CN113033640B - 模板匹配方法、装置、设备及计算机可读存储介质 - Google Patents

模板匹配方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN113033640B
CN113033640B CN202110284862.1A CN202110284862A CN113033640B CN 113033640 B CN113033640 B CN 113033640B CN 202110284862 A CN202110284862 A CN 202110284862A CN 113033640 B CN113033640 B CN 113033640B
Authority
CN
China
Prior art keywords
gradient
image
character string
bottom layer
template
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
Application number
CN202110284862.1A
Other languages
English (en)
Other versions
CN113033640A (zh
Inventor
舒瑶
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.)
Shenzhen Prism Space Intelligent Technology Co ltd
Original Assignee
Shenzhen Prism Space Intelligent 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 Shenzhen Prism Space Intelligent Technology Co ltd filed Critical Shenzhen Prism Space Intelligent Technology Co ltd
Priority to CN202110284862.1A priority Critical patent/CN113033640B/zh
Publication of CN113033640A publication Critical patent/CN113033640A/zh
Application granted granted Critical
Publication of CN113033640B publication Critical patent/CN113033640B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/70—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
    • G06V10/757—Matching configurations of points or features
    • 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)
  • 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

本发明公开了一种模板匹配方法，所述模板匹配方法包括：获取模板图像，并获取所述模板图像在特征点处的第一梯度方向；获取检测图像，并获取所述检测图像在特征点处的第二梯度方向；基于所述第一梯度方向及所述第二梯度方向，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配。本发明还公开了一种模板匹配装置、一种模板匹配设备和一种计算机可读存储介质。本发明可确保模板匹配准确度的同时，提高模板匹配效率。

Description

模板匹配方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种模板匹配方法、装置、设备及计算机可读存储介质。
背景技术
随着科技的迅速发展，越来越多的技术应用于图像处理领域。目前，模板匹配广泛应用于图像校准、物体识别和导航定位等。通常，需给定一个模板图像，以供在待搜索图像上寻找与其内容最相似的位置。由于模板匹配需要提取稳定而明显的特征，在特征提取、全局搜索等过程中需要耗费大量时间，然而，随着科技的发展，无论是工业领域还是互联网等领域对速度和实时性的要求越来越高。
目前，模板匹配方法包括Fast角点检测、SIFT(Scale-invariant featuretransform，尺度不变特征转换)匹配、SURF(Speeded Up Robust Features，加速稳健特征)匹配等方法。其中，Fast角点检测，检测到的角点不是最优的，在实际应用中很容易导致模板匹配失败。SIFT匹配在尺度空间上提取极值点作为显著的特征点，并在每个特征点的邻域范围内计算梯度方向直方图作为该特征点的描述子，然后，模板图像与待搜索图像之间通过比较描述子之间的相似性来确定点对的关系，进而得到模板图像与待搜索图像之间变换关系，以求解出模板图像在待搜索图像上的位置，由于该过程过于复杂，导致匹配速度大幅度降低，即SIFT匹配实时性不高。SURF匹配受限于局部特征点及其描述子的可靠性，在实际应用很容易受噪声及相似点的影响导致模板匹配失败，并且，在某些特定角度，可能检测不到特定点，从而导致模板匹配失败。此外，即使构建金字塔模型能加快模板匹配速度，但是逐层检测图像特征也非常耗时。
综上所述，在确保模板匹配准确度的前提下，如何提高模板匹配效率是目前亟需解决的问题。
发明内容
本发明的主要目的在于提供一种模板匹配方法、装置、设备及计算机可读存储介质，旨在提高模板匹配效率。
为实现上述目的，本发明提供一种模板匹配方法，所述模板匹配方法包括以下步骤：
获取模板图像，并获取所述模板图像在特征点处的第一梯度方向；
获取检测图像，并获取所述检测图像在特征点处的第二梯度方向；
基于所述第一梯度方向及所述第二梯度方向，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配。
可选地，所述获取所述模板图像在特征点处的第一梯度方向的步骤包括：
基于所述模板图像，构建对应的模板图像金字塔模型；
获取所述模板图像金字塔模型的第一底层图像，并基于所述第一底层图像确定对应的第一底层梯度字符串；
基于所述第一底层梯度字符串，确定所述模板图像金字塔模型在每一层的第一梯度字符串，其中，所述第一梯度字符串表示所述模板图像在特征点处的梯度方向；
其中，所述获取所述检测图像在特征点处的第二梯度方向的步骤包括：
基于所述检测图像，构建对应的检测图像金字塔模型；
获取所述检测图像金字塔模型的第二底层图像，并基于所述第二底层图像确定对应的第二底层梯度字符串；
基于所述第二底层梯度字符串，确定所述检测图像金字塔模型在每一层的第二梯度字符串，其中，所述第二梯度字符串表示所述检测图像在特征点处的梯度方向；
其中，所述基于所述第一梯度方向及所述第二梯度方向，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配的步骤包括：
基于所述第一梯度字符串及所述第二梯度字符串，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配。
可选地，所述基于所述第一底层图像确定对应的第一底层梯度字符串的步骤包括：
基于所述第一底层图像及预设X方向卷积核，确定所述第一底层图像在X方向上的第一梯度图；
基于所述第一底层图像及预设Y方向卷积核，确定所述第一底层图像在Y方向上的第二梯度图；
基于所述第一梯度图和所述第二梯度图，确定所述第一底层图像在特征点处的第三梯度方向；
基于所述第三梯度方向，确定所述第一底层图像对应的第一底层梯度字符串，其中，所述第一底层梯度字符串为二进制字符串，所述第一底层梯度字符串中的各个字符分别表示所述第三梯度方向是否在对应的角度区间内；
其中，所述基于所述第二底层图像确定对应的第二底层梯度字符串的步骤包括：
基于所述第二底层图像及预设X方向卷积核，确定所述第二底层图像在X方向上的第三梯度图；
基于所述第二底层图像及预设Y方向卷积核，确定所述第二底层图像在Y方向上的第四梯度图；
基于所述第三梯度图和所述第四梯度图，确定所述第二底层图像在特征点处的第四梯度方向；
基于所述第四梯度方向，确定所述第二底层图像对应的第二底层梯度字符串，其中，所述第二底层梯度字符串为二进制字符串，所述第二底层梯度字符串中的各个字符分别表示所述第四梯度方向是否在对应的角度区间内。
可选地，所述基于所述第一底层梯度字符串，确定所述模板图像金字塔模型在每一层的第一梯度字符串的步骤包括：
将各个所述第一底层梯度字符串进行按位或运算得到所述模板图像金字塔模型的上一层梯度字符串，其中，所述第一底层梯度字符串包括预设个数的梯度字符串，所述第一底层梯度字符串为所述第一底层图像中预设区域内的梯度字符串；
基于所述模板图像金字塔模型的上一层梯度字符串，依次进行按位或运算直至到达所述模板图像金字塔模型的顶层，得到所述模板图像金字塔模型在每一层的第一梯度字符串；
其中，所述基于所述第二底层梯度字符串，确定所述检测图像金字塔模型在每一层的第二梯度字符串的步骤包括：
将各个所述第二底层梯度字符串进行按位或运算得到所述检测图像金字塔模型的上一层梯度字符串，其中，所述第二底层梯度字符串包括预设个数的梯度字符串，所述第二底层梯度字符串为所述第二底层图像中预设区域内的梯度字符串；
基于所述检测图像金字塔模型的上一层梯度字符串，依次进行按位或运算直至到达所述检测图像金字塔模型的顶层，得到所述检测图像金字塔模型在每一层的第二梯度字符串。
可选地，所述基于所述第一梯度字符串及所述第二梯度字符串，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配的步骤包括：
将所述第一梯度字符串与所述第二梯度字符串，进行按位与运算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配，其中，所述第一梯度字符串为二进制字符串，所述第一梯度字符串中的字符1表示所述模板图像在特征点处的梯度方向，所述第二梯度字符串为二进制字符串，所述第二梯度字符串中的字符1表示所述检测图像在特征点处的梯度方向。
可选地，所述基于所述第一梯度字符串及所述第二梯度字符串，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配的步骤包括：
基于所述第一梯度字符串及所述第二梯度字符串，在预设映射表中确定各个相似度值；
基于所述各个相似度值，取最大的相似度值作为相似度计算结果，以供基于所述相似度计算结果进行模板匹配。
可选地，所述模板匹配方法还包括：
获取所述模板图像在X方向上的第五梯度图及所述模板图像在Y方向上的第六梯度图，并获取所述检测图像在X方向上的第七梯度图及所述检测图像在Y方向上的第八梯度图；
基于所述第五梯度图及所述第六梯度图确定所述模板图像在特征点处的第一梯度，并基于所述第七梯度图及所述第八梯度图确定所述检测图像在特征点处的第二梯度；
基于所述第一梯度及所述第二梯度，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配。
此外，为实现上述目的，本发明还提供一种模板匹配装置，所述模板匹配装置包括：
第一获取模块，用于获取模板图像，并获取所述模板图像在特征点处的第一梯度方向；
第二获取模块，用于获取检测图像，并获取所述检测图像在特征点处的第二梯度方向；
相似度计算模块，用于基于所述第一梯度方向及所述第二梯度方向，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配。
此外，为实现上述目的，本发明还提供一种模板匹配设备，所述模板匹配设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的模板匹配程序，所述模板匹配程序被所述处理器执行时实现如上所述的模板匹配方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有模板匹配程序，所述模板匹配程序被处理器执行时实现如上所述的模板匹配方法的步骤。
本发明提供一种模板匹配方法、装置、设备及计算机可读存储介质，获取模板图像，并获取模板图像在特征点处的第一梯度方向；获取检测图像，并获取检测图像在特征点处的第二梯度方向；基于第一梯度方向及第二梯度方向，进行相似度计算得到相似度计算结果，以供基于相似度计算结果进行模板匹配。通过上述方式，分别获取模板图像及检测图像的梯度方向，以基于梯度方向进行特定的相似度计算，可提高模板匹配效率，并且，只考虑梯度方向，不考虑其大小，以使相似度计算方法具有平移、旋转不变性，且对光照不敏感，从而保证提取稳定特征的同时，提高模板匹配效率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明模板匹配方法第一实施例的流程示意图；
图3为本发明模板匹配方法第二实施例的流程示意图；
图4为本发明实施例涉及的梯度方向划分示意图；
图5为本发明实施例涉及的按位或运算示意图；
图6为本发明模板匹配装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端为模板匹配设备，该模板匹配设备可以为PC(personalcomputer，个人计算机)、微型计算机、笔记本电脑、服务器等具有处理功能的终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU(Central Processing Unit，中央处理器)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及模板匹配程序。
在图1所示的终端中，处理器1001可以用于调用存储器1005中存储的模板匹配程序，并执行本发明以下实施例提供的模板匹配方法中的步骤。
基于上述硬件结构，提出本发明模板匹配方法的各个实施例。
本发明提供一种模板匹配方法。
参照图2，图2为本发明模板匹配方法第一实施例的流程示意图。
在本实施例中，该模板匹配方法包括：
步骤S10，获取模板图像，并获取所述模板图像在特征点处的第一梯度方向；
在本实施例中，获取模板图像，并获取该模板图像在特征点处的第一梯度方向。其中，模板图像为预先给定的一个图像，其通常为一个小图，用于在检测图像(待搜索图像)上寻找与其内容最相似的区域，例如，获取用户预先设定并输入的模板图像。
需要说明的是，第一梯度方向为模板图像在该特征点处变化最大的方向，即模板图像在该第一梯度方向上变化率最大。因此，本实施例只考虑梯度的方向，不考虑梯度的大小，其相似性则由余弦距离的绝对值度量。可以理解，当模板图像与检测图像之间存在旋转角度差异时，需要采用旋转不变的模板匹配方法进行匹配，因此，采用上述相似性度量方法具有平移、旋转不变性，且对光照不敏感，即使检测图像出现明暗反转时，依然具有很高的相似性。
此外，还需要说明的是，模板图像上的一个特征点对应一个梯度方向，本实施例中第一梯度方向包括多个，即包括多个特征点对应的梯度方向。该特征点可以为模板图像的边缘特征，当然，也可以为其他特征，此处不作限定。
在一实施例中，可以通过方向卷积核，实现只考虑梯度的方向，不考虑梯度的大小，以由余弦距离的绝对值度量相似性。具体的，基于模板图像及预设X方向卷积核，确定该模板图像在X方向上的梯度图，并且，基于该模板图像及预设Y方向卷积核，确定该模板图像在Y方向上的梯度图，最后，基于该模板图像在X方向上的梯度图和该模板图像在Y方向上的梯度图，确定该模板图像在特征点处的梯度，其中，该模板图像在特征点处的梯度就是只考虑梯度的方向，并未考虑梯度的大小。当然，也可以通过偏导数的数学方法求解得到梯度及其方向，此处不作具体赘述。
例如，预设X方向卷积核为：
预设Y方向卷积核为：
其中，预设X方向卷积核及预设Y方向卷积核也可以根据实际需要进行设定，此处不作限定。后续，则基于模板图像I及预设X方向卷积核Sx，确定该模板图像在X方向上的梯度图，该模板图像在X方向上的梯度图为：
Gx＝I×Sx
则基于模板图像I及预设Y方向卷积核Sy，确定该模板图像在Y方向上的梯度图，该模板图像在Y方向上的梯度图为：
Gy＝I×Sy
因此，若假设模板图像为T，则该模板图像T对应的梯度图为GT，第m个特征点处的梯度表示为
其中，表示第m个特征点处在X方向上的梯度图，/>表示第m个特征点处在Y方向上的梯度图。
在一些实施例中，可对模板图像作进一步地处理，具体的，基于该模板图像，构建对应的模板图像金字塔模型，然后，获取模板图像金字塔模型各层图像的梯度方向。该模板图像金字塔模型各层图像的梯度方向可以为梯度字符串。具体的执行流程可参照下述第二实施例，此处不再一一赘述。
步骤S20，获取检测图像，并获取所述检测图像在特征点处的第二梯度方向；
在本实施例中，获取检测图像，并获取该检测图像在特征点处的第二梯度方向。其中，检测图像为待搜索图像，其通常为一个大图，用于在检测图像(待搜索图像)上寻找与模板图像内容最相似的区域。
需要说明的是，第二梯度方向为检测图像在该特征点处变化最大的方向，即检测图像在该第二梯度方向上变化率最大。因此，本实施例只考虑梯度的方向，不考虑梯度的大小，其相似性则由余弦距离的绝对值度量。可以理解，当模板图像与检测图像之间存在旋转角度差异时，需要采用旋转不变的模板匹配方法进行匹配，因此，采用上述相似性度量方法具有平移、旋转不变性，且对光照不敏感，即使检测图像出现明暗反转时，依然具有很高的相似性。
此外，还需要说明的是，检测图像上的一个特征点对应一个梯度方向，本实施例中第二梯度方向包括多个，即包括多个特征点对应的梯度方向。该特征点可以为检测图像的边缘特征，当然，也可以为其他特征，此处不作限定。
在一实施例中，可以通过方向卷积核，实现只考虑梯度的方向，不考虑梯度的大小，以由余弦距离的绝对值度量相似性。具体的，基于检测图像及预设X方向卷积核，确定该检测图像在X方向上的梯度图，并且，基于该检测图像及预设Y方向卷积核，确定该检测图像在Y方向上的梯度图，最后，基于该检测图像在X方向上的梯度图和该检测图像在Y方向上的梯度图，确定该检测图像在特征点处的梯度，其中，该检测图像在特征点处的梯度就是只考虑梯度的方向，并未考虑梯度的大小。当然，也可以通过偏导数的数学方法求解得到梯度及其方向，此处不作具体赘述。
例如，预设X方向卷积核为：
预设Y方向卷积核为：
其中，预设X方向卷积核及预设Y方向卷积核也可以根据实际需要进行设定，此处不作限定。后续，则基于检测图像S及预设X方向卷积核Sx，确定该检测图像在X方向上的梯度图，该检测图像在X方向上的梯度图为：
Gx＝S×Sx
则基于检测图像S及预设Y方向卷积核Sy，确定该检测图像在Y方向上的梯度图，该检测图像在Y方向上的梯度图为：
Gy＝S×Sy
因此，该检测图像S对应的梯度图为GS，第n个特征点处的梯度表示为
其中，表示第n个特征点处在X方向上的梯度图，/>表示第n个特征点处在Y方向上的梯度图。
在一些实施例中，可对检测图像作进一步地处理，具体的，基于该检测图像，构建对应的检测图像金字塔模型，然后，获取检测图像金字塔模型各层图像的梯度方向。该检测图像金字塔模型各层图像的梯度方向可以为梯度字符串。具体的执行流程可参照下述第二实施例，此处不再一一赘述。
步骤S30，基于所述第一梯度方向及所述第二梯度方向，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配。
在本实施例中，基于该第一梯度方向及该第二梯度方向，进行相似度计算得到相似度计算结果，以供基于该相似度计算结果进行模板匹配。其中，进行相似度计算可以通过各种相似度计算公式进行计算，此处不作具体赘述。
需要说明的是，基于相似度计算结果进行模板匹配的具体方法可以为：例如，直接滑动匹配的执行过程为将模板图像在检测图像上逐像素计算相关性(即相似度计算结果)，取相关性最大的位置作为最优的匹配位置。多级匹配的执行过程为：初步选择较小的半径来生成尺寸较小的模板图像，在检测图像上进行滑动匹配，提取匹配响应较大的前n个点，其中，参数n可由用户进行设定，以用小的模板图像初步筛选出少量的候选区域，然后，再选择较大的半径来生成尺寸较大的模板图像，在n个候选位置处计算相关性(即相似度计算结果)，以选择匹配响应最大的位置作为最终匹配结果，从而可进一步提高图像模板匹配效率。频率域匹配的执行过程为将生成的模板图像及检测图像转换到频率域空间，使用二者的点乘来求解最优匹配位置。
此外，还需要说明的是，基于相似度计算结果进行模板匹配的具体方法还可以为：基于金字塔模型的特征提取方法，将上述模板图像在特征点处的第一梯度方向的获取更改为获取各层的第一梯度方向，将上述检测图像在特征点处的第二梯度方向的获取更改为获取各层的第二梯度方向，以便本实施方式中，基于各层的相似度计算结果进行模板匹配。具体的执行流程可参照下述第二实施例，此处不作限定。
在一实施例中，基于上述确定得到的模板图像在特征点处的梯度及检测图像在特征点处的梯度，可进行相似度计算得到相似度计算结果，以供基于该相似度计算结果进行模板匹配。
例如，计算模板图像第m个特征点与检测图像第n个特征点的相似性，可以通过以下计算公式进行相似性：
其中，GT(m)为模板图像第m个特征点处的梯度，GS(n)为检测图像第n个特征点处的梯度。
进一步地，基于及/>可将上述相似性计算公式更换为：
其中，表示模板图像第m个特征点处在X方向上的梯度图，/>表示模板图像第m个特征点处在Y方向上的梯度图，/>表示检测图像第n个特征点处在X方向上的梯度图，/>表示检测图像第n个特征点处在Y方向上的梯度图。
本发明实施例提供一种模板匹配方法，获取模板图像，并获取模板图像在特征点处的第一梯度方向；获取检测图像，并获取检测图像在特征点处的第二梯度方向；基于第一梯度方向及第二梯度方向，进行相似度计算得到相似度计算结果，以供基于相似度计算结果进行模板匹配。通过上述方式，分别获取模板图像及检测图像的梯度方向，以基于梯度方向进行特定的相似度计算，可提高模板匹配效率，并且，只考虑梯度方向，不考虑其大小，以使相似度计算方法具有平移、旋转不变性，且对光照不敏感，从而保证提取稳定特征的同时，提高模板匹配效率。
进一步地，基于上述第一实施例，提出本发明模板匹配方法的第二实施例。
参照图3，图3为本发明模板匹配方法第二实施例的流程示意图。
在本实施例中，上述步骤S10中，获取所述模板图像在特征点处的第一梯度方向，包括：
步骤S11，基于所述模板图像，构建对应的模板图像金字塔模型；
首先，基于该模板图像，构建对应的模板图像金字塔模型。其中，模板图像金字塔模型的具体构建方法为：对模板图像进行一定比例的缩放，以得到一系列不同尺寸的样本图像序列，在缩放过程中一般采用线性差值等方法，在缩放的同时可以加入滤波、模糊等处理，从而构建得到多尺度的模板图像金字塔模型。后续，可基于分层的模板图像金字塔模型，分层进行匹配。
步骤S12，获取所述模板图像金字塔模型的第一底层图像，并基于所述第一底层图像确定对应的第一底层梯度字符串；
然后，获取该模板图像金字塔模型的第一底层图像，并基于该第一底层图像确定对应的第一底层梯度字符串。其中，第一底层图像为模板图像金字塔模型最底层的图像，即原始分辨率图像。第一底层梯度字符串表示该第一底层图像在特征点处的梯度方向，该第一底层梯度字符串为二进制字符串，该第一底层梯度字符串中的各个字符分别表示当前特征点的梯度方向是否在对应的角度区间内，该特征点可以为第一底层图像的边缘特征点。
需要说明的是，对于模板图像金字塔模型每一层的金字塔图像均提取边缘特征，计算量很大。因此，本实施例仅需提取模板图像金字塔模型的第一底层图像的边缘特征，以计算其对应的第一底层梯度字符串，从而进一步加快模板匹配速度。
在一实施例中，第一底层图像在特征点处的梯度方向范围为[0，180°]，可以将其划分为8类，每个梯度方向由一个二进制字符串表示。具体的，参照图4，图4为本发明实施例涉及的梯度方向划分示意图，划分角度后，梯度方向所在的角度区间由1表示，其他角度区间由0表示。在其他实施方式中，也可以将梯度方向划分为10类、12类、6类等，例如10类对应的梯度字符串的字符个数为10位，具体的，可以根据实际需要进行设定。
具体的，上述步骤S12中，基于所述第一底层图像确定对应的第一底层梯度字符串，包括：
步骤a121，基于所述第一底层图像及预设X方向卷积核，确定所述第一底层图像在X方向上的第一梯度图；
在本实施例中，基于该第一底层图像及预设X方向卷积核，确定该第一底层图像在X方向上的第一梯度图。需要说明的是，通过方向卷积核，实现只考虑梯度的方向，不考虑梯度的大小，以由余弦距离的绝对值度量相似性。
例如，预设X方向卷积核为：
其中，预设X方向卷积核也可以根据实际需要进行设定，此处不作限定。后续，则基于第一底层图像I及预设X方向卷积核Sx，确定该第一底层图像在X方向上的第一梯度图，该第一底层图像在X方向上的第一梯度图为：
Gx＝I×Sx。
步骤a122，基于所述第一底层图像及预设Y方向卷积核，确定所述第一底层图像在Y方向上的第二梯度图；
在本实施例中，基于该第一底层图像及预设Y方向卷积核，确定该第一底层图像在Y方向上的第二梯度图。需要说明的是，通过方向卷积核，实现只考虑梯度的方向，不考虑梯度的大小，以由余弦距离的绝对值度量相似性。
例如，预设Y方向卷积核为：
其中，预设Y方向卷积核也可以根据实际需要进行设定，此处不作限定。后续，则基于第一底层图像I及预设Y方向卷积核Sy，确定该模板图像在Y方向上的第二梯度图，该模板图像在Y方向上的第二梯度图为：
Gy＝I×Sy。
步骤a123，基于所述第一梯度图和所述第二梯度图，确定所述第一底层图像在特征点处的第三梯度方向；
在本实施例中，基于该第一梯度图和该第二梯度图，确定该第一底层图像在特征点处的第三梯度方向。需要说明的是，第三梯度方向为第一梯度图和第二梯度图之间的夹角。
在一实施例中，可以根据以下公式计算第三梯度方向：
θ＝|arctan2(Gx，Gy)|
其中，Gx为第一底层图像在X方向上的梯度图，Gy为第一底层图像在Y方向上的梯度图。
步骤a124，基于所述第三梯度方向，确定所述第一底层图像对应的第一底层梯度字符串，其中，所述第一底层梯度字符串为二进制字符串，所述第一底层梯度字符串中的各个字符分别表示所述第三梯度方向是否在对应的角度区间内；
在本实施例中，基于该第三梯度方向，确定该第一底层图像对应的第一底层梯度字符串，其中，该第一底层梯度字符串为二进制字符串，该第一底层梯度字符串中的各个字符分别表示该第三梯度方向是否在对应的角度区间内。
在一实施例中，若将梯度方向范围划分为8类，则可以根据第三梯度方向确定其属于的角度区间，从而确定对应的第一底层梯度字符串。具体的，参照图4，若第三梯度方向为20°，则其属于第一个角度区间，对应的第一底层梯度字符串为00000001。
步骤S13，基于所述第一底层梯度字符串，确定所述模板图像金字塔模型在每一层的第一梯度字符串，其中，所述第一梯度字符串表示所述模板图像在特征点处的梯度方向；
最后，基于该第一底层梯度字符串，确定该模板图像金字塔模型在每一层的第一梯度字符串，其中，该第一梯度字符串表示该模板图像在特征点处的梯度方向。该第一梯度字符串为二进制字符串，该第一梯度字符串中的各个字符分别表示当前特征点的梯度方向是否在对应的角度区间内，该特征点可以为边缘特征点。
在一实施例中，模板图像在特征点处的梯度方向范围为[0，180°]，可以将其划分为8类，每个梯度方向由一个二进制字符串表示。具体的，参照图4，划分角度后，梯度方向所在的角度区间由1表示，其他角度区间由0表示。在其他实施方式中，也可以将梯度方向划分为10类、12类、6类等，例如10类对应的梯度字符串的字符个数为10位，具体的，可以根据实际需要进行设定。
需要说明的是，基于第一底层梯度字符串，通过按位或运算可得到上一层的梯度字符串，从而保留了模板图像原始特征的基础上，提高了特征提取效率，并避免了噪声的干扰。
具体的，上述步骤S13包括：
步骤a131，将各个所述第一底层梯度字符串进行按位或运算得到所述模板图像金字塔模型的上一层梯度字符串，其中，所述第一底层梯度字符串包括预设个数的梯度字符串，所述第一底层梯度字符串为所述第一底层图像中预设区域内的梯度字符串；
在本实施例中，将各个第一底层梯度字符串进行按位或运算得到该模板图像金字塔模型的上一层梯度字符串，其中，该第一底层梯度字符串包括预设个数的梯度字符串，该第一底层梯度字符串为该第一底层图像中预设区域内的梯度字符串。其中，预设个数可以为4，预设区域内可包括4个特征点对应的梯度字符串，此处不作限定。
例如，第一底层图像的某个预设区域内由A、B、C、D表示，则其上一层对应区域M的角度区间梯度方向对应的梯度字符串为将上述A、B、C、D的梯度字符串进行按位或运算得到的字符串。具体的，参照图5，图5为本发明实施例涉及的按位或运算示意图。
步骤a132，基于所述模板图像金字塔模型的上一层梯度字符串，依次进行按位或运算直至到达所述模板图像金字塔模型的顶层，得到所述模板图像金字塔模型在每一层的第一梯度字符串；
在本实施例中，基于该模板图像金字塔模型的上一层梯度字符串，依次进行按位或运算直至到达该模板图像金字塔模型的顶层，得到该模板图像金字塔模型在每一层的第一梯度字符串。
需要说明的是，根据第一底层梯度字符串，依次进行按位或运算，以不断循环运算可得到模板图像金字塔模型在每一层的第一梯度字符串。
例如，参照图5，模板图像金字塔模型的某层图像的某个预设区域内由A、B、C、D表示，则其上一层对应区域M的角度区间梯度方向对应的梯度字符串为将上述A、B、C、D的梯度字符串进行按位或运算得到的字符串。
其中，上述步骤S20中，获取所述检测图像在特征点处的第二梯度方向，包括：
步骤a21，基于所述检测图像，构建对应的检测图像金字塔模型；
首先，基于该检测图像，构建对应的检测图像金字塔模型。其中，检测图像金字塔模型的具体构建方法为：对检测图像进行一定比例的缩放，以得到一系列不同尺寸的样本图像序列，在缩放过程中一般采用线性差值等方法，在缩放的同时可以加入滤波、模糊等处理，从而构建得到多尺度的检测图像金字塔模型。后续，可基于分层的检测图像金字塔模型，分层进行匹配。
步骤a22，获取所述检测图像金字塔模型的第二底层图像，并基于所述第二底层图像确定对应的第二底层梯度字符串；
然后，获取该检测图像金字塔模型的第二底层图像，并基于该第二底层图像确定对应的第二底层梯度字符串。其中，第二底层图像为检测图像金字塔模型最底层的图像，即原始分辨率图像。第二底层梯度字符串表示该第二底层图像在特征点处的梯度方向，该第二底层梯度字符串为二进制字符串，该第二底层梯度字符串中的各个字符分别表示当前特征点的梯度方向是否在对应的角度区间内，该特征点可以为第二底层图像的边缘特征点。
需要说明的是，对于检测图像金字塔模型每一层的金字塔图像均提取边缘特征，计算量很大。因此，本实施例仅需提取检测图像金字塔模型的第二底层图像的边缘特征，以计算其对应的第二底层梯度字符串，从而进一步加快模板匹配速度。
在一实施例中，第二底层图像在特征点处的梯度方向范围为[0，180°]，可以将其划分为8类，每个梯度方向由一个二进制字符串表示。具体的，参照图4，划分角度后，梯度方向所在的角度区间由1表示，其他角度区间由0表示。在其他实施方式中，也可以将梯度方向划分为10类、12类、6类等，例如10类对应的梯度字符串的字符个数为10位，具体的，可以根据实际需要进行设定。
具体的，上述步骤a22中，基于所述第二底层图像确定对应的第二底层梯度字符串，包括：
步骤a221，基于所述第二底层图像及预设X方向卷积核，确定所述第二底层图像在X方向上的第三梯度图；
在本实施例中，基于该第二底层图像及预设X方向卷积核，确定该第二底层图像在X方向上的第三梯度图。需要说明的是，通过方向卷积核，实现只考虑梯度的方向，不考虑梯度的大小，以由余弦距离的绝对值度量相似性。
例如，预设X方向卷积核为：
其中，预设X方向卷积核也可以根据实际需要进行设定，此处不作限定。后续，则基于第二底层图像I及预设X方向卷积核Sx，确定该第二底层图像在X方向上的第三梯度图，该第二底层图像在X方向上的第三梯度图为：
Gx＝I×Sx。
步骤a222，基于所述第二底层图像及预设Y方向卷积核，确定所述第二底层图像在Y方向上的第四梯度图；
在本实施例中，基于该第二底层图像及预设Y方向卷积核，确定该第二底层图像在Y方向上的第四梯度图。需要说明的是，通过方向卷积核，实现只考虑梯度的方向，不考虑梯度的大小，以由余弦距离的绝对值度量相似性。
例如，预设Y方向卷积核为：
其中，预设Y方向卷积核也可以根据实际需要进行设定，此处不作限定。后续，则基于第二底层图像I及预设Y方向卷积核Sy，确定该检测图像在Y方向上的第四梯度图，该检测图像在Y方向上的第四梯度图为：
Gy＝I×Sy。
步骤a223，基于所述第三梯度图和所述第四梯度图，确定所述第二底层图像在特征点处的第四梯度方向；
在本实施例中，基于该第三梯度图和该第四梯度图，确定该第二底层图像在特征点处的第四梯度方向。需要说明的是，第四梯度方向为第三梯度图和第四梯度图之间的夹角。
在一实施例中，可以根据以下公式计算第四梯度方向：
θ＝|arctan2(Gx，Gy)|
其中，Gx为第二底层图像在X方向上的梯度图，Gy为第二底层图像在Y方向上的梯度图。
步骤a224，基于所述第四梯度方向，确定所述第二底层图像对应的第二底层梯度字符串，其中，所述第二底层梯度字符串为二进制字符串，所述第二底层梯度字符串中的各个字符分别表示所述第四梯度方向是否在对应的角度区间内。
在本实施例中，基于该第四梯度方向，确定该第二底层图像对应的第二底层梯度字符串，其中，该第二底层梯度字符串为二进制字符串，该第二底层梯度字符串中的各个字符分别表示该第四梯度方向是否在对应的角度区间内。
在一实施例中，若将梯度方向范围划分为8类，则可以根据第四梯度方向确定其属于的角度区间，从而确定对应的第二底层梯度字符串。具体的，参照图4，若第四梯度方向为20°，则其属于第一个角度区间，对应的第二底层梯度字符串为00000001。
步骤a23，基于所述第二底层梯度字符串，确定所述检测图像金字塔模型在每一层的第二梯度字符串，其中，所述第二梯度字符串表示所述检测图像在特征点处的梯度方向；
最后，基于该第二底层梯度字符串，确定该检测图像金字塔模型在每一层的第二梯度字符串，其中，该第二梯度字符串表示该检测图像在特征点处的梯度方向。该第二梯度字符串为二进制字符串，该第二梯度字符串中的各个字符分别表示当前特征点的梯度方向是否在对应的角度区间内，该特征点可以为边缘特征点。
在一实施例中，检测图像在特征点处的梯度方向范围为[0，180°]，可以将其划分为8类，每个梯度方向由一个二进制字符串表示。具体的，参照图4，划分角度后，梯度方向所在的角度区间由1表示，其他角度区间由0表示。在其他实施方式中，也可以将梯度方向划分为10类、12类、6类等，例如10类对应的梯度字符串的字符个数为10位，具体的，可以根据实际需要进行设定。
需要说明的是，基于第二底层梯度字符串，通过按位或运算可得到上一层的梯度字符串，从而保留了检测图像原始特征的基础上，提高了特征提取效率，并避免了噪声的干扰。
具体的，上述步骤a23包括：
步骤a231，将各个所述第二底层梯度字符串进行按位或运算得到所述检测图像金字塔模型的上一层梯度字符串，其中，所述第二底层梯度字符串包括预设个数的梯度字符串，所述第二底层梯度字符串为所述第二底层图像中预设区域内的梯度字符串；
在本实施例中，将各个第二底层梯度字符串进行按位或运算得到该检测图像金字塔模型的上一层梯度字符串，其中，该第二底层梯度字符串包括预设个数的梯度字符串，该第二底层梯度字符串为该第二底层图像中预设区域内的梯度字符串。其中，预设个数可以为4，预设区域内可包括4个特征点对应的梯度字符串，此处不作限定。
例如，参照图5，第二底层图像的某个预设区域内由A、B、C、D表示，则其上一层对应区域M的角度区间梯度方向对应的梯度字符串为将上述A、B、C、D的梯度字符串进行按位或运算得到的字符串。
步骤a232，基于所述检测图像金字塔模型的上一层梯度字符串，依次进行按位或运算直至到达所述检测图像金字塔模型的顶层，得到所述检测图像金字塔模型在每一层的第二梯度字符串。
在本实施例中，基于该检测图像金字塔模型的上一层梯度字符串，依次进行按位或运算直至到达该检测图像金字塔模型的顶层，得到该检测图像金字塔模型在每一层的第二梯度字符串。
需要说明的是，根据第二底层梯度字符串，依次进行按位或运算，以不断循环运算可得到检测图像金字塔模型在每一层的第二梯度字符串。
例如，参照图5，模板图像金字塔模型的某层图像的某个预设区域内由A、B、C、D表示，则其上一层对应区域M的角度区间梯度方向对应的梯度字符串为将上述A、B、C、D的梯度字符串进行按位或运算得到的字符串。
进一步地，上述步骤S30包括：
a31，基于所述第一梯度字符串及所述第二梯度字符串，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配。
在本实施例中，基于模板图像的第一梯度字符串及检测图像的第二梯度字符串，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配。
其中，相似度计算可以为按位与运算的方式，也可以通过查表的方式，具体的执行流程可参照下述第三实施例、第四实施例，此处不再一一赘述。当然，也可以通过其他方式进行相似度计算，此处不作限定。
本实施例中，基于金字塔模型的特殊特征提取方法，只需获取第一底层图像的特征，无需获取各层图像的特征，可进一步提高模板匹配效率。同时，通过梯度字符串表示梯度方向，即将梯度方向进行角度映射，以使提取得到的梯度方向更加稳定、健壮，从而提高模板匹配的鲁棒性，并且可进一步提高相似度计算等计算过程的效率，从而进一步提高模板匹配效率。
进一步地，基于上述第二实施例，提出本发明模板匹配方法的第三实施例。
在本实施例中，上述步骤a31包括：
步骤a311，将所述第一梯度字符串与所述第二梯度字符串，进行按位与运算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配，其中，所述第一梯度字符串为二进制字符串，所述第一梯度字符串中的字符1表示所述模板图像在特征点处的梯度方向，所述第二梯度字符串为二进制字符串，所述第二梯度字符串中的字符1表示所述检测图像在特征点处的梯度方向。
在本实施例中，按位与运算的计算公式如下所示：
R(GT(m)，GS(n))＝BTm&BSn
其中，GT(m)为模板图像T第m个特征点处的梯度，GS(n)为检测图像S第n个特征点处的梯度，BTm为模板图像T中第m个特征点处梯度方向对应的第一梯度字符串，BTm包括I个梯度方向，即BTm中字符1的个数为I，BSn为检测图像S中第n个特征点处梯度方向对应的第二梯度字符串，BSn包括J个梯度方向，即BSn中字符1的个数为J。
例如，若第一梯度字符串为00110000，第二梯度字符串为00010000，则进行按位与运算时，由于第一梯度字符串与第二梯度字符串中有不相同的字符，所以得到的结果为0。若第一梯度字符串为00110000，第二梯度字符串为00110000，则进行按位与运算时，由于第一梯度字符串与第二梯度字符串中字符均相同，所以得到的结果为1。当然，还可以通过按位异或运算进行相似度计算，以判断第一梯度字符串与第二梯度字符串是否相同。
本实施例中，通过模板图像特征点处的第一梯度字符串及检测图像特征点处的第二梯度字符串，通过按位与运算可直接进行对比得到相似度计算结果，从而进一步提高模板匹配效率。
进一步地，基于上述第二实施例，提出本发明模板匹配方法的第四实施例。
在本实施例中，上述步骤a31包括：
步骤a312，基于所述第一梯度字符串及所述第二梯度字符串，在预设映射表中确定各个相似度值；
步骤a313，基于所述各个相似度值，取最大的相似度值作为相似度计算结果，以供基于所述相似度计算结果进行模板匹配。
在本实施例中，基于第一梯度字符串及第二梯度字符串，在预设映射表中确定各个相似度值。其中，预设映射表为预先设定的表格，通过该表格在得知第一梯度字符串及第二梯度字符串时，可对应查询到相似度大小，该相似度大小的范围为[0，1]。
需要说明的是，各个相似度值为梯度字符串中表示的各个梯度方向两两组合的相似度大小。例如，第一梯度字符串为00110000，第二梯度字符串为00010000，则第一梯度字符串包括两个梯度方向，第二梯度字符串包括一个梯度方向，后续对应得到两个相似度值，即第一梯度字符串的两个梯度方向与第二梯度字符串的一个梯度方向组合的相似度大小。
可以理解，计算相似度大小的两个梯度方向的角度区间越远，则相似度大小越小，计算相似度大小的两个梯度方向的角度区间越近，则相似度大小越大。例如，梯度字符串为00100000与梯度字符串为00010000的相似度大小大于梯度字符串为00100000与梯度字符串为00000010的相似度大小。
本实施例中，进行相似度计算的公式如下：
其中，I为BTm包括的梯度方向个数，即BTm中字符1的个数为I，BTm为模板图像T中第m个特征点处梯度方向对应的第一梯度字符串，J为BSn包括的梯度方向个数，即BSn中字符1的个数为J，BSn为检测图像S中第n个特征点处梯度方向对应的第二梯度字符串，为基于预设映射表得到的两两梯度方向组合的各个相似度值，/>为第一梯度字符串中第i个梯度方向的梯度字符串，/>为第二梯度字符串中第j个梯度方向的梯度字符串。
本实施例中，通过查表的方式计算各个相似度值，由于该相似度值的取值范围可以为0至1之间，相比相似度值只可以取0和1而言，本实施例可提高相似度计算的精度，从而进一步提高模板匹配准确度。
进一步地，基于上述第二实施例，提出本发明模板匹配方法的第四实施例。
在本实施例中，该模板匹配方法还包括：
步骤A，获取所述模板图像在X方向上的第五梯度图及所述模板图像在Y方向上的第六梯度图，并获取所述检测图像在X方向上的第七梯度图及所述检测图像在Y方向上的第八梯度图；
在本实施例中，获取该模板图像在X方向上的第五梯度图及该模板图像在Y方向上的第六梯度图，并获取该检测图像在X方向上的第七梯度图及该检测图像在Y方向上的第八梯度图。
需要说明的是，可以通过方向卷积核，实现只考虑梯度的方向，不考虑梯度的大小，以由余弦距离的绝对值度量相似性。
其中，梯度图的获取方法可以为基于图像(模板图像或检测图像)及预设X方向卷积核，确定该图像(模板图像或检测图像)在X方向上的梯度图，并且，基于该图像(模板图像或检测图像)及预设Y方向卷积核，确定该图像(模板图像或检测图像)在Y方向上的梯度图。
例如，预设X方向卷积核为：
预设Y方向卷积核为：
其中，预设X方向卷积核及预设Y方向卷积核也可以根据实际需要进行设定，此处不作限定。后续，则基于图像(模板图像或检测图像)S及预设X方向卷积核Sx，确定该图像(模板图像或检测图像)在X方向上的梯度图，该图像(模板图像或检测图像)在X方向上的梯度图为：
Gx＝S×Sx
则基于图像(模板图像或检测图像)S及预设Y方向卷积核Sy，确定该图像(模板图像或检测图像)在Y方向上的梯度图，该图像(模板图像或检测图像)在Y方向上的梯度图为：
Gy＝S×Sy。
步骤B，基于所述第五梯度图及所述第六梯度图确定所述模板图像在特征点处的第一梯度，并基于所述第七梯度图及所述第八梯度图确定所述检测图像在特征点处的第二梯度；
在本实施例中，基于该第五梯度图及该第六梯度图确定该模板图像在特征点处的第一梯度，并基于该第七梯度图及该第八梯度图确定该检测图像在特征点处的第二梯度。需要说明的是，第一梯度和第二梯度就是只考虑梯度的方向，并未考虑梯度的大小。
其中，梯度的确定方法可以为基于该图像(模板图像或检测图像)在X方向上的梯度图和该图像((模板图像或检测图像))在Y方向上的梯度图，确定该图像(模板图像或检测图像)在特征点处的梯度。
例如，该图像S对应的梯度图为GS，第n个特征点处的梯度表示为
其中，表示第n个特征点处在X方向上的梯度图，/>表示第n个特征点处在Y方向上的梯度图。
步骤C，基于所述第一梯度及所述第二梯度，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配。
最后，基于第一梯度及第二梯度，进行相似度计算得到相似度计算结果，以供基于相似度计算结果进行模板匹配。
例如，计算模板图像第m个特征点与检测图像第n个特征点的相似性，可以通过以下计算公式进行相似性：
其中，GT(m)为模板图像第m个特征点处的第一梯度，GS(n)为检测图像第n个特征点处的第二梯度。
进一步地，基于及/>可将上述相似性计算公式更换为：
其中，表示模板图像第m个特征点处在X方向上的第五梯度图，/>表示模板图像第m个特征点处在Y方向上的第六梯度图，/>表示检测图像第n个特征点处在X方向上的第七梯度图，/>表示检测图像第n个特征点处在Y方向上的第八梯度图。
本实施例中，通过方向卷积核，实现只考虑梯度的方向，不考虑梯度的大小，以由余弦距离的绝对值度量相似性，使得相似度计算方法具有平移、旋转不变性，且对光照不敏感，从而保证提取稳定特征，以进一步提高模板匹配准确度。同时，基于模板图像的梯度与检测图像的梯度，可直接通过公式进行相似度计算，从而进一步提高模板匹配效率。
本发明还提供一种模板匹配装置。
参照图6，图6为本发明模板匹配装置第一实施例的功能模块示意图。
在本实施例中，所述模板匹配装置包括：
第一获取模块10，用于获取模板图像，并获取所述模板图像在特征点处的第一梯度方向；
第二获取模块20，用于获取检测图像，并获取所述检测图像在特征点处的第二梯度方向；
相似度计算模块30，用于基于所述第一梯度方向及所述第二梯度方向，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配。
其中，上述模板匹配装置的各虚拟功能模块存储于图1所示模板匹配设备的存储器1005中，用于实现模板匹配程序的所有功能；各模块被处理器1001执行时，可实现模板匹配功能。
本发明模板匹配装置中各个模块的功能实现与上述模板匹配方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有模板匹配程序，所述模板匹配程序被处理器执行时实现如以上任一项实施例所述的模板匹配方法的步骤。
本发明计算机可读存储介质的具体实施例与上述模板匹配方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种模板匹配方法，其特征在于，所述模板匹配方法包括以下步骤：
获取模板图像，并获取所述模板图像在特征点处的第一梯度方向；
获取检测图像，并获取所述检测图像在特征点处的第二梯度方向；
基于所述第一梯度方向及所述第二梯度方向，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配；
所述获取所述模板图像在特征点处的第一梯度方向的步骤包括：
基于所述模板图像，构建对应的模板图像金字塔模型；
获取所述模板图像金字塔模型的第一底层图像，并基于所述第一底层图像确定对应的第一底层梯度字符串；
基于所述第一底层梯度字符串，确定所述模板图像金字塔模型在每一层的第一梯度字符串，其中，所述第一梯度字符串表示所述模板图像在特征点处的梯度方向；
其中，所述获取所述检测图像在特征点处的第二梯度方向的步骤包括：
基于所述检测图像，构建对应的检测图像金字塔模型；
获取所述检测图像金字塔模型的第二底层图像，并基于所述第二底层图像确定对应的第二底层梯度字符串；
基于所述第二底层梯度字符串，确定所述检测图像金字塔模型在每一层的第二梯度字符串，其中，所述第二梯度字符串表示所述检测图像在特征点处的梯度方向；
其中，所述基于所述第一梯度方向及所述第二梯度方向，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配的步骤包括：
基于所述第一梯度字符串及所述第二梯度字符串，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配；
所述基于所述第一底层图像确定对应的第一底层梯度字符串的步骤包括：
基于所述第一底层图像及预设X方向卷积核，确定所述第一底层图像在X方向上的第一梯度图；
基于所述第一底层图像及预设Y方向卷积核，确定所述第一底层图像在Y方向上的第二梯度图；
基于所述第一梯度图和所述第二梯度图，确定所述第一底层图像在特征点处的第三梯度方向；
基于所述第三梯度方向，确定所述第一底层图像对应的第一底层梯度字符串，其中，所述第一底层梯度字符串为二进制字符串，所述第一底层梯度字符串中的各个字符分别表示所述第三梯度方向是否在对应的角度区间内；
其中，所述基于所述第二底层图像确定对应的第二底层梯度字符串的步骤包括：
基于所述第二底层图像及预设X方向卷积核，确定所述第二底层图像在X方向上的第三梯度图；
基于所述第二底层图像及预设Y方向卷积核，确定所述第二底层图像在Y方向上的第四梯度图；
基于所述第三梯度图和所述第四梯度图，确定所述第二底层图像在特征点处的第四梯度方向；
基于所述第四梯度方向，确定所述第二底层图像对应的第二底层梯度字符串，其中，所述第二底层梯度字符串为二进制字符串，所述第二底层梯度字符串中的各个字符分别表示所述第四梯度方向是否在对应的角度区间内；
所述基于所述第一底层梯度字符串，确定所述模板图像金字塔模型在每一层的第一梯度字符串的步骤包括：
将各个所述第一底层梯度字符串进行按位或运算得到所述模板图像金字塔模型的上一层梯度字符串，其中，所述第一底层梯度字符串包括预设个数的梯度字符串，所述第一底层梯度字符串为所述第一底层图像中预设区域内的梯度字符串；
基于所述模板图像金字塔模型的上一层梯度字符串，依次进行按位或运算直至到达所述模板图像金字塔模型的顶层，得到所述模板图像金字塔模型在每一层的第一梯度字符串；
其中，所述基于所述第二底层梯度字符串，确定所述检测图像金字塔模型在每一层的第二梯度字符串的步骤包括：
将各个所述第二底层梯度字符串进行按位或运算得到所述检测图像金字塔模型的上一层梯度字符串，其中，所述第二底层梯度字符串包括预设个数的梯度字符串，所述第二底层梯度字符串为所述第二底层图像中预设区域内的梯度字符串；
基于所述检测图像金字塔模型的上一层梯度字符串，依次进行按位或运算直至到达所述检测图像金字塔模型的顶层，得到所述检测图像金字塔模型在每一层的第二梯度字符串。
2.如权利要求1所述的模板匹配方法，其特征在于，所述基于所述第一梯度字符串及所述第二梯度字符串，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配的步骤包括：
将所述第一梯度字符串与所述第二梯度字符串，进行按位与运算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配，其中，所述第一梯度字符串为二进制字符串，所述第一梯度字符串中的字符1表示所述模板图像在特征点处的梯度方向，所述第二梯度字符串为二进制字符串，所述第二梯度字符串中的字符1表示所述检测图像在特征点处的梯度方向。
3.如权利要求1所述的模板匹配方法，其特征在于，所述基于所述第一梯度字符串及所述第二梯度字符串，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配的步骤包括：
基于所述第一梯度字符串及所述第二梯度字符串，在预设映射表中确定各个相似度值；
基于所述各个相似度值，取最大的相似度值作为相似度计算结果，以供基于所述相似度计算结果进行模板匹配。
4.如权利要求1所述的模板匹配方法，其特征在于，所述模板匹配方法还包括：
获取所述模板图像在X方向上的第五梯度图及所述模板图像在Y方向上的第六梯度图，并获取所述检测图像在X方向上的第七梯度图及所述检测图像在Y方向上的第八梯度图；
基于所述第五梯度图及所述第六梯度图确定所述模板图像在特征点处的第一梯度，并基于所述第七梯度图及所述第八梯度图确定所述检测图像在特征点处的第二梯度；
基于所述第一梯度及所述第二梯度，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配。
5.一种模板匹配装置，其特征在于，所述模板匹配装置包括：
第一获取模块，用于获取模板图像，并获取所述模板图像在特征点处的第一梯度方向；
第二获取模块，用于获取检测图像，并获取所述检测图像在特征点处的第二梯度方向；
相似度计算模块，用于基于所述第一梯度方向及所述第二梯度方向，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配；
所述第一获取模块还用于：
基于所述模板图像，构建对应的模板图像金字塔模型；
获取所述模板图像金字塔模型的第一底层图像，并基于所述第一底层图像确定对应的第一底层梯度字符串；
基于所述第一底层梯度字符串，确定所述模板图像金字塔模型在每一层的第一梯度字符串，其中，所述第一梯度字符串表示所述模板图像在特征点处的梯度方向；
所述第二获取模块还用于：
基于所述检测图像，构建对应的检测图像金字塔模型；
获取所述检测图像金字塔模型的第二底层图像，并基于所述第二底层图像确定对应的第二底层梯度字符串；
基于所述第二底层梯度字符串，确定所述检测图像金字塔模型在每一层的第二梯度字符串，其中，所述第二梯度字符串表示所述检测图像在特征点处的梯度方向；
所述相似度计算模块还用于：
基于所述第一梯度字符串及所述第二梯度字符串，进行相似度计算得到相似度计算结果，以供基于所述相似度计算结果进行模板匹配；
所述第一获取模块还用于：
基于所述第一底层图像及预设X方向卷积核，确定所述第一底层图像在X方向上的第一梯度图；
基于所述第一底层图像及预设Y方向卷积核，确定所述第一底层图像在Y方向上的第二梯度图；
基于所述第一梯度图和所述第二梯度图，确定所述第一底层图像在特征点处的第三梯度方向；
基于所述第三梯度方向，确定所述第一底层图像对应的第一底层梯度字符串，其中，所述第一底层梯度字符串为二进制字符串，所述第一底层梯度字符串中的各个字符分别表示所述第三梯度方向是否在对应的角度区间内；
所述第二获取模块还用于：
基于所述第二底层图像及预设X方向卷积核，确定所述第二底层图像在X方向上的第三梯度图；
基于所述第二底层图像及预设Y方向卷积核，确定所述第二底层图像在Y方向上的第四梯度图；
基于所述第三梯度图和所述第四梯度图，确定所述第二底层图像在特征点处的第四梯度方向；
基于所述第四梯度方向，确定所述第二底层图像对应的第二底层梯度字符串，其中，所述第二底层梯度字符串为二进制字符串，所述第二底层梯度字符串中的各个字符分别表示所述第四梯度方向是否在对应的角度区间内；
所述第一获取模块还用于：
将各个所述第一底层梯度字符串进行按位或运算得到所述模板图像金字塔模型的上一层梯度字符串，其中，所述第一底层梯度字符串包括预设个数的梯度字符串，所述第一底层梯度字符串为所述第一底层图像中预设区域内的梯度字符串；
基于所述模板图像金字塔模型的上一层梯度字符串，依次进行按位或运算直至到达所述模板图像金字塔模型的顶层，得到所述模板图像金字塔模型在每一层的第一梯度字符串；
所述第二获取模块还用于：
将各个所述第二底层梯度字符串进行按位或运算得到所述检测图像金字塔模型的上一层梯度字符串，其中，所述第二底层梯度字符串包括预设个数的梯度字符串，所述第二底层梯度字符串为所述第二底层图像中预设区域内的梯度字符串；
基于所述检测图像金字塔模型的上一层梯度字符串，依次进行按位或运算直至到达所述检测图像金字塔模型的顶层，得到所述检测图像金字塔模型在每一层的第二梯度字符串。
6.一种模板匹配设备，其特征在于，所述模板匹配设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的模板匹配程序，所述模板匹配程序被所述处理器执行时实现如权利要求1至4中任一项所述的模板匹配方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有模板匹配程序，所述模板匹配程序被处理器执行时实现如权利要求1至4中任一项所述的模板匹配方法的步骤。
CN202110284862.1A 2021-03-16 2021-03-16 模板匹配方法、装置、设备及计算机可读存储介质 Active CN113033640B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110284862.1A CN113033640B (zh) 2021-03-16 2021-03-16 模板匹配方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110284862.1A CN113033640B (zh) 2021-03-16 2021-03-16 模板匹配方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113033640A CN113033640A (zh) 2021-06-25
CN113033640B true CN113033640B (zh) 2023-08-15

Family

ID=76471006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110284862.1A Active CN113033640B (zh) 2021-03-16 2021-03-16 模板匹配方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113033640B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469971B (zh) * 2021-06-30 2023-10-13 深圳中科飞测科技股份有限公司 一种图像匹配方法及检测装置、存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104252711A (zh) * 2014-09-17 2014-12-31 华中科技大学 一种基于图像梯度方向码的匹配方法
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
CN106778889A (zh) * 2016-12-28 2017-05-31 天津普达软件技术有限公司 一种基于梯度强度和方向的模板匹配方法
CN107671896A (zh) * 2017-05-19 2018-02-09 重庆誉鸣科技有限公司 基于scara机器人的快速视觉定位方法及系统
CN109977995A (zh) * 2019-02-11 2019-07-05 平安科技（深圳）有限公司 文本模板识别方法、装置及计算机可读存储介质
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
CN110472674A (zh) * 2019-07-31 2019-11-19 苏州中科全象智能科技有限公司 一种基于边缘和梯度特征的模板匹配算法
CN111079803A (zh) * 2019-12-02 2020-04-28 易思维（杭州）科技有限公司 基于梯度信息的模板匹配方法
CN112085033A (zh) * 2020-08-19 2020-12-15 浙江华睿科技有限公司 一种模板匹配方法、装置、电子设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104252711A (zh) * 2014-09-17 2014-12-31 华中科技大学 一种基于图像梯度方向码的匹配方法
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
CN106778889A (zh) * 2016-12-28 2017-05-31 天津普达软件技术有限公司 一种基于梯度强度和方向的模板匹配方法
CN107671896A (zh) * 2017-05-19 2018-02-09 重庆誉鸣科技有限公司 基于scara机器人的快速视觉定位方法及系统
CN109977995A (zh) * 2019-02-11 2019-07-05 平安科技（深圳）有限公司 文本模板识别方法、装置及计算机可读存储介质
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
CN110472674A (zh) * 2019-07-31 2019-11-19 苏州中科全象智能科技有限公司 一种基于边缘和梯度特征的模板匹配算法
WO2021017361A1 (zh) * 2019-07-31 2021-02-04 苏州中科全象智能科技有限公司 一种基于边缘和梯度特征的模板匹配算法
CN111079803A (zh) * 2019-12-02 2020-04-28 易思维（杭州）科技有限公司 基于梯度信息的模板匹配方法
CN112085033A (zh) * 2020-08-19 2020-12-15 浙江华睿科技有限公司 一种模板匹配方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113033640A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
US12019675B2 (en) Recognizing text in image data
CN109961009B (zh) 基于深度学习的行人检测方法、系统、装置及存储介质
Miao et al. A semi-automatic method for road centerline extraction from VHR images
CN111062885B (zh) 基于多阶段迁移学习的标志检测模型训练及标志检测方法
CN107392141B (zh) 一种基于显著性检测和lsd直线检测的机场提取方法
JP5563494B2 (ja) 対応参照画像検索装置及び方法、コンテンツ重畳装置、システム、及び方法、並びにコンピュータプログラム
JP2016162423A (ja) 物体認識装置、物体認識方法、およびプログラム
WO2019136897A1 (zh) 图像处理方法、装置、电子设备及存储介质
CN110956131B (zh) 单目标追踪方法、装置及系统
CN110717497A (zh) 图像相似度匹配方法、装置及计算机可读存储介质
WO2022105569A1 (zh) 页面方向识别方法、装置、设备及计算机可读存储介质
CN112184785B (zh) 基于mcd度量和vtm的多模态遥感图像配准方法
CN112767354A (zh) 基于图像分割的缺陷检测方法、装置、设备及存储介质
CN113033640B (zh) 模板匹配方法、装置、设备及计算机可读存储介质
CN116205889A (zh) 偏移检测方法、装置、电子设备及存储介质
CN112560857B (zh) 文字区域边界检测方法、设备、存储介质及装置
CN107742114B (zh) 高光谱图像特征检测方法及装置
JP6163868B2 (ja) 画像処理方法、画像処理装置および画像処理プログラム
JP6699048B2 (ja) 特徴選択装置、タグ関連領域抽出装置、方法、及びプログラム
CN112084365A (zh) 基于OpenCV和CUDA加速的网络相机的实时图像检索方法
CN111242187B (zh) 一种图像相似度处理方法、装置、介质和电子设备
CN106803269B (zh) 对文档图像进行透视校正的方法和设备
CN111695441B (zh) 图像文档处理方法、装置及计算机可读存储介质
Anggara et al. Integrated Colormap and ORB detector method for feature extraction approach in augmented reality
CN113537158A (zh) 一种图像目标检测方法、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