CN110738236A - 图像匹配方法、装置、计算机设备及存储介质 - Google Patents
图像匹配方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110738236A CN110738236A CN201910871361.6A CN201910871361A CN110738236A CN 110738236 A CN110738236 A CN 110738236A CN 201910871361 A CN201910871361 A CN 201910871361A CN 110738236 A CN110738236 A CN 110738236A
- Authority
- CN
- China
- Prior art keywords
- target image
- value
- feature
- images
- target
- 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
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
- G06V10/70—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)
- 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
本发明实施例公开了一种图像匹配方法，该方法包括：获取待匹配的第一目标图像和第二目标图像；通过预设的特征计算方法分别计算所述第一目标图像与所述第二目标图像的至少一种特征值，所述至少一种特征值包括块均值向量、平均哈希特征值、感知哈希特征值和/或差异哈希特征值中的至少一种；通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值；通过所述相似值确定与所述第一目标图像和第二目标图像的匹配结果。本发明的图像匹配方法可以准确确定目标图像之间的匹配结果，有效提高了图像匹配的效率。此外还提出了一种图像匹配的装置、计算机设备以及存储介质。
Description
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种图像匹配方法、装置、计算机设备及存储介质。
背景技术
在财务管理过程中，需要对大量的发票等票据进行稽核。目前出现了大量的财务电算化和报账费控系统，财务人员越来越依赖于线上电子影像进行财务合规性的审核，需要对线上和线下的票据图像进行匹配。
现有技术主要是基于采集的票据图像的形状特征提取后进行比对的方案。例如，对于票据图像中的线条的检测，或者利用边缘检测滤波器进行运算后提取特征进行比对。但是对于财务处理的场景来说，由于单据款式多样且边缘信息复杂，单一的图像的形状特征无法准确将各种单据进行匹配。
因此，需要一种能准确确定票据图像之间的匹配结果的方案。
发明内容
基于此，有必要针对上述问题，提出了一种图像匹配的方法、装置、计算机设备及存储介质。
一种图像匹配方法，所述方法包括：
获取待匹配的第一目标图像和第二目标图像；
通过预设的特征计算方法分别计算所述第一目标图像与所述第二目标图像的至少一种特征值，所述至少一种特征值包括块均值向量、平均哈希特征值、感知哈希特征值和/或差异哈希特征值中的至少一种；
通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值；
通过所述相似值确定与所述第一目标图像和第二目标图像的匹配结果。
在一个实施例中，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，分别计算所述第一目标图像和所述第二目标图像的灰度图的像素点的第一均值；分别遍历所述第一目标图像和所述第二目标图像的灰度图的像素点，根据该遍历到的像素点的灰度值是否大于对应的第一均值确定该遍历到的像素点的平均哈希值，根据所述平均哈希值确定所述第一目标图像或第二目标图像的平均哈希特征值。
在一个实施例中，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，分别对所述第一目标图像和所述第二目标图像的灰度图进行离散余弦变换，获取进行离散余弦变换计算得到的频率图的左上角图，计算该左上角图的像素点的第二均值；遍历该左上角图的像素点，根据该遍历到的像素点的频率值是否大于第二均值确定该像素点对应的感知哈希值，根据所述感知哈希值确定所述第一目标图像或第二目标图像的感知哈希特征值。
在一个实施例中，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，计算该灰度图中的左右相邻的像素点的灰度差值，根据所述灰度差值的正负生成与该像素点对应的差异哈希值，根据所述差异哈希值确定所述第一目标图像或第二目标图像的差异哈希特征值。
在一个实施例中，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，分别按照预设的块尺寸对所述第一目标图像和所述第二目标图像对应的灰度图进行分块处理，获取所述第一目标图像和所述第二目标图像对应的分块图像；分别计算所述第一目标图像和所述第二目标图像的分块图像中的像素点的第三均值，根据该第三均值生成与所述第一目标图像和所述第二目标图像的分块图像对应的块均值向量。
在一个实施例中，所述通过至少一种特征值计算所述第一目标图像和所述第二目标图像的至少一个相似值的步骤还包括：计算所述第一目标图像和所述第二目标图像的至少一种特征值计算获取所述第一目标图像和所述第二目标图像之间的距离值，根据计算得到的距离值确定所述第一目标图像和所述第二目标图像的相似值。
在一个实施例中，所述特征值的数量为至少两种；所述通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值的步骤，还包括：通过所述第一目标图像与所述第二目标图像的至少两种特征值计算与该特征值对应的相似值；所述通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果的步骤还包括：对计算得到的至少两个相似值进行排序，根据排序结果确定匹配结果。
在一个实施例中，所述通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果的步骤之前还包括：分别识别所述第一目标图像的第一特征区域和所述第二目标图像的第二特征区域，获取所述第一特征区域和所述第二特征区域的二值图像；所述通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果的步骤，还包括：判断所述第一特征区域与所述第二特征区域之间是否满足预设的匹配度；若是，则输出根据相似值确定的匹配结果；若否，则输出所述第一目标图像和所述第二目标图像不匹配的结果。
在一个实施例中，所述获取待匹配的所述第一目标图像和所述第二目标图像的步骤还包括：根据预设的高度值和宽度值，对所述第一目标图像和所述第二目标图像进行归一化处理。
一种图像匹配装置，所述装置包括：
获取模块，用于获取待匹配的第一目标图像和第二目标图像；
特征计算模块，用于通过预设的特征计算方法分别计算所述第一目标图像与所述第二目标图像的至少一种特征值，所述至少一种特征值包括块均值向量、平均哈希特征值、感知哈希特征值和/或差异哈希特征值中的至少一种；
相似值计算模块，用于通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值；
匹配模块，用于通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果。
在一个实施例中，特征计算模块还包括：第一获取单元，用于分别获取所述第一目标图像和所述第二目标图像的灰度图；第一计算单元，用于分别计算所述第一目标图像和所述第二目标图像的灰度图的像素点的第一均值，用于分别遍历所述第一目标图像和所述第二目标图像的灰度图的像素点，根据该遍历到的像素点的灰度值是否大于对应的第一均值确定该遍历到的像素点的平均哈希值，根据所述平均哈希值确定所述第一目标图像或第二目标图像的平均哈希特征值。
在一个实施例中，特征计算模块还包括：第二获取单元，用于分别获取所述第一目标图像和所述第二目标图像的灰度图；第二计算单元，用于分别对所述第一目标图像和所述第二目标图像的灰度图进行离散余弦变换，获取进行离散余弦变换计算得到的频率图的左上角图，计算该左上角图的像素点的第二均值，遍历该左上角图的像素点，根据该遍历到的像素点的频率值是否大于第二均值确定该像素点对应的感知哈希值，根据所述感知哈希值确定所述第一目标图像或第二目标图像的感知哈希特征值。
在一个实施例中，特征计算模块还包括：第三获取单元，用于分别获取所述第一目标图像和所述第二目标图像的灰度图；第三计算单元，用于计算该灰度图中的左右相邻的像素点的灰度差值，根据所述灰度差值的正负生成与该像素点对应的差异哈希值，根据所述差异哈希值确定所述第一目标图像或第二目标图像的差异哈希特征值。
在一个实施例中，特征计算模块还包括：第四获取单元，用于分别获取所述第一目标图像和所述第二目标图像的灰度图，分别按照预设的块尺寸对所述第一目标图像和所述第二目标图像对应的灰度图进行分块处理，获取所述第一目标图像和所述第二目标图像对应的分块图像；第四计算单元，用于分别计算所述第一目标图像和所述第二目标图像的分块图像中的像素点的第三均值，根据该第三均值生成与所述第一目标图像和所述第二目标图像的分块图像对应的块均值向量。
在一个实施例中，相似值计算模块还包括：相似值计算单元，用于计算所述第一目标图像和所述第二目标图像的至少一种特征值计算获取所述第一目标图像和所述第二目标图像之间的距离值，根据计算得到的距离值确定所述第一目标图像和所述第二目标图像的相似值。
在一个实施例中，相似值计算单元还包括：多相似值计算子单元，用于通过所述第一目标图像与所述第二目标图像的至少两种特征值计算与该特征值对应的相似值；对计算得到的至少两个相似值进行排序，根据排序结果确定匹配结果。
在一个实施例中，图像匹配装置还包括：校正模块，用于分别识别所述第一目标图像的第一特征区域和所述第二目标图像的第二特征区域，获取所述第一特征区域和所述第二特征区域的二值图像；判断所述第一特征区域与所述第二特征区域之间是否满足预设的匹配度；若是，则输出根据相似值确定的匹配结果；若否，则输出所述第一目标图像和所述第二目标图像不匹配的结果。
在一个实施例中，图像匹配装置还包括：预处理模块，用于根据预设的高度值和宽度值，对所述第一目标图像和所述第二目标图像进行归一化处理。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取待匹配的第一目标图像和第二目标图像；
通过预设的特征计算方法分别计算所述第一目标图像与所述第二目标图像的至少一种特征值，所述至少一种特征值包括块均值向量、平均哈希特征值、感知哈希特征值和/或差异哈希特征值中的至少一种；
通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值；
通过所述相似值确定与所述第一目标图像和第二目标图像的匹配结果。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取待匹配的第一目标图像和第二目标图像；
通过预设的特征计算方法分别计算所述第一目标图像与所述第二目标图像的至少一种特征值，所述至少一种特征值包括块均值向量、平均哈希特征值、感知哈希特征值和/或差异哈希特征值中的至少一种；
通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值；
通过所述相似值确定与所述第一目标图像和第二目标图像的匹配结果。
采用本发明的图像匹配方法、装置、计算机设备及存储介质，在对需要匹配的产品进行匹配时，获取待匹配的图像，通过预设的特征计算方法，例如平均哈希特征、感知哈希特征、差异哈希特征和/或块均值向量等特征的计算方法，对待匹配的图像计算至少一种特征值，根据该特征值计算待匹配图像之间的相似值，确定待匹配的图像之间的匹配结果。本发明的图像匹配方法、装置、计算机设备及存储介质可以对待匹配图像之间的匹配程度进行判断，提高待匹配图像之间的匹配结果精确性，有效提高了图像匹配的效率。
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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中图像匹配方法的应用环境图；
图2为一个实施例中图像匹配方法的流程图；
图3为一个实施例中图像匹配方法的流程图；
图4为一个实施例中图像匹配方法的流程图；
图5为一个实施例中图像匹配装置的结构框图；
图6为一个实施例中特征计算模块的结构框图；
图7为一个实施例中图像匹配装置的结构框图；
图8为一个实施例中图像匹配装置的结构框图；
图9为一个实施例中运行前述图像匹配方法的计算机设备的结构框图。
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作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。
图1为一个实施例中图像匹配方法的应用环境图。参照图1，该图像匹配方法应用于图像检测系统。该图像检测系统包括终端110和服务器120。终端110和服务器120通过网络连接，终端110具体可以是PC、手机、平板电脑、笔记本电脑等终端设备。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现，用于对终端110采集到的图像进行分析，计算图像的至少一种特征值，根据该特征值计算相似值，输出图像之间的匹配结果。
在另一个实施例中，上述图像匹配的方法的执行还可以是基于一终端设备，该终端可采集需要进行匹配识别的票据对应的图像、也可以对采集到的图像进行分析，计算图像的至少一种特征值，根据该特征值计算相似值，输出图像之间的匹配结果。
考虑到该方法既可以应用于终端，也可以应用于服务器，且在具体的图像匹配的过程是相同的，本实施例以应用于终端举例说明。
在本实施例中，上述图像匹配的方法可用于对财务票据(例如发票等)是否与系统中的某一张票据是一致的进行识别和匹配。
具体的，如图2所示，在一个实施例中，提供了一种图像匹配方法。该图像匹配方法具体包括如下步骤S202-S208：
步骤S202，获取待匹配的第一目标图像和第二目标图像。
具体的，第一目标图像是与待检测产品对应的图像，第一目标图像可以是通过摄像头采集到的待检测产品的图像，例如，可以是在产品检测线上，通过安装在其上的摄像头采集运动至产品检测位的产品的图像；也可以是通过摄像头采集到的待匹配的财务票据的图像。
第二目标图像可以是预先存储的参考图像，可以是与第一目标图像一起采集的另一个待检测产品对应的图像。第二目标图像可以是通过摄像头采集到的另一个待检测产品的图像，例如，可以是在产品检测线上，通过安装在其上的摄像头采集运动至产品检测位的另一个产品的图像；可以是通过摄像头采集到的另一个待匹配的财务票据的图像。
第一目标图像和第二目标图像可以是原始图像，可以是对原始图像经过去噪等预处理之后的图像，可以是对原始图像经过归一化处理的图像。第一目标图像和第二目标图像可以是彩色图像，也可以是灰度图像。
在其他实施例中，第一目标图像和第二目标图像还可以是任意的需要判断两个图像之间是否是匹配的情况下的待匹配图像。
步骤S204，通过预设的特征计算方法分别计算所述第一目标图像与所述第二目标图像的至少一种特征值，所述至少一种特征值包括块均值向量、平均哈希特征值、感知哈希特征值和/或差异哈希特征值中的至少一种。
因为不同的特征计算可以用于得出目标图像的多种类型的特征，进而通过多种类型的特征计算得出图像之间是否是匹配的，在本实施例中，为了得出更全面的匹配结果，可以考虑多种图像特征。
在本步骤中，可以通过不同的特征计算方法计算目标图像的特征，例如块均值向量、平均哈希特征、感知哈希特征和/或差异哈希特征等图像特征。
在一个实施例中，平均哈希特征值的计算过程包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，分别计算所述第一目标图像和所述第二目标图像的灰度图的像素点的第一均值；分别遍历所述第一目标图像和所述第二目标图像的灰度图的像素点，根据该遍历到的像素点的灰度值是否大于对应的第一均值确定该遍历到的像素点的平均哈希值，根据所述平均哈希值确定所述第一目标图像或第二目标图像的平均哈希特征值。
具体的，获取目标图像的灰度图之前或者之后还可以对目标图像进行缩放，例如，可以将目标图像统一缩放为16*16尺寸，共256个像素的图像。获取目标图像的灰度图后，计算灰度图中所有像素点的灰度值的平均值，遍历灰度图的每一个像素点，判断该像素点的灰度值是否大于所有像素点的灰度值的平均值，若是，则平均哈希值的记录为1，若否，则平均哈希值记录为0。根据平均哈希值的0或1的记录得到整个目标图像的平均哈希特征值。
可以通过目标图像的平均哈希特征值计算得出目标图像的一个相似值，并且平均哈希特征值的计算方法能快速得出目标图像的特征，计算得出的相似值有一定的准确性。
在一个实施例中，感知哈希特征值的计算过程包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，分别对所述第一目标图像和所述第二目标图像的灰度图进行离散余弦变换，获取进行离散余弦变换计算得到的频率图的左上角图，计算该左上角图的像素点的第二均值；遍历该左上角图的像素点，根据该遍历到的像素点的频率值是否大于第二均值确定该像素点对应的感知哈希值，根据所述感知哈希值确定所述第一目标图像或第二目标图像的感知哈希特征值。
具体的，获取目标图像的灰度图之前或者之后可以对目标图像进行缩放，例如，可以将目标图像统一缩放为16*16尺寸，共256个像素的图像。离散余弦变换是把灰度图分解频率聚集和梯状形，分离成分解频率的集合，对灰度图进行离散余弦变换，变换后DCT(Discrete Cosine Transform，离散余弦变换)系数能量主要集中在左上角，其余大部分系数接近于零。如果是16*16的目标图像，可以保留代表目标图像的最低频率的左上角的8*8部分图像，计算感知哈希值。获取目标图像的右上角图后，计算右上角图中所有像素点的灰度值的平均值，遍历灰度图的每一个像素点，判断该像素点的灰度值是否大于所有像素点的灰度值的平均值，若是，则感知哈希值的记录为1，若否，则感知哈希值记录为0。根据感知哈希值的0或1的记录得到整个目标图像的感知哈希特征值。
可以通过目标图像的感知哈希特征值计算得出目标图像的一个相似值，并且感知哈希特征值的计算方法能准确得出目标图像的特征，计算得出的相似值有较高的准确度。
在一个实施例中，差异哈希特征值的计算方法包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，计算该灰度图中的左右相邻的像素点的灰度差值，根据所述灰度差值的正负生成与该像素点对应的差异哈希值，根据所述差异哈希值确定所述第一目标图像或第二目标图像的差异哈希特征值。
具体的，获取目标图像的灰度图之前或者之后可以对目标图像进行缩放，例如，可以将目标图像统一缩放为9*8尺寸，共72个像素的图像。计算该灰度图中的左右相邻的像素点的灰度差值，其中，点a和点b是左右相邻的两个像素点，如果点a的灰度值大于点b的灰度值，即点a和点b的灰度差值为正，差异哈希值记录为1；如果点a的灰度值小于点b的灰度值，即点a和点b的灰度差值为负，差异哈希值记录为0。根据差异哈希值的0或1的记录得到整个目标图像的差异哈希特征值。
可以通过目标图像的差异哈希特征值计算得出目标图像的一个相似值，并且差异哈希特征值的计算方法能准确得出目标图像的特征，有较快的计算速度同时计算得出的相似值有较高的准确度。
在一个实施例中，块均值向量的计算方法包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，分别按照预设的块尺寸对所述第一目标图像和所述第二目标图像对应的灰度图进行分块处理，获取所述第一目标图像和所述第二目标图像对应的分块图像；分别计算所述第一目标图像和所述第二目标图像的分块图像中的像素点的第三均值，根据该第三均值生成与所述第一目标图像和所述第二目标图像的分块图像对应的块均值向量。
具体的，获取目标图像的灰度图之前或者之后可以对目标图像进行缩放，例如，将目标图像统一旋转到宽度值大于高度值或者高度值大于宽度值的位置，对目标图像进行缩放，缩放后长边为1024，另一边等比例缩放。分块图像可以是正方形、长方形、圆形、三角形或者不规则形状等，预设的块尺寸可以是8*8的正方形区域，可以是8*16的长方形区域，可以是半径为8的圆形区域，可以是边长为8的等边三角形，也可以是某个尺寸的不规则形状。获取目标图像的分块图像后，计算分块图像中所有像素点的灰度值的平均值，根据每一个分块图像的灰度值的平均值得到目标图像的块均值向量。
可以通过目标图像的块均值向量计算得出目标图像的一个相似值，并且块均值的计算方法能有较快的速度，计算得出的相似值有较高的准确性。
步骤S206，通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值。
具体的，目标图像之间的相似值，可以是通过对目标图像之间的特征值的汉明距离、欧式距离、马氏距离和/或切比雪夫距离等计算得到的，相似值可以为百分数、小数或者自然数，也可以是表示程度的描述，例如可以是不相似、较相似或者相同等表示程度的语言。特征值和相似值之间可以是一一对应的，即特征值对应唯一的相似值，也可以是多个特征值对应一个相似值，例如，相似值为较相似的语言描述，这时候，可能存在多个特征值对应的相似值为较相似。
在一个实施例中，通过至少一种特征值计算所述第一目标图像和所述第二目标图像的至少一个相似值的计算过程包括：计算所述第一目标图像和所述第二目标图像的至少一种特征值计算获取所述第一目标图像和所述第二目标图像之间的距离值，根据计算得到的距离值确定所述第一目标图像和所述第二目标图像的相似值。
具体的，这里的距离值可以是汉明距离、欧式距离、马氏距离和/或切比雪夫距离等的距离值。例如，目标图像的平均哈希值、感知哈希值和差异哈希值可以采用汉明距离来计算目标图像之间的相似值，汉明距离的取值范围为0到1，汉明距离越大则说明目标图像之间差异越大，反之，汉明距离越小则说明目标图像之间越相似，当距离为0时，说明目标图像之间完全相同。目标图像的块均值向量可以采用欧式距离来计算目标图像之间的相似值，欧式距离的取值范围可以不固定，欧式距离越大则说明目标图像之间的差异越大，反之，欧式距离越小则说明目标图像之间越相似。
将目标图像的特征值通过距离值的计算得出目标图像之间的相似值，确保了相似值的准确性。
步骤S208，通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果。
具体的，这里的相似值可以为一个，可以通过一个相似值直接确定目标图像之间的匹配结果。相似值可以为多个，可以通过对多个相似值的重要程度进行排序，选取最重要的一个相似值确定目标图像之间的匹配结果；可以通过对多个相似值设置权重，比如设置平均哈希特征值的权重为0.2，感知哈希特征值的权重为0.3，差异哈希特征值的权重为0.4，块均值向量的权重为0.1计算出综合的相似值。相似值和匹配结果可以为百分数、小数或者自然数，也可以是表示程度的描述，例如可以是不相似、较相似或者相同等表示程度的语言。
在一个实施例中，所述特征值的数量为至少两种；所述通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值的计算过程包括：通过所述第一目标图像与所述第二目标图像的至少两种特征值计算与该特征值对应的相似值；通过所述相似值确定对应的匹配结果的步骤包括：对计算得到的至少两个相似值进行排序，根据排序结果确定匹配结果。
具体的，这里的至少两种相似值进行排序，可以通过对多个相似值的重要程度进行排序，选取最重要的一个相似值确定目标图像之间的匹配结果；可以通过对多个相似值设置权重，比如设置平均哈希特征值的权重为0.2，感知哈希特征值的权重为0.3，差异哈希特征值的权重为0.4，块均值向量的权重为0.1计算出综合的相似值。可以通过相似值对匹配结果进行打分，相似值排名第一的设为0，排名第二设为1，依次类推。相似值和匹配结果可以为百分数、小数或者自然数，也可以是表示程度的描述，例如可以是不相似、较相似或者相同等表示程度的语言。
考虑了至少两种相似值对匹配结果的影响，通过至少两种相似值确定匹配结果，使得匹配结果更高的准确性和全面性。
如图3所示，在一个实施例中，所述通过所述相似值确定对应的匹配结果的步骤之前还包括：分别识别所述第一目标图像的第一特征区域和所述第二目标图像的第二特征区域，获取所述第一特征区域和所述第二特征区域的二值图像；所述通过所述相似值确定对应的匹配结果的步骤还包括：判断所述第一特征区域与所述第二特征区域之间是否满足预设的匹配度；若是，则输出根据相似值确定的匹配结果；若否，则输出所述第一目标图像和所述第二目标图像不匹配的结果。
具体的，这里的第一特征区域和第二特征区域可以是需要进行重点匹配的区域，例如，发票等单据的红色印章区域。通过判断第一特征区域与第二特征区域的匹配结果是否满足预设的匹配度，对相似值确定的匹配结果进行校正。这里的预设的匹配度可以为百分数、小数或者自然数确定的范围，也可以是表示程度的描述来表示满足预设的匹配度，例如可以是较相似或者相同等表示程度的语言来表示满足预设的匹配度。在第一特征区域和第二特征区域的匹配结果不满足预设的匹配度，而通过至少一种特征值计算得出有较高的相似值的情况下，输出目标图像之间不匹配的结果。在第一特征区域和第二特征区域的匹配结果满足预设的匹配度，则输出相似值确定的匹配结果。
通过对重点匹配的区域的选取和匹配，对相似值确定的匹配结果进行了校正，提高了匹配结果的准确性。
如图4所示，在一个实施例中，所述获取待匹配的所述第一目标图像和所述第二目标图像的步骤还包括：根据预设的高度值和宽度值，对所述第一目标图像和所述第二目标图像进行归一化处理。
具体的，对输入的目标图像进行归一化处理是将第一目标图像和第二目标图像的大小和角度进行统一的调整，例如，可以在图像宽度值(width)加高度值(height)大于1000的情况下，则按照公式(width+height)/1000.0的比例进行缩放，在该公式计算得出的值小于1的情况下，则缩放比例按照公式max(width,height)/1200.0计算，其中，公式中的max表示宽度值与高度值中的最大值；可以将输入的目标图像统一旋转成宽度值(width)小于高度值(height)，然后将目标图像进行缩放，如果max(width,height)>4000，则缩放成原来的1/3大小，如果max(width,height)>2000，则缩放成原图的1/2大小，否则就保留原图大小；也可以分别提取目标图像的0度和180度的至少一种特征计算方法的特征值，通过特征值计算相似值确定目标图像之间的匹配结果。
本实施例在计算目标图像的特征值之前，将图像进行了归一化处理，避免了目标图像大小相差较大导致后续计算出的相似值误差较大的情况，确保了图像匹配过程中相似值的准确性。
如图5所示，在一个实施例中，提出了一种图像匹配装置，该装置包括：
获取模块502，用于获取待匹配的第一目标图像和第二目标图像；
特征计算模块504，用于通过预设的特征计算方法分别计算所述第一目标图像与所述第二目标图像的至少一种特征值，所述至少一种特征值包括块均值向量、平均哈希特征值、感知哈希特征值和/或差异哈希特征值中的至少一种；
相似值计算模块506，用于通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值；
匹配模块508，用于通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果。
如图6所示，在一个实施例中，特征计算模块还包括：第一获取单元，用于分别获取所述第一目标图像和所述第二目标图像的灰度图；第一计算单元，用于分别计算所述第一目标图像和所述第二目标图像的灰度图的像素点的第一均值，用于分别遍历所述第一目标图像和所述第二目标图像的灰度图的像素点，根据该遍历到的像素点的灰度值是否大于对应的第一均值确定该遍历到的像素点的平均哈希值，根据所述平均哈希值确定所述第一目标图像或第二目标图像的平均哈希特征值。
如图6所示，在一个实施例中，特征计算模块还包括：第二获取单元，用于分别获取所述第一目标图像和所述第二目标图像的灰度图；第二计算单元，用于分别对所述第一目标图像和所述第二目标图像的灰度图进行离散余弦变换，获取进行离散余弦变换计算得到的频率图的左上角图，计算该左上角图的像素点的第二均值，遍历该左上角图的像素点，根据该遍历到的像素点的频率值是否大于第二均值确定该像素点对应的感知哈希值，根据所述感知哈希值确定所述第一目标图像或第二目标图像的感知哈希特征值。
如图6所示，在一个实施例中，特征计算模块还包括：第三获取单元，用于分别获取所述第一目标图像和所述第二目标图像的灰度图；第三计算单元，用于计算该灰度图中的左右相邻的像素点的灰度差值，根据所述灰度差值的正负生成与该像素点对应的差异哈希值，根据所述差异哈希值确定所述第一目标图像或第二目标图像的差异哈希特征值。
如图6所示，在一个实施例中，特征计算模块还包括：第四获取单元，用于分别获取所述第一目标图像和所述第二目标图像的灰度图，分别按照预设的块尺寸对所述第一目标图像和所述第二目标图像对应的灰度图进行分块处理，获取所述第一目标图像和所述第二目标图像对应的分块图像；第四计算单元，用于分别计算所述第一目标图像和所述第二目标图像的分块图像中的像素点的第三均值，根据该第三均值生成与所述第一目标图像和所述第二目标图像的分块图像对应的块均值向量。
在一个实施例中，相似值计算模块还包括：相似值计算单元，用于计算所述第一目标图像和所述第二目标图像的至少一种特征值计算获取所述第一目标图像和所述第二目标图像之间的距离值，根据计算得到的距离值确定所述第一目标图像和所述第二目标图像的相似值。
在一个实施例中，相似值计算单元还包括：多相似值计算子单元，用于通过所述第一目标图像与所述第二目标图像的至少两种特征值计算与该特征值对应的相似值；对计算得到的至少两个相似值进行排序，根据排序结果确定匹配结果。
如图7所示，在一个实施例中，图像匹配装置还包括：校正模块507，用于分别识别所述第一目标图像的第一特征区域和所述第二目标图像的第二特征区域，获取所述第一特征区域和所述第二特征区域的二值图像；判断所述第一特征区域与所述第二特征区域之间是否满足预设的匹配度；若是，则输出根据相似值确定的匹配结果；若否，则输出所述第一目标图像和所述第二目标图像不匹配的结果。
如图8所示，在一个实施例中，图像匹配装置还包括：预处理模块503，用于根据预设的高度值和宽度值，对所述第一目标图像和所述第二目标图像进行归一化处理。
图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图9所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现图像识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行图像匹配方法。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：获取待匹配的第一目标图像和第二目标图像；通过预设的特征计算方法分别计算所述第一目标图像与所述第二目标图像的至少一种特征值，所述至少一种特征值包括块均值向量、平均哈希特征值、感知哈希特征值和/或差异哈希特征值中的至少一种；通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值；通过所述相似值确定与所述第一目标图像和第二目标图像的匹配结果。
在一个实施例中，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，分别计算所述第一目标图像和所述第二目标图像的灰度图的像素点的第一均值；分别遍历所述第一目标图像和所述第二目标图像的灰度图的像素点，根据该遍历到的像素点的灰度值是否大于对应的第一均值确定该遍历到的像素点的平均哈希值，根据所述平均哈希值确定所述第一目标图像或第二目标图像的平均哈希特征值。
在一个实施例中，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，分别对所述第一目标图像和所述第二目标图像的灰度图进行离散余弦变换，获取进行离散余弦变换计算得到的频率图的左上角图，计算该左上角图的像素点的第二均值；遍历该左上角图的像素点，根据该遍历到的像素点的频率值是否大于第二均值确定该像素点对应的感知哈希值，根据所述感知哈希值确定所述第一目标图像或第二目标图像的感知哈希特征值。
在一个实施例中，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，计算该灰度图中的左右相邻的像素点的灰度差值，根据所述灰度差值的正负生成与该像素点对应的差异哈希值，根据所述差异哈希值确定所述第一目标图像或第二目标图像的差异哈希特征值。
在一个实施例中，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，分别按照预设的块尺寸对所述第一目标图像和所述第二目标图像对应的灰度图进行分块处理，获取所述第一目标图像和所述第二目标图像对应的分块图像；分别计算所述第一目标图像和所述第二目标图像的分块图像中的像素点的第三均值，根据该第三均值生成与所述第一目标图像和所述第二目标图像的分块图像对应的块均值向量。
在一个实施例中，所述通过至少一种特征值计算所述第一目标图像和所述第二目标图像的至少一个相似值的步骤还包括：计算所述第一目标图像和所述第二目标图像的至少一种特征值计算获取所述第一目标图像和所述第二目标图像之间的距离值，根据计算得到的距离值确定所述第一目标图像和所述第二目标图像的相似值。
在一个实施例中，所述特征值的数量为至少两种；所述通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值的步骤，还包括：通过所述第一目标图像与所述第二目标图像的至少两种特征值计算与该特征值对应的相似值；所述通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果的步骤还包括：对计算得到的至少两个相似值进行排序，根据排序结果确定匹配结果。
在一个实施例中，所述通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果的步骤之前还包括：分别识别所述第一目标图像的第一特征区域和所述第二目标图像的第二特征区域，获取所述第一特征区域和所述第二特征区域的二值图像；所述通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果的步骤，还包括：判断所述第一特征区域与所述第二特征区域之间是否满足预设的匹配度；若是，则输出根据相似值确定的匹配结果；若否，则输出所述第一目标图像和所述第二目标图像不匹配的结果。
在一个实施例中，所述获取待匹配的所述第一目标图像和所述第二目标图像的步骤还包括：根据预设的高度值和宽度值，对所述第一目标图像和所述第二目标图像进行归一化处理。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：获取待匹配的第一目标图像和第二目标图像；通过预设的特征计算方法分别计算所述第一目标图像与所述第二目标图像的至少一种特征值，所述至少一种特征值包括块均值向量、平均哈希特征值、感知哈希特征值和/或差异哈希特征值中的至少一种；通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值；通过所述相似值确定与所述第一目标图像和第二目标图像的匹配结果。
在一个实施例中，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，分别计算所述第一目标图像和所述第二目标图像的灰度图的像素点的第一均值；分别遍历所述第一目标图像和所述第二目标图像的灰度图的像素点，根据该遍历到的像素点的灰度值是否大于对应的第一均值确定该遍历到的像素点的平均哈希值，根据所述平均哈希值确定所述第一目标图像或第二目标图像的平均哈希特征值。
在一个实施例中，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，分别对所述第一目标图像和所述第二目标图像的灰度图进行离散余弦变换，获取进行离散余弦变换计算得到的频率图的左上角图，计算该左上角图的像素点的第二均值；遍历该左上角图的像素点，根据该遍历到的像素点的频率值是否大于第二均值确定该像素点对应的感知哈希值，根据所述感知哈希值确定所述第一目标图像或第二目标图像的感知哈希特征值。
在一个实施例中，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，计算该灰度图中的左右相邻的像素点的灰度差值，根据所述灰度差值的正负生成与该像素点对应的差异哈希值，根据所述差异哈希值确定所述第一目标图像或第二目标图像的差异哈希特征值。
在一个实施例中，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：分别获取所述第一目标图像和所述第二目标图像的灰度图，分别按照预设的块尺寸对所述第一目标图像和所述第二目标图像对应的灰度图进行分块处理，获取所述第一目标图像和所述第二目标图像对应的分块图像；分别计算所述第一目标图像和所述第二目标图像的分块图像中的像素点的第三均值，根据该第三均值生成与所述第一目标图像和所述第二目标图像的分块图像对应的块均值向量。
在一个实施例中，所述通过至少一种特征值计算所述第一目标图像和所述第二目标图像的至少一个相似值的步骤还包括：计算所述第一目标图像和所述第二目标图像的至少一种特征值计算获取所述第一目标图像和所述第二目标图像之间的距离值，根据计算得到的距离值确定所述第一目标图像和所述第二目标图像的相似值。
在一个实施例中，所述特征值的数量为至少两种；所述通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值的步骤，还包括：通过所述第一目标图像与所述第二目标图像的至少两种特征值计算与该特征值对应的相似值；所述通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果的步骤还包括：对计算得到的至少两个相似值进行排序，根据排序结果确定匹配结果。
在一个实施例中，所述通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果的步骤之前还包括：分别识别所述第一目标图像的第一特征区域和所述第二目标图像的第二特征区域，获取所述第一特征区域和所述第二特征区域的二值图像；所述通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果的步骤，还包括：判断所述第一特征区域与所述第二特征区域之间是否满足预设的匹配度；若是，则输出根据相似值确定的匹配结果；若否，则输出所述第一目标图像和所述第二目标图像不匹配的结果。
在一个实施例中，所述获取待匹配的所述第一目标图像和所述第二目标图像的步骤还包括：根据预设的高度值和宽度值，对所述第一目标图像和所述第二目标图像进行归一化处理。
采用本发明的图像匹配方法、装置、计算机设备及存储介质，在对需要匹配的产品进行匹配时，获取待匹配的图像，通过预设的特征计算方法，例如平均哈希特征、感知哈希特征、差异哈希特征和/或块均值向量等特征的计算方法，对待匹配的图像计算至少一种特征值，根据该特征值计算待匹配图像之间的相似值，确定待匹配的图像之间的匹配结果。本发明的图像匹配方法、装置、计算机设备及存储介质可以对待匹配图像之间的匹配程度进行判断，提高待匹配图像之间的匹配结果精确性，有效提高了图像匹配的效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。
Claims (12)
1.一种图像匹配方法，其特征在于，所述方法包括：
获取待匹配的第一目标图像和第二目标图像；
通过预设的特征计算方法分别计算所述第一目标图像与所述第二目标图像的至少一种特征值，所述至少一种特征值包括块均值向量、平均哈希特征值、感知哈希特征值和/或差异哈希特征值中的至少一种；
通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值；
通过所述相似值确定与所述第一目标图像和第二目标图像的匹配结果。
2.根据权利要求1所述的方法，其特征在于，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：
分别获取所述第一目标图像和所述第二目标图像的灰度图，分别计算所述第一目标图像和所述第二目标图像的灰度图的像素点的第一均值；
分别遍历所述第一目标图像和所述第二目标图像的灰度图的像素点，根据该遍历到的像素点的灰度值是否大于对应的第一均值确定该遍历到的像素点的平均哈希值，根据所述平均哈希值确定所述第一目标图像或第二目标图像的平均哈希特征值。
3.根据权利要求1所述的方法，其特征在于，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：
分别获取所述第一目标图像和所述第二目标图像的灰度图，分别对所述第一目标图像和所述第二目标图像的灰度图进行离散余弦变换，获取进行离散余弦变换计算得到的频率图的左上角图，计算该左上角图的像素点的第二均值；
遍历该左上角图的像素点，根据该遍历到的像素点的频率值是否大于第二均值确定该像素点对应的感知哈希值，根据所述感知哈希值确定所述第一目标图像或第二目标图像的感知哈希特征值。
4.根据权利要求1所述的方法，其特征在于，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：
分别获取所述第一目标图像和所述第二目标图像的灰度图，计算该灰度图中的左右相邻的像素点的灰度差值，根据所述灰度差值的正负生成与该像素点对应的差异哈希值，根据所述差异哈希值确定所述第一目标图像或第二目标图像的差异哈希特征值。
5.根据权利要求1所述的方法，其特征在于，所述通过预设的特征计算方法计算所述第一目标图像与所述第二目标图像的至少一种特征值的步骤还包括：
分别获取所述第一目标图像和所述第二目标图像的灰度图，分别按照预设的块尺寸对所述第一目标图像和所述第二目标图像对应的灰度图进行分块处理，获取所述第一目标图像和所述第二目标图像对应的分块图像；
分别计算所述第一目标图像和所述第二目标图像的分块图像中的像素点的第三均值，根据该第三均值生成与所述第一目标图像和所述第二目标图像的分块图像对应的块均值向量。
6.根据权利要求1-5任一所述的方法，其特征在于，所述通过至少一种特征值计算所述第一目标图像和所述第二目标图像的至少一个相似值的步骤还包括：
计算所述第一目标图像和所述第二目标图像的至少一种特征值计算获取所述第一目标图像和所述第二目标图像之间的距离值，根据计算得到的距离值确定所述第一目标图像和所述第二目标图像的相似值。
7.根据权利要求6所述的方法，其特征在于，所述特征值的数量为至少两种；
所述通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值的步骤，还包括：
通过所述第一目标图像与所述第二目标图像的至少两种特征值计算与该特征值对应的相似值；
所述通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果的步骤还包括：
对计算得到的至少两个相似值进行排序，根据排序结果确定匹配结果。
8.根据权利要求1所述的方法，其特征在于，所述通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果的步骤之前还包括：
分别识别所述第一目标图像的第一特征区域和所述第二目标图像的第二特征区域，获取所述第一特征区域和所述第二特征区域的二值图像；
所述通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果的步骤，还包括：
判断所述第一特征区域与所述第二特征区域之间是否满足预设的匹配度；
若是，则输出根据相似值确定的匹配结果；
若否，则输出所述第一目标图像和所述第二目标图像不匹配的结果。
9.根据权利要求1所述的方法，其特征在于，所述获取待匹配的所述第一目标图像和所述第二目标图像的步骤还包括：
根据预设的高度值和宽度值，对所述第一目标图像和所述第二目标图像进行归一化处理。
10.一种图像匹配装置，其特征在于，所述装置包括：
获取模块，用于获取待匹配的第一目标图像和第二目标图像；
特征计算模块，用于通过预设的特征计算方法分别计算所述第一目标图像与所述第二目标图像的至少一种特征值，所述至少一种特征值包括块均值向量、平均哈希特征值、感知哈希特征值和/或差异哈希特征值中的至少一种；
相似值计算模块，用于通过所述第一目标图像与所述第二目标图像的至少一种特征值计算所述第一目标图像和所述第二目标图像之间的相似值；
匹配模块，用于通过所述相似值确定与所述第一目标图像和第二目标图像对应的匹配结果。
11.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至9中任一项所述方法的步骤。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至9中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910871361.6A CN110738236B (zh) | 2019-09-16 | 2019-09-16 | 图像匹配方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910871361.6A CN110738236B (zh) | 2019-09-16 | 2019-09-16 | 图像匹配方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110738236A true CN110738236A (zh) | 2020-01-31 |
| CN110738236B CN110738236B (zh) | 2022-07-22 |
Family
ID=69267980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910871361.6A Active CN110738236B (zh) | 2019-09-16 | 2019-09-16 | 图像匹配方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110738236B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340109A (zh) * | 2020-02-25 | 2020-06-26 | 深圳市景阳科技股份有限公司 | 图像匹配方法、装置、设备及存储介质 |
| CN111368128A (zh) * | 2020-03-12 | 2020-07-03 | 北京海益同展信息科技有限公司 | 目标图片的识别方法、装置和计算机可读存储介质 |
| CN111666442A (zh) * | 2020-06-02 | 2020-09-15 | 腾讯科技（深圳）有限公司 | 一种图像检索方法、装置及计算机设备 |
| CN111797921A (zh) * | 2020-07-02 | 2020-10-20 | 中国工商银行股份有限公司 | 一种图像数据对比方法及装置 |
| CN112037203A (zh) * | 2020-08-31 | 2020-12-04 | 济南大学 | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 |
| CN112115292A (zh) * | 2020-09-25 | 2020-12-22 | 海尔优家智能科技（北京）有限公司 | 图片搜索方法及装置、存储介质、电子装置 |
| CN113822361A (zh) * | 2021-09-18 | 2021-12-21 | 重庆大学 | 一种基于汉明距离的sar图像相似程度度量方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722732A (zh) * | 2012-05-30 | 2012-10-10 | 清华大学 | 一种基于数据二阶统计量建模的图像集合匹配方法 |
| CN103914561A (zh) * | 2014-04-16 | 2014-07-09 | 北京酷云互动科技有限公司 | 一种图像搜索方法和装置 |
| CN105912643A (zh) * | 2016-04-08 | 2016-08-31 | 浙江理工大学 | 一种基于内容改进型均值哈希的图像检索方法 |
| CN106445939A (zh) * | 2015-08-06 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像检索、获取图像信息及图像识别方法、装置及系统 |
| CN108062403A (zh) * | 2017-12-27 | 2018-05-22 | 上海传英信息技术有限公司 | 旧景检测方法及终端 |
| CN109101867A (zh) * | 2018-06-11 | 2018-12-28 | 平安科技（深圳）有限公司 | 一种图像匹配方法、装置、计算机设备及存储介质 |
| CN109756746A (zh) * | 2018-12-28 | 2019-05-14 | 广州华多网络科技有限公司 | 视频审核方法、装置、服务器及存储介质 |
-
2019
- 2019-09-16 CN CN201910871361.6A patent/CN110738236B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722732A (zh) * | 2012-05-30 | 2012-10-10 | 清华大学 | 一种基于数据二阶统计量建模的图像集合匹配方法 |
| CN103914561A (zh) * | 2014-04-16 | 2014-07-09 | 北京酷云互动科技有限公司 | 一种图像搜索方法和装置 |
| CN106445939A (zh) * | 2015-08-06 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像检索、获取图像信息及图像识别方法、装置及系统 |
| CN105912643A (zh) * | 2016-04-08 | 2016-08-31 | 浙江理工大学 | 一种基于内容改进型均值哈希的图像检索方法 |
| CN108062403A (zh) * | 2017-12-27 | 2018-05-22 | 上海传英信息技术有限公司 | 旧景检测方法及终端 |
| CN109101867A (zh) * | 2018-06-11 | 2018-12-28 | 平安科技（深圳）有限公司 | 一种图像匹配方法、装置、计算机设备及存储介质 |
| CN109756746A (zh) * | 2018-12-28 | 2019-05-14 | 广州华多网络科技有限公司 | 视频审核方法、装置、服务器及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 郭丽: "大规模人脸库中快速识别算法的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340109A (zh) * | 2020-02-25 | 2020-06-26 | 深圳市景阳科技股份有限公司 | 图像匹配方法、装置、设备及存储介质 |
| CN111340109B (zh) * | 2020-02-25 | 2024-01-26 | 深圳市景阳科技股份有限公司 | 图像匹配方法、装置、设备及存储介质 |
| CN111368128A (zh) * | 2020-03-12 | 2020-07-03 | 北京海益同展信息科技有限公司 | 目标图片的识别方法、装置和计算机可读存储介质 |
| CN111368128B (zh) * | 2020-03-12 | 2023-09-29 | 京东科技信息技术有限公司 | 目标图片的识别方法、装置和计算机可读存储介质 |
| CN111666442A (zh) * | 2020-06-02 | 2020-09-15 | 腾讯科技（深圳）有限公司 | 一种图像检索方法、装置及计算机设备 |
| CN111666442B (zh) * | 2020-06-02 | 2023-04-18 | 腾讯科技（深圳）有限公司 | 一种图像检索方法、装置及计算机设备 |
| CN111797921A (zh) * | 2020-07-02 | 2020-10-20 | 中国工商银行股份有限公司 | 一种图像数据对比方法及装置 |
| CN112037203A (zh) * | 2020-08-31 | 2020-12-04 | 济南大学 | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 |
| CN112115292A (zh) * | 2020-09-25 | 2020-12-22 | 海尔优家智能科技（北京）有限公司 | 图片搜索方法及装置、存储介质、电子装置 |
| CN113822361A (zh) * | 2021-09-18 | 2021-12-21 | 重庆大学 | 一种基于汉明距离的sar图像相似程度度量方法和系统 |
| CN113822361B (zh) * | 2021-09-18 | 2024-02-02 | 重庆大学 | 一种基于汉明距离的sar图像相似程度度量方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110738236B (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110738236B (zh) | 图像匹配方法、装置、计算机设备及存储介质 | |
| CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
| US11416672B2 (en) | Object recognition and tagging based on fusion deep learning models | |
| CN110569721A (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
| CN109829506B (zh) | 图像处理方法、装置、电子设备和计算机存储介质 | |
| CN107622489B (zh) | 一种图像篡改检测方法及装置 | |
| CN109658584B (zh) | 一种票据信息识别方法及装置 | |
| WO2020143325A1 (zh) | 一种电子文档的生成方法及设备 | |
| CN109840524B (zh) | 文字的类型识别方法、装置、设备及存储介质 | |
| CN110807455A (zh) | 基于深度学习的票据检测方法、装置、设备及存储介质 | |
| US9202146B2 (en) | Duplicate check image resolution | |
| CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
| CN108197638B (zh) | 对待评估样本进行分类的方法及装置 | |
| CN110738222B (zh) | 图像匹配方法、装置、计算机设备和存储介质 | |
| US10769784B2 (en) | Image analyzing method and electrical device | |
| CN109815823B (zh) | 数据处理方法及相关产品 | |
| CN111914908A (zh) | 一种图像识别模型训练方法、图像识别方法及相关设备 | |
| CN111340023A (zh) | 文本识别方法及装置、电子设备、存储介质 | |
| CN111311593B (zh) | 一种多椭圆检测和评估算法、装置及终端 | |
| CN111178203B (zh) | 签名审核方法、装置、计算机设备和存储介质 | |
| CN112434689A (zh) | 识别图片中信息的方法、装置、设备及存储介质 | |
| CN111680181A (zh) | 一种异常对象的识别方法及终端设备 | |
| CN111222452A (zh) | 一种人脸匹配方法、装置、电子设备及可读存储介质 | |
| CN112163110A (zh) | 图像分类方法、装置、电子设备和计算机可读存储介质 | |
| CN115374517A (zh) | 布线软件的测试方法、装置、电子设备及存储介质 |
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 |