CN108256564A - 一种基于距离度量相异度的自适应模版匹配方法及装置 - Google Patents
一种基于距离度量相异度的自适应模版匹配方法及装置 Download PDFInfo
- Publication number
- CN108256564A CN108256564A CN201810022278.7A CN201810022278A CN108256564A CN 108256564 A CN108256564 A CN 108256564A CN 201810022278 A CN201810022278 A CN 201810022278A CN 108256564 A CN108256564 A CN 108256564A
- Authority
- CN
- China
- Prior art keywords
- starting point
- matching
- recognized
- images
- value
- 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
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
- G06V10/7515—Shifting the patterns to accommodate for positional errors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于距离度量相异度的自适应模版匹配方法,包括:计算待识别图像从匹配起点与识别目标的模板图像进行匹配的相异度值并存储;判断匹配起点的坐标是否满足预设终止条件;若否,计算更新后的平移变量;按照更新后的平移变量更新匹配起点;若是,则依据预设判断规则,根据存储的各个相异度值,确定待识别图像中的识别目标。本申请根据基于距离度量的相异度大小来调整匹配起点的平移变量,同时提高了整体匹配速度和精度。本申请还公开了一种基于距离度量相异度的自适应模版匹配装置、设备及计算机可读存储介质,也具有上述有益效果。
Description
技术领域
本申请涉及图像识别技术领域,特别涉及一种基于距离度量相异度的自适应模版匹配方法、装置、设备及计算机可读存储介质。
背景技术
模板匹配是图像识别中最具代表性、最常用的方法之一,用于研究待识别图像中是否存在有识别目标,以及该识别目标在待识别图像中的具体位置。它依次从待识别图像中选取与识别目标的模板图像大小一致的局部区域,并与模板图像进行匹配比较,计算两者之间的相异度或者相似度,进而对该局部区域中是否存在识别目标进行判断。
模板匹配过程中从待识别图像中选取的局部区域是需要不断更换的,一般来说更换的方式就是进行平移,以便经过多次平移后能够尽量覆盖待识别图像的所有像素点。现有技术中的模板匹配方法一般都耗时较久。当然,增加局部区域每次平移的像素个数能够有效提高匹配速度,但是,当该局部区域非常靠近识别目标的位置时,很可能会因为平移距离过大而使得匹配结果的位置精度下降。因此,对于局部区域的平移需要采用合理的控制策略,以便依据当前的局部区域的匹配结果自适应变化。
由此可见,采用何种自适应模板匹配方法,以便在保障匹配精度的前提下有效提高匹配速度,是本领域技术人员所亟待解决的技术问题。
发明内容
本申请的目的在于提供一种基于距离度量相异度的自适应模版匹配方法、装置、设备及计算机可读存储介质,以便在保障匹配精度的前提下有效提高匹配速度。
为解决上述技术问题,本申请提供一种基于距离度量相异度的自适应模版匹配方法,包括:
根据公式计算待识别图像从匹配起点与识别目标的模板图像进行匹配的相异度值并存储;其中,所述模板图像的像素大小为a×b;p(i,j)为所述模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为所述待识别图像的所述匹配起点的坐标;q(x+i,y+j)为所述待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与所述匹配起点(x,y)对应的所述相异度值;为所述模板图像各像素点的灰度值平均值,为所述待识别图像在像素大小为a×b的局部区域内的各像素点的灰度值平均值,Q为所述模板图像与所述待识别图像的所述局部区域内各像素点灰度值的协方差矩阵;
判断所述匹配起点的坐标是否满足预设终止条件;
若否,则根据公式计算更新后的平移变量;按照更新后的所述平移变量更新所述匹配起点;并继续执行所述计算待识别图像从匹配起点处与识别目标的模板图像进行匹配的相异度值并存储的后续步骤;其中,h为更新后的所述平移变量,h′为更新前的所述平移变量;h1为上调参数;h2为下调参数;h、h′、h1和h2均为正整数;为预设阈值;
若是,则依据预设判断规则,根据存储的各个所述相异度值,确定待识别图像中的所述识别目标。
可选地,所述预设阈值为:
其中,δ为含有所述识别目标的样本图像与所述模板图像进行匹配所得到的相异度值的均值;l为阈值系数。
可选地,所述按照更新后的所述平移变量更新所述匹配起点包括:
根据更新后的所述平移变量列向平移所述匹配起点。
可选地,所述平移变量满足条件:
1≤h≤a。
可选地,所述依据预设判断规则,根据存储的各个所述相异度值,确定待识别图像中的识别目标包括:
确定所有所述相异度值中的极小值;
判断相邻两个极小值所对应的匹配起点之间的距离是否低于预设距离阈值;
若是,则判定所述待识别图像在所述相邻两个极小值中的较小值所对应的匹配起点处存在一个所述识别目标;
若否,则判定所述待识别图像在所述相邻两个极小值各自对应的匹配起点处分别存在一个所述识别目标。
本申请还提供了一种基于距离度量相异度的自适应模版匹配装置,包括:
计算模块:用于根据公式计算待识别图像从匹配起点与识别目标的模板图像进行匹配的相异度值并存储;其中,所述模板图像的像素大小为a×b;p(i,j)为所述模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为所述待识别图像的所述匹配起点的坐标;q(x+i,y+j)为所述待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与所述匹配起点(x,y)对应的所述相异度值;为所述待识别图像在像素大小为a×b的局部区域内的各像素点的灰度值平均值,Q为所述模板图像与所述待识别图像的所述局部区域内各像素点灰度值的协方差矩阵;
判断模块:用于判断所述匹配起点的坐标是否满足预设终止条件;
更新模块:用于当所述匹配起点的坐标不满足所述预设终止条件时,根据公式计算更新后的平移变量;按照更新后的所述平移变量更新所述匹配起点;以便所述计算模块继续用于计算待识别图像从匹配起点与识别目标的模板图像进行匹配的相异度值并存储;其中,h为更新后的所述平移变量,h′为更新前的所述平移变量;h1为上调参数;h2为下调参数;h、h′、h1和h2均为正整数;为预设阈值;
识别模块:用于在所述匹配起点的坐标满足所述预设终止条件时,依据预设判断规则,根据存储的各个所述相异度值,确定待识别图像中的所述识别目标。
可选地,所述预设阈值为:
其中,δ为含有所述识别目标的样本图像与所述模板图像进行匹配所得到的相异度值的均值;l为阈值系数。
可选地,所述识别模块具体用于:
确定所有所述相异度值中的极小值;
判断相邻两个极小值所对应的匹配起点之间的距离是否低于预设距离阈值;
若是,则判定所述待识别图像在所述相邻两个极小值中的较小值所对应的匹配起点处存在一个所述识别目标;
若否,则判定所述待识别图像在所述相邻两个极小值各自对应的匹配起点处分别存在一个所述识别目标。
本申请还提供了一种基于距离度量相异度的自适应模版匹配设备,包括:
存储器:用于存储计算机指令;
处理器:用于执行所述计算机指令以实现如上所述的任一种基于距离度量相异度的自适应模版匹配方法的步骤。
本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的任一种基于距离度量相异度的自适应模版匹配方法的步骤。
本申请所提供的基于距离度量相异度的自适应模版匹配方法包括:根据公式计算待识别图像从匹配起点与识别目标的模板图像进行匹配的相异度值并存储;其中,所述模板图像的像素大小为a×b;p(i,j)为所述模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为所述待识别图像的所述匹配起点的坐标;q(x+i,y+j)为所述待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与所述匹配起点(x,y)对应的所述相异度值;为所述模板图像各像素点的灰度值平均值,为所述待识别图像在像素大小为a×b的局部区域内的各像素点的灰度值平均值,Q为所述模板图像与所述待识别图像的所述局部区域内各像素点灰度值的协方差矩阵;判断所述匹配起点的坐标是否满足预设终止条件;若否,则根据公式计算更新后的平移变量;按照更新后的所述平移变量更新所述匹配起点;并继续执行所述计算待识别图像从匹配起点处与识别目标的模板图像进行匹配的相异度值并存储的后续步骤;其中,h为更新后的所述平移变量,h′为更新前的所述平移变量;h1为上调参数;h2为下调参数;h、h′、h1和h2均为正整数;为预设阈值;若是,则依据预设判断规则,根据存储的各个所述相异度值,确定待识别图像中的所述识别目标。
可见,相比于现有技术,本申请所提供的基于距离度量相异度的自适应模版匹配方法中,采用基于最小距离法计算的相异度来评判待识别图像的局部区域与模板图像的匹配程度,进而根据该匹配程度即相异度值的大小来自适应调整对局部区域的匹配起点进行平移时的平移变量,以便在相异度值高的区域增大平移变量,而在相异度值低的区域减小平移变量,由此既提高了整体的匹配速度,又有效避免了匹配精度的损失。本申请所提供的基于距离度量相异度的自适应模版匹配装置、设备及计算机可读存储介质可以实现上述基于距离度量相异度的自适应模版匹配方法,同样具有上述有益效果。
附图说明
为了更清楚地说明现有技术和本申请实施例中的技术方案,下面将对现有技术和本申请实施例描述中需要使用的附图作简要的介绍。当然,下面有关本申请实施例的附图描述的仅仅是本申请中的一部分实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图,所获得的其他附图也属于本申请的保护范围。
图1为本申请实施例所提供的一种基于距离度量相异度的自适应模版匹配方法的流程图;
图2为本申请实施例所提供的另一种基于距离度量相异度的自适应模版匹配方法的流程图;
图3为本申请实施例所提供的一种基于距离度量相异度的自适应模版匹配装置的结构框图。
具体实施方式
本申请的核心在于提供一种基于距离度量相异度的自适应模版匹配方法、装置、设备及计算机可读存储介质,以便在保障匹配精度的前提下有效提高匹配速度。
为了对本申请实施例中的技术方案进行更加清楚、完整地描述,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行介绍。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参考图1,图1为本申请实施例所提供的一种基于距离度量相异度的自适应模版匹配方法的流程图,主要包括以下步骤:
步骤11:根据公式计算待识别图像从匹配起点与识别目标的模板图像进行匹配的相异度值并存储。
其中,模板图像的像素大小为a×b;p(i,j)为模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为待识别图像的匹配起点的坐标;q(x+i,y+j)为待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与匹配起点(x,y)对应的相异度值;为所述模板图像各像素点的灰度值平均值,为所述待识别图像在像素大小为a×b的局部区域内的各像素点的灰度值平均值,Q为所述模板图像与所述待识别图像的所述局部区域内各像素点灰度值的协方差矩阵。
具体地,本申请所提供的自适应模板匹配方法在进行待识别图像与模板图像的匹配比较过程中时,所说的相异度具体是采用最小距离法来计算的,尤其适合应用于灰度值距离特性显著的图像识别场合。当从待识别图像中所选取的局部区域中各个像素点的灰度值与模板图像相应像素点的灰度值的距离越小时,说明该局部区域与模板图像的相异度越小,识别目标存在与该局部区域的可能性就越高。
在进行模板匹配时,为了依次将从待识别图像中选取的局部区域与模板图像的各个像素点依次进行比较,需要分别为待识别图像和模板图像设定原点和统一的坐标轴方向。一般地,可将待识别图像和模板图像的左上顶点分别设为各自的原点,继而将水平向右和竖直向下分别设为横坐标方向和纵坐标方向。由于局部区域涵盖了多个像素点,所以一般可以用匹配起点来衡量局部区域的位置。类似地,一般会将该局部区域的左上顶点的像素点作为其匹配起点,以便从该匹配起点处开始,以1个像素为单位与模板图像的像素点进行平移遍历比较。
步骤12:判断匹配起点的坐标是否满足预设终止条件;若否,进入步骤13;若是,进入步骤15。
匹配起点的坐标就代表了相应局部区域的范围,即当模板图像的像素大小为a×b、待识别图像的匹配起点的坐标为(x,y)时,该匹配起点对应的局部区域即为以像素点(x,y)为左上顶点、纵长为a而横长为b的区域。处理器在进行模板匹配的过程当中,对匹配起点即对局部区域的平移是有计划、有序的平移,通过预先设计的平移路线,可令所有出现过的局部区域叠加起来能覆盖待识别图像,并可根据匹配起点的坐标来判断是否已经完成了预先设计的平移路线。
例如,若待识别图像的像素大小为A×B,则为避免局部区域超出待识别图像的范围,可令匹配起点在待识别图像中(A-a)×(B-b)的有效范围内进行有序平移。具体地,可令匹配起点从坐标起点处行向平移,也可以列向平移。行向平移是指将匹配起始点在行内从左向右(以左上顶点为原点时)进行平移,当平移到该列的右端时再换到下一行继续向右平移;列向平移具体是指将匹配起始点在列内从上向下(以左上顶点为原点时)进行平移,当平移到该列的底部时再换到下一列的顶部继续向下平移。当匹配起点在(A-a)×(B-b)的有效范围内平移结束之后,再次对其进行平移后的坐标必然会落在该有效范围之外,因此,具体可将匹配起点的坐标不在该有效范围之内作为预设终止条件。
步骤13:根据公式计算更新后的平移变量;进入步骤14。
其中,h为更新后的平移变量,h′为更新前的平移变量;h1为上调参数;h2为下调参数;h、h′、h1和h2均为正整数;为预设阈值。
具体地,本申请所提供的自适应模板匹配方法在进行对匹配起点的平移时,是根据当前匹配起点所对应的匹配结果来自适应调整的。在当前匹配起点所对应的相异度值较大时,说明此时选取的局部区域与模板图像相差较大,存在识别目标的可能性较低,因此,可以适当地提高每次进行平移时的平移变量,以便适当地提高匹配速度。而在当前匹配起点所对应的相异度值较小时,说明此时选取的局部区域与模板图像相差不大,存起识别目标的可能性较高,因此,可以适当地减少每次进行平移时的平移变量,以便保障对识别目标的识别精度。
具体地,这里在对平移变量进行更新时,用于评判相异度值f(x,y)是否相对较大的预设阈值可以由本领域技术人员自行选择并设置,本申请实施例对此并不进行限定。此外,对更新前的平移变量h′进行增大调节和减小调节的参数分别为上调参数h1和下调参数h2,两者可以同样大也可以不等大,本申请实施例对此也并不进行限定。
步骤14:按照更新后的平移变量更新匹配起点,并进入步骤11。
具体地,匹配起点是按照平移变量来进行平移变换的。至于具体的平移方向,如前文所述,既可以行向从左向右平移,也可以列向从上向下平移,而具体平移多少个像素点,取决于更新后的平移变量。当平移匹配起点之后,即可再次重复步骤11,进行相异度的计算。
步骤15:依据预设判断规则,根据存储的各个相异度值,确定待识别图像中的识别目标。
当经过步骤12判定满足预设终止条件之后,即可根据历史存储的各个相异度值来确定待识别图像中识别目标的位置。至于具体如何确定,本领域技术人员可以自行选择并实现,例如可以基于极小值或者设定的门限值等,本申请实施例对此均不进行限定。
可见,本申请实施例所提供的基于距离度量相异度的自适应模版匹配方法中,采用基于最小距离法计算的相异度来评判待识别图像的局部区域与模板图像的匹配程度,进而根据该匹配程度即相异度值的大小来自适应调整对局部区域的匹配起点进行平移时的平移变量,以便在相异度值高的区域增大平移变量,而在相异度值低的区域减小平移变量。由此可见,本申请既提高了整体的匹配速度,又有效避免了匹配精度的损失。
本申请所提供的基于距离度量相异度的自适应模版匹配方法,在上述实施例的基础上:
作为一种优选实施例,预设阈值为:
其中,δ为含有识别目标的样本图像与模板图像进行匹配所得到的相异度值的均值;l为阈值系数。
具体地,该预设阈值可结合样本图像与模板图像的匹配结果的一般平均水平来选取。当然,所说的样本图像为含有该识别目标的样本图像,并且一般应为随机选取的。
作为一种优选实施例,按照更新后的平移变量更新匹配起点包括:
根据更新后的平移变量列向平移匹配起点。
具体地,一般可选择本领域内所习惯采用的列向的平移方式来对匹配起点进行更新。当然,本领域内技术人员也可以采用其他方式,本申请实施例对此并不进行限定。
作为一种优选实施例,平移变量满足条件:
1≤h≤a。
当采用列向的平移方式时,可以对每次更新后的平移变量h进行大小限定,以防止该平移变量h过大而跳过部分含有识别目标的区域,影响匹配精度。具体地,可将平移变量h设置为不大于模板图像的纵长a,即1≤h≤a。在确保平移变量h大小时,具体可采用饱和函数,即:
其中,hbef为饱和处理前的平移变量h,haft为饱和处理后的平移变量h。
作为一种优选实施例,依据预设判断规则,根据存储的各个相异度值,确定待识别图像中的识别目标包括:
确定所有相异度值中的极小值;
判断相邻两个极小值所对应的匹配起点之间的距离是否低于预设距离阈值;
若是,则判定待识别图像在相邻两个极小值中的较小值所对应的匹配起点处存在一个识别目标;
若否,则判定待识别图像在相邻两个极小值各自对应的匹配起点处分别存在一个识别目标。
具体地,本申请实施例所提供的基于距离度量相异度的自适应模版匹配方法在根据各个相异度值进行识别目标的确定时,具体是基于极小值来判定的。根据极小值的物理含义可知,待识别图像可能在某个极小值所对应的匹配起点处(局部区域处)存在着一个识别目标;也有可能是在多个极小值所对应的匹配起点之间的区域处存在着一个识别目标。
为了对此进行区分,本申请实施例对相邻两个极小值所对应的匹配起点之间的距离进行了判断,若该距离小于预设距离阈值,则说明这两个匹配起点相距很近,应当是属于上述第二种情况。而这两个极小值所共同描述的这个识别目标的具体位置,可由这两个相邻极小值中的较小值来确定,即该较小值对应的匹配起点处存在着识别目标。假设该较小值对应的匹配起点坐标为(x1,y1),则识别目标的中心的位置坐标即可被认为是(x1+a/2,y1+b/2)。
若该相邻两个极小值所对应的匹配起点之间的距离不小于预设距离阈值,则说明这两个匹配起点相距较远,应当是属于上述第一种情况。因此可判定待识别图像在两个极小值所对应的匹配起点处分别存在一个识别目标。
这里所说的预设距离阈值的具体取值,可由本领域技术人员自行选择并设置,本申请实施例对此均不进行限定。例如,可以具体选择为模板图像的纵长a和横长b,分别用于评判两个极小值对应匹配起点的纵向距离和横向距离,只要任意一个距离低于其对应的阈值或者两个距离同时满足条件时,就认为只存在一个识别目标;当然,还可以将预设距离阈值设置为用于和两个匹配起点间的直线距离进行比较。
请参阅图2,图2为本申请实施例所提供的另一种基于距离度量相异度的自适应模版匹配方法的流程图;包括:
步骤21:根据公式计算待识别图像从匹配起点与识别目标的模板图像进行匹配的相异度值并存储。
其中,模板图像的像素大小为a×b;p(i,j)为模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为待识别图像的匹配起点的坐标;q(x+i,y+j)为待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与匹配起点(x,y)对应的相异度值;为所述模板图像各像素点的灰度值平均值,为所述待识别图像在像素大小为a×b的局部区域内的各像素点的灰度值平均值,Q为所述模板图像与所述待识别图像的所述局部区域内各像素点灰度值的协方差矩阵。
步骤22:判断y>B-b是否成立:若否,进入步骤23;若是,进入步骤27。
步骤23:判断x>A-a是否成立:若否,进入步骤24;若是,进入步骤26。
步骤24:根据公式计算更新后的平移变量;进入步骤25。
其中,h为更新后的平移变量,h′为更新前的平移变量;h1为上调参数;h2为下调参数;h、h′、h1和h2均为正整数;为预设阈值。
步骤25:将x+h重新赋值给x,y保持不变;进入步骤21。
步骤26:令y+1重新赋值给y,x取为1;进入步骤21。
步骤27:确定所有相异度值中的极小值,进入步骤28。
步骤28:判断两个相邻极小值对应的匹配起点之间的距离是否低于预设距离阈值:若是,则判定待识别图像在相邻两个极小值中的较小值所对应的匹配起点处存在一个识别目标;若否,则判定待识别图像在相邻两个极小值各自对应的匹配起点处分别存在一个识别目标。
本申请实施例所提供的自适应模板匹配方法采用的匹配起点(x,y)的初始值为(1,1),匹配起点的平移方式为列向平移,因此,当匹配起点的横坐标已经大于B-b时,即说明匹配起点已经超出了有效范围,因此即可进入步骤27进行识别目标的确定。而当匹配起点的横坐标不大于B-b而纵坐标大于A-a时,说明此时的匹配起点需要换列以便继续平移,因此可进入步骤26,将其横坐标加1,而令纵坐标取为1。当匹配起点的横坐标不大于B-b而纵坐标也不大于A-a时,说明此时的匹配起点的坐标可以在本列内继续向下平移,因此,可进入步骤24以更新平移变量,进而完成对匹配起点的坐标的更新。
下面对本申请实施例所提供的基于距离度量相异度的自适应模版匹配装置进行介绍。
请参阅图3,图3为本申请所提供的一种基于距离度量相异度的自适应模版匹配装置的结构框图;包括计算模块1、判断模块2、更新模块3和识别模块4;
计算模块1用于根据公式计算待识别图像从匹配起点与识别目标的模板图像进行匹配的相异度值并存储。
其中,模板图像的像素大小为a×b;p(i,j)为模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为待识别图像的匹配起点的坐标;q(x+i,y+j)为待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与匹配起点(x,y)对应的相异度值;为所述模板图像各像素点的灰度值平均值,为所述待识别图像在像素大小为a×b的局部区域内的各像素点的灰度值平均值,Q为所述模板图像与所述待识别图像的所述局部区域内各像素点灰度值的协方差矩阵。
判断模块2用于判断匹配起点的坐标是否满足预设终止条件。
更新模块3用于当匹配起点的坐标不满足预设终止条件时,根据公式计算更新后的平移变量;按照更新后的平移变量更新匹配起点;以便计算模块继续用于计算待识别图像从匹配起点与识别目标的模板图像进行匹配的相异度值并存储。
其中,h为更新后的平移变量,h′为更新前的平移变量;h1为上调参数;h2为下调参数;h、h′、h1和h2均为正整数;为预设阈值。
识别模块4用于在匹配起点的坐标满足预设终止条件时,依据预设判断规则,根据存储的各个相异度值,确定待识别图像中的识别目标。
可见,本申请所提供的基于距离度量相异度的自适应模版匹配装置,采用基于最小距离法计算的相异度来评判待识别图像的局部区域与模板图像的匹配程度,进而根据该匹配程度即相异度值的大小来自适应调整对局部区域的匹配起点进行平移时的平移变量,以便在相异度值高的区域增大平移变量,而在相异度值低的区域减小平移变量。由此可见,本申请既提高了整体的匹配速度,又有效避免了匹配精度的损失。
本申请所提供的基于距离度量相异度的自适应模版匹配装置,在上述实施例的基础上:
作为一种优选实施例,预设阈值为:
其中,δ为含有识别目标的样本图像与模板图像进行匹配所得到的相异度值的均值;l为阈值系数。
作为一种优选实施例,识别模块4具体用于:
确定所有相异度值中的极小值;
判断相邻两个极小值所对应的匹配起点之间的距离是否低于预设距离阈值;
若是,则判定待识别图像在相邻两个极小值中的较小值所对应的匹配起点处存在一个识别目标;
若否,则判定待识别图像在相邻两个极小值各自对应的匹配起点处分别存在一个识别目标。
本申请还提供了一种基于距离度量相异度的自适应模版匹配设备,包括:
存储器:用于存储计算机指令;
处理器:用于执行所述计算机指令以实现以上所介绍的任一种基于距离度量相异度的自适应模版匹配方法的步骤。
本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现以上所介绍的任一种基于距离度量相异度的自适应模版匹配方法的步骤。
本申请所提供的基于距离度量相异度的自适应模版匹配装置、设备及计算机可读存储介质的具体实施方式与上文所描述的基于距离度量相异度的自适应模版匹配方法可相互对应参照,这里就不再赘述。
本申请中各个实施例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部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需说明的是,在本申请文件中,诸如“第一”和“第二”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者操作区分开来,而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。此外,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。
以上对本申请所提供的技术方案进行了详细介绍。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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种基于距离度量相异度的自适应模版匹配方法,其特征在于,包括:
根据公式计算待识别图像从匹配起点与识别目标的模板图像进行匹配的相异度值并存储;其中,所述模板图像的像素大小为a×b;p(i,j)为所述模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为所述待识别图像的所述匹配起点的坐标;q(x+i,y+j)为所述待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与所述匹配起点(x,y)对应的所述相异度值;为所述模板图像各像素点的灰度值平均值,为所述待识别图像在像素大小为a×b的局部区域内的各像素点的灰度值平均值,Q为所述模板图像与所述待识别图像的所述局部区域内各像素点灰度值的协方差矩阵;
判断所述匹配起点的坐标是否满足预设终止条件;
若否,则根据公式计算更新后的平移变量;按照更新后的所述平移变量更新所述匹配起点;并继续执行所述计算待识别图像从匹配起点处与识别目标的模板图像进行匹配的相异度值并存储的后续步骤;其中,h为更新后的所述平移变量,h′为更新前的所述平移变量;h1为上调参数;h2为下调参数;h、h′、h1和h2均为正整数;为预设阈值;
若是,则依据预设判断规则,根据存储的各个所述相异度值,确定待识别图像中的所述识别目标。
2.根据权利要求1所述的自适应模版匹配方法,其特征在于,所述预设阈值为:
其中,δ为含有所述识别目标的样本图像与所述模板图像进行匹配所得到的相异度值的均值;l为阈值系数。
3.根据权利要求2所述的自适应模版匹配方法,其特征在于,所述按照更新后的所述平移变量更新所述匹配起点包括:
根据更新后的所述平移变量列向平移所述匹配起点。
4.根据权利要求3所述的自适应模版匹配方法,其特征在于,所述平移变量满足条件:
1≤h≤a。
5.根据权利要求1至4任一项所述的自适应模版匹配方法,其特征在于,所述依据预设判断规则,根据存储的各个所述相异度值,确定待识别图像中的识别目标包括:
确定所有所述相异度值中的极小值;
判断相邻两个极小值所对应的匹配起点之间的距离是否低于预设距离阈值;
若是,则判定所述待识别图像在所述相邻两个极小值中的较小值所对应的匹配起点处存在一个所述识别目标;
若否,则判定所述待识别图像在所述相邻两个极小值各自对应的匹配起点处分别存在一个所述识别目标。
6.一种基于距离度量相异度的自适应模版匹配装置,其特征在于,包括:
计算模块:用于根据公式计算待识别图像从匹配起点与识别目标的模板图像进行匹配的相异度值并存储;其中,所述模板图像的像素大小为a×b;p(i,j)为所述模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为所述待识别图像的所述匹配起点的坐标;q(x+i,y+j)为所述待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与所述匹配起点(x,y)对应的所述相异度值;为所述模板图像各像素点的灰度值平均值,为所述待识别图像在像素大小为a×b的局部区域内的各像素点的灰度值平均值,Q为所述模板图像与所述待识别图像的所述局部区域内各像素点灰度值的协方差矩阵;
判断模块:用于判断所述匹配起点的坐标是否满足预设终止条件;
更新模块:用于当所述匹配起点的坐标不满足所述预设终止条件时,根据公式计算更新后的平移变量;按照更新后的所述平移变量更新所述匹配起点;以便所述计算模块继续用于计算待识别图像从匹配起点与识别目标的模板图像进行匹配的相异度值并存储;其中,h为更新后的所述平移变量,h′为更新前的所述平移变量;h1为上调参数;h2为下调参数;h、h′、h1和h2均为正整数;为预设阈值;
识别模块:用于在所述匹配起点的坐标满足所述预设终止条件时,依据预设判断规则,根据存储的各个所述相异度值,确定待识别图像中的所述识别目标。
7.根据权利要求6所述的自适应模版匹配装置,其特征在于,所述预设阈值为:
其中,δ为含有所述识别目标的样本图像与所述模板图像进行匹配所得到的相异度值的均值;l为阈值系数。
8.根据权利要求7所述的自适应模版匹配装置,其特征在于,所述识别模块具体用于:
确定所有所述相异度值中的极小值;
判断相邻两个极小值所对应的匹配起点之间的距离是否低于预设距离阈值;
若是,则判定所述待识别图像在所述相邻两个极小值中的较小值所对应的匹配起点处存在一个所述识别目标;
若否,则判定所述待识别图像在所述相邻两个极小值各自对应的匹配起点处分别存在一个所述识别目标。
9.一种基于距离度量相异度的自适应模版匹配设备,其特征在于,包括:
存储器:用于存储计算机指令;
处理器:用于执行所述计算机指令以实现如权利要求1至5任一项所述的基于距离度量相异度的自适应模版匹配方法的步骤。
10.一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中存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于距离度量相异度的自适应模版匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810022278.7A CN108256564B (zh) | 2018-01-10 | 2018-01-10 | 一种基于距离度量相异度的自适应模版匹配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810022278.7A CN108256564B (zh) | 2018-01-10 | 2018-01-10 | 一种基于距离度量相异度的自适应模版匹配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256564A true CN108256564A (zh) | 2018-07-06 |
CN108256564B CN108256564B (zh) | 2022-04-19 |
Family
ID=62726100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810022278.7A Active CN108256564B (zh) | 2018-01-10 | 2018-01-10 | 一种基于距离度量相异度的自适应模版匹配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256564B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800787A (zh) * | 2018-12-14 | 2019-05-24 | 西安交通大学 | 基于相对特征距离误差度量的图像模板匹配方法 |
CN112200864A (zh) * | 2019-07-08 | 2021-01-08 | 深圳中科飞测科技有限公司 | 一种图像处理方法、定位方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593269A (zh) * | 2008-05-29 | 2009-12-02 | 汉王科技股份有限公司 | 人脸识别装置及方法 |
CN101901334A (zh) * | 2009-05-31 | 2010-12-01 | 汉王科技股份有限公司 | 静态目标检测方法 |
CN105069799A (zh) * | 2015-08-13 | 2015-11-18 | 深圳市华汉伟业科技有限公司 | 一种角点定位方法及装置 |
CN105426926A (zh) * | 2016-01-04 | 2016-03-23 | 京东方科技集团股份有限公司 | 一种对amoled进行检测分类的方法及装置 |
CN106709500A (zh) * | 2015-11-13 | 2017-05-24 | 国网辽宁省电力有限公司检修分公司 | 一种图像特征匹配的方法 |
US20170344804A1 (en) * | 2016-05-30 | 2017-11-30 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for fingerprint template update and terminal device |
-
2018
- 2018-01-10 CN CN201810022278.7A patent/CN108256564B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593269A (zh) * | 2008-05-29 | 2009-12-02 | 汉王科技股份有限公司 | 人脸识别装置及方法 |
CN101901334A (zh) * | 2009-05-31 | 2010-12-01 | 汉王科技股份有限公司 | 静态目标检测方法 |
CN105069799A (zh) * | 2015-08-13 | 2015-11-18 | 深圳市华汉伟业科技有限公司 | 一种角点定位方法及装置 |
CN106709500A (zh) * | 2015-11-13 | 2017-05-24 | 国网辽宁省电力有限公司检修分公司 | 一种图像特征匹配的方法 |
CN105426926A (zh) * | 2016-01-04 | 2016-03-23 | 京东方科技集团股份有限公司 | 一种对amoled进行检测分类的方法及装置 |
US20170344804A1 (en) * | 2016-05-30 | 2017-11-30 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for fingerprint template update and terminal device |
Non-Patent Citations (5)
Title |
---|
QUENBRAIN: "常用距离度量算法小结", 《HTTPS://WWW.IT610.COM/ARTICLE/1174787795227566080.HTM》 * |
RD MAESSCHALCK 等: "The Mahalanobis distance", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
庞占中等: "基于不变矩理论及Matlab的平面物体识别", 《工具技术》 * |
王洋: "一种基于模板匹配的交通标志识别方法", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
芮挺等: "SVD特征的快速景像匹配方法", 《计算机辅助设计与图形学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800787A (zh) * | 2018-12-14 | 2019-05-24 | 西安交通大学 | 基于相对特征距离误差度量的图像模板匹配方法 |
CN109800787B (zh) * | 2018-12-14 | 2020-12-29 | 西安交通大学 | 基于相对特征距离误差度量的图像模板匹配方法 |
CN112200864A (zh) * | 2019-07-08 | 2021-01-08 | 深圳中科飞测科技有限公司 | 一种图像处理方法、定位方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108256564B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105974799B (zh) | 一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法 | |
CN109064514B (zh) | 一种基于投影点坐标回归的六自由度位姿估计方法 | |
CN108256566A (zh) | 一种基于余弦相似度的自适应模版匹配方法及装置 | |
CN107330214A (zh) | 基于离散化与启发式进化算法的空间布局优化方法 | |
CN107452028B (zh) | 一种确定目标图像位置信息的方法及装置 | |
CN108256564A (zh) | 一种基于距离度量相异度的自适应模版匹配方法及装置 | |
CN105046694A (zh) | 一种基于曲面拟合系数特征的点云快速配准方法 | |
CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
CN106484692A (zh) | 一种三维模型检索方法 | |
CN108876024A (zh) | 路径规划、路径实时优化方法及装置、存储介质 | |
CN110389341A (zh) | 充电桩识别方法、装置、机器人及计算机可读存储介质 | |
CN109685841B (zh) | 三维模型与点云的配准方法及系统 | |
CN110475078A (zh) | 摄像机曝光时间调整方法及终端设备 | |
CN106297536B (zh) | 电子地图中的面状图元名称的标注位置确定方法及装置 | |
CN112102384A (zh) | 一种非刚性医学影像配准方法及系统 | |
CN111783278A (zh) | 基于多模态分布估计算法的卫星布局优化设计方法 | |
CN108180924B (zh) | 一种磁力计校准更新的方法和装置 | |
CN114491822A (zh) | 汽车冲压模具工艺优化方法、装置、存储介质及服务器 | |
CN107111878B (zh) | 数据处理方法、装置及系统 | |
CN108257174A (zh) | 基于亚像素级图像的图像块匹配方法及焊球位置识别系统 | |
CN106980828A (zh) | 在手势识别中确定手掌区域的方法、装置及设备 | |
JP3251840B2 (ja) | 画像認識装置 | |
CN107710229A (zh) | 图像中的形状识别方法、装置、设备及计算机存储介质 | |
CN111767981B (zh) | Mish激活函数的近似计算方法 | |
CN108256565A (zh) | 一种基于交叉熵相异度的自适应模版匹配方法及装置 |
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 |