CN112861983A - 图像匹配方法、装置、电子设备以及存储介质 - Google Patents
图像匹配方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN112861983A CN112861983A CN202110208903.9A CN202110208903A CN112861983A CN 112861983 A CN112861983 A CN 112861983A CN 202110208903 A CN202110208903 A CN 202110208903A CN 112861983 A CN112861983 A CN 112861983A
- Authority
- CN
- China
- Prior art keywords
- template
- searched
- matching
- edge contour
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000005484 gravity Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 29
- 238000013507 mapping Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000001629 suppression Effects 0.000 claims description 15
- 230000009191 jumping Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 abstract description 15
- 230000008569 process Effects 0.000 abstract description 14
- 230000008859 change Effects 0.000 abstract description 8
- 238000005286 illumination Methods 0.000 abstract description 8
- 230000006872 improvement Effects 0.000 abstract description 4
- 230000006978 adaptation Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 18
- 230000009466 transformation Effects 0.000 description 13
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 11
- 238000011524 similarity measure Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241001292396 Cirrhitidae Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06V10/752—Contour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像匹配方法、装置、电子设备以及存储介质。所述方法包括通过对模板图像进行金字塔分层多角度的模板图像创建来提取模板边缘轮廓特征，创建多层多角度的模板边缘轮廓特征，使模板边缘轮廓特征不受图像灰度信息变化的影响，保证基于边缘形状匹配适应不同光照变化；同时考虑到模板边缘轮廓特征信息的数据结构构建复杂，匹配过程中需要较长时间，通过使用分层的模板边缘轮廓特征从金字塔结构自上而下逐层映射进行相似度匹配，综合运用金字塔各个层级实现由粗到精的相似度匹配的性能提升策略，降低金字塔下层的模板边缘轮廓特征匹配数据量，在保证匹配精度的前提下有效提升匹配速度且适用于存在平移旋转以及遮挡的应用场景。
Description
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种图像匹配方法、装置、电子设备以及存储介质。
背景技术
图像匹配已成为机器视觉技术重要的研究内容之一，在目标识别、工件精确定位以及视频跟踪等领域中得到广泛应用。
现有图像匹配技术主要分为三类：基于灰度相关的模板匹配方法、基于几何基元的匹配方法和基于几何特征的模板匹配方法。但是，第一类以图像灰度信息直接匹配，相对比较简单且容易实现，但其抗干扰性差，不适应非均匀变化的光照和部分遮挡情况；第二类在目标图像中匹配模板中的几何基元，适用于待测目标发生旋转的场景，对特征点要求较高且计算复杂度非常高；第三类适用于目标存在旋转和缩放的情况，但需要建立庞大的累加计数器数组，初始化和统计的过程比较复杂，耗时较大，会影响图像匹配效率。
发明内容
本发明实施例中提供了一种图像匹配方法、装置、电子设备以及存储介质，以实现在形状匹配过程中兼顾解决匹配复杂度高和匹配速度低的问题。
第一方面，本发明实施例中提供了一种图像匹配方法，所述方法包括：
确定模板图像的模板边缘轮廓特征信息；所述模板边缘轮廓特征信息用于表征从模板图像提取的不同金字塔分层下的多旋转角度的模板边缘轮廓特征点；
确定待搜索图像的待搜索边缘轮廓特征信息；所述待搜索边缘轮廓特征信息用于表征根据所述模板图像的金字塔分层数，从所述待搜索图像提取的不同金字塔分层下的待搜索边缘轮廓特征点；
针对自上而下的金字塔分层结构，基于当前分层的轮廓匹配搜索信息，依据当前分层的模板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点进行相似度匹配，得到当前分层的轮廓匹配结果；
依据当前分层的轮廓匹配结果，确定将下一分层的模板边缘轮廓特征点与下一分层对应待搜索边缘轮廓特征点进行相似度匹配时使用的轮廓匹配搜索信息，用以跳到下一分层进行相似度匹配，直至金字塔底层；
依据在金字塔底层的轮廓匹配结果，定位所述待搜索图像中模板图像指示的目标形状；
其中，所述轮廓匹配搜索信息包括在待搜索边缘轮廓上进行相似度匹配的待匹配区域位置和待匹配角度范围；所述轮廓匹配结果包括模板边缘轮廓在待搜索边缘轮廓完成相似匹配时的重心位置与角度。
第二方面，本发明实施例中还提供了一种图像匹配装置，所述装置包括：
模板信息确定模块，用于确定模板图像的模板边缘轮廓特征信息；所述模板边缘轮廓特征信息用于表征从模板图像提取的不同金字塔分层下的多旋转角度的模板边缘轮廓特征点；
待搜索信息确定模块，用于确定待搜索图像的待搜索边缘轮廓特征信息；所述待搜索边缘轮廓特征信息用于表征根据所述模板图像的金字塔分层数，从所述待搜索图像提取的不同金字塔分层下的待搜索边缘轮廓特征点；
相似度匹配模块，用于针对自上而下的金字塔分层结构，基于当前分层的轮廓匹配搜索信息，依据当前分层的模板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点进行相似度匹配，得到当前分层的轮廓匹配结果；
下层映射匹配模块，用于依据当前分层的轮廓匹配结果，确定将下一分层的模板边缘轮廓特征点与下一分层对应待搜索边缘轮廓特征点进行相似度匹配时使用的轮廓匹配搜索信息，用以跳到下一分层进行相似度匹配，直至金字塔底层；
待搜索图像识别模块，用于依据在金字塔底层的轮廓匹配结果，定位所述待搜索图像中模板图像指示的目标形状；
其中，所述轮廓匹配搜索信息包括在待搜索边缘轮廓上进行相似度匹配的待匹配区域位置和待匹配角度范围；所述轮廓匹配结果包括模板边缘轮廓在待搜索边缘轮廓完成相似匹配时的重心位置与角度。
第三方面，本发明实施例中还提供了一种电子设备，包括：
一个或多个处理装置；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现本发明实施例中任一所述的图像匹配方法。
第四方面，本发明实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现本发明实施例中任一所述的图像匹配方法。
根据本申请实施例中提供的图像匹配方法，通过对模板图像进行金字塔分层多角度的模板图像创建来提取模板边缘轮廓特征，创建多层多角度的模板边缘轮廓特征信息，使模板边缘轮廓特征不受图像灰度信息变化的影响，保证基于边缘形状匹配适应不同的光照变化，并且在平移及旋转的定位任务中，且对于部分遮挡的情况仍然可准确匹配到目标；同时考虑到模板边缘轮廓特征信息的数据结构构建复杂，匹配过程中需要较长时间，通过使用分层的模板边缘轮廓特征从金字塔分层自上而下逐层映射进行相似度匹配，综合运用金字塔在各个分层实现由粗到精的相似度匹配的性能提升策略，降低金字塔下层的模板边缘轮廓特征匹配数据量，解决特征点匹配算法复杂度过高的问题，在保证匹配精度的前提下有效提升匹配速度且适用于存在平移旋转以及遮挡的应用场景。
上述发明内容仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例中提供的一种图像匹配方法的流程图；
图2是本发明实施例中提供的一种模板边缘轮廓特征信息的示意图；
图3是本发明实施例中提供的一种金字塔分层对模板边缘轮廓与待搜索边缘轮廓进行相似度匹配的示意图；
图4是本发明实施例中提供的一种图像匹配的总体流程框图；
图5是本发明实施例中提供的一种对模板图像进行边缘提取的示意图；
图6是本发明实施例中提供的一种对模板图像方向差分处理的效果示意图；
图7是本发明实施例中提供的一种模板图像的图像梯度方向的示意图；
图8是本发明实施例中提供的一种对图像进行非极大值抑制的示意图；
图9是本发明实施例中提供的一种进行自适应滞后阈值处理的示意图；
图10是本发明实施例中提供的一种模板图像的梯度幅值图像的示意图；
图11是本发明实施例中提供的一种对模板图像进行自适应滞后阈值处理的效果示意图；
图12是本发明实施例中提供的另一种图像匹配方法的流程图；
图13是本发明实施例中提供的一种从金字塔上层向下层进行轮廓匹配搜索信息的映射示意图；
图14是本发明实施例中提供的一种将模板边缘轮廓在对应待搜索边缘轮廓进行滑动遍历的示意图；
图15是本发明实施例中提供的一种匹配准确度测试结果的示意图；
图16是本发明实施例中提供的一种匹配测试效果显示的示意图；
图17是本发明实施例中提供的一种匹配时间测试结果的示意图；
图18是本发明实施例中提供的一种图像匹配装置的结构图；
图19是本发明实施例中提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作(或步骤)可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1是本发明实施例中提供的一种图像匹配方法的流程图。本实施例的技术方案可适用于对图像间的形状进行匹配的情况，该方法可以由图像匹配装置来执行，该装置可以采用软件和/或硬件的方式实现，并集成在任何具有网络通信功能的电子设备上。如图1所示，本申请实施例中的图像匹配方法，可以包括以下步骤：
S110、确定模板图像的模板边缘轮廓特征信息；模板边缘轮廓特征信息表征从模板图像提取的不同金字塔分层下的多旋转角度的模板边缘轮廓特征点。
在进行图像形状匹配时，需通过包含目标形状的模板图像来对待搜索图像中包括的目标形状进行形状匹配。参见图2，可对包括目标形状的模板图像进行金字塔分层得到多个分层对应的模板图像，并在金字塔分层后通过多个旋转角度对每层的模板图像的模板边缘轮廓特征点进行描述，创建模板图像的模板边缘轮廓特征信息。通过提取多分层多角度的模板边缘轮廓特征，使模板边缘轮廓特征不受图像灰度变化影响，使基于模板边缘轮廓特征的图像形状匹配适应不同光照变化，例如光照较不敏感或非均匀变化光照等场景，同时可用于含有平移及旋转的识别任务，且对于部分遮挡情况仍可准确匹配到目标形状。
S120、确定待搜索图像的待搜索边缘轮廓特征信息；待搜索边缘轮廓特征信息表征根据模板图像的金字塔分层数，从待搜索图像提取的不同金字塔分层下的待搜索边缘轮廓特征点。
在图像形状匹配时，通常会基于边缘轮廓特征进行图像匹配，对待搜索图像与模板图像进行形状匹配。因此，可按照对模板图像的金字塔分层数对待搜索图像进行金字塔分层得到多个分层的待搜索图像。进而，可从每个分层的待搜索图像中提取对应的待搜索边缘轮廓特征点，构建每个分层的待搜索图像的待搜索边缘轮廓特征信息。这样，可使用同层的边缘轮廓特征对模板图像与待搜索图像在同一个金字塔分层下进行图像形状匹配。
S130、针对自上而下的金字塔分层结构，基于当前分层的轮廓匹配搜索信息，依据当前分层的模板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点进行相似度匹配，得到当前分层的轮廓匹配结果。
轮廓匹配搜索信息包括模板图像基于模板边缘轮廓在待搜索图像的待搜索边缘轮廓上进行相似度匹配的待匹配区域位置和待匹配角度范围。其中，待匹配区域可指示模板边缘轮廓在待搜索边缘轮廓进行相似度匹配时的匹配搜索位置，避免使用待匹配区域以外的待搜索边缘轮廓特征点进行相似度匹配而浪费图像匹配资源。待匹配角度范围可指示模板边缘轮廓在待搜索边缘轮廓进行相似度匹配，所使用的模板边缘轮廓的旋转角度范围，避免使用角度不合适的模板边缘轮廓特征点进行相似度匹配而浪费相似度匹配资源。
在对模板边缘轮廓与待搜索边缘轮廓进行相似度匹配时，可统计当前分层的模板边缘轮廓特征点与模板边缘轮廓特征点在待搜索边缘轮廓上重叠部分对应待搜索边缘轮廓特征点之间的相似度，相似度越大，两者之间越相似，完全匹配时相似度为1。轮廓匹配结果包括模板边缘轮廓在待搜索边缘轮廓上基于边缘轮廓特征点的相似度完成相似匹配时模板边缘轮廓的轮廓重心在待搜索边缘轮廓上的轮廓重心位置与模板边缘轮廓的旋转角度。
对于同一分层的模板边缘轮廓与待搜索边缘轮廓而言，通过不同旋转角度的模板边缘轮廓分别在同分层待搜索边缘轮廓上进行相似度匹配，统计不同旋转角度下模板边缘轮廓特征点与在待搜索边缘轮廓上重叠部分对应待搜索边缘轮廓特征点之间的相似度，得到一系列的边缘轮廓特征点之间的相似度度量值，取相似度度量值最大值对应的位置区域以及角度作为当前分层的轮廓匹配结果。
S140、依据当前分层的轮廓匹配结果，确定将下一分层的模板边缘轮廓特征点与下一分层对应待搜索边缘轮廓特征点进行相似度匹配时使用的轮廓匹配搜索信息，用以跳到下一分层进行相似度匹配，直至金字塔底层。
参见图3，对于自上而下的金字塔分层，靠近金字塔底层的模板边缘轮廓与待搜索边缘轮廓的边缘轮廓特征细节较多，使用靠近金字塔底层的模板边缘轮廓与待搜索边缘轮廓进行相似度匹配更为准确，但是相似度匹配时需要遍历的待搜索边缘轮廓特征点会非常多，匹配花费的时间也会比较长。因此，引入图像金字塔进行自上而下分层匹配，实现板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点的相似度匹配。
参见图3，按照自上而下的金字塔分层，先在金字塔上层进行少量模板边缘轮廓特征点与少量待搜索边缘轮廓特征点之间的相似度粗匹配得到一个粗略的轮廓匹配结果。在金字塔上层得到一个粗略的轮廓匹配结果后，进一步基于在金字塔上层得到的轮廓匹配结果向金字塔下层映射得到新的轮廓匹配搜索信息，便于在金字塔下层使用更加细致的模板边缘轮廓特征点与待搜索边缘轮廓特征点进行相似度匹配。通过自上而下映射确定在金字塔下层的待匹配区域和待匹配角度范围，大幅度缩减在金字塔下层相似匹配时无用区域位置处的待搜索边缘轮廓特征点和无用角度的模板边缘轮廓特征点，从而加快在金字塔下层模板边缘轮廓与待搜索边缘轮廓之间的轮廓相似度匹配速度。
S150、依据在金字塔底层的轮廓匹配结果，定位待搜索图像中模板图像指示的目标形状。
参见图3，按照自上而下的金字塔分层，判断相似度匹配是否到达金字塔底层，如果到达底层可直接利用金字塔次底层的轮廓匹配结果映射得到轮廓匹配搜索信息，在金字塔底层将模板边缘轮廓特征点在待搜索边缘轮廓特征点上进行相似度匹配，得到金字塔底层的轮廓匹配结果。金字塔底层的轮廓匹配结果可包括金字塔底层的模板边缘轮廓在对应待搜索边缘轮廓完成相似度匹配时的轮廓重心位置与旋转角度。基于在金字塔底层相似度匹配结束时的轮廓匹配结果指示的轮廓重心位置以及所使用的模板边缘轮廓的旋转角度，在待搜索图像中勾画出模板图像指示的目标形状，实现图像间形状匹配。
根据本申请实施例中提供的图像匹配方法，通过对模板图像进行金字塔分层多角度的模板图像创建来提取模板边缘轮廓特征，创建多层多角度的模板边缘轮廓特征信息，使模板边缘轮廓特征不受图像灰度信息变化的影响，保证基于边缘形状匹配适应不同的光照变化，并且在平移及旋转的定位任务中，且对于部分遮挡的情况仍然可准确匹配到目标；同时考虑到模板边缘轮廓特征信息的数据结构构建复杂，匹配过程中需要较长时间，通过使用分层的模板边缘轮廓特征从金字塔分层自上而下逐层映射进行相似度匹配，综合运用金字塔在各个分层实现由粗到精的相似度匹配的性能提升策略，降低金字塔下层的模板边缘轮廓特征匹配数据量，解决特征点匹配算法复杂度过高的问题，在保证匹配精度的前提下有效提升匹配速度且适用于存在平移旋转以及遮挡的应用场景。
在本实施例的一种可选方案中，可以与上述一个或者多个实施例中各个可选方案结合。其中，确定模板图像的模板边缘轮廓特征信息，可包括步骤A1-A2：
步骤A1、对模板图像进行金字塔自适应分层得到多个分层的模板图像，并对每个分层的模板图像进行多旋转角度配置。
给定形状匹配的角度区间和步长，在不改变每个分层的模板图像大小的情况下，针对每个分层的模板图像按照角度区间和步长配置的旋转角度进行图像旋转，实现能使用不同角度的模板图像进行相似度匹配。对每个分层的模板图像进行旋转后使用双线性插值进行处理，此外对引入的黑边区域使用复制边界法进行填充。
可选地，由于数字图像通常是以矩阵形式存在，可通过图像仿射变换对每个分层的模板图像进行旋转角度配置，图像仿射变换的具体流程如下：
(1)、构建仿射变换矩阵
通过图像仿射变换实现图像从一个二维坐标到另一个二维坐标的转换，其中包含对图像的旋转和平移。从图像的空间三维坐标系来看，对图像的旋转相当于绕图像的Z轴进行，同时对图像的旋转中心点进行平移，最终构造成包含图像旋转平移的仿射变换矩阵。对应的仿射变换矩阵表达式为：
上式中(u，v)为对图像进行仿射变换后的矩阵坐标，(x,y)为模板图像或待搜索图像的图像坐标。(c1,c2)为图像旋转中心相对于模板图像或待搜索图像旋转中心的平移坐标，(a1,a2,b1,b2)为构成仿射变换矩阵中旋转矩阵
的参数，其包含了对图像的旋转、尺度变化等信息，图像坐标轴x、y轴为正交轴，因此，参数(a1,a2,b1,b2)满足
和a1b1+a2b2＝0。
(2)、计算仿射变换矩阵
由于图像的旋转变换围绕图像空间坐标系Z轴进行，根据第一步获得的图像旋转角度信息，计算得到仿射变换的旋转矩阵，记为：
上式中，θ为绕图像空间坐标系Z轴的旋转角度。图像的旋转中心定义为图像的坐标中心，取图像行与列值的一半，即为(cols/2,rows/2)。最终，得到包含图像旋转平移信息的仿射变换矩阵，记为：
根据第一步图像的角度起点、范围和步长信息，可以得到由若干旋转角度构成的一系列图像仿射变换矩阵组，记为：
上式中，i为待旋转图像的像素点，i＝1,2,…,n，n为待旋转图像的像素点数，(xi,yi)为对应i像素点在待旋转图像中的坐标位置，θi为旋转角度，(ui,vi)为对应i像素点旋转后的坐标位置，这样就实现对各分层的模板图像的多旋转角度配置。
步骤A2、提取每个分层的多旋转角度的模板图像对应的模板边缘轮廓特征点，以构建模板图像多分层多旋转角度的模板边缘轮廓特征信息。
边缘提取是为了获得具有不同角度的模板边缘轮廓图像中的模板边缘轮廓点信息。边缘轮廓特征信息可包括轮廓的重心位置、边缘轮廓点相对于轮廓重心的像素位置、边缘轮廓点梯度幅值以及边缘轮廓点的梯度方向，比如横向梯度与纵向梯度。边缘轮廓点的重心计算为：统计求和所有边缘轮廓点的行列坐标，除以统计的边缘轮廓点数。边缘轮廓重心
的计算采用下式：
上式中，统计每个边缘像素点的行、列坐标之和，n为边缘像素点个数，求取行、列坐标均值。边缘轮廓点相对于轮廓重心像素的坐标求解为：
边缘轮廓点在x方向和y方向的梯度由图像方向差分生成的x方向和y方向梯度图像得到。边缘轮廓点的梯度幅值由前述计算的梯度幅值得到。
在从每个分层的模板图像中分别提取对应的模板边缘轮廓特征后，以结构体的形式保存，同时为便于访问可采用线性表的方式对所有的边缘轮廓特征点进行组织，最终构建模板边缘轮廓特征信息；例如针对L个分层的模板图像提取模板边缘轮廓点，共得到L×D幅模板图像的模板边缘轮廓点，D为模板图像的旋转角度，默认为360。在构建模板边缘轮廓特征信息后，可对构建的模板边缘轮廓特征信息进行预先存储，而不用每次对待搜索图像进行图像匹配时都需要针对模板图像确定一次模板边缘轮廓特征信息。
在本实施例的一种可选方案中，可以与上述一个或者多个实施例中各个可选方案结合。其中，对模板图像进行金字塔自适应分层得到多个分层的模板图像，可包括以下步骤B1-B3：
步骤B1、依据模板图像的梯度幅值与梯度方向，对模板图像中像素点进行非极大值抑制处理，得到非极大值抑制的模板图像。
参见图4与图5，计算模板图像的边缘梯度方向信息，模板图像f在坐标(x，y)处的梯度定义为二维向量：
上式中，
为图像梯度，gx为x方向导数，gy为y方向导数。在图像处理中，算子以图像卷积的形式计算梯度，本申请可选用Sobel算子来计算二维图像在x轴和y轴的差分值，其中x、y方向的模板如下：
将x方向和y方向的Sobel模板与模板图像进行卷积，分别得到x方向和y方向的差分值，即可得到图6示出的图像方向差分示意图。利用每个像素在x方向和y方向的差分值，可计算得到每个像素点的梯度幅值G和梯度方向θ；例如梯度幅值G和梯度方向θ分别如下：
图像梯度幅值G的计算公式为：
图像梯度梯度方向θ的计算公式为：
上式中，Gx为x方向梯度幅值，Gy为y方向梯度幅值，对应像素点的梯度方向θ的计算结果为弧度制。
经过Sobel算子检测出来的边缘有时会过于粗大，无法直接利用过于粗大的边缘信息，因此需要抑制梯度不够大的像素点，保留最大的梯度，从而达到进一步细化边缘，将梯度不够大的像素点剔除，只保留梯度幅值最大的边缘点的目的，梯度不够大的像素点很可能是某一条边缘的过渡点。
参见图5与图7，据每个边缘的像素点的梯度方向，将图像中心像素点的邻域范围划分为水平梯度方向、垂直梯度方向、右上对角梯度方向以及右下梯度方向这四个方向。当中心点梯度值大于梯度方向上两个端点的梯度值时，该中心像素点梯度值即为8邻域内的极大值，保留该点为边缘点；当中心点梯度值小于或等于梯度方向上两个端点的梯度值时，则将该点从边缘点中剔除，其中图8为经过非极大值抑制处理后的模板图像。
步骤B2、对非极大值抑制的模板图像进行自适应滞后阈值处理，以对非极大值抑制处理的模板图像进行边缘划分得到边缘轮廓点。
参见图9，利用双阈值对非极大值抑制的模板图像进一步划分边缘点，梯度值超过高阈值Th的称为强边缘，梯度值小于高阈值Th大于低阈值Tl的称为弱边缘，梯度小于Tl的不是边缘。弱边缘则可能是边缘，也有可能是图像中存在的噪声，因此强边缘点直接保留；弱边缘点继续判断，弱边缘点周围的8邻域中有强边缘点存在时，就将该弱边缘点变成强边缘点，以此来连接强边缘点；非边缘点剔除，以此来去除杂点。
参见图9，可依据模板图像的梯度幅值自适应确定滞后阈值，并依据模板图像的滞后阈值，对非极大值抑制处理的模板图像进行边缘点划分处理。为了减少人为设置阈值带来误差，参见图10，根据图像梯度幅值自适应取得高低阈值，例如在根据图像梯度幅值自适应取得高低阈值时，边缘提取过程中可引入类内方差最小化自适应选取高低阈值，减少人为设置阈值等因素的干扰。采用自适应阈值选取方式获得高低阈值具体过程如下：
(1)、将模板图像的梯度幅值图像，按梯度幅值分为L级，这里L＝256，将所有分级进一步分为三类，C0、C1和C2，其中C0为非边缘点像素梯度，梯度幅值分级[0,1,…,k]，C1为弱边缘点像素梯度，梯度幅值分级[k,k+1,…,m]，C2为强边缘点像素梯度，梯度幅值分级[m+1,m+2,…,L-1]。分割强弱边缘像素梯度的值(m，k)即为待求的高低阈值。
(2)、计算每一级梯度幅值所占比例：
式中，ni为每级梯度幅值的数量，N为总个数。
(3)、计算每一类分级的期望值和，构造类内方差，由此计算最小化评价函数并求其导数，得到关于(m，k)的偏导公式，求解该公式即可得到高低阈值。
式中，μ0(k)为前k项期望和，μ1(k，m)为m-k项期望和，μ2(m)为m+1之后项期望和。
步骤B3、依据提取的模板边缘轮廓点数对模板图像进行金字塔自适应分层得到多个分层的模板图像。
参见图11，对非极大值抑制的模板图像进行自适应滞后阈值处理，并获取滞后阈值处理后模板图像的边缘轮廓后，提取模板边缘轮廓的轮廓重心、边缘轮廓点梯度及梯度幅值等边缘轮廓特征信息并存储。边缘轮廓特征信息可包括轮廓的重心位置、边缘轮廓点相对于轮廓重心的像素位置、边缘轮廓点梯度幅值以及边缘轮廓点横向梯度与纵向梯度，计算方式与前述相同。
示例性地，求取模板图像的模板边缘轮廓特征点数，如果模板边缘轮廓特征点数多于设置的最小边缘轮廓特征点数m，则对模板图像进行金字塔降采样分层。继续求取降采样后模板图像的模板边缘轮廓特征点数，多于m则继续分层，直到达到要求，此时的层数即为金字塔的层数L，进而实现对模板图像进行金字塔自适应分层得到多个分层的模板图像。
在本实施例的一种可选方案中，可以与上述一个或者多个实施例中各个可选方案结合。其中，确定待搜索图像的待搜索边缘轮廓特征信息，包括步骤C1-C2：
步骤C1、依据对模板图像的金字塔分层数对待搜索图像进行金字塔分层，得到多个分层的待搜索图像。
步骤C2、从每个分层的待搜索图像中提取对应的待搜索边缘轮廓特征点，以构建各分层的待搜索图像的待搜索边缘轮廓特征信息。
其中，边缘轮廓特征信息包括轮廓重心位置、边缘轮廓点相对于轮廓重心的像素位置、边缘轮廓点梯度幅值以及边缘轮廓点横向梯度与纵向梯度，具体提取对应的待搜索边缘轮廓特征点过程参考前述从模板图像中提取模板边缘轮廓特征点的过程，这里不再赘述。
图12是本发明实施例中提供的另一种图像匹配方法的流程图，本实施例的技术方案在上述实施例的基础上进行进一步优化，本实施例的技术方案可以与上述一个或者多个实施例中各个可选方案结合。如图12所示，本申请实施例中提供的图像匹配方法，可以包括以下步骤：
S1210、确定模板图像的模板边缘轮廓特征信息；模板边缘轮廓特征信息表征从模板图像提取的不同金字塔分层下的多旋转角度的模板边缘轮廓特征点。
S1220、确定待搜索图像的待搜索边缘轮廓特征信息；待搜索边缘轮廓特征信息用于表征根据模板图像的金字塔分层数，从待搜索图像提取的不同金字塔分层下的待搜索边缘轮廓特征点。
S1230、针对自上而下的金字塔分层结构，基于当前分层的轮廓匹配搜索信息，分别将当前分层的不同旋转角度的模板边缘轮廓在当前分层的待搜索边缘轮廓上遍历。
其中，轮廓匹配搜索信息包括在待搜索边缘轮廓上进行相似度匹配的待匹配区域位置和待匹配角度范围。
参见图13，分别取当前分层的轮廓匹配搜索信息指示的待搜索边缘轮廓中待匹配区域和当前分层的轮廓匹配搜索信息指示的不同旋转角度的模板边缘轮廓作为当前分层遍历匹配的输入，将不同旋转角度的模板边缘轮廓按照预设遍历方向待搜索边缘轮廓的待匹配区域中进行滑动遍历。参见图14，比如获取预先创建的模板边缘轮廓上各边缘轮廓点相对于轮廓重心的坐标值，以模板边缘轮廓的轮廓重心作为滑动匹配的关键点，从待搜索边缘轮廓的左上角开始，将模板边缘轮廓在待搜索边缘轮廓对应的待匹配区域上进行滑动遍历。
这样，通过轮廓匹配搜索信息对相似度匹配的匹配区域与旋转角度进行有效控制，避免在待搜索边缘轮廓的非关键区域进行遍历以及避免使用不合适旋转角度的模板边缘轮廓进行滑动遍历，尽可能浪费滑动遍历资源以及避免产生不必要的数据计算量。
S1240、对于各个遍历位置，在每个遍历位置下逐点计算模板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点之间的单点相似度；以及，在每个遍历位置下将逐点计算的单点相似度进行累加，并在单点相似度的累加值到达预设相似度度量值时，停止在对应遍历位置进行逐点计算。
参见图4与图13，对于每一个旋转角度的模板边缘轮廓而言，当模板边缘轮廓在待搜索边缘轮廓的待匹配区域进行滑动遍历时，模板边缘轮廓可存在多个滑动遍历位置，不同旋转角度的模板边缘轮廓在当前分层的待搜索边缘轮廓上遍历时会存在更多的遍历位置。在每个遍历位置下，可依次逐个计算单个模板边缘轮廓特征点与该单个模板边缘轮廓点在待匹配区域的待搜索边缘轮廓特征点之间的单点相似度。
示例性地，在逐点计算模板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点之间相似度时，可采用的相似度度量函数如下：
上式中，n为参于计算的边缘点个数，di'为待搜索图像的待搜索边缘轮廓中某一边缘轮廓点的方向向量，eq+p'为模板图像的模板边缘轮廓对应到待搜索边缘轮廓的边缘轮廓点的方向向量，t'i和
分别为待搜索图像和模板图像对应边缘轮廓点的x方向梯度，u'i和
分别为待搜索边缘轮廓图像和模板边缘轮廓图像对应边缘轮廓点的y方向梯度。
由于相似度度量函数公式的分母对方向向量进行了归一化处理，相似性度量对于任意照明变化是具有不变性的，所有向量都被缩放为1的长度。这种相似性度量对遮挡和杂波具有鲁棒性，原因是如果一个特征缺失，无论是在模板中还是在待搜索图像中，噪声都会导致随机方向向量，平均而言，这对总和没有任何贡献，并不影响计算结果。当待搜索边缘轮廓图像和模板边缘轮廓图像对应像素点梯度相同时，上式得到的结果为1，即为完全匹配。
参见图4与图13，在逐个计算得到单点相似度后，会实时的对已经计算得到的单点相似度度量值进行累加。判断单点相似度度量值的累加和是否到达预设的最小相似度度量值Smin,如果累加和已经达到最小相似度度量值Smin，则停止在对应遍历位置进行逐点计算。这样，在进行相似度匹配时就不需将遍历位置对应全部模板边缘轮廓特征点与其在待匹配区域的全部待搜索边缘轮廓特征点进行综合计算，在非可能目标位置相似度量值可以不必完全计算，即通过一定的阈值，采用截止条件，提前结束逐点计算，从而快速定位到真正的目标位置，节省了大量的计算量，进而加快匹配速度；并且，单点相似度度量值的累加和是针对部分模板边缘轮廓点的相似度度量，对于目标存在遮挡和隐藏的问题，采用改进的终止条件可实现，因此对遮挡场景具有很好鲁棒性。
示例性地，根据相似度量函数的计算公式可以得到部分单点相似度量的累积和公式为：
由归一化相似度量公式可知，剩余n-j项的和小于(n-j)/n＝1-j/n，所以当部分和满足sj＜smin-1+j/n(smin为设定最小相似度度量值阈值)，即可终止相似度量的计算。对于目标存在遮挡和隐藏的问题，通过两部分阈值来判断，第一部分采用宽松的阈值判断，剩下的部分采用严格的阈值判断，通过预先设定一个贪婪度系数g来实现。其中，对于逐点计算提前截止的最小相似度量阈值，sj＜min(smin-1+fj/n，sminj/n)；式中：f＝(1-gsmin)/(1-smin)，当g＝1时，所有的点都使用宽松的终止条件来判断。可选地，为了保证不产生误判，参数g通常可设置为0.9。
S1250、依据在每个遍历位置下停止逐点计算时的单点相似度的累加值，确定当前分层的模板边缘轮廓在当前分层的待搜索边缘轮廓上的轮廓匹配结果。
参见图13，对于不同遍历位置使用不同角度的模板边缘轮廓进行相似度匹配时，会得到一系列停止逐点计算时的单点相似度的累加值，取单点相似度的累加值最大值所对应的位置与旋转角度作为当前分层下模板边缘轮廓在待搜索边缘轮廓的轮廓匹配结果。其中，轮廓匹配结果包括模板边缘轮廓在待搜索边缘轮廓完成相似度匹配时的轮廓重心位置与旋转角度。
S1260、依据当前分层的轮廓匹配结果，确定将下一分层的模板边缘轮廓特征点与下一分层对应待搜索边缘轮廓特征点进行相似度匹配时使用的轮廓匹配搜索信息，用以跳到下一分层进行相似度匹配，直至金字塔底层。
在本实施例的一种可选方案中，可以与上述一个或者多个实施例中各个可选方案结合。其中，在当前分层为金字塔顶层的情况下，当前分层的轮廓匹配搜索信息包括将待搜索边缘轮廓的整个轮廓区域作为待匹配区域，以及将初始化设置的旋转角度范围分别作为待匹配角度范围。
参见图13，分别取金字塔顶层的待搜索边缘轮廓的全部和初始化设置的旋转角度范围对应的不同旋转角度的模板边缘轮廓作为金字塔顶层遍历匹配的输入，由于模板边缘轮廓点的位置坐标都是相对于模板边缘轮廓重心，所以金字塔顶层遍历匹配的过程中也是以模板边缘轮廓的重心在待搜索边缘轮廓整个轮廓中按照预设遍历方向移动逐点计算相似度。
在本实施例的另一种可选方案中，可以与上述一个或者多个实施例中各个可选方案结合。其中，在当前分层为非金字塔顶层的情况下，当前分层的轮廓匹配搜索信息包括根据在上一分层对应待搜索边缘轮廓中的轮廓匹配定位结果，按照预设匹配搜索映射方式在当前分层对应待搜索边缘轮廓进行映射确定。
参见图13，分别取当前分层的轮廓匹配搜索信息指示的待搜索边缘轮廓中待匹配区域、以及当前分层的中轮廓匹配搜索信息指示的待匹配角度范围的模板边缘轮廓作为当前分层遍历匹配的输入，由于模板边缘轮廓点的位置坐标都是相对于模板边缘轮廓重心，所以当前分层遍历匹配的过程中是以轮廓匹配搜索信息指示的待匹配角度范围的模板边缘轮廓的重心在待搜索边缘轮廓中待匹配区域中进行移动遍历计算相似度。
在本实施例的一种可选方案中，可以与上述一个或者多个实施例中各个可选方案结合。其中，在确定当前分层的轮廓匹配结果，可按照预设匹配搜索映射方式匹配映射确定下一分层的模板边缘轮廓在下一分层对应待搜索边缘轮廓进行相似度匹配时使用的轮廓匹配搜索信息。匹配搜索映射方式用于依据在上层对应待搜索边缘轮廓的轮廓匹配结果，映射出在下层对应待搜索边缘轮廓进行相似度匹配所使用的轮廓匹配搜索信息。
这样，基于下一层的轮廓匹配搜索信息，将下一层模板边缘轮廓在下一层待搜索边缘轮廓上进行相似度匹配，自上而下直至在各个金字塔分层均进行相似度匹配。通过引入金字塔分层，当上层匹配到结果后通过向下层映射匹配区域，可以有效缩减下层匹配区域，从而加快在下层的匹配速度。
参见图13，匹配搜索映射方式用于从金字塔上层向下层映射确定下层轮廓匹配搜索信息。在模板边缘轮廓的轮廓重心沿着上层待搜索边缘轮廓进行遍历匹配，得到得分最高的上层匹配位置(x,y)，该位置在金字塔下层的位置为(2x,2y)，相应地在下层待搜索边缘轮廓的待匹配区域为：
上式中，(x',y')为下层待搜索边缘轮廓图像映射区域的左上角坐标，(x”,y”)为下层待搜索边缘轮廓图像映射区域的右下角坐标，至此，便可确定在金字塔下层的轮廓匹配搜索信息对应待匹配区域位置。
参见图13，匹配搜索映射方式还包括从金字塔上层向下层对轮廓匹配搜索信息中待匹配角度范围进行映射。由金字塔上层确定的轮廓匹配结果中包括角度按照匹配搜索映射方式向金字塔下层映射角度范围的计算公式为：
上式为待匹配角度映射公式，anglenext_pre为下层映射起点角度，anglenext_aft为下层映射终点角度，numLevels为前述确定的对待搜索图像的金字塔分层数。
S1270、依据在金字塔底层的轮廓匹配结果，定位待搜索图像中模板图像指示的目标形状。
依据匹配搜索映射方式将按照自上而下的金字塔，从金字塔上层下金字塔下层的轮廓匹配搜索信息的精细确定，自上而下有粗到精模板边缘轮廓与待搜索边缘轮廓的相似度匹配，即可得到金字塔底层的轮廓匹配结果，也就是得到金字塔底层的模板边缘轮廓在原始待搜索图像中的匹配位置和角度，由这一匹配位置坐标和角度依次找到模板边缘轮廓对应的边缘轮廓点，并在待搜索图像中绘制出最终的目标形状轮廓。至此，完成一种具有平移、旋转、遮挡不变性的快速形状匹配。
在上述实施例的基础上，可选地，在依据在金字塔底层相似度匹配结束时的轮廓匹配结果，识别待搜索图像中模板图像指示的模板形状之前，还包括：
在确定当前分层位于非金字塔顶层时，当前分层的轮廓匹配搜索信息中待匹配角度范围修正为：跟随金字塔层数变角度步长从待匹配角度范围中变角度步长选择的多个待匹配角度，以及基于修正后的轮廓匹配搜索信息指示的待匹配角度，将当前分层的模板边缘轮廓在对应待搜索边缘轮廓上进行相似度匹配。
在确定当前分层轮廓匹配搜索信息中待匹配角度范围后，为了提高在当前分层的匹配速度，减少了角度的匹配数量，将原先在当前分层轮廓匹配搜索信息中待匹配角度范围内遍历匹配，修正为跟随金字塔层数变角度步长选择的多个待匹配角度进行匹配。角度变步长匹配策略如下：
上式中，numLevels为确定的金字塔分层数，anglenext_pre和anglenext_aft由当前分层的待匹配角度范围决定，角度步长随金字塔层数变化，当前分层的角度共需匹配三次，即anglenext_pre、anglenext_aft和angle三个角度，从而减少角度匹配数量。
在上述实施例的基础上，可选地，分别将当前分层的不同旋转角度的模板边缘轮廓在当前分层的待搜索边缘轮廓上遍历，包括：
在确定当前分层位于非金字塔顶层时，控制当前分层的不同旋转角度的模板边缘轮廓，在当前分层对应待搜索边缘轮廓上按照当前分层的边缘轮廓点间隔数进行间隔滑动遍历。
为减少当前分层的匹配时间，在保证上一分层匹配的边缘轮廓点数量不变的情况下，对当前分层的边缘轮廓点在匹配时间隔一定像素进行访问，从而达到减少匹配点数提高匹配速度的效果。保证下层边缘轮廓点数在100个点，需要获得当前分层的模板边缘轮廓点的总点数(Ptotal)，当前分层的边缘轮廓点遍历匹配时的间隔点数为：Pdelete_num＝Ptotal/100，式中，Ptotal为当前分层的模板边缘轮廓总点数，Pdelete_num为当前分层用于匹配计算的边缘轮廓点间隔数。通过对非金字塔顶层的边缘轮廓点删减策略可有效减少信息冗余和计算复杂度。
对本申请提出的图像匹配方案进行测试，从Halcon测试库中选则四种特征各不相同的图像，具体分别为：轮廓明显图“rings.png”、含有背景干扰“green-dot.png”、含有微小形变“metal-parts.png”以及轮廓不明显图“20cent_german.png”作为待测图像进行匹配测试，其测试结果参见图15。
不难看出，本申请所提出的方法能够解决待测目标平移、旋转及部分遮挡的问题。以“green-dot.png”图像为例，匹配结果显示如图16所示。选取“rings.png”以及“green-dot.png”两幅图像在平移、旋转、遮挡情况下的运行时间，测试结果参见图17。由表中数据可知，本申请方案能解决算法耗时较长的问题，较普通边缘形状匹配算法的计算速度至少可提升一个数量级。
根据本申请实施例中提供的图像匹配方法，通过对模板图像进行金字塔分层多角度的模板图像创建来提取模板边缘轮廓特征，创建多层多角度的模板边缘轮廓特征信息，使模板边缘轮廓特征不受图像灰度信息变化的影响，保证基于边缘形状匹配适应不同的光照变化，并且在平移及旋转的定位任务中，且对于部分遮挡的情况仍然可准确匹配到目标；同时考虑到模板边缘轮廓特征信息的数据结构构建复杂，匹配过程中需要较长时间，通过使用分层的模板边缘轮廓特征从金字塔分层自上而下逐层映射进行相似度匹配，综合运用金字塔在各个分层实现由粗到精的相似度匹配的性能提升策略，降低金字塔下层的模板边缘轮廓特征匹配数据量，解决特征点匹配算法复杂度过高的问题，在保证匹配精度的前提下有效提升匹配速度且适用于存在平移旋转以及遮挡的应用场景。
图18是本发明实施例中提供的一种图像匹配装置的结构框图。本实施例的技术方案可适用于对图像间的形状进行匹配的情况，该装置可以采用软件和/或硬件的方式实现，并集成在任何具有网络通信功能的电子设备上。如图18所示，本申请实施例中的图像匹配装置，包括以下：模板信息确定模块1810、待搜索信息确定模块1820、相似度匹配模块1830、下层映射匹配模块1840以及待搜索图像识别模块1850。其中：
模板信息确定模块1810，用于确定模板图像的模板边缘轮廓特征信息；所述模板边缘轮廓特征信息用于表征从模板图像提取的不同金字塔分层下的多旋转角度的模板边缘轮廓特征点；
待搜索信息确定模块1820，用于确定待搜索图像的待搜索边缘轮廓特征信息；所述待搜索边缘轮廓特征信息用于表征根据所述模板图像的金字塔分层数，从所述待搜索图像提取的不同金字塔分层下的待搜索边缘轮廓特征点；
相似度匹配模块1830，用于针对自上而下的金字塔分层结构，基于当前分层的轮廓匹配搜索信息，依据当前分层的模板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点进行相似度匹配，得到当前分层的轮廓匹配结果；
下层映射匹配模块1840，用于依据当前分层的轮廓匹配结果，确定将下一分层的模板边缘轮廓特征点与下一分层对应待搜索边缘轮廓特征点进行相似度匹配时使用的轮廓匹配搜索信息，用以跳到下一分层进行相似度匹配，直至金字塔底层；
待搜索图像识别模块1850，用于依据在金字塔底层的轮廓匹配结果，定位所述待搜索图像中模板图像指示的目标形状；
其中，所述轮廓匹配搜索信息包括在待搜索边缘轮廓上进行相似度匹配的待匹配区域位置和待匹配角度范围；所述轮廓匹配结果包括模板边缘轮廓在待搜索边缘轮廓完成相似匹配时的重心位置与角度。
在上述实施例的基础上，可选地，模板信息确定模块1810包括：
对模板图像进行金字塔自适应分层得到多个分层的模板图像，并对每个分层的模板图像进行多旋转角度配置；
提取每个分层的多旋转角度的模板图像对应的模板边缘轮廓特征点，以构建模板图像多分层多旋转角度的模板边缘轮廓特征信息；
其中，所述边缘轮廓特征信息包括轮廓重心位置、边缘轮廓点相对于轮廓重心的像素位置、边缘轮廓点梯度幅值以及边缘轮廓点梯度方向。
在上述实施例的基础上，可选地，对模板图像进行金字塔自适应分层得到多个分层的模板图像，包括：
依据模板图像的梯度幅值与梯度方向，对模板图像中像素点进行非极大值抑制处理，得到非极大值抑制的模板图像；
对非极大值抑制的模板图像进行自适应滞后阈值处理，以对非极大值抑制处理的模板图像进行边缘划分得到边缘轮廓点；
依据提取的模板边缘轮廓点数对模板图像进行金字塔自适应分层得到多个分层的模板图像。
在上述实施例的基础上，可选地，待搜索信息确定模块1820包括：
依据对所述模板图像的金字塔分层数对待搜索图像进行金字塔分层，得到多个分层的待搜索图像；
从每个分层的待搜索图像中提取对应的待搜索边缘轮廓特征点，以构建各分层的待搜索图像的待搜索边缘轮廓特征信息；
其中，所述边缘轮廓特征信息包括轮廓重心位置、边缘轮廓点相对于轮廓重心的像素位置、边缘轮廓点梯度幅值以及边缘轮廓点横向梯度与纵向梯度。
在上述实施例的基础上，可选地，相似度匹配模块1830包括：
分别将当前分层的不同旋转角度的模板边缘轮廓在当前分层的待搜索边缘轮廓上遍历；
对于各个遍历位置，在每个遍历位置下逐点计算模板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点之间的单点相似度；以及，在每个遍历位置下将逐点计算的单点相似度进行累加，并在单点相似度的累加值到达预设相似度度量值时，停止计算；
依据在每个遍历位置下停止逐点计算时的单点相似度的累加值，确定当前分层的模板边缘轮廓在当前分层的待搜索边缘轮廓上的轮廓匹配结果。
在上述实施例的基础上，可选地，在所述当前分层为金字塔顶层的情况下，当前分层的轮廓匹配搜索信息包括将待搜索边缘轮廓的整个轮廓区域作为待匹配区域，以及将初始化设置的旋转角度范围分别作为待匹配角度范围；
在所述当前分层为非金字塔顶层的情况下，当前分层的轮廓匹配搜索信息包括根据在上一分层对应待搜索边缘轮廓中的轮廓匹配定位结果，按照预设匹配搜索映射方式在当前分层对应待搜索边缘轮廓进行映射确定。
在上述实施例的基础上，可选地，所述匹配搜索映射方式用于依据在上层对应待搜索边缘轮廓的轮廓匹配定位结果，映射出在下层对应待搜索边缘轮廓进行相似度匹配所使用的轮廓匹配搜索信息。
在上述实施例的基础上，可选地，在确定所述当前分层位于非金字塔顶层时，当前分层的轮廓匹配搜索信息中待匹配角度范围修正为：跟随金字塔层数变角度步长从待匹配角度范围中变角度步长选择的多个待匹配角度。
在上述实施例的基础上，可选地，分别将当前分层的不同旋转角度的模板边缘轮廓在当前分层的待搜索边缘轮廓上遍历，包括：
在确定所述当前分层位于非金字塔顶层时，控制当前分层的不同旋转角度的模板边缘轮廓，在当前分层对应待搜索边缘轮廓上按照当前分层的边缘轮廓点间隔数进行间隔滑动遍历。
本申请实施例中所提供的图像匹配装置可执行上述本申请任意实施例中所提供的图像匹配方法，具备执行该图像匹配方法相应的功能和有益效果，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例中所提供的图像匹配方法。
图19是本发明实施例中提供的一种电子设备的结构示意图。如图19所示结构，本发明实施例中提供的电子设备包括：一个或多个处理器1910和存储装置1920；该电子设备中的处理器1910可以是一个或多个，图19中以一个处理器1910为例；存储装置1920用于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1910执行，使得所述一个或多个处理器1910实现如本发明实施例中任一项所述的图像匹配方法。
该电子设备还可以包括：输入装置1930和输出装置1940。
该电子设备中的处理器1910、存储装置1920、输入装置1930和输出装置1940可以通过总线或其他方式连接，图19中以通过总线连接为例。
该电子设备中的存储装置1920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，如本发明实施例中所提供的图像匹配方法对应的程序指令/模块。处理器1910通过运行存储在存储装置1920中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中图像匹配方法。
存储装置1920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电子设备的使用所创建的数据等。此外，存储装置1920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1920可进一步包括相对于处理器1910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1930可用于接收输入的数字或字符信息，以及产生与电子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1940可包括显示屏等显示设备。
并且，当上述电子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1910执行时，程序进行如下操作：
确定模板图像的模板边缘轮廓特征信息；所述模板边缘轮廓特征信息用于表征从模板图像提取的不同金字塔分层下的多旋转角度的模板边缘轮廓特征点；
确定待搜索图像的待搜索边缘轮廓特征信息；所述待搜索边缘轮廓特征信息用于表征根据所述模板图像的金字塔分层数，从所述待搜索图像提取的不同金字塔分层下的待搜索边缘轮廓特征点；
针对自上而下的金字塔分层结构，基于当前分层的轮廓匹配搜索信息，依据当前分层的模板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点进行相似度匹配，得到当前分层的轮廓匹配结果；
依据当前分层的轮廓匹配结果，确定将下一分层的模板边缘轮廓特征点与下一分层对应待搜索边缘轮廓特征点进行相似度匹配时使用的轮廓匹配搜索信息，用以跳到下一分层进行相似度匹配，直至金字塔底层；
依据在金字塔底层的轮廓匹配结果，定位所述待搜索图像中模板图像指示的目标形状；
其中，所述轮廓匹配搜索信息包括在待搜索边缘轮廓上进行相似度匹配的待匹配区域位置和待匹配角度范围；所述轮廓匹配结果包括模板边缘轮廓在待搜索边缘轮廓完成相似匹配时的重心位置与角度。
当然，本领域技术人员可以理解，当上述电子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1910执行时，程序还可以进行本发明任意实施例中所提供的图像匹配方法中的相关操作。
本发明实施例中提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行图像匹配方法，该方法包括：
确定模板图像的模板边缘轮廓特征信息；所述模板边缘轮廓特征信息用于表征从模板图像提取的不同金字塔分层下的多旋转角度的模板边缘轮廓特征点；
确定待搜索图像的待搜索边缘轮廓特征信息；所述待搜索边缘轮廓特征信息用于表征根据所述模板图像的金字塔分层数，从所述待搜索图像提取的不同金字塔分层下的待搜索边缘轮廓特征点；
针对自上而下的金字塔分层结构，基于当前分层的轮廓匹配搜索信息，依据当前分层的模板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点进行相似度匹配，得到当前分层的轮廓匹配结果；
依据当前分层的轮廓匹配结果，确定将下一分层的模板边缘轮廓特征点与下一分层对应待搜索边缘轮廓特征点进行相似度匹配时使用的轮廓匹配搜索信息，用以跳到下一分层进行相似度匹配，直至金字塔底层；
依据在金字塔底层的轮廓匹配结果，定位所述待搜索图像中模板图像指示的目标形状；
其中，所述轮廓匹配搜索信息包括在待搜索边缘轮廓上进行相似度匹配的待匹配区域位置和待匹配角度范围；所述轮廓匹配结果包括模板边缘轮廓在待搜索边缘轮廓完成相似匹配时的重心位置与角度。
可选的，该程序被处理器执行时还可以用于执行本发明任意实施例中所提供的图像匹配方法。
本发明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的更具体的例子(非穷举的列表)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 AccessMemory，RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器(ErasableProgrammable 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(RadioFrequency，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发明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(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)。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种图像匹配方法，其特征在于，所述方法包括：
确定模板图像的模板边缘轮廓特征信息；所述模板边缘轮廓特征信息用于表征从模板图像提取的不同金字塔分层下的多旋转角度的模板边缘轮廓特征点；
确定待搜索图像的待搜索边缘轮廓特征信息；所述待搜索边缘轮廓特征信息用于表征根据所述模板图像的金字塔分层数，从所述待搜索图像提取的不同金字塔分层下的待搜索边缘轮廓特征点；
针对自上而下的金字塔分层结构，基于当前分层的轮廓匹配搜索信息，依据当前分层的模板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点进行相似度匹配，得到当前分层的轮廓匹配结果；
依据当前分层的轮廓匹配结果，确定将下一分层的模板边缘轮廓特征点与下一分层对应待搜索边缘轮廓特征点进行相似度匹配时使用的轮廓匹配搜索信息，用以跳到下一分层进行相似度匹配，直至金字塔底层；
依据在金字塔底层的轮廓匹配结果，定位所述待搜索图像中模板图像指示的目标形状；
其中，所述轮廓匹配搜索信息包括在待搜索边缘轮廓上进行相似度匹配的待匹配区域位置和待匹配角度范围；所述轮廓匹配结果包括模板边缘轮廓在待搜索边缘轮廓完成相似匹配时的重心位置与角度。
2.根据权利要求1所述的方法，其特征在于，确定模板图像的模板边缘轮廓特征信息，包括：
对模板图像进行金字塔自适应分层得到多个分层的模板图像，并对每个分层的模板图像进行多旋转角度配置；
提取每个分层的多旋转角度的模板图像对应的模板边缘轮廓特征点，以构建模板图像多分层多旋转角度的模板边缘轮廓特征信息；
其中，所述边缘轮廓特征信息包括轮廓重心位置、边缘轮廓点相对于轮廓重心的像素位置、边缘轮廓点梯度幅值以及边缘轮廓点梯度方向。
3.根据权利要求2所述的方法，其特征在于，对模板图像进行金字塔自适应分层得到多个分层的模板图像，包括：
依据模板图像的梯度幅值与梯度方向，对模板图像中像素点进行非极大值抑制处理，得到非极大值抑制的模板图像；
对非极大值抑制的模板图像进行自适应滞后阈值处理，以对非极大值抑制处理的模板图像进行边缘划分得到边缘轮廓点；
依据提取得到的模板边缘轮廓点数对模板图像进行金字塔自适应分层得到多个分层的模板图像。
4.根据权利要求1所述的方法，其特征在于，确定待搜索图像的待搜索边缘轮廓特征信息，包括：
依据对所述模板图像的金字塔分层数对待搜索图像进行金字塔分层，得到多个分层的待搜索图像；
从每个分层的待搜索图像中提取对应的待搜索边缘轮廓特征点，以构建各分层的待搜索图像的待搜索边缘轮廓特征信息；
其中，所述边缘轮廓特征信息包括轮廓重心位置、边缘轮廓点相对于轮廓重心的像素位置、边缘轮廓点梯度幅值以及边缘轮廓点横向梯度与纵向梯度。
5.根据权利要求1所述的方法，其特征在于，依据当前分层的模板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点进行相似度匹配，得到当前分层的轮廓匹配结果包括：
分别将当前分层的不同旋转角度的模板边缘轮廓在当前分层的待搜索边缘轮廓上遍历；
对于各个遍历位置，在每个遍历位置下逐点计算模板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点之间的单点相似度；以及，在每个遍历位置下将逐点计算的单点相似度进行累加，并在单点相似度的累加值到达预设相似度度量值时，停止计算；
依据在每个遍历位置下停止逐点计算时的单点相似度的累加值，确定当前分层的模板边缘轮廓在当前分层的待搜索边缘轮廓上的轮廓匹配结果。
6.根据权利要求5所述的方法，其特征在于，
在所述当前分层为金字塔顶层的情况下，当前分层的轮廓匹配搜索信息包括将待搜索边缘轮廓的整个轮廓区域作为待匹配区域，以及将初始化设置的旋转角度范围分别作为待匹配角度范围；
在所述当前分层为非金字塔顶层的情况下，当前分层的轮廓匹配搜索信息包括根据在上一分层对应待搜索边缘轮廓中的轮廓匹配定位结果，按照预设匹配搜索映射方式在当前分层对应待搜索边缘轮廓进行映射确定。
7.根据权利要求6所述的方法，其特征在于，所述匹配搜索映射方式用于依据上层对应待搜索边缘轮廓的轮廓匹配定位结果，映射出下层对应待搜索边缘轮廓进行相似度匹配所使用的轮廓匹配搜索信息。
8.根据权利要求1所述的方法，其特征在于，
在确定所述当前分层位于非金字塔顶层时，当前分层的轮廓匹配搜索信息中待匹配角度范围修正为：跟随金字塔层数变角度步长从待匹配角度范围中变角度步长选择的多个待匹配角度。
9.根据权利要求1所述的方法，其特征在于，在确定所述当前分层位于非金字塔顶层时，分别将当前分层的不同旋转角度的模板边缘轮廓在当前分层的待搜索边缘轮廓上遍历，包括：
控制当前分层的不同旋转角度的模板边缘轮廓，在当前分层对应待搜索边缘轮廓上按照当前分层的边缘轮廓点间隔数进行间隔滑动遍历。
10.一种图像匹配装置，其特征在于，所述装置包括：
模板信息确定模块，用于确定模板图像的模板边缘轮廓特征信息；所述模板边缘轮廓特征信息用于表征从模板图像提取的不同金字塔分层下的多旋转角度的模板边缘轮廓特征点；
待搜索信息确定模块，用于确定待搜索图像的待搜索边缘轮廓特征信息；所述待搜索边缘轮廓特征信息用于表征根据所述模板图像的金字塔分层数，从所述待搜索图像提取的不同金字塔分层下的待搜索边缘轮廓特征点；
相似度匹配模块，用于针对自上而下的金字塔分层结构，基于当前分层的轮廓匹配搜索信息，依据当前分层的模板边缘轮廓特征点与其对应的待搜索边缘轮廓特征点进行相似度匹配，得到当前分层的轮廓匹配结果；
下层映射匹配模块，用于依据当前分层的轮廓匹配结果，确定将下一分层的模板边缘轮廓特征点与下一分层对应待搜索边缘轮廓特征点进行相似度匹配时使用的轮廓匹配搜索信息，用以跳到下一分层进行相似度匹配，直至金字塔底层；
待搜索图像识别模块，用于依据在金字塔底层的轮廓匹配结果，定位所述待搜索图像中模板图像指示的目标形状；
其中，所述轮廓匹配搜索信息包括在待搜索边缘轮廓上进行相似度匹配的待匹配区域位置和待匹配角度范围；所述轮廓匹配结果包括模板边缘轮廓在待搜索边缘轮廓完成相似匹配时的重心位置与角度。
11.一种电子设备，其特征在于，包括：
一个或多个处理装置；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现权利要求1-9中任一项所述的图像匹配方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-9中任一项所述的图像匹配方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110208903.9A CN112861983A (zh) | 2021-02-24 | 2021-02-24 | 图像匹配方法、装置、电子设备以及存储介质 |
| PCT/CN2021/098000 WO2022179002A1 (zh) | 2021-02-24 | 2021-06-02 | 图像匹配方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110208903.9A CN112861983A (zh) | 2021-02-24 | 2021-02-24 | 图像匹配方法、装置、电子设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112861983A true CN112861983A (zh) | 2021-05-28 |
Family
ID=75991266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110208903.9A Pending CN112861983A (zh) | 2021-02-24 | 2021-02-24 | 图像匹配方法、装置、电子设备以及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112861983A (zh) |
| WO (1) | WO2022179002A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569876A (zh) * | 2021-08-31 | 2021-10-29 | 东软睿驰汽车技术（沈阳）有限公司 | 图像特征提取方法、装置和电子设备 |
| CN114119443A (zh) * | 2021-11-28 | 2022-03-01 | 特斯联科技集团有限公司 | 一种基于多光谱相机的图像融合系统 |
| CN114898128A (zh) * | 2022-04-21 | 2022-08-12 | 东声(苏州)智能科技有限公司 | 图像相似度比对方法、存储介质和计算机 |
| WO2022179002A1 (zh) * | 2021-02-24 | 2022-09-01 | 广东拓斯达科技股份有限公司 | 图像匹配方法、装置、电子设备以及存储介质 |
| CN117036753A (zh) * | 2023-07-18 | 2023-11-10 | 北京观微科技有限公司 | 一种基于模板匹配和InfoGAN的SAR图像扩容方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117351794B (zh) * | 2023-10-13 | 2024-06-04 | 浙江上国教育科技有限公司 | 基于云平台的在线课程管理系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120082385A1 (en) * | 2010-09-30 | 2012-04-05 | Sharp Laboratories Of America, Inc. | Edge based template matching |
| CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
| CN105261012A (zh) * | 2015-09-25 | 2016-01-20 | 上海瑞伯德智能系统科技有限公司 | 基于Sobel向量的模板匹配方法 |
| CN107671896A (zh) * | 2017-05-19 | 2018-02-09 | 重庆誉鸣科技有限公司 | 基于scara机器人的快速视觉定位方法及系统 |
| CN109801318A (zh) * | 2019-01-30 | 2019-05-24 | 东北大学 | 一种快速物体匹配算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112861983A (zh) * | 2021-02-24 | 2021-05-28 | 广东拓斯达科技股份有限公司 | 图像匹配方法、装置、电子设备以及存储介质 |
-
2021
- 2021-02-24 CN CN202110208903.9A patent/CN112861983A/zh active Pending
- 2021-06-02 WO PCT/CN2021/098000 patent/WO2022179002A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120082385A1 (en) * | 2010-09-30 | 2012-04-05 | Sharp Laboratories Of America, Inc. | Edge based template matching |
| CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
| CN105261012A (zh) * | 2015-09-25 | 2016-01-20 | 上海瑞伯德智能系统科技有限公司 | 基于Sobel向量的模板匹配方法 |
| CN107671896A (zh) * | 2017-05-19 | 2018-02-09 | 重庆誉鸣科技有限公司 | 基于scara机器人的快速视觉定位方法及系统 |
| CN109801318A (zh) * | 2019-01-30 | 2019-05-24 | 东北大学 | 一种快速物体匹配算法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022179002A1 (zh) * | 2021-02-24 | 2022-09-01 | 广东拓斯达科技股份有限公司 | 图像匹配方法、装置、电子设备以及存储介质 |
| CN113569876A (zh) * | 2021-08-31 | 2021-10-29 | 东软睿驰汽车技术（沈阳）有限公司 | 图像特征提取方法、装置和电子设备 |
| CN114119443A (zh) * | 2021-11-28 | 2022-03-01 | 特斯联科技集团有限公司 | 一种基于多光谱相机的图像融合系统 |
| CN114119443B (zh) * | 2021-11-28 | 2022-07-01 | 特斯联科技集团有限公司 | 一种基于多光谱相机的图像融合系统 |
| CN114898128A (zh) * | 2022-04-21 | 2022-08-12 | 东声(苏州)智能科技有限公司 | 图像相似度比对方法、存储介质和计算机 |
| CN117036753A (zh) * | 2023-07-18 | 2023-11-10 | 北京观微科技有限公司 | 一种基于模板匹配和InfoGAN的SAR图像扩容方法 |
| CN117036753B (zh) * | 2023-07-18 | 2024-06-21 | 北京观微科技有限公司 | 一种基于模板匹配和InfoGAN的SAR图像扩容方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022179002A1 (zh) | 2022-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112861983A (zh) | 图像匹配方法、装置、电子设备以及存储介质 | |
| CN112233181B (zh) | 6d位姿识别的方法、装置及计算机存储介质 | |
| CN113111212B (zh) | 一种图像匹配方法、装置、设备及存储介质 | |
| CN110942515A (zh) | 基于点云的目标物体三维计算机建模方法和目标识别方法 | |
| CN108022262A (zh) | 一种基于点的邻域重心向量特征的点云配准方法 | |
| CN111767960A (zh) | 一种应用于图像三维重建的图像匹配方法及系统 | |
| CN115861397A (zh) | 一种基于改进fpfh-icp的点云配准方法 | |
| CN107194896B (zh) | 一种基于邻域结构的背景抑制方法和系统 | |
| CN112419372B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112614167A (zh) | 一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法 | |
| CN113159103B (zh) | 图像匹配方法、装置、电子设备以及存储介质 | |
| CN113111741A (zh) | 一种基于三维特征点的装配状态识别方法 | |
| CN110427506A (zh) | 空间数据边界处理方法、装置、计算机设备及存储介质 | |
| Chen et al. | Multi-stage matching approach for mobile platform visual imagery | |
| CN117745780A (zh) | 一种基于孤立簇去除的室外大场景3d点云配准方法 | |
| CN116071571B (zh) | 一种鲁棒快速的车用单线激光雷达点云聚类方法 | |
| CN114186588B (zh) | 一种实时层次化滤波方法 | |
| CN116883463A (zh) | 一种基于多域多维特征图的三维配准重建方法 | |
| CN114049380B (zh) | 目标物体定位追踪方法、装置、计算机设备和存储介质 | |
| CN116645500A (zh) | 边界框的确定方法、装置、设备、存储介质和程序产品 | |
| CN113033270B (zh) | 采用辅助轴的3d物体局部表面描述方法、装置及存储介质 | |
| Meng et al. | Prob-slam: real-time visual slam based on probabilistic graph optimization | |
| CN114419333A (zh) | 一种检测框重叠度的生成方法、目标检测方法及装置 | |
| CN112215032A (zh) | 图像中的目标识别方法、装置、电子设备及程序介质 | |
| CN118674760B (zh) | 基于iss特征点的点云配准方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |
|
| RJ01 | Rejection of invention patent application after publication |