CN113361609B - 一种应用于人机协作的基于各向异性过滤的模板匹配方法 - Google Patents
一种应用于人机协作的基于各向异性过滤的模板匹配方法 Download PDFInfo
- Publication number
- CN113361609B CN113361609B CN202110643303.5A CN202110643303A CN113361609B CN 113361609 B CN113361609 B CN 113361609B CN 202110643303 A CN202110643303 A CN 202110643303A CN 113361609 B CN113361609 B CN 113361609B
- Authority
- CN
- China
- Prior art keywords
- picture
- template
- matching
- template picture
- length
- 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 27
- 238000001914 filtration Methods 0.000 title claims abstract description 22
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000009776 industrial production Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013403 standard screening design Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种应用于人机协作的基于各向异性过滤的模板匹配方法,包括选择模板匹配算法;输入初始模板图片和源图片;根据输入的模板图片,通过各向异性过滤得到若干个层级模板图片集合;采用层级模板图片集合,通过模板匹配算法,计算集合中最佳匹配的层级;选择最佳匹配层级中所有模板图片作为输入,通过模板匹配算法,计算得到最佳匹配模板图片并输出匹配结果。本发明只需要提供一张待识别物体模板的图片,再采用各向异性过滤技术对此模板图片进行处理,自动生成多张各个角度、各种大小的模板图片。在人机协作过程中,能够对人手掌图片进行处理,高效、快捷,并且提高了工业生产的安全性和效率。
Description
技术领域
本发明属于电数字处理领域,具体涉及一种应用于人机协作的基于各向异性过滤的模板匹配方法。
背景技术
随着人工智能技术的提高,人机协作技术越来越多的应用到了智能制造、自动化工厂领域中。人与机器人共融协作,可以有效发挥机器人精度高和耐久性好的优势。为了实现人机协作,人体运动状态和运动意图预测是机器人关注的重点。
传感方法和识别算法是准确预测人体运动信息的关键环节。摄像头传感器在其中起到了举足轻重的作用。将摄像头采集的图片信息作为输入的计算机视觉算法也越来越多地应用到人机协作中,帮助机器人更好的预测人类动作意图。计算机视觉算法的任务往往是目标识别,即在图片帧中识别出某一个特定物体;此物体可以是装配零件,也可以是人类手掌。手掌的识别与定位在预测人类动作意图也起到了一定的作用。
模板匹配是目标识别中最常用的技术之一。经典的模板匹配方法通常使用平方和差(SSD)或标准化交叉相关(NCC)来计算模板和底层图像之间的相似性分数。经过Dekel、Jiaxin Cheng等人的研究,模板匹配算法的精度和速度都有了长足发展。该算法有两个必须的输入:源图片和模板图片(即为需要识别的物体图片)。根据模板图片的不同,模板匹配算法可以在源图片中检测出多个待识别物体和同一个物体的不同角度。在实时人机协作场景中,人类和机器人处于运动状态,而摄像头的位置是固定的;因此摄像头捕捉的图片信息中,人手的角度和人手的大小都是变化的。为了能够应对这种情况,传统做法是尽可能多地提供各种角度和大小的手掌图片作为模板匹配算法的输入。随着待识别物体的增加,这种做法将变得异常繁琐、得不偿失。
发明内容
本发明的目的在于提供一种应用于人机协作的基于各向异性过滤的模板匹配方法,该方法只需要提供一张待识别物体模板的正面俯视图,再利用各向异性过滤对此模板图片进行处理,自动生成多张各个角度、各种大小的模板图片;处理快速、高效。
本发明提供的这种应用于人机协作的基于各向异性过滤的模板匹配方法,包括如下步骤:
S1.选择模板匹配算法;
S2.输入初始模板图片和源图片;
S3.根据输入的模板图片,通过各向异性过滤得到若干个层级模板图片集合;
S4.采用层级模板图片集合,通过模板匹配算法,计算集合中最佳匹配的层级;
S5.选择最佳匹配层级中所有模板图片作为输入,通过模板匹配算法,计算得到最佳匹配模板图片并输出匹配结果。
所述的步骤S1,具体包括,模板匹配算法包括平方差匹配算法、相关匹配算法和标准相关匹配算法;其中,相关匹配算法将模板对均值的相对值和图像对均值的相对值进行匹配;1表示完美匹配,-1表示糟糕的匹配,0表示没有任何相关性;同时令ti,j为模板图片,i为模板图片的长,j为模板图片的宽;SI,J为源图片,I为源图片的长,J为源图片的宽,i<I,j<J;图片为像素点的集合,并计算像素点的灰度值θ。
计算像素点的灰度值θ,具体为:
其中,x和y为像素的坐标;令图片左上角像素点为原点(0,0),图片右下角坐标为(i,j)或(I,J)。
所述的步骤S3,各向异性过滤具体为利用一个模板图片,生成长宽比不同的模板图片,形成一个模板图片集合T,具体包括如下步骤:
A1.维持图片长宽比k不变,对初始的模板图片进行等比例缩小,获得等比变换集合Tmip;
A2.从等比变换集合Tmip中任意组合两两层级,作为图片的长宽大小。
所述的步骤A1,具体为用r表示缩放比例,r<1,新生成的缩小图片的长和宽是初始的模板图片的r倍,面积缩小为原图的r2;由于模板匹配算法的限制,当长宽的像素小于8/r时,停止变换;相对于初始图片的缩放次数表示层级L(α),计算等比变换集合Tmip:
L(α)=α
Tmip={β|β∈{i×rL(α)|α={0,1,...,α}}}
其中,α为初始图片的缩放次数;β为缩放之后图片的长;i为模板图片的长。
所述的步骤A2,具体为模板图片集合T具体为:
T={tα,β|α,β∈Tmip}
其中,α为初始图片的缩放次数;β为缩放之后图片的长;tα,β为模板图片;
其中,{L(α)}为单级模板图片,{L(α),L(β)}为双极模板图片,i为模板图片的长,j为模板图片的宽。
R(X,Y)具体为:
其中,x'表示模板图片横坐标;y'表示模板图片纵坐标;t'(x',y')表示模板图片此坐标像素的灰度相对值:
其中,i为模板图片的长,j为模板图片的宽;t(x',y')表示模板图片此坐标像素的灰度值;t(x”,y”)表示模板图片此坐标像素的灰度值;x”表示模板图片的横坐标;y”表示模板图片的纵坐标;
s'(X+x',Y+y')表示源图片在坐标X,Y上相对模板图片坐标x',y'偏移的像素相对灰度值:
其中,I为源图片的长;J为源图片的宽;s(X+x',Y+y')表示源图片在坐标X,Y上相对模板图片偏移(x',y')的像素灰度值;s(X+x”,Y+y”)表示源图片在坐标(X,Y)上相对模板图片偏移(x”,y”)的像素灰度值;x”表示模板图片的横坐标;y”表示模板图片的纵坐标。
所述的步骤S5具体包括,获得与Level'交集非空的所有模板图片集合T':
计算得到所有模板图片集合T'中匹配度最高的模板,并获得匹配结果(X,Y):
本发明提供的这种应用于人机协作的基于各向异性过滤的模板匹配方法,只需要提供一张待识别物体模板的正面俯视图,再基于MIP映射的各向异性过滤技术对此模板图片进行处理,自动生成多张各个角度、各种大小的模板图片。在人机协作场景中,能够实时对人手掌图片进行处理,高效、快捷,并且提高了工业生产的安全性和效率。
附图说明
图1为本发明方法的流程示意图。
图2为本发明方法实施例的生成的模板图片集合效果示意图。
具体实施方式
如图1为本发明系统的结构示意图:本发明提供的这种应用于人机协作的基于各向异性过滤的模板匹配方法,包括如下步骤:
S1.选择模板匹配算法;
S2.输入初始模板图片和源图片;
S3.根据输入的模板图片,通过各向异性过滤得到多个层级模板图片集合,包括单级模板图片集合和双级模板图片集合;
S4.采用单级模板图片集合,通过模板匹配算法,计算集合中最佳匹配的层级;
S5.选择最佳匹配层级中所有模板图片作为输入,通过模板匹配算法,计算得到最佳匹配模板图片并输出匹配结果。
所述的步骤S1,具体包括,模板匹配算法包括平方差匹配算法、相关匹配算法和标准相关匹配算法;本方法采用相关匹配(CV_TM_CCOEFF)算法,相关匹配算法将模板对均值的相对值和图像对均值的相对值进行匹配;1表示完美匹配,-1表示糟糕的匹配,0表示没有任何相关性(即随机数列);同时令ti,j为模板图片,i为模板图片的长,j为模板图片的宽;SI,J为源图片,I为源图片的长,J为源图片的宽,i<I,j<J;图片为像素点的集合,并计算像素点的灰度值θ:
其中,x和y为像素的坐标;令图片左上角像素点为原点(0,0),图片右下角坐标为(i,j)或(I,J)。
步骤S2,在本实施例中初始模板图片用t256,256表示,下标表示图片的像素大小,为256*256;源图片用S512,512表示,下标表示图片像素大小,为512*512。
所述的步骤S3,各向异性过滤具体为基于MIP映射(Mip-mapping)的各向异性图像处理技术,利用一个模板图片,生成一系列长宽比不同的模板图片,形成一个模板图片集合T,具体包括如下步骤:
A1.维持图片长宽比k不变,对初始的模板图片进行等比例缩小;用r表示缩放比例,r<1,新生成的缩小图片的长和宽是初始的模板图片的r倍,面积缩小为原图的r2倍;由于模板匹配算法的限制,当长宽的像素小于8/r时,停止变换;令相对于初始图片的缩放次数表示层级L(α),计算等比变换集合Tmip:
L(α)=α
Tmip={β|β∈{i×rL(α)|α={0,1,...,α}}}
其中,α为初始图片的缩放次数;β为缩放之后图片的长;i为模板图片的长;在本实施例中i取256,α取4。
在本实施例中,根据MIP映射的实际应用,初始图片的图片长宽比k为1,即初始图片为正方形,取缩放比例r=0.5,等比变换集合Tmip包含5个层级,长宽大小分别为256、128、64、32和16。
A2.从等比变换集合Tmip中任意组合两两层级,作为图片的长宽大小。在本实施例中模板图片集合T包含25幅图片,模板图片集合T具体为:
T={tα,β|α,β∈Tmip}
其中,α为初始图片的缩放次数;β为缩放之后图片的长;tα,β为模板图片。
其中,{L(α)}为单级模板图片,{L(α),L(β)}为双极模板图片,i为模板图片的长,j为模板图片的宽。
如图2为本发明方法实施例的生成的模板图片集合效果示意图。
R(X,Y)具体为:
其中,x'表示模板图片横坐标;y'表示模板图片纵坐标;t'(x',y')表示模板图片此坐标像素的灰度相对值:
其中,i为模板图片的长,j为模板图片的宽;t(x',y')表示模板图片此坐标像素的灰度值;t(x”,y”)表示模板图片此坐标像素的灰度值;x”表示模板图片的横坐标;y”表示模板图片的纵坐标;
s'(X+x',Y+y')表示源图片在坐标X,Y上相对模板图片坐标x',y'偏移的像素相对灰度值:
其中,I为源图片的长;J为源图片的宽;s(X+x',Y+y')表示源图片在坐标X,Y上相对模板图片偏移(x',y')的像素灰度值;s(X+x”,Y+y”)表示源图片在坐标(X,Y)上相对模板图片偏移(x”,y”)的像素灰度值;x”表示模板图片的横坐标;y”表示模板图片的纵坐标。
所述的步骤S5,具体包括,获得与Level'交集非空的所有模板图片集合T':
计算得到所有模板图片集合T'中匹配度最高的模板,并获得匹配结果(X,Y):
在本实施例中,I取512,J取512。
Claims (4)
1.一种应用于人机协作的基于各向异性过滤的模板匹配方法,其特征在于包括如下步骤:
S1.选择模板匹配算法;
S2.输入初始模板图片和源图片;
S3.根据输入的模板图片,通过各向异性过滤得到若干个层级模板图片集合;
S4.采用层级模板图片集合,通过模板匹配算法,计算集合中最佳匹配的层级;
S5.选择最佳匹配层级中所有模板图片作为输入,通过模板匹配算法,计算得到最佳匹配模板图片并输出匹配结果;
所述的步骤S3,各向异性过滤具体为利用一个模板图片,生成长宽比不同的模板图片,形成一个模板图片集合T,具体包括如下步骤:
A1.维持图片长宽比k不变,对初始的模板图片进行等比例缩小,获得等比变换集合Tmip;
A2.从等比变换集合Tmip中任意组合两两层级,作为图片的长宽大小;
所述的步骤A2,具体为模板图片集合T具体为:
T={tα,β|α,β∈Tmip}
其中,α为初始图片的缩放次数;β为缩放之后图片的长;tα,β为模板图片;
其中,{L(α)}为单级模板图片,{L(α),L(β)}为双极模板图片,i为模板图片的长,j为模板图片的宽;
R(X,Y)具体为:
其中,x'表示模板图片横坐标;y'表示模板图片纵坐标;t'(x',y')表示模板图片此坐标像素的灰度相对值:
其中,i为模板图片的长,j为模板图片的宽;t(x',y')表示模板图片此坐标像素的灰度值;t(x”,y”)表示模板图片此坐标像素的灰度值;x”表示模板图片的横坐标;y”表示模板图片的纵坐标;
s'(X+x',Y+y')表示源图片在坐标X,Y上相对模板图片坐标x',y'偏移的像素相对灰度值:
其中,I为源图片的长;J为源图片的宽;s(X+x',Y+y')表示源图片在坐标X,Y上相对模板图片偏移(x',y')的像素灰度值;s(X+x”,Y+y”)表示源图片在坐标(X,Y)上相对模板图片偏移(x”,y”)的像素灰度值;x”表示模板图片的横坐标;y”表示模板图片的纵坐标;
所述的步骤S5具体包括,获得与Level'交集非空的所有模板图片集合T':
计算得到所有模板图片集合T'中匹配度最高的模板,并获得匹配结果(X,Y):
2.根据权利要求1所述的应用于人机协作的基于各向异性过滤的模板匹配方法,其特征在于所述的步骤S1,具体包括,模板匹配算法包括平方差匹配算法、相关匹配算法和标准相关匹配算法;其中,相关匹配算法将模板对均值的相对值和图像对均值的相对值进行匹配;1表示完美匹配,-1表示糟糕的匹配,0表示没有任何相关性;同时令ti,j为模板图片,i为模板图片的长,j为模板图片的宽;SI,J为源图片,I为源图片的长,J为源图片的宽,i<I,j<J;图片为像素点的集合,并计算像素点的灰度值θ。
4.根据权利要求3所述的应用于人机协作的基于各向异性过滤的模板匹配方法,其特征在于所述的步骤A1,具体为用r表示缩放比例,r<1,新生成的缩小图片的长和宽是初始的模板图片的r,面积缩小为原图的r2;由于模板匹配算法的限制,当长宽的像素小于8/r时,停止变换;相对于初始图片的缩放次数表示层级L(α),计算等比变换集合Tmip:
L(α)=α
Tmip={β|β∈{i×rL(α)|α={0,1,...,α}}}
其中,α为初始图片的缩放次数;β为缩放之后图片的长;i为模板图片的长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110643303.5A CN113361609B (zh) | 2021-06-09 | 2021-06-09 | 一种应用于人机协作的基于各向异性过滤的模板匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110643303.5A CN113361609B (zh) | 2021-06-09 | 2021-06-09 | 一种应用于人机协作的基于各向异性过滤的模板匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361609A CN113361609A (zh) | 2021-09-07 |
CN113361609B true CN113361609B (zh) | 2022-04-26 |
Family
ID=77533358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110643303.5A Active CN113361609B (zh) | 2021-06-09 | 2021-06-09 | 一种应用于人机协作的基于各向异性过滤的模板匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361609B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1816829A (zh) * | 2003-07-01 | 2006-08-09 | 皇家飞利浦电子股份有限公司 | Mip贴图级别选择 |
CN108156359A (zh) * | 2018-01-16 | 2018-06-12 | 深圳市功夫机器人有限公司 | 智能工业相机 |
CN108319979A (zh) * | 2018-02-05 | 2018-07-24 | 哈工大机器人(合肥)国际创新研究院 | 一种基于缩放和旋转匹配的图像定位识别检测方法 |
CN109801318A (zh) * | 2019-01-30 | 2019-05-24 | 东北大学 | 一种快速物体匹配算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI249144B (en) * | 2003-02-21 | 2006-02-11 | Via Tech Inc | Single level MIP filtering algorithm for anisotropic texturing |
-
2021
- 2021-06-09 CN CN202110643303.5A patent/CN113361609B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1816829A (zh) * | 2003-07-01 | 2006-08-09 | 皇家飞利浦电子股份有限公司 | Mip贴图级别选择 |
CN108156359A (zh) * | 2018-01-16 | 2018-06-12 | 深圳市功夫机器人有限公司 | 智能工业相机 |
CN108319979A (zh) * | 2018-02-05 | 2018-07-24 | 哈工大机器人(合肥)国际创新研究院 | 一种基于缩放和旋转匹配的图像定位识别检测方法 |
CN109801318A (zh) * | 2019-01-30 | 2019-05-24 | 东北大学 | 一种快速物体匹配算法 |
Non-Patent Citations (4)
Title |
---|
Assessing particle kinematics via template matching algorithms;O. Petrov, M. Pustylnik, M. Thoma,et.al;《Opt. Express》;20160405;第1-26页 * |
OpenCV 学习笔记(模板匹配);liyuanbhu;《CSDN》;20151114;全文 * |
基于层级匹配的维吾尔文关键词文档图像检索;李静静,木特力甫·马木提,吾尔尼沙·买买提等;《计算机工程与设计》;20200416;第2020卷(第4期);第1062-1069页 * |
贾迪 ; 朱宁丹 ; 杨宁华 ; 吴思 ; 李玉秀 ; 赵明远 ; .图像匹配方法研究综述.《中国图象图形学报》.2019,第17-39页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113361609A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582044B (zh) | 基于卷积神经网络和注意力模型的人脸识别方法 | |
WO2020108362A1 (zh) | 人体姿态检测方法、装置、设备及存储介质 | |
CN110135249B (zh) | 基于时间注意力机制和lstm的人体行为识别方法 | |
CN111709980A (zh) | 基于深度学习的多尺度图像配准方法和装置 | |
CN107808129A (zh) | 一种基于单个卷积神经网络的面部多特征点定位方法 | |
Liu et al. | Action recognition based on 3d skeleton and rgb frame fusion | |
CN112766186B (zh) | 一种基于多任务学习的实时人脸检测及头部姿态估计方法 | |
Xu et al. | GraspCNN: Real-time grasp detection using a new oriented diameter circle representation | |
CN110555383A (zh) | 一种基于卷积神经网络和3d估计的手势识别方法 | |
CN108062559A (zh) | 一种基于多重感受野的图像分类方法、系统及装置 | |
Bui et al. | Scene coordinate and correspondence learning for image-based localization | |
CN117456431B (zh) | 一种基于扩张卷积和密集连接的镜头边界检测方法 | |
Zou et al. | Gpt-cope: A graph-guided point transformer for category-level object pose estimation | |
CN113361609B (zh) | 一种应用于人机协作的基于各向异性过滤的模板匹配方法 | |
Saif et al. | An efficient method for hand gesture recognition using robust features vector | |
Zhu et al. | Classroom roll-call system based on ResNet networks | |
Joshi et al. | Meta-Learning, Fast Adaptation, and Latent Representation for Head Pose Estimation | |
Zhou et al. | E3CM: Epipolar-constrained cascade correspondence matching | |
CN112907553A (zh) | 一种基于Yolov3的高清图像目标检测方法 | |
Cui et al. | A face alignment method based on SURF features | |
Song et al. | Pam: Point-wise attention module for 6d object pose estimation | |
CN114120011B (zh) | 一种利用群体智能算法提高图像匹配精度和速度的方法 | |
Rasouli et al. | Integrating three mechanisms of visual attention for active visual search | |
John et al. | Multimodal Cascaded Framework with Metric Learning Robust to Missing Modalities for Person Classification | |
CN117455994B (zh) | 一种相机位姿估计方法、系统、电子设备及可读介质 |
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 |