CN109543056A - 一种具有旋转、缩放不变性的灰度模板匹配算法 - Google Patents
一种具有旋转、缩放不变性的灰度模板匹配算法 Download PDFInfo
- Publication number
- CN109543056A CN109543056A CN201811324777.8A CN201811324777A CN109543056A CN 109543056 A CN109543056 A CN 109543056A CN 201811324777 A CN201811324777 A CN 201811324777A CN 109543056 A CN109543056 A CN 109543056A
- Authority
- CN
- China
- Prior art keywords
- matching
- information
- point
- template
- scaling
- 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
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种具有旋转、缩放不变性的灰度模板匹配算法,算法运行过程包括:圆环匹配,创建模板前需要设置缩放匹配参数,代表以模板大小为基准,进行缩放搜索;辐射线匹配:对圆环匹配中得到的带有缩放信息的候选点进行辐射线匹配,进一步缩小候选点范围并确定候选点处的大致角度信息;离散匹配:在得出的候选点位置,将模板进行相应的缩放、角度离散后与该点进行匹配,最终得到精确的位置、角度和缩放信息。本发明匹配方法缩短了匹配时间,提高匹配效率,可以运用在工业自动化应用中,实现实时处理;不受光照环境的影响,匹配稳定性好;可以输出匹配的缩放、角度和匹配分数等多种需要的信息;不丢失精度,匹配精度高。
Description
技术领域
本发明涉及一种灰度模板匹配的方法。
背景技术
模板匹配是图形图像处理中主要研究的内容之一,在机器视觉、医学图像处理等诸多领域中有着重要的应用。根据已知灰度,在另一幅灰度图像中搜索相似图的过程称为灰度模板匹配。灰度模板匹配可以应用于灰度图像模板检索应用中,根据模板对灰度图像数据库中所有的图像进行模板匹配,模板和图像的尺寸大小可以不一致,所以应用的前景更为广泛,但是原有的匹配方法匹配会受到光照环境变化的影响,而且速度慢,出现匹配精度丢失,输出信息单一的缺点。
发明内容
本发明目的是:提供了一种不受光照环境变化影响,对目标的旋转和缩放的匹配也有相当高的稳定性,保证了匹配精度不丢失,匹配效率高,同时输出多种信息的灰度模板匹配方法。
本发明的技术方案是:一种具有旋转、缩放不变性的灰度模板匹配算法,算法运行过程包括:圆环匹配、辐射线匹配和离散匹配;具体匹配步骤:
1)圆环匹配:创建模板前需要设置缩放匹配参数,代表以模板大小为基准,进行缩放搜索;首先以模板图片中心点为中心将其裁剪为最大内接正方形,并按照设置的缩放参数对正方形进行缩放,在每个正方形图片中取n个圆环上的像素灰度值,可求得每个圆环上像素灰度平均值t1,t2...,tn,以及总的平均值t;在待匹配图片上逐像素点求得不同缩放比例上的圆环像素灰度平均值s1,s2,...sn和总的平均值s,代入度量函数公式求得若干个匹配分数,取最大值代表该点的匹配信息,若最大值大于所设置的阈值,则记录下点位信息和对应的缩放信息;最后得出一组带有缩放信息的候选点;
2)辐射线匹配:对步骤1)中得到的带有缩放信息的候选点进行辐射线匹配,进一步缩小候选点范围并确定候选点处的大致角度信息;首先在模板正方形上获取36条辐射线上的像素灰度信息,可求得每条线上像素灰度平均值t1,t2...,tn,以及总的平均值t;在得出的候选点位置处,结合该点的缩放比例信息,将辐射线进行缩放,求得该点每条辐射线的像素灰度平均值S=【s1,s2,...sn】和总的平均值s,代入度量函数公式求得匹配分数,并顺时针变化向量S得到35个向量,这样一个候选点可以得到36个匹配分数,取最大值与设置的匹配阈值比较,若大于匹配阈值则记录该点的位置、缩放和角度信息;最后将步骤1)中得到的匹配点个数精简,并得到对应的角度信息;
3)离散匹配:离散匹配:将步骤2)得出的候选点位置,将模板进行相应的缩放、角度离散后与该点进行匹配,由于这里是36条辐射线,假若第二轮候选点记录的旋转信息为2,则将模板从(2-1)*360/10离散到(2+1)*360/10,从得到的匹配分值中取最大值位置作为候选结果,并记录下其旋转角度信息和缩放信息;其他候选点也进行匹配,通过比较匹配分值,不断刷新候选结果的相关信息,最终将得出结果点的位置、缩放和角度信息。
所述度量函数公其中XY均为列向量,为列向量的平均值。
离散匹配要匹配多个目标结果,则在离散匹配过程中设置一个匹配阈值,并结合非极大值抑制得到目标个数的结果点信息。
本发明的优点是:
1、匹配方法缩短了匹配时间,提高匹配效率,可以运用在工业自动化应用中,实现实时处理;
2、不受光照环境的影响,匹配稳定性好;
3、可以输出匹配的缩放、角度和匹配分数等多种需要的信息;
4、不丢失精度,匹配精度高。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的匹配流程框架图
图2本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的模板的示意图
图3本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的圆环匹配取点示意图;
图4本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的辐射线匹配取点示意图;
图5本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例一的待匹配图;
图6本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例一的待匹配图进行圆环匹配后的示意图;
图7本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例一的待匹配图进行辐射线匹配后的示意图;
图8本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例一的待匹配图进行离散匹配后的示意图;
图9本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例二的待匹配图;
图10本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例二的待匹配图进行圆环匹配后的示意图;
图11本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例二的待匹配图进行辐射线匹配后的示意图;
图12本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例二的待匹配图进行离散匹配后的示意图;
图13本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例三的待匹配图;
图14本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例三的待匹配图进行圆环匹配后的示意图;
图15本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例三的待匹配图进行辐射线匹配后的示意图;
图16本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例三的待匹配图进行离散匹配后的示意图;
图17本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例四的待匹配图;
图18本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例四的待匹配图进行圆环匹配后的示意图;
图19本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例四的待匹配图进行辐射线匹配后的示意图;
图20本发明所述的一种具有旋转、缩放不变性的灰度模板匹配算法的实施例四的待匹配图进行离散匹配后的示意图。
具体实施方式
实施例一:待匹配图片与模板相比无缩放、无旋转。
如附图1-8所示,一种具有旋转、缩放不变性的灰度模板匹配算法,算法运行过程包括:圆环匹配、辐射线匹配和离散匹配;具体匹配步骤:
1)圆环匹配:创建模板前需要设置缩放匹配参数,MinScale:0.3,MaxScale:1.0,代表以模板大小为基准,进行缩放0.3-1.0倍搜索;首先以模板图片中心点为中心将其裁剪为最大内接正方形,并按照设置的缩放参数对正方形进行缩放,搜寻间隔:0.1,在每个正方形图片中取n个圆环上的像素灰度值,n=正方形边长/2-1,圆环中心为正方形中心,可求得每个圆环上像素灰度平均值t1,t2...,tn,以及总的平均值t;在待匹配图片上逐像素点求得不同缩放比例上的圆环像素灰度平均值s1,s2,...sn和总的平均值s,代入度量函数公式求得若干个匹配分数,取最大值代表该点的匹配信息,若最大值大于所设置的阈值0.95,则记录下点位信息和对应的缩放信息;最后得出一组带有缩放信息的候选点;如图6中所示的,灰色斑点为圆环匹配后得到的候选点;
2)辐射线匹配:对步骤1)中得到的带有缩放信息的候选点进行辐射线匹配,进一步缩小候选点范围并确定候选点处的大致角度信息;首先在模板正方形上获取36条辐射线上的像素灰度信息,以正方形中心为起点,长度为正方形边长的一半,角度搜寻间隔:10°,可求得每条线上像素灰度平均值t1,t2...,tn,以及总的平均值t;在得出的候选点位置处,结合该点的缩放比例信息,将辐射线进行缩放,求得该点每条辐射线的像素灰度平均值S=【s1,s2,...sn】和总的平均值s,代入度量函数公式求得匹配分数,并顺时针变化向量S得到【s2,s3...sn,s1】、【s3,s4...sn,s1,s2】、【s4,s5...sn,s1,s2,s3】等35个向量,这样一个候选点可以得到36个匹配分数,取最大值与设置的匹配阈值0.8比较,若大于匹配阈值则记录该点的位置、缩放和角度信息;最后将步骤1)中得到的匹配点个数精简,并得到对应的角度信息;如图7中所示的,灰色斑点为辐射线匹配后得到的候选点;
3)离散匹配:将步骤2)中得到的候选点位置,将模板进行相应的缩放、角度离散后与该点进行匹配,由于这里是36条辐射线,假若第二轮候选点记录的旋转信息为2,则将模板从(2-1)*360/10离散到(2+1)*360/10,从得到的匹配分值中取最大值位置作为候选结果,并记录下其旋转角度信息和缩放信息;其他候选点也进行匹配,通过比较匹配分值,不断刷新候选结果的相关信息,最终将得出结果点的位置、缩放和角度信息。要匹配多个目标结果,则在离散匹配过程中设置一个匹配阈值0.9,并结合非极大值抑制得到目标个数的结果点信息;最后得到的匹配信息为:row:199、col:341、scale:1.0、angDeg:0.0、simil:0.992;如图8中所示的,圆环内为离散匹配后得到的候选点。
所述度量函数公其中XY均为列向量,为列向量的平均值。
实施例二:待匹配图片与模板相缩小50%、无旋转。
如附图1-4和9-12所示,一种具有旋转、缩放不变性的灰度模板匹配算法,算法运行过程包括:圆环匹配、辐射线匹配和离散匹配;具体匹配步骤:
1)圆环匹配:创建模板前需要设置缩放匹配参数,MinScale:0.3,MaxScale:1.0,代表以模板大小为基准,进行缩放0.3-1.0倍搜索;首先以模板图片中心点为中心将其裁剪为最大内接正方形,并按照设置的缩放参数对正方形进行缩放,搜寻间隔:0.1,在每个正方形图片中取n个圆环上的像素灰度值,n=正方形边长/2-1,圆环中心为正方形中心,可求得每个圆环上像素灰度平均值t1,t2...,tn,以及总的平均值t;在待匹配图片上逐像素点求得不同缩放比例上的圆环像素灰度平均值s1,s2,...sn和总的平均值s,代入度量函数公式求得若干个匹配分数,取最大值代表该点的匹配信息,若最大值大于所设置的阈值0.95,则记录下点位信息和对应的缩放信息;最后得出一组带有缩放信息的候选点;如图10中所示的,灰色斑点为圆环匹配后得到的候选点;
2)辐射线匹配:对步骤1)中得到的带有缩放信息的候选点进行辐射线匹配,进一步缩小候选点范围并确定候选点处的大致角度信息;首先在模板正方形上获取36条辐射线上的像素灰度信息,以正方形中心为起点,长度为正方形边长的一半,角度搜寻间隔:10°,可求得每条线上像素灰度平均值t1,t2...,tn,以及总的平均值t;在得出的候选点位置处,结合该点的缩放比例信息,将辐射线进行缩放,求得该点每条辐射线的像素灰度平均值S=【s1,s2,...sn】和总的平均值s,代入度量函数公式求得匹配分数,并顺时针变化向量S得到【s2,s3...sn,s1】、【s3,s4...sn,s1,s2】、【s4,s5...sn,s1,s2,s3】等35个向量,这样一个候选点可以得到36个匹配分数,取最大值与设置的匹配阈值0.8比较,若大于匹配阈值则记录该点的位置、缩放和角度信息;最后将步骤1)中得到的匹配点个数精简,并得到对应的角度信息;如图11中所示的,灰色斑点为辐射线匹配后得到的候选点;
3)离散匹配:将步骤2)中得到的候选点位置,将模板进行相应的缩放、角度离散后与该点进行匹配,由于这里是36条辐射线,假若第二轮候选点记录的旋转信息为2,则将模板从(2-1)*360/10离散到(2+1)*360/10,从得到的匹配分值中取最大值位置作为候选结果,并记录下其旋转角度信息和缩放信息;其他候选点也进行匹配,通过比较匹配分值,不断刷新候选结果的相关信息,最终将得出结果点的位置、缩放和角度信息。要匹配多个目标结果,则在离散匹配过程中设置一个匹配阈值0.9,并结合非极大值抑制得到目标个数的结果点信息;最后得到的匹配信息为:row:99、col:170、scale:0.5、angDeg:0.0、simil:0.996;如图12中所示的,圆环内为离散匹配后得到的候选点。
所述度量函数公其中XY均为列向量,为列向量的平均值。
实施例三:待匹配图片与模板无缩放,逆时针旋转35°。
如附图1-4和13-16所示,一种具有旋转、缩放不变性的灰度模板匹配算法,算法运行过程包括:圆环匹配、辐射线匹配和离散匹配;具体匹配步骤:
1)圆环匹配:创建模板前需要设置缩放匹配参数,MinScale:0.3,MaxScale:1.0,代表以模板大小为基准,进行缩放0.3-1.0倍搜索;首先以模板图片中心点为中心将其裁剪为最大内接正方形,并按照设置的缩放参数对正方形进行缩放,搜寻间隔:0.1,在每个正方形图片中取n个圆环上的像素灰度值,n=正方形边长/2-1,圆环中心为正方形中心,可求得每个圆环上像素灰度平均值t1,t2...,tn,以及总的平均值t;在待匹配图片上逐像素点求得不同缩放比例上的圆环像素灰度平均值s1,s2,...sn和总的平均值s,代入度量函数公式求得若干个匹配分数,取最大值代表该点的匹配信息,若最大值大于所设置的阈值0.95,则记录下点位信息和对应的缩放信息;最后得出一组带有缩放信息的候选点;如图10中所示的,灰色斑点为圆环匹配后得到的候选点;
2)辐射线匹配:对步骤1)中得到的带有缩放信息的候选点进行辐射线匹配,进一步缩小候选点范围并确定候选点处的大致角度信息;首先在模板正方形上获取36条辐射线上的像素灰度信息,以正方形中心为起点,长度为正方形边长的一半,角度搜寻间隔:10°,可求得每条线上像素灰度平均值t1,t2...,tn,以及总的平均值t;在得出的候选点位置处,结合该点的缩放比例信息,将辐射线进行缩放,求得该点每条辐射线的像素灰度平均值S=【s1,s2,...sn】和总的平均值s,代入度量函数公式求得匹配分数,并顺时针变化向量S得到【s2,s3...sn,s1】、【s3,s4...sn,s1,s2】、【s4,s5...sn,s1,s2,s3】等35个向量,这样一个候选点可以得到36个匹配分数,取最大值与设置的匹配阈值0.8比较,若大于匹配阈值则记录该点的位置、缩放和角度信息;最后将步骤1)中得到的匹配点个数精简,并得到对应的角度信息;如图11中所示的,灰色斑点为辐射线匹配后得到的候选点;
3)离散匹配:将步骤2)中得到的候选点位置,将模板进行相应的缩放、角度离散后与该点进行匹配,由于这里是36条辐射线,假若第二轮候选点记录的旋转信息为2,则将模板从(2-1)*360/10离散到(2+1)*360/10,从得到的匹配分值中取最大值位置作为候选结果,并记录下其旋转角度信息和缩放信息;其他候选点也进行匹配,通过比较匹配分值,不断刷新候选结果的相关信息,最终将得出结果点的位置、缩放和角度信息。要匹配多个目标结果,则在离散匹配过程中设置一个匹配阈值0.9,并结合非极大值抑制得到目标个数的结果点信息;最后得到的匹配信息为:row:195、col:315、scale:1.0、angDeg:30.0、simil:0.973;如图12中所示的,圆环内为离散匹配后得到的候选点。
所述度量函数公其中XY均为列向量,为列向量的平均值。
实施例四:待匹配图片与模板相比缩小70%,逆时针旋转30°。
如附图1-4和17-20所示,一种具有旋转、缩放不变性的灰度模板匹配算法,算法运行过程包括:圆环匹配、辐射线匹配和离散匹配;具体匹配步骤:
1)圆环匹配:创建模板前需要设置缩放匹配参数,MinScale:0.3,MaxScale:1.0,代表以模板大小为基准,进行缩放0.3-1.0倍搜索;首先以模板图片中心点为中心将其裁剪为最大内接正方形,并按照设置的缩放参数对正方形进行缩放,搜寻间隔:0.1,在每个正方形图片中取n个圆环上的像素灰度值,n=正方形边长/2-1,圆环中心为正方形中心,可求得每个圆环上像素灰度平均值t1,t2...,tn,以及总的平均值t;在待匹配图片上逐像素点求得不同缩放比例上的圆环像素灰度平均值s1,s2,...sn和总的平均值s,代入度量函数公式求得若干个匹配分数,取最大值代表该点的匹配信息,若最大值大于所设置的阈值0.95,则记录下点位信息和对应的缩放信息;最后得出一组带有缩放信息的候选点;如图10中所示的,灰色斑点为圆环匹配后得到的候选点;
2)辐射线匹配:对步骤1)中得到的带有缩放信息的候选点进行辐射线匹配,进一步缩小候选点范围并确定候选点处的大致角度信息;首先在模板正方形上获取36条辐射线上的像素灰度信息,以正方形中心为起点,长度为正方形边长的一半,角度搜寻间隔:10°,可求得每条线上像素灰度平均值t1,t2...,tn,以及总的平均值t;在得出的候选点位置处,结合该点的缩放比例信息,将辐射线进行缩放,求得该点每条辐射线的像素灰度平均值S=【s1,s2,...sn】和总的平均值s,代入度量函数公式求得匹配分数,并顺时针变化向量S得到【s2,s3...sn,s1】、【s3,s4...sn,s1,s2】、【s4,s5...sn,s1,s2,s3】等35个向量,这样一个候选点可以得到36个匹配分数,取最大值与设置的匹配阈值0.8比较,若大于匹配阈值则记录该点的位置、缩放和角度信息;最后将步骤1)中得到的匹配点个数精简,并得到对应的角度信息;如图11中所示的,灰色斑点为辐射线匹配后得到的候选点;
3)离散匹配:将步骤2)中得到的候选点位置,将模板进行相应的缩放、角度离散后与该点进行匹配,由于这里是36条辐射线,假若第二轮候选点记录的旋转信息为2,则将模板从(2-1)*360/10离散到(2+1)*360/10,从得到的匹配分值中取最大值位置作为候选结果,并记录下其旋转角度信息和缩放信息;其他候选点也进行匹配,通过比较匹配分值,不断刷新候选结果的相关信息,最终将得出结果点的位置、缩放和角度信息。要匹配多个目标结果,则在离散匹配过程中设置一个匹配阈值0.9,并结合非极大值抑制得到目标个数的结果点信息;最后得到的匹配信息为:row:135、col:212、scale:0.7、angDeg:40.0、simil:0.973;如图12中所示的,圆环内为离散匹配后得到的候选点。
所述度量函数公其中XY均为列向量,为列向量的平均值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明的。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明的所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (3)
1.一种具有旋转、缩放不变性的灰度模板匹配算法,其特征在于:算法运行过程包括:圆环匹配、辐射线匹配和离散匹配;具体匹配步骤:
1)圆环匹配:创建模板前需要设置缩放匹配参数,代表以模板大小为基准,进行缩放搜索;首先以模板图片中心点为中心将其裁剪为最大内接正方形,并按照设置的缩放参数对正方形进行缩放,在每个正方形图片中取n个圆环上的像素灰度值,可求得每个圆环上像素灰度平均值t1,t2...,tn,以及总的平均值t;在待匹配图片上逐像素点求得不同缩放比例上的圆环像素灰度平均值s1,s2,...sn和总的平均值s,代入度量函数公式求得若干个匹配分数,取最大值代表该点的匹配信息,若最大值大于所设置的阈值,则记录下点位信息和对应的缩放信息;最后得出一组带有缩放信息的候选点;
2)辐射线匹配:对步骤1)中得到的带有缩放信息的候选点进行辐射线匹配,进一步缩小候选点范围并确定候选点处的大致角度信息;首先在模板正方形上获取36条辐射线上的像素灰度信息,可求得每条线上像素灰度平均值t1,t2...,tn,以及总的平均值t;在得出的候选点位置处,结合该点的缩放比例信息,将辐射线进行缩放,求得该点每条辐射线的像素灰度平均值S=【s1,s2,...sn】和总的平均值s,代入度量函数公式求得匹配分数,并顺时针变化向量S得到35个向量,这样一个候选点可以得到36个匹配分数,取最大值与设置的匹配阈值比较,若大于匹配阈值则记录该点的位置、缩放和角度信息;最后将步骤1)中得到的匹配点个数精简,并得到对应的角度信息;
3)离散匹配:将步骤2)得出的候选点位置,将模板进行相应的缩放、角度离散后与该点进行匹配,由于这里是36条辐射线,假若第二轮候选点记录的旋转信息为2,则将模板从(2-1)*360/10离散到(2+1)*360/10,从得到的匹配分值中取最大值位置作为候选结果,并记录下其旋转角度信息和缩放信息;其他候选点也进行匹配,通过比较匹配分值,不断刷新候选结果的相关信息,最终将得出结果点的位置、缩放和角度信息。
2.根据权利要求1所述的一种具有旋转、缩放不变性的灰度模板匹配算法,其特征在于:所述度量函数公其中XY均为列向量,为列向量的平均值。
3.根据权利要求1所述的一种具有旋转、缩放不变性的灰度模板匹配算法,其特征在于:离散匹配要匹配多个目标结果,则在离散匹配过程中设置一个匹配阈值,并结合非极大值抑制得到目标个数的结果点信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811324777.8A CN109543056A (zh) | 2018-11-08 | 2018-11-08 | 一种具有旋转、缩放不变性的灰度模板匹配算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811324777.8A CN109543056A (zh) | 2018-11-08 | 2018-11-08 | 一种具有旋转、缩放不变性的灰度模板匹配算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543056A true CN109543056A (zh) | 2019-03-29 |
Family
ID=65845085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811324777.8A Pending CN109543056A (zh) | 2018-11-08 | 2018-11-08 | 一种具有旋转、缩放不变性的灰度模板匹配算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543056A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110243431A1 (en) * | 2010-02-19 | 2011-10-06 | MindTree Limited | Detecting Objects Of Interest In Still Images |
US8064645B1 (en) * | 2011-01-20 | 2011-11-22 | Daon Holdings Limited | Methods and systems for authenticating users |
CN104463195A (zh) * | 2014-11-08 | 2015-03-25 | 沈阳工业大学 | 基于模板匹配的印刷体数字识别方法 |
CN105930858A (zh) * | 2016-04-06 | 2016-09-07 | 吴晓军 | 一种带旋转、缩放的快速高精度几何模板匹配方法 |
CN107590512A (zh) * | 2017-08-30 | 2018-01-16 | 深圳市华汉伟业科技有限公司 | 一种模板匹配中参数的自适应方法和系统 |
-
2018
- 2018-11-08 CN CN201811324777.8A patent/CN109543056A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110243431A1 (en) * | 2010-02-19 | 2011-10-06 | MindTree Limited | Detecting Objects Of Interest In Still Images |
US8064645B1 (en) * | 2011-01-20 | 2011-11-22 | Daon Holdings Limited | Methods and systems for authenticating users |
CN104463195A (zh) * | 2014-11-08 | 2015-03-25 | 沈阳工业大学 | 基于模板匹配的印刷体数字识别方法 |
CN105930858A (zh) * | 2016-04-06 | 2016-09-07 | 吴晓军 | 一种带旋转、缩放的快速高精度几何模板匹配方法 |
CN107590512A (zh) * | 2017-08-30 | 2018-01-16 | 深圳市华汉伟业科技有限公司 | 一种模板匹配中参数的自适应方法和系统 |
Non-Patent Citations (2)
Title |
---|
JAN HOSANG ET AL.: "Learning non-maximum suppression", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
张凯: "抗任意旋转与尺度变化的图像匹配方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200495B (zh) | 一种视频监控中的多目标跟踪方法 | |
CN105913040B (zh) | 暗视觉条件下的双摄像头实时行人检测系统 | |
Barroso-Laguna et al. | Key. net: Keypoint detection by handcrafted and learned cnn filters revisited | |
CN109858415A (zh) | 适用于移动机器人行人跟随的核相关滤波目标跟踪方法 | |
CN107209853A (zh) | 定位和地图构建方法 | |
CN105894538A (zh) | 一种目标跟踪方法和装置 | |
CN106250555B (zh) | 基于大数据的车辆检索方法及装置 | |
CN111209799B (zh) | 基于部分共享网络和余弦间隔损失函数的行人搜索方法 | |
KR20170036747A (ko) | 장면 내 키포인트를 추적하기 위한 방법 | |
CN111401113A (zh) | 一种基于人体姿态估计的行人重识别方法 | |
CN109325407A (zh) | 基于f-ssd网络滤波的光学遥感视频目标检测方法 | |
Sun et al. | Multi-stage refinement feature matching using adaptive ORB features for robotic vision navigation | |
Tang et al. | Research on 3D human pose estimation using RGBD camera | |
Firintepe et al. | The more, the merrier? A study on in-car IR-based head pose estimation | |
Leyva-Vallina et al. | Place recognition in gardens by learning visual representations: data set and benchmark analysis | |
Hafez et al. | Visual localization in highly crowded urban environments | |
CN111339342B (zh) | 一种基于角度三元中心损失的三维模型检索方法 | |
CN109543056A (zh) | 一种具有旋转、缩放不变性的灰度模板匹配算法 | |
Liang et al. | Tracking of moving target based on SiamMask for video SAR system | |
Xu et al. | Attentional object detection with an active multi-focal vision system | |
Ellis et al. | Image correlation based video tracking | |
CN109902553B (zh) | 一种基于面部像素差的多角度的人脸对齐方法 | |
CN111191708A (zh) | 自动化样本关键点标注方法、装置及系统 | |
Tinchev et al. | $\mathbb {X} $ Resolution Correspondence Networks | |
CN113658080B (zh) | 一种基于特征点匹配的线扫圆柱体几何校正方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |