CN108229583B - 一种基于主方向差分特征的快速模板匹配的方法及装置 - Google Patents
一种基于主方向差分特征的快速模板匹配的方法及装置 Download PDFInfo
- Publication number
- CN108229583B CN108229583B CN201810104808.2A CN201810104808A CN108229583B CN 108229583 B CN108229583 B CN 108229583B CN 201810104808 A CN201810104808 A CN 201810104808A CN 108229583 B CN108229583 B CN 108229583B
- Authority
- CN
- China
- Prior art keywords
- image
- template
- preset
- detection
- area
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于主方向差分特征的快速模板匹配的方法及装置,属于图像处理技术领域。所述方法包括:通过图像采集部件获取第一检测图像,对第一检测图像进行灰度化处理,得到第一检测图像对应的灰度图像,根据预设的边缘检测算法,在第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像,根据预设的图像特征提取算法,确定第一模板图像的图像特征,当通过图像采集部件获取到第二检测图像时,根据第一模板图像的图像特征,在第二检测图像中识别第一模板图像的位置。采用本发明,可以提高模板匹配效率。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于主方向差分特征的快速模板匹配的方法及装置。
背景技术
随着监控技术的发展,目标识别与跟踪在监控技术中的应用十分普遍。模板匹配在目标识别与跟踪中经常被使用。例如:摄像头监控图像中选择需要实时跟踪某个人或物体。当人或者物体的位置发生改变时,摄像头实时对这个人或者物体新的位置进行识别。
现有技术中,常用的模板匹配方法是基于灰度值的匹配。如NCC(NormalizedCross Correlation,归一化互相关)。NCC算法主要是利用模板图像和待检测图像的灰度,通过归一化相关性公式来计算模板图像与待检测图像上相同大小区域之间的匹配程度,来确定模板图像在待检测图像的位置,模板图像表示需要查找的区域图像。例如,在A图像中选择了一块区域图像,这个区域图像就是模板图像,然后在待检测图像B中查找该模板图像。
基于现有技术的方案,NCC算法由于是逐像素进行计算,在实现模板匹配时,会需要大量的计算,导致模板匹配效率低。
发明内容
本发明实施例的目的在于提供一种基于主方向差分特征的快速模板匹配的方法及装置,以提高模板匹配效率。具体技术方案如下:
第一方面,提供了一种基于主方向差分特征的快速模板匹配的方法,所述方法包括:
通过图像采集部件获取第一检测图像;
对所述第一检测图像进行灰度化处理,得到所述第一检测图像对应的灰度图像;
根据预设的边缘检测算法,在所述第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像;
根据预设的图像特征提取算法,确定所述第一模板图像的图像特征;
当通过所述图像采集部件获取到第二检测图像时,根据所述第一模板图像的图像特征,在所述第二检测图像中识别所述第一模板图像的位置。
可选的,所述根据预设的边缘检测算法,在所述第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像,包括:
根据预设的滤波算法,对所述第一检测图像对应的灰度图像中预设的模板图像区域的图像噪声进行处理,确定滤波后模板图像区域;
针对所述滤波后模板图像区域中每个边缘像素点,根据预设的图像边缘像素点处理算法,对该边缘像素点进行处理,得到该边缘像素点的局部二值化特征LBP值;
根据所述滤波后模板图像区域中每个边缘像素点的LBP值,确定第一模板图像。
可选的,所述根据预设的图像特征提取算法,确定所述第一模板图像的图像特征,包括:
根据预设的训练样本库和所述第一模板图像中各边缘像素点的LBP值,确定各边缘像素点在预设坐标系中对应的边缘方向;
根据预设的区域划分方式,将所述第一模板图像划分为多个区域;
根据每个区域中各边缘像素点对应的边缘方向和预设的图像调整策略,确定所述每个区域对应的旋转角度,并根据所述旋转角度对所述每个区域进行选择处理,得到旋转后的模板图像;
在旋转后的模板图像中,分别提取每个区域特征;
根据所述每个区域的区域特征,确定所述第一模板图像的图像特征。
可选的,所述当通过所述图像采集部件获取到第二检测图像时,根据所述第一模板图像的图像特征,在所述第二检测图像中识别所述第一模板图像的位置,包括:
对第二检测图像进行灰度化处理,得到所述第二检测图像对应的灰度图像;
在所述第二检测图像对应的灰度图像的预设区域中,选取与所述第一模板图像的模板图像区域大小相同的匹配区域;
针对所述第二检测图像对应的灰度图像的预设区域中每个匹配区域,根据所述预设的边缘检测算法和所述预设的图像特征提取算法,对该匹配区域进行处理,得到该匹配区域的图像特征;
基于所述第二检测图像对应的灰度图像的预设区域内每个匹配区域的图像特征,确定与所述第一模板图像的图像特征匹配度最高的匹配区域,进而确定该区域为所述第一模板图像的位置。
第二方面,提供了一种基于主方向差分特征的快速模板匹配的装置,所述装置包括:
获取模块,用于通过图像采集部件获取第一检测图像;
处理模块,用于对所述第一检测图像进行灰度化处理,得到所述第一检测图像对应的灰度图像;
第一确定模块,用于根据预设的边缘检测算法,在所述第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像;
第二确定模块,用于根据预设的图像特征提取算法,确定所述第一模板图像的图像特征;
识别模块,用于当通过所述图像采集部件获取到第二检测图像时,根据所述第一模板图像的图像特征,在所述第二检测图像中识别所述第一模板图像的位置。
可选的,所述第一确定模块,还用于:
根据预设的滤波算法,对所述第一检测图像对应的灰度图像中预设的模板图像区域的图像噪声进行处理,确定滤波后模板图像区域;
针对所述滤波后模板图像区域中每个边缘像素点,根据预设的图像边缘像素点处理算法,对该边缘像素点进行处理,得到该边缘像素点的局部二值化特征LBP值;
根据所述滤波后模板图像区域中每个边缘像素点的LBP值,确定第一模板图像。
可选的,所述第二确定模块,还用于:
根据预设的训练样本库和所述第一模板图像中各边缘像素点的LBP值,确定各边缘像素点在预设坐标系中对应的边缘方向;
根据预设的区域划分方式,将所述第一模板图像划分为多个区域;
根据每个区域中各边缘像素点对应的边缘方向和预设的图像调整策略,确定所述每个区域对应的旋转角度,并根据所述旋转角度对所述每个区域进行选择处理,得到旋转后的模板图像;
在旋转后的模板图像中,分别提取每个区域特征;
根据所述每个区域的区域特征,确定所述第一模板图像的图像特征。
可选的,所述识别模块,还用于:
对第二检测图像进行灰度化处理,得到所述第二检测图像对应的灰度图像;
在所述第二检测图像对应的灰度图像的预设区域中,选取与所述第一模板图像的模板图像区域大小相同的匹配区域;
针对所述第二检测图像对应的灰度图像的预设区域中每个匹配区域,根据所述预设的边缘检测算法和所述预设的图像特征提取算法,对该匹配区域进行处理,得到该匹配区域的图像特征;
基于所述第二检测图像对应的灰度图像的预设区域内每个匹配区域的图像特征,确定与所述第一模板图像的图像特征匹配度最高的匹配区域,进而确定该区域为所述第一模板图像的位置。
第三方面,提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
本发明实施例提供了一种基于主方向差分特征的快速模板匹配的方法及装置,可以通过图像采集部件获取第一检测图像,对第一检测图像进行灰度化处理,得到第一检测图像对应的灰度图像,根据预设的边缘检测算法,在第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像,根据预设的图像特征提取算法,确定第一模板图像的图像特征,当通过图像采集部件获取到第二检测图像时,根据第一模板图像的图像特征,在第二检测图像中识别第一模板图像的位置。这样可以只需要计算模板图像的边缘点,不需要对图像上各像素点进行计算,减少了计算量,可以提高模板匹配效率。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的一种基于主方向差分特征的快速模板匹配的方法流程图;
图2为本实施例中的一种每个边缘像素点与周围像素点的关系图;
图3为本发明实施例提供的一种基于主方向差分特征的快速模板匹配的方法中用到的第一检测图像;
图4为本发明实施例提供的一种基于主方向差分特征的快速模板匹配的方法中用到的第二检测图像;
图5为本发明实施例提供的一种基于主方向差分特征的快速模板匹配的装置结构示意图;
图6为本发明实施例提供的一种电子设备的结构示意图。
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种基于主方向差分特征的快速模板匹配的方法,该方法通过将边缘检测算法和图像特征提取算法相互结合的方式,从而能够提高模板匹配效率。该方法的执行主体可以是终端,终端可以是手机、电脑等。
如图1所示,该方法的处理过程可以如下所示:
步骤100,通过图像采集部件获取第一检测图像。
其中,图像采集部件可以是具有图像采集功能的部件,比如摄像头。
在实施中,终端中可以设置有图像采集部件,或者,终端也可以与图像采集部件连接,具体连接的方式可以是有线连接方式,也可以是无线连接方式。用户可以通过终端打开图像采集部件,然后通过图像采集部件来采集图像。用户在采集的图像中选择一帧作为第一检测图像。
步骤110,对第一检测图像进行灰度化处理,得到第一检测图像对应的灰度图像。
其中,灰度化表示在RGB(Red Green Blue,红绿蓝)模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值。因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。
在实施中,终端可以预先存储灰度化算法。终端通过该灰度化算法,将第一检测图像进行灰度化处理,得到第一检测图像对应的灰度图像。终端对图像进行灰度化处理后,可以减小图像处理过程中的计算量。具体的,该灰度化算法可以是分量法、最大值法、平均值法或者加权平均法。
步骤120,根据预设的边缘检测算法,在第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像。
在实施中,用户可以在终端显示的第一检测图像中设置模板图像区域。例如,用户可以通过移动鼠标,在该第一检测图像中框选需要处理的矩形区域。用户设置动作完成后,终端会检测到设置指令,根据设置指令,记录需要处理的矩形区域的四个顶点的在屏幕上的坐标,将该矩形区域作为第一模板图像的图像区域。终端可以预先存储边缘检测算法。终端可以通过该边缘检测算法,将该第一模板图像的图像区域进行边沿特征提取,得到第一模板图像。
其中,获得图像边缘特征的方法有很多,比较常用边沿检测算法可以是RobertsCross算法、Prewitt算法、Sobel算法、Kirsch算法、罗盘算法、Canny算法、Laplacian算法等,本实施例不做限定。为了便于说明,本实施例以一种基于LBP(Local Binary Patterns,局部二值化特征)的边缘检测算法为例进行说明。
可选的,下面对基于LBP识别第一模板图像的处理过程进行详细说明,具体包括以下步骤:
步骤一,根据预设的滤波算法,对第一检测图像对应的灰度图像中预设的模板图像区域的图像噪声进行处理,确定滤波后模板图像区域。
其中,图像的噪声的来源有很多,有的图像噪声是由电子元器件引起的,如电阻引起的热噪声;真空器件引起的散粒噪声和闪烁噪声;面结型晶体管产生的颗粒噪声和噪声;场效应管的沟道热噪声;光电管的光量子噪声和电子起伏噪声;摄象管引起的各种噪声等等。由这些元器件组成各种电子线路以及构成的设备又将使这些噪声产生不同的变换而形成局部线路和设备的噪声。另外还有就是光学现象所产生的图像光学噪声。
在实施中,当终端通过图像采集部件获取图像的过程中,由于外界光照环境的影响或者该图像采集部件设备的缺陷,终端获取到的图像中会存在图像噪声。具体的图像噪声可以分为:高斯噪声,泊松噪声,乘性噪声,椒盐噪声等。当用户在终端显示的第一检测图像中选择需要处理的区域,并且将该区域作为模板图像。为了减少该模板图像的噪声,终端通过预存的滤波算法对该模板图像的噪声进行处理。其中滤波算法可以是均值滤波算法、自适应维纳滤波算法、中值滤波算法、形态学噪声滤波算法等。终端可以使用上述滤波算法中一种或者几种来对该模板图像的噪声进行处理,本实施例不做限定。为了便于说明,本实施例以均值滤波算法对模板图像的噪声进行处理为例进行说明,其他情况与之类似。
步骤二,针对滤波后模板图像区域中每个边缘像素点,根据预设的图像边缘像素点处理算法,对该边缘像素点进行处理,得到该边缘像素点的局部二值化特征LBP值。
在实施中,终端预存有图像边缘像素点处理算法,针对模板图像区域中的每个边缘像素点,通过下列公式进行处理:
终端将每个像素点与周围的8个邻域点对像素值进行比较,如图1所示。如果大于中心点即为1,小于中心点即为0。为了减少背景干扰和增强对光照变化的鲁棒性,设置阈值为t。
x=pi-p0-t(1)
其中,如图2所示,pi表示图像边缘像素点及其周围像素点序号,p0表示图像边缘像素点,i的取值为0、1、2、3、4、5、6、7、8。
步骤三,根据滤波后模板图像区域中每个边缘像素点的LBP值,确定第一模板图像。
在实施中,终端通过预存的图像边缘像素点处理算法,计算出模板图像区域中每个像素点的LBP值后,将计算后的模板图像区域作为第一模板图像。
步骤130,根据预设的图像特征提取算法,确定第一模板图像的图像特征。
在实施中,终端预存有图像特征提取算法,终端通过该图像特征提取算法,对第一模板进行图像特征提取,得到第一模板图像的图像特征。具体的,图像特征提取算法分为HOG(Histograms of Oriented Gradients,方向梯度直方图)算法、LBP算法和Haar-like算法等,本实施例不做限定。为了便于说明,本实施例以一种基于LBP算法的特征提取算法为例进行处理为例进行说明,其他情况与之类似。
可选的,下面对基于LBP算法的特征提取算法,对第一模板图像的特征进行提取,得到第一模板图像的图像特征的过程进行详细说明,具体包括以下步骤:
步骤一,根据预设的训练样本库和第一模板图像中各边缘像素点的LBP值,确定各边缘像素点在预设坐标系中对应的边缘方向。
在实施中,终端预存有训练样本库,训练样本库中包括第一模板图像中各边缘像素点的LBP值和该LBP值对应的边缘方向。{3,6,7,136,252,249,248,119,96,48,108,159,207,107}为0°方向的边缘点,{4,64,68,56,251,187,199,131,124}为45°方向的边缘点,{12,24,129,192,243,231,126,63,227,62,34,28,193,221}为90°方向的边缘点,{1,16,17,224,254,239,238,31,241,14}为135°方向的边缘点。
步骤二,根据预设的区域划分方式,将第一模板图像划分为多个区域。
在实施中,终端预存有区域划分方式,终端通过该区域划分方式,将第一模板图像进行划分。其中区域划分有很多方式,比如基于元素分割、基于边分解和基于顶点分解等,本实施例不做限定。为了便于说明,本实施例以通过DAISY的划分方式进行处理为例进行说明,其他情况与之类似。
为了增强模板匹配的稳定性,减少干扰,同时增加运行速度,终端通过DAISY特征的区域划分方式,对第一模板图像进行区域化处理,使第一模板图像对旋转形变具有鲁棒性。具体的,如图3中圆圈中的区域为第一模板图像中用于提取特征的特征区域模板,该特征区域模板被终端划分为三层区域。如图4所示,每层区域由8个面积相等的圆形区域组成。且层间相邻圆形区域的圆心间的方向和距离相同。终端令每一层相同方向上圆心之间的距离为l,圈出的目标特征区域模板直径为D。终端将D分成10等份,每一等份就是一个l。
l=D/10 (4)
令第i层圆形区域的半径为ri,ri由所在层和一个系数共同决定,如公式(5),令该系数为0.7。
当特征区域模板的圆心位置和直径D确定时,每个圆形的中心位置和半径就可以确定。终端通过特征区域模板的直径和圆心坐标,就可以对该特征区域模板进行区域划分。如果特征区域模板目标的尺度变化较大时,需要尺度变化后再进行以上工作。通常情况下,待检测目标尺度变化不大。
步骤三,根据每个区域中各边缘像素点对应的边缘方向和预设的图像调整策略,确定每个区域对应的旋转角度,并根据旋转角度对每个区域进行选择处理,得到旋转后的模板图像。
在实施中,终端先确定每个边缘像素点的边缘方向。之后,终端计算每一层的每个圆形区域计算各边缘方向的像素点个数。终端将像素点最多的方向,作为该圆形区域的主方向,终端将像素点数量第二的方向,作为该圆形区域的次方向。终端通过该圆形区域的主方向和次方向来表示该区域,并记录每个圆形区域的主方向上像素点的个数Nij。
终端通过比较每一层的每个圆形区域中Nij大小,找到该层中Nij最大的圆形区域,并将该圆形区域在该特征区域模板中的方向作为该层的旋转方向。如图4所示,终端旋转该层起始方向到旋转方向,得到旋转后的模板图像。
步骤四,在旋转后的模板图像中,分别提取每个区域特征,根据每个区域的区域特征,确定第一模板图像的图像特征。
在实施中,虽然终端旋转到了该层的主方向,但由于旋转后的模板图像的方向发生了变化,所以旋转后的模板图像中每个区域内的方向也发生了相同大小的变化。为了稳定地表达每层中各圆形区域方向连续变化关系,可以采用差分的方法解决这个问题。因为旋转后的模板图像发生旋转形变后,同一层的相邻两个圆形区域的主方向的角度关系不变。因此可以利用公式(6)来表达每层中各圆形区域方向连续变化关系。
Di,j=|Oi,j+1-Oi,j| (6)
其中Oi,j表示第i层第j个圆形区域的主方向和次方向。
最后终端用差分后的Di,j作为描述第一模板图像的图像特征,该图像特征也可称为POD(Principal Orientation Difference,主方向差分)特征。
步骤140,当通过图像采集部件获取到第二检测图像时,根据第一模板图像的图像特征,在第二检测图像中识别第一模板图像的位置。
在实施中,终端通过图像采集部件采集过第一检测图像后,继续采集下一帧图像(即第二检测图像)。终端可以通过步骤120和步骤130中所述的方法,对第二检测图像进行处理,然后得到第二检测图像的特征。终端通过将第一模板图像的图像特征与第二检测图像的图像特征进行匹配,找到第一模板图像在第二检测图像中的位置。具体的处理过程包括如下步骤:
步骤一,对第二检测图像进行灰度化处理,得到第二检测图像对应的灰度图像。
在实施中,终端通过预存的灰度化算法,对第二检测图像进行灰度化处理,得到第二监测图像对应的灰度图像。
步骤二,在第二检测图像对应的灰度图像的预设区域中,选取与第一模板图像的模板图像区域大小相同的匹配区域。
在实施中,由于在实时目标检测的过程中,前后两帧间的目标移动范围不会太大,即第一检测图像和第二检测图像的图片内容关联性很强。如图4所示,为了能够快速匹配,终端在第二检测图像中与第一检测图像中第一模板图像周围S个像素范围内搜索。具体的,如果用户在终端显示的第一检测图像中选择中心位置作为第一模板图像,则在第二检测图像中,终端只会在第二检测图像中心S个像素点周围搜索第一模板图像。终端通过这种方式减小运算量,实现快速匹配。如图4所示,图像中间方框内部分为上一帧图像中目标模板的位置,在这一帧图像中该区域的周围S个像素范围内搜索。搜索的步进为s,所以在该搜索范围中共有2*S/s*2*S/s个待匹配区域。
步骤三,针对第二检测图像对应的灰度图像的预设区域中每个匹配区域,根据预设的边缘检测算法和预设的图像特征提取算法,对该匹配区域进行处理,得到该匹配区域的图像特征。
在实施中,终端通过预存的边缘检测算法和图像特征提取算法,对第二检测图像对应的灰度图像的预设区域中每个匹配区域,利用前面提到的方法提取POD特征。然后终端通过计算出每个匹配区域与第一模板图像中对应位置的主、次方向差分特征同时相等的个数。
步骤四,基于第二检测图像对应的灰度图像的预设区域内每个匹配区域的图像特征,确定与第一模板图像的图像特征匹配度最高的匹配区域,进而确定该区域为第一模板图像的位置。
在实施中,步骤三的处理过程结束后,终端中存储有第二检测图像对应的灰度图像的预设区域中每个匹配区域的POD特征,这些数据组成一个POD匹配库,该POD匹配库中,每个匹配区域对应一个POD特征。终端将第一模板图像的POD特征,依次与POD匹配库中的POD特征进行匹配后,将POD特征匹配度最高的POD特征对应的匹配区域,作为第二检测图像中第一模板图像的位置。
本发明实施例提供了一种基于主方向差分特征的快速模板匹配的方法,可以通过图像采集部件获取第一检测图像,对第一检测图像进行灰度化处理,得到第一检测图像对应的灰度图像,根据预设的边缘检测算法,在第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像,根据预设的图像特征提取算法,确定第一模板图像的图像特征,当通过图像采集部件获取到第二检测图像时,根据第一模板图像的图像特征,在第二检测图像中识别第一模板图像的位置。这样可以只需要计算模板图像的边缘点,不需要对图像上各像素点进行计算,减少了计算量,可以提高模板匹配效率。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
如图5所示,本实施例还提供了一种基于主方向差分特征的快速模板匹配的装置,所述装置包括:
获取模块500,用于通过图像采集部件获取第一检测图像;
处理模块510,用于对所述第一检测图像进行灰度化处理,得到所述第一检测图像对应的灰度图像;
第一确定模块520,用于根据预设的边缘检测算法,在所述第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像;
第二确定模块530,用于根据预设的图像特征提取算法,确定所述第一模板图像的图像特征;
识别模块540,用于当通过所述图像采集部件获取到第二检测图像时,根据所述第一模板图像的图像特征,在所述第二检测图像中识别所述第一模板图像的位置。
可选的,所述第一确定模块,还用于:
根据预设的滤波算法,对所述第一检测图像对应的灰度图像中预设的模板图像区域的图像噪声进行处理,确定滤波后模板图像区域;
针对所述滤波后模板图像区域中每个边缘像素点,根据预设的图像边缘像素点处理算法,对该边缘像素点进行处理,得到该边缘像素点的局部二值化特征LBP值;
根据所述滤波后模板图像区域中每个边缘像素点的LBP值,确定第一模板图像。
可选的,所述第二确定模块,还用于:
根据预设的训练样本库和所述第一模板图像中各边缘像素点的LBP值,确定各边缘像素点在预设坐标系中对应的边缘方向;
根据预设的区域划分方式,将所述第一模板图像划分为多个区域;
根据每个区域中各边缘像素点对应的边缘方向和预设的图像调整策略,确定所述每个区域对应的旋转角度,并根据所述旋转角度对所述每个区域进行选择处理,得到旋转后的模板图像;
在旋转后的模板图像中,分别提取每个区域特征;
根据所述每个区域的区域特征,确定所述第一模板图像的图像特征。
可选的,所述识别模块,还用于:
对第二检测图像进行灰度化处理,得到所述第二检测图像对应的灰度图像;
在所述第二检测图像对应的灰度图像的预设区域中,选取与所述第一模板图像的模板图像区域大小相同的匹配区域;
针对所述第二检测图像对应的灰度图像的预设区域中每个匹配区域,根据所述预设的边缘检测算法和所述预设的图像特征提取算法,对该匹配区域进行处理,得到该匹配区域的图像特征;
基于所述第二检测图像对应的灰度图像的预设区域内每个匹配区域的图像特征,确定与所述第一模板图像的图像特征匹配度最高的匹配区域,进而确定该区域为所述第一模板图像的位置。
本发明实施例提供了一种基于主方向差分特征的快速模板匹配的装置,可以通过图像采集部件获取第一检测图像,对第一检测图像进行灰度化处理,得到第一检测图像对应的灰度图像,根据预设的边缘检测算法,在第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像,根据预设的图像特征提取算法,确定第一模板图像的图像特征,当通过图像采集部件获取到第二检测图像时,根据第一模板图像的图像特征,在第二检测图像中识别第一模板图像的位置。这样可以只需要计算模板图像的边缘点,不需要对图像上各像素点进行计算,减少了计算量,可以提高模板匹配效率。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
本发明实施例还提供了一种电子设备,如图6所示,包括处理器610、通信接口620、存储器630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信,
存储器630,用于存放计算机程序;
处理器610,用于执行存储器630上所存放的程序时,实现如下步骤:
通过图像采集部件获取第一检测图像;
对所述第一检测图像进行灰度化处理,得到所述第一检测图像对应的灰度图像;
根据预设的边缘检测算法,在所述第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像;
根据预设的图像特征提取算法,确定所述第一模板图像的图像特征;
当通过所述图像采集部件获取到第二检测图像时,根据所述第一模板图像的图像特征,在所述第二检测图像中识别所述第一模板图像的位置。
可选的,所述根据预设的边缘检测算法,在所述第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像,包括:
根据预设的滤波算法,对所述第一检测图像对应的灰度图像中预设的模板图像区域的图像噪声进行处理,确定滤波后模板图像区域;
针对所述滤波后模板图像区域中每个边缘像素点,根据预设的图像边缘像素点处理算法,对该边缘像素点进行处理,得到该边缘像素点的局部二值化特征LBP值;
根据所述滤波后模板图像区域中每个边缘像素点的LBP值,确定第一模板图像。
可选的,所述根据预设的图像特征提取算法,确定所述第一模板图像的图像特征,包括:
根据预设的训练样本库和所述第一模板图像中各边缘像素点的LBP值,确定各边缘像素点在预设坐标系中对应的边缘方向;
根据预设的区域划分方式,将所述第一模板图像划分为多个区域;
根据每个区域中各边缘像素点对应的边缘方向和预设的图像调整策略,确定所述每个区域对应的旋转角度,并根据所述旋转角度对所述每个区域进行选择处理,得到旋转后的模板图像;
在旋转后的模板图像中,分别提取每个区域特征;
根据所述每个区域的区域特征,确定所述第一模板图像的图像特征。
可选的,所述当通过所述图像采集部件获取到第二检测图像时,根据所述第一模板图像的图像特征,在所述第二检测图像中识别所述第一模板图像的位置,包括:
对第二检测图像进行灰度化处理,得到所述第二检测图像对应的灰度图像;
在所述第二检测图像对应的灰度图像的预设区域中,选取与所述第一模板图像的模板图像区域大小相同的匹配区域;
针对所述第二检测图像对应的灰度图像的预设区域中每个匹配区域,根据所述预设的边缘检测算法和所述预设的图像特征提取算法,对该匹配区域进行处理,得到该匹配区域的图像特征;
基于所述第二检测图像对应的灰度图像的预设区域内每个匹配区域的图像特征,确定与所述第一模板图像的图像特征匹配度最高的匹配区域,进而确定该区域为所述第一模板图像的位置。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral PomponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Ne twork Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Applica tion SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供了一种基于主方向差分特征的快速模板匹配的电子设备,可以通过图像采集部件获取第一检测图像,对第一检测图像进行灰度化处理,得到第一检测图像对应的灰度图像,根据预设的边缘检测算法,在第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像,根据预设的图像特征提取算法,确定第一模板图像的图像特征,当通过图像采集部件获取到第二检测图像时,根据第一模板图像的图像特征,在第二检测图像中识别第一模板图像的位置。这样可以只需要计算模板图像的边缘点,不需要对图像上各像素点进行计算,减少了计算量,可以提高模板匹配效率。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的基于主方向差分特征的快速模板匹配的方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的基于主方向差分特征的快速模板匹配的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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、物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、物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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,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。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (5)
1.一种基于主方向差分特征的快速模板匹配的方法,其特征在于,所述方法包括:
通过图像采集部件获取第一检测图像;
对所述第一检测图像进行灰度化处理,得到所述第一检测图像对应的灰度图像;
根据预设的边缘检测算法,在所述第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像;
根据预设的图像特征提取算法,确定所述第一模板图像的图像特征;
当通过所述图像采集部件获取到第二检测图像时,根据所述第一模板图像的图像特征,在所述第二检测图像中识别所述第一模板图像的位置;
所述根据预设的边缘检测算法,在所述第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像,包括:
根据预设的滤波算法,对所述第一检测图像对应的灰度图像中预设的模板图像区域的图像噪声进行处理,确定滤波后模板图像区域;
针对所述滤波后模板图像区域中每个边缘像素点,根据预设的图像边缘像素点处理算法,对该边缘像素点进行处理,得到该边缘像素点的局部二值化特征LBP值;
根据所述滤波后模板图像区域中每个边缘像素点的LBP值,确定第一模板图像;
所述根据预设的图像特征提取算法,确定所述第一模板图像的图像特征,包括:
根据预设的训练样本库和所述第一模板图像中各边缘像素点的LBP值,确定各边缘像素点在预设坐标系中对应的边缘方向;
根据预设的区域划分方式,将所述第一模板图像划分为多个区域;
根据每个区域中各边缘像素点对应的边缘方向和预设的图像调整策略,确定所述每个区域对应的旋转角度,并根据所述旋转角度对所述每个区域进行选择处理,得到旋转后的模板图像;
在旋转后的模板图像中,分别提取每个区域特征;
根据所述每个区域的区域特征,确定所述第一模板图像的图像特征。
2.根据权利要求1所述的方法,其特征在于,所述当通过所述图像采集部件获取到第二检测图像时,根据所述第一模板图像的图像特征,在所述第二检测图像中识别所述第一模板图像的位置,包括:
对第二检测图像进行灰度化处理,得到所述第二检测图像对应的灰度图像;
在所述第二检测图像对应的灰度图像的预设区域中,选取与所述第一模板图像的模板图像区域大小相同的匹配区域;
针对所述第二检测图像对应的灰度图像的预设区域中每个匹配区域,根据所述预设的边缘检测算法和所述预设的图像特征提取算法,对该匹配区域进行处理,得到该匹配区域的图像特征;
基于所述第二检测图像对应的灰度图像的预设区域内每个匹配区域的图像特征,确定与所述第一模板图像的图像特征匹配度最高的匹配区域,进而确定该区域为所述第一模板图像的位置。
3.一种基于主方向差分特征的快速模板匹配的装置,其特征在于,所述装置包括:
获取模块,用于通过图像采集部件获取第一检测图像;
处理模块,用于对所述第一检测图像进行灰度化处理,得到所述第一检测图像对应的灰度图像;
第一确定模块,用于根据预设的边缘检测算法,在所述第一检测图像对应的灰度图像中预设的模板图像区域中,确定第一模板图像;
第二确定模块,用于根据预设的图像特征提取算法,确定所述第一模板图像的图像特征;
识别模块,用于当通过所述图像采集部件获取到第二检测图像时,根据所述第一模板图像的图像特征,在所述第二检测图像中识别所述第一模板图像的位置;
所述第一确定模块,还用于:
根据预设的滤波算法,对所述第一检测图像对应的灰度图像中预设的模板图像区域的图像噪声进行处理,确定滤波后模板图像区域;
针对所述滤波后模板图像区域中每个边缘像素点,根据预设的图像边缘像素点处理算法,对该边缘像素点进行处理,得到该边缘像素点的局部二值化特征LBP值;
根据所述滤波后模板图像区域中每个边缘像素点的LBP值,确定第一模板图像;
所述第二确定模块,还用于:
根据预设的训练样本库和所述第一模板图像中各边缘像素点的LBP值,确定各边缘像素点在预设坐标系中对应的边缘方向;
根据预设的区域划分方式,将所述第一模板图像划分为多个区域;
根据每个区域中各边缘像素点对应的边缘方向和预设的图像调整策略,确定所述每个区域对应的旋转角度,并根据所述旋转角度对所述每个区域进行选择处理,得到旋转后的模板图像;
在旋转后的模板图像中,分别提取每个区域特征;
根据所述每个区域的区域特征,确定所述第一模板图像的图像特征。
4.根据权利要求3所述的装置,其特征在于,所述识别模块,还用于:
对第二检测图像进行灰度化处理,得到所述第二检测图像对应的灰度图像;
在所述第二检测图像对应的灰度图像的预设区域中,选取与所述第一模板图像的模板图像区域大小相同的匹配区域;
针对所述第二检测图像对应的灰度图像的预设区域中每个匹配区域,根据所述预设的边缘检测算法和所述预设的图像特征提取算法,对该匹配区域进行处理,得到该匹配区域的图像特征;
基于所述第二检测图像对应的灰度图像的预设区域内每个匹配区域的图像特征,确定与所述第一模板图像的图像特征匹配度最高的匹配区域,进而确定该区域为所述第一模板图像的位置。
5.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-2任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810104808.2A CN108229583B (zh) | 2018-02-02 | 2018-02-02 | 一种基于主方向差分特征的快速模板匹配的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810104808.2A CN108229583B (zh) | 2018-02-02 | 2018-02-02 | 一种基于主方向差分特征的快速模板匹配的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229583A CN108229583A (zh) | 2018-06-29 |
CN108229583B true CN108229583B (zh) | 2022-04-29 |
Family
ID=62670519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810104808.2A Active CN108229583B (zh) | 2018-02-02 | 2018-02-02 | 一种基于主方向差分特征的快速模板匹配的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229583B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696726A (zh) * | 2018-07-02 | 2018-10-23 | 天津煋鸟科技有限公司 | 一种无盲区监控系统 |
CN112488240B (zh) * | 2020-12-16 | 2023-02-03 | 广东省科学院智能制造研究所 | 一种基于互相关性的图像频域差分材质匹配方法 |
CN112511814A (zh) * | 2021-02-05 | 2021-03-16 | 深圳市橙子数字科技有限公司 | 投影仪的对焦方法、投影仪、计算机设备及存储介质 |
CN113327204B (zh) * | 2021-06-01 | 2024-03-15 | 中科晶源微电子技术(北京)有限公司 | 图像校准方法和装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384103A (zh) * | 2016-09-30 | 2017-02-08 | 王玲 | 一种车脸识别方法及装置 |
CN107180425A (zh) * | 2017-05-19 | 2017-09-19 | 华夏高铁技术有限公司 | 轨道扣件自动识别方法和装置 |
CN107203990A (zh) * | 2017-04-02 | 2017-09-26 | 南京汇川图像视觉技术有限公司 | 一种基于模板匹配与图像质量评估的标贴破损检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2981382B2 (ja) * | 1993-11-25 | 1999-11-22 | 松下電工株式会社 | パターンマッチング方法 |
JP3768073B2 (ja) * | 1999-06-15 | 2006-04-19 | 株式会社日立国際電気 | 物体追跡方法及び物体追跡装置 |
-
2018
- 2018-02-02 CN CN201810104808.2A patent/CN108229583B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384103A (zh) * | 2016-09-30 | 2017-02-08 | 王玲 | 一种车脸识别方法及装置 |
CN107203990A (zh) * | 2017-04-02 | 2017-09-26 | 南京汇川图像视觉技术有限公司 | 一种基于模板匹配与图像质量评估的标贴破损检测方法 |
CN107180425A (zh) * | 2017-05-19 | 2017-09-19 | 华夏高铁技术有限公司 | 轨道扣件自动识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108229583A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229583B (zh) | 一种基于主方向差分特征的快速模板匹配的方法及装置 | |
CN106981077B (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
US20160307057A1 (en) | Fully Automatic Tattoo Image Processing And Retrieval | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
JP2014531097A (ja) | マルチレイヤ連結成分をヒストグラムと共に用いるテキスト検出 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN108875504B (zh) | 基于神经网络的图像检测方法和图像检测装置 | |
US8989505B2 (en) | Distance metric for image comparison | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
KR101753360B1 (ko) | 시점 변화에 강인한 특징점 정합 방법 | |
CN110516731B (zh) | 一种基于深度学习的视觉里程计特征点检测方法及系统 | |
Hao et al. | Low-light image enhancement based on retinex and saliency theories | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
Lecca et al. | Comprehensive evaluation of image enhancement for unsupervised image description and matching | |
CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 | |
CN111915645B (zh) | 影像匹配方法、装置、计算机设备及计算机可读存储介质 | |
CN111553927B (zh) | 棋盘格角点检测方法、检测系统、计算机装置及存储介质 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
Mu et al. | Finding autofocus region in low contrast surveillance images using CNN-based saliency algorithm | |
CN112883762A (zh) | 一种活体检测方法、装置、系统及存储介质 | |
CN108805883B (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
CN115564682A (zh) | 一种光照不均图像增强方法及系统 | |
CN114025089A (zh) | 一种视频图像采集抖动处理方法及系统 | |
CN109087351B (zh) | 基于深度信息对场景画面进行闭环检测的方法及装置 | |
JPWO2015093231A1 (ja) | 画像処理装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |