CN103337068A - 空间关系约束的多子区匹配方法 - Google Patents
空间关系约束的多子区匹配方法 Download PDFInfo
- Publication number
- CN103337068A CN103337068A CN2013102193926A CN201310219392A CN103337068A CN 103337068 A CN103337068 A CN 103337068A CN 2013102193926 A CN2013102193926 A CN 2013102193926A CN 201310219392 A CN201310219392 A CN 201310219392A CN 103337068 A CN103337068 A CN 103337068A
- Authority
- CN
- China
- Prior art keywords
- subtemplate
- matching
- subarea
- templates
- sub
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于空间关系约束的多子区匹配方法,其通过在匹配模板中选取多个子区域作为子模板与待匹配图像分别同时进行匹配,利用各子模板的空间位置关系实现图像精确匹配,其包括:在匹配模板选取若干个子区域,分别作为子模板;确定各子模板之间的空间位置关系;各子模板保持其空间位置关系不变形成组合模板,利用组合模板在待匹配图像上移动搜索以进行匹配,获得多个该组合模板的相似度值;比较上述多个相似度值,并以其中相似度值最大的位置作为最佳匹配位置,完成匹配。本发明的方法利用各个子区之间的相互空间关系,来达到匹配的准确性和精度要求,该方法在目标识别性能相对于传统的大模板灰度或轮廓匹配算法,实时性能有较大的提高。
Description
技术领域
本发明属于数字图像匹配技术领域,具体涉及一种图像多子区匹配方法。
背景技术
随着科学技术尤其是计算机技术的迅速发展,使得直接从图像中获取信息的图像处理技术得到了飞速的发展,图像匹配是计算机视觉和图像处理中非常重要的技术之一。
图像匹配就是在一幅或者多幅未知的图像中,通过匹配计算寻找和已知的模式相对应的子图的过程。目前,图像匹配技术广泛的应用在军事、工业、遥感、医学和机器视觉等各个领域。
在实际的图像匹配应用中,需要选择合适大小的模板。但是,在匹配计算中,如果增大模板图,匹配的计算量会剧烈的增加,导致无法适应实时性要求较高的场合,如果为了减少计算量而减小模板的大小,则会影响匹配的正确率和精度。在对实时性要求较高的应用场合,有的时候不得不为了保证实时性而降低匹配的正确率和精度。
在最近的技术中,也有较多采用了模板匹配的类似方法,比如在明,田等人的《红外前视对一类特殊建筑目标识别技术研究》(出自《宇航学报》2010年4月第31卷第4期)一文,针对红外/可见光多模图像匹配的特点,提出了基于梯度矢量相关系数的计算方法,对于梯度强度相关系数计算方法丢失了梯度方向信息的缺点,该方法使用梯度矢量场来进行匹配,避免了方向信息的丢失,采用大模板匹配的相似性测度,使匹配性能有较大的提高。但是在实时性要求较高的场合,该方法会有所欠缺,无法在较短的计算时间内充分利用模板的重要信息,达到快速计算的效果。
现有的提高匹配速度的方法难以保证较好的匹配性能,要么是匹配的正确率和精度相对于未提速的匹配算法相差较大,要么是对匹配速度提高的稳定性较差,在某些情况下能够减少较多的计算量,提高较多的匹配速度,但是在某些情况下几乎不能减少计算量,即提速后的匹配算法和未提速的匹配算法的计算速度基本差不多。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于空间关系约束的多子区匹配方法,其目的在于通过将一个大模板拆分为若干个较小的子模板,每个子模板保持和大模板一样的位置关系,由此解决在保证匹配正确率和精度的情况下,减少计算量达到提高运算速度的技术问题。
为实现本发明的目的所采取的具体技术方案如下:
(1)选取子区
将属于大区域中的若干小区域称作子区,在模板上选取若干个子区,该子区也即作为子模板。
子区选择的原则一般是选取角点、线特征明显、具有有别于其他子区或者具有一定区分度的区域,尽量避免重复模式较多的区域。每个子区的大小不宜太小,否则在有尺度或者角度误差的时候对匹配的精度和正确率会有较大的影响。子区选择时应注意空间关系约束,各个子区选择不要相邻太近,应使这些子区可包含大模板大部分信息,这样也可以减少误差,提高匹配精度。
(2)计算子区空间位置关系
子区之间的空间位置关系是通过模板图计算得来的。计算方法如下:
先以任意一个子区作为基准,以基准子区中的任一点(例如可以用左上角点或者中心点)为坐标原点,通过计算其它子区相应点与该基准子区上的该任一点的距离,得到其它子区的坐标点,从而获得其他各子区与基准子区的空间位置关系。
由于计算的是各个子区的相对位置关系,子区之间的位置关系是固定的,因此无论选取哪一个子区作为基准,各个子区间的空间位置关系不变,对匹配性能没有影响。
(3)匹配计算
匹配即指在待匹配的实时图中,利用基准图中的子区搜索到相同或最相近的匹配区域。在进行匹配计算时,保持各个子区空间位置关系不变将各子模板同时在待匹配图像上移动以进行匹配。匹配程度通过相似度来衡量,匹配过程即是计算相似度的过程。
计算相似度的时候,可以采用单独计算每个子区的相似度值,然后再将每个子区的相似度(置信度)值相加起来,得到一个相似度值之和,该相似度值作为衡量上述多个子区构成的区域的相似程度。
相似度的计算有许多成熟的方法,现在就归一化互相关法说明如何计算一个子区的相似度值R。
归一化互相关法(Normal cross—correlation简称NCC)的计算如公式(1):
式中:R(x,y)为相似度值,I(i,j)是大小为W×H的搜索图即待匹配图像,T(i,j)是大小为M×N的子区模板,其中,(i,j)为任意像素点,M,N,W,H均为正整数,分别代表搜索图的长度和宽度,以及子区模板的长度和宽度。(x,y)是模板所覆盖子图任一点(例如左上角顶点)在搜索图中的坐标。
当然,在计算相似度值时,也可以采用将各个子区看成一个大模板计算,计算出一个整体相似度值。
(4)得到最佳匹配点
在搜索区域内比较这些相似度值,取相似度最大的位置作为最佳匹配位置。
本发明的方法通过将一个大模板拆分为若干个较小的子模板,每个子模板保持和大模板一样的位置关系,并且每个子模板中只包含大模板中重要的信息,忽略大模板中重用性不大的信息,从而达到在充分保证匹配正确率和精度的情况下,可适用于多场合,在保证匹配正确率和精度前提下较大提高匹配速度,很大程度地减少计算量,达到提高运算速度的目的。
通过本发明的空间关系约束的多子区匹配方法进行图像匹配,既充分利用了大模板图中的重要信息,忽略掉大模板中在计算过程中重用性不大的信息,减少了计算量,满足实时性要求,也可以利用各个子区之间的相互空间关系,来达到匹配的准确性和精度要求。大量试验结果表明,该方法在目标识别性能相对于传统的大模板灰度或轮廓匹配算法,实时性能有较大的提高。
附图说明
图1是本发明实施例的空间关系约束的多子区匹配方法流程示意图。
图2是本发明实施例具体应用时的场景图。
图3是本发明实施例选取的目标大模板图。
图4是本发明实施例选取的多子区示意图。
图5是本发明实施例各个子区的相互位置关系的示意图。
图6是本发明实施例在匹配计算时各个子区在待匹配图上的坐标。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本实施例的基于空间关系约束的多子区匹配方法的具体步骤如下:
(1)选取子区
场景图以及目标如图2所示,匹配目标所选取的模板图如图3所示。根据模板图的特点和前面介绍子区选取原则,在模板图上选取了多个(例如5个)具有一定区分度的子区,这些区域中主要包含角点、线特征、具有有别于其他子区的特殊形状或者其他具有一定区分度的内容,选取的区域如图4所示。
(2)取得各个子区的空间位置关系
在选取了子区以后,还需要取得各个子区的空间位置关系。
可以取任意一个子区作为基准,以基准子区中的某个点(优先为左上角点或者中心点)为坐标原点,通过计算其它子区与基准子区的相对距离,该距离的计算,可以通过它们在大模板上的相对位置读取它们的相对坐标,得到其它子区的坐标值。
这里以基准子区的左上角点作为坐标原点为例,其他子区在模板图上于基准子区的空间位置关系如图5所示。
如果在高空的不同视角观察目标的图像,由于透视变换的存在,其图像的大小、形状都发生了改变,下视图像和前下视图像拍摄的角度不同,两者存在着较大的几何差异,给配准带来困难。为了减少高空视角影响,在进行匹配前,首先应将各子模板从下视方向透视变换至前视方向,然后再利用变换后的子模板进行匹配。
(3)匹配计算
在进行匹配计算的时候,保持各个子区空间位置关系进行匹配,即各个子区保持其位置关系不变并一起同时在待匹配图像上进行搜索匹配。
为了保持各个子区的空间位置关系,可以先确定基准子区的位置,然后通过其他子区与基准子区的相互位置关系,计算出其他子区在待匹配图上的位置,再进行匹配计算。
例如,基准子区在待匹配图像上的坐标为(70,221),则其他的子区在待匹配图上的坐标,通过它们之间的相互位置关系计算得到,如图6所示。
在确定了各个子区在待匹配图上的匹配位置之后,就可以计算模板与待匹配图的相似度。
在进行相似度度量计算的时候,先单独计算每个子区的相似度,然后再将每个子区的相似度相加起来,得到最后的结果如公式2所示。
c=c1+c2+…+cn(2)
其中c是模板图在实时图上的一个位置计算出来的相似度,c1,c2…cn表示各个子区的相似度,n表示子区的数量。
当然,也可以采用将各个子区当做一个整体大模板的各个部分计算,即在计算的时候将各个子区组合看成一个大模板,直接计算出一个整体相似度值c,此种把各个子区看作整体进行的计算与分开计算子区相似度再相加的方法类似,相对于直接使用大模板的全部信息进行匹配也有速度上的优势。此种利用空间关系约束的多子区匹配的方法,把组合起来的每个子区得到的相似度累加,充分利用大模板图中包含的重要特征信息,排除了大模板中冗余的特征信息,减少了计算量,所以在匹配实时性上更具优势。
(4)得到最佳匹配点
最后,在搜索区域内比较这些相似度值,取得相似度最大的位置,作为最佳匹配位置,完成匹配。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于空间关系约束的多子区匹配方法,其通过在匹配模板中选取多个子区域作为子模板与待匹配图像分别同时进行匹配,利用各子模板的空间位置关系实现图像精确匹配,其特征在于,该方法具体包括:
在匹配模板选取若干个子区域,分别作为子模板;
确定各子模板之间的空间位置关系;
各子模板保持其空间位置关系不变形成组合模板,利用该组合模板在待匹配图像上移动搜索以进行匹配,获得多个该组合模板的相似度值;
比较上述多个相似度值,并以其中相似度值最大的位置作为最佳匹配位置,完成匹配。
2.根据权利要求1所述的基于空间关系约束的多子区匹配方法,其特征在于,所述的组合模板的相似度值可通过该组合模板中的各个子模板的相似度值相加得到。
3.根据权利要求1或2所述的基于空间关系约束的多子区匹配方法,其特征在于,所述各子模板的空间位置关系通过各子模板中对应点的距离确定。
4.根据权利要求3所述的基于空间关系约束的多子区匹配方法,其特征在于,所述各子模板的空间位置关系如下确定:
以任意一子模板作为基准,并以该基准子模板中的任一点为坐标原点,计算其它子模板对应位置处的点与该该任一点的距离,即可得到其它子模板与基准子模板之间的空间位置关系。
5.根据权利要求4所述的基于空间关系约束的多子区匹配方法,其特征在于,所述基准子模板中的任一点可以为子模板区域的中心点、边界点或区域上其他任意点。
6.根据权利要求1-5中任一项所述的基于空间关系约束的多子区匹配方法,其特征在于,所述各子区域相互独立,各不重合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310219392.6A CN103337068B (zh) | 2013-06-04 | 2013-06-04 | 空间关系约束的多子区匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310219392.6A CN103337068B (zh) | 2013-06-04 | 2013-06-04 | 空间关系约束的多子区匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103337068A true CN103337068A (zh) | 2013-10-02 |
CN103337068B CN103337068B (zh) | 2015-09-09 |
Family
ID=49245216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310219392.6A Expired - Fee Related CN103337068B (zh) | 2013-06-04 | 2013-06-04 | 空间关系约束的多子区匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103337068B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761730A (zh) * | 2013-12-31 | 2014-04-30 | 华中科技大学 | 知识约束的公路车辆目标图像气动光学效应校正方法 |
CN105260740A (zh) * | 2015-09-23 | 2016-01-20 | 广州视源电子科技股份有限公司 | 一种元件识别方法及装置 |
CN106503737A (zh) * | 2016-10-20 | 2017-03-15 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
CN106996911A (zh) * | 2016-01-22 | 2017-08-01 | 名硕电脑(苏州)有限公司 | 二维检测锡膏印刷的定位方法 |
CN107590517A (zh) * | 2017-09-19 | 2018-01-16 | 安徽大学 | 一种基于形状信息的图像相似度度量方法及图像配准方法 |
CN107734268A (zh) * | 2017-09-18 | 2018-02-23 | 北京航空航天大学 | 一种结构保持的宽基线视频拼接方法 |
CN108010068A (zh) * | 2017-11-29 | 2018-05-08 | 中国人民解放***箭军工程大学 | 基于梯度方向特征点对的地面时敏目标识别方法 |
CN109410175A (zh) * | 2018-09-26 | 2019-03-01 | 北京航天自动控制研究所 | 基于多子区图像匹配的sar雷达成像质量快速自动评价方法 |
CN110288040A (zh) * | 2019-06-30 | 2019-09-27 | 北京华融塑胶有限公司 | 一种基于拓扑验证的图像相似评判方法及设备 |
CN111915898A (zh) * | 2020-07-24 | 2020-11-10 | 杭州金通科技集团股份有限公司 | 一种停车监控ai电子驿站 |
CN112634140A (zh) * | 2021-03-08 | 2021-04-09 | 广州松合智能科技有限公司 | 一种高精度的全尺寸视觉图像获取***及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194131A (zh) * | 2011-06-01 | 2011-09-21 | 华南理工大学 | 基于五官几何比例特征的快速人脸识别方法 |
CN102663754A (zh) * | 2012-04-17 | 2012-09-12 | 北京博研新创数码科技有限公司 | 一种基于区域高斯加权的图像匹配计算方法 |
-
2013
- 2013-06-04 CN CN201310219392.6A patent/CN103337068B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194131A (zh) * | 2011-06-01 | 2011-09-21 | 华南理工大学 | 基于五官几何比例特征的快速人脸识别方法 |
CN102663754A (zh) * | 2012-04-17 | 2012-09-12 | 北京博研新创数码科技有限公司 | 一种基于区域高斯加权的图像匹配计算方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761730B (zh) * | 2013-12-31 | 2016-04-13 | 华中科技大学 | 知识约束的公路车辆目标图像气动光学效应校正方法 |
CN103761730A (zh) * | 2013-12-31 | 2014-04-30 | 华中科技大学 | 知识约束的公路车辆目标图像气动光学效应校正方法 |
CN105260740A (zh) * | 2015-09-23 | 2016-01-20 | 广州视源电子科技股份有限公司 | 一种元件识别方法及装置 |
WO2017050083A1 (zh) * | 2015-09-23 | 2017-03-30 | 广州视源电子科技股份有限公司 | 一种元件识别方法及装置 |
CN106996911A (zh) * | 2016-01-22 | 2017-08-01 | 名硕电脑(苏州)有限公司 | 二维检测锡膏印刷的定位方法 |
WO2018072334A1 (zh) * | 2016-10-20 | 2018-04-26 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
CN106503737A (zh) * | 2016-10-20 | 2017-03-15 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
CN106503737B (zh) * | 2016-10-20 | 2019-03-05 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
CN107734268A (zh) * | 2017-09-18 | 2018-02-23 | 北京航空航天大学 | 一种结构保持的宽基线视频拼接方法 |
CN107590517A (zh) * | 2017-09-19 | 2018-01-16 | 安徽大学 | 一种基于形状信息的图像相似度度量方法及图像配准方法 |
CN107590517B (zh) * | 2017-09-19 | 2020-07-10 | 安徽大学 | 一种基于形状信息的图像相似度度量方法及图像配准方法 |
CN108010068A (zh) * | 2017-11-29 | 2018-05-08 | 中国人民解放***箭军工程大学 | 基于梯度方向特征点对的地面时敏目标识别方法 |
CN109410175B (zh) * | 2018-09-26 | 2020-07-14 | 北京航天自动控制研究所 | 基于多子区图像匹配的sar雷达成像质量快速自动评价方法 |
CN109410175A (zh) * | 2018-09-26 | 2019-03-01 | 北京航天自动控制研究所 | 基于多子区图像匹配的sar雷达成像质量快速自动评价方法 |
CN110288040A (zh) * | 2019-06-30 | 2019-09-27 | 北京华融塑胶有限公司 | 一种基于拓扑验证的图像相似评判方法及设备 |
CN110288040B (zh) * | 2019-06-30 | 2022-02-11 | 北京华融塑胶有限公司 | 一种基于拓扑验证的图像相似评判方法及设备 |
CN111915898A (zh) * | 2020-07-24 | 2020-11-10 | 杭州金通科技集团股份有限公司 | 一种停车监控ai电子驿站 |
CN112634140A (zh) * | 2021-03-08 | 2021-04-09 | 广州松合智能科技有限公司 | 一种高精度的全尺寸视觉图像获取***及方法 |
CN112634140B (zh) * | 2021-03-08 | 2021-08-13 | 广州松合智能科技有限公司 | 一种高精度的全尺寸视觉图像获取***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103337068B (zh) | 2015-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103337068A (zh) | 空间关系约束的多子区匹配方法 | |
US20180189577A1 (en) | Systems and methods for lane-marker detection | |
CN103714548B (zh) | 基于视觉注意的红外图像与可见光图像配准方法 | |
CN104700414B (zh) | 一种基于车载双目相机的前方道路行人快速测距方法 | |
US9349189B2 (en) | Occlusion resistant image template matching using distance transform | |
CN103411609B (zh) | 一种基于在线构图的飞行器返航路线规划方法 | |
CN103604417B (zh) | 物方信息约束的多视影像双向匹配策略 | |
CN105184830B (zh) | 一种对称图像对称轴检测定位方法 | |
CN106052646A (zh) | 信息处理装置及信息处理方法 | |
CN103700099A (zh) | 一种旋转和尺度不变的宽基线立体匹配方法 | |
CN104268880A (zh) | 基于特征和区域匹配相结合的深度信息获取方法 | |
CN107909018B (zh) | 一种稳健的多模态遥感影像匹配方法和*** | |
Lin et al. | Semi-automatic extraction of road networks by least squares interlaced template matching in urban areas | |
CN103093459A (zh) | 利用机载LiDAR点云数据辅助影像匹配的方法 | |
CN103247029A (zh) | 一种用于拼接式探测器生成的高光谱图像几何配准方法 | |
Nilosek et al. | Assessing geoaccuracy of structure from motion point clouds from long-range image collections | |
CN105387847A (zh) | 非接触式测量方法、测量设备及其测量*** | |
Li et al. | Seamless positioning and navigation by using geo-referenced images and multi-sensor data | |
Wang et al. | Line matching of wide baseline images in an affine projection space | |
CN104318566A (zh) | 可返回多个高程值的新型多视影像铅垂线轨迹匹配方法 | |
Cheng et al. | Positioning and navigation of mobile robot with asynchronous fusion of binocular vision system and inertial navigation system | |
CN104166977A (zh) | 一种图像匹配相似性测度方法及其图像匹配方法 | |
Wan et al. | The P2L method of mismatch detection for push broom high-resolution satellite images | |
WO2015027649A1 (zh) | 一种多尺度模型车辆检测方法 | |
CN103473756B (zh) | 自动配准融合航拍图像和近景图像的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150909 Termination date: 20200604 |