CN114758161A - 图像目标匹配定位方法、存储介质和计算机 - Google Patents
图像目标匹配定位方法、存储介质和计算机 Download PDFInfo
- Publication number
- CN114758161A CN114758161A CN202011563329.0A CN202011563329A CN114758161A CN 114758161 A CN114758161 A CN 114758161A CN 202011563329 A CN202011563329 A CN 202011563329A CN 114758161 A CN114758161 A CN 114758161A
- Authority
- CN
- China
- Prior art keywords
- image
- template
- edge gradient
- edge
- detected
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000003708 edge detection Methods 0.000 claims abstract description 62
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 6
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种图像目标匹配定位方法、存储介质和计算机,所述方法包括:将模板图像的第一边缘梯度模板集作为底层模板集创建所述模板图像的金字塔式多层模板集;将待检测图像的第一边缘梯度图像作为底层边缘检测图像创建金字塔式多层边缘检测图像;将待检测图像的金字塔式多层边缘检测图像与所述模板图像的金字塔式多层模板集按照从高层到底层的顺序进行匹配,以在所述底层模板集中找到候选的一张或多张第一边缘梯度模板;将待检测图像的第二边缘梯度图像与在所述底层模板集中找到的候选的第一边缘梯度模板对应的第二边缘梯度模板进行进一步匹配,进而找到匹配的第二边缘梯度模板。可以支持图像中多角度,多尺度的目标区域的快速匹配定位。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像目标匹配定位方法、存储介质和计算机。
背景技术
图像的边缘是用来判断图像中目标区域的位置、旋转角度以及缩放等变化的主要依据,且图像的边缘信息较整幅图像而言具有信息量少,特征明显,受光照等外部条件影响较小的特点,因此基于轮廓和边缘特征被广泛的应用于图像特征匹配中。对于传统的基于点特征如sift,surf,fast以及角点等的算法,因为其实时性、对图像的噪声敏感性、匹配精度不足等问题,在图像匹配定位中应用十分有限。而基于线特征的匹配算法,只适用于直线较多的匹配定位,适用范围较小。
因此,有必要提出一种改进的方案来克服上述问题。
发明内容
本发明的目的在于提供一种图像目标匹配定位方法、存储介质和计算机,其可以克服传统的点特征和线特征算法的不足,可以支持图像中多角度,多尺度的目标区域匹配定位。
为实现发明目的,根据本发明的一个方面,本发明提供一种图像目标匹配定位方法,其包括:基于模板图像和第一阈值生成所述模板图像的第一边缘梯度模板集,基于模板图像和第二阈值生成所述模板图像的第二边缘梯度模板集,将所述模板图像的第一边缘梯度模板集作为底层模板集创建所述模板图像的金字塔式多层模板集,其中所述金字塔式多层模板集的顶层模板集和中间层模板集是由底层模板集中的第一边缘梯度模板缩小而成,各层模板集中的第一边缘梯度模板的尺寸从顶层到底层逐步减小,第一阈值大于第二阈值;基于待检测图像和第一阈值得到所述待检测图像的第一边缘梯度图像,基于待检测图像和第二阈值得到所述待检测图像的第二边缘梯度图像,将所述待检测图像的第一边缘梯度图像作为底层边缘检测图像创建金字塔式多层边缘检测图像,其中所述金字塔式多层边缘检测图像的顶层边缘检测图像和中间层边缘检测图像是由底层边缘检测图像缩小而成,各层边缘检测图像的尺寸从顶层边缘检测图像到底层边缘检测图像逐步减小;利用搜索窗在所述待检测图像上进行遍历搜索,将搜索窗内的所述待检测图像的金字塔式多层边缘检测图像与所述模板图像的金字塔式多层模板集按照从高层到底层的顺序进行匹配,以在所述底层模板集中找到候选的一张或多张第一边缘梯度模板;和将搜索窗内的所述待检测图像的第二边缘梯度图像与在所述底层模板集中找到的候选的第一边缘梯度模板对应的第二边缘梯度模板进行进一步匹配,进而找到匹配的第二边缘梯度模板。
根据本发明的另一个方面,本发明提供一种存储介质,其存储有程序指令,在所述程序执行被运行上文所述的图像目标匹配定位方法。
根据本发明的再一个方面,本发明提供一种计算机,其包括处理器和存储器,所述存储器中存储有程序指令,所述处理器运行所述程序指令以执行上文所述的图像目标匹配定位方法。
与现有技术相比,本发明构建所述模板图像的金字塔式多层模板集,将所述待检测图像的金字塔式多层边缘检测图像与按照从高层到底层的顺序进行快速的匹配,以快速的找到候选的一张或多张第一边缘梯度模板,之后将所述待检测图像的第二边缘梯度图像与找到的候选的第一边缘梯度模板对应的第二边缘梯度模板进行进一步匹配,进而更精准的找到匹配的第二边缘梯度模板,可以支持图像中多角度,多尺度的目标区域匹配定位。
附图说明
图1为本发明中的图像目标匹配定位方法在一个实施例中的流程示意图;
图2为本发明中的模板图像的示例;
图3为本发明中的所述模板图像的金字塔式多层模板集的底层模板集的一张第一边缘梯度模板;
图4为本发明中的所述模板图像的金字塔式多层模板集的中间层模板集的一张第一边缘梯度模板;
图5为本发明中的所述模板图像的金字塔式多层模板集的顶层模板集的一张第一边缘梯度模板;
图6为本发明中的待检测模板图像的示例;
图7为在图6中的待检测模板图像中进行目标匹配定位后的示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如下。
本发明提出一种基于图像边缘特征的图像目标匹配定位方法,其可以克服传统的点特征和线特征算法的不足,可以支持图像中多角度,多尺度的目标区域匹配定位。
图1为本发明中的图像目标匹配定位方法100在一个实施例中的流程示意图。如图1所示的,所述图像目标匹配定位方法100包括如下步骤。
步骤110,基于模板图像和第一阈值生成所述模板图像的第一边缘梯度模板集,基于模板图像和第二阈值生成所述模板图像的第二边缘梯度模板集,将所述模板图像的第一边缘梯度模板集作为底层模板集创建所述模板图像的金字塔式多层模板集。
在一个实施例中,该步骤110可以包括如下步骤。
步骤111,可以先提供模板图像,该模板图像中包含特定的目标,具有较明显和独特的轮廓特征,如产品的标志、交通标志、特定的零件等。图2示出了模板图像的示例,该模板图像中具有一个零件。为了便于后续进行边缘信息提取可以对所述模板图像进行一些处理,当然在有些实施例中也可以直接提供已经经过了必要处理后的模板图像。在一个实施例中,可以先对所述模板图像进行灰度化处理,以使模板图像的信息量缩减更加有利于边缘信息提取,图2所示的模板图像为已经灰度化处理后的模板图像。随后,可以对所述模板图像进行预处理,所述预处理包括下列处理中的一种或多种:双边滤波、消除图像噪点和平滑图像等,预处理的同时保留模板图像的边缘信息。
步骤112,可以对所述模板图像进行边缘计算得到所述模板图像的综合边缘梯度图像。在一个实施例中,可以利用索贝尔(sobel)算子对所述模板图像进行水平卷积计算得到所述模板图像的水平边缘梯度图像,可以利用索贝尔算子对所述模板图像进行垂直卷积计算得到所述模板图像的垂直边缘梯度图像,之后可以将所述模板图像的水平边缘梯度图像和垂直边缘梯度图像相加得到所述模板图像的综合边缘梯度图像。
步骤113,利用第一阈值对所述模板图像的综合边缘梯度图像进行阈值分割得到所述模板图像的第一边缘梯度模板,利用第二阈值对所述模板图像的综合边缘梯度图像进行阈值分割得到所述模板图像的第二边缘梯度模板,第一阈值大于第二阈值。所述第一边缘梯度模板也可以被称为强边缘梯度模板,其会显示边缘特征较为明显的“强边缘”,这些强边缘特征是模板图像的主要特征,特征数量相对简练,适合用于图像目标的粗定位。所述第二边缘梯度模板也可以被称为弱边缘梯度模板,其不仅显示边缘特征较为明显的“强边缘”,还会显示边缘特征较为弱的“弱边缘”,这些弱边缘特征可以展现所述模板图像的细节特征,特征数量相对丰富,适合用于图像目标的精确定位,提高匹配定位精度。
步骤114,对所述模板图像的第一边缘梯度模板进行缩放和旋转处理得到所述模板图像的旋转缩放后的多张第一边缘梯度模板,对所述模板图像的第二边缘梯度模板进行缩放和旋转处理得到所述模板图像的旋转缩放后的多张第二边缘梯度模板,其中旋转缩放后的多张第一边缘梯度模板形成第一边缘梯度模板集,旋转缩放后的多张第二边缘梯度模板形成第二边缘梯度模板集。具体的,可以设置起始角度、终止角度、角度步幅、起始缩放尺度、终止缩放尺度以及缩放步幅,举例来说,起始角度可以是0度、终止角度360度、角度步幅1度、起始缩放尺度90%、终止缩放尺度120%以及缩放步幅2%,之后将第一边缘梯度模板和/或第二边缘梯度模板进行旋转可以得到旋转后的多个第一边缘梯度模板和/或多个第二边缘梯度模板,再将多个第一边缘梯度模板和/或多个第二边缘梯度模板进行缩放可以得到缩放后的多个第一边缘梯度模板和/或多个第二边缘梯度模板。
步骤115,将所述模板图像的第一边缘梯度模板集作为底层模板集创建所述模板图像的金字塔式多层模板集,其中第一边缘梯度模板集中的多个第一边缘梯度模板分别作为底层模板集中的第一边缘梯度模板,所述金字塔式多层模板集的顶层模板集和中间层模板集是由底层模板集中的多张第一边缘梯度模板缩小而成,各层模板集中的第一边缘梯度模板的尺寸从顶层到底层逐步减小。在一个实施例中,金字塔式多层模板集为金字塔式三层模板集,中间层模板集中的第一边缘梯度模板的长度和宽度分别是底层模板集中的第一边缘梯度模板的长度和宽度的1/2,顶层模板集中的第一边缘梯度模板的长度和宽度分别是底层模板集中的第一边缘梯度模板的尺寸的1/4。图3为本发明中的所述模板图像的金字塔式多层模板集的底层模板集的一张第一边缘梯度模板,另外,底层模板集还有很多张未被示出的不同旋转角度、不同缩放尺度的第一边缘梯度模板。图4为本发明中的所述模板图像的金字塔式多层模板集的中间层模板集的一张第一边缘梯度模板,另外,中间层模板集还有很多张未被示出的不同旋转角度、不同缩放尺度的第一边缘梯度模板。图5为本发明中的所述模板图像的金字塔式多层模板集的顶层模板集的一张第一边缘梯度模板,另外,顶层模板集还有很多张未被示出的不同旋转角度、不同缩放尺度的第一边缘梯度模板。
步骤120,基于待检测图像和第一阈值得到所述待检测图像的第一边缘梯度图像,基于待检测图像和第二阈值得到所述待检测图像的第二边缘梯度图像,将所述待检测图像的第一边缘梯度图像作为底层边缘检测图像创建金字塔式多层边缘检测图像。
在一个实施例中,该步骤120可以包括如下步骤。
步骤121,先获得待检测图像,图6为本发明中的待检测模板图像的示例。为了便于后续进行边缘信息提取可以对所述待检测图像进行一些处理,当然在有些实施例中也可以不进行这些处理。在一个实施例中,可以先对所述待检测图像进行灰度化处理,以使待检测图像的信息量缩减更加有利于边缘信息提取,图6所示的待检测图像为已经灰度化处理后的待检测图像。随后,可以对所述待检测图像进行预处理,所述预处理包括下列处理中的一种或多种:双边滤波、消除图像噪点和平滑图像等,预处理的同时保留模板图像的边缘信息。
步骤122,可以对所述待检测图像进行边缘计算得到所述待检测图像的综合边缘梯度图像。在一个实施例中,可以利用索贝尔(sobel)算子对所述待检测图像进行水平卷积计算得到所述待检测图像的水平边缘梯度图像,可以利用索贝尔算子对所述待检测图像进行垂直卷积计算得到所述待检测图像的垂直边缘梯度图像,之后可以将所述待检测图像的水平边缘梯度图像和垂直边缘梯度图像相加得到所述待检测图像的综合边缘梯度图像。
步骤123,利用第一阈值对所述待检测图像的综合边缘梯度图像进行阈值分割得到所述待检测图像的第一边缘梯度图像,利用第二阈值对所述待检测图像的综合边缘梯度图像进行阈值分割得到所述待检测图像的第二边缘梯度模板。所述第一边缘梯度图像也可以被称为强边缘梯度图像,其会显示边缘特征较为明显的“强边缘”,这些强边缘特征是模板图像的主要特征,特征数量相对简练,适合用于图像目标的粗定位。所述第二边缘梯度图像也可以被称为弱边缘梯度图像,其不仅显示边缘特征较为明显的“强边缘”,还会显示边缘特征较为弱的“弱边缘”,这些弱边缘特征可以展现所述待检测图像的细节特征,特征数量相对丰富,适合用于图像目标的精确定位,提高匹配定位精度。
步骤124,将所述待检测图像的第一边缘梯度图像作为底层边缘检测图像创建金字塔式多层边缘检测图像,其中所述金字塔式多层边缘检测图像的顶层边缘检测图像和中间层边缘检测图像是由底层边缘检测图像缩小而成,各层边缘检测图像的尺寸从顶层边缘检测图像到底层边缘检测图像逐步减小。在一个实施例中,金字塔式多层边缘检测图像为金字塔式三层多层边缘检测图像,中间层边缘检测图像中的第一边缘梯度图像的长度和宽度分别是底层边缘检测图像中的第一边缘检测图像的长度和宽度的1/2,顶层边缘检测图像中的第一边缘检测图像的长度和宽度分别是底层边缘检测图像中的第一边缘检测图像的尺寸的1/4。
步骤130,利用搜索窗在所述待检测图像上进行遍历搜索,将搜索窗内所述待检测图像的金字塔式多层边缘检测图像与所述模板图像的金字塔式多层模板集按照从高层到底层的顺序进行匹配,以在所述底层模板集中找到候选的一张或多张第一边缘梯度模板。其中所述搜索窗的尺寸可以调整搜索不同大小的目标。
在一个实施例中,该步骤130具体包括如下步骤。
步骤131,将待检测图像的金字塔式多层边缘检测图像的顶层边缘检测图像栅格化,并用搜索窗获取该图像栅格化处理后的区域,将所述模板图像的金字塔式多层模板集的顶层模板集中的多张第一边缘梯度模板栅格化。在一个实施例中,根据图像复杂程度,将可以分为3*3、5*5或更大的栅格数,一般而言每个栅格中的像素数量为60~120。此外,还可以将所述模板图像的金字塔式多层模板集的顶层模板集中的多张第一边缘梯度模板进行边缘扩充,使之成为正方形图像。
步骤132,将所述搜索窗内的所述待检测图像的金字塔式多层边缘检测图像的栅格化处理后顶层边缘检测图像的栅格与所述模板图像的金字塔式多层模板集的顶层模板集中的多张第一边缘梯度模板中的栅格进行比较,判断每个栅格的分布一致性,并获取初步匹配的栅格,将初步匹配的栅格对应的所述顶层模板集中的一张或多张第一边缘梯度模板作为所述顶层模板集中的临时候选的第一边缘梯度模板。具体的,所述分布一致性主要由分布密度、主要梯度方向、分布形态三个参数决定。将这些初步匹配的栅格的位置信息,以及对应的所述顶层模板集中的一张或多张第一边缘梯度模板存储在一个数据结构中。
步骤134,将所述搜索窗内的所述待检测图像的金字塔式多层边缘检测图像的顶层边缘检测图像与所述模板图像的顶层模板集中的临时候选的第一边缘梯度模板进行匹配以进一步进行筛选得到顶层模板集中的候选的第一边缘梯度模板。
步骤135,将顶层模板集中的候选的第一边缘梯度模板对应的中间层模板集中的第一边缘梯度模板作为临时候选,将所述搜索窗内的所述待检测图像的金字塔式多层边缘检测图像的中间层边缘检测图像与所述模板图像的中间层模板集中的临时候选的第一边缘梯度模板进行匹配以进一步筛选得到该中间层模板集中的候选的第一边缘梯度模板,继续将通过上层模板集获得的候选的第一边缘梯度模板对应的下层模板集中的第一边缘梯度模板作为临时候选,在该下层模板集中的临时候选的第一边缘梯度模板中进行筛选得到该下层模板集中的候选,不断重复直到得到底层模板集中的候选的第一边缘梯度模板。
由于是从高层到底层,从粗糙到细致的逐渐匹配定位,因为可以节省大量的计算,快速逐渐锁定目标。
步骤140,将搜索窗内的所述待检测图像的第二边缘梯度图像与底层模板集中找到的候选的第一边缘梯度模板对应的第二边缘梯度模板进行进一步匹配,进而找到匹配的第二边缘梯度模板。此时匹配已经达到像素级别。
由于第二边缘梯度模板较第一边缘梯度模板具有更多的细节,精度更高。因此基于第二边缘梯度模板继续进行匹配定位,有助于提高定位精度。而前期基于第一边缘梯度模板进行匹配定位,则有助于提高速度,节省计算量。如前文所述的,模板图像的多个第一边缘梯度模板与模板图像的多个第二边缘梯度模板是对应的,也就是说,每二张边缘梯度模板都有一张对应的第一边缘梯度模板。
步骤150,用邻域分析法将搜索窗内的所述待检测图像的第二边缘梯度图像的边缘点与找到匹配的第二边缘梯度模板的边缘点进行匹配,此时匹配精度已经达到亚像素级别,基于搜索窗内的所述待检测图像的第二边缘梯度图像的边缘点和找到的匹配的第二边缘梯度模板的边缘点的匹配关系生成找到的匹配第二边缘梯度模板在所述待检测图像中的位置、角度和缩放变换的仿射变换矩阵。
图7为在图6中的待检测模板图像中进行目标匹配定位后的示意图。如图7所示的,在待检测模板图像中找到四个匹配定位的目标,即找到了至少四个第二边缘梯度模板,左上角的标记有69.12%(-89.00,1.00),其中69.12%为相似度,-89.00是指旋转角度为-89度,1.00是指缩放为100%。
根据本发明的另一个方面,本发明提供一种存储介质,其存储有程序指令,在所述程序执行被运行以执行上文所述图像目标匹配定位方法。为了简便,所述图像目标匹配定位方法的具体内容在此处不再重复。
根据本发明的另一个方面,本发明提供一种计算机,其包括处理器和存储器,所述存储器中存储有程序指令,所述处理器运行所述程序指令以执行上文所述图像目标匹配定位方法。为了简便,所述图像目标匹配定位方法的具体内容在此处不再重复。
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,除了包含所列的那些要素,而且还可包含没有明确列出的其他要素。
在本文中,所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的,只是为了表达技术方案的清楚及方便。应当理解,所述方位词的使用不应限制本申请请求保护的范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理装置的处理器以产生一个机器,使得通过计算机或其他可编程数据处理装置的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理装置上,使得在计算机或其他可编程装置上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程装置上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
Claims (9)
1.一种图像目标匹配定位方法,其特征在于,其包括:
基于模板图像和第一阈值生成所述模板图像的第一边缘梯度模板集,基于模板图像和第二阈值生成所述模板图像的第二边缘梯度模板集,将所述模板图像的第一边缘梯度模板集作为底层模板集创建所述模板图像的金字塔式多层模板集,其中所述金字塔式多层模板集的顶层模板集和中间层模板集是由底层模板集中的第一边缘梯度模板缩小而成,各层模板集中的第一边缘梯度模板的尺寸从顶层到底层逐步减小,第一阈值大于第二阈值;
基于待检测图像和第一阈值得到所述待检测图像的第一边缘梯度图像,基于待检测图像和第二阈值得到所述待检测图像的第二边缘梯度图像,将所述待检测图像的第一边缘梯度图像作为底层边缘检测图像创建金字塔式多层边缘检测图像,其中所述金字塔式多层边缘检测图像的顶层边缘检测图像和中间层边缘检测图像是由底层边缘检测图像缩小而成,各层边缘检测图像的尺寸从顶层边缘检测图像到底层边缘检测图像逐步减小;
利用搜索窗在所述待检测图像上进行遍历搜索,将搜索窗内的所述待检测图像的金字塔式多层边缘检测图像与所述模板图像的金字塔式多层模板集按照从高层到底层的顺序进行匹配,以在所述底层模板集中找到候选的一张或多张第一边缘梯度模板;和
将搜索窗内的所述待检测图像的第二边缘梯度图像与在所述底层模板集中找到的候选的第一边缘梯度模板对应的第二边缘梯度模板进行进一步匹配,进而找到匹配的第二边缘梯度模板。
2.如权利要求1所述的图像目标匹配定位方法,其特征在于,其还包括:
用邻域分析法将搜索窗内的所述待检测图像的第二边缘梯度图像的边缘点与找到匹配的第二边缘梯度模板的边缘点进行匹配,基于搜索窗内的所述待检测图像的第二边缘梯度图像的边缘点和找到的匹配第二边缘梯度模板的边缘点的匹配关系生成找到的匹配第二边缘梯度模板在所述待检测图像中的位置、角度和缩放变换的仿射变换矩阵。
3.如权利要求1所述的图像目标匹配定位方法,其特征在于,所述基于模板图像和第一阈值生成所述模板图像的第一边缘梯度模板集,基于模板图像和第二阈值生成所述模板图像的第二边缘梯度模板集,包括:
提供模板图像;
对所述模板图像进行边缘计算得到所述模板图像的综合边缘梯度图像;
利用第一阈值对所述模板图像的综合边缘梯度图像进行阈值分割得到所述模板图像的第一边缘梯度模板,利用第二阈值对所述模板图像的综合边缘梯度图像进行阈值分割得到所述模板图像的第二边缘梯度模板;和
对所述模板图像的第一边缘梯度模板进行缩放和旋转处理得到所述模板图像的旋转缩放后的多张第一边缘梯度模板,对所述模板图像的第二边缘梯度模板进行缩放和旋转处理得到所述模板图像的旋转缩放后的多张第二边缘梯度模板,其中旋转缩放后的多张第一边缘梯度模板形成第一边缘梯度模板集,旋转缩放后的多张第二边缘梯度模板形成第二边缘梯度模板集,
所述基于待检测图像和第一阈值得到所述待检测图像的第一边缘梯度图像,基于待检测图像和第二阈值得到所述待检测图像的第二边缘梯度图像,包括:
对待检测图像进行边缘计算得到所述待检测图像的综合边缘梯度图像;和
利用第一阈值对所述待检测图像的综合边缘梯度图像进行阈值分割得到所述待检测图像的第一边缘梯度图像,利用第二阈值对所述待检测图像的综合边缘梯度图像进行阈值分割得到所述待检测图像的第二边缘梯度图像。
4.如权利要求3所述的图像目标匹配定位方法,其特征在于,
所述对所述模板图像进行边缘计算得到所述模板图像的综合边缘梯度图像,包括:
利用索贝尔算子对所述模板图像进行水平卷积计算得到所述模板图像的水平边缘梯度图像;
利用索贝尔算子对所述模板图像进行垂直卷积计算得到所述模板图像的垂直边缘梯度图像;和
将所述模板图像的水平边缘梯度图像和垂直边缘梯度图像相加得到所述模板图像的综合边缘梯度图像;
所述对待检测图像进行边缘计算得到所述待检测图像的综合边缘梯度图像,包括:
利用索贝尔算子对所述待检测图像进行水平卷积计算得到所述待检测图像的水平边缘梯度图像;
利用索贝尔算子对所述待检测图像进行垂直卷积计算得到所述待检测图像的垂直边缘梯度图像;和
将所述待检测图像的水平边缘梯度图像和垂直边缘梯度图像相加得到所述待检测图像的综合边缘梯度图像。
5.如权利要求3所述的图像目标匹配定位方法,其特征在于,在对所述模板图像进行边缘计算前,还包括:
对所述模板图像进行灰度化处理以及预处理,所述预处理包括下列处理中的一种或多种:双边滤波、消除图像噪点和平滑图像;
在对待检测图像进行边缘计算前,还包括:
对所述待检测图像进行灰度化处理以及预处理,所述预处理包括下列处理中的一种或多种:双边滤波、消除图像噪点和平滑图像。
6.如权利要求1所述的图像目标匹配定位方法,其特征在于,
所述将搜索窗内的所述待检测图像的金字塔式多层边缘检测图像与所述模板图像的金字塔式多层模板集按照从高层到底层的顺序进行匹配,以在所述底层模板集中找到候选的一张或多张第一边缘梯度模板包括:
将待检测图像的金字塔式多层边缘检测图像的顶层边缘检测图像栅格化,将所述模板图像的金字塔式多层模板集的顶层模板集中的多张第一边缘梯度模板栅格化;
将搜索窗内的所述待检测图像的金字塔式多层边缘检测图像的栅格化处理后顶层边缘检测图像的栅格与所述模板图像的金字塔式多层模板集的顶层模板集中的多张第一边缘梯度模板中的栅格进行比较,判断每个栅格的分布一致性,并获取初步匹配的栅格,将初步匹配的栅格对应的所述顶层模板集中的一张或多张第一边缘梯度模板作为所述顶层模板集中的临时候选的第一边缘梯度模板;
将搜索窗内的所述待检测图像的金字塔式多层边缘检测图像的顶层边缘检测图像与所述模板图像的顶层模板集中的临时候选的第一边缘梯度模板进行匹配以进一步进行筛选得到顶层模板集中的候选的第一边缘梯度模板;
将顶层模板集中的候选的第一边缘梯度模板对应的中间层模板集中的第一边缘梯度模板作为临时候选,将搜索窗内的所述待检测图像的金字塔式多层边缘检测图像的中间层边缘检测图像与所述模板图像的中间层模板集中的临时候选的第一边缘梯度模板进行匹配以进一步筛选得到该中间层模板集中的候选的第一边缘梯度模板,继续将通过上层模板集获得的候选的第一边缘梯度模板对应的下层模板集中的第一边缘梯度模板作为临时候选,在该下层模板集中的临时候选的第一边缘梯度模板中进行筛选得到该下层模板集中的候选,不断重复直到得到底层模板集中的候选的第一边缘梯度模板。
7.如权利要求6所述的图像目标匹配定位方法,其特征在于,每个栅格中的像素数量为60~120,所述分布一致性由分布密度、主要梯度方向、分布形态三个参数决定。
8.一种存储介质,其特征在于,其存储有程序指令,在所述程序执行被运行以执行如权利要求1-7任一所述的图像目标匹配定位方法。
9.一种计算机,其特征在于,其包括处理器和存储器,所述存储器中存储有程序指令,所述处理器运行所述程序指令以执行如权利要求1-7任一所述的图像目标匹配定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011563329.0A CN114758161B (zh) | 2020-12-25 | 2020-12-25 | 图像目标匹配定位方法、存储介质和计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011563329.0A CN114758161B (zh) | 2020-12-25 | 2020-12-25 | 图像目标匹配定位方法、存储介质和计算机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114758161A true CN114758161A (zh) | 2022-07-15 |
CN114758161B CN114758161B (zh) | 2024-04-12 |
Family
ID=82324619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011563329.0A Active CN114758161B (zh) | 2020-12-25 | 2020-12-25 | 图像目标匹配定位方法、存储介质和计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114758161B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030185420A1 (en) * | 2002-03-29 | 2003-10-02 | Jason Sefcik | Target detection method and system |
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 |
CN111553425A (zh) * | 2020-04-29 | 2020-08-18 | 广州大学 | 一种用于视觉定位的模板匹配lsp算法、介质和设备 |
-
2020
- 2020-12-25 CN CN202011563329.0A patent/CN114758161B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030185420A1 (en) * | 2002-03-29 | 2003-10-02 | Jason Sefcik | Target detection method and system |
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 |
CN111553425A (zh) * | 2020-04-29 | 2020-08-18 | 广州大学 | 一种用于视觉定位的模板匹配lsp算法、介质和设备 |
Non-Patent Citations (1)
Title |
---|
李蕊;赵娅琳;陈金涛;周霜;何志豪;陶青川;: "基于模板匹配和SVM模型的快速目标检测算法", 电视技术, no. 03, 15 February 2019 (2019-02-15), pages 5 - 11 * |
Also Published As
Publication number | Publication date |
---|---|
CN114758161B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111474184B (zh) | 基于工业机器视觉的aoi字符缺陷检测方法和装置 | |
CN109816652B (zh) | 一种基于灰度显著性的复杂铸件缺陷识别方法 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN107228860B (zh) | 一种基于图像旋转周期特性的齿轮缺陷检测方法 | |
WO2022007431A1 (zh) | 一种Micro QR二维码的定位方法 | |
CN114723681B (zh) | 一种基于机器视觉的混凝土裂缝缺陷检测方法 | |
CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN102494976B (zh) | 一种超细晶粒钢晶粒的自动测量及其形态分类方法 | |
CN107358636B (zh) | 一种基于纹理合成的疏松缺陷图像生成方法 | |
CN111553858B (zh) | 基于生成对抗网络的图像修复方法、系统及其应用 | |
JP6899189B2 (ja) | ビジョンシステムで画像内のプローブを効率的に採点するためのシステム及び方法 | |
CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN114529459B (zh) | 一种对图像边缘进行增强处理的方法和系统及介质 | |
CN106611416B (zh) | 一种医学图像中肺分割的方法及装置 | |
CN108009986B (zh) | 基于边缘信息的碎片拼接方法和装置 | |
CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN106296587B (zh) | 轮胎模具图像的拼接方法 | |
WO2022148091A1 (zh) | 目标匹配方法、装置和机器人 | |
JP6778997B2 (ja) | Cadデータとsem画像との位置合わせ | |
Zhang et al. | Automatic crack inspection for concrete bridge bottom surfaces based on machine vision | |
CN114693959A (zh) | 图像目标匹配定位方法、存储介质和计算机 | |
CN101430789B (zh) | 基于Fast Slant Stack变换的图像边缘检测方法 | |
CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
CN117333518A (zh) | 激光扫描图像匹配方法、系统及计算机设备 | |
CN114758161B (zh) | 图像目标匹配定位方法、存储介质和计算机 |
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 |