CN107016397A - 局部模板智能启发全局图像匹配方法 - Google Patents

局部模板智能启发全局图像匹配方法 Download PDF

Info

Publication number
CN107016397A
CN107016397A CN201710273927.6A CN201710273927A CN107016397A CN 107016397 A CN107016397 A CN 107016397A CN 201710273927 A CN201710273927 A CN 201710273927A CN 107016397 A CN107016397 A CN 107016397A
Authority
CN
China
Prior art keywords
template
global
local
image
image matching
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
Application number
CN201710273927.6A
Other languages
English (en)
Inventor
高峰
杨亚涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Great Virtue Laser Technology Co Ltd Of Shenzhen
Original Assignee
Great Virtue Laser Technology Co Ltd Of Shenzhen
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 Great Virtue Laser Technology Co Ltd Of Shenzhen filed Critical Great Virtue Laser Technology Co Ltd Of Shenzhen
Priority to CN201710273927.6A priority Critical patent/CN107016397A/zh
Publication of CN107016397A publication Critical patent/CN107016397A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • 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

Abstract

本发明公开一种智能启发式图像匹配方法，其特征在于通过对机器视觉图像采集多个局部模板，通过设置的一些结构参数和句法分析智能组合出待用全局模板，从而启发式实现了当前未知图像的模板匹配识别。该发明的优点在于使用了本方法后将会使支持的对象扩展到当前未知的视觉图像进行识别，例如产品型号多元化带来的维护问题，由于本发明能扩展到目前未知的产品型号上，因此使得产品生产设备能够智能化的适应新的产品。

Description

局部模板智能启发全局图像匹配方法
技术领域
本发明涉及机器视觉技术领域，特别适用于机器视觉在工业设备中的智能启发式应用。
背景技术
1962年，R．纳拉西曼提出了一种基于基元关系的句法模式识别方法，该方法是结构模式识别的发展，特别对于复杂模式情况下，所面临的一个困难就是特征提取的问题，它所要求的特征量十分巨大，要把某一个复杂模式准确分类很困难，因此该方法通过把一个复杂模式分解为许多基元，支配基元组成模式的规则称为文法，然后对基元进行识别，当每个基元被识别后，利用句法分析和分类决策就可以作出整个的模式识别，即以这个句子是否符合某特定文法，以识别该复杂模式，如图1所示。但由于使用句法模式识别方法时，在基元提取和分类器训练上的困难使得结构模式识别方法仍未成熟。
由于句法模式识别方法的缺点，在机器视觉领域，该方法的应用特别有限。随着计算机视觉技术的日益发展，机器视觉已经广泛用于工业、农业、医药等各种行业，机器视觉系统最基本的功能就是提高了生产的灵活性和自动化程度。在机器视觉领域，图像匹配是目前应用于机器视觉中最为广泛的技术，传统图像匹配方法主要分为两种，一种是基于图像灰度的算法，另一种是基于图像特征的算法。但是图像匹配存在着待识别图像必须是已知的，能够事先制作出特征或模板的条件，而对于未知的待识别图像不能够自适应进行，因此还需要对其智能化程度进行更大的提高。
发明内容
为了克服现有技术的不足，本发明公开了一种局部模板智能启发全局图像匹配方法。该方法并不对待识别的机器视觉图像进行基元分解和分类，因此克服了句法模式识别中基元提取和分类器的困难，而又保持了通过句法分析而带来的智能启发式优点，提高了图像匹配的智能化程度。
本发明所采用的技术方案是针对样本图像进行句法分析，然后再使用得到的全局模板实现图像匹配，其具体步骤如下：
(1)训练过程生成局部模板：首先对样本图像进行滤波等预处理，然后选择图像中可能普遍存在的局部特征作为基元，对这些基元部分生成局部模板；
(2)启发过程生成全局模板：使用已经在训练过程中生成的局部模板和输入的结构参数，通过句法分析或其他组合算法从而生成适用于当前待识别图像所需的全局模板；
(3)识别过程完成图像匹配：此过程可以使用目前任何常用的图像匹配方法实现图像匹配完成识别，其使用的模板就是在之前启发过程中得到的全局模板。
本发明与现有技术相比，具有以下有益效果：
(1) 通过启发过程，使支持的对象扩展到当前未知的视觉图像进行识别，例如产品型号多元化带来的维护问题，由于本发明能扩展到目前未知的产品型号上，因此使得产品生产设备能够智能化的适应新的产品；
(2)相对于句法模式识别来说，具有更高的效率，因为对象识别过程就是采用传统图像识别方法，没有增加复杂度，因此识别效率与传统图像识别方法一样，而句法分析、局部模板生成和全局模板生成是放在独立的过程中，即训练过程和启发过程中，这两个过程通常可以提前完成，例如对于当前未知产品型号到了真正开始生产的时候，其型号已经确定，此时已经提前完成了训练过程和启发过程，在生产过程中，只需要进行识别过程，从而回避了句法模式识别效率低的问题；
具体实施方式：
本发明局部模板智能启发全局图像匹配方法包括3个过程：
(1)训练过程生成局部模板：首先对样本图像进行滤波等预处理，然后选择图像中可能普遍存在的局部特征作为基元，对这些基元部分生成局部模板；
(2)启发过程生成全局模板：使用已经在训练过程中生成的局部模板和输入的结构参数，通过句法分析或其他组合算法从而生成适用于当前待识别图像所需的全局模板；
(3)识别过程完成图像匹配：此过程可以使用目前任何常用的图像匹配方法实现图像匹配完成识别，其使用的模板就是在之前启发过程中得到的全局模板。
下面通过实施例详细描述本发明，从而更清晰的阐述本发明的优点和特征。
使用本发明可以更好的实现产品型号多元化的智能生产，如图3 和图4所示为实施的流程图，其具体步骤如下：
(1)将训练过程单独作为一个独立过程，此过程对许多种产品型号进行共同特征的分类划分，然后选择这些共同特征作为基元，如图3所示，产品图像经过高斯滤波后，选择共同特征作为基元，然后将这些基元制作成为多个局部模板，该过程不需要对每个产品型号都进行训练，而是寻找许多产品型号的共同特征，一次训练就完成几十甚至几百个产品型号的局部模板；
(2)如图4所示，对于新的产品型号输入后，启发过程通过设置的结构参数，通过句法分析或其他组合算法选择在训练过程中已经得到的局部模板，此时选择的局部模板可以只是部分模板，也可以是所有模板，然后生成全局模板。此启发过程在生产中只需要在选择产品型号时启发一次即可；
(3)如图4所示，识别过程完成图像匹配，该过程可以使用目前任何常用的图像匹配方法实现图像匹配完成识别，其使用的模板就是在之前启发过程中得到的全局模板，该过程通常需要对每个生产的产品进行识别，由于使用的就是传统图像识别方法，因此本发明在最多的图像匹配过程中 并不做任何处理，保持了原有的图像匹配效率；
附图说明：
图1是句法模式识别的流程图；
图2是本发明局部模板智能启发全局图像匹配方法的流程图；
图3是实施例训练过程；
图4是实施例启发过程和识别过程。

Claims (3)

1.一种局部模板智能启发全局图像匹配方法，其特征在于包括但不局限于以下 3个过程：
(1) 训练过程生成局部模板：首先对样本图像进行滤波等预处理，然后选择图像中可能普遍存在的局部特征作为基元，对这些基元部分生成局部模板；
(2) 启发过程生成全局模板：使用已经在训练过程中生成的局部模板和输入的结构参数，通过句法分析或其他组合算法从而生成适用于当前待识别图像所需的全局模板；
(3) 识别过程完成图像匹配：此过程可以使用目前任何常用的图像匹配方法实现图像匹配完成识别，其使用的模板就是在之前启发过程中得到的全局模板；
其中第3个过程只是第1和第2个过程的后续过程，此过程可以缺失，也可以不局限于图像匹配。
2.根据权利要求1所述训练过程中使用基元选择方法只生成局部模板，其特征在于在训练过程并不生成图像识别中需要的全局模板，而是只生成局部模板，用于后续处理。
3.根据权利要求1所述启发过程中生成全局模板，其特征在于通过权利要求2的局部模板组合生成图像识别中所需的模板，其组合算法可以使用句法分析但并不局限于句法分析算法。
CN201710273927.6A 2017-04-25 2017-04-25 局部模板智能启发全局图像匹配方法 Pending CN107016397A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710273927.6A CN107016397A (zh) 2017-04-25 2017-04-25 局部模板智能启发全局图像匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710273927.6A CN107016397A (zh) 2017-04-25 2017-04-25 局部模板智能启发全局图像匹配方法

Publications (1)

Publication Number Publication Date
CN107016397A true CN107016397A (zh) 2017-08-04

Family

ID=59447275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710273927.6A Pending CN107016397A (zh) 2017-04-25 2017-04-25 局部模板智能启发全局图像匹配方法

Country Status (1)

Country Link
CN (1) CN107016397A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1924561A (zh) * 2006-10-12 2007-03-07 王海燕 烟雾自适应检测方法及系统
CN101533398A (zh) * 2008-03-16 2009-09-16 徐文新 模式匹配索引查找方法
CN105677793A (zh) * 2015-12-31 2016-06-15 百度在线网络技术（北京）有限公司 地点数据库的建立和候选乘车地点的推荐方法及装置
CN105740768A (zh) * 2016-01-22 2016-07-06 孟玲 一种局部和全局特征相结合的无人驾驶叉运装置
CN105930847A (zh) * 2016-03-31 2016-09-07 中国人民解放军空军航空大学 基于融合边缘检测的sar图像线性特征提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1924561A (zh) * 2006-10-12 2007-03-07 王海燕 烟雾自适应检测方法及系统
CN101533398A (zh) * 2008-03-16 2009-09-16 徐文新 模式匹配索引查找方法
CN105677793A (zh) * 2015-12-31 2016-06-15 百度在线网络技术（北京）有限公司 地点数据库的建立和候选乘车地点的推荐方法及装置
CN105740768A (zh) * 2016-01-22 2016-07-06 孟玲 一种局部和全局特征相结合的无人驾驶叉运装置
CN105930847A (zh) * 2016-03-31 2016-09-07 中国人民解放军空军航空大学 基于融合边缘检测的sar图像线性特征提取方法

Similar Documents

Publication Publication Date Title
CN105825235B (zh) 一种基于多特征图深度学习的图像识别方法
CN106650721A (zh) 一种基于卷积神经网络的工业字符识别方法
CN106529605B (zh) 基于免疫理论的卷积神经网络模型的图像识别方法
CN106203395A (zh) 基于多任务深度学习的人脸属性识别方法
CN107368787A (zh) 一种面向深度智驾应用的交通标志识别算法
CN103996018B (zh) 基于4dlbp的人脸识别方法
CN107392896A (zh) 一种基于深度学习的木材缺陷检测方法和系统
CN107967491A (zh) 木板识别的机器再学习方法、装置、电子设备及存储介质
CN105678332A (zh) 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统
CN107909118A (zh) 一种基于深度神经网络的配电网工况录波分类方法
CN106875007A (zh) 用于语音欺骗检测的基于卷积长短期记忆端对端深度神经网络
CN104992449A (zh) 基于机器视觉的信息识别及表面缺陷在线检测方法
CN111985499B (zh) 一种基于计算机视觉的高精度桥梁表观病害识别方法
CN110147788A (zh) 一种基于特征增强crnn的金属板带产品标签文字识别方法
CN109754089A (zh) 一种模型训练系统及方法
CN109376625A (zh) 一种基于卷积神经网络的面部表情识别方法
CN108345889B (zh) 一种利用树莓派对通信机柜进行示数识别的应用方法
CN112183639B (zh) 一种矿物图像识别与分类方法
CN105678381A (zh) 一种性别分类网络训练方法、性别分类方法及相关装置
CN104408470A (zh) 基于平均脸预学习的性别检测方法
CN112434794A (zh) 一种基于深度学习的计算机视觉数据集半自动标注方法及系统
CN108960412A (zh) 图像识别方法、装置及计算机可读存储介质
CN106355140A (zh) 车辆检测的方法及装置
CN110009051A (zh) 特征提取单元及方法、dcnn模型、识别方法及介质
CN109299753A (zh) 一种用于法律文本信息挖掘的集成学习方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170804

WD01 Invention patent application deemed withdrawn after publication