CN113643370B - 一种基于ncc算法的图像定位方法与装置 - Google Patents

一种基于ncc算法的图像定位方法与装置 Download PDF

Info

Publication number
CN113643370B
CN113643370B CN202110973854.8A CN202110973854A CN113643370B CN 113643370 B CN113643370 B CN 113643370B CN 202110973854 A CN202110973854 A CN 202110973854A CN 113643370 B CN113643370 B CN 113643370B
Authority
CN
China
Prior art keywords
layer
image
reference image
result
pyramid
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
CN202110973854.8A
Other languages
English (en)
Other versions
CN113643370A (zh
Inventor
李柏杨
姚毅
杨艺
全煜鸣
金刚
彭斌
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 Lingyun Shixun Technology Co ltd
Luster LightTech Co Ltd
Original Assignee
Shenzhen Lingyun Shixun Technology Co ltd
Luster LightTech 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 Lingyun Shixun Technology Co ltd, Luster LightTech Co Ltd filed Critical Shenzhen Lingyun Shixun Technology Co ltd
Priority to CN202110973854.8A priority Critical patent/CN113643370B/zh
Publication of CN113643370A publication Critical patent/CN113643370A/zh
Application granted granted Critical
Publication of CN113643370B publication Critical patent/CN113643370B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请示出一种基于NCC算法的图像定位方法与装置，本申请示出的一种基于NCC算法的图像定位方法经过训练与实时搜索方案，可以在实时图像上快速精确的定位出与参考图像NCC值最高的匹配定位结果，满足工业图像定位的要求。本申请不修改NCC计算公式，保留了传统NCC抗干扰的特性，通过利用参考图像信息、引入图像金字塔和在每层金字塔间设置结果筛选策略，加速定位效率，最终根据得分最高结果的附近结果位置信息和分数信息进行插值和曲面拟合，得到拟合后的最高分结果。

Description

一种基于NCC算法的图像定位方法与装置
技术领域
本申请涉及工业视觉图像技术领域，尤其涉及一种基于NCC算法的图像定位方法与装置。
背景技术
图像匹配是计算机视觉、图像处理领域中的基本问题，现如今有两种对应模型：一是两幅或者多幅来自不同传感器、不同视角或不同时间的图像需要找出对应关系，经过匹配步骤可得出两幅图像的差别所在，为下一步处理作基础；二是根据已知的图像模式在另一幅图像中搜索类似模板的目标，即模板匹配。已有的图像匹配算法可分为两类：基于像素灰度值的匹配和基于图像几何特征的匹配。所有的基于像素灰度值匹配算法的计算量等于模板运算量和搜索位置数之积。故提高匹配速度的角度有：减少每个位置处模板相似度计算的运算量；改变搜索策略，减少搜索像素点或在搜索图像中的搜索位置数。目前，模板匹配的传统算法有MAD(平均绝对差)、NCC(归一化相关系数)以及SSDA(序贯相似性检测)算法。
工业视觉图像领域中，根据参考图像与实时图像匹配NCC分数，确定实时图像中与参考图像灰度特征相一致的位置，是一种应用广泛的图像区域定位方法。通过NCC计算图像灰度匹配分数可以克服匹配区域边缘不清晰和轻微形变，线性光照变化和图像模糊对焦不准确等干扰问题，但是常见的NCC匹配算法进行全图匹配遍历，计算复杂度大，即使加入快速傅里叶变换和积分图进行加速，算法耗时仍然较大且无法满足旋转和缩放的定位要求。
发明内容
本申请提供了一种基于NCC算法的图像定位方法与装置，以解决常见的NCC匹配算法进行全图匹配遍历，计算复杂度大，即使加入快速傅里叶变换和积分图进行加速，算法耗时仍然较大且无法满足旋转和缩放的定位要求的问题。
第一方面，本申请提供一种基于NCC算法的图像定位方法，包括以下步骤：
获取参考图像，运行训练模式；
验证所述参考图像的有效性，若不具备有效性则重新获取参考图像；
若具备有效性，建立参考图像金字塔，得到所述参考图像的金子塔的层数L；
分析所述参考图像的灰度信息分布特征，根据参考图像大小得到初始旋转或缩放步长值；根据当前步长值对参考图像进行半个步长值的旋转或缩放，获取旋转或缩放半个步长值后的参考图像；计算旋转或缩放半个步长值后的参考图像与参考图像之间的匹配分数，判断是否满足迭代终止条件，得到满足所述条件的旋转或缩放步长；
根据所述旋转或缩放步长计算步数以及每个所述参考图像的模板计算量并保存后结束训练模式；
运行实时搜索模式并将获取的实时搜索图像结合所述参考图像的金字塔层数L生成实时图像金字塔；
在实时图像金字塔中最高层金字塔图像上，使用模板图像的最高层金字塔图像的缩放、旋转序列依次在实时图像上全遍历搜索，得到符合预设条件的搜索结果；
对所述搜索结果进行逐层局部求精搜索，该过程将高层金字塔上的结果逐层映射到下一层金字塔上，并进行爬山法搜索，删除低分结果和重叠结果，得到逐层求精结果；
对所述逐层求精结果进行最终求精，得到最终结果；
对最终结果进行排序，并输出定位结果信息。
第二方面，本申请提供一种基于NCC算法的图像定位装置，所述装置用于实现上述的基于NCC算法的图像定位方法。其中所述装置包括训练模块以及实时搜索模块。
本申请的有益效果为：使用本发明的基于NCC算法的图像定位方法与装置，可以在实时图像上快速精确的定位出与参考图像NCC值最高的匹配定位结果，满足工业图像定位的要求。本申请不修改NCC计算公式，保留了传统NCC抗干扰的特性，通过利用参考图像信息、引入图像金字塔和在每层金字塔间设置结果筛选策略，加速定位效率，最终根据得分最高结果的附近结果位置信息和分数信息进行插值和曲面拟合，得到拟合后的最高分结果，该结果达到了亚像素精度，耗时方面相较于传统算法的积分图全遍历定位，效率提升了100倍以上，并且支持积分图不支持的旋转缩放情况。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于NCC算法的图像定位方法流程示意图；
图2为本申请中实时图像与参考图像的空间关系示意图；
图3为本申请中训练模块运行示意图；
图4为本申请中实时搜索模块运行示意图；
图5为本申请中计算旋转缩放流程图；
图6为本申请实施例中训练区域示意图；
图7为本申请实施例中定位结果图。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
参见图1，为本申请实施例提供的一种基于NCC算法的图像定位方法流程示意图。
一方面，本申请提供的一种基于NCC算法的图像定位方法对实时图像进行定位主要分为训练和实时搜索两个部分。实时图像与参考图像的空间关系如图2所示。其中u、v为参考图像在实时图像中的定位坐标。数学上，参考图像和实时图像偏移处的NCC相关系数分数r定义为：
其中I为实时图像；M为参考图像；I(i+u，j+v)表示实时图像(i+u，j+v)坐标上的像素值，M(i，j)表示参考图像(i，j)坐标上的像素值，m和n分别为参考图像的宽度和长度；N为参考图像面积，N＝m*n；表示实时图像像素灰度均值，/>表示参考图像像素灰度均值。
一、训练部分流程如下：
S1、获取参考图像，运行训练模式；
验证所述参考图像的有效性；其中，参考图像与实时搜索图像的匹配度即为参考图像的有效性；
如此设计为了检查参考图像是否是单一灰度值图像，若灰度值单一则无法进行后续的匹配，则参考图像无效，不具备有效性则重新获取参考图像；
S2、若具备有效性，建立参考图像金字塔，得到所述参考图像金子塔的层数L；
在实际应用中，为了减少计算量，使用图像金字塔的形式实现粗略到精细的搜索方式，这里金字塔层数的选择决定了搜索的有效性和效率。理想的层数应该满足如下条件：保证搜索有效的前提下尽量大，从而获得更高的效率。其计算公式如下，其中L为计算所得的金字塔层数，M为参考图像宽度和高度中的最小值，S为经验值设为6，表示最高层金字塔参考图像宽或高的最小值，floor表示取最小整数。
L＝floor(log2(M/S))+1
S3、分析所述参考图像的灰度信息分布特征，输出旋转或缩放步长；
分析所述参考图像的灰度信息分布特征，根据参考图像大小得到初始旋转或缩放步长值；
根据当前步长值对参考图像进行半个步长值的旋转或缩放，获取旋转或缩放半个步长值后的参考图像；
计算旋转或缩放半个步长值后的参考图像与参考图像之间的匹配分数，判断是否满足迭代终止条件，得到满足所述条件的旋转或缩放步长。
一个好的旋转缩放步长应该满足如下准则：(1)、步长不能过大而导致无法匹配有效模式。(2)、步长不能过小而导致搜索位置过多效率过低。
为了计算得到兼顾效率与准确性的旋转与缩放步长，设计计算旋转缩放步长步骤如图5所示。图5为本申请中计算旋转缩放流程图，旋转或缩放步长初始值由参考图像的大小决定，即当以参考图像中心点为参考点进行半个步长的旋转或缩放，得到旋转缩放后距离图像中心点最远端点P1，设旋转缩放前距离图像最远端的点为P2，要求P1与P2的距离等于2个像素。根据P1与P2的距离等于2个像素这一条件，可反推得到旋转或缩放需要设置的初始步长。再对参考图像进行半个当前步长值的旋转或缩放，得到旋转或缩放后的参考图像。计算旋转缩放后的参考图像与旋转缩放前的参考图像之间的NCC匹配分数。判断所述NCC匹配分数是否满足预设的旋转或缩放步长分数阈值Srotsca，如果不满足则旋转或缩放步长值减半，再次对参考图像进行旋转或缩放，计算NCC匹配分数，判断是否满足Srotsca。按照上述流程进行迭代计算旋转或缩放步长，若当前旋转或缩放步长计算的NCC匹配分数满足Srotsca，或迭代次数大于20次，则终止迭代，输出当前旋转或缩放步长。
S4、根据所述旋转或缩放步长计算步数以及每个所述参考图像的模板计算量并保存后结束训练模式；
在实际应用中，根据参考图像的灰度信息分布特征计算得到的旋转或缩放步长和预设的搜索范围计算步数；
根据所述图像金字塔的层数、所述旋转或缩放步长以及所述步数生成各层金字塔每个旋转或缩放步长的参考图像；
根据NCC算法计算得到每个所述参考图像的模板计算量，其中所述模板计算量包括灰度均值和方差。
二、实时搜索部分流程如下：
S5、运行实时搜索模式并将获取的实时搜索图像结合所述参考图像的金字塔层数L生成实时图像金字塔；
在一种可能的设计中，可以预先设置搜索区域，对实时搜索图像进行截取，以便加快搜索效率。
在一可行性实施例中，图像金字塔的内存会比较训练部分或上一次实时搜索申请的内存，若与预先申请的内存大小一致则使用先申请好的图像内存，以便加快搜索效率。
S6、在实时图像金字塔中最高层金字塔图像上，使用模板图像的最高层金字塔图像的缩放、旋转序列依次在实时图像上全遍历搜索，得到符合预设条件的搜索结果；
S7、对所述搜索结果进行逐层局部求精搜索，该过程将高层金字塔上的结果逐层映射到下一层金字塔上，并进行爬山法搜索，删除低分结果和重叠结果，得到逐层求精结果；
在一种可能的设计中，将最高层金字塔图像全遍历搜索得到的所述搜索结果进行筛选，取每一个旋转或缩放步长上9邻域极大值结果，得到筛选结果；将所述筛选结果逐层依次进行求精搜索得到逐层求精结果；其中，搜索空间包括缩放、旋转和平移；逐层搜索策略为爬山法。
在将高层金字塔上的结果逐层映射到下一层金字塔上的过程中，会执行根据重叠阈值和分数阈值进行筛选结果的策略。即向下映射的结果中，两个结果的重叠值大于重叠阈值，则保留分数最高的结果；
其中设定重叠值为两个定位结果在图像中重叠的百分比，所述重叠阈值包括实际计算的重叠阈值CurOverlop以及预设输入重叠阈值ThOverlop，重叠阈值CurOverlop'选取实际计算的重叠阈值和预设输入重叠阈值中的最大值，如以下公式所示，
CurOverlop'＝max(CurOverlop,ThOverLop)。
所述实际计算的重叠阈值计算公式如下：
CurOverlop＝CurLayers/(PymLayers+OverlapLayer)
其中CurOverlop为当前层实际计算的重叠阈值，CurLayers为当前金字塔层数，PymLayers为总金字塔层数，OverlopLayer为经验值，设置为-1。
S8、对所述逐层求精结果进行最终求精，得到最终结果；
在实际应用中，对所述逐层求精结果进行最终求精是通过抛物面拟合逐层求精输出结果和其9邻域范围内的结果，获得将抛物面的顶点，并将其设定为最终结果，定位精度可达到亚像素精度。
S9、对最终结果进行排序，并输出定位结果信息。
在实际应用中，对最终结果进行排序和转换，根据分数按从高到底对最终结果进行排序，并输出定位结果信息。
经过上述训练与实时搜索方案，可以在实时图像上快速精确的定位出与参考图像NCC值最高的匹配定位结果，满足工业图像定位的要求。
另一方面，本申请示出一种基于NCC算法的图像定位装置，所述装置用于实现上述的一种基于NCC算法的图像定位方法；其中所述装置包括训练模块以及实时搜索模块。训练模块运行如图3所示，实时搜索模块运行如图4所示。
所述训练模块被配置为获取参考图像，运行训练模式；
验证所述参考图像的有效性，若不具备有效性则重新获取参考图像；
若具备有效性，建立参考图像金字塔，得到所述参考图像的金子塔的层数L；
分析所述参考图像的灰度信息分布特征，根据参考图像大小得到初始旋转或缩放步长值；根据当前步长值对参考图像进行半个步长值的旋转或缩放，获取旋转或缩放半个步长值后的参考图像；计算旋转或缩放半个步长值后的参考图像与参考图像之间的匹配分数，判断是否满足迭代终止条件，得到满足所述条件的旋转或缩放步长；
根据所述旋转或缩放步长计算步数以及每个所述参考图像的模板计算量并保存后结束训练模式；
所述实时搜索模块被配置为运行实时搜索模式并将获取的实时搜索图像结合所述参考图像的金字塔层数L生成实时图像金字塔；
在实时图像金字塔中最高层金字塔图像上，使用模板图像的最高层金字塔图像的缩放、旋转序列依次在实时图像上全遍历搜索，得到符合预设条件的搜索结果；
对所述搜索结果进行逐层局部求精搜索，该过程将高层金字塔上的结果逐层映射到下一层金字塔上，并进行爬山法搜索，删除低分结果和重叠结果，得到逐层求精结果；
对所述逐层求精结果进行最终求精，得到最终结果；
对最终结果进行排序，并输出定位结果信息。
实施例
训练模块运行训练模式，以图6中圈出的矩形框为训练区域，获取参考图像，设置图6中的十字中心点位置为参考坐标(800，600)，角度搜索范围为-5度～5度，缩放搜索范围为0.9～1.1；
首先验证参考图像的有效性，该参考图像有效，建立参考图像金子塔，将参考图像的宽和高带入公式1，计算得到金字塔层数为5，计算旋转步长为0.6度，缩放步长0.05。
根据所述旋转缩放步长计算步数以及每个所述参考图像的模板计算量并保存后结束训练模式；
训练完成后，可输入实时图片进行定位；
运行实时搜索模式并将获取的实时搜索图像结合所述参考图像的金字塔层数5生成实时图像金字塔；
在实时图像金字塔中最高层金字塔图像上，使用模板图像的最高层金字塔图像的缩放、旋转序列依次在实时图像上全遍历搜索，得到实时图像金字塔中最高层金字塔图像上9邻域内NCC分数最高分的搜索结果，并且要求搜索结果分数满足预设的最高层金字塔分数阈值；
对所述搜索结果进行逐层局部求精搜索，该过程将高层金字塔上的结果逐层映射到下一层金字塔上，并进行爬山法搜索，删除低分结果和重叠结果，得到逐层求精结果；
对所述逐层求精结果进行最终求精，得到最终结果；
对最终结果进行排序，并输出定位结果信息为：参考点坐标为(764.93，411.61)，旋转角度为-1.05；缩放值为1；NCC分数为0.74。定位结果如图7所示。
本申请具有以下有益效果：
1.自动计算参考图像适合的金字塔层数；2.与现有技术不同的计算旋转或缩放步长方式；3.使用了重叠阈值和分数阈值进行结果筛选；4.有最终层结果拟合，提供了亚像素精度的结果。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (8)

1.一种基于NCC算法的图像定位方法，其特征在于，包括以下步骤：
获取参考图像，运行训练模式；
验证所述参考图像的有效性，若不具备有效性则重新获取参考图像；
若具备有效性，建立参考图像金字塔，得到所述参考图像的金子塔的层数L；
分析所述参考图像的灰度信息分布特征，根据参考图像大小得到初始旋转或缩放步长值；根据当前步长值对参考图像进行半个步长值的旋转或缩放，获取旋转或缩放半个步长值后的参考图像；计算旋转或缩放半个步长值后的参考图像与参考图像之间的匹配分数，判断是否满足迭代终止条件，得到满足所述条件的旋转或缩放步长；
根据所述旋转或缩放步长计算步数；
根据NCC算法计算每个所述参考图像的模板计算量，保存后结束训练模式；所述模板计算量包括灰度均值和方差；
运行实时搜索模式并将获取的实时搜索图像结合所述参考图像的金字塔层数L生成实时图像金字塔；
在实时图像金字塔中最高层金字塔图像上，使用模板图像的最高层金字塔图像的缩放、旋转序列依次在实时图像上全遍历搜索，得到符合预设条件的搜索结果；
对所述搜索结果进行逐层局部求精搜索，该过程将高层金字塔上的结果逐层映射到下一层金字塔上，并进行爬山法搜索，删除低分结果和重叠结果，得到逐层求精结果；
对所述逐层求精结果进行最终求精，得到最终结果；
对最终结果进行排序，并输出定位结果信息；
其中，根据所述旋转或缩放步长计算步数的步骤包括：
根据参考图像的灰度信息分布特征计算得到的旋转或缩放步长和预设的搜索范围计算步数；
根据所述图像金字塔的层数、所述旋转或缩放步长以及所述步数生成各层金字塔每一个旋转或缩放步长的参考图像；
其中，输出旋转或缩放步长包括以下步骤：
旋转或缩放步长初始值由参考图像的大小决定，即当以参考图像中心点为参考点进行半个步长的旋转或缩放，得到旋转缩放后距离图像中心点最远端点P1，设旋转缩放前距离图像最远端的点为P2，要求P1与P2的距离等于2个像素；
根据P1与P2的距离等于2个像素这一条件，可反推得到旋转或缩放需要设置的初始步长；
对参考图像进行半个当前步长值的旋转或缩放，得到旋转或缩放后的参考图像；
计算旋转缩放后的参考图像与旋转缩放前的参考图像之间的NCC匹配分数；
判断所述NCC匹配分数是否满足预设的旋转或缩放步长分数阈值Srotsca，如果不满足则旋转或缩放步长值减半，再次对参考图像进行旋转或缩放，计算NCC匹配分数，判断是否满足Srotsca；
按照上述流程进行迭代计算旋转或缩放步长，若当前旋转或缩放步长计算的NCC匹配分数满足Srotsca，或迭代次数大于20次，则终止迭代，输出当前旋转或缩放步长。
2.根据权利要求1所述的基于NCC算法的图像定位方法，其特征在于，所述参考图像金子塔的层数L根据下式计算：
L＝floor(log2(M/S))+1；
其中，L为计算所得的金字塔层数，M为参考图像宽度和高度中的最小值，S为经验值设为6，表示最高层金字塔参考图像宽或高的最小值，floor表示取最小整数。
3.根据权利要求1所述的基于NCC算法的图像定位方法，其特征在于，对所述搜索结果进行逐层局部求精搜索，该过程将高层金字塔上的结果逐层映射到下一层金字塔上，并进行爬山法搜索，删除低分结果和重叠结果，得到逐层求精结果步骤包括：
将最高层金字塔图像全遍历搜索得到的所述搜索结果进行筛选，取每一个旋转或缩放步长上9邻域极大值结果，得到筛选结果；将所述筛选结果逐层依次进行求精搜索得到逐层求精结果；其中，搜索空间包括缩放、旋转和平移。
4.根据权利要求3所述的基于NCC算法的图像定位方法，其特征在于，所述将高层金字塔上的结果逐层映射到下一层金字塔上的步骤中，还包括：
根据重叠阈值和分数阈值进行筛选结果的策略：向下映射的结果中，两个结果的重叠值大于重叠阈值，则保留分数最高的结果；
其中设定重叠值为两个定位结果在图像中重叠的百分比，所述重叠阈值包括实际计算的重叠阈值CurOverlop以及预设输入重叠阈值ThOverlop，重叠阈值CurOverlop'选取实际计算的重叠阈值和预设输入重叠阈值中的最大值，如以下公式所示，
CurOverlop'＝max(CurOverlop,ThOverLop)。
5.根据权利要求4所述的基于NCC算法的图像定位方法，其特征在于，所述实际计算的重叠阈值计算公式如下：
CurOverlop＝CurLayers/(PymLayers+OverlapLayer)；
其中CurOverlop为当前层实际计算的重叠阈值，CurLayers为当前金字塔层数，PymLayers为总金字塔层数，OverlopLayer为经验值，设置为-1。
6.根据权利要求5所述的基于NCC算法的图像定位方法，其特征在于，对所述逐层求精结果进行最终求精是通过抛物面拟合逐层求精输出结果和其9邻域范围内的结果，获得抛物面的顶点，并将其设定为最终结果；其中定位精度可达到亚像素精度。
7.一种基于NCC算法的图像定位装置，其特征在于，所述装置用于实现权利要求1～6所述的任意一种基于NCC算法的图像定位方法；其中所述装置包括训练模块以及实时搜索模块。
8.根据权利要求7所述的基于NCC算法的图像定位装置，其特征在于，所述训练模块被配置为获取参考图像，运行训练模式；
验证所述参考图像的有效性，若不具备有效性则重新获取参考图像；
若具备有效性，建立参考图像金字塔，得到所述参考图像的金子塔的层数L；
分析所述参考图像的灰度信息分布特征，根据参考图像大小得到初始旋转或缩放步长值；根据当前步长值对参考图像进行半个步长值的旋转或缩放，获取旋转或缩放半个步长值后的参考图像；计算旋转或缩放半个步长值后的参考图像与参考图像之间的匹配分数，判断是否满足迭代终止条件，得到满足所述条件的旋转或缩放步长；
根据所述旋转或缩放步长计算步数以及每个所述参考图像的模板计算量并保存后结束训练模式；
所述实时搜索模块被配置为运行实时搜索模式并将获取的实时搜索图像结合所述参考图像的金字塔层数L生成实时图像金字塔；
在实时图像金字塔中最高层金字塔图像上，使用模板图像的最高层金字塔图像的缩放、旋转序列依次在实时图像上全遍历搜索，得到符合预设条件的搜索结果；
对所述搜索结果进行逐层局部求精搜索，该过程将高层金字塔上的结果逐层映射到下一层金字塔上，并进行爬山法搜索，删除低分结果和重叠结果，得到逐层求精结果；
对所述逐层求精结果进行最终求精，得到最终结果；
对最终结果进行排序，并输出定位结果信息。
CN202110973854.8A 2021-08-24 2021-08-24 一种基于ncc算法的图像定位方法与装置 Active CN113643370B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110973854.8A CN113643370B (zh) 2021-08-24 2021-08-24 一种基于ncc算法的图像定位方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110973854.8A CN113643370B (zh) 2021-08-24 2021-08-24 一种基于ncc算法的图像定位方法与装置

Publications (2)

Publication Number Publication Date
CN113643370A CN113643370A (zh) 2021-11-12
CN113643370B true CN113643370B (zh) 2024-01-23

Family

ID=78423595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110973854.8A Active CN113643370B (zh) 2021-08-24 2021-08-24 一种基于ncc算法的图像定位方法与装置

Country Status (1)

Country Link
CN (1) CN113643370B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708268A (zh) * 2022-06-08 2022-07-05 深圳市智宇精密五金塑胶有限公司 一种五金零件缺陷检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683040A (zh) * 2016-11-21 2017-05-17 云南电网有限责任公司电力科学研究院 一种基于ncc算法的红外全景图像拼接方法
WO2017206099A1 (zh) * 2016-06-01 2017-12-07 深圳配天智能技术研究院有限公司 一种图像模式匹配的方法及装置
CN107918938A (zh) * 2017-11-16 2018-04-17 凌云光技术集团有限责任公司 一种点集与点集的匹配方法及装置
CN108010082A (zh) * 2017-12-28 2018-05-08 上海觉感视觉科技有限公司 一种几何匹配的方法
CN111986262A (zh) * 2020-09-07 2020-11-24 北京凌云光技术集团有限责任公司 一种图像区域定位方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017206099A1 (zh) * 2016-06-01 2017-12-07 深圳配天智能技术研究院有限公司 一种图像模式匹配的方法及装置
CN106683040A (zh) * 2016-11-21 2017-05-17 云南电网有限责任公司电力科学研究院 一种基于ncc算法的红外全景图像拼接方法
CN107918938A (zh) * 2017-11-16 2018-04-17 凌云光技术集团有限责任公司 一种点集与点集的匹配方法及装置
CN108010082A (zh) * 2017-12-28 2018-05-08 上海觉感视觉科技有限公司 一种几何匹配的方法
CN111986262A (zh) * 2020-09-07 2020-11-24 北京凌云光技术集团有限责任公司 一种图像区域定位方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于灰度的快速模板匹配方法;郑剑斌;郑力新;朱建清;;现代计算机(专业版)(第26期);全文 *

Also Published As

Publication number Publication date
CN113643370A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN109903331B (zh) 一种基于rgb-d相机的卷积神经网络目标检测方法
CN112200143A (zh) 一种基于候选区域网络和机器视觉的道路病害检测方法
CN113436227A (zh) 一种基于倒残差的孪生网络目标跟踪方法
CN110246151B (zh) 一种基于深度学习和单目视觉的水下机器人目标跟踪方法
CN111709980A (zh) 基于深度学习的多尺度图像配准方法和装置
CN113706581B (zh) 基于残差通道注意与多层次分类回归的目标跟踪方法
CN114757904B (zh) 一种基于ai深度学习算法的表面缺陷检测方法
CN108010082B (zh) 一种几何匹配的方法
CN110490913A (zh) 基于角点与单线段编组的特征描述算子进行影像匹配方法
WO1999062024A1 (en) Method of accurately locating the fractional position of a template match point
CN111768447A (zh) 一种基于模板匹配的单目相机物体位姿估计方法及系统
CN113888461A (zh) 基于深度学习的小五金件缺陷检测方法、系统及设备
CN111739144A (zh) 一种基于深度特征光流的同时定位和建图的方法及装置
CN116051820A (zh) 基于多模板的单目标检测方法
CN111401449A (zh) 一种基于机器视觉的图像匹配方法
CN116310837B (zh) 一种sar舰船目标旋转检测方法及系统
CN111292308A (zh) 基于卷积神经网络的光伏太阳能板红外缺陷检测方法
CN113643370B (zh) 一种基于ncc算法的图像定位方法与装置
CN114022860A (zh) 目标检测方法、装置及电子设备
CN116645608A (zh) 一种基于YOLOX-Tiny有偏特征融合网络的遥感目标检测
CN103971362B (zh) 基于直方图和精英遗传聚类算法的sar图像变化检测
CN113536926A (zh) 基于距离向量和多角度自适应网络的人体动作识别方法
CN117649589A (zh) 一种基于改进YOLO-V5s模型的LNG卸料臂目标识别方法
CN110852335B (zh) 一种基于多颜色特征融合与深度网络的目标跟踪系统
CN104156956B (zh) 一种基于高斯小波一维峰值识别的多角度边缘检测方法

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