CN117746076A - 一种基于机器视觉的设备图像匹配方法 - Google Patents

一种基于机器视觉的设备图像匹配方法 Download PDF

Info

Publication number
CN117746076A
CN117746076A CN202410182740.5A CN202410182740A CN117746076A CN 117746076 A CN117746076 A CN 117746076A CN 202410182740 A CN202410182740 A CN 202410182740A CN 117746076 A CN117746076 A CN 117746076A
Authority
CN
China
Prior art keywords
image
user
pixel
matching
standard
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
Application number
CN202410182740.5A
Other languages
English (en)
Other versions
CN117746076B (zh
Inventor
任天猛
王霞
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.)
Chengdu Aeronautic Polytechnic
Original Assignee
Chengdu Aeronautic Polytechnic
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 Chengdu Aeronautic Polytechnic filed Critical Chengdu Aeronautic Polytechnic
Priority to CN202410182740.5A priority Critical patent/CN117746076B/zh
Publication of CN117746076A publication Critical patent/CN117746076A/zh
Application granted granted Critical
Publication of CN117746076B publication Critical patent/CN117746076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器视觉的设备图像匹配方法，属于图像处理技术领域，包括以下步骤：S1、利用移动设备采集用户图像，并从数据库中获取若干张用户标准画像；S2、计算用户图像的局部特征值；S3、将用户图像以及若干张用户标准画像输入至图像匹配模型中，并根据用户图像的局部特征值进行图像匹配。本发明公开了一种基于机器视觉的设备图像匹配方法，对移动设备采集的用户图像进行分块处理，提取包含像素值分布情况的局部特征值；通过构建图像匹配模型，提取用于匹配的最佳用户标准画像，将提取的用户标准画像与用户图像进行分析对比，判断用户图像是否匹配通过，整个过程充分考虑用户图像的像素值情况，保证匹配准确率。

Description

一种基于机器视觉的设备图像匹配方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于机器视觉的设备图像匹配方法。
背景技术
随着高科技信息技术的快速发展，人脸识别技术逐渐往市场化和产品化的方向发展。目前，通过移动设备进行人脸识别的应用越来越广泛（例如进行APP登录进行人脸验证），人脸匹配是将采集到人脸与预先获取的人脸进行匹配，从而实现采集到人脸的身份识别，是一种人像识别或面部识别技术。但是在相关技术中发现，由于人脸图像库数量巨大，导致将该用户的人脸图像与人脸图像库中的图像进行匹配的耗费时间长，速度慢。
发明内容
本发明为了解决以上问题，提出了一种基于机器视觉的设备图像匹配方法。
本发明的技术方案是：一种基于机器视觉的设备图像匹配方法包括以下步骤：
S1、利用移动设备采集用户图像，并从数据库中获取若干张用户标准画像；
S2、计算用户图像的局部特征值；
S3、构建图像匹配模型，将用户图像以及若干张用户标准画像输入至图像匹配模型中，并根据用户图像的局部特征值进行图像匹配。
进一步地，S2包括以下子步骤：
S21、将用户图像划分为若干个图像块；
S22、计算每个图像块的像素分布值；
S23、根据每个图像块的像素分布值，确定偏移图像块，将偏移图像块从用户图像中剔除，生成用户局部图像；
S24、根据用户局部图像，确定用户图像的局部特征值。
上述进一步方案的有益效果是：在本发明中，将用户图像进行分块，根据图像块所包含的所有像素点的像素值均值与整体用户图像最大像素值的关系，确定该图像块的像素分布值；并构建偏移约束条件来筛选偏移图像块，偏移图像块的像素点分布稀疏，不具备较高的参考价值，因此剔除，这样得到的用户局部图像的局部特征值可以反映像素点的像素值情况。
进一步地，S22中，图像块的像素分布值的计算公式为： ；式中，Xk表示图像块中第k个像素点的像素值，K表示图像块的像素点个数，Xi表示用户图像 中第i个像素点的像素值，max(·)表示最大值运算。
进一步地，S23中，确定偏移图像块的具体方法为：构建偏移约束条件，将满足偏移 约束条件的图像块作为偏移图像块；其中，偏移图像块的表达式为：；式中， Fj表示用户图像中第j个图像块的像素分布值，J表示用户图像的图像块个数，α表示所有图 像块的像素分布值的标准差。
进一步地，S24中，用户图像的局部特征值T的计算公式为：；式 中，J表示用户图像的图像块个数，C表示用户局部图像的图像块个数，exp(·)表示指数函 数，Xr表示用户局部图像中第r个像素点的像素值，R表示用户局部图像的像素点个数。
进一步地，S3包括以下子步骤：
S31、构建图像匹配模型，将用户图像以及各张用户标准画像输入至图像匹配模型中，确定每张用户标准画像与用户图像之间的匹配率；
S32、判断最大匹配率是否大于0.5，若是则进入S33，否则用户图像的匹配结果为不通过，结束图像匹配；
S33、提取最大匹配率对应的用户标准画像的轮廓，作为标准局部画像；
S34、根据用户图像的局部特征值，计算标准局部图像与用户图像之间的像素轨迹过渡系数；
S35、根据标准局部图像与用户图像之间的像素轨迹过渡系数，确定用户图像是否匹配通过。
上述进一步方案的有益效果是：在本发明中，根据多次实验或人为设定像素轨迹过渡阈值，若像素轨迹过渡系数大于像素轨迹过渡阈值，则用户图像匹配通过，否则不通过。
利用图像匹配模型对用户图像与多张用户标准画像进行初步筛选，若用户图像与每张用户标准画像的匹配率均小于0.5，则说明数据库中不存在与用户图像相似的标准画像，匹配不通过，否则通过提取最大匹配率的用户标准画像的轮廓，与用户图像进行像素轨迹过渡系数计算，确定用户图像的最终匹配结果。
进一步地，S31中，图像匹配模型D的表达式为：；式中，x1表示 用户图像中所有像素点的像素值均值，x2表示用户标准画像中所有像素点的像素值均值，β1 表示用户图像中所有像素点的像素值方差，β2表示用户标准画像中所有像素点的像素值方 差，ε表示极小值。
进一步地，S34中，标准局部图像与用户图像之间的像素轨迹过渡系数g的计算公 式为：；式中，z1表示用户图像中最大像素值的像素点所在位置，z2表示标 准局部图像中最大像素值的像素点所在位置，d(·)表示欧式距离运算，T表示用户图像的 局部特征值，ln(·)表示对数函数。
可对局部特征值以及欧式距离做归一化处理。
本发明的有益效果是：本发明公开了一种基于机器视觉的设备图像匹配方法，对移动设备采集的用户图像进行分块处理，提取包含像素值分布情况的局部特征值；通过构建图像匹配模型，提取用于匹配的最佳用户标准画像，将提取的用户标准画像与用户图像进行分析对比，判断用户图像是否匹配通过，整个过程充分考虑用户图像的像素值情况，保证匹配准确率。
附图说明
图1为基于机器视觉的设备图像匹配方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种基于机器视觉的设备图像匹配方法，包括以下步骤：
S1、利用移动设备采集用户图像，并从数据库中获取若干张用户标准画像；
S2、计算用户图像的局部特征值；
S3、构建图像匹配模型，将用户图像以及若干张用户标准画像输入至图像匹配模型中，并根据用户图像的局部特征值进行图像匹配。
在本发明实施例中，S2包括以下子步骤：
S21、将用户图像划分为若干个图像块；
S22、计算每个图像块的像素分布值；
S23、根据每个图像块的像素分布值，确定偏移图像块，将偏移图像块从用户图像中剔除，生成用户局部图像；
S24、根据用户局部图像，确定用户图像的局部特征值。
在本发明中，将用户图像进行分块，根据图像块所包含的所有像素点的像素值均值与整体用户图像最大像素值的关系，确定该图像块的像素分布值；并构建偏移约束条件来筛选偏移图像块，偏移图像块的像素点分布稀疏，不具备较高的参考价值，因此剔除，这样得到的用户局部图像的局部特征值可以反映像素点的像素值情况。
在本发明实施例中，S22中，图像块的像素分布值的计算公式为：；式中，Xk表示图像块中第k个像素点的像素值，K表示图像块的 像素点个数，Xi表示用户图像中第i个像素点的像素值，max(·)表示最大值运算。
在本发明实施例中，S23中，确定偏移图像块的具体方法为：构建偏移约束条件，将 满足偏移约束条件的图像块作为偏移图像块；其中，偏移图像块的表达式为：；式中，Fj表示用户图像中第j个图像块的像素分布值，J表示用户图像的图 像块个数，α表示所有图像块的像素分布值的标准差。
在本发明实施例中，S24中，用户图像的局部特征值T的计算公式为：；式中，J表示用户图像的图像块个数，C表示用户局部图像的图像块个 数，exp(·)表示指数函数，Xr表示用户局部图像中第r个像素点的像素值，R表示用户局部 图像的像素点个数。
在本发明实施例中，S3包括以下子步骤：
S31、构建图像匹配模型，将用户图像以及各张用户标准画像输入至图像匹配模型中，确定每张用户标准画像与用户图像之间的匹配率；
S32、判断最大匹配率是否大于0.5，若是则进入S33，否则用户图像的匹配结果为不通过，结束图像匹配；
S33、提取最大匹配率对应的用户标准画像的轮廓，作为标准局部画像；
S34、根据用户图像的局部特征值，计算标准局部图像与用户图像之间的像素轨迹过渡系数；
S35、根据标准局部图像与用户图像之间的像素轨迹过渡系数，确定用户图像是否匹配通过。
在本发明中，根据多次实验或人为设定像素轨迹过渡阈值，若像素轨迹过渡系数大于像素轨迹过渡阈值，则用户图像匹配通过，否则不通过。
利用图像匹配模型对用户图像与多张用户标准画像进行初步筛选，若用户图像与每张用户标准画像的匹配率均小于0.5，则说明数据库中不存在与用户图像相似的标准画像，匹配不通过，否则通过提取最大匹配率的用户标准画像的轮廓，与用户图像进行像素轨迹过渡系数计算，确定用户图像的最终匹配结果。
在本发明实施例中，S31中，图像匹配模型D的表达式为：；式 中，x1表示用户图像中所有像素点的像素值均值，x2表示用户标准画像中所有像素点的像素 值均值，β1表示用户图像中所有像素点的像素值方差，β2表示用户标准画像中所有像素点的 像素值方差，ε表示极小值。
在本发明实施例中，S34中，标准局部图像与用户图像之间的像素轨迹过渡系数g 的计算公式为：；式中，z1表示用户图像中最大像素值的像素点所在位置， z2表示标准局部图像中最大像素值的像素点所在位置，d(·)表示欧式距离运算，T表示用 户图像的局部特征值，ln(·)表示对数函数。
可对局部特征值以及欧式距离做归一化处理。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种基于机器视觉的设备图像匹配方法，其特征在于，包括以下步骤：
S1、利用移动设备采集用户图像，并从数据库中获取若干张用户标准画像；
S2、计算用户图像的局部特征值；
S3、构建图像匹配模型，将用户图像以及若干张用户标准画像输入至图像匹配模型中，并根据用户图像的局部特征值进行图像匹配。
2.根据权利要求1所述的基于机器视觉的设备图像匹配方法，其特征在于，所述S2包括以下子步骤：
S21、将用户图像划分为若干个图像块；
S22、计算每个图像块的像素分布值；
S23、根据每个图像块的像素分布值，确定偏移图像块，将偏移图像块从用户图像中剔除，生成用户局部图像；
S24、根据用户局部图像，确定用户图像的局部特征值。
3.根据权利要求2所述的基于机器视觉的设备图像匹配方法，其特征在于，所述S22中，图像块的像素分布值的计算公式为：；式中，Xk表示图像块中第k个像素点的像素值，K表示图像块的像素点个数，Xi表示用户图像中第i个像素点的像素值，max(·)表示最大值运算。
4.根据权利要求2所述的基于机器视觉的设备图像匹配方法，其特征在于，所述S23中，确定偏移图像块的具体方法为：构建偏移约束条件，将满足偏移约束条件的图像块作为偏移图像块；其中，偏移图像块的表达式为：；式中，Fj表示用户图像中第j个图像块的像素分布值，J表示用户图像的图像块个数，α表示所有图像块的像素分布值的标准差。
5.根据权利要求2所述的基于机器视觉的设备图像匹配方法，其特征在于，所述S24中，用户图像的局部特征值T的计算公式为：；式中，J表示用户图像的图像块个数，C表示用户局部图像的图像块个数，exp(·)表示指数函数，Xr表示用户局部图像中第r个像素点的像素值，R表示用户局部图像的像素点个数。
6.根据权利要求1所述的基于机器视觉的设备图像匹配方法，其特征在于，所述S3包括以下子步骤：
S31、构建图像匹配模型，将用户图像以及各张用户标准画像输入至图像匹配模型中，确定每张用户标准画像与用户图像之间的匹配率；
S32、判断最大匹配率是否大于0.5，若是则进入S33，否则用户图像的匹配结果为不通过，结束图像匹配；
S33、提取最大匹配率对应的用户标准画像的轮廓，作为标准局部画像；
S34、根据用户图像的局部特征值，计算标准局部图像与用户图像之间的像素轨迹过渡系数；
S35、根据标准局部图像与用户图像之间的像素轨迹过渡系数，确定用户图像是否匹配通过。
7.根据权利要求6所述的基于机器视觉的设备图像匹配方法，其特征在于，所述S31中，图像匹配模型D的表达式为：；式中，x1表示用户图像中所有像素点的像素值均值，x2表示用户标准画像中所有像素点的像素值均值，β1表示用户图像中所有像素点的像素值方差，β2表示用户标准画像中所有像素点的像素值方差，ε表示极小值。
8.根据权利要求6所述的基于机器视觉的设备图像匹配方法，其特征在于，所述S34中，标准局部图像与用户图像之间的像素轨迹过渡系数g的计算公式为：；式中，z1表示用户图像中最大像素值的像素点所在位置，z2表示标准局部图像中最大像素值的像素点所在位置，d(·)表示欧式距离运算，T表示用户图像的局部特征值，ln(·)表示对数函数。
CN202410182740.5A 2024-02-19 2024-02-19 一种基于机器视觉的设备图像匹配方法 Active CN117746076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410182740.5A CN117746076B (zh) 2024-02-19 2024-02-19 一种基于机器视觉的设备图像匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410182740.5A CN117746076B (zh) 2024-02-19 2024-02-19 一种基于机器视觉的设备图像匹配方法

Publications (2)

Publication Number Publication Date
CN117746076A true CN117746076A (zh) 2024-03-22
CN117746076B CN117746076B (zh) 2024-04-26

Family

ID=90281758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410182740.5A Active CN117746076B (zh) 2024-02-19 2024-02-19 一种基于机器视觉的设备图像匹配方法

Country Status (1)

Country Link
CN (1) CN117746076B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101526944A (zh) * 2008-12-23 2009-09-09 广州乐庚信息科技有限公司 图像检索比对方法
CN102184551A (zh) * 2011-05-10 2011-09-14 东北大学 结合多种特征匹配和粒子滤波的目标自动跟踪方法及系统
CN103310196A (zh) * 2013-06-13 2013-09-18 黑龙江大学 感兴趣区域与方向元素的手指静脉识别方法
CN113705462A (zh) * 2021-08-30 2021-11-26 平安科技（深圳）有限公司 人脸识别方法、装置、电子设备及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101526944A (zh) * 2008-12-23 2009-09-09 广州乐庚信息科技有限公司 图像检索比对方法
CN102184551A (zh) * 2011-05-10 2011-09-14 东北大学 结合多种特征匹配和粒子滤波的目标自动跟踪方法及系统
CN103310196A (zh) * 2013-06-13 2013-09-18 黑龙江大学 感兴趣区域与方向元素的手指静脉识别方法
CN113705462A (zh) * 2021-08-30 2021-11-26 平安科技（深圳）有限公司 人脸识别方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN117746076B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN107341463B (zh) 一种结合图像质量分析与度量学习的人脸特征识别方法
US7092554B2 (en) Method for detecting eye and mouth positions in a digital image
US10311322B2 (en) Character information recognition method based on image processing
Schmid et al. Performance analysis of iris-based identification system at the matching score level
CN113505824B (zh) 一种判断更新方法、装置和人脸打卡系统
CN110570443B (zh) 一种基于结构约束条件生成模型的图像线状目标提取方法
CN108108760A (zh) 一种快速人脸识别方法
CN110796089A (zh) 用于训练换脸模型的方法和设备
CN109376717A (zh) 人脸对比的身份识别方法、装置、电子设备及存储介质
Hilles et al. Latent fingerprint enhancement and segmentation technique based on hybrid edge adaptive dtv model
CN111160107B (zh) 一种基于特征匹配的动态区域检测方法
CN116030396A (zh) 一种用于视频结构化提取的精确分割方法
KR20080079798A (ko) 얼굴 검출 및 인식을 위한 방법
CN107729863B (zh) 人体指静脉识别方法
CN110929239B (zh) 一种基于唇语指令的终端解锁方法
CN117746076B (zh) 一种基于机器视觉的设备图像匹配方法
CN116342968B (zh) 一种双通道人脸识别方法及装置
CN116343300A (zh) 人脸特征标注方法、装置、终端以及介质
CN114429661A (zh) 基于局域监督的人脸三维卡通化方法、装置、设备及介质
CN114529570A (zh) 图像分割方法、图像识别方法、用户凭证补办方法及系统
CN112270218A (zh) 一种用于指纹自动识别的方法及系统
CN112926603A (zh) 乐谱识别方法、装置、设备及存储介质
CN111259960A (zh) 基于pca与自适应哈希保留集的svm增量学习算法名称
CN111242047A (zh) 图像处理方法和装置、电子设备及计算机可读存储介质
CN112084867A (zh) 一种基于人体骨架点距离的行人定位跟踪方法

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