扬长避短,兼有基于灰度的图像匹配方法的计算简单、直接与基于特征的图像匹配方法的旋转不变性和尺度不变性的优点,因此提高了图像匹配的准确度和灵活性,从而间接地提高了手机集群测试的效率和精度。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (28)
1.一种手机集群测试方法,其特征在于,包括:
通过中央节点主机定时运行一个或多个测试任务,向各个从机发送指令和收集各台手机上的数据信息,判断手机连接状态是否正常,并将收集到的数据信息写入数据库中;
通过Web页面读取所述数据库中的数据进行显示,选中被测试手机的待测试应用和触发所述中央节点主机发布测试任务,通知与所述被测试手机连接的从机获取待测试应用及测试代码的下载地址;
每台从机从所述中央节点主机中接收测试任务,根据所述测试任务下载相应的待测试应用和测试代码;并且,每台从机基于图像匹配方法对所述从机所连接的一台或多台手机中的所述待测试应用进行测试;并将测试结果数据汇集至所述中央节点主机中;
通过数据库对各台手机的数据信息、连接状态和测试结果数据进行存储。
2.如权利要求1所述手机集群测试方法,其特征在于,所述每台从机基于图像匹配方法对所述从机所连接的一台或多台手机中的所述待测试应用进行测试,包括:
查找出被测试手机屏幕上的待测试应用的最佳匹配图像的定位坐标;
启动对所述最佳匹配图像所关联的测试代码进行测试;
测试完成后,与被测试手机连接的从机将测试结果数据上传至所述中央节点主机中,生成和展示HTML格式的测试报告。
3.如权利要求2所述的手机集群测试方法,其特征在于,所述查找出被测试手机屏幕上的待测试应用的最佳匹配图像的定位坐标,包括:
将选定的模板图像在待测试应用中的源图像中进行全局模板匹配,控制所述模板图像在所述源图像中滑动查找出最佳匹配区域;
计算出所述模板图像与所述源图像的特征点及特征向量;
根据所述特征点及特征向量,计算出所述最佳匹配区域与所述模板图像的视觉相似度;
若所述视觉相似度为零,则判定所述最佳匹配区域与所述模板图像不匹配;
若所述视觉相似度不为零,则获得所述模板图像与所述源图像的特征匹配点对;
根据所述特征匹配点对,计算出最佳匹配图像的定位坐标。
4.如权利要求3所述的手机集群测试方法,其特征在于,所述将选定的模板图像在待测试应用中的源图像中进行全局模板匹配,控制所述模板图像在所述源图像中滑动查找出最佳匹配区域,包括:
分别获取所述模板图像与所述源图像的高度和宽度;
若所述模板图像的高度大于所述源图像的高度,或者,所述模板图像的宽度大于所述源图像的宽度,则判定所述源图像中不存在匹配区域;
若所述模板图像的高度小于或等于所述源图像的高度,并且,所述模板图像的宽度小于或等于所述源图像的宽度,则:
将所述模板图像在所述源图像中以单位长度进行滑动,逐一计算出所述模板图像与所述源图像的标准相关系数,获得标准相关系数矩阵;
查找出所述标准相关系数矩阵中的最大系数值,以及所述最大系数值所对应的坐标位置;
根据所述最大系数值所对应的坐标位置以及所述模板图像的高度与宽度,确定所述最佳匹配区域的位置。
5.如权利要求4所述的手机集群测试方法,其特征在于,所述最大系数值所对应的坐标位置为(m,n),所述模板图像的高度为h1,宽度为w1;
则所述最佳匹配区域的位置为:在所述源图像上的、以坐标位置(m,n)为左上角,长为h1,高为w1的矩形区域。
6.如权利要求4所述的手机集群测试方法,其特征在于,所述计算出所述模板图像与所述源图像的特征点及特征向量,具体包括:
在待检测图像上搜索所有尺度的图像位置,通过高斯微分函数检测出对于尺度和旋转不变的极值点;所述待检测图像包括所述模板图像和所述源图像;
依据所述极值点的稳定程度,通过建立一个拟合模型来确定特征点的位置和尺度;
基于图像局部的梯度方向,为每个特征点的位置分配一个或多个方向;
在每个特征点周围的邻域内,在选定的尺度上测量图像局部的梯度,将所述梯度变换为表示局部形状变形和光照变化的特征向量;
当所述待检测图像为所述模板图像时,所述特征点为所述模板图像的SIFT特征点;所述特征向量为所述模板图像的SIFT特征向量;
当所述待检测图像为所述源图像时,所述特征点为所述源图像的SIFT特征点;所述特征向量为所述源图像的SIFT特征向量。
7.如权利要求3所述的手机集群测试方法,其特征在于,根据所述特征点及特征向量,计算出所述最佳匹配区域与所述模板图像的视觉相似度,具体为:
计算出所述模板图像的SIFT特征点的长度和所述最佳匹配区域的SIFT特征点的长度;
若所述模板图像的SIFT特征点的长度为零,或者,所述最佳匹配区域的SIFT特征点的长度为零,则确定所述最佳匹配区域与所述模板图像的视觉相似度为零;
若所述模板图像的SIFT特征点的长度不为零,并且,所述最佳匹配区域的SIFT特征点的长度为零,则,计算出所述模板图像与所述最佳匹配区域的特征匹配点对的数目;将所述特征匹配点对的数目除以所述模板图像的SIFT特征点的长度的商作为所述视觉相似度。
8.如权利要求7所述的手机集群测试方法,其特征在于,若所述视觉相似度不为零,则获得所述模板图像与所述源图像的特征匹配点对,具体包括:
计算出所述模板图像的SIFT特征向量与所述最佳匹配区域的SIFT特征向量的最小欧氏距离和次小欧氏距离;
在所述最小欧氏距离除以所述次小欧氏距离的商小于第一阈值时,将所述模板图像与所述源图像的特征点作为所述特征匹配点对,并对所述特征匹配点对的数目进行叠加。
9.如权利要求8所述的手机集群测试方法,其特征在于,当所述特征匹配点对的数目高于最小匹配数目时,所述根据所述特征匹配点对,计算出最佳匹配图像的定位坐标,包括:
利用单映射函数查找出与所述特征匹配点对相对应的单映射矩阵;
根据所述单映射矩阵,利用向量数组的透视变换函数计算出所述模板图像在所述源图像上的最佳匹配区域的多个坐标点;
计算出最佳匹配区域的中心点坐标,将所述中心点坐标作为所述最佳匹配图像的定位坐标。
10.如权利要求9所述的手机集群测试方法,其特征在于,根据所述单映射矩阵,所述利用向量数组的透视变换函数计算出所述模板图像在所述源图像上的最佳匹配区域的多个坐标点,具体包括:
根据所述特征匹配点对,获取所述模板图像上的SIFT特征点的坐标及其一一匹配的、在所述源图像上的SIFT特征点的坐标;
随机筛选出N对匹配点对的坐标,在所述模板图像和所述源图像之间进行映射,获得第一方程:
并且获得对应的映射系数,将所述映射系数组建为系数矩阵H,获得第二方程:
其中,N≥4;[x’i,y’i]是所述源图像上的SIFT特征点的坐标;[xi,yi]是所述模板图像上的SIFT特征点的坐标;H是从所述模板图像上的SIFT特征点映射到所述源图像上的SIFT特征点的系数矩阵;
利用所述系数矩阵计算出所述模板图像上的SIFT特征点映射到所述源图像上的实时坐标;
在所述源图像上的SIFT特征点的坐标与所述实时坐标的之间的距离小于第二阈值时,利用第一方程和第二方程对所述系数矩阵H进行更新,直到所述系数矩阵H不再变化,并将不再变化的系数矩阵H作为所述单映射矩阵;
根据所述单映射矩阵和第一方程,通过以下第三方程逐一计算出所述模板图像在所述最佳匹配区域的N个匹配点的坐标(x’,y’):
将所述N个匹配点的坐标的中心点坐标作为所述最佳匹配图像的定位坐标。
11.如权利要求8所述的手机集群测试方法,其特征在于,当所述特征匹配点对的数目低于所述最小匹配数目,并且大于指定倍率系数时,其中,所述指定倍率系数小于所述最小匹配数目;
则所述根据所述特征匹配点,计算出最佳匹配图像的定位坐标,具体为:
对所述模板图像进行SIFT强匹配,包括:根据所述特征匹配点对,获取所述模板图像上的SIFT特征点的坐标及其一一匹配的、在所述源图像上的SIFT特征点的坐标;
对所述源图像上的SIFT特征点的坐标求均值处理,并将获得的均值坐标值作为所述最佳匹配图像的定位坐标。
12.如权利要求8所述的手机集群测试方法,其特征在于,当所述特征匹配点对的数目小于指定倍率系数时,其中,所述指定倍率系数小于所述最小匹配数目;
则所述根据所述特征匹配点,计算出最佳匹配图像的定位坐标,包括:
选定所述最佳匹配区域中的特征点的邻近区域与所述模板图像进行局部模板匹配。
13.如权利要求12所述的手机集群测试方法,其特征在于,选定所述最佳匹配区域中的特征点的邻近区域与所述模板图像进行局部模板匹配,包括:
计算出所述特征点的邻近区域与所述模板图像的局部视觉相似度;
若所述局部视觉相似度高于第三阈值,则判定匹配成功,根据局部模板匹配获得的坐标计算出所述最佳匹配图像的定位坐标;
若所述局部视觉相似度低于所述第三阈值,则对所述模板图像与所述源图像进行全局多尺度模板匹配。
14.如权利要求13所述的手机集群测试方法,其特征在于,若所述局部视觉相似度低于所述第三阈值,则对所述模板图像与所述源图像进行全局多尺度模板匹配,包括:
建立尺度列表;所述尺度列表包括多个尺度系数;
根据所述尺度列表中的尺度系数,对所述模板图像进行放缩;
对进行放缩后的模板图像在所述源图像中进行全局模板匹配,记录每一次匹配获得的匹配值和匹配区域,形成最佳匹配集合;
计算完所有尺度的全局模板匹配后,将所述最佳匹配集合中的最大匹配值所对应的区域作为最佳匹配图像,并计算出所述最佳匹配图像的中心坐标值作为所述最佳匹配图像的定位坐标。
15.一种手机集群测试系统,其特征在于,包括:中央节点主机、Web页面、数据库、与所述中央节点主机连接的多台从机;每一台所述从机连接有多台手机;
所述中央节点主机,用于定时运行一个或多个测试任务,向各个所述从机发送指令和收集各台手机上的数据信息,判断手机连接状态是否正常,并将收集到的数据信息写入所述数据库中;
所述Web页面,用于读取所述数据库中的数据进行显示,选中被测试手机的待测试应用和触发所述中央节点主机发布测试任务,通知与所述被测试手机连接的从机获取所述待测试应用及测试代码的下载地址;
每台所述从机,用于从所述中央节点主机中接收测试任务,根据所述测试任务下载相应的待测试应用和测试代码;
每台所述从机,还用于基于图像匹配方法对所述从机所连接的一台或多台手机中的所述待测试应用进行测试;并将测试结果数据汇集至所述中央节点主机中;
所述数据库,用于存储各台手机的数据信息、连接状态和测试结果数据。
16.如权利要求15所述手机集群测试系统,其特征在于,每一台所述从机设有图像匹配模块和手机应用测试模块;
所述图像匹配模块,用于查找出被测试手机屏幕上的待测试应用的最佳匹配图像的定位坐标;
所述手机应用测试模块,用于启动对所述最佳匹配图像所关联的测试代码的测试;测试完成后,所述与被测试手机连接的从机将测试结果数据上传至所述中央节点主机中,并生成和展示HTML格式的测试报告。
17.如权利要求16所述的手机集群测试系统,其特征在于,所述图像匹配模块包括:
全局模板匹配器,用于将模板图像在源图像中进行全局模板匹配,控制所述模板图像在所述源图像中滑动查找出最佳匹配区域;
特征描述器,用于计算出所述模板图像与所述源图像的特征点及特征向量;
相似度计算器,用于根据所述特征点及特征向量,计算出所述最佳匹配区域与所述模板图像的视觉相似度;若所述视觉相似度为零,则判定所述最佳匹配区域与所述模板图像不匹配;若所述视觉相似度不为零,则获得所述模板图像与所述源图像的特征匹配点对;以及,
匹配图像定位器,用于根据所述特征匹配点对,计算出最佳匹配图像的定位坐标。
18.如权利要求17所述的手机集群测试系统,其特征在于,所述全局模板匹配器,包括:
尺寸识别器,用于分别获取所述模板图像与所述源图像的高度和宽度;
匹配区域判定器,用于若所述模板图像的高度大于所述源图像的高度,或者,所述模板图像的宽度大于所述源图像的宽度,则判定所述源图像中不存在匹配区域;
若所述模板图像的高度小于或等于所述源图像的高度,并且,所述模板图像的宽度小于或等于所述源图像的宽度,则所述全局模板匹配器还包括:
相关系数计算器,用于将所述模板图像在所述源图像中以单位长度进行滑动,逐一计算出所述模板图像与所述源图像的标准相关系数,获得标准相关系数矩阵;
最大系数筛选器,用于查找出所述标准相关系数矩阵中的最大系数值,以及所述最大系数值所对应的坐标位置;
最佳匹配区域确定器,用于根据所述最大系数值所对应的坐标位置以及所述模板图像的高度与宽度,确定所述最佳匹配区域的位置。
19.如权利要求18所述的手机集群测试系统,其特征在于,所述最大系数值所对应的坐标位置为(m,n),所述模板图像的高度为h1,宽度为w1;
则所述最佳匹配区域的位置为:在所述源图像上的、以坐标位置(m,n)为左上角,长为h1,高为w1的矩形区域。
20.如权利要求18所述的手机集群测试系统,其特征在于,所述特征描述器,具体包括:
尺度空间极值检测器,用于在待检测图像上搜索所有尺度的图像位置,通过高斯微分函数检测出对于尺度和旋转不变的极值点;所述待检测图像包括所述模板图像和所述源图像;
特征点定位器,用于依据所述极值点的稳定程度,通过建立一个拟合模型来确定特征点的位置和尺度;
特征点方向确定器,用于基于图像局部的梯度方向,为每个特征点的位置分配一个或多个方向;
特征描述器,用于在每个特征点周围的邻域内,在选定的尺度上测量图像局部的梯度,将所述梯度变换为表示局部形状变形和光照变化的特征向量;
当所述待检测图像为所述模板图像时,所述特征点为所述模板图像的SIFT特征点;所述特征向量为所述模板图像的SIFT特征向量;
当所述待检测图像为所述源图像时,所述特征点为所述源图像的SIFT特征点;所述特征向量为所述源图像的SIFT特征向量。
21.如权利要求20所述的手机集群测试系统,其特征在于,所述相似度计算器,具体包括:
特征点长度计算器,用于计算出所述模板图像的SIFT特征点的长度和所述最佳匹配区域的SIFT特征点的长度;
视觉相似度计算器,用于确定所述最佳匹配区域与所述模板图像的视觉相似度,包括:
若所述模板图像的SIFT特征点的长度为零,或者,所述最佳匹配区域的SIFT特征点的长度为零,则确定所述最佳匹配区域与所述模板图像的视觉相似度为零;
若所述模板图像的SIFT特征点的长度不为零,并且,所述最佳匹配区域的SIFT特征点的长度为零,则,计算出所述模板图像与所述最佳匹配区域的特征匹配点对的数目;将所述特征匹配点对的数目除以所述模板图像的SIFT特征点的长度的商作为所述视觉相似度。
22.如权利要求21所述的手机集群测试系统,其特征在于,若所述视觉相似度不为零,则所述相似度计算器还包括:
欧氏距离计算器,用于计算出所述模板图像的SIFT特征向量与所述最佳匹配区域的SIFT特征向量的最小欧氏距离和次小欧氏距离;
特征匹配点对判别器,用于在所述最小欧氏距离除以所述次小欧氏距离的商小于第一阈值时,将所述模板图像与所述源图像的特征点作为所述特征匹配点对;以及,
特征匹配点对统计器,用于对所述特征匹配点对的数目进行叠加。
23.如权利要求22所述的手机集群测试系统,其特征在于,当所述特征匹配点对的数目高于最小匹配数目时,所述匹配图像定位器,还包括:
单映射矩阵计算器,用于利用单映射函数查找出与所述特征匹配点对相对应的单映射矩阵;
坐标变换器,用于根据所述单映射矩阵,利用向量数组的透视变换函数计算出所述模板图像在所述源图像上的最佳匹配区域的多个坐标点;
中心坐标计算器,用于计算出最佳匹配区域的中心点坐标,将所述中心点坐标作为所述最佳匹配图像的定位坐标。
24.如权利要求23所述的手机集群测试系统,其特征在于,所述坐标变换器,具体包括:
特征点坐标抓取器,用于根据所述特征匹配点对,获取所述模板图像上的SIFT特征点的坐标及其一一匹配的、在所述源图像上的SIFT特征点的坐标;
坐标筛选映射器,用于随机筛选出N对匹配点对的坐标,在所述模板图像和所述源图像之间进行映射,获得第一方程:
并且获得对应的映射系数,将所述映射系数组建为系数矩阵H,获得第二方程:
其中,N≥4;[x’i,y’i]是所述源图像上的SIFT特征点的坐标;[xi,yi]是所述模板图像上的SIFT特征点的坐标;H是从所述模板图像上的SIFT特征点映射到所述源图像上的SIFT特征点的系数矩阵;
实时映射坐标计算器,用于利用所述系数矩阵计算出所述模板图像上的SIFT特征点映射到所述源图像上的实时坐标;
单映射矩阵更新器,用于在所述源图像上的SIFT特征点的坐标与所述实时坐标的之间的距离小于第二阈值时,利用第一方程和第二方程对所述系数矩阵H进行更新,直到所述系数矩阵H不再变化,并将不再变化的系数矩阵H作为所述单映射矩阵;
匹配点坐标计算器,用于根据所述单映射矩阵和第一方程,通过以下第三方程逐一计算出所述模板图像在所述最佳匹配区域的N个匹配点的坐标(x’,y’):
所述中心坐标计算器,还用于将所述N个匹配点的坐标的中心点坐标作为所述最佳匹配图像的定位坐标。
25.如权利要求22所述的手机集群测试系统,其特征在于,当所述特征匹配点对的数目低于所述最小匹配数目,并且大于指定倍率系数时,其中,所述指定倍率系数小于所述最小匹配数目;
则所述匹配图像定位器,具体还包括:
特征强匹配器,用于对所述模板图像进行SIFT强匹配,包括:
特征点坐标抓取器,用于根据所述特征匹配点对,获取所述模板图像上的SIFT特征点的坐标及其一一匹配的、在所述源图像上的SIFT特征点的坐标;
均值处理器,用于对所述源图像上的SIFT特征点的坐标求均值处理,并将获得的均值坐标值作为所述最佳匹配图像的定位坐标。
26.如权利要求22所述的手机集群测试系统,其特征在于,当所述特征匹配点对的数目小于指定倍率系数时,其中,所述指定倍率系数小于所述最小匹配数目;
则所述匹配图像定位器还包括:局部模板匹配器,用于选定所述最佳匹配区域中的特征点的邻近区域与所述模板图像进行局部模板匹配。
27.如权利要求26所述的手机集群测试系统,其特征在于,所述局部模板匹配器包括:
局部视觉相似度计算器,用于计算出所述特征点的邻近区域与所述模板图像的局部视觉相似度;
若所述局部视觉相似度高于第三阈值,则判定匹配成功,则所述局部模板匹配器还包括:局部定位器,用于根据局部模板匹配获得的坐标计算出所述最佳匹配图像的定位坐标;
若所述局部视觉相似度低于所述第三阈值,则所述局部模板匹配器还包括:多尺度匹配器,用于对所述模板图像与所述源图像进行全局多尺度模板匹配。
28.如权利要求27所述的手机集群测试系统,其特征在于,所述多尺度匹配器,包括:
尺度列表构建器,用于建立尺度列表;所述尺度列表包括多个尺度系数;
图像尺寸放缩器,用于根据所述尺度列表中的尺度系数,对所述模板图像进行放缩;
匹配集合生成器,用于对进行放缩后的模板图像在所述源图像中进行全局模板匹配,记录每一次匹配获得的匹配值和匹配区域,形成最佳匹配集合;以及,
多尺度匹配图像坐标定位器,用于计算完所有尺度的全局模板匹配后,将所述最佳匹配集合中的最大匹配值所对应的区域作为最佳匹配图像,并计算出所述最佳匹配图像的中心坐标值作为所述最佳匹配图像的定位坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410559857.7A CN105589801B (zh) | 2014-10-20 | 2014-10-20 | 手机集群测试方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410559857.7A CN105589801B (zh) | 2014-10-20 | 2014-10-20 | 手机集群测试方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105589801A true CN105589801A (zh) | 2016-05-18 |
CN105589801B CN105589801B (zh) | 2018-10-23 |
Family
ID=55929399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410559857.7A Active CN105589801B (zh) | 2014-10-20 | 2014-10-20 | 手机集群测试方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105589801B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106294182A (zh) * | 2016-08-24 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 一种确定众测反馈有效性的方法、测试设备及系统 |
CN107870830A (zh) * | 2016-09-23 | 2018-04-03 | 北京京东尚科信息技术有限公司 | 一种提升数据库可用性的方法和装置 |
CN107885661A (zh) * | 2017-11-08 | 2018-04-06 | 百度在线网络技术(北京)有限公司 | 移动应用的终端兼容性测试方法和系统、设备、介质 |
CN107992365A (zh) * | 2017-12-11 | 2018-05-04 | 成都睿码科技有限责任公司 | 一种利用废旧手机建立移动设备集群的方法 |
CN109815150A (zh) * | 2019-01-29 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 应用测试方法、装置、电子设备及存储介质 |
CN111382070A (zh) * | 2020-03-03 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 兼容性测试方法、装置、存储介质和计算机设备 |
CN111817921A (zh) * | 2020-07-20 | 2020-10-23 | 网易(杭州)网络有限公司 | 移动测试设备、测试方法、装置、系统及组网方法 |
CN114356757A (zh) * | 2021-12-22 | 2022-04-15 | 重庆长安汽车股份有限公司 | 一种基于有限自动驾驶仿真场景的测试条件配置方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2492814A1 (en) * | 2011-02-28 | 2012-08-29 | Sap Ag | Managing test automation |
CN102681942A (zh) * | 2012-04-21 | 2012-09-19 | 北京迈凯互动网络科技有限公司 | 移动应用测试方法和系统 |
CN103678132A (zh) * | 2013-12-18 | 2014-03-26 | 中国科学院深圳先进技术研究院 | 一种应用软件云测试系统 |
-
2014
- 2014-10-20 CN CN201410559857.7A patent/CN105589801B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2492814A1 (en) * | 2011-02-28 | 2012-08-29 | Sap Ag | Managing test automation |
CN102681942A (zh) * | 2012-04-21 | 2012-09-19 | 北京迈凯互动网络科技有限公司 | 移动应用测试方法和系统 |
CN103678132A (zh) * | 2013-12-18 | 2014-03-26 | 中国科学院深圳先进技术研究院 | 一种应用软件云测试系统 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106294182A (zh) * | 2016-08-24 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 一种确定众测反馈有效性的方法、测试设备及系统 |
CN106294182B (zh) * | 2016-08-24 | 2021-02-09 | 腾讯科技(深圳)有限公司 | 一种确定众测反馈有效性的方法、测试设备及系统 |
CN107870830A (zh) * | 2016-09-23 | 2018-04-03 | 北京京东尚科信息技术有限公司 | 一种提升数据库可用性的方法和装置 |
CN107885661A (zh) * | 2017-11-08 | 2018-04-06 | 百度在线网络技术(北京)有限公司 | 移动应用的终端兼容性测试方法和系统、设备、介质 |
CN107992365A (zh) * | 2017-12-11 | 2018-05-04 | 成都睿码科技有限责任公司 | 一种利用废旧手机建立移动设备集群的方法 |
CN109815150A (zh) * | 2019-01-29 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 应用测试方法、装置、电子设备及存储介质 |
CN109815150B (zh) * | 2019-01-29 | 2021-08-06 | 腾讯科技(深圳)有限公司 | 应用测试方法、装置、电子设备及存储介质 |
CN111382070A (zh) * | 2020-03-03 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 兼容性测试方法、装置、存储介质和计算机设备 |
CN111382070B (zh) * | 2020-03-03 | 2022-03-04 | 腾讯科技(深圳)有限公司 | 兼容性测试方法、装置、存储介质和计算机设备 |
CN111817921A (zh) * | 2020-07-20 | 2020-10-23 | 网易(杭州)网络有限公司 | 移动测试设备、测试方法、装置、系统及组网方法 |
CN114356757A (zh) * | 2021-12-22 | 2022-04-15 | 重庆长安汽车股份有限公司 | 一种基于有限自动驾驶仿真场景的测试条件配置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105589801B (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105589801A (zh) | 手机集群测试方法和系统 | |
CN105513038B (zh) | 图像匹配方法及手机应用测试平台 | |
CN108182433B (zh) | 一种表计读数识别方法及系统 | |
CN103136471B (zh) | 一种恶意Android应用程序检测方法和系统 | |
CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
CN104573640B (zh) | 数据处理系统及其生成设备、面部检测方法 | |
CN105701766A (zh) | 图形匹配方法和装置 | |
CN108804704A (zh) | 一种用户深度画像方法及装置 | |
CN101029825A (zh) | 将测量数据附到区域地图上 | |
CN104913797A (zh) | 指针式仪表的读数识别方法及系统 | |
CN111028016A (zh) | 销量数据预测方法、装置以及相关设备 | |
CN108597204A (zh) | 一种智能抄表系统及其实现方法 | |
CN106658704A (zh) | 一种室内定位的起点位置的定位方法和系统 | |
US9749873B1 (en) | Estimation devices and methods for estimating communication quality of wireless network and method for installing meters thereof | |
CN103994786A (zh) | 圆弧标尺线指针式仪表刻度的图像检测方法 | |
CN109948637A (zh) | 对象检测装置、对象检测方法及计算机可读介质 | |
CN102980535A (zh) | 角度测量方法和装置 | |
CN104463240B (zh) | 一种仪表定位方法及装置 | |
CN103970646B (zh) | 一种用于操作序列的自动分析方法及其系统 | |
CN105938513A (zh) | 为计算机辅助诊断提供可靠性的装置和方法 | |
CN108734306A (zh) | 一种数据处理方法、装置、道路维护系统及存储介质 | |
CN106326802A (zh) | 二维码校正方法、装置及终端设备 | |
CN109272336A (zh) | 一种风险商户发现方法和装置 | |
CN108629760A (zh) | 一种遥感影像变化区域检测方法及装置 | |
CN103984964A (zh) | 一种试纸条图像识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |