CN112508037B - 图像模板匹配方法、装置及存储装置 - Google Patents
图像模板匹配方法、装置及存储装置 Download PDFInfo
- Publication number
- CN112508037B CN112508037B CN202011322510.2A CN202011322510A CN112508037B CN 112508037 B CN112508037 B CN 112508037B CN 202011322510 A CN202011322510 A CN 202011322510A CN 112508037 B CN112508037 B CN 112508037B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- pyramid model
- points
- target edge
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013507 mapping Methods 0.000 claims description 36
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像模板匹配方法、装置及存储装置。其中方法包括:对形状模板图像和待搜索图像均进行若干次降采样处理,以分别获得第一图像金字塔模型和第二图像金字塔模型,在第一图像金字塔模型的每层图像中采集预设个数的目标边缘点以及提取特征点,所述特征点包括基于多边形逼近算法获取的多边形的角点;从图像金字塔模型的最顶层图像开始,根据采集到的目标边缘点和提取到的特征点,将第二图像金字塔模型的每层图像与第一图像金字塔模型的对应层图像依次进行匹配,直至得到待搜索图像与形状模板图像的匹配结果。通过上述方式,可以显著减少计算量,加快匹配速度。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种图像模板匹配方法、装置及存储装置。
背景技术
现有图像模板匹配方法通常先对搜索图像和形状模板图像提取图像金字塔模型,然后在图像金字塔模型的每一层图像中提取边缘点,再遍历每个边缘点计算每层图像之间的相似度。在图像金字塔模型的高分辨率层图像中,边缘点个数很多,使得遍历每个边缘点计算该层图像之间的相似度的计算量非常大,虽然匹配精度高,但是严重影响了模板匹配速度。
发明内容
本申请提供一种图像模板匹配方法、装置及存储装置,能够解决现有技术中因图像金字塔模型的高分辨率层图像中边缘点个数多使得计算相似度的计算量非常大,影响模板匹配速度的问题。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种图像模板匹配方法,所述方法包括:
对形状模板图像进行M次降采样处理,得到包含M+1层图像的第一图像金字塔模型,以及对待搜索图像进行M次降采样处理,得到包含M+1层图像的第二图像金字塔模型,其中,所述形状模板图像位于所述第一图像金字塔模型的第1层,所述待搜索图像位于所述第二图像金字塔模型的第1层,M为大于或等于1的整数;
基于第一预设规则确定所述第一图像金字塔模型的第M+1层图像中的目标边缘点,基于第二预设规则在所述第一图像金字塔模型的非第M+1层图像中采集预设个数的目标边缘点,其中,在第i-1层图像中采集的目标边缘点个数根据第i层图像中的目标边缘点个数确定,2≤i≤M+1;
在所述第一图像金字塔模型的每层图像中提取特征点,所述特征点包括基于多边形逼近算法获取的多边形的角点;
根据在所述第一图像金字塔模型的第M+1层图像中确定的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第M+1层图像在所述第二图像金字塔模型的第M+1层图像的各个像素点上的匹配得分,将所述第二图像金字塔模型的第M+1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第M+1层图像的匹配结果;
根据在所述第一图像金字塔模型的第j-1层图像中采集到的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第j-1层图像在所述第二图像金字塔模型的第j-1层图像的映射区域所包含的各个像素点上的匹配得分,将所述第二图像金字塔模型的第j-1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第j-1层图像的匹配结果;其中,所述第二图像金字塔模型的第j-1层图像的映射区域由第j层图像的匹配结果映射得到,3≤j≤M+1;
根据在所述形状模板图像中采集到的目标边缘点和提取到的特征点,计算所述形状模板图像在所述待搜索图像的映射区域所包含的各个像素点上的匹配得分,将匹配得分中最大匹配得分所对应的像素点的位置信息作为所述待搜索图像和所述形状模板图像的匹配结果输出;其中,所述待搜索图像的映射区域由第2层图像的匹配结果映射得到。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种图像模板匹配装置,包括:
图像金字塔模型生成模块,用于对形状模板图像进行M次降采样处理,得到包含M+1层图像的第一图像金字塔模型,以及对待搜索图像进行M次降采样处理,得到包含M+1层图像的第二图像金字塔模型,其中,所述形状模板图像位于所述第一图像金字塔模型的第1层,所述待搜索图像位于所述第二图像金字塔模型的第1层,M为大于或等于1的整数;
目标边缘点模块,用于基于第一预设规则确定所述第一图像金字塔模型的第M+1层图像中的目标边缘点,基于第二预设规则在所述第一图像金字塔模型的非第M+1层图像中采集预设个数的目标边缘点,其中,在第i-1层图像中采集的目标边缘点个数根据第i层图像中的目标边缘点个数确定,2≤i≤M+1;
特征点模块,用于在所述第一图像金字塔模型的每层图像中提取特征点,所述特征点包括基于多边形逼近算法获取的多边形的角点;
匹配模块,用于根据在所述第一图像金字塔模型的第M+1层图像中确定的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第M+1层图像在所述第二图像金字塔模型的第M+1层图像的各个像素点上的匹配得分,将所述第二图像金字塔模型的第M+1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第M+1层图像的匹配结果;
所述匹配模块,还用于根据在所述第一图像金字塔模型的第j-1层图像中采集到的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第j-1层图像在所述第二图像金字塔模型的第j-1层图像的映射区域所包含的各个像素点上的匹配得分,将所述第二图像金字塔模型的第j-1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第j-1层图像的匹配结果;其中,所述第二图像金字塔模型的第j-1层图像的映射区域由第j层图像的匹配结果映射得到,3≤j≤M+1;
所述匹配模块,还用于根据在所述形状模板图像中采集到的目标边缘点和提取到的特征点,计算所述形状模板图像在所述待搜索图像的映射区域所包含的各个像素点上的匹配得分,将匹配得分中最大匹配得分所对应的像素点的位置信息作为所述待搜索图像和所述形状模板图像的匹配结果输出;其中,所述待搜索图像的映射区域由第2层图像的匹配结果映射得到。
为解决上述技术问题,本申请采用的再一个技术方案是:提供一种图像模板匹配装置,该装置包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现上述的图像模板匹配方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以实现图像模板匹配。
为解决上述技术问题,本申请采用的再一个技术方案是:提供一种存储装置,存储有能够实现上述的图像模板匹配方法的程序文件。
本申请的有益效果是:本申请的图像模板匹配方法、装置及存储装置通过对形状模板图像进行M次降采样处理,得到包含M+1层图像的第一图像金字塔模型,以及对待搜索图像进行M次降采样处理,得到包含M+1层图像的第二图像金字塔模型,其中,所述形状模板图像位于所述第一图像金字塔模型的第1层,所述待搜索图像位于所述第二图像金字塔模型的第1层,M为大于或等于1的整数;基于第一预设规则确定所述第一图像金字塔模型的第M+1层图像中的目标边缘点,基于第二预设规则在所述第一图像金字塔模型的非第M+1层图像中采集预设个数的目标边缘点,其中,在第i-1层图像中采集的目标边缘点个数根据第i层图像中的目标边缘点个数确定,2≤i≤M+1;在所述第一图像金字塔模型的每层图像中提取特征点,所述特征点包括基于多边形逼近算法获取的多边形的角点;根据在所述第一图像金字塔模型的第M+1层图像中确定的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第M+1层图像在所述第二图像金字塔模型的第M+1层图像的各个像素点上的匹配得分,将所述第二图像金字塔模型的第M+1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第M+1层图像的匹配结果;根据在所述第一图像金字塔模型的第j-1层图像中采集到的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第j-1层图像在所述第二图像金字塔模型的第j-1层图像的映射区域所包含的各个像素点上的匹配得分,将所述第二图像金字塔模型的第j-1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第j-1层图像的匹配结果;其中,所述第二图像金字塔模型的第j-1层图像的映射区域由第j层图像的匹配结果映射得到,3≤j≤M+1;根据在所述形状模板图像中采集到的目标边缘点和提取到的特征点,计算所述形状模板图像在所述待搜索图像的映射区域所包含的各个像素点上的匹配得分,将匹配得分中最大匹配得分所对应的像素点的位置信息作为所述待搜索图像和所述形状模板图像的匹配结果输出;其中,所述待搜索图像的映射区域由第2层图像的匹配结果映射得到。通过上述方式,可以显著减少匹配过程中需要用到的边缘点个数,减少计算量,加快匹配速度,同时,通过将提取到的特征点与采集到的目标边缘点一起作为对形状模板图像和待搜索图像进行匹配的计算依据,可以有效提升最终得到的匹配结果的精度。
附图说明
图1是本申请第一实施例的图像模板匹配方法的流程示意图;
图2是本申请实施例中第一图像金字塔模型示意图;
图3是本申请实施例的图像模板匹配装置的第一结构示意图;
图4是本申请实施例的图像模板匹配装置的第二结构示意图;
图5是本申请实施例的存储装置的结构示意图。
具体实施方式
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清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,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。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
图1是本申请第一实施例的图像模板匹配方法的流程示意图。需注意的是,若有实质上相同的结果,本申请的方法并不以图1所示的流程顺序为限。如图1所示,该方法包括步骤:
步骤S101:对形状模板图像进行M次降采样处理,得到包含M+1层图像的第一图像金字塔模型,以及对待搜索图像进行M次降采样处理,得到包含M+1层图像的第二图像金字塔模型,其中,M为大于或等于1的整数。
在步骤S101中,对该形状模板图像进行M次降采样处理后,得到M个分辨率不同的降采样图像,然后将该形状模板图像和该M个分辨率不同的降采样图像按照分辨率由高到低排序形成包含M+1层图像的第一图像金字塔模型。其中,形状模板图像的分辨率最高,为第一图像金字塔模型的第1层图像,位于第一图像金字塔模型的最顶层;第M+1层图像的分辨率最低,位于第一图像金字塔模型的最顶层。
举例说明,请参阅图2所示,图2为对形状模板图像11进行5次降采样处理后得到的包括6层图像的第一图像金字塔模型10,如图2中所示,该第一图像金字塔模型10包括第1层图像11、第2层图像12、第3层图像13、第4层图像14、第5层图像15、以及第6层图像16。
同理,按照与形状模板图像相同的处理方式,对待搜索图像也进行M次降采样处理后,得到包含M+1层图像的第二图像金字塔模型。其中,待搜索图像的分辨率最高,为第二图像金字塔模型的第1层,位于第二图像金字塔模型的最底层。
其中,M可以根据经验值或者实际所能接受的计算量设定,在此不做限制。
步骤S102:基于第一预设规则确定该第一图像金字塔模型的第M+1层图像中的目标边缘点,基于第二预设规则在该第一图像金字塔模型的非第M+1层图像中采集预设个数的目标边缘点。
可选的,在步骤S102中,先基于Canny算子对第一图像金字塔模型的每层图像分别进行边缘检测,获取每层图像中的边缘点,并记录每层图像中的边缘点个数,然后在该第一图像金字塔模型的每层图像中,将获取到的边缘点连接形成边缘线;最后沿该边缘线在每层图像中再按照预设规则采集预设个数的目标边缘点。
可选地,对于第M+1层图像,若通过Canny算子获取到的边缘点个数较少,则不需要在该第M+1层图像中采集预设个数的目标边缘点,即直接将通过Canny算子获取到的边缘点个数作为第M+1层图像中要采集的目标边缘点的预设个数。若通过Canny算子获取到的第M+1层图像的边缘点个数较多,则可以使用任何合适的采样方法在该第M+1层图像中采集预设个数的目标边缘点。
可选地,对于除第M+1层图像以外的其他层图像,在第i-1层图像中采集的目标边缘点个数根据第i层图像中的目标边缘点个数确定,其中,2≤i≤M+1。例如,将预设系数与该第i层图像中的目标边缘点个数的乘积作为该第i-1层图像中要采集的目标边缘点个数。可以理解的是,预设系数设置得越大,在第i-1层图像中要采集的目标边缘点个数越多,遍历每个目标边缘点计算相似度的计算量越大,影响匹配速度。预设系数设置得越小,在第i-1层图像中要采集的目标边缘点个数越少,遍历每个目标边缘点计算相似度的计算量越小,但是可能会影响匹配精度。因此,该预设系数可以根据实际应用场景进行设定,在此不予限定。
可选地,若通过Canny算子获取到第m层图像的边缘点个数为x,根据x个边缘点得到边缘线,将该第m层图像的边缘线首尾相接形成第m层图像的轮廓,然后沿着该轮廓对该x个边缘点进行编号,序号依次为1,2,…,x-1,其中,1≤m≤M。然后按照如下公式(1)确定从x个边缘点中要采集的y个边缘点的序号,这些序号对应的边缘点即为目标边缘点:
其中,1≤k≤y,Ptar(k)为要采集的第k个目标边缘点的序号,为该第k个目标边缘点在x个边缘点中的序号。
通过上述方式,可以显著减少形状匹配时需要用到的边缘点个数,从而减少计算量,加快匹配速度。
步骤S103:在该第一图像金字塔模型的每层图像中提取特征点,所述特征点包括基于多边形逼近算法获取的多边形的角点。
此时步骤S103具体包括:基于第n层图像的边缘线,通过多边形逼近算法获取若干个多边形,将该若干个多边形的角点作为该第n层图像的特征点,其中,1≤n≤M+1。
在其他实施方式中,步骤S103中的特征点还可以包括Fast角点、surf特征点、以及orb特征点中的至少一种。
需要说明的是,在本申请的其他实施例中,也可以直接提取Fast角点、surf特征点、以及orb特征点中的任意一种或几种的组合来作为每层图像中的特征点,即不一定必须包含基于多边形逼近算法获取的多边形的角点。
总而言之,本申请只要提取到的特征点能够表征每层图像中的边缘特征即可,具体特征点为何种点,本申请不做过多限制。
步骤S104:根据在该第一图像金字塔模型的第M+1层图像中确定的目标边缘点和提取到的特征点,计算第一图像金字塔模型的第M+1层图像在第二图像金字塔模型的第M+1层图像的各个像素点上的匹配得分,并将该第二图像金字塔模型的第M+1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第M+1层图像的匹配结果。
可选地,在步骤S104中,计算第一图像金字塔模型的第M+1层图像在第二图像金字塔模型的第M+1层图像的各个像素点上的匹配得分的步骤可以为:先基于Sobel算子计算在第一图像金字塔模型的最M+1层图像中确定的目标边缘点的x方向梯度和y方向梯度、提取到的特征点的x方向梯度和y方向梯度、以及第二图像金字塔模型的第M+1层图像的各个像素点的x方向梯度和y方向梯度;然后对计算到的x方向梯度和y方向梯度均进行归一化处理;再基于归一化处理后的x方向梯度和归一化处理后的y方向梯度,通过本领域中任何合适的相似度计算公式分别计算出第一图像金字塔模型的第M+1层图像在第二图像金字塔模型的第M+1层图像的各个像素点上的匹配得分。
可选地,在本实施例中,基于如下公式(2)计算第一图像金字塔模型的第M+1层图像在第二图像金字塔模型的第M+1层图像的像素点(u,v)上的匹配得分:
其中,Ei为第一图像金字塔模型的第M+1层图像中目标边缘点和特征点所形成的集合,(x,y)表示该Ei集合中的其中一个点的坐标,为第一图像金字塔模型的第M+1层图像中目标边缘点和特征点归一化后的x方向的值,为第一图像金字塔模型的第M+1层图像中目标边缘点和特征点归一化后的y方向的值,/>为第一图像金字塔模型的第M+1层图像中目标边缘点和特征点的x方向梯度,/>为第一图像金字塔模型的第M+1层图像中目标边缘点和特征点的y方向梯度,/>为第二图像金字塔模型的第M+1层图像的各个像素点归一化后的x方向的值,为第二图像金字塔模型的第M+1层图像的各个像素点归一化后的y方向的值,/>为第二图像金字塔模型的第M+1层图像的各个像素点的x方向梯度,/>为第二图像金字塔模型的第M+1层图像的各个像素点的y方向梯度。
可选地,在步骤S104中,像素点的位置信息包括像素点的位置坐标。
在步骤S104中,通过将提取到的特征点与目标边缘点一起作为第一图像金字塔模型的第M+1层图像与第二图像金字塔模型的第M+1层图像匹配的计算依据,可以提高匹配结果的准确性。
步骤S105:根据在第一图像金字塔模型的第j-1层图像中采集到的目标边缘点和提取到的特征点,计算第一图像金字塔模型的第j-1层图像在第二图像金字塔模型的第j-1层图像的映射区域所包含的各个像素点上的匹配得分,并将第二图像金字塔模型的第j-1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第j-1层图像的匹配结果。
需要说明的是,在步骤S105中,第二图像金字塔模型的第j-1层图像的映射区域由第j层图像的匹配结果映射得到,其中,3≤j≤M+1。可以理解的是,第j层图像是基于对第j-1层图像进行1次降采样处理后得到,因此,当给定第j层图像的匹配结果时,可以使用本领域中任何合适的方法将该匹配结果映射到第j-1层图像上,得到第j-1层图像的映射区域。例如通过插值算法将第j层图像的匹配结果映射到第j-1层图像上,得到第j-1层图像的映射区域。
可选的,在步骤S105中,计算匹配得分的方法与步骤S104中计算匹配得分的方法相同,为简约起见,在此不再赘述。通过将特征点与目标边缘点一起作为每层图像匹配的依据,可以有效提升最终得到的匹配结果的精度。
步骤S106:根据在形状模板图像中采集到的目标边缘点和提取到的特征点,计算形状模板图像在待搜索图像的映射区域所包含的各个像素点上的匹配得分,并将匹配得分中最大匹配得分所对应的像素点的位置信息作为该待搜索图像和该形状模板图像的匹配结果输出。
在步骤S106中,最终输出的位置信息即为匹配目标所在位置信息。需要说明的是,待搜索图像的映射区域由第2层图像的匹配结果映射得到。
本申请第一实施例的图像模板匹配方法在匹配时只利用到了第一图像金字塔模型中图像的目标边缘点和特征点,相比现有技术中利用所有的边缘点,本申请可以显著减少匹配过程中需要用到的边缘点个数,减少计算量,加快匹配速度,同时,通过将提取到的特征点与采集到的边缘点一起作为对形状模板图像和待搜索图像进行匹配的计算依据,可以有效提升最终得到的匹配结果的精度。
图3是本申请实施例的图像模板匹配装置的第一结构示意图。如图3所示,该装置20包括图像金字塔模型生成模块21、目标边缘点模块22、特征点模块23以及匹配模块24。
其中,图像金字塔模型生成模块21,用于对形状模板图像进行M次降采样处理,得到包含M+1层图像的第一图像金字塔模型,以及对待搜索图像进行M次降采样处理,得到包含M+1层图像的第二图像金字塔模型,其中,所述形状模板图像位于所述第一图像金字塔模型的第1层,所述待搜索图像位于所述第二图像金字塔模型的第1层,M为大于或等于1的整数。
目标边缘点模块22与图像金字塔模型生成模块21耦接,用于基于第一预设规则确定所述第一图像金字塔模型的第M+1层图像中的目标边缘点,基于第二预设规则在所述第一图像金字塔模型的非第M+1层图像中采集预设个数的目标边缘点,其中,在第i-1层图像中采集的目标边缘点个数根据第i层图像中的目标边缘点个数确定,2≤i≤M+1。
特征点模块23与图像金字塔模型生成模块21和目标边缘点模块22耦接,用于在所述第一图像金字塔模型的每层图像中提取特征点,所述特征点包括基于多边形逼近算法获取的多边形的角点。
匹配模块24与图像金字塔模型生成模块21、目标边缘点模块22、以及特征点模块23均耦接,用于根据在所述第一图像金字塔模型的第M+1层图像中确定的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第M+1层图像在所述第二图像金字塔模型的第M+1层图像的各个像素点上的匹配得分,将所述第二图像金字塔模型的第M+1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第M+1层图像的匹配结果。
匹配模块24还用于根据在所述第一图像金字塔模型的第j-1层图像中采集到的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第j-1层图像在所述第二图像金字塔模型的第j-1层图像的映射区域所包含的各个像素点上的匹配得分,将所述第二图像金字塔模型的第j-1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第j-1层图像的匹配结果;其中,所述第二图像金字塔模型的第j-1层图像的映射区域由第j层图像的匹配结果映射得到,3≤j≤M+1。
匹配模块24还用于根据在所述形状模板图像中采集到的目标边缘点和提取到的特征点,计算所述形状模板图像在所述待搜索图像的映射区域所包含的各个像素点上的匹配得分,将匹配得分中最大匹配得分所对应的像素点的位置信息作为所述待搜索图像和所述形状模板图像的匹配结果输出;其中,所述待搜索图像的映射区域由第2层图像的匹配结果映射得到。
可选地,目标边缘点模型22基于第一预设规则确定所述第一图像金字塔模型的第M+1层图像中的目标边缘点的操作可以为:对所述第M+1层图像进行边缘检测,将检测到的边缘点均作为所述第M+1层图像的目标边缘点。
可选地,目标边缘点模型22基于第二预设规则在所述第一图像金字塔模型的非第M+1层图像中采集预设个数的目标边缘点的操作可以为:获取所述第一图像金字塔模型的每层图像的边缘线;将所述第m层图像的边缘线首尾相接形成所述第m层图像的轮廓,所述轮廓中包含x个边缘点,并沿着所述轮廓对所述x个边缘点进行编号,所述x个边缘点的序号依次为0,1,2,…,x-1,1≤m≤M;根据第一公式确定在所述第m层图像中要采集的y个目标边缘点的序号,所述第一公式为:
其中,1≤k≤y,Ptar(k)为要采集的第k个目标边缘点的序号,为所述第k个目标边缘点在x个边缘点中的序号。
特征点模块23在所述第一图像金字塔模型的每层图像中提取特征点,所述特征点包括基于多边形逼近算法获取的多边形的角点的操作可以为:基于第n层图像的边缘线,通过多边形逼近算法获取若干个多边形,将所述若干个多边形的角点作为所述第n层图像的特征点,其中,1≤n≤M+1。
可选地,目标边缘点模型22在第i-1层图像中采集的目标边缘点个数根据第i层图像中的目标边缘点个数确定的操作可以为:计算预设系数与所述第i层图像中的目标边缘点个数的乘积,将所述乘积作为所述第i-1层图像中采集的目标边缘点个数。
可选地,所述特征点还包括选自Fast角点、surf特征点、以及orb特征点中的任意一种或几种的组合。
可选地,匹配模块24根据在所述第一图像金字塔模型的第j-1层图像中采集到的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第j-1层图像在所述第二图像金字塔模型的第j-1层图像的映射区域所包含的各个像素点上的匹配得分的操作可以为:获取所述第一图像金字塔模型的第j-1层图像中各个所述目标边缘点的x方向梯度和y方向梯度、以及各个所述特征点的x方向梯度和y方向梯度,以及获取所述第二图像金字塔模型的第j-1层图像的映射区域所包含的各个像素点的x方向梯度和y方向梯度;对获取到的x方向梯度和y方向梯度进行归一化处理;基于归一化处理后的x方向梯度和归一化处理后的y方向梯度,通过本领域中任何合适的相似度计算公式分别计算所述第一图像金字塔模型的第j-1层图像在所述第二图像金字塔模型的第j-1层图像的映射区域所包含的各个像素点上的匹配得分。
请参阅图4,图4为本申请实施例的图像模板匹配装置的第二结构示意图。如图4所示,该检测装置30包括处理器31、及与处理器31耦接的存储器32。
存储器32存储有用于实现上述任一实施例所述的图像模板匹配方法的程序指令。
处理器31用于执行存储器32存储的程序指令以实现图像模板匹配。
其中,处理器31还可以称为CPU(Central Processing Unit,中央处理单元)。处理器31可能是一种集成电路芯片,具有信号的处理能力。处理器31还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
参阅图5,图5为本申请实施例的存储装置的结构示意图。本申请实施例的存储装置存储有能够实现上述所有方法的程序文件41,其中,该程序文件41可以以软件产品的形式存储在上述存储装置中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储装置包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种图像模板匹配方法,其特征在于,所述方法包括:
对形状模板图像进行M次降采样处理,得到包含M+1层图像的第一图像金字塔模型,以及对待搜索图像进行M次降采样处理,得到包含M+1层图像的第二图像金字塔模型,其中,所述形状模板图像位于所述第一图像金字塔模型的第1层,所述待搜索图像位于所述第二图像金字塔模型的第1层,M为大于或等于1的整数;
基于第一预设规则确定所述第一图像金字塔模型的第M+1层图像中的目标边缘点,基于第二预设规则在所述第一图像金字塔模型的非第M+1层图像中采集预设个数的目标边缘点,其中,在第i-1层图像中采集的目标边缘点个数根据第i层图像中的目标边缘点个数确定,2≤i≤M+1;
在所述第一图像金字塔模型的每层图像中提取特征点,所述特征点表征所述每层图像中的边缘特征;
根据在所述第一图像金字塔模型的第M+1层图像中确定的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第M+1层图像在所述第二图像金字塔模型的第M+1层图像的各个像素点上的匹配得分,将所述第二图像金字塔模型的第M+1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第M+1层图像的匹配结果;
根据在所述第一图像金字塔模型的第j-1层图像中采集到的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第j-1层图像在所述第二图像金字塔模型的第j-1层图像的映射区域所包含的各个像素点上的匹配得分,将所述第二图像金字塔模型的第j-1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第j-1层图像的匹配结果;其中,所述第二图像金字塔模型的第j-1层图像的映射区域由第j层图像的匹配结果映射得到,3≤j≤M+1;
根据在所述形状模板图像中采集到的目标边缘点和提取到的特征点,计算所述形状模板图像在所述待搜索图像的映射区域所包含的各个像素点上的匹配得分,将匹配得分中最大匹配得分所对应的像素点的位置信息作为所述待搜索图像和所述形状模板图像的匹配结果输出;其中,所述待搜索图像的映射区域由第2层图像的匹配结果映射得到。
2.根据权利要求1所述的方法,其特征在于,所述基于第一预设规则确定所述第一图像金字塔模型的第M+1层图像中的目标边缘点,包括:
对所述第M+1层图像进行边缘检测,将检测到的边缘点均作为所述第M+1层图像的目标边缘点。
3.根据权利要求1所述的方法,其特征在于,所述基于第二预设规则在所述第一图像金字塔模型的非第M+1层图像中采集预设个数的目标边缘点,包括:
获取所述第一图像金字塔模型的每层图像的边缘线;
将第m层图像的边缘线首尾相接形成所述第m层图像的轮廓,所述轮廓中包含x个边缘点,并沿着所述轮廓对所述x个边缘点进行编号,所述x个边缘点的序号依次为0,1,2,…,x-1,1≤m≤M;
根据第一公式确定在所述第m层图像中要采集的y个目标边缘点的序号,所述第一公式为:
其中,1≤k≤y,Ptar(k)为要采集的第k个目标边缘点的序号,为所述第k个目标边缘点在x个边缘点中的序号。
4.根据权利要求3所述的方法,其特征在于,所述在所述第一图像金字塔模型的每层图像中提取特征点,所述特征点表征所述每层图像中的边缘特征,包括:
基于第n层图像的边缘线,通过多边形逼近算法获取若干个多边形,将所述若干个多边形的角点作为所述第n层图像的特征点,其中,1≤n≤M+1。
5.根据权利要求1所述的方法,其特征在于,所述在第i-1层图像中采集的目标边缘点个数根据第i层图像中的目标边缘点个数确定,包括:
计算预设系数与所述第i层图像中的目标边缘点个数的乘积,将所述乘积作为所述第i-1层图像中采集的目标边缘点个数。
6.根据权利要求1所述的方法,其特征在于,所述特征点包括Fast角点、surf特征点、以及orb特征点中的至少一种。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述根据在所述第一图像金字塔模型的第j-1层图像中采集到的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第j-1层图像在所述第二图像金字塔模型的第j-1层图像的映射区域所包含的各个像素点上的匹配得分,包括:
获取所述第一图像金字塔模型的第j-1层图像中各个所述目标边缘点的x方向梯度和y方向梯度、以及各个所述特征点的x方向梯度和y方向梯度,以及获取所述第二图像金字塔模型的第j-1层图像的映射区域所包含的各个像素点的x方向梯度和y方向梯度;
对获取到的各个所述目标边缘点的x方向梯度和y方向梯度、各个所述特征点的x方向梯度和y方向梯度、以及所述各个像素点的x方向梯度和y方向梯度均进行归一化处理;
基于归一化处理后的各个所述目标边缘点的x方向梯度和y方向梯度、各个所述特征点的x方向梯度和y方向梯度、以及所述各个像素点的x方向梯度和y方向梯度,分别计算所述第一图像金字塔模型的第j-1层图像在所述第二图像金字塔模型的第j-1层图像的映射区域所包含的各个像素点上的匹配得分。
8.一种图像模板匹配装置,其特征在于,所述装置包括:
图像金字塔模型生成模块,用于对形状模板图像进行M次降采样处理,得到包含M+1层图像的第一图像金字塔模型,以及对待搜索图像进行M次降采样处理,得到包含M+1层图像的第二图像金字塔模型,其中,所述形状模板图像位于所述第一图像金字塔模型的第1层,所述待搜索图像位于所述第二图像金字塔模型的第1层,M为大于或等于1的整数;
目标边缘点模块,用于基于第一预设规则确定所述第一图像金字塔模型的第M+1层图像中的目标边缘点,基于第二预设规则在所述第一图像金字塔模型的非第M+1层图像中采集预设个数的目标边缘点,其中,在第i-1层图像中采集的目标边缘点个数根据第i层图像中的目标边缘点个数确定,2≤i≤M+1;
特征点模块,用于在所述第一图像金字塔模型的每层图像中提取特征点,所述特征点包括基于多边形逼近算法获取的多边形的角点;
匹配模块,用于根据在所述第一图像金字塔模型的第M+1层图像中确定的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第M+1层图像在所述第二图像金字塔模型的第M+1层图像的各个像素点上的匹配得分,将所述第二图像金字塔模型的第M+1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第M+1层图像的匹配结果;
所述匹配模块,还用于根据在所述第一图像金字塔模型的第j-1层图像中采集到的目标边缘点和提取到的特征点,计算所述第一图像金字塔模型的第j-1层图像在所述第二图像金字塔模型的第j-1层图像的映射区域所包含的各个像素点上的匹配得分,将所述第二图像金字塔模型的第j-1层图像中大于预设阈值的匹配得分所对应的像素点的位置信息作为第j-1层图像的匹配结果;其中,所述第二图像金字塔模型的第j-1层图像的映射区域由第j层图像的匹配结果映射得到,3≤j≤M+1;
所述匹配模块,还用于根据在所述形状模板图像中采集到的目标边缘点和提取到的特征点,计算所述形状模板图像在所述待搜索图像的映射区域所包含的各个像素点上的匹配得分,将匹配得分中最大匹配得分所对应的像素点的位置信息作为所述待搜索图像和所述形状模板图像的匹配结果输出;其中,所述待搜索图像的映射区域由第2层图像的匹配结果映射得到。
9.一种图像模板匹配装置,其特征在于,包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现如权利要求1-7中任一项所述的图像模板匹配方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以实现图像模板匹配。
10.一种存储装置,其特征在于,存储有能够实现如权利要求1-7中任一项所述的图像模板匹配方法的程序文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011322510.2A CN112508037B (zh) | 2020-11-23 | 2020-11-23 | 图像模板匹配方法、装置及存储装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011322510.2A CN112508037B (zh) | 2020-11-23 | 2020-11-23 | 图像模板匹配方法、装置及存储装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508037A CN112508037A (zh) | 2021-03-16 |
CN112508037B true CN112508037B (zh) | 2024-04-02 |
Family
ID=74959182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011322510.2A Active CN112508037B (zh) | 2020-11-23 | 2020-11-23 | 图像模板匹配方法、装置及存储装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508037B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111212B (zh) * | 2021-04-01 | 2024-05-17 | 广东拓斯达科技股份有限公司 | 一种图像匹配方法、装置、设备及存储介质 |
CN113111929B (zh) * | 2021-04-01 | 2024-04-12 | 广东拓斯达科技股份有限公司 | 一种模板匹配方法、装置、计算机设备及存储介质 |
CN113537237B (zh) * | 2021-06-25 | 2024-01-16 | 西安交通大学 | 一种多特征零件质量信息智能感知方法、系统及装置 |
CN113569876A (zh) * | 2021-08-31 | 2021-10-29 | 东软睿驰汽车技术(沈阳)有限公司 | 图像特征提取方法、装置和电子设备 |
CN115588109B (zh) * | 2022-09-26 | 2023-06-06 | 苏州大学 | 一种图像模板匹配方法、装置、设备及应用 |
CN117115487B (zh) * | 2023-10-23 | 2024-03-08 | 睿励科学仪器(上海)有限公司 | 模板匹配方法、模板匹配系统及存储介质 |
CN117437451B (zh) * | 2023-12-21 | 2024-04-16 | 芯瞳半导体技术(山东)有限公司 | 图像匹配方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573269A (zh) * | 2017-10-24 | 2018-09-25 | 北京金山云网络技术有限公司 | 图像特征点匹配方法、匹配装置、电子设备及存储介质 |
CN110197232A (zh) * | 2019-06-05 | 2019-09-03 | 中科新松有限公司 | 基于边缘方向和梯度特征的图像匹配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6570370B2 (ja) * | 2015-08-21 | 2019-09-04 | キヤノン株式会社 | 画像処理方法、画像処理装置、プログラム及び記録媒体 |
-
2020
- 2020-11-23 CN CN202011322510.2A patent/CN112508037B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573269A (zh) * | 2017-10-24 | 2018-09-25 | 北京金山云网络技术有限公司 | 图像特征点匹配方法、匹配装置、电子设备及存储介质 |
CN110197232A (zh) * | 2019-06-05 | 2019-09-03 | 中科新松有限公司 | 基于边缘方向和梯度特征的图像匹配方法 |
Non-Patent Citations (1)
Title |
---|
基于轮廓曲线的快速高精度可靠图像匹配;刘霖;邓荣钰;刘娟秀;凌云;;电子设计工程;20170605(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112508037A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508037B (zh) | 图像模板匹配方法、装置及存储装置 | |
CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
CN111523414B (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN107958458B (zh) | 图像分割方法、图像分割系统及包括其的设备 | |
CN108986152B (zh) | 一种基于差分图像的异物检测方法及装置 | |
JP2011134114A (ja) | パターン認識方法およびパターン認識装置 | |
US10922535B2 (en) | Method and device for identifying wrist, method for identifying gesture, electronic equipment and computer-readable storage medium | |
US20170053416A1 (en) | Image processing method, image processing apparatus, and recording medium | |
CN115375917B (zh) | 一种目标边缘特征提取方法、装置、终端及存储介质 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
CN111914756A (zh) | 一种视频数据处理方法和装置 | |
US8068673B2 (en) | Rapid and high precision centroiding method and system for spots image | |
JP2018096709A (ja) | 距離測定装置および距離測定方法 | |
CN112037254A (zh) | 目标跟踪方法及相关装置 | |
CN111814612A (zh) | 目标的脸部检测方法及其相关装置 | |
CN111382606A (zh) | 摔倒检测方法、摔倒检测装置和电子设备 | |
JP2011107878A (ja) | 位置検出装置、位置検出方法 | |
CN111968160A (zh) | 图像匹配方法和存储介质 | |
CN111652034A (zh) | 一种基于sift算法的船只检索方法及装置 | |
CN116206139A (zh) | 一种基于局部自卷积的无人机图像升尺度匹配方法 | |
CN116091998A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN114495132A (zh) | 文字识别方法、装置、设备及存储介质 | |
CN114119952A (zh) | 一种基于边缘信息的图像匹配方法及装置 | |
CN111599080B (zh) | 拼接纸币的检测方法、装置、金融机具设备及存储介质 | |
CN113486761A (zh) | 一种指甲识别方法、装置、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 |