WO2022205614A1 - 模板匹配方法、装置、计算机设备及存储介质 - Google Patents
模板匹配方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- WO2022205614A1 WO2022205614A1 PCT/CN2021/098308 CN2021098308W WO2022205614A1 WO 2022205614 A1 WO2022205614 A1 WO 2022205614A1 CN 2021098308 W CN2021098308 W CN 2021098308W WO 2022205614 A1 WO2022205614 A1 WO 2022205614A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- image
- searched
- template
- layer
- target
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000001629 suppression Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种模板匹配方法、装置、计算机设备及存储介质。所述模板匹配方法包括:将模板图像和待搜索图像进行分层处理,得到多层分层模板图像和多层分层待搜索图像(S110);将所述多层分层模板图像中的最顶层模板图像和所述多层分层待搜索图像中的最顶层待搜索图像通过非极大值抑制筛选出用于进行模板匹配的目标边界框(S120);获取所述目标边界框的目标个数个目标位置坐标,基于所述目标个数个目标位置坐标将每层分层模板图像在所述待搜索图像上的搜索区域内进行匹配得到最终位置坐标集合(S130);根据所述最终位置坐标集合以及所述模板图像的尺寸,在所述待搜索图像上确定出相匹配的图像作为最终目标图像(S140)。
Description
本申请要求在2021年04月01日提交中国专利局、申请号为202110358090.1的中国专利申请的优先权,该申请的全部内容通过引用结合在本申请中。
本申请涉及数字图像处理技术领域,例如涉及一种模板匹配方法、装置、计算机设备及存储介质。
模板匹配是数字图像处理的重要组成部分之一,是将不同传感器或相同传感器在不同条件下对同一物体获取的两幅或多幅图像进行配准;或者根据已知模板图像到另一幅图中寻找相应模板图像的处理方法。模板匹配已在计算机视觉(物体识别、形状重建等)、虚拟现实场景、遥感测量(特定模板定位与识别)、医学影像分析(成像信息诊断、生物医学信号处理)等领域有着重要的应用价值。
基于灰度信息的模版匹配是运用源图像和模板图像中的灰度值进行相似性度量计算,来获得匹配结果,实现简单,计算精度高,但该方法匹配速度较慢。
发明内容
本申请提供了一种模板匹配方法、装置、计算机设备及存储介质,能够有效提升模板匹配的速度。
提供了一种模板匹配方法,包括:
将模板图像和待搜索图像进行分层处理,得到多层分层模板图像和多层分层待搜索图像;
将所述多层分层模板图像中的最顶层模板图像和所述多层分层待搜索图像中的最顶层待搜索图像通过非极大值抑制筛选出用于进行模板匹配的目标边界框;
获取所述目标边界框的目标个数个目标位置坐标,基于所述目标个数个目标位置坐标将每层分层模板图像在所述待搜索图像上的搜索区域内进行匹配得到最终位置坐标集合;
根据所述最终位置坐标集合以及所述模板图像的尺寸,在所述待搜索图像上确定出相匹配的图像作为最终目标图像。
还提供了一种模板匹配装置,包括:
分层模块,设置为将模板图像和待搜索图像进行分层处理,得到多层分层模板图像和多层分层待搜索图像;
筛选模块,设置为将所述多层分层模板图像中的最顶层模板图像和所述多层分层待搜索图像中的最顶层待搜索图像通过非极大值抑制筛选出用于进行模板匹配的目标边界框;
匹配模块,设置为获取所述目标边界框的目标个数个目标位置坐标,基于所述目标个数个目标位置坐标将每层分层模板图像在所述待搜索图像上的搜索区域内进行匹配得到最终位置坐标集合;
确定模块,设置为根据所述最终位置坐标集合以及所述模板图像的尺寸,在所述待搜索图像上确定出相匹配的图像作为最终目标图像。
还提供了一种计算机设备,包括:
一个或多个处理器;
存储装置,设置为存储一个或多个程序;
所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本申请任意实施例中所述的模板匹配方法。
还提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现如本申请任意实施例所提供的模板匹配方法。
图1为本申请实施例一所提供的模板匹配误检结果示意图;
图2为本申请实施例一所提供的模板匹配漏检结果示意图;
图3为本申请实施例一所提供的模板匹配重检结果示意图;
图4为本申请实施例一所提供的一种模板匹配方法匹配得到的结果示意图;
图5为本申请实施例一提供的一种模板匹配方法的流程示意图;
图6为本申请实施例一所提供的一种模板匹配方法中的匹配效果示意图;
图7为本申请实施例二提供的一种模板匹配方法的流程示意图;
图8为本申请实施例二所提供的一种模板匹配方法的示例流程示意图;
图9为本申请实施例三提供的一种模板匹配装置的结构示意图;
图10为本申请实施例四提供的一种计算机设备的结构示意图。
下面将参照附图描述本申请的实施例。虽然附图中显示了本申请的一些实施例,本申请可以通过多种形式来实现,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理解本申请。本申请的附图及实施例仅用于示例性作用,并非用于限制本申请的保护范围。
本申请的方法实施方式中记载的多个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
本申请中提及的“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。
本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的,除非在上下文另有指出,否则应该理解为“一个或多个”。
本申请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。
实施例一
相关技术中的模板匹配算法会出现误检、漏检和重检等情况,从而导致匹配的准确度较差。图1为本申请实施例一所提供的模板匹配误检结果示意图,如图1所示,第一行第二列对应的2是误检得到的。图2为本申请实施例一所提供的模板匹配漏检结果示意图,如图2所示,第三行第六列对应的2没有得到匹配,该情况对应为漏检情况。图3为本申请实施例一所提供的模板匹配重检结果示意图,如图3所示,第一行第二列对应的2、第一行第三列对应的2、 第一行第四例对应的2以及第一行第五列对应的2是由于出现重检的情况而检测出的结果。
基于以上情况,本申请实施例一提供一种模板匹配方法。图4为本申请实施例一所提供的一种模板匹配方法匹配得到的结果示意图,从图4可知,本申请实施例一提供的一种模板匹配方法可以有效避免误检、漏检和重检等情况的发生,得到准确的匹配结果。
图5为本申请实施例一提供的一种模板匹配方法的流程示意图,该方法可适用于基于模板图像在另一幅图像上匹配出模板图像的情况,该方法可以由模板匹配装置来执行,其中该装置可由软件和/或硬件实现,并集成在计算机设备上。
如图5所示,本申请实施例一提供的一种模板匹配方法,包括如下步骤。
S110、将模板图像和待搜索图像进行分层处理,得到多层分层模板图像和多层分层待搜索图像。
其中,模板图像可以为作为模板的图像。模板图像中可以包括任意图案,模板图像可以根据实际情况选取,此处不做限制。待搜索图像中可以包括多个图案且至少包括一个模板图像中的图案,在待搜索图像上可以确定出至少一张模板图像。
其中,分层处理可以理解为将图像分割为多层,以得到多个不同层的图像。示例性的,本实施例可以将图像分割为第一层图像、第二层图像一直到最后一层图像,此处对分层处理的方法不做限定,可以通过任意一种方法对图像进行分层处理。
其中,分层模板图像可以理解为将模板图像进行分层处理后得到的多个不同层图像;分层待搜索图像也可以理解为将待搜索图像进行分层处理后得到的多个不同层图像。
在本实施例中,在将模板图像和待搜索图像进行分层处理之前还需要对模板图像和待搜索图像进行预处理,预处理可以为降噪处理,此处对降噪处理的方法不做限制,能够实现对模板图像和待搜索图像进行降噪的功能即可。
示例性的,下面对通过分离式高斯滤波的方法对模板图像和待搜索图像进行降噪处理的原理进行说明,包括:
其中,G(x)表示x方向上的高斯滤波器,G(y)表示y方向上的高斯滤波器,*表示卷积。
采用分离式高斯滤波器对图像进行降噪处理,公式如下:
I'=I*G(x)*G(y)
其中,I'表示采用分离式高斯滤波器处理后的图像,I表示采用分离式高斯滤波器处理前的图像。
在本实施例中,对模板图像和待搜索图像进行分层处理后可以对多层分层模板图像和多层分层待搜索图像进行标记和存储,以方便用于后续的匹配。
S120、将所述多层分层模板图像中的最顶层模板图像和所述多层分层待搜索图像中的最顶层待搜索图像通过非极大值抑制筛选出用于进行模板匹配的目标边界框。
其中,目标边界框可以为最顶层模板图像在最顶层待搜索图像上对应的边界框,根据目标边界框对应的位置坐标可以用于其他层分层模板图像的模板匹配。
通过非极大值抑制筛选可以将最顶层分层模板图像与最顶层待搜索图像进行匹配得到目标边界框。非极大值抑制筛选可以包括根据最顶层分层模板图像和最顶层待搜索图像获取相关系数,对相关系数进行筛选和提取,根据非极大值抑制算法选取符合阈值的目标个数个目标边界框。
在上述过程中,计算出相关系数后可以得到相关系数得分矩阵,根据相关系数阈值对相关系数进行筛选,根据筛选出的相关系数在得分矩阵中的坐标可以得知该相关系数在最顶层待搜索图像上的坐标,根据坐标和模板图像的尺寸可以得到多个边界框;根据非极大值抑制算法分别计算最大相关系数与其余相关系数的交并比,并选取大于非极大值抑制阈值的交并比对应的相关系数对应的边界框进行排列后选取前目标个数个边界框作为目标边界框。
S130、获取所述目标边界框的目标个数个目标位置坐标,基于所述目标位置坐标将每层分层模板图像在所述待搜索图像上的搜索区域内进行匹配得到最终位置坐标集合。
其中,目标个数可以为根据实际情况预先设定的,目标个数可以为任意整数数值。目标位置坐标可以为每个目标边界框在最顶层搜索图像上的坐标,如目标位置坐标可以为每个目标边界框左上角角点的位置坐标。
其中,搜索区域可以为模板图像在每层待搜索图像上进行搜索匹配的区域,每层待搜索图像上都可以包括多个搜索区域,每层待搜索图像匹配完成后都需要重新计算下一层待搜索图像的搜索区域,直到最底层待搜索图像匹配完成。
其中,最终位置坐标集合可以理解为将每层模板图像与每层待搜索图像对应匹配后得到的位置坐标组成的集合。示例性的,将第一层模板图像在第一层待搜索图像上的搜索区域内进行遍历匹配后可以得到多个位置坐标,依次可以计算出第二层模板图像在每层待搜索图像上对应的多个位置坐标,将上述位置坐标组合后可以得到最终位置坐标集合。
本步骤中的匹配过程可以理解为基于M个目标位置坐标,将每个目标位置坐标作为映射中心可以确定出M个搜索区域,将第一层模板图像分别在M个搜索区域内进行遍历匹配,每次匹配都可以生成一个最大相关系数及该最大相关系数对应的位置坐标,每层匹配后都可以得到M个相关系数和M个位置坐标,该M个位置坐标可以作为下一层待搜索图像的映射中心,再次根据该映射中心计算出下一层待搜索模板图像上的M个待搜索区域,以此类推,可以计算出每层模板图像在每层待搜索图像上的位置坐标。
在本步骤中,通过将每层模板图像与每层待搜索图像上的不同搜索区域进行匹配可以有效减少匹配搜索的范围,可以减少计算量和提高匹配速度。
S140、根据所述最终位置坐标集合以及所述模板图像的尺寸,在所述待搜索图像上确定出相匹配的图像作为最终目标图像。
在本实施例中,根据最终位置坐标集合中的位置坐标可以确定出模板图像在待搜索图像中的位置,在待搜索图像上将位置坐标作为矩形框左上角的角点坐标在待搜索图像上框出与模板图像的尺寸相同的矩形框,矩形框内部的图像即为最终目标图像。
在待搜索图像上可以匹配出多个最终目标图像,个数此处不做限制。
图6为本申请实施例一所提供的一种模板匹配方法中的匹配效果示意图,如图6所示,左边的图像为模板图像,该模板图像中的图案为一个圆圈,右边的图像为根据实施例一提供的模板匹配方法进行匹配后得到的结果图,根据图6可以看到利用该模板匹配方法进行匹配得到的匹配结果更加准确。
本申请实施例一提供的一种模板匹配方法,将模板图像和待搜索图像进行分层处理,得到多层分层模板图像和多层分层待搜索图像;将所述多层分层模 板图像中的最顶层模板图像和所述多层分层待搜索图像中的最顶层待搜索图像通过非极大值抑制筛选出用于进行模板匹配的目标边界框;获取所述目标边界框的目标个数个目标位置坐标,基于所述目标位置坐标将每层分层模板图像在所述待搜索图像上的搜索区域内进行匹配得到最终位置坐标集合;根据所述最终位置坐标集合以及所述模板图像的尺寸,在所述待搜索图像上确定出相匹配的图像作为最终目标图像。利用上述方法,能够有效提升模板匹配的速度,并且能够提高模板匹配的准确度。
实施例二
图7为本申请实施例二提供的一种模板匹配方法的流程示意图,本实施例二在上述实施例一的基础上进行说明。在本实施例中,将模板图像和待搜索图像进行分层处理,得到多个分层模板图像和多个分层待搜索图像进行说明。
本实施例还对将所述多层分层模板图像中的最顶层模板图像和所述多层分层待搜索图像中的最顶层待搜索图像通过非极大值抑制筛选出用于进行模板匹配的目标边界框进行说明。
在上述实施例的基础上,将基于所述目标位置坐标将每层分层模板图像在所述待搜索图像上的搜索区域内进行匹配得到最终位置坐标集合进行说明。本实施例尚未详尽的内容请参考实施例一。
如图7所示,本申请实施例二提供的一种模板匹配方法,包括如下步骤。
S210、根据金字塔分层策略对模板图像进行分层处理得到多个分层模板图像。
在本实施例中,金字塔分层策略是图像中多尺度表达的一种,用于图像的分割,是一种以多分辨率来解释图像的有效但概念简单的结构,通过梯次向下采样获得,直到达到一个终止条件才停止采样;金字塔的底部是待处理图像的高分辨率表示,而顶部是低分辨率的近似。将一层一层的图像比喻成金字塔,层级越高,则图像越小,分辨率越低。
在本实施例中,可以通过以下步骤实现金字塔分层。
步骤1、设定金字塔的层数。
其中,设定金字塔的层数可以理解为将模板图像划分为几层图像,可以人为设定金字塔的层数n,n为正整数。
步骤2、对分层后的金字塔图像进行图像下采样。
根据设定的金字塔层数n对模板图像进行下采样处理,共进行n-1次。
上述步骤完成后可以得到模板图像的图像金字塔L
T1,L
T2,…,L
Tn即得到多个分层模板图像,其中,L
T1是指图像金字塔中第一层图像,L
T2是指图像金字塔中第二层图像,L
Tn是指图像金字塔中第n层图像。
S220、根据所述金字塔分层策略对待搜索图像进行分层处理得到多个分层待搜索图像。
在本步骤中,得到待搜索图像的图像金字塔L
S1,L
S2,…,L
Sn即得到多个分层待搜索图像的过程与得到多个分层模板图像的过程相同,此处不做赘述。
S230、获取预设的相关系数阈值、非极大值抑制阈值和目标个数。
在本步骤中,相关系数阈值和非极大值抑制阈值都是预先设定的数值,目标个数可以表示在待搜索图像上匹配到的最终目标图像的个数,目标个数可以设置为任意整数数值。当目标个数为0时,则表示在待搜索图像上匹配出所有符合条件的最终目标图像。
其中,相关系数阈值用于筛选出边界框集合,非极大值抑制阈值和目标个数用于筛选出目标边界框。
S240、根据所述多层分层模板图像中的最顶层模板图像、所述多层分层待搜索图像中的最顶层待搜索图像以及所述相关系数阈值,确定边界框集合。
在本步骤中,根据最顶层模板图像和最顶层待搜索图像可以确定相关系数得分矩阵,基于相关系数得分矩阵选取出大于相关系数阈值的多个相关系数及所述相关系数对应的位置坐标,基于所述相关系数进行降序排列得到边界框集合。
在一实施例中,根据所述多层分层模板图像中的最顶层模板图像、所述多层分层待搜索图像中的最顶层待搜索图像以及所述相关系数阈值,确定边界框集合,包括:将所述多层分层模板图像中的最顶层模板图像与所述多层分层待搜索图像中的最顶层待搜索图像进行匹配,得到相关系数得分矩阵;从所述相关系数得分矩阵中提取出大于所述相关系数阈值的目标相关系数,并确定所述目标相关系数在所述相关系数得分矩阵中的位置坐标;根据所述位置坐标和所述模板图像的尺寸确定多个边界框;将所述多个边界框按照每个边界框对应的目标相关系数的降序进行排列,生成边界框集合。
其中,相关系数得分矩阵可以为二维矩阵,相关系数得分矩阵可以包括多个相关系数,每个相关系数都对应一个位置坐标,一个相关系数可以表示在最顶层模板图像中一个位置的像素点与最顶层待搜索模板图像中该位置的像素点的相关度。
其中,相关系数的计算公式如下:
其中,Corre(·)表示相关系数,S和
表示最顶层模板图像在最顶层待搜索图像上遍历时所覆盖的最顶层待搜索图像的子图和该子图的像素均值,T表示最顶层模板图像当前位置坐标下的像素值,
表示最顶层模板图像的像素均值,(i,j)表示最顶层待搜索图像上的位置坐标,M表示最顶层待搜索图像的宽,N表示最顶层待搜索图像的高,(m,n)表示最顶层待搜索图像的子图中的位置坐标。
通过上述计算公式可以计算得到最顶层模板图像上的位置坐标对应的相关系数后可以得到相关系数得分矩阵,根据相关系数得分矩阵可以得知每个相关系数在最顶层待搜索图像中对应的位置坐标。其中,相关系数得分矩阵的尺寸可以根据最顶层模板图像和最顶层待搜索图像的尺寸计算得到,示例性的,最顶层模板图像的尺寸为2*3,最顶层待搜索图像的尺寸为5*10,则相关系数得分矩阵的尺寸为4*8。
遍历相关系数得分矩阵,将大于相关系数阈值的相关系数提取出来作为目标相关系数,确定目标相关系数后即可以得到所有目标相关系数在最顶层待搜索图像上的位置坐标,将每个目标相关系数对应的位置坐标作为边界框左上角对角点的坐标,根据模板图像的尺寸在最顶层待搜索图像上可以确定出多个边界框。
确定出多个边界框后可以将每个边界框对应的相关系数进行降序排列得到边界框集合,还可以理解为所述边界框集合中的边界框的排序顺序是按照每个边界框对应的相关系数降序排列得到的。
S250、根据所述非极大值抑制阈值以及所述边界框集合确定用于进行模板匹配的目标个数个目标边界框。
在本步骤中,根据边界框集合中的相关系数计算最大相关系数与其余相关系数的交并比,筛选出大于非极大值抑制阈值的交并比对应的相关系数,将该相关系数对应的边界框根据相关系数进行降序排列并根据排列顺序选取前目标个数个边界框作为目标边界框。
在一实施例中,根据所述非极大值抑制阈值以及所述边界框集合确定用于进行模板匹配的目标个数个目标边界框,包括:分别计算所述边界框集合中的 具有最大相关系数的第一边界框与其余边界框的交并比;将大于所述非极大值抑制阈值的交并比所对应的边界框进行降序排列,选取前目标个数个边界框作为目标边界框。
其中,在边界框集合中选取排列在第一位的边界框作为第一边界框,第一边界框对应的相关系数即为最大相关系数。其余边界框可以为边界框集合中除去第一边界框以外的边界框。
通过交并比公式可以计算得到第一边界框与其余边界框的交并比,下面以计算一个交并比为例进行说明。通过计算第一边界框A和其余边界框中的一个个边界框B表示的检测区域的交集面积和并集面积的比值来衡量两个位置是否为同一个目标。计算公式如下:
其中,A
in表示两个边界框相交部分的面积,A
un表示两个边界框相并部分的面积。
其中,A
in的计算公式为:
A
in=(min(x
A,x
b)-max(x
A,x
b)+W)×(min(y
A,y
b)-max(y
A,y
b)+H)
其中,A
un的计算公式为:
A
un=2×W×H-A
in
其中,(x
A,y
A)表示第一边界框A的左上角角点的位置坐标,(x
B,y
B)表示边界框B的左上角角点的位置坐标,W和H分别为第一边界框A的宽和高。
通过上述公式计算出多个交并比后可以将大于非极大值抑制阈值的交并比选取出来,并根据计算该交并比的边界框对应的相关系数将边界框进行降序排序,在降序排列的边界框中选取前目标个数个边界框作为目标边界框。
S260、获取所述目标边界框的目标个数个目标位置坐标,基于所述目标位置坐标确定第预设层模板图像在所述待搜索图像上的多个第一搜索区域。
其中,第预设层待搜索图像可以为从分层待搜索图像中选取的除最顶层待搜索图像以外的其余层待搜索图像,一般选取第二层待搜索图像作为第预设层待搜索图像;第一搜索区域可以理解为第预设层待搜索图像上的搜索区域。
在一实施例中,根据每个目标位置坐标都可以确定出一个第一搜索区域,由此可知,在第预设层待搜索图像上可以确定出多个第一搜索区域。其中,根据一个目标位置计算一个第一搜索区域的起点坐标和终点坐标的公式为:
其中,Row
loc表示目标位置坐标的横坐标,Col
loc表示目标位置坐标的纵坐标,L
step表示映射区域步长,Row
start和Row
end分别表示第一搜索区域的起始点的横坐标和纵坐标,Col
start和Col
end分别表示第一搜索区域的终止点的横坐标和纵坐标。
S270、将每层分层模板图像基于所述第一搜索区域进行匹配得到最终位置坐标集合。
在本步骤中,第预设层模板图像在第一搜索区域内进行遍历匹配后可以得到一个位置坐标集合,将该位置坐标集合中的位置坐标作为第预设层待搜索图像的下一层待搜索图像的映射中心,不断迭代,从第预设层待搜索图像映射至最底层待搜索图像,每一层迭代后都可以得到一个位置坐标集合,最终可以得到目标个数个最终位置坐标集合。
在一实施例中,将每层分层模板图像基于所述第一搜索区域进行匹配得到最终位置坐标集合,包括:将第预设层模板图像在所述多个第一搜索区域内进行匹配确定出所述第预设层待搜索图像中的多个第一位置坐标;基于所述多个第一位置坐标确定所述第预设层模板图像的下一层模板图像在所述第预设层待搜索图像的下一层待搜索图像上的多个第二搜索区域;将所述下一层模板图像在所述多个第二搜索区域内进行匹配确定出所述下一层待搜索图像上的多个第二位置坐标,直到确定出最底层模板图像在最底层待搜索图像上的多个位置坐标;基于每层模板图像对应每层待搜索图像上匹配出的多个位置坐标得到最终位置坐标集合。
其中,第一位置坐标可以为第预设层模板图像在第预设层待搜索图像的第一搜索区域内匹配到的位置坐标;第二位置坐标可以为下一层模板图像在下一层待搜索图像中的第二搜索区域内匹配到的位置坐标,下一层模板图像为第预 设层模板图像的下一层图像,下一层待搜索图像为第预设层待搜索图像的下一层图像;第二搜索区域可以为下一层模板图像在下一层待搜索图像中的搜索区域。
其中,将第预设层模板图像在所述多个第一搜索区域内进行匹配确定出所述第预设层待搜索图像中的多个第一位置坐标的方式可以为:分别计算第预设层模板图像与多个第一搜索区域的相关系数,选取每个第一搜索区域对应的相关系数中的最大相关系数以及该最大相关系数对应的区域在第一搜索区域中的位置坐标,将该位置坐标作为第一位置坐标,作为下一层待搜索图像的映射中心。
确定每层待搜索图像中的多个搜索区域的方式相同,示例性的,可以通过第M层待搜索图像的映射中心计算第M层待搜索图像的多个搜索区域,再计算第M层模板图像与第M层待搜索图像中的多个搜索区域的相关系数,每个区域都对应一个最大相关系数,将该最大相关系数对应的位置坐标作为第M层模板图像在第M层待搜索图像中的位置坐标。
最终位置坐标集合包括目标位置组成的集合以及第预设层模板图像至最底层模板图像在待搜索图像上的位置坐标集合。
S280、根据所述最终位置坐标集合以及所述模板图像的尺寸,在所述待搜索图像上确定出相匹配的图像作为最终目标图像。
本申请实施例二提供的一种模板匹配方法,该方法结合金字塔分层策略可以提高模板匹配的速度,此外,该方法结合非极大值抑制的筛选可以使基于灰度信息的模板匹配方法用于多目标检测,能够解决多个目标的漏检、错检和重检问题。
本申请实施例在上述多个实施例的技术方案的基础上,提供了一种实施方式。
图8为本申请实施例二所提供的一种模板匹配方法的示例流程示意图,如图8所示,包括如下步骤。
步骤1、对模板图像和待搜索图像通过分离式高斯滤波器进行降噪处理。
步骤2、采用金字塔分层策略对模板图像进行分层,得到n幅分层模板图像。
步骤3、采用金字塔分层策略对待搜索图像进行分层,得到n幅分层待搜索图像。
步骤4、获取相关系数阈值、非极大值抑制阈值和目标个数。
步骤5、将最顶层模板图像与最顶层待搜索图像进行遍历匹配,提取多个相 关系数。
步骤6、根据相关系数阈值对多个相关系数进行筛选,存储大于相关系数阈值的相关系数和对应的第一位置坐标,并将相关系数进行降序排序。
其中,第一位置坐标为边界框集合中每个边界框对应的位置坐标。
步骤7、通过非极大值抑制算法对存储的相关系数和位置坐标集合进行筛选,保留前目标个数个相关系数及对应的第二位置坐标。
其中,第二位置坐标为每个目标边界框的位置坐标。
步骤8、将第二位置坐标作为第预设层待搜索图像的映射中心,根据第二位置坐标确定M个搜索区域。
步骤9、将第二层模板图像在M个搜索区域进行遍历匹配,提取最大相关系数及最大相关系数的位置坐标,将该位置坐标作为下一层待搜索图像的映射中心进行映射,直到映射到最底层待搜索图像。
步骤10、将每层模板图像在每层待搜索图像上匹配出的位置坐标集合组成最终位置坐标集合。
步骤11、根据最终位置坐标集合和模板图像的尺寸在待搜索图像上框出最终目标图像。
实施例三
图9为本申请实施例三提供的一种模板匹配装置的结构示意图,该装置可适用于基于模板图像在另一幅图像上匹配出模板图像的情况,其中该装置可由软件和/或硬件实现,并集成在计算机设备上。
如图9所示,该装置包括:分层模块910、筛选模块920、匹配模块930以及确定模块940。
分层模块910,设置为将模板图像和待搜索图像进行分层处理,得到多层分层模板图像和多层分层待搜索图像;
筛选模块920,设置为将所述多层分层模板图像中的最顶层模板图像和所述多层分层待搜索图像中的最顶层待搜索图像通过非极大值抑制筛选出用于进行模板匹配的目标边界框;
匹配模块930,设置为获取所述目标边界框的目标个数个目标位置坐标,基于所述目标位置坐标将每层分层模板图像在所述待搜索图像上的搜索区域内进行匹配得到最终位置坐标集合;
确定模块940,设置为根据所述最终位置坐标集合以及所述模板图像的尺寸,在所述待搜索图像上确定出相匹配的图像作为最终目标图像。
在本实施例中,该装置通过分层模块910将模板图像和待搜索图像进行分层处理,得到多层分层模板图像和多层分层待搜索图像;通过筛选模块920将所述多层分层模板图像中的最顶层模板图像和所述多层分层待搜索图像中的最顶层待搜索图像通过非极大值抑制筛选出用于进行模板匹配的目标边界框;通过匹配模块930获取所述目标边界框的目标个数个目标位置坐标,基于所述目标位置坐标将每层分层模板图像在所述待搜索图像上的搜索区域内进行匹配得到最终位置坐标集合;通过确定模块940根据所述最终位置坐标集合以及所述模板图像的尺寸,在所述待搜索图像上确定出相匹配的图像作为最终目标图像。
本实施例提供了一种模板匹配装置,能够有效提升模板匹配的速度,解决多个目标的漏检、错检和重检问题。
在一实施例中,分层模块910,是设置为:根据金字塔分层策略对模板图像进行分层处理得到多个分层模板图像;根据所述金字塔分层策略对待搜索图像进行分层处理得到多个分层待搜索图像。
在上述实施例的基础上,筛选模块920包括第一确定单元和第二确定单元。
第一确定单元设置为获取预设的相关系数阈值、非极大值抑制阈值和目标个数;根据所述多层分层模板图像中的最顶层模板图像、所述多层分层待搜索图像中的最顶层待搜索图像以及所述相关系数阈值,确定边界框集合;
第二确定单元设置为根据所述非极大值抑制阈值以及所述边界框集合确定用于进行模板匹配的目标个数个目标边界框。
基于上述技术方案,第一确定单元是设置为:将所述多层分层模板图像的最顶层模板图像与所述多层分层待搜索图像中的最顶层待搜索图像进行匹配,得到相关系数得分矩阵;从所述相关系数得分矩阵中提取出大于所述相关系数阈值的目标相关系数,并确定所述目标相关系数在所述相关系数得分矩阵中的位置坐标;根据所述位置坐标和所述模板图像的尺寸确定多个边界框;将所述边界框按照每个边界框对应的目标相关系数的降序进行排列,生成边界框集合。
基于上述技术方案,第二确定单元是设置为:分别计算所述边界框集合中的具有最大相关系数的第一边界框与其余边界框的交并比;将大于所述非极大值抑制阈值的交并比所对应的边界框进行降序排列,选取前目标个数个边界框作为目标边界框。
在一实施例中,匹配模块930包括第三确定单元和匹配单元。
其中,第三确定单元设置为:基于所述目标位置坐标确定第预设层模板图 像在所述待搜索图像上的多个第一搜索区域;匹配单元设置为将每层分层模板图像基于所述第一搜索区域进行匹配得到最终位置坐标集合。
在一实施例中,匹配单元是设置为:将第预设层模板图像在所述多个第一搜索区域内进行匹配确定出所述第预设层待搜索图像中的多个第一位置坐标;基于所述多个第一位置坐标确定下一层模板图像在下一层待搜索图像上的多个第二搜索区域;将所述下一层模板图像在所述多个第二搜索区域内进行匹配确定出所述下一层待搜索图像上的多个第二位置坐标,直到确定出最底层模板图像在最底层待搜索图像上的多个位置坐标;基于每层模板图像对应每层待搜索图像上匹配出的多个位置坐标得到最终位置坐标集合。
上述模板匹配装置可执行本申请任意实施例所提供的模板匹配方法,具备执行方法相应的功能模块和效果。
实施例四
图10为本申请实施例四提供的一种计算机设备的结构示意图。如图10所示,本申请实施例四提供的计算机设备包括:一个或多个处理器101和存储装置102;该计算机设备中的处理器101可以是一个或多个,图10中以一个处理器101为例;存储装置102设置为存储一个或多个程序;所述一个或多个程序被所述一个或多个处理器101执行,使得所述一个或多个处理器101实现如本申请实施例中任一项所述的模板匹配方法。
所述计算机设备还可以包括:输入装置103和输出装置104。
计算机设备中的处理器101、存储装置102、输入装置103和输出装置104可以通过总线或其他方式连接,图10中以通过总线连接为例。
该计算机设备中的存储装置102作为一种计算机可读存储介质,可用于存储一个或多个程序,所述程序可以是软件程序、计算机可执行程序以及模块,如本申请实施例一或本申请实施例二所提供的模板匹配方法对应的程序指令/模块(例如,附图9所示的模板匹配装置中的模块,包括:分层模块910、筛选模块920、匹配模块930以及确定模块940)。处理器101通过运行存储在存储装置102中的软件程序、指令以及模块,从而执行计算机设备的多种功能应用以及数据处理,即实现上述方法实施例中的模板匹配方法。
存储装置102可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储装置102可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他 非易失性固态存储器件。在一些实例中,存储装置102可包括相对于处理器101远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置103可设置为接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置104可包括显示屏等显示设备。
并且,当上述计算机设备所包括一个或者多个程序被所述一个或者多个处理器101执行时,程序进行如下操作:
将模板图像和待搜索图像进行分层处理,得到多层分层模板图像和多层分层待搜索图像;
将所述多层分层模板图像中的最顶层模板图像和所述多层分层待搜索图像中的最顶层待搜索图像通过非极大值抑制筛选出用于进行模板匹配的目标边界框;
获取所述目标边界框的目标个数个目标位置坐标,基于所述目标位置坐标将每层分层模板图像在所述待搜索图像上的搜索区域内进行匹配得到最终位置坐标集合;
根据所述最终位置坐标集合以及所述模板图像的尺寸,在所述待搜索图像上确定出相匹配的图像作为最终目标图像。
实施例五
本申请实施例五提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时用于执行模板匹配方法,该方法包括:
将模板图像和待搜索图像进行分层处理,得到多层分层模板图像和多层分层待搜索图像;
将所述多层分层模板图像中的最顶层模板图像和所述多层分层待搜索图像中的最顶层待搜索图像通过非极大值抑制筛选出用于进行模板匹配的目标边界框;
获取所述目标边界框的目标个数个目标位置坐标,基于所述目标位置坐标将每层分层模板图像在所述待搜索图像上的搜索区域内进行匹配得到最终位置坐标集合;
根据所述最终位置坐标集合以及所述模板图像的尺寸,在所述待搜索图像上确定出相匹配的图像作为最终目标图像。
可选的,该程序被处理器执行时还可以用于执行本申请任意实施例所提供的模板匹配方法。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。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。
计算机可读的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。计算机可读的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:无线、电线、光缆、无线电频率(Radio Frequency,RF)等等,或者上述的任意合适的组合。
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申请操作的计算机程序代码,所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(Local Area Network,LAN)或广域网(Wide Area Network,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)。
Claims (10)
- 一种模板匹配方法,包括:将模板图像和待搜索图像进行分层处理,得到多层分层模板图像和多层分层待搜索图像;将所述多层分层模板图像中的最顶层模板图像和所述多层分层待搜索图像中的最顶层待搜索图像通过非极大值抑制筛选出用于进行模板匹配的目标边界框;获取所述目标边界框的目标个数个目标位置坐标,基于所述目标个数个目标位置坐标将每层分层模板图像在所述待搜索图像上的搜索区域内进行匹配得到最终位置坐标集合;根据所述最终位置坐标集合以及所述模板图像的尺寸,在所述待搜索图像上确定出相匹配的图像作为最终目标图像。
- 根据权利要求1所述的方法,其中,所述将模板图像和待搜索图像进行分层处理,得到多层分层模板图像和多层分层待搜索图像,包括:根据金字塔分层策略对所述模板图像进行分层处理得到所述多层分层模板图像;根据所述金字塔分层策略对所述待搜索图像进行分层处理得到所述多层分层待搜索图像。
- 根据权利要求1所述的方法,其中,所述将所述多层分层模板图像中的最顶层模板图像和所述多层分层待搜索图像中的最顶层待搜索图像通过非极大值抑制筛选出用于进行模板匹配的目标边界框,包括:获取预设的相关系数阈值、非极大值抑制阈值和所述目标个数;根据所述多层分层模板图像中的最顶层模板图像、所述多层分层待搜索图像中的最顶层待搜索图像以及所述相关系数阈值,确定边界框集合;根据所述非极大值抑制阈值以及所述边界框集合确定用于进行所述模板匹配的目标个数个目标边界框。
- 根据权利要求3所述的方法,其中,所述根据所述多层分层模板图像中的最顶层模板图像、所述多层分层待搜索图像中的最顶层待搜索图像以及所述相关系数阈值,确定边界框集合,包括:将所述多层分层模板图像中的最顶层模板图像与所述多层分层待搜索图像中的最顶层待搜索图像进行匹配,得到相关系数得分矩阵;从所述相关系数得分矩阵中提取出大于所述相关系数阈值的目标相关系 数,并确定所述目标相关系数在所述相关系数得分矩阵中的位置坐标;根据所述位置坐标和所述模板图像的尺寸确定多个边界框;将所述多个边界框按照每个边界框对应的目标相关系数的降序进行排列,生成所述边界框集合。
- 根据权利要求3所述的方法,其中,所述根据所述非极大值抑制阈值以及所述边界框集合确定用于进行所述模板匹配的目标个数个目标边界框,包括:分别计算所述边界框集合中的具有最大相关系数的第一边界框与除所述第一边界框之外的其余边界框的交并比;将大于所述非极大值抑制阈值的交并比所对应的边界框进行降序排列,选取前目标个数个边界框作为所述目标边界框。
- 根据权利要求1所述的方法,其中,所述基于所述目标个数个目标位置坐标将每层分层模板图像在所述待搜索图像上的搜索区域内进行匹配得到最终位置坐标集合,包括:基于所述目标个数个目标位置坐标确定第预设层模板图像在所述待搜索图像上的多个第一搜索区域,其中,每个目标位置坐标确定出一个第一搜索区域;将每层分层模板图像基于所述多个第一搜索区域进行匹配得到所述最终位置坐标集合。
- 根据权利要求6所述的方法,其中,所述将每层分层模板图像基于所述多个第一搜索区域进行匹配得到所述最终位置坐标集合,包括:将所述第预设层模板图像在所述多个第一搜索区域内进行匹配确定出第预设层待搜索图像中的多个第一位置坐标;基于所述多个第一位置坐标确定所述第预设层模板图像的下一层模板图像在所述第预设层待搜索图像的下一层待搜索图像上的多个第二搜索区域;将所述下一层模板图像在所述多个第二搜索区域内进行匹配确定出所述下一层待搜索图像上的多个第二位置坐标,直到确定出所述多层分层模板图像中的最底层模板图像在所述多层分层待搜索图像中的最底层待搜索图像上的多个位置坐标;基于每层分层模板图像对应每层分层待搜索图像上匹配出的多个位置坐标得到所述最终位置坐标集合。
- 一种模板匹配装置,包括:分层模块,设置为将模板图像和待搜索图像进行分层处理,得到多层分层 模板图像和多层分层待搜索图像;筛选模块,设置为将所述多层分层模板图像中的最顶层模板图像和所述多层分层待搜索图像中的最顶层待搜索图像通过非极大值抑制筛选出用于进行模板匹配的目标边界框;匹配模块,设置为获取所述目标边界框的目标个数个目标位置坐标,基于所述目标个数个目标位置坐标将每层分层模板图像在所述待搜索图像上的搜索区域内进行匹配得到最终位置坐标集合;确定模块,设置为根据所述最终位置坐标集合以及所述模板图像的尺寸,在所述待搜索图像上确定出相匹配的图像作为最终目标图像。
- 一种计算机设备,包括:一个或多个处理器;存储装置,设置为存储一个或多个程序;所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器用于执行权利要求1-7中任一项所述的模板匹配方法。
- 一种计算机可读存储介质,存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的模板匹配方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358090.1 | 2021-04-01 | ||
CN202110358090.1A CN113111929B (zh) | 2021-04-01 | 2021-04-01 | 一种模板匹配方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022205614A1 true WO2022205614A1 (zh) | 2022-10-06 |
Family
ID=76713396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2021/098308 WO2022205614A1 (zh) | 2021-04-01 | 2021-06-04 | 模板匹配方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113111929B (zh) |
WO (1) | WO2022205614A1 (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190384999A1 (en) * | 2018-06-18 | 2019-12-19 | Interra Systems, Inc. | System and method for searching an image within another image |
CN110781819A (zh) * | 2019-10-25 | 2020-02-11 | 浪潮电子信息产业股份有限公司 | 一种图像目标检测方法、系统、电子设备及存储介质 |
CN112396640A (zh) * | 2020-11-11 | 2021-02-23 | 广东拓斯达科技股份有限公司 | 图像配准方法、装置、电子设备及存储介质 |
CN112508037A (zh) * | 2020-11-23 | 2021-03-16 | 北京配天技术有限公司 | 图像模板匹配方法、装置及存储装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654902B (zh) * | 2012-01-16 | 2013-11-20 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
JP6422250B2 (ja) * | 2014-07-08 | 2018-11-14 | キヤノン株式会社 | 画像処理方法、画像処理装置、プログラム及び記録媒体 |
US10817740B2 (en) * | 2018-06-20 | 2020-10-27 | Zoox, Inc. | Instance segmentation inferred from machine learning model output |
CN112215032A (zh) * | 2019-07-09 | 2021-01-12 | 库卡机器人(广东)有限公司 | 图像中的目标识别方法、装置、电子设备及程序介质 |
-
2021
- 2021-04-01 CN CN202110358090.1A patent/CN113111929B/zh active Active
- 2021-06-04 WO PCT/CN2021/098308 patent/WO2022205614A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190384999A1 (en) * | 2018-06-18 | 2019-12-19 | Interra Systems, Inc. | System and method for searching an image within another image |
CN110781819A (zh) * | 2019-10-25 | 2020-02-11 | 浪潮电子信息产业股份有限公司 | 一种图像目标检测方法、系统、电子设备及存储介质 |
CN112396640A (zh) * | 2020-11-11 | 2021-02-23 | 广东拓斯达科技股份有限公司 | 图像配准方法、装置、电子设备及存储介质 |
CN112508037A (zh) * | 2020-11-23 | 2021-03-16 | 北京配天技术有限公司 | 图像模板匹配方法、装置及存储装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113111929B (zh) | 2024-04-12 |
CN113111929A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084292B (zh) | 基于DenseNet和多尺度特征融合的目标检测方法 | |
CN109242888B (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
CN110532894B (zh) | 基于边界约束CenterNet的遥感目标检测方法 | |
CN109685768B (zh) | 基于肺部ct序列的肺结节自动检测方法及系统 | |
WO2022100065A1 (zh) | 图像配准方法、装置、电子设备及存储介质 | |
WO2020134818A1 (zh) | 图像处理方法及相关产品 | |
CN109580630A (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN113421263A (zh) | 零件缺陷检测方法、设备、介质及计算机程序产品 | |
CN112634257A (zh) | 一种真菌荧光检测方法 | |
WO2020210506A1 (en) | Methods and systems for crack detection using a fully convolutional network | |
JP3350822B2 (ja) | 画像上のエッジ検出方法 | |
WO2022062853A1 (zh) | 遥感图像的配准方法、装置、设备、存储介质及系统 | |
WO2022205614A1 (zh) | 模板匹配方法、装置、计算机设备及存储介质 | |
JP7396076B2 (ja) | 番号認識装置、方法及び電子機器 | |
CN112017221A (zh) | 基于尺度空间的多模态图像配准方法、装置和设备 | |
CN106780599A (zh) | 一种基于Hough变化的圆形识别方法及系统 | |
CN114067186B (zh) | 一种行人检测方法、装置、电子设备及存储介质 | |
CN110910332B (zh) | 一种视觉slam系统动态模糊处理方法 | |
CN113537026A (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
CN107977974B (zh) | 一种束光器边界检测方法和系统 | |
CN110363738B (zh) | 一种具有仿射不变性的视网膜图像配准方法及其装置 | |
CN108830166B (zh) | 一种公交车客流量实时统计方法 | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 | |
CN112257667A (zh) | 一种小型船只检测方法、装置、电子设备及存储介质 | |
WO2022205611A1 (zh) | 一种图像匹配方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21934263 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21934263 Country of ref document: EP Kind code of ref document: A1 |