CN112241975A - 特征模板的匹配定位方法和匹配定位装置 - Google Patents

特征模板的匹配定位方法和匹配定位装置 Download PDF

Info

Publication number
CN112241975A
CN112241975A CN201910647215.5A CN201910647215A CN112241975A CN 112241975 A CN112241975 A CN 112241975A CN 201910647215 A CN201910647215 A CN 201910647215A CN 112241975 A CN112241975 A CN 112241975A
Authority
CN
China
Prior art keywords
positioning
template
feature
characteristic
confusion
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
Application number
CN201910647215.5A
Other languages
English (en)
Other versions
CN112241975B (zh
Inventor
郭羽鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hikrobot Technology Co Ltd
Original Assignee
Hangzhou Hikrobot Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Hikrobot Technology Co Ltd filed Critical Hangzhou Hikrobot Technology Co Ltd
Priority to CN201910647215.5A priority Critical patent/CN112241975B/zh
Publication of CN112241975A publication Critical patent/CN112241975A/zh
Application granted granted Critical
Publication of CN112241975B publication Critical patent/CN112241975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Navigation (AREA)

Abstract

本发明提供了一种特征模板的匹配定位方法、一种特征模板的匹配定位装置、以及一种检测设备。基于本发明，当检测到处于定位位置的特征模板存在定位混淆时，可以将特征模板在模板图像中的参考相对距离作为先验参考，判定出实际发生错位、并引发定位混淆的特征模板，并对引发定位混淆的模板的定位位置进行位置纠正。从而，相比于仅以特征模板的匹配程度相互独立地判定各特征模板的定位位置，本发明以特征模板在模板图像中的参考相对距离作为先验参考，可以增强各自独立匹配的特征模板之间的关联性，并利用这样的关联性实现对混淆定位的纠正，有助于提升特征模板的匹配定位的准确率，进而有助于后续图像检测或识别的鲁棒性提升以及场景适应性的提升。

Description

特征模板的匹配定位方法和匹配定位装置
技术领域
本发明涉及机器视觉领域，特别涉及一种特征模板的匹配定位方法、一种特征模板的匹配定位装置、以及一种检测设备。
背景技术
某些图像检测或识别的场景中需要使用特征模板，因此，在图像检测或识别之前，需要在目标图像中进行特征模板的匹配定位。
由于特征模板的匹配定位属于图像检测或识别的前序步骤，因此，匹配定位的准确率会影响图像检测或识别的效果。
基于上述情况，如何提高特征模板的匹配定位的准确率成为现有技术中有待解决的技术问题。
发明内容
有鉴于此，本发明的各实施例分别提供了一种特征模板的匹配定位方法、一种特征模板的匹配定位装置、以及一种检测设备。
在一个实施例中，提供了一种特征模板的匹配定位方法，包括：
从模板图像中获取多个特征模板；
确定多个特征模板在目标图像中匹配的定位位置；
检测特征模板的定位位置是否存在定位混淆；
当检测到定位混淆时，利用各特征模板之间的参考相对距离，分别以定位混淆的每个特征模板的定位位置为基准估算各特征模板的假想位置；
将各特征模板的定位位置与各特征模板以不同基准估算的假想位置进行比对，得到定位混淆的每个特征模板导致各特征模板的定位偏差；
以定位偏差最小为混淆纠正目标，为存在定位混淆的特征模板确定待输出的定位位置。
可选地，确定多个特征模板在目标图像中匹配的定位位置包括：在目标图像中确定每个特征模板的搜索区域，在每个特征模板的搜索区域中进行该特征模板与目标图像的特征匹配，以及，将每个特征模板在搜索区域中匹配到的最优候选位置确定为该特征模板的定位位置，其中，每个特征模板的搜索区域的面积大于该特征模板的面积；以定位偏差最小为混淆纠正目标，为存在定位混淆的特征模板确定待输出的定位位置包括：查询导致最大定位偏差的特征模板在搜索区域中匹配到的除最优定位位置之外的其他定位位置，并且将导致最大定位偏差的特征模板的定位位置替换为查询到的其他候选位置之一，其中，当替换的其他候选位置未引发定位混淆、或在引发定位混淆时导致的定位偏差最小时，将替换的该其他候选位置确定为待输出的定位位置。
可选地，以定位偏差最小为混淆纠正目标，为存在定位混淆的特征模板确定待输出的定位位置包括：利用导致最小定位偏差的特征模板的定位位置，更新导致最大定位偏差的特征模板的待输出的定位位置。
可选地，检测特征模板的定位位置是否存在定位混淆包括：检测各特征模板的定位位置之间的位置关系；当检测到有特征模板的定位位置导致特征模板之间发生重合率超出预定阈值的重叠时，确定重叠的特征模板的定位位置存在定位混淆。
可选地，利用各特征模板之间的参考相对距离，分别以定位混淆的每个特征模板的定位位置为基准估算各特征模板的假想位置包括：获取各特征模板在模板图像中的参考相对距离，其中，获取到的参考相对距离包括以每两个特征模板的参考位置为基准的相对距离向量；分别在定位混淆的每个特征模板的相对距离向量中叠加该特征模板的定位位置，得到以定位混淆的每个特征模板的定位位置为基准估算的假想位置向量，其中，假想位置向量中包含各特征模板的假想位置。
可选地，将各特征模板的定位位置与各特征模板以不同基准估算的假想位置进行比对，得到定位混淆的每个特征模板导致各特征模板的定位偏差包括：分别确定各特征模板以定位混淆的每个特征模板的定位位置为基准估算的假想位置相比于定位位置的偏差量，并且将各特征模板以定位混淆的每个特征模板的定位位置为基准的偏差量之和，分别确定为定位混淆的每个特征模板导致各特征模板的定位偏差；或者，分别确定各特征模板以定位混淆的每个特征模板的定位位置为基准估算的假想位置相比于各特征模板在模板图像中的参考位置的相关度，并且以确定的相关度的排序确定定位混淆的每个特征模板导致各特征模板的定位偏差之间的大小关系。
在另一个实施例中，提供了一种特征模板的匹配定位装置，包括：
模板获取模块，用于从模板图像中获取多个特征模板；
位置搜索模块，用于确定多个特征模板在目标图像中匹配的定位位置；
混淆判决模块，用于检测特征模板的定位位置是否存在定位混淆；
位置估算模块，用于当检测到定位混淆时，利用各特征模板之间的参考相对距离，分别以定位混淆的每个特征模板的定位位置为基准估算各特征模板的假想位置；
偏差估计模块，用于将各特征模板的定位位置与各特征模板以不同基准估算的假想位置进行比对，得到定位混淆的每个特征模板导致各特征模板的定位偏差；
定位纠正模块，用于以定位偏差最小为混淆纠正目标，为存在定位混淆的特征模板确定待输出的定位位置。
可选地，位置搜索模块包括：区域界定子模块，用于在目标图像中确定每个特征模板的搜索区域，其中，每个特征模板的搜索区域的面积大于该特征模板的面积；特征匹配子模块，用于在每个特征模板的搜索区域中进行该特征模板与目标图像的特征匹配；位置筛选子模块，用于将每个特征模板在搜索区域中匹配到的最优候选位置确定为该特征模板的定位位置；定位纠正模块包括：备选查询子模块，用于查询导致最大定位偏差的特征模板在搜索区域中匹配到的除最优定位位置之外的其他定位位置；位置替换子模块，用于将导致最大定位偏差的特征模板的定位位置替换为查询到的其他候选位置之一；其中，当替换的其他候选位置未引发定位混淆、或在引发定位混淆时导致的定位偏差最小时，将替换的该其他候选位置确定为待输出的定位位置。
可选地，定位纠正模进一步用于利用导致最小定位偏差的特征模板的定位位置，更新导致最大定位偏差的特征模板的待输出的定位位置。
可选地，混淆判决模块包括：关系检测子模块，用于检测各特征模板的定位位置之间的位置关系；重叠判定子模块，用于当检测到有特征模板的定位位置导致特征模板之间发生重合率超出预定阈值的重叠时，确定重叠的特征模板的定位位置存在定位混淆。
可选地，位置估算模块包括：参考加载子模块，用于获取各特征模板在模板图像中的参考相对距离，其中，获取到的各特征模板之间的参考相对距离包括以每两个特征模板的参考位置为基准的相对距离向量；向量估算子模块，用于分别在定位混淆的每个特征模板的相对距离向量中叠加该特征模板的定位位置，得到以定位混淆的每个特征模板的定位位置为基准估算的假想位置向量，其中，假想位置向量中包含各特征模板的假想位置。
可选地，偏差估计模块包括：离散偏差子模块，用于分别确定各特征模板以定位混淆的每个特征模板的定位位置为基准估算的假想位置相比于定位位置的偏差量；偏差合并子模块，用于分别将各特征模板以定位混淆的每个特征模板的定位位置为基准的偏差量之和，确定为定位混淆的每个特征模板导致各特征模板的定位偏差；或者，偏差估计模块包括：相关判定子模块，用于分别确定各特征模板以定位混淆的每个特征模板的定位位置为基准估算的假想位置相比于各特征模板在模板图像中的参考位置的相关度；相关排序子模块，用于以确定的相关度的排序确定定位混淆的每个特征模板导致各特征模板的定位偏差之间的大小关系。
在另一个实施例中，提供了一种检测设备，包括处理器，所述处理器用于执行如上所述的匹配定位方法中的步骤。
在另一个实施例中，提供了一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如上所述的匹配定位方法中的步骤。
基于上述实施例，当检测到处于定位位置的特征模板存在定位混淆时，可以将特征模板在模板图像中的参考相对距离作为先验参考，判定出实际发生错位、并引发定位混淆的特征模板，并对引发定位混淆的模板的定位位置进行位置纠正。从而，相比于仅以特征模板的匹配程度相互独立地判定各特征模板的定位位置，上述实施例以特征模板在模板图像中的参考相对距离作为先验参考，可以增强各自独立匹配的特征模板之间的关联性，并利用这样的关联性实现对混淆定位的纠正，能够有助于提升特征模板的匹配定位的准确率，进而有助于后续图像检测或识别的鲁棒性提升以及场景适应性的提升。
附图说明
以下附图仅对本发明做示意性说明和解释，并不限定本发明的范围：
图1为一个实施例中的特征模板的匹配定位方法的示例性流程示意图；
图2为如图1所示的匹配定位方法基于搜索范围扩张的扩展流程示意图；
图3为如图1所示的匹配定位方法基于位置判定混淆的扩展流程示意图；
图4为如图1所示的匹配定位方法基于位置向量估算的扩展流程示意图；
图5a和图5b为如图1所示的匹配定位方法基于偏差统计整合的扩展流程示意图；
图6为适用于如图1所示匹配定位方法的特征模板的实例示意图；
图7为基于如图6所示特征模板的定位位置搜索的实例示意图；
图8为如图7所示定位位置搜索后的定位混淆判决的实例示意图；
图9a和图9b为如图8所示定位混淆判决后的假想位置估算的实例示意图；
图10为基于如图9a和图9b所示的假想位置估算后输出的定位位置的实例示意图；
图11为另一个实施例中的特征模板的匹配定位装置的示例性结构示意图；
图12a和图12b为如图11所示的特征模板的匹配定位装置的优选实例结构示意图；
图13为另一个实施例中的一种检测设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明作进一步详细说明。
图1为一个实施例中的特征模板的匹配定位方法的示例性流程示意图。请参见图1，在一个实施例中，一种特征模板的匹配定位方法可以包括：
S110：从模板图像中获取多个特征模板。
其中，模板图像中预先设定有以参考位置定位标定的多个特征模板，这些特征模板可以各自表征不同的目标特征。
S120：确定多个特征模板在目标图像中匹配的定位位置。
其中，目标图像可以是预先拍摄、并在执行本步骤时获取的，或者也可以是在执行本步骤之前实时拍摄的，无论目标图像的获取时机如何，在目标图像中对特征模板的定位位置的匹配，可以是通过特征模板与目标图像进行特征匹配来实现的，即，目标图像中与特征模板存在超过预设特征匹配度的区域，可以认为是该特征模板的定位位置。并且，本文所述的定位位置可以认为是区域化的位置，而非单点位置。
S130：检测特征模板的定位位置是否存在定位混淆，若检测到定位混淆，则继续执行后续的S140，否则可以直接结束本流程。
本步骤检测的定位混淆，可以是指多个特征模板具有一定的特征相似度，并且具有一定特征相似度的多个特征模板之一发生定位位置的错位。
S140：当检测到定位混淆时，利用各特征模板之间的参考相对距离，分别以定位混淆的每个特征模板的定位位置为基准估算各特征模板的假想位置。
本步骤估算的假想位置可以理解为以定位混淆的每个特征模板的定位位置为基准、并以参考相对距离为约束条件的定位位置。从满足参考相对距离这一约束条件的角度考虑，估算出的定位位置也可以看作是理想位置。并且，本文所述的假想位置也可以认为是区域化的位置，而非单点位置。
S150：将各特征模板的定位位置与各特征模板以不同基准估算的假想位置进行比对，得到定位混淆的每个特征模板导致各特征模板的定位偏差。
本步骤得到的定位偏差，可以理解为以定位混淆的每个特征模板的定位位置为基准、估算的假想位置相比于当前实际确定的所有特征模板的定位位置的总体偏差程度。
S160：以定位偏差最小为混淆纠正目标，为存在定位混淆的特征模板确定待输出的定位位置。
其中，导致最大定位偏差的特征模板的定位位置，也就是导致总体偏差程度最大的特征模板的定位位置。实际应用中，定位位置导致总体偏差程度最大的特征模板，应当是实际发生错位、并引发定位混淆的特征模板，从而，对该特征模板的定位位置进行位置纠正，即可消除定位混淆。
在上述流程结束后，即可输出各特征模板的定位位置。
基于上述流程，当检测到处于定位位置的特征模板存在定位混淆(即，通过S120)时，可以将特征模板在模板图像中的参考相对距离作为先验参考(即，S140)，判定出实际发生错位、并引发定位混淆的特征模板(即S150～S160)，并对引发定位混淆的模板的定位位置进行位置纠正。从而，相比于仅以特征模板的匹配程度相互独立地判定各特征模板的定位位置，上述流程以特征模板在模板图像中的参考相对距离作为先验参考，可以增强各自独立匹配的特征模板之间的关联性，并利用这样的关联性实现对混淆定位的纠正，能够有助于提升特征模板的匹配定位的准确率，进而有助于后续图像检测或识别的鲁棒性提升以及场景适应性的提升。
对于不同的图像检测或识别场景，可能会提供适用于不同的特征类型、设定包含不同特征模板组合的模板图像。为了区分和管理适用于不同的特征类型的模板图像，在执行上述流程时，S110之前可以进一步检测以人机交互方式输入的模板选择指令，获取模板选择指令中包括的特征类别标识，并且调用与特征类别标识关联的模板图像，相应地，S110可以从调用的模板图像中获取多个特征模板。
在实际的定位匹配过程中，可以扩大每个特征模板的匹配搜索范围，以提升定位匹配的纠错能力。相应地，如图1所示的流程可以引入这种搜索范围扩张的机制。与此同时，扩大的匹配搜索范围也有可能导致特征模板在目标图像中匹配到与正确的特征区域相似度高的其他特征区域，这是可能导致定位混淆的一种情况。对于这种情况，如图1所示的流程可以消除定位混淆，并利用匹配搜索范围的结果实现针对定位混淆的位置纠正。
图2为如图1所示的匹配定位方法基于搜索范围扩张的扩展流程示意图。请参见图1，以引入搜索范围扩张的机制为例，如图1所示的流程可以扩展为包括如下的步骤：
S210：从模板图像中获取多个特征模板。
本步骤可以认为是与如图1所示流程中的S110原理实质相同。
S221：在目标图像中确定每个特征模板的搜索区域，其中，每个特征模板的搜索区域的面积大于该特征模板的面积。
S222：在每个特征模板的搜索区域中进行该特征模板与目标图像的特征匹配。
S223：将每个特征模板在搜索区域中匹配到的最优候选位置确定为该特征模板的定位位置。
在实际匹配时，每个特征模板可以允许匹配到一个或者多个候选位置。当有特征模板匹配到多个候选位置时，可以根据特征匹配度的高低对这些候选位置排序，其中，匹配度最高的候选位置即为最优候选位置、并被选定为特征模板的定位位置，匹配度次高的候选位置则为次优候选位置，以此类推。并且，除最优定位位置之外的其他定位位置在本步骤中被弃用。如果特征模板只匹配到一个候选位置，则唯一匹配到的候选位置即为最优候选位置、并被选定为特征模板的定位位置，此时，无次优候选位置。
上述S221～S223可以认为是对如图1所示流程中的S120的扩展。
S230：检测特征模板的定位位置是否存在定位混淆，若检测到定位混淆，则继续执行后续的S140，否则可以直接结束本流程。
本步骤检测的定位混淆，可以是指两个特征模板具有一定的特征相似度，并且具有一定特征相似度的两个特征模板之一发生定位位置的错位。
S240：当检测到定位混淆时，利用各特征模板之间的参考相对距离，分别以定位混淆的每个特征模板的定位位置为基准估算各特征模板的假想位置。
本步骤可以认为是与如图1所示流程中的S140原理实质相同。
S250：将各特征模板的定位位置与各特征模板以不同基准估算的假想位置进行比对，得到定位混淆的每个特征模板导致各特征模板的定位偏差。
本步骤可以认为是与如图1所示流程中的S150原理实质相同。
S261：查询导致最大定位偏差的特征模板在搜索区域中匹配到的除最优定位位置之外的其他定位位置。
S262：将导致最大定位偏差的特征模板的候选位置替换为查询到的其他候选位置之一。其中，当替换的其他候选位置未引发定位混淆、或在引发定位混淆时导致的定位偏差最小时，将替换的该其他候选位置确定为待输出的定位位置。
在实际应用中，本步骤可以优选地选择次优定位位置。
对于特征模板由于匹配搜索范围扩大而错位匹配到其他特征区域所在候选位置的情况，该特征模板还会存在匹配正确的特征区域的另一个候选位置，即，不会引发定位混淆、或在引发定位混淆时导致的定位偏差最小的位置。相应地，定位混淆的产生通常是因为错位匹配其他特征区域的候选位置被选定为匹配度最高的最优候选位置、并被选定为该特征模板的定位位置。此时，其他候选位置中的一个大概率为匹配正确的特征区域的另一候选位置，因此，可以将大概率匹配正确特征区域的其他候选位置替换引发定位混淆的最优定位位置，从而无需位置计算即可实现位置纠正。
如果其他候选位置中仅存在一个次优候选位置，则该次优候选位置为大概率匹配正确的特征区域的另一候选位置。但若其他候选位置包括多个，则为了验证替换最优定位位置的候选位置是否为大概率匹配正确的特征区域的另一候选位置，可以返回S230循环执行上述流程的后半段。其中，若经S230判定其不会引发定位混淆，则可以将其确定为待输出的定位位置；若经S230判定仍存在定位混淆，则在通过后续步骤继续判定其导致的定位偏差最小时，仍可以将其确定为待输出的定位位置；若经S230判定仍存在定位混淆、并且通过后续步骤继续判定其导致的定位偏差并非最小，则在剩余的其他候选位置中重新选取一个，并再次返回S230循环执行上述流程的后半段。这样的循环过程直至替换的其他候选位置未引发定位混淆、或在引发定位混淆时导致的定位偏差最小时结束。
上述S261～S262可以认为是对如图1所示流程中的S160的扩展。
作为如图1所示流程中的S160的另一种扩展，也可以利用导致最小定位偏差的特征模板的定位位置，更新导致最大定位偏差的特征模板的待输出的定位位置。
例如，在存在最小定位偏差的一组假想位置中，选取定位位置导致定位偏差最大的特征模板的对应假想位置，并将选取的假想位置确定导致最大定位偏差的特征模板的待输出的定位位置，即，将导致最大定位偏差的特征模板的定位位置替换为从存在最小定位偏差的一组假想位置中选取的一个对应假想位置。
再例如，以导致最小定位偏差的特征模板的定位位置为基准，利用各特征模板之间的参考相对距离，推算出导致最大定位偏差的特征模板的理想位置，并将推算的理想位置确定为导致最大定位偏差的特征模板的待输出的定位位置，即，将导致最大定位偏差的特征模板的定位位置替换为以导致最小定位偏差的特征模板的定位位置为基准推算出的理想位置。
上述流程结束后，即可输出各特征模板的定位位置。
在实际的定位匹配过程中，定位混淆可以表现为一个特征模板被错位匹配到与另一个特征模板交叠的定位位置，对于这种情况，可以通过处于各自定位位置的特征模板之间的位置关系来判定是否存在定位混淆。
图3为如图1所示的匹配定位方法基于位置判定混淆的扩展流程示意图。请参见图3，以引入基于位置判定混淆的机制为例，如图1所示的流程可以扩展为包括如下步骤：
S310：从模板图像中获取多个特征模板。
本步骤可以认为是与如图1所示流程中的S110原理实质相同。
S320：确定多个特征模板在目标图像中匹配的定位位置。
本步骤可以认为是与如图1所示流程中的S120原理实质相同，或者也可以扩展为包含如图2所示流程中的S221～S223。
S331：检测各特征模板的定位位置之间的位置关系，若特征模板的定位位置存在重叠，则表示存在定位混淆、并跳转至S332，若所有特征模板的定位位置之间均不存在重叠，则表示不存在定位混淆、并且可以直接结束本流程。
S332：当检测到有特征模板的定位位置导致特征模板之间发生重合率超出预定阈值的重叠时，确定重叠的特征模板的定位位置存在定位混淆。
其中，对于重合率的检测，可以通过计算发生重叠的特征模板的交集相比于并集的比值来确定，特征模板可以包括位置点的集合，相应地，特征模板的交集和并集可以理解为特征模板的位置点集合的交集和并集。
上述S331～S332可以认为是对如图1所示流程中的S130的扩展。
S340：当检测到定位混淆时，利用各特征模板之间的参考相对距离，分别以定位混淆的每个特征模板的定位位置为基准估算各特征模板的假想位置。
本步骤可以认为是与如图1所示流程中的S140原理实质相同。
S350：将各特征模板的定位位置与各特征模板以不同基准估算的假想位置进行比对，得到定位混淆的每个特征模板导致各特征模板的定位偏差。
本步骤可以认为是与如图1所示流程中的S150原理实质相同。
S360：以定位偏差最小为混淆纠正目标，为存在定位混淆的特征模板确定待输出的定位位置。
本步骤可以认为是与如图1所示流程中的S160原理实质相同，或者也可以扩展为包含如图2所示流程中的S261～S262。
上述流程结束后，即可输出各特征模板的定位位置。
在实际的定位匹配过程中，对于特征模板的假想位置的估算，该实施例中提供了一种简便的估算方式，即，利用位置向量的估算方式。
图4为如图1所示的匹配定位方法基于位置向量估算的扩展流程示意图。请参见图4，以在估算假想位置时采用基于位置向量估算的方式为例，如图1所示的流程可以扩展为包括如下步骤：
S410：从模板图像中获取多个特征模板。
本步骤可以认为是与如图1所示流程中的S110原理实质相同。
S420：确定多个特征模板在目标图像中匹配的定位位置。
本步骤可以认为是与如图1所示流程中的S120原理实质相同，或者也可以扩展为包含如图2所示流程中的S221～S223。
S430：检测特征模板的定位位置是否存在定位混淆，若检测到定位混淆，则继续执行后续的S441，否则可以直接结束本流程。
本步骤可以认为是与如图1所示流程中的S120原理实质相同，或者也可以扩展为包含如图3所示流程中的S331～S332。
S441：当检测到定位混淆时，获取各特征模板在模板图像中的参考相对距离，其中，获取到的参考相对距离包括以每两个特征模板的参考位置为基准的相对距离向量。
本步骤获取的相对距离向量可以组合为矩阵形式，如表达式(1)和(2)：
Figure BDA0002133845910000101
其中，Rref_x表示X方向上的相对距离矩阵，该距离矩阵中的Dx_i_j表示在模板图像中排列的第i个特征模板与第j个特征模板之间在X方向上的相对距离(Dx_i_i的取值为0)，并且，该距离矩阵中的每一行代表以第i个特征模板的参考位置为基准的X方向相对距离向量；
Figure BDA0002133845910000102
其中，Rref_y表示Y方向上的相对距离矩阵，该距离矩阵中的Dy_i_j表示在模板图像中排列的第i个特征模板与第j个特征模板之间在Y方向上的相对距离(Dy_i_i的取值为0)，并且，该距离矩阵中的每一行代表以第i个特征模板的参考位置为基准的Y方向相对距离向量。
另外，上述表达式(1)和(2)中的i和j可以为大于等于1、且小于等于模板图像中的特征模板总数的正整数。
S442：分别在定位混淆的每个特征模板的相对距离向量中叠加该特征模板的定位位置，得到以定位混淆的每个特征模板的定位位置为基准估算的假想位置向量，其中，假想位置向量中包含各特征模板的假想位置。
本步骤中得到的假想位置向量，可以表示为如下的表达式(3)和(4)：
Vp_x＝[Dx_k_1+Px_k … Dx_k_1+Px_k] 表达式(3)
其中，Vp_x表示以模板图像中排列的第k个特征模板(定位混淆的特征模板)的定位位置的X坐标位置Px_k为基准估算的X方向上的假想位置向量，该假想位置向量中的Dx_k_j表示在模板图像中排列的第k个特征模板(定位混淆的特征模板)与第j个特征模板之间在X方向上的相对距离。
Vp_y＝[Dy_k_1+Py_k … Dy_k_1+Py_k] 表达式(4)
其中，Vp_y表示以模板图像中排列的第k个特征模板(定位混淆的特征模板)的定位位置的Y坐标位置Py_k为基准估算的Y方向上的假想位置向量，该假想位置向量中的Dy_k_j表示在模板图像中排列的第k个特征模板(定位混淆的特征模板)与第j个特征模板之间在Y方向上的相对距离。
另外，上述表达式(3)和(4)中的k和j可以为大于等于1、且小于等于模板图像中的特征模板总数的正整数。
上述S441～S442可以认为是对如图1所示流程中的S140的扩展。
S450：将各特征模板的定位位置与各特征模板以不同基准估算的假想位置进行比对，得到定位混淆的每个特征模板导致各特征模板的定位偏差。
本步骤可以认为是与如图1所示流程中的S150原理实质相同。
S460：以定位偏差最小为混淆纠正目标，为存在定位混淆的特征模板确定待输出的定位位置。
本步骤可以认为是与如图1所示流程中的S160原理实质相同，或者也可以扩展为包含如图2所示流程中的S261～S262。
上述流程结束后，即可输出各特征模板的定位位置。
在实际的定位匹配过程中，对于定位偏差的确定方式可以采用综合统计的方式。
图5a和图5b为如图1所示的匹配定位方法基于偏差统计整合的扩展流程示意图。
请先参见图5a，以在确定定位偏差时采用基于偏差统计整合的方式为例，如图1所示的流程可以扩展为包括如下步骤：
S510：从模板图像中获取多个特征模板。
本步骤可以认为是与如图1所示流程中的S110原理实质相同。
S520：确定多个特征模板在目标图像中匹配的定位位置。
本步骤可以认为是与如图1所示流程中的S120原理实质相同，或者也可以扩展为包含如图2所示流程中的S221～S223。
S530：检测特征模板的定位位置是否存在定位混淆，若检测到定位混淆，则继续执行后续的S540，否则可以直接结束本流程。
本步骤可以认为是与如图1所示流程中的S130原理实质相同，或者也可以扩展为包含如图3所示流程中的S331～S332。
S540：当检测到定位混淆时，利用各特征模板之间的参考相对距离，分别以定位混淆的每个特征模板的定位位置为基准估算各特征模板的假想位置。
本步骤可以认为是与如图1所示流程中的S150原理实质相同，或者也可以扩展为包含如图4所示流程中的S441～S442。
S551：分别确定各特征模板以定位混淆的每个特征模板的定位位置为基准估算的假想位置相比于定位位置的偏差量。
S552：分别将各特征模板以定位混淆的每个特征模板的定位位置为基准的偏差量之和，确定为定位混淆的每个特征模板导致各特征模板的定位偏差。
本步骤中确定的偏差量可以表示为如下的表达式(5)：
Figure BDA0002133845910000121
其中，Diff_k表示各特征模板以模板图像中排列的第k个特征模板(定位混淆的特征模板)的定位位置为基准估算的假想位置相比于定位位置的偏差量；
Px_v(k，j)和Py_v(k，j)分别表示模板图像中排列的第j个特征模板以模板图像中排列的第k个特征模板(定位混淆的特征模板)的定位位置的X坐标位置和Y坐标位置为基准估算的假想位置的X坐标位置和Y坐标位置；
Px_m(j)和Py_m(j)则分别表示模板图像中排列的第j个特征模板在S520中匹配的定位位置的X坐标位置和Y坐标位置；
并且，Px_v(k，j)与Px_m(j)的差的绝对值可以表示S510中得到的偏差量的X分量，Py_v(k，j)与Py_m(j)的差的绝对值则可以表示S510中得到的偏差量的Y分量。
另外，若S540扩展为包含如图4所示流程中的S441～S442，则Px_v(k，j)和Py_v(k，j)的取值可以分别表示为如下的表达式(6)和(7)：
Px，v(k，j)＝Dx_k_j+Px_k 表达式(6)
Py_v(k，j)＝Dy_k_j+Py_k 表达式(7)
其中，Dx_k_j和Dy_k_j分别表示在模板图像中排列的第k个特征模板(定位混淆的特征模板)与第j个特征模板之间在X方向和Y方向上的相对距离，Px_k和Py_k分别表示模板图像中排列的第k个特征模板(定位混淆的特征模板)的定位位置的X坐标位置和Y坐标位置。
S560：以定位偏差最小为混淆纠正目标，为存在定位混淆的特征模板确定待输出的定位位置。
本步骤可以认为是与如图1所示流程中的S160原理实质相同，或者也可以扩展为包含如图2所示流程中的S261～S262。
上述流程结束后，即可输出各特征模板的定位位置。
请再参见图5b，相比于图5a所示的流程，在图5b中将S551和S552替代为基于相关度确定定位偏差的下述步骤：
S551’：分别确定各特征模板以定位混淆的每个特征模板的定位位置为基准估算的假想位置相比于各特征模板在模板图像中的参考位置的相关度。
本步骤中，可以利用如前文所述的表达式(1)和(2)形式的假想位置的位置向量与各特征模板在模板图像中的参考位置进行相关度计算。
S552’：以确定的相关度的排序确定定位混淆的每个特征模板导致各特征模板的定位偏差之间的大小关系。
本步骤中，可以认为是不计算定位偏差的具体偏差值，而是按照相关度的高低进行逆向排序确定等级化的定位偏差。即，相关度越高，表示定位偏差越小；反之，相关度越低，表示定位偏差越大。
图6为适用于如图1所示匹配定位方法的特征模板的实例示意图。图7为基于如图6所示特征模板的定位位置搜索的实例示意图。图8为如图7所示定位位置搜索后的定位混淆判决的实例示意图。图9a和图9b为如图8所示定位混淆判决后的假想位置估算的实例示意图。图10为基于如图9a和图9b所示的假想位置估算后输出的定位位置的实例示意图。
请先参见图6，假设模板图像600中沿X方向依次排列有匹配字符特征“2”的第一特征模板61、匹配字符特征“1”的第二特征模板62、匹配字符特征“1”的第三特征模板63、以及匹配字符特征“9”的第四特征模板64。
请再参见图7，获取到的目标图像700中存在沿X方向依次排列有一个字符特征“2”、两个字符特征“1”、以及一个字符特征“9”，并且字符特征“9”以及邻近该字符特征“9”一个字符特征“1”存在Y方向上的偏移。此时，可以从如图6所示的模板图像600中获取第一至第四特征模板61～64，第一特征模板61在目标图像700中的特征字符“2”处匹配到了唯一的定位位置71，第三特征模板63由于搜索范围的扩大而在目标图像700中邻近字符特征“9”的存在Y方向偏移的字符特征“1”处匹配到了唯一的定位位置73，第四特征模板64由于搜索范围的扩大而在存在Y方向偏移的目标图像700中的特征字符“9”处匹配到了唯一的定位位置74，而由于邻近字符特征“2”的其中一个字符特征“1”存在缺陷70，因此，搜索范围的扩大导致第二特征模板62在邻近字符特征“9”的字符特征“1”处匹配到了最优位置72a、同时在邻近字符特征“2”的字符特征“1”处匹配到了次优位置72b(虚线框)，并且最优位置72a被选定为第二特征模板62的定位位置。
请转至图8，通过检测第一至第四特征模板61～64的定位位置71、72a、73、74之间的位置关系，可以判断出第二特征模板62的定位位置72a与第三特征模板63的定位位置73重叠(如阴影部分所示)，此时，可以确定第二特征模板62和第三特征模板63为定位混淆的特征模板。
如图9a所示，利用第一至第四特征模板61～64在模板图像600中的参考相对距离，以第二特征模板62的定位位置72a为基准可以估算出的第一至第四特征模板61～64的第一组假想位置91a、92a、93a以及94a，其中，第二特征模板62的假想位置92a与定位位置72a相同。
如图9b所示，利用第一至第四特征模板61～64在模板图像600中的参考相对距离，以第三特征模板63的定位位置73为基准可以估算出的第一至第四特征模板61～64的第一组假想位置91b、92b、93b以及94b，其中，第三特征模板63的假想位置93b与定位位置73相同。
通过对比图9a和图9b可见，以第二特征模板62的定位位置72a为基准而对第一至第四特征模板61～64产生的整体偏差，要大于以第三特征模板63的定位位置73为基准而对第一至第四特征模板61～64产生的整体偏差。
最后请参见图10，基于整体偏差的比对，可以将第二特征模板62的定位位置72a替换为次优位置72b，以实现位置纠正。
图11为另一个实施例中的特征模板的匹配定位装置的示例性结构示意图。请参见图10，在该实施例中，一种特征模板的匹配定位装置可以包括：
模板获取模块1010，用于从模板图像中获取多个特征模板；
位置搜索模块1020，用于确定多个特征模板在目标图像中匹配的定位位置；
混淆判决模块1030，用于检测特征模板的定位位置是否存在定位混淆；
位置估算模块1040，用于当检测到定位混淆时，利用各特征模板之间的参考相对距离，分别以定位混淆的每个特征模板的定位位置为基准估算各特征模板的假想位置；
偏差估计模块1050，用于将各特征模板的定位位置与各特征模板以不同基准估算的假想位置进行比对，得到定位混淆的每个特征模板导致各特征模板的定位偏差；
定位纠正模块1060，用于以定位偏差最小为混淆纠正目标，为存在定位混淆的特征模板确定待输出的定位位置。
另外，如图11所示的匹配定位装置还可以包括定位输出模块1000，用于在不存在定位混淆时输出位置搜索模块1020匹配的定位位置，并在检测到定位混淆时输出位置搜索模块1020匹配的定位位置经定位纠正模块1060纠正后的结果。
基于上述定位装置，当检测到处于定位位置的特征模板存在定位混淆时，可以将特征模板在模板图像中的参考相对距离作为先验参考，判定出实际发生错位、并引发定位混淆的特征模板，并对引发定位混淆的模板的定位位置进行位置纠正。从而，相比于仅以特征模板的匹配程度相互独立地判定各特征模板的定位位置，上述流程以特征模板在模板图像中的参考相对距离作为先验参考，可以增强各自独立匹配的特征模板之间的关联性，并利用这样的关联性实现对混淆定位的纠正，能够有助于提升特征模板的匹配定位的准确率，进而有助于后续图像检测或识别的鲁棒性提升以及场景适应性的提升。
对于不同的图像检测或识别场景，可能会提供适用于不同的特征类型设定包含不同特征模板组合的模板图像。为了区分和管理适用于不同的特征类型的模板图像，模板获取模块1010可以进一步用于检测以人机交互方式输入的模板选择指令，获取模板选择指令中包括的特征类别标识，并且调用与特征类别标识关联的模板图像。
图12a和图12b为如图11所示的特征模板的匹配定位装置的优选实例结构示意图。请先参见图12a，如图11所示的各模块的逻辑结构可以进一步具体化。
为了支持搜索范围的扩张，位置搜索模块1020可以包括：区域界定子模块1021，用于在目标图像中确定每个特征模板的搜索区域，其中，每个特征模板的搜索区域的面积大于该特征模板的面积；特征匹配子模块1022，用于在每个特征模板的搜索区域中进行该特征模板与目标图像的特征匹配；位置筛选子模块1023，用于将每个特征模板在搜索区域中匹配到的最优候选位置确定为该特征模板的定位位置。
相应地，为了借助搜索范围扩张得到的多匹配位置实现简化的位置纠正，定位纠正模块1060可以包括：备选查询子模块1061，用于查询导致最大定位偏差的特征模板在搜索区域中匹配到的除最优定位位置之外的其他定位位置，例如，可以从特征匹配子模块1022查询；位置替换子模块1062，用于将导致最大定位偏差的特征模板的候选位置替换为查询到的其他候选位置之一，例如次优候选位置；其中，当替换的其他候选位置未引发定位混淆、或在引发定位混淆时导致的定位偏差最小时，将替换的该其他候选位置确定为待输出的定位位置。
作为一种替换方案，定位纠正模块1060也可以进一步用于利用导致最小定位偏差的特征模板的定位位置，更新导致最大定位偏差的特征模板的待输出的定位位置。例如，在存在最小定位偏差的一组假想位置中，选取定位位置导致定位偏差最大的特征模板的对应假想位置，并将选取的假想位置确定导致最大定位偏差的特征模板的待输出的定位位置，即，将导致最大定位偏差的特征模板的定位位置替换为从存在最小定位偏差的一组假想位置中选取的一个对应假想位置。再例如，以导致最小定位偏差的特征模板的定位位置为基准，利用各特征模板之间的参考相对距离，推算出导致最大定位偏差的特征模板的理想位置，并将推算的理想位置确定为导致最大定位偏差的特征模板的待输出的定位位置，即，将导致最大定位偏差的特征模板的定位位置替换为以导致最小定位偏差的特征模板的定位位置为基准推算出的理想位置。
若采用基于位置的混淆判定方式，则，混淆判决模块1030可以包括：
关系检测子模块1031，用于检测各特征模板的定位位置之间的位置关系；
重叠判定子模块1032，用于当检测到有特征模板的定位位置导致特征模板之间发生重合率超出预定阈值的重叠时，确定重叠的特征模板的定位位置存在定位混淆。其中，对于重合率的检测，重叠判定子模块1032可以通过计算发生重叠的特征模板的交集相比于并集的比值来确定，特征模板可以包括位置点的集合，相应地，特征模板的交集和并集可以理解为特征模板的位置点集合的交集和并集。
若采用向量化的相对距离及位置，则，位置估算模块1040可以包括：
参考加载子模块1041，用于获取各特征模板在模板图像中的参考相对距离，其中，获取到的参考相对距离包括以每两个特征模板的参考位置为基准的相对距离向量；
向量估算子模块1042，用于分别在定位混淆的每个特征模板的相对距离向量中叠加该特征模板的定位位置，得到以定位混淆的每个特征模板的定位位置为基准估算的假想位置向量，其中，假想位置向量中包含各特征模板的假想位置。
若采用统计综合评判方式的偏差估计，则，偏差估计模块1050可以包括：
离散偏差子模块1051，用于分别确定各特征模板以定位混淆的每个特征模板的定位位置为基准估算的假想位置相比于定位位置的偏差量；
偏差合并子模块1052，用于分别将各特征模板以定位混淆的每个特征模板的定位位置为基准的偏差量之和，确定为定位混淆的每个特征模板导致各特征模板的定位偏差。
请在参见图12b，偏差估计模块1050在图12a中包括的子模块也可以替代为：
相关判定子模块1051’，用于分别确定各特征模板以定位混淆的每个特征模板的定位位置为基准估算的假想位置相比于各特征模板在模板图像中的参考位置的相关度；
相关排序子模块1052’，用于以确定的相关度的排序确定定位混淆的每个特征模板导致各特征模板的定位偏差之间的大小关系。
可以理解的是，图12a和图12b中对各模块的逻辑结构的具体化设计，可以允许每一个模块的逻辑结构独立于其他模块具体化，而非存在相互依赖的必然关联。
图13为另一个实施例中的一种检测设备的结构示意图。请参见图13，该实施例中的检测设备可以包括处理器1310、存储器1320、以及非瞬时计算机可读存储介质1330，其中，处理器1310用于执行如图1至图5中任一所示的匹配定位方法中的步骤；存储器1320为可选的部件，其可以存储模板图像；非瞬时计算机可读存储介质1330可以存储指令，这些指令在由处理器1310执行时可以使得处理器1310执行如图1至图4以及图5a和图5b中任一所示的匹配定位方法中的步骤。
上述实施例中的方案，可以应用在字符缺陷检测的前序定位过程中。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明保护的范围之内。

Claims (16)

1.一种特征模板的匹配定位方法，其特征在于，包括：
从模板图像中获取多个特征模板；
确定多个特征模板在目标图像中匹配的定位位置；
检测特征模板的定位位置是否存在定位混淆；
当检测到定位混淆时，利用各特征模板之间的参考相对距离，分别以定位混淆的每个特征模板的定位位置为基准估算各特征模板的假想位置；
将各特征模板的定位位置与各特征模板以不同基准估算的假想位置进行比对，得到定位混淆的每个特征模板导致各特征模板的定位偏差；
以定位偏差最小为混淆纠正目标，为存在定位混淆的特征模板确定待输出的定位位置。
2.根据权利要求1所述的匹配定位方法，其特征在于，
确定多个特征模板在目标图像中匹配的定位位置包括：在目标图像中确定每个特征模板的搜索区域，在每个特征模板的搜索区域中进行该特征模板与目标图像的特征匹配，以及，将每个特征模板在搜索区域中匹配到的最优候选位置确定为该特征模板的定位位置，其中，每个特征模板的搜索区域的面积大于该特征模板的面积；
以定位偏差最小为混淆纠正目标，为存在定位混淆的特征模板确定待输出的定位位置包括：查询导致最大定位偏差的特征模板在搜索区域中匹配到的除最优定位位置之外的其他定位位置，并且将导致最大定位偏差的特征模板的定位位置替换为查询到的其他候选位置之一，其中，当替换的其他候选位置未引发定位混淆、或在引发定位混淆时导致的定位偏差最小时，将替换的该其他候选位置确定为待输出的定位位置。
3.根据权利要求1所述的匹配定位方法，其特征在于，以定位偏差最小为混淆纠正目标，为存在定位混淆的特征模板确定待输出的定位位置包括：
利用导致最小定位偏差的特征模板的定位位置，更新导致最大定位偏差的特征模板的待输出的定位位置。
4.根据权利要求1所述的匹配定位方法，其特征在于，检测特征模板的定位位置是否存在定位混淆包括：
检测各特征模板的定位位置之间的位置关系；
当检测到有特征模板的定位位置导致特征模板之间发生重合率超出预定阈值的重叠时，确定重叠的特征模板的定位位置存在定位混淆。
5.根据权利要求1所述的匹配定位方法，其特征在于，利用各特征模板之间的参考相对距离，分别以定位混淆的每个特征模板的定位位置为基准估算各特征模板的假想位置包括：
获取各特征模板在模板图像中的参考相对距离，其中，获取到的参考相对距离包括以每两个特征模板的参考位置为基准的相对距离向量；
分别在定位混淆的每个特征模板的相对距离向量中叠加该特征模板的定位位置，得到以定位混淆的每个特征模板的定位位置为基准估算的假想位置向量，其中，假想位置向量中包含各特征模板的假想位置。
6.根据权利要求1所述的匹配定位方法，其特征在于，将各特征模板的定位位置与各特征模板以不同基准估算的假想位置进行比对，得到定位混淆的每个特征模板导致各特征模板的定位偏差包括：
分别确定各特征模板以定位混淆的每个特征模板的定位位置为基准估算的假想位置相比于定位位置的偏差量，并且将各特征模板以定位混淆的每个特征模板的定位位置为基准的偏差量之和，分别确定为定位混淆的每个特征模板导致各特征模板的定位偏差；或者
分别确定各特征模板以定位混淆的每个特征模板的定位位置为基准估算的假想位置相比于各特征模板在模板图像中的参考位置的相关度，并且以确定的相关度的排序确定定位混淆的每个特征模板导致各特征模板的定位偏差之间的大小关系。
7.根据权利要求1所述的匹配定位方法，其特征在于，从模板图像中提取多个特征模板之前，进一步包括：
检测以人机交互方式输入的模板选择指令；
获取模板选择指令中包括的特征类别标识；
调用与特征类别标识关联的模板图像。
8.一种特征模板的匹配定位装置，其特征在于，包括：
模板获取模块，用于从模板图像中获取多个特征模板；
位置搜索模块，用于确定多个特征模板在目标图像中匹配的定位位置；
混淆判决模块，用于检测特征模板的定位位置是否存在定位混淆；
位置估算模块，用于当检测到定位混淆时，利用各特征模板之间的参考相对距离，分别以定位混淆的每个特征模板的定位位置为基准估算各特征模板的假想位置；
偏差估计模块，用于将各特征模板的定位位置与各特征模板以不同基准估算的假想位置进行比对，得到定位混淆的每个特征模板导致各特征模板的定位偏差；
定位纠正模块，用于以定位偏差最小为混淆纠正目标，为存在定位混淆的特征模板确定待输出的定位位置。
9.根据权利要求8所述的匹配定位装置，其特征在于，
位置搜索模块包括：
区域界定子模块，用于在目标图像中确定每个特征模板的搜索区域，其中，每个特征模板的搜索区域的面积大于该特征模板的面积；
特征匹配子模块，用于在每个特征模板的搜索区域中进行该特征模板与目标图像的特征匹配；
位置筛选子模块，用于将每个特征模板在搜索区域中匹配到的最优候选位置确定为该特征模板的定位位置；
定位纠正模块包括：
备选查询子模块，用于查询导致最大定位偏差的特征模板在搜索区域中匹配到的除最优定位位置之外的其他定位位置；
位置替换子模块，用于将导致最大定位偏差的特征模板的定位位置替换为查询到的其他候选位置之一；
其中，当替换的其他候选位置未引发定位混淆、或在引发定位混淆时导致的定位偏差最小时，将替换的该其他候选位置确定为待输出的定位位置。
10.根据权利要求8所述的匹配定位装置，其特征在于，定位纠正模块进一步用于利用导致最小定位偏差的特征模板的定位位置，更新导致最大定位偏差的特征模板的待输出的定位位置。
11.根据权利要求8所述的匹配定位装置，其特征在于，混淆判决模块包括：
关系检测子模块，用于检测各特征模板的定位位置之间的位置关系；
重叠判定子模块，用于当检测到有特征模板的定位位置导致特征模板之间发生重合率超出预定阈值的重叠时，确定重叠的特征模板的定位位置存在定位混淆。
12.根据权利要求8所述的匹配定位装置，其特征在于，位置估算模块包括：
参考加载子模块，用于获取各特征模板在模板图像中的参考相对距离，其中，获取到的各特征模板之间的参考相对距离包括以每两个特征模板的参考位置为基准的相对距离向量；
向量估算子模块，用于分别在定位混淆的每个特征模板的相对距离向量中叠加该特征模板的定位位置，得到以定位混淆的每个特征模板的定位位置为基准估算的假想位置向量，其中，假想位置向量中包含各特征模板的假想位置。
13.根据权利要求8所述的匹配定位装置，其特征在于，
偏差估计模块包括：
离散偏差子模块，用于分别确定各特征模板以定位混淆的每个特征模板的定位位置为基准估算的假想位置相比于定位位置的偏差量；
偏差合并子模块，用于分别将各特征模板以定位混淆的每个特征模板的定位位置为基准的偏差量之和，确定为定位混淆的每个特征模板导致各特征模板的定位偏差；或者
偏差估计模块包括：
相关判定子模块，用于分别确定各特征模板以定位混淆的每个特征模板的定位位置为基准估算的假想位置相比于各特征模板在模板图像中的参考位置的相关度；
相关排序子模块，用于以确定的相关度的排序确定定位混淆的每个特征模板导致各特征模板的定位偏差之间的大小关系。
14.根据权利要求13所述的匹配定位装置，其特征在于，
模板获取模块进一步用于检测以人机交互方式输入的模板选择指令，获取模板选择指令中包括的特征类别标识，并且调用与特征类别标识关联的模板图像。
15.一种检测设备，其特征在于，包括处理器，所述处理器用于执行如权利要求1至7中任一项所述的匹配定位方法中的步骤。
16.一种非瞬时计算机可读存储介质，其特征在于，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如权利要求1至7中任一项所述的匹配定位方法中的步骤。
CN201910647215.5A 2019-07-17 2019-07-17 特征模板的匹配定位方法和匹配定位装置 Active CN112241975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910647215.5A CN112241975B (zh) 2019-07-17 2019-07-17 特征模板的匹配定位方法和匹配定位装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910647215.5A CN112241975B (zh) 2019-07-17 2019-07-17 特征模板的匹配定位方法和匹配定位装置

Publications (2)

Publication Number Publication Date
CN112241975A true CN112241975A (zh) 2021-01-19
CN112241975B CN112241975B (zh) 2024-03-29

Family

ID=74167451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910647215.5A Active CN112241975B (zh) 2019-07-17 2019-07-17 特征模板的匹配定位方法和匹配定位装置

Country Status (1)

Country Link
CN (1) CN112241975B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920117A (zh) * 2021-12-14 2022-01-11 成都数联云算科技有限公司 一种面板缺陷区域检测方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101770583A (zh) * 2010-01-15 2010-07-07 华中科技大学 一种基于场景全局特征的模板匹配方法
US20120070073A1 (en) * 2010-09-18 2012-03-22 Suryaprakash Kompalli Searching document images
CN103150557A (zh) * 2013-02-26 2013-06-12 北京航空航天大学 一种基于机器视觉的显示终端操作响应匹配检测装置
CN108492327A (zh) * 2018-02-07 2018-09-04 广州视源电子科技股份有限公司 Aoi图像匹配方法、系统、可读存储介质及智能设备
CN108982508A (zh) * 2018-05-23 2018-12-11 江苏农林职业技术学院 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法
CN109409385A (zh) * 2018-10-16 2019-03-01 南京鑫和汇通电子科技有限公司 一种指针式仪表自动识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101770583A (zh) * 2010-01-15 2010-07-07 华中科技大学 一种基于场景全局特征的模板匹配方法
US20120070073A1 (en) * 2010-09-18 2012-03-22 Suryaprakash Kompalli Searching document images
CN103150557A (zh) * 2013-02-26 2013-06-12 北京航空航天大学 一种基于机器视觉的显示终端操作响应匹配检测装置
CN108492327A (zh) * 2018-02-07 2018-09-04 广州视源电子科技股份有限公司 Aoi图像匹配方法、系统、可读存储介质及智能设备
CN108982508A (zh) * 2018-05-23 2018-12-11 江苏农林职业技术学院 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法
CN109409385A (zh) * 2018-10-16 2019-03-01 南京鑫和汇通电子科技有限公司 一种指针式仪表自动识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920117A (zh) * 2021-12-14 2022-01-11 成都数联云算科技有限公司 一种面板缺陷区域检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112241975B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN110335319B (zh) 一种语义驱动的相机定位与地图重建方法和系统
EP1677250B1 (en) Image collation system and image collation method
US8412730B2 (en) Image search apparatus and method thereof
US6411734B1 (en) Object image search using validated sub-model poses
CN108806059B (zh) 基于特征点的票据对齐和八邻域连通体偏移修正的文本区域定位方法
CN110749901B (zh) 自主移动机器人及其地图拼接方法、装置和可读存储介质
CN111512317A (zh) 一种多目标实时跟踪方法、装置及电子设备
CN109146963A (zh) 一种基于快速特征匹配的图像位置偏移检测方法
CN110189373A (zh) 一种基于视觉语义信息的快速重定位方法及装置
US7941008B2 (en) Pattern search method
CN114049383B (zh) 一种多目标跟踪方法、设备及可读存储介质
CN112241975B (zh) 特征模板的匹配定位方法和匹配定位装置
Kataria et al. Improving structure from motion with reliable resectioning
CN114170521B (zh) 一种叉车托盘对接识别定位方法
Konouchine et al. AMLESAC: A new maximum likelihood robust estimator
JPH04306067A (ja) 画像処理方法および画像処理装置
JP3066173B2 (ja) パターンマッチング方法
US9454808B2 (en) Pattern processing apparatus, pattern processing method, and pattern processing program
US20240104919A1 (en) Information processing apparatus and information processing method
US11256930B2 (en) Road surface management system and road surface management method thereof
Shao et al. Grouped outlier removal for robust ellipse fitting
CN114563791A (zh) 一种机器人重定位的方法
CN116824594B (zh) 一种用于图像中定位关键词的文本排序方法
US8442270B2 (en) Object detecting method and non-transitory computer-readable recording medium storing an object detection program
CN112634395A (zh) 一种基于slam的地图构建方法及装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 310051 room 304, B / F, building 2, 399 Danfeng Road, Binjiang District, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou Hikvision Robot Co.,Ltd.

Address before: 310052 5 / F, building 1, building 2, no.700 Dongliu Road, Binjiang District, Hangzhou City, Zhejiang Province

Applicant before: HANGZHOU HIKROBOT TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant