CN113159206A - 图像比对方法、装置、电子设备、计算机可读存储介质 - Google Patents
图像比对方法、装置、电子设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN113159206A CN113159206A CN202110469167.2A CN202110469167A CN113159206A CN 113159206 A CN113159206 A CN 113159206A CN 202110469167 A CN202110469167 A CN 202110469167A CN 113159206 A CN113159206 A CN 113159206A
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- pixel matrix
- pixel
- eigenvalue
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 448
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000000354 decomposition reaction Methods 0.000 claims description 46
- 230000009467 reduction Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 description 25
- 238000012360 testing method Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000001186 cumulative effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000011946 reduction process Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本公开关于一种图像比对方法、装置、电子设备、计算机可读存储介质。所述方法包括:获取参考图像的第一像素矩阵,以及待测试图像的第二像素矩阵;确定第一像素矩阵对应的第一特征值、第二像素矩阵对应的第二特征值;比较第一特征值和第二特征值,得到相似度;根据相似度确定待测试图像与参考图像的比对结果。根据本公开的方案,通过直接对像素矩阵进行处理,减少了数据处理量;通过比较图像的特征值判断图像是否匹配,由于无需重构图像,从而极大地提高了图像比对的效率。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像比对方法、装置、电子设备、计算机可读存储介质、计算机程序产品。
背景技术
在广告投放效果测试中,例如静态开屏广告,涉及广告图像投放效果的对比测试。该对比测试可以通过比对预期广告图像与实际投放广告图像之间的一些相关元素实现。
相关技术中,可以使用特征值分解方法进行图像对比测试。特征值分解方法通过对实际广告图像的整个图像进行分解,获得相应的特征值和特征值向量。然后,利用贡献率较高的特征值重构图像,去除无关因素的影响,得到重构图像。通过对比重构图像和预期广告图像之间的相似度,从而实现广告图像投放效果的对比测试。
但是,随着广告图像中关键元素的不断丰富,导致对比测试的工作量在倍数级增加,使得广告投放的质量面临极大的挑战。因此,亟需一种能够更快地进行图像对比测试的图像比对方法。
发明内容
本公开提供一种图像比对方法、装置、电子设备、计算机可读存储介质、计算机程序产品,以提供一种能够更快地进行图像对比测试的图像比对方法。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种图像比对方法,包括:
获取参考图像的第一像素矩阵,以及待测试图像的第二像素矩阵;
确定所述第一像素矩阵对应的第一特征值、所述第二像素矩阵对应的第二特征值;
比较所述第一特征值和所述第二特征值,得到相似度;
根据所述相似度确定所述待测试图像与所述参考图像的比对结果。
在其中一个实施例中,确定所述第二像素矩阵对应的第二特征值,包括:
构建符合正态分布的随机数矩阵,所述随机数矩阵的行数大于所述第一特征值中特征值的目标个数,且小于或等于所述第二像素矩阵的行数与所述目标个数之差,所述随机数矩阵的列数与所述第二像素矩阵的行数相同;
根据所述随机数矩阵对所述第二像素矩阵进行降维处理,得到目标矩阵,所述目标矩阵的行数与所述第二像素矩阵的行数相同,所述目标矩阵的列数与所述目标个数相同;
对所述目标矩阵进行矩阵分解,得到所述第二特征值,所述第二特征值中特征值的个数与所述目标个数相同。
在其中一个实施例中,所述根据所述随机数矩阵对所述第二像素矩阵进行降维处理,得到目标矩阵,包括:
根据所述随机数矩阵和所述第二像素矩阵,确定第一中间矩阵,所述第一中间矩阵的行数与所述随机数矩阵的行数相同,所述第一中间矩阵的列数与所述第二像素矩阵的列数相同;
获取所述第一中间矩阵的共轭转置矩阵,并对所述共轭转置矩阵进行矩阵分解,得到第二中间矩阵,所述第二中间矩阵的行数与所述第二像素矩阵的列数相同,所述第二中间矩阵的列数与所述随机数矩阵的行数相同;
从所述第二中间矩阵中获取前目标个数列的矩阵,并获取所述第二像素矩阵与所述前目标个数列的矩阵的乘积,作为所述目标矩阵。
在其中一个实施例中,所述根据所述随机数矩阵和所述第二像素矩阵,确定第一中间矩阵,包括:
通过以下公式得到所述第一中间矩阵:
其中,P(l×n)代表第一中间矩阵,R(l×m)代表所述随机数矩阵,H(m×n)代表所述第二像素矩阵,代表所述第二像素矩阵的共轭转置矩阵,l代表所述随机数矩阵的行数,n代表所述第二像素矩阵的列数,m代表所述第二像素矩阵的行数,j代表预设的调节参数。
在其中一个实施例中,所述确定所述第一像素矩阵对应的第一特征值,包括:
对所述第一像素矩阵进行矩阵分解,得到多个原始特征值;
获取每个原始特征值对应的权重系数;
获取使累计贡献率达到阈值时的前i个原始特征值,所述前i个原始特征值作为所述第一特征值,所述累计贡献率为第一加权和与第二加权和的比值,所述第一加权和为所述前i个原始特征值与对应权重系数的加权和,所述第二加权和为所述多个原始特征值与对应权重系数的加权和,所述i为正整数。
在其中一个实施例中,所述获取每个原始特征值对应的权重系数,包括:
通过以下公式得到所述每个原始特征值对应的权重系数:
其中,γi代表第i个原始特征值对应的权重系数,k代表累计贡献率达到阈值时原始特征值的个数,N代表原始特征值的总数,λi代表第i个原始特征值,e代表自然常数。
在其中一个实施例中,所述比较所述第一特征值和所述第二特征值,得到相似度,包括:
根据所述第一特征值生成第一向量,以及,根据所述第二特征值生成第二向量;
获取所述第一向量和所述第二向量之间的互相关值,作为所述相似度。
根据本公开实施例的第二方面,提供一种图像比对装置,包括:
获取模块,被配置为执行获取参考图像的第一像素矩阵,以及待测试图像的第二像素矩阵;
第一特征值生成模块,被配置为执行确定所述第一像素矩阵对应的第一特征值;
第二特征值生成模块,被配置为执行确定所述第二像素矩阵对应的第二特征值;
比较模块,被配置为执行比较所述第一特征值和所述第二特征值,得到相似度;
结果生成模块,被配置为执行根据所述相似度确定所述待测试图像与所述参考图像的比对结果。
在其中一个实施例中,所述第二特征值生成模块,包括:
矩阵生成单元,被配置为执行构建符合正态分布的随机数矩阵,所述随机数矩阵的行数大于所述第一特征值中特征值的目标个数,且小于或等于所述第二像素矩阵的行数与所述目标个数之差,所述随机数矩阵的列数与所述第二像素矩阵的行数相同;
降维单元,被配置为执行根据所述随机数矩阵对所述第二像素矩阵进行降维处理,得到目标矩阵,所述目标矩阵的行数与所述第二像素矩阵的行数相同,所述目标矩阵的列数与所述目标个数相同;
第一矩阵分解单元,被配置为执行对所述目标矩阵进行矩阵分解,得到所述第二特征值,所述第二特征值中特征值的个数与所述目标个数相同。
在其中一个实施例中,所述降维单元,包括:
中间矩阵生成子单元,被配置为执行根据所述随机数矩阵和所述第二像素矩阵,确定第一中间矩阵,所述第一中间矩阵的行数与所述随机数矩阵的行数相同,所述第一中间矩阵的列数与所述第二像素矩阵的列数相同;
矩阵分解子单元,被配置为执行获取所述第一中间矩阵的共轭转置矩阵,并对所述共轭转置矩阵进行矩阵分解,得到第二中间矩阵,所述第二中间矩阵的行数与所述第二像素矩阵的列数相同,所述第二中间矩阵的列数与所述随机数矩阵的行数相同;
目标矩阵生成子单元,被配置为执行从所述第二中间矩阵中获取前目标个数列的矩阵,并获取所述第二像素矩阵与所述前目标个数列的矩阵的乘积,作为所述目标矩阵。
在其中一个实施例中,所述中间矩阵生成子单元,被配置为执行通过以下公式得到所述第一中间矩阵:
其中,P(l×n)代表第一中间矩阵,R(l×m)代表所述随机数矩阵,H(m×n)代表所述第二像素矩阵,代表所述第二像素矩阵的共轭转置矩阵,l代表所述随机数矩阵的行数,n代表所述第二像素矩阵的列数,m代表所述第二像素矩阵的行数,j代表预设的调节参数。
在其中一个实施例中,所述第一特征值生成模块,包括:
第二矩阵分解单元,被配置为执行对所述第一像素矩阵进行矩阵分解,得到多个原始特征值;
权重系数获取单元,被配置为执行获取每个原始特征值对应的权重系数;
第一特征值生成,被配置为执行获取使累计贡献率达到阈值时的前i个原始特征值,所述前i个原始特征值作为所述第一特征值,所述累计贡献率为第一加权和与第二加权和的比值,所述第一加权和为所述前i个原始特征值与对应权重系数的加权和,所述第二加权和为所述多个原始特征值与对应权重系数的加权和,所述i为正整数。
在其中一个实施例中,所述权重系数获取单元,被配置为执行通过以下公式得到所述每个原始特征值对应的权重系数:
其中,γi代表第i个原始特征值对应的权重系数,k代表累计贡献率达到阈值时原始特征值的个数,N代表原始特征值的总数,λi代表第i个原始特征值,e代表自然常数。
在其中一个实施例中,所述比较模块,包括:
向量生成单元,被配置为执行根据所述第一特征值生成第一向量,以及,根据所述第二特征值生成第二向量;
相似度确定单元,被配置为执行获取所述第一向量和所述第二向量之间的互相关值,作为所述相似度。
根据本公开实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现上述第一方面任一项所述的图像比对方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行上述第一方面任一项所述的图像比对方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一项所述的图像比对方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
通过对参考图像的第一像素矩阵以及待测试图像的第二像素矩阵进行处理,相对于对整张图像进行特征值分解而言,减少了数据处理量,从而节省了大量的时间成本;通过对第一像素矩阵和第二像素矩阵分别进行处理得到对应的第一特征值和第二特征值,并比较第一特征值和第二特征值得到相似度,根据相似度得到参考图像和待测试图像的比对结果,相对于传统的特征值分解方法而言,一方面,由于无需重构图像,从而极大地提高了图像比对的效率;另一方面,采用特征值比对的方式不会产生图像中像素丢失、噪声等问题,因此,还有助于提高图像比对的精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种图像比对方法的应用环境图。
图2是根据一示例性实施例示出的一种图像比对方法的流程图。
图3是根据一示例性实施例示出的一种得到第二特征值步骤的流程图。
图4是根据一示例性实施例示出的一种对第二像素矩阵进行处理步骤的流程图。
图5是根据一示例性实施例示出的一种得到第一特征值步骤的流程图。
图6是根据一示例性实施例示出的一种图像比对方法的流程图。
图7是根据一示例性实施例示出的一种图像比对装置的框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
图9是根据一示例性实施例示出的另一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开所提供的图像比对方法,可以应用于如图1所示的电子设备110中。该电子设备110可以是终端、服务器中的任一种。其中,终端可以是但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器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。电子设备110中部署有第一特征值生成逻辑、第二特征值生成逻辑以及特征值比较逻辑。第一特征值生成逻辑和第二特征值生成逻辑可以是相同的逻辑。具体地,电子设备110在获取参考图像和待测试图像后,获取参考图像的第一像素矩阵,以及待测试图像的第二像素矩阵。通过第一特征值生成逻辑对第一像素矩阵进行处理,得到对应的第一特征值;通过第二特征值生成逻辑对第二像素矩阵进行处理,得到对应的第二特征值。通过特征值比较逻辑得到第一特征值和第二特征值之间的相似度,并根据相似度得到参考图像和待测试图像的比对结果。
图2是根据一示例性实施例示出的一种图像比对方法的流程图,如图2所示,图像比对方法用于电子设备110中,包括以下步骤。
在步骤S210中,获取参考图像的第一像素矩阵,以及待测试图像的第二像素矩阵。
其中,参考图像可以为还未经任何处理的图像。待测试图像可以是对参考图像进行处理后以在应用程序中实际使用的图像,例如,在应用程序的开屏页面实际显示的图像。可以预先建立并存储待测试图像和参考图像的映射关系,以便于电子设备能够根据待测试图像自动查找得到对应的参考图像。
参考图像和待测试图像可以是单幅静态图像;也可以是从参考视频和待测试视频中得到的位于相同帧的图像,例如,可以是视频中的任一帧、视频中的关键帧等。其中,关键帧可以是视频关键片段中的任一帧,例如,视频中存在人物声音的片段、存在人物出现的片段等中的任一帧;也可以是视频中的指定帧,例如第I帧。参考图像和待测试图像可以预先存储在终端的本地数据库中;也可以存储在服务器中。
像素矩阵是图像的一种矩阵化表示。像素矩阵的行对应图像的高(单位为像素),列对应图像的宽(单位为像素),像素矩阵的元素对应像素点的像素值。
具体地,对待测试图像进行测试的请求可以是后台测试人员按需手动触发的,例如,后台测试人员在自己的电脑上手动触发测试请求;也可以是电子设备自行触发的,例如,在服务器获取到客户端的登录指令后,自行触发对开屏广告页面的测试请求。电子设备响应于测试请求,获取待测试图像、与待测试图像对应的参考图像。例如,对开屏广告页面进行截图处理得到待测试图像。获取客户端的版本信息,从数据库中查询预先存储的与该版本信息对应的参考图像。客户端在得到待测试图像以及与待测试图像对应的参考图像后,获取参考图像的第一像素矩阵,以及,待测试图像的第二像素矩阵。
在步骤S220中,确定第一像素矩阵对应的第一特征值、第二像素矩阵对应的第二特征值。
其中,特征值用于表示特征的重要性。第一特征值和第二特征值中可以包括一个或者多个特征值。
具体地,电子设备在获取第一像素矩阵和第二像素矩阵后,通过第一特征值生成逻辑对第一像素矩阵进行处理,得到第一特征值。通过第二特征值生成逻辑对第二像素矩阵进行处理,得到第二特征值。第一特征值生成逻辑和第二特征值生成逻辑可以为相同的逻辑,也可以为不同的逻辑。可以基于矩阵分解法部署第一特征值生成逻辑和/或第二特征值生成逻辑。例如,对第一像素矩阵进行矩阵分解,得到多个第一特征值以及与每个第一特征值对应的特征向量。同理,对第二像素矩阵进行矩阵分解,得到多个第二特征值以及与每个第二特征值对应的特征向量。其中,矩阵分解法是将像素矩阵拆解为至少一个矩阵的乘积的方法,可以但不限于采用三角分解、满秩分解、QR(正交三角)分解等中的任一种。
或者,还可以基于深度学习网络部署第一特征值生成逻辑和/或第二特征值生成逻辑。深度学习网络以采用卷积神经网络实现。卷积神经网络包括至少一个卷积层。通过每个卷积层遍历输入的第一像素矩阵,得到第一特征值。通过每个卷积层遍历输入的第二像素矩阵,得到第二特征值。
在步骤S230中,比较第一特征值和第二特征值,得到相似度。
在步骤S240中,根据相似度确定待测试图像与参考图像的比对结果。
具体地,可以通过比较第一特征值和第二特征值的数值大小,将第一特征值和第二特征值之间的差异值作为相似度。或者,根据第一特征值生成第一向量,根据第二特征值生成第二向量。计算第一向量和第二向量之间的互相关值,作为相似度。电子设备在获取相似度后,可以将相似度与预设阈值进行比较,若相似度大于阈值,那么生成待测试图像与参考图像匹配的比对结果;若相似度不大于阈值,那么生成待测试图像与参考图像不匹配的比对结果。
上述图像比对方法中,通过对参考图像的第一像素矩阵以及待测试图像的第二像素矩阵进行处理,相对于对整张图像进行特征值分解而言,减少了数据处理量,从而节省了大量的时间成本;通过对第一像素矩阵和第二像素矩阵分别进行处理得到对应的第一特征值和第二特征值,并比较第一特征值和第二特征值得到相似度,根据相似度得到参考图像和待测试图像的比对结果,相对于传统的特征值分解方法而言,一方面,由于无需重构图像,从而极大地提高了图像比对的效率;另一方面,采用特征值比对的方式不会产生图像中像素丢失、噪声等问题,因此,还有助于提高图像比对的精度。
在一示例性实施例中,如图3所示,在步骤S220中,确定第一像素矩阵对应的第一特征值,具体可以通过以下步骤实现。
在步骤S310中,对第一像素矩阵进行矩阵分解,得到多个原始特征值。
具体地,电子设备在获取第一像素矩阵后,可以通过矩阵分解法对第一像素矩阵分解,得到第一特征值对角矩阵以及对应的特征向量。第一特征值对角矩阵的对角线元素可以为非负的实数,且按照数值大小依次排列。获取第一特征值对角矩阵中的对角线元素,作为多个原始特征值。
在步骤S320中,获取每个原始特征值对应的权重系数。
在得到多个原始特征值后,为每个原始特征值赋予相应的权重系数,其中,原始特征值越大,其对应的权重系数也越大,从而可以增加重要的原始特征值在所有原始特征值中的贡献度。具体地,权重系数可以通过预设的权重函数得到,权重函数是用于计算特征值对应的权重系数的一种函数,可以采用任一种函数类型,例如,指数型函数、多项式函数等。或者,权重系数还可以为预先配置的常数值,例如,预先配置权值系数和特征值区间的对应关系,确定每个原始特征值所属的目标特征值区间,从该对应关系中查询得到与目标特征值区间对应的权重系数,作为每个原始特征值对应的权重系数。
在步骤S330中,获取使累计贡献率达到阈值时的前i个原始特征值,前i个原始特征值作为第一特征值,累计贡献率为第一加权和与第二加权和的比值,第一加权和为前i个原始特征值与对应权重系数的加权和,第二加权和为多个原始特征值与对应权重系数的加权和,i为正整数。
具体地,在获取每个原始特征值对应的权重系数后,可以从第一个原始特征值开始,获取当前原始特征值,以及排序位于当前原始特征值之前的原始特征值与各自对应的权重系数的第一加权和。以及,获取所有原始特征值与各自对应的权重系数的第二加权和。计算第一加权和与第二加权和的比值,作为当前原始特征值对应的累计贡献率。即,当前原始特征值为第i个原始特征值,则获取前i个原始特征值与各自对应的权重系数的第一加权和,并获取所有原始特征值与各自对应的权重系数的第二加权和。获取第一加权和与第二加权和的比值,作为第i个原始特征值对应的累计贡献率,例如将第一加权和作为分子,第二加权和作为分母,获取第一加权和与第二加权和的比值。若第i个原始特征值对应的累计贡献率大于阈值,则停止处理,并将前i个原始特征值作为第一特征值。
在一些可能性实施例中,可以预先对参考图像的第一像素矩阵进行处理,得到第一特征值。建立参考图像与第一特征值、第一特征值中特征值的个数等信息之间的映射关系。在对待测试图像进行测试时,可以直接从该对应关系中查询得到对应的第一特征值,从而有助于进一步加快图像比对的速度。
本实施例中,通过为每个原始特征值赋予相应的权重系数,增加重要特征值的贡献度,可以在尽可能多地保留有效信息的前提下,减少最终使用的原始特征值的数量,从而可以提高图像比对的速度,减少图像比对所需的资源。
在一示例性实施例中,每个原始特征值对应的权重系数可以通过预设的权重函数得到。权重函数可以采用指数型函数,通过采用指数型有助于更准确得到每个原始特征值对应的权重系数,从而更有利于准确地从多个原始特征值中提取得到第一特征值。可以通过以下公式得到每个原始特征值对应的权重系数:
其中,γi代表第i个原始特征值对应的权重系数,k代表累计贡献率达到阈值时原始特征值的个数,N代表原始特征值的总数,λi代表第i个原始特征值。假设当i=k时,使用所得到的权重系数得到前k个原始特征值的累计贡献率大于阈值,e代表自然常数。
在一示例性实施例中,如图4所示,在步骤S220中,确定第二像素矩阵对应的第二特征值,具体可以通过以下步骤实现。
在步骤S410中,构建符合正态分布的随机数矩阵,随机数矩阵的行数大于第一特征值中特征值的目标个数,且小于或等于第二像素矩阵的行数与目标个数之差,随机数矩阵的列数与第二像素矩阵的行数相同。
其中,符合正态分布的随机数矩阵,即随机产生的均值为0、方差为1的矩阵。在本实施例中,随机数矩阵为一个l行,m列的矩阵,l可以是经过多次试验总结得到的数,其大于第一特征值中特征值的目标个数,且小于或等于第二像素矩阵的行数与目标个数之差。m则代表第二像素矩阵的行数。示例性地,第一特征值中特征值的目标个数为k,第二像素矩阵的行数为m,列数为n,则l>k且l≤m-k,例如,l可取2k。在本实施例中,l、m、k均为正整数。
具体地,预先配置随机数矩阵的行数和列数。在获取待测试图像对应的第二像素矩阵后,可以根据随机数矩阵的行数和列数随机生成符合正态分布的随机数矩阵。
在步骤S420中,根据随机数矩阵对第二像素矩阵进行降维处理,得到目标矩阵,目标矩阵的行数与第二像素矩阵的行数相同,目标矩阵的列数与目标个数相同。
在步骤S430中,对目标矩阵进行矩阵分解,得到第二特征值,第二特征值中特征值的个数与目标个数相同。
具体地,由于随机数矩阵的行数少于第二像素矩阵的行数,因此,可以使用随机数矩阵对第二像素矩阵进行降维处理,得到目标矩阵。通过矩阵分解法对目标矩阵分解,得到第二特征值对角矩阵以及对应的特征向量。第二特征值对角矩阵的对角线元素可以为非负的实数,且按照数值大小依次排列。获取第二特征值对角矩阵中的对角线元素,作为第二特征值。
本实施例中,通过构建符合正态分布的随机数矩阵,使用随机数矩阵从第二像素矩阵中提取出有效数据,实现对第二像素矩阵的降维处理,可以减少图像比对的计算量,从而减少电子设备的运行资源。
在一示例性实施例中,如图5所示,在步骤S420中,根据随机数矩阵对第二像素矩阵进行降维处理,得到目标矩阵,具体可以通过以下步骤实现。
在步骤S510中,根据随机数矩阵和第二像素矩阵,确定第一中间矩阵,第一中间矩阵的行数与随机数矩阵的行数相同,第一中间矩阵的列数与第二像素矩阵的列数相同。
具体地,电子设备在得到随机数矩阵和第二像素矩阵后,可以使用随机数矩阵从第二像素矩阵中提取有效数据,实现对第二像素矩阵的初次降维处理,得到第一中间矩阵。
可以通过以下公式得到第一中间矩阵:
其中,P(l×n)代表第一中间矩阵,R(l×m)代表所述随机数矩阵,H(m×n)代表所述第二像素矩阵,代表所述第二像素矩阵的共轭转置矩阵,l代表所述随机数矩阵的行数,n代表所述第二像素矩阵的列数,m代表所述第二像素矩阵的行数,j代表预设的调节参数,例如,j可取1,2,3...等数中的任一个。经过多次实现证明,当j=3时,图像比对所需的时间较多,但是准确率最高。
在步骤S520中,获取第一中间矩阵的共轭转置矩阵,并对共轭转置矩阵进行矩阵分解,得到第二中间矩阵,第二中间矩阵的行数与第二像素矩阵的列数相同,第二中间矩阵的列数与随机数矩阵的行数相同。
在步骤S530中,从第二中间矩阵中获取前目标个数列的矩阵,并获取第二像素矩阵与前目标个数列的矩阵的乘积,作为目标矩阵。
具体地,可以通过矩阵分解法对第一中间矩阵的共轭转置矩阵进行矩阵分解,将所得到的行数与第二像素矩阵的列数相同,列数与随机数矩阵的行数相同的矩阵作为第二中间矩阵。从第二中间矩阵中获取前目标个数列的矩阵,并获取前目标个数列的矩阵与第二像素矩阵的乘积,作为目标矩阵。
本实施例中,通过构建符合正态分布的随机数矩阵,基于随机数矩阵和上述生成目标矩阵的方法对第二像素矩阵进行降维处理,可以在实现降维目的同时,尽可能地保留第二像素矩阵中的有效数据,从而可以减少图像比对的计算量,且确保图像比对的精度。
图6是根据一示例性实施例示出的一种图像比对方法的流程图。在本实施例中,参考图像为从参考视频中提取得到多个关键帧图像中的其中一个;相应地,待测试图像为从待测试视频中提取得到与参考图像位于相同帧的图像。如图6所示,包括以下步骤。
在步骤S602中,获取参考图像的第一像素矩阵,对第一像素矩阵进行进行矩阵分解,得到多个已确定排列顺序的原始特征值。
可以通过以下公式对第一像素矩阵进行矩阵分解:
B=Aλ(T)H
其中,B代表第一像素矩阵,A和T代表矩阵分解得到的特征向量,λ代表矩阵分解得到的第一特征值对角矩阵。
获取第一特征值对角矩阵λ中的对角线元素,作为多个已确定排列顺序的原始特征值λi(i=1,2,...,N)。
在步骤S604中,通过预设的权重函数得到每个原始特征值对应的权重系数。
可以通过以下公式得到所述每个原始特征值对应的权重系数:
其中,γi代表第i个原始特征值对应的权重系数,k代表累计贡献率达到阈值时原始特征值的个数,N代表原始特征值的总数,λi代表第i个原始特征值。假设当i=k时,使用所得到的权重系数得到前k个原始特征值的累计贡献率大于阈值,e代表自然常数。
在步骤S606中,从第一个原始特征值开始,根据原始特征值和与原始特征值对应的权重系数计算得到当前原始特征值对应的累计贡献率。累计贡献率的具体获取方式可以参照上述实施例,在此不作具体阐述。若计算得到前k个原始特征值的累计贡献率大于阈值,则将前k个原始特征值λi(i=1,2,...,k)作为第一特征值。例如,阈值为95%。计算到前k个原始特征值时,得到累计贡献率大于95%,则将前k个原始特征值作为第一特征值。
在步骤S608中,获取待测试图像的第二像素矩阵。第二像素矩阵的行数为m,列数为n。m,n均为正整数。
在步骤S610中,构建符合正态分布的随机数矩阵。随机数矩阵的行数为l,l>k且l≤m-k,例如,l可取2k,k为第一特征值中特征值的个数。随机数矩阵的列数为m。l、k均为正整数。
在步骤S612中,根据随机数矩阵和第二像素矩阵,确定第一中间矩阵。第一中间矩阵的行数与随机数矩阵的行数相同,第一中间矩阵的列数与第二像素矩阵的列数相同。步骤S612可实现对第二像素矩阵的降维处理。
可以通过以下公式得到第一中间矩阵:
其中,P(l×n)代表第一中间矩阵,R(l×m)代表随机数矩阵,H(m×n)代表第二像素矩阵,代表第二像素矩阵的共轭转置矩阵,l代表所述随机数矩阵的行数,n代表第二像素矩阵的列数,m代表第二像素矩阵的行数,j代表预设的调节参数,例如,j可取1,2,3...等数中的任一个。经过多次实现证明,当j=3时,图像比对所需的时间较多,但是准确率最高。
在步骤S614中,获取第一中间矩阵的共轭转置矩阵,并对共轭转置矩阵进行矩阵分解,得到第二中间矩阵,第二中间矩阵的行数与第二像素矩阵的列数相同,第二中间矩阵的列数与随机数矩阵的行数相同。
可以通过以下公式对第一中间矩阵的共轭转置矩阵进行矩阵分解,得到第二中间矩阵:
在步骤S616中,从第二中间矩阵中获取前目标个数列的矩阵,并获取第二像素矩阵与前目标个数列的矩阵的乘积,作为目标矩阵。
即,从W(n×l)中获取前目标个数列的矩阵,得到W(n×k),可以通过以下公式得到目标矩阵:
G(m×k)=H(m×n)W(n×k)
其中,G(m×k)代表目标矩阵。
在步骤S618中,对目标矩阵进行矩阵分解,得到第二特征值,第二特征值中特征值的个数与目标个数相同。
可以通过以下公式对目标矩阵进行矩阵分解,得到第二特征值:
G(m×k)=B(m×k)μ(k×k)N(k×k)
其中,B(m×k)和N(k×k)代表矩阵分解得到的特征向量,μ(k×k)代表矩阵分解得到第二特征值对角矩阵。获取第二特征值对角矩阵中的对角线元素,作为第二特征值μi(i=1,2,...,k)。
在步骤S620中,根据第一特征值生成一维的第一向量,以及,根据第二特征值生成一维的第二向量。
在步骤S622中,获取第一向量和第二向量之间的互相关值,作为相似度。例如,可以通过计算第一向量和第二向量之间的距离,作为互相关值。
在步骤S624中,将相似度与预设阈值进行比较,若相似度大于预设阈值,则生成参考图像与待测试图像匹配的比对结果;否则,生成参考图像与待测试图像不匹配的比对结果。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
图7是根据一示例性实施例示出的一种图像比对装置700框图。参照图7,该装置包括获取模块702、第一特征值生成模块704、第二特征值生成模块706、比较模块708、结果生成模块710。
获取模块702,被配置为执行获取参考图像的第一像素矩阵,以及待测试图像的第二像素矩阵;第一特征值生成模块704,被配置为执行确定第一像素矩阵对应的第一特征值;第二特征值生成模块706,被配置为执行确定第二像素矩阵对应的第二特征值;比较模块708,被配置为执行比较第一特征值和第二特征值,得到相似度;结果生成模块710,被配置为执行根据相似度确定待测试图像与参考图像的比对结果。
在一示例性实施例中,第二特征值生成模块704,包括:矩阵生成单元,被配置为执行构建符合正态分布的随机数矩阵,随机数矩阵的行数大于第一特征值中特征值的目标个数,且小于或等于第二像素矩阵的行数与目标个数之差,随机数矩阵的列数与第二像素矩阵的行数相同;降维单元,被配置为执行根据随机数矩阵对第二像素矩阵进行降维处理,得到目标矩阵,目标矩阵的行数与第二像素矩阵的行数相同,目标矩阵的列数与目标个数相同;第一矩阵分解单元,被配置为执行对目标矩阵进行矩阵分解,得到第二特征值,第二特征值中特征值的个数与目标个数相同。
在一示例性实施例中,降维单元,包括:中间矩阵生成子单元,被配置为执行根据随机数矩阵和第二像素矩阵,确定第一中间矩阵,第一中间矩阵的行数与随机数矩阵的行数相同,第一中间矩阵的列数与第二像素矩阵的列数相同;矩阵分解子单元,被配置为执行获取第一中间矩阵的共轭转置矩阵,并对共轭转置矩阵进行矩阵分解,得到第二中间矩阵,第二中间矩阵的行数与第二像素矩阵的列数相同,第二中间矩阵的列数与随机数矩阵的行数相同;从第二中间矩阵中获取前目标个数列的矩阵,并获取第二像素矩阵与前目标个数列的矩阵的乘积,作为目标矩阵。
在一示例性实施例中,中间矩阵生成子单元,被配置为执行通过以下公式得到第一中间矩阵:
其中,P(l×n)代表第一中间矩阵,R(l×m)代表随机数矩阵,H(m×n)代表第二像素矩阵,代表第二像素矩阵的共轭转置矩阵,l代表随机数矩阵的行数,n代表第二像素矩阵的列数,m代表第二像素矩阵的行数,j代表预设的调节参数。
在一示例性实施例中,第一特征值生成模块704,包括:第二矩阵分解单元,被配置为执行对第一像素矩阵进行矩阵分解,得到多个原始特征值;权重系数获取单元,被配置为执行获取每个原始特征值对应的权重系数;第一特征值生成单元,被配置为执行获取使累计贡献率达到阈值时的前i个原始特征值,所述前i个原始特征值作为所述第一特征值,所述累计贡献率为第一加权和与第二加权和的比值,所述第一加权和为所述前i个原始特征值与对应权重系数的加权和,所述第二加权和为所述多个原始特征值与对应权重系数的加权和,所述i为正整数。
在一示例性实施例中,权重系数获取单元,被配置为执行通过以下公式得到每个原始特征值对应的权重系数:
其中,γi代表第i个原始特征值对应的权重系数,k代表累计贡献率达到阈值时原始特征值的个数,N代表原始特征值的总数,λi代表第i个原始特征值,e代表自然常数。
在一示例性实施例中,比较模块708,包括:向量生成单元,被配置为执行根据第一特征值生成第一向量,以及,根据第二特征值生成第二向量;相似度确定单元,被配置为执行获取第一向量和第二向量之间的互相关值,作为相似度。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图8是根据一示例性实施例示出的一种用于图像比对的电子设备Z00的框图。例如,电子设备Z00可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。
参照图8,电子设备Z00可以包括以下一个或多个组件:处理组件Z02、存储器Z04、电源组件Z06、多媒体组件Z08、音频组件Z10、输入/输出(I/O)的接口Z12、传感器组件Z14以及通信组件Z16。
处理组件Z02通常控制电子设备Z00的整体操作,诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件Z02可以包括一个或多个处理器Z20来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件Z02可以包括一个或多个模块,便于处理组件Z02和其他组件之间的交互。例如,处理组件Z02可以包括多媒体模块,以方便多媒体组件Z08和处理组件Z02之间的交互。
存储器Z04被配置为存储各种类型的数据以支持在电子设备Z00的操作。这些数据的示例包括用于在电子设备Z00上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器Z04可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘或光盘。
电源组件Z06为电子设备Z00的各种组件提供电力。电源组件Z06可以包括电源管理系统,一个或多个电源,及其他与为电子设备Z00生成、管理和分配电力相关联的组件。
多媒体组件Z08包括在所述电子设备Z00和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件Z08包括一个前置摄像头和/或后置摄像头。当电子设备Z00处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件Z10被配置为输出和/或输入音频信号。例如,音频组件Z10包括一个麦克风(MIC),当电子设备Z00处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器Z04或经由通信组件Z16发送。在一些实施例中,音频组件Z10还包括一个扬声器,用于输出音频信号。
I/O接口Z12为处理组件Z02和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件Z14包括一个或多个传感器,用于为电子设备Z00提供各个方面的状态评估。例如,传感器组件Z14可以检测到电子设备Z00的打开/关闭状态,组件的相对定位,例如所述组件为电子设备Z00的显示器和小键盘,传感器组件Z14还可以检测电子设备Z00或电子设备Z00一个组件的位置改变,用户与电子设备Z00接触的存在或不存在,电子设备Z00方位或加速/减速和电子设备Z00的温度变化。传感器组件Z14可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件Z14还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件Z14还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。
通信组件Z16被配置为便于电子设备Z00和其他设备之间有线或无线方式的通信。电子设备Z00可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件Z16经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件Z16还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备Z00可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器Z04,上述指令可由电子设备Z00的处理器Z20执行以完成上述方法。例如,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图9是根据一示例性实施例示出的一种用于图像比对的电子设备S00的框图。例如,电子设备S00可以为一服务器。参照图9,电子设备S00包括处理组件S20,其进一步包括一个或多个处理器,以及由存储器S22所代表的存储器资源,用于存储可由处理组件S20的执行的指令,例如应用程序。存储器S22中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件S20被配置为执行指令,以执行上述图像比对方法。
电子设备S00还可以包括一个电源组件S24被配置为执行电子设备S00的电源管理,一个有线或无线网络接口S26被配置为将电子设备S00连接到网络,和一个输入输出(I/O)接口S28。电子设备S00可以操作基于存储在存储器S22的操作系统,例如WindowsServer,Mac OS X,Unix,Linux,FreeBSD或类似。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器S22,上述指令可由电子设备S00的处理器执行以完成上述方法。存储介质可以是计算机可读存储介质,例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述任一项实施例所述的图像比对方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种图像比对方法,其特征在于,包括:
获取参考图像的第一像素矩阵,以及待测试图像的第二像素矩阵;
确定所述第一像素矩阵对应的第一特征值、所述第二像素矩阵对应的第二特征值;
比较所述第一特征值和所述第二特征值,得到相似度;
根据所述相似度确定所述待测试图像与所述参考图像的比对结果。
2.根据权利要求1所述的图像比对方法,其特征在于,确定所述第二像素矩阵对应的第二特征值,包括:
构建符合正态分布的随机数矩阵,所述随机数矩阵的行数大于所述第一特征值中特征值的目标个数,且小于或等于所述第二像素矩阵的行数与所述目标个数之差,所述随机数矩阵的列数与所述第二像素矩阵的行数相同;
根据所述随机数矩阵对所述第二像素矩阵进行降维处理,得到目标矩阵,所述目标矩阵的行数与所述第二像素矩阵的行数相同,所述目标矩阵的列数与所述目标个数相同;
对所述目标矩阵进行矩阵分解,得到所述第二特征值,所述第二特征值中特征值的个数与所述目标个数相同。
3.根据权利要求2所述的图像比对方法,其特征在于,所述根据所述随机数矩阵对所述第二像素矩阵进行降维处理,得到目标矩阵,包括:
根据所述随机数矩阵和所述第二像素矩阵,确定第一中间矩阵,所述第一中间矩阵的行数与所述随机数矩阵的行数相同,所述第一中间矩阵的列数与所述第二像素矩阵的列数相同;
获取所述第一中间矩阵的共轭转置矩阵,并对所述共轭转置矩阵进行矩阵分解,得到第二中间矩阵,所述第二中间矩阵的行数与所述第二像素矩阵的列数相同,所述第二中间矩阵的列数与所述随机数矩阵的行数相同;
从所述第二中间矩阵中获取前目标个数列的矩阵,并获取所述第二像素矩阵与所述前目标个数列的矩阵的乘积,作为所述目标矩阵。
5.根据权利要求1所述的图像比对方法,其特征在于,所述确定所述第一像素矩阵对应的第一特征值,包括:
对所述第一像素矩阵进行矩阵分解,得到多个原始特征值;
获取每个原始特征值对应的权重系数;
获取使累计贡献率达到阈值时的前i个原始特征值,所述前i个原始特征值作为所述第一特征值,所述累计贡献率为第一加权和与第二加权和的比值,所述第一加权和为所述前i个原始特征值与对应权重系数的加权和,所述第二加权和为所述多个原始特征值与对应权重系数的加权和,所述i为正整数。
7.一种图像比对装置,其特征在于,包括:
获取模块,被配置为执行获取参考图像的第一像素矩阵,以及待测试图像的第二像素矩阵;
第一特征值生成模块,被配置为执行确定所述第一像素矩阵对应的第一特征值;
第二特征值生成模块,被配置为执行确定所述第二像素矩阵对应的第二特征值;
比较模块,被配置为执行比较所述第一特征值和所述第二特征值,得到相似度;
结果生成模块,被配置为执行根据所述相似度确定所述待测试图像与所述参考图像的比对结果。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的图像比对方法。
9.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至6中任一项所述的图像比对方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的图像比对方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110469167.2A CN113159206A (zh) | 2021-04-28 | 2021-04-28 | 图像比对方法、装置、电子设备、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110469167.2A CN113159206A (zh) | 2021-04-28 | 2021-04-28 | 图像比对方法、装置、电子设备、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113159206A true CN113159206A (zh) | 2021-07-23 |
Family
ID=76872338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110469167.2A Pending CN113159206A (zh) | 2021-04-28 | 2021-04-28 | 图像比对方法、装置、电子设备、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159206A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188822A (zh) * | 2023-04-28 | 2023-05-30 | 青岛尘元科技信息有限公司 | 图像相似性判断方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060088134A (ko) * | 2006-07-24 | 2006-08-03 | 가부시끼가이샤 도시바 | 화상처리장치 |
CN109993690A (zh) * | 2019-03-19 | 2019-07-09 | 西安工程大学 | 一种基于结构相似性的彩色图像高精度灰度化方法 |
CN110751223A (zh) * | 2019-10-25 | 2020-02-04 | 北京达佳互联信息技术有限公司 | 一种图像匹配方法、装置、电子设备及存储介质 |
CN111898544A (zh) * | 2020-07-31 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 文字图像匹配方法、装置和设备及计算机存储介质 |
CN112255250A (zh) * | 2019-07-05 | 2021-01-22 | 株式会社石田 | 图像生成装置、检查装置及学习装置 |
-
2021
- 2021-04-28 CN CN202110469167.2A patent/CN113159206A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060088134A (ko) * | 2006-07-24 | 2006-08-03 | 가부시끼가이샤 도시바 | 화상처리장치 |
CN109993690A (zh) * | 2019-03-19 | 2019-07-09 | 西安工程大学 | 一种基于结构相似性的彩色图像高精度灰度化方法 |
CN112255250A (zh) * | 2019-07-05 | 2021-01-22 | 株式会社石田 | 图像生成装置、检查装置及学习装置 |
CN110751223A (zh) * | 2019-10-25 | 2020-02-04 | 北京达佳互联信息技术有限公司 | 一种图像匹配方法、装置、电子设备及存储介质 |
CN111898544A (zh) * | 2020-07-31 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 文字图像匹配方法、装置和设备及计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
任夏荔;陈光喜;曹建收;蔡天任;: "基于深度学习特征的图像检索方法", 计算机工程与设计, no. 02 * |
谢九成;王创业;高浩;王保云;: "一种空间结构描述算子在多模图像配准中的应用", 电视技术, no. 1 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188822A (zh) * | 2023-04-28 | 2023-05-30 | 青岛尘元科技信息有限公司 | 图像相似性判断方法、装置、电子设备和存储介质 |
CN116188822B (zh) * | 2023-04-28 | 2023-08-18 | 青岛尘元科技信息有限公司 | 图像相似性判断方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113099297B (zh) | 卡点视频的生成方法、装置、电子设备及存储介质 | |
CN112148923B (zh) | 搜索结果的排序方法、排序模型的生成方法、装置及设备 | |
CN112148980B (zh) | 基于用户点击的物品推荐方法、装置、设备和存储介质 | |
CN113888543B (zh) | 肤色分割方法、装置、电子设备及存储介质 | |
CN113656627B (zh) | 肤色分割方法、装置、电子设备及存储介质 | |
US20170147896A1 (en) | Method, device, and storage medium for feature extraction | |
CN112669231B (zh) | 图像处理方法、图像处理模型的训练方法、装置、介质 | |
CN113159206A (zh) | 图像比对方法、装置、电子设备、计算机可读存储介质 | |
CN112000266B (zh) | 页面展示方法、装置、电子设备及存储介质 | |
CN111859097B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN110019965B (zh) | 表情图像的推荐方法、装置、电子设备及存储介质 | |
CN112768064A (zh) | 疾病预测装置及设备、症状信息处理方法、装置及设备 | |
CN110751223B (zh) | 一种图像匹配方法、装置、电子设备及存储介质 | |
CN115203573A (zh) | 画像标签生成方法、模型训练方法、装置、介质及芯片 | |
CN110659726B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN112434714A (zh) | 多媒体识别的方法、装置、存储介质及电子设备 | |
CN114117058A (zh) | 账户信息的确定方法、装置、电子设备及存储介质 | |
CN112861592A (zh) | 图像生成模型的训练方法、图像处理方法及装置 | |
CN110929055A (zh) | 多媒体质量检测方法、装置、电子设备及存储介质 | |
CN107067392B (zh) | 识别花屏图像的方法及装置 | |
CN112380388B (zh) | 搜索场景下的视频排序方法、装置、电子设备及存储介质 | |
CN112784858A (zh) | 一种图像数据的处理方法、装置及电子设备 | |
CN113190725B (zh) | 对象的推荐及模型训练方法和装置、设备、介质和产品 | |
CN112307353B (zh) | 数据的处理方法、装置、电子设备、存储介质 | |
CN113255473B (zh) | 视频识别方法及装置、视频封面识别模型生成方法及装置 |
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 |