CN110472643A - 一种基于特征点匹配的光学图像员工卡识别方法 - Google Patents
一种基于特征点匹配的光学图像员工卡识别方法 Download PDFInfo
- Publication number
- CN110472643A CN110472643A CN201910769035.4A CN201910769035A CN110472643A CN 110472643 A CN110472643 A CN 110472643A CN 201910769035 A CN201910769035 A CN 201910769035A CN 110472643 A CN110472643 A CN 110472643A
- Authority
- CN
- China
- Prior art keywords
- characteristic point
- matching
- image
- employee
- sift feature
- 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
Classifications
-
- 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
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供一种基于特征点匹配的光学图像员工卡识别方法,属于计算机图像处理技术领域,本发明利用SIFT特征点的提取与匹配,通过模板比对,从而实现对员工卡的光学图像识别。可以有效地增加SIFT特征点的匹配精确度,从而提高识别的精度。
Description
技术领域
本发明涉及特征点的提取与匹配技术、计算机图像处理技术,尤其涉及一种基于特征点匹配的光学图像员工卡识别方法。
背景技术
在信息化社会的浪潮中,信息的获取已经成为了整个社会必不可少的一部分。随着计算机科学的进步与计算机视觉的发展,基于计算机算法的智能信息识别与信息获取技术已经逐渐取代了传统人工识别与获取技术。该技术的应用领域十分广泛,在安防安检、信息录入等领域发挥着巨大的作用。
一幅图像中总存在着其独特的像素点,这些点我们可以认为就是这幅图像的特征,成为特征点。计算机视觉领域中的很重要的图像特征匹配就是一特征点为基础而进行的,所以,如何定义和找出一幅图像中的特征点就非常重要。
在计算机视觉领域,兴趣点(也称关键点或特征点)的概念已经得到了广泛的应用,包括无缝拼接、目标识别、图像配准、视觉跟踪、三维重建等。这个概念的原理是,从图像中选取某些特征点并对图像进行局部分析,而非观察整幅图像。只要图像中有足够多可检测的兴趣点,并且这些兴趣点各不相同且特征稳定,能被精确地定位,上述方法就十分有效。
特征的检测和匹配在许多计算机视觉应用中是一个重要的组成部分,而目前应用最广泛的兴趣点特征检测方法就是SIFT检测算法。SIFT特征是一种电脑视觉的算法用来侦测与描述影像中的局部性特征,它在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量。此算法由David Lowe在1999年所发表,2004年完善总结。该检测算法所得到的特征点不仅在位置上能够稳定识别,而且具有尺度不变性和旋转不变性。
SIFT特征点的匹配往往采用最邻近与次邻近匹配法。该方法能够取得较好的效果,但在许多极端情况下也会产生错误的匹配点。
发明内容
为了解决以上技术问题,本发明提出了一种基于特征点匹配的光学图像员工卡识别方法,进行高精度特征点匹配的模板匹配方法,从而有效、精确地识别图像中是否有与模板对应的员工卡存在,并依据模板,对图像中的员工卡进行信息块的划分。
本发明的技术方案是:
一种基于特征点匹配的光学图像员工卡识别方法,利用SIFT特征以及数层级距离匹配为依据,检测图像中是否有员工卡模板存在。
具体步骤包括:
S1.首先对所需识别的员工卡进行建模。建模可以在多个尺度上进行,建立多个不同大小的模板,以保证匹配的准确度。
分别在员工卡占整副图像的30%、40%、50%、60%、70%、80%六个尺度下进行图像采集。
将采集到的六张不同尺度下的员工卡模板图,进行灰度处理;从RGB彩色制式图像转化为灰度图像,并对获取的高清图像进行压缩。
S2.对不同模板提取其SIFT特征,将SIFT特征点进行保留形成模板数据库。
S3.对任意一幅测试图像,对其进行SIFT特征点提取。
对提取到的SIFT特征,将其与各个尺度下模板的特征点进行匹配。找到最邻近、次邻近、第三邻近与第四邻近特征点。
将提取到的特征点与各个尺度的模板进行比对。每个特征点将与模板数据库中的特征点进行最邻近距离与次邻近距离比对、次邻近距离与第三邻近距离比对、第三邻近距离与第四邻近距离比对,以提升特征点匹配的精确度。
S4.采用RANSAC算法对特征点的配对进行检验,剔除错误匹配的SIFT特征点,尽可能多地保留正确匹配的SIFT特征点。
S5.设定一个阈值,如果某个模板与测试图像的匹配SIFT特征点对数目超过这一阈值,那么我们就认为图像中存在与该模板相似的员工卡。
本发明的有益效果是
基于计算机算法的智能信息识别与信息获取技术已经逐渐取代了传统人工识别与获取技术。该技术的应用领域十分广泛,在安防安检、信息录入等领域发挥着巨大的作用。
附图说明
图1是本发明的工作流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将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的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。
本发明提供一种基于特征点匹配与模板匹配的光学图像员工卡识别方法,利用SIFT(Scale-Invariant Feature Transform)特征点的提取与匹配,通过模板比对,从而实现对员工卡的光学图像识别。采用多层级的距离匹配可以有效地增加SIFT特征点的匹配精确度,从而提高识别的精度。
本发明主要利用了传统的计算机视觉方法,利用SIFT特征以及多层级距离匹配为依据,检测图像中是否有员工卡模板存在。
以普通员工卡的检测与识别为例:
S1.将一张空白员工卡模板摆正放在纯白色模板上,用高清摄像设备对空白员工卡模板进行拍摄。
拍摄过程要保证光照均匀、无遮挡、无反光,以保证员工卡上的边缘、拐点等特征清晰明显,同时对员工卡进行多尺度的拍摄,分别在员工卡占整副图像的30%、40%、50%、60%、70%、80%六个尺度下进行图像采集。
S2.将采集到的六张不同尺度下的员工卡模板图,进行灰度处理。从RGB彩色制式图像转化为灰度图像,并对获取的高清图像进行压缩。
S3.将获取的员工卡模板图进行SIFT特征提取,每一张模板图至少提取10个SIFT特征点。将所有特征点保留作为模板数据库。
S4.将一幅含有员工卡的测试图像进行SIFT特征提取,并使用RANSAN算法对提取到的SIFT特征点进行筛选。
对提取到的SIFT特征,将其与各个尺度下模板的特征点进行匹配。找到最邻近、次邻近、第三邻近与第四邻近特征点。
S5.将最邻近特征点距离与次邻近特征点距离进行比值,将次邻近特征点距离与第三邻近特征点距离进行比值,将第三邻近特征点距离与第四邻近特征点距离进行比值。
设定某一阈值t,对于每一个上述的比值,如果比值小于阈值t,那么则认为比值中分子所代表的特征点是匹配特征点。若存在多个匹配特征点,则选取最近的特征点作为最终匹配特征点。
S6.选取匹配特征点最多的模板作为最终匹配模板。将模板贴合到图像上,使模板特征点与图像特征点尽可能重合。按模板截取图像,即可得到员工卡部分。
以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,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做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种基于特征点匹配的光学图像员工卡识别方法,其特征在于,
利用SIFT特征以及数层级距离匹配为依据,检测图像中是否有员工卡模板存在。
2.根据权利要求1所述的方法,其特征在于,
S1、首先对所需识别的员工卡进行建模;
S2.、对不同模板提取其SIFT特征,将SIFT特征点进行保留形成模板数据库;
S3、对任意一幅测试图像,对其进行SIFT特征点提取;
S4、采用RANSAC算法对特征点的配对进行检验,剔除错误匹配的SIFT特征点,保留一个以上正确匹配的SIFT特征点;
S5、设定一个阈值,如果模板与测试图像的匹配SIFT特征点数目超过这一阈值,那么就认为图像中存在与该模板相似的员工卡。
3.根据权利要求2所述的方法,其特征在于,
步骤S1中,建模在一个以上的尺度上进行,建立数个不同大小的模板,以保证匹配的准确度。
4.根据权利要求3所述的方法,其特征在于,
分别在员工卡占整副图像的30%、40%、50%、60%、70%、80%六个尺度下进行图像采集。
5.根据权利要求4所述的方法,其特征在于,
将采集到的六张不同尺度下的员工卡模板图,进行灰度处理;从RGB彩色制式图像转化为灰度图像,并对获取的高清图像进行压缩。
6.根据权利要求5所述的方法,其特征在于,
在步骤S3中,将提取到的特征点与各个尺度的模板进行比对。
7.根据权利要求6所述的方法,其特征在于,
每个特征点将与模板数据库中的特征点进行最邻近距离与次邻近距离比对、次邻近距离与第三邻近距离比对、第三邻近距离与第四邻近距离比对,通过比对得出比值。
8.根据权利要求7所述的方法,其特征在于,
对于每一个比值,如果比值小于阈值,那么则认为比值中分子所代表的特征点是匹配特征点;若存在一个以上的匹配特征点,则选取最近的特征点作为最终匹配特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910769035.4A CN110472643A (zh) | 2019-08-20 | 2019-08-20 | 一种基于特征点匹配的光学图像员工卡识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910769035.4A CN110472643A (zh) | 2019-08-20 | 2019-08-20 | 一种基于特征点匹配的光学图像员工卡识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472643A true CN110472643A (zh) | 2019-11-19 |
Family
ID=68512038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910769035.4A Pending CN110472643A (zh) | 2019-08-20 | 2019-08-20 | 一种基于特征点匹配的光学图像员工卡识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472643A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556647A (zh) * | 2009-05-20 | 2009-10-14 | 哈尔滨理工大学 | 一种基于改进sift算法的移动机器人视觉定位方法 |
CN101807257A (zh) * | 2010-05-12 | 2010-08-18 | 上海交通大学 | 图像标签信息识别方法 |
CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
CN103150904A (zh) * | 2013-02-05 | 2013-06-12 | 中山大学 | 一种基于图像特征的卡口车辆图像识别方法 |
CN106056121A (zh) * | 2016-05-27 | 2016-10-26 | 河北工业大学 | 基于sift图像特征匹配的卫星装配工件快速识别方法 |
CN106203342A (zh) * | 2016-07-01 | 2016-12-07 | 广东技术师范学院 | 基于多角度局部特征匹配的目标识别方法 |
CN107845106A (zh) * | 2017-11-17 | 2018-03-27 | 齐鲁工业大学 | 利用改进的nndr策略的医学图像配准方法 |
-
2019
- 2019-08-20 CN CN201910769035.4A patent/CN110472643A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556647A (zh) * | 2009-05-20 | 2009-10-14 | 哈尔滨理工大学 | 一种基于改进sift算法的移动机器人视觉定位方法 |
CN101807257A (zh) * | 2010-05-12 | 2010-08-18 | 上海交通大学 | 图像标签信息识别方法 |
CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
CN103150904A (zh) * | 2013-02-05 | 2013-06-12 | 中山大学 | 一种基于图像特征的卡口车辆图像识别方法 |
CN106056121A (zh) * | 2016-05-27 | 2016-10-26 | 河北工业大学 | 基于sift图像特征匹配的卫星装配工件快速识别方法 |
CN106203342A (zh) * | 2016-07-01 | 2016-12-07 | 广东技术师范学院 | 基于多角度局部特征匹配的目标识别方法 |
CN107845106A (zh) * | 2017-11-17 | 2018-03-27 | 齐鲁工业大学 | 利用改进的nndr策略的医学图像配准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | A novel two-step registration method for remote sensing images based on deep and local features | |
CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
US10311322B2 (en) | Character information recognition method based on image processing | |
CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
CN107316031A (zh) | 用于行人重识别的图像特征提取方法 | |
CN104584071B (zh) | 物体识别装置、物体识别方法 | |
Zia et al. | 3D reconstruction from hyperspectral images | |
CN110738216A (zh) | 基于改进surf算法的药品识别方法 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
CN111784675A (zh) | 物品纹理信息处理的方法、装置、存储介质及电子设备 | |
CN110443261A (zh) | 一种基于低秩张量恢复的多图匹配方法 | |
CN109509151A (zh) | 图像及视频拼接方法、计算机可读存储介质及计算机设备 | |
CN111814576A (zh) | 一种基于深度学习的购物小票图片识别方法 | |
Khan et al. | Car Number Plate Recognition (CNPR) system using multiple template matching | |
CN110929782A (zh) | 一种基于正射影像图对比的河道异常检测方法 | |
KR101781351B1 (ko) | 위변조 여권 검사 방법 및 그 기록매체 | |
Bremananth et al. | Wood species recognition using GLCM and correlation | |
Zebari et al. | Analysis of dense descriptors in 3D face recognition | |
CN110222660B (zh) | 一种基于动态与静态特征融合的签名鉴伪方法及系统 | |
CN104036494A (zh) | 一种用于水果图像的快速匹配计算方法 | |
CN116311391A (zh) | 一种高低精度混合的多维度特征融合指纹检索方法 | |
CN110472643A (zh) | 一种基于特征点匹配的光学图像员工卡识别方法 | |
CN106844767B (zh) | 格式文档关键信息块配准及提取的方法及装置 | |
CN114926635A (zh) | 与深度学习方法相结合的多焦图像中目标分割方法 | |
Zhou et al. | Design identification of curve patterns on cultural heritage objects: combining template matching and CNN-based re-ranking |
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 |
Application publication date: 20191119 |
|
RJ01 | Rejection of invention patent application after publication |