具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的图像匹配方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取初始图像集合102。其次,计算设备101可以对上述初始图像集合102中的每张初始图像进行图像变换,以生成目标图像,得到目标图像集合103。然后,计算设备101可以分别将上述初始图像集合102和上述目标图像集合103,输入预先训练的目标检测网络104,以生成第一特征点信息组集合105和第二特征点信息组集合106。最后,计算设备101可以根据上述第一特征点信息组集合105和上述第二特征点信息组集合106,对上述初始图像集合102中的初始图像和上述目标图像集合103中的目标图像进行图像匹配,得到至少一个匹配结果107。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的图像匹配方法的一些实施例的流程200。该图像匹配方法,包括以下步骤:
步骤201,获取初始图像集合。
在一些实施例中,图像匹配方法的执行主体(例如图1所示的计算设备101)可以通过有线连接或无线连接的方式,获取上述初始图像集合。其中,上述初始图像集合中的初始图像为包含目标物体的图像。例如,上述目标物体可以是但不限于以下任意一项:建筑物,车辆,动物,植物和人。
步骤202,对初始图像集合中的每张初始图像进行图像变换,以生成目标图像,得到目标图像集合。
在一些实施例中,上述执行主体可以通过对上述初始图像集合中的每张初始图像进行图像变换,以生成目标图像,得到上述目标图像集合。其中,上述图像变换可以是但不限于以下至少一种:放大变换、缩小变换、模糊变换、旋转变换和平移变换。
作为示例,上述执行主体首先,可以将初始图像先进行旋转变换,得到第一候选目标图像。然后,对上述第一候选目标图像进行缩小变换,得到第二候选目标图像。接着,对上述第二候选目标图像进行平移变换,得到目标图像。
步骤203,分别将初始图像集合和目标图像集合,输入预先训练的目标检测网络,以生成第一特征点信息组集合和第二特征点信息组集合。
在一些实施例中,上述执行主体可以分别将上述初始图像集合和上述目标图像集合,输入预先训练的目标检测网络,以生成第一特征点信息组集合和第二特征点信息组集合。其中,上述预先训练的目标检测网络可以是但不限于以下其中一种:基于SIFT算法的图像匹配网络和基于ORB算法的图像匹配网络。上述第一特征信息组集合中的第一特征点信息组中的第一特征点信息可以包括:特征点置信度和特征点描述子。特征点置信度可以是像素点为特征点的概率。特征点描述子可以是描述特征点邻域像素信息的矩阵。邻域像素信息可以是表征特征点周围像素点的特征的信息。其中,上述执行主体首先,可以响应于确定特征点置信度大于目标阈值,将特征点置信度大于目标阈值的像素点确定为特征点。
步骤204,根据第一特征点信息组集合和第二特征点信息组集合,对初始图像集合中的初始图像和目标图像集合中的目标图像进行图像匹配,得到至少一个匹配结果。
在一些实施例中,上述执行主体可以根据上述第一特征点信息组集合和上述第二特征点信息组集合,对上述初始图像集合中的初始图像和上述目标图像集合中的目标图像进行图像匹配,得到上述至少一个匹配结果。其中,上述执行主体首先,对于上述目标图像集合中的每个目标图像,确定上述目标图像对应的第二特征点信息组,和上述初始图像集合中的各个初始图像对应的第一特征点信息组的匹配度,以生成匹配结果。其中,匹配结果可以表征一张目标图像在初始图像集合中与目标图像相匹配初始图像之间的匹配信息。例如,匹配结果可以是[目标图像A,初始图像B,匹配概率:90%]。
例如,首先,上述执行主体可以通过余弦相似度算法,确定第一特征点信息组中的每个第一特征点信息包括的特征点描述子,和第二特征点信息组中的每个第二特征点信息包括的特征点描述子之间的相似度数值,以生成相似度数值组集合。然后,上述执行主体可以从上述相似度数值组集合中筛选出满足第一筛选条件的相似度数值作为候选相似度数值,得到候选相似度数值组。其中,上述第一筛选条件可以是相似度数值大于预设阈值。上述预设阈值可以是80%。其次,上述执行主体可以将上述候选相似度数值组的候选相似度数值的数量,与相似度数值组集合中的相似度数值的数量的比值,确定为匹配概率。其次,上述执行主体对于上述目标图像集合中的每个目标图像,确定上述目标图像与上述初始图像集合中的每个初始图像之间的匹配概率,作为候选匹配概率,得到候选匹配概率集合,然后,上述执行主体可以将初始图像集合中对应的候选匹配概率满足第二筛选条件的初始图像,与上述目标图像之间的匹配信息,确定为上述目标图像对应的匹配结果。其中,上述第二筛选条件是候选匹配概率是候选匹配概率集合中最大的概率值。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的图像匹配方法提高了图像匹配的准确率。具体来说,造成图像匹配准确率低的原因在于:模板匹配具有自身的局限性,模板匹配往往只能进行平行移动,若图像发生旋转或者大小变换,通过模板匹配往往难以确定图像对应的匹配图像。基于此,本公开的一些实施例的图像匹配方法,首先获取初始图像集合。其中,上述初始图像集合中的初始图像可以是用于图像匹配的初始图像,通过获取上述初始图像集合,为后续的图像变换,以及图像匹配提供数据支持。其次,对上述初始图像集合中的每张初始图像进行图像变换,以生成目标图像,得到目标图像集合。实际情况中,图像匹配往往需要对初始图像和目标图像进行匹配,由于目标图像在采集时,会受到拍摄角度,图像采集设备与被采集对象直接的距离等情况的影响,从而导致目标图像的角度和尺寸与初始图像不一致的情况出现。因此,本申请通过对初始图像进行图像变换,以模拟实际情况中导致的采集得到的目标图像与初始图像不一致的情况。接着,分别将上述初始图像集合和上述目标图像集合,输入预先训练的目标检测网络,以生成第一特征点信息组集合和第二特征点信息组集合。最后,根据上述第一特征点信息组集合和上述第二特征点信息组集合,对上述初始图像集合中的初始图像和上述目标图像集合中的目标图像进行图像匹配,得到至少一个匹配结果。相对于模板匹配,采用特征点描述子匹配的方法可以消除模板匹配的弊端。由于,特征点描述子具有尺度不变性,即使改变图像的大小,对图像进行旋转,也可以根据特征点描述子很好的进行匹配。此外,由于描述子具有尺度不变性,可以降低图像变换对图像匹配的影响。因此,最终提高了图像匹配的准确率。
进一步参考图3,其示出了图像匹配方法的另一些实施例的流程300。该图像匹配方法的流程300,包括以下步骤:
步骤301,获取初始图像集合。
步骤302,对初始图像集合中的每张初始图像进行图像变换,以生成目标图像,得到目标图像集合。
在一些实施例中,步骤301和步骤302的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201和步骤202,在此不再赘述。
步骤303,将初始图像集合中的每张初始图像,输入预先训练的目标检测网络,以生成第一特征点信息组,得到第一特征点信息组集合。
在一些实施例中,上述执行主体可以将上述初始图像集合中的每张初始图像,输入上述预先训练的目标检测网络,以生成第一特征点信息组,得到第一特征点信息组集合。其中,上述目标检测网络可以包括:图像编码网络、特征点生成网络和描述子生成网络,上述特征点生成网络可以包括:第一卷积层和特征重构层。上述描述子生成网络可以包括:第二卷积层、特征插值处理网络和特征标准化层,上述特征点生成网络可以采用目标激活函数作为激活函数。
上述预先训练的目标检测网络可以通过以下步骤训练得到:
第一步,对初始图像训练样本集合中的每个初始图像训练样本进行单应性变换操作,以生成单应性变换图像样本组,得到单应性变换图像样本组集合。
其中,上述执行主体可以采用多个不同的单应性矩阵对上述初始图像训练样本集合中的每个初始图像训练样本进行多次单应性变换,以生成多个单应性变换图像,得到单应性变换样本组,进而得到单应性变换组集合。例如,上述初始图像训练样本集合可以是MS-COCO(微软开发维护的大型图像集合)。
第二步,构建合成图像集合。
其中,上述合成图像集合中的合成图像可以包括至少一个基本几何图形上述基本几何图形可以是但不限于以下至少一种:正方形、长方形、圆形、正方体和长方体。例如,上述执行主体可以将合成图像包括的基本几何图形的顶点和中心点作为特征点。
第三步,根据上述合成图像集合,对初始检测网络进行训练。
上述执行主体可以将上述合成图像集合作为训练集,对上述初始检测网络进行有监督训练。
第四步,响应于上述初始检测网络训练完成,将单应性变换图像样本组集合中的每个单应性变换图像样本组,输入训练完成的初始检测网络,以生成第一热力图像组,得到第一热力图像组集合。
其中,第一热力图像组中的第一热力图像与单应性变换图像样本组中的单应性变换图像样本一一对应。
第五步,对上述第一热力图像组集合中的每张第一热力图像进行反单应性变换,以生成第二热力图像,得到第二热力图像组集合。
其中,上述执行主体可以采用与单应性矩阵对应的逆矩阵,对上述第一热力图像进行单应性变换,以实现对上述第一热力图像的反单应性变换。
第六步,对上述第二热力图像组集合中的每组第二热力图像组中的各个第二热力图像进行叠加,以生成目标热力图,得到目标热力图集合。
作为示例,第二热力图像组A中包括A1热力图像、A2热力图像和A3热力图像。A1热力图像包括热力点1,A2热力图像包括热力点2和热力点3,A3热力图像包括热力点4和热力点5。则上述第二热力图像组所生成的目标热力图包括热力点1、热力点2、热力点3、热力点4和热力点5。
第七步,确定上述目标热力图集合中的每张目标热力图像对应的特征点标识组,得到特征点标识组集合。
例如,首先,上述执行主体可以响应于上述目标热力图像中每个像素对应的热力值大于目标值,将上述像素对应的特征点标识确定为1。响应于上述目标热力图像中每个像素对应的值小于目标值,然后,上述执行主体可以将上述像素对应的特征点标识确定为0。上述目标值可以是0.9。
第八步,根据上述初始图像训练样本集合中的每个初始图像训练样本和上述初始图像训练样本对应的特征点标识组,生成目标训练样本,得到目标训练样本集合。
其中,初始图像训练样本对应的特征点标识组可以为初始图像训练样本的标签。
第九步,根据上述目标训练样本集合,对初始的目标检测网络进行训练,以生成上述目标检测网络。
其中,上述执行主体可以根据上述目标训练样本集合对上述初始的目标检测网络进行有监督训练,以生成上述目标检测网络。
上述目标检测网络可以采用目标损失函数作为损失函数。上述目标损失函数可以包括:特征点损失函数和描述子损失函数,上述特征点损失函数可以为焦点损失函数,上述描述子损失函数可以为铰链损失函数。焦点损失函数对应的公式可以为:
其中,Lfl表示焦点损失函数。p表示特征点置信度。γ表示焦点参数。y表示特征点标识。
铰链损失函数对应的公式可以为:
Lhg=λd*s*max(0,mp-dTa)+(1-s)-max(0,dTa-mn)
Lhg表示铰链损失函数。d表示初始图像训练样本对应的一个特征点描述子。a表示初始图像训练样本进行单应性变换后的图像对应的一个特征点描述子。其中,特征点描述子可以用向量表示。其中,s表征相同配对点。dT是d的转置矩阵。λd是权重系数。mp表示正边界值。例如,mp可以是1。mn表示负边界值。例如,mn可以是0.5。
上述目标检测网络的训练步骤作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“在一张图像中,特征点的数量往往是远小于非特征点的数量。当非特征点数量较多时,会降低模型的训练效率,此外,会导致模型学习到较多的对图像匹配贡献较低的特征,进而,导致模型在进行图像匹配时,匹配准确度较差”。导致模型在进行图像匹配时,匹配准确度较差的原因在于:在一张图像中,特征点的数量往往是远小于非特征点的数量。当非特征点数量较多时,会降低模型的训练效率,此外,会导致模型学习到较多的对图像匹配贡献较低的特征。如果解决了上述因素,就能提高模型在进行图像匹配时的准确度。为了达到这一效果,本公开首先,对初始图像训练样本集合中的每个初始图像训练样本进行单应性变换操作,以生成单应性变换图像样本组,得到单应性变换图像样本组集合。通过对上述初始图像训练样本集合进行单应性变换操作,可以针对一张图像从不同的角度进行特征分析提取,从而为后续上述初始检测网络提供更多的样本数据,进而使得可以更好的提取特征点。然后,构建合成图像集合。通过构建合成图像集合可以为上述初始检测网络提供基础的样本,进行基础的训练,为初始检测网络训练提供数据支持。其次,响应于上述初始检测网络训练完成,将单应性变换图像样本组集合中的每个单应性变换图像样本组,输入训练完成的初始检测网络,以生成第一热力图像组,得到第一热力图像组集合。对上述第二热力图像组集合中的每组第二热力图像组中的各个第二热力图像进行叠加,以生成目标热力图,得到目标热力图集合。根据上述初始检测网络和上述单应性变换图像组集合可提升上述初始检测网络对一般图像的特征点分析和识别能力。此外,通过从不同角度对一张图像进行特征点提取,并将所得到的特征点进行叠加,从而,可以更准确的对一张图像的特征点进行提取。进一步,确定上述目标热力图集合中的每张目标热力图像对应的特征点标识组,得到特征点标识组集合。根据上述初始图像训练样本集合中的每个初始图像训练样本和上述初始图像训练样本对应的特征点标识组,生成目标训练样本,得到目标训练样本集合。通过上述目标训练样本集合,可以为上述目标检测网络的训练提供样本的标识,从而为后续目标检测网络的训练提供训练样本。然后,根据上述目标训练样本集合,对初始的目标检测网络进行监督训练,以生成上述目标检测网络。通过上述目标训练样本集合对上述初始目标检测网络进行监督训练为后续的图像匹配提供目标检测网络模型。此外,本公开还选用了焦点损失函数作为目标检测网络模型的损失函数。在一张图像中,特征点的数量往往是远小于非特征点的数量。当非特征点数量较多时,会降低模型的训练效率,此外,会导致模型学习到较多的对图像匹配贡献较低的特征,进而,导致模型在进行图像匹配时,匹配准确度较差。因此,采用焦点损失函数可以通过降低非特征点的权重,使得模型训练时更专注于难分类的特征,以此来降低负样本对训练的影响,从而提高训练效率。
可选地,上述执行主体将上述初始图像集合中的每张初始图像,输入上述预先训练的目标检测网络,以生成第一特征点信息组,可以包括以下步骤:
第一步,将上述初始图像输入上述图像编码网络,以生成第一特征图。
例如,上述图像编码网络可以是resnet18网络。
第二步,将上述第一特征图输入上述第一卷积层,以生成第二特征图。
其中,上述第一卷积层的卷积核可以为3*3,第一卷积层的步长可以为1。
第三步,通过上述目标激活函数对上述第二特征图进行非线性操作,以生成第三特征图。
其中,上述目标激活函数可以为sigmoid激活函数。
第四步,将上述第三特征图输入上述特征重构层,以生成第四特征图。
其中,上述特征重构层可以是对上述第三特征图进行reshape操作,上述reshape操作可以是采用子像素卷积操作进行上采样。
第五步,根据上述第四特征图,生成上述第一特征点信息组中的第一特征点信息包括的特征点置信度。
其中,上述第一特征点信息组中的第一特征点信息包括的特征点置信度,为上述初始图像包括的多个特征点对应的置信度。第四特征图中的每个像素对应的特征值可以为特征点置信度。
第六步,将上述第一特征图输入上述第二卷积层,以生成第五特征图。
其中,上述第二卷积层的卷积核可以为3*3,第二卷积层的步长可以为1。
第七步,将上述第五特征图输入上述特征插值网络,以生成第六特征图。
其中,上述特征插值网络可以采用双三次插值。
第八步,将上述第六特征图输入上述特征标准化层,以生成第七特征图。
其中,上述特征标准化层可以采用l2 normalization。
第九步,根据上述第七特征图,生成上述第一特征点信息组中的第一特征点信息包括的特征点描述子。其中,上述第一特征点信息组中的第一特征点信息包括的特征点描述子,为上述初始图像包括的多个特征点对应的描述子。其中,第七特征图的尺寸和初始图像的尺寸相同,可以包括256个通道。上述256个通道对应初始图像中像素的特征点描述子。
步骤304,将上述目标图像集合中的每张目标图像,输入上述预先训练的目标检测网络,以生成第二特征点信息组,得到上述第二特征点信息组集合。
在一些实施例中,步骤304生成第二特征点信息组的方式与步骤303相同,在此不再赘述。
步骤305,根据上述第一特征点信息组集合和上述第二特征点信息组集合,对上述初始图像集合中的初始图像和上述目标图像集合中的目标图像进行图像匹配,得到至少一个匹配结果。
在一些实施例中,步骤305的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤204,在此不再赘述。
图3对应的实施例首先,对初始图像训练样本集合中的每个初始图像训练样本进行单应性变换操作,以生成单应性变换图像样本组,得到单应性变换图像样本组集合。通过对上述初始图像训练样本集合进行单应性变换操作,可以针对一张图像从不同的角度进行特征分析提取,从而为后续上述初始检测网络提供更多的样本数据,进而使得可以更好的提取特征点。然后,构建合成图像集合。通过构建合成图像集合可以为上述初始检测网络提供基础的样本,进行基础的训练,为初始检测网络训练提供数据支持。其次,响应于上述初始检测网络训练完成,将单应性变换图像样本组集合中的每个单应性变换图像样本组,输入训练完成的初始检测网络,以生成第一热力图像组,得到第一热力图像组集合。对上述第二热力图像组集合中的每组第二热力图像组中的各个第二热力图像进行叠加,以生成目标热力图,得到目标热力图集合。根据上述初始检测网络和上述单应性变换图像组集合可提升上述初始检测网络对一般图像的特征点分析和识别能力。此外,通过从不同角度对一张图像进行特征点提取,并将所得到的特征点进行叠加,从而,可以更准确的对一张图像的特征点进行提取。进一步,确定上述目标热力图集合中的每张目标热力图像对应的特征点标识组,得到特征点标识组集合。根据上述初始图像训练样本集合中的每个初始图像训练样本和上述初始图像训练样本对应的特征点标识组,生成目标训练样本,得到目标训练样本集合。通过上述目标训练样本集合,可以为上述目标检测网络的训练提供样本的标识,从而为后续目标检测网络的训练提供训练样本。然后,根据上述目标训练样本集合,对初始的目标检测网络进行监督训练,以生成上述目标检测网络。通过上述目标训练样本集合对上述初始目标检测网络进行监督训练为后续的图像匹配提供目标检测网络模型。此外,本公开还选用了焦点损失函数作为目标检测网络模型的损失函数。在一张图像中,特征点的数量往往是远小于非特征点的数量。当非特征点数量较多时,会降低模型的训练效率,此外,会导致模型学习到较多的对图像匹配贡献较低的特征,进而,导致模型在进行图像匹配时,匹配准确度较差。因此,采用焦点损失函数可以通过降低非特征点的权重,使得模型训练时更专注于难分类的特征,以此来降低负样本对训练的影响,从而提高训练效率。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种图像匹配装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的图像匹配装置400包括:获取单元401、变换单元402、输入单元403和匹配单元404。其中,获取单元401,被配置成获取初始图像集合;变换单元402,被配置成对上述初始图像集合中的每张初始图像进行图像变换,以生成目标图像,得到目标图像集合;输入单元403,被配置成分别将上述初始图像集合和上述目标图像集合,输入预先训练的目标检测网络,以生成第一特征点信息组集合和第二特征点信息组集合。匹配单元404,被配置成根据上述第一特征点信息组集合和上述第二特征点信息组集合,对上述初始图像集合中的初始图像和上述目标图像集合中的目标图像进行图像匹配,得到至少一个匹配结果。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取初始图像集合;对上述初始图像集合中的每张初始图像进行图像变换,以生成目标图像,得到目标图像集合;分别将上述初始图像集合和上述目标图像集合,输入预先训练的目标检测网络,以生成第一特征点信息组集合和第二特征点信息组集合;根据上述第一特征点信息组集合和上述第二特征点信息组集合,对上述初始图像集合中的初始图像和上述目标图像集合中的目标图像进行图像匹配,得到至少一个匹配结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、变换单元、输入单元和匹配单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取初始图像集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。