CN103400393A - 一种图像匹配方法和*** - Google Patents
一种图像匹配方法和*** Download PDFInfo
- Publication number
- CN103400393A CN103400393A CN2013103675771A CN201310367577A CN103400393A CN 103400393 A CN103400393 A CN 103400393A CN 2013103675771 A CN2013103675771 A CN 2013103675771A CN 201310367577 A CN201310367577 A CN 201310367577A CN 103400393 A CN103400393 A CN 103400393A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- similarity
- grad
- unique point
- 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
本申请提供一种图像匹配方法和***。该图像匹配方法得到当前时刻一种尺度下可能包含指定物体的搜索区域图像,该图像的中心点为前一时刻指定物体的目标图像的中心点,然后以所述目标图像为划分模板划分所述搜索区域图像,得到与所述目标图像的横向分辨率和纵向分辨率相同的至少两个候选图像,从多个候选图像中选出相似度最大的候选图像,依据目标图像和相似度最大的候选图像的弹性参数调整相似度最大的候选图像,将调整后的候选图像作为当前时刻指定物体的目标图像。因此在得到当前时刻指定物体的目标图像过程中,可以将前一时刻指定物体的目标图像和当前时刻一种尺度下指定物体的图像进行匹配,降低匹配复杂度和匹配数据量,从而提高匹配实时性。
Description
技术领域
本申请涉及图像识别技术领域,特别涉及一种图像匹配方法和***。
背景技术
在视频分析过程中,快速准确的跟踪视频中指定物体,具有重要的意义。随着空间位置和形态的变化,指定物体的颜色、纹理、尺度等特征都会发生变化。其中尺度特征变化的计算最为复杂。
为计算指定物体的尺度变化,现有的算法依赖于多尺度特征提取。算法过程是:获取当前时刻不同尺度下指定物体的图像,将每个尺度下指定物体的图像与前一时刻指定物体的目标图像进行匹配,得到当前时刻指定物体的目标图像,其中当前时刻指定物体的目标图像是当前时刻含有指定物体的区域的图像。
虽然上述多尺度特征提取匹配算法可以得到当前时刻指定物体的目标图像,但是其算法复杂度高,匹配数据量大,降低匹配的实时性。
发明内容
本申请所要解决的技术问题是提供一种图像匹配方法和***,用以解决现有多尺度特征提取匹配算法的复杂度高,匹配数据量大导致的匹配实时性降低的问题。技术方案如下:
一方面,本申请提供一种图像匹配方法,包括:
将前一时刻指定物体的目标图像的中心点作为当前时刻图像的中心点,构建当前时刻一种尺度下搜索区域图像,其中所述搜索区域图像可能包含指定物体,所述搜索区域图像的横向分辨率大于所述目标图像的横向分辨率和/或所述搜索区域图像的纵向分辨率大于所述目标图像的纵向分辨率;
以所述目标图像为划分模板划分所述搜索区域图像,得到与所述目标图像的横向分辨率和纵向分辨率相同的至少两个候选图像;
计算每个所述候选图像和所述目标图像的相似度,选取相似度最大的候选图像;
计算所述目标图像和所述相似度最大的候选图像的弹性参数;
依据所述弹性参数调整所述相似度最大的候选图像;
将调整后的候选图像作为当前时刻指定物体的目标图像。
优选地,所述计算每个所述候选图像和所述目标图像的相似度包括:以m*m邻域对所述目标图像进行划分,其中m是领域的分辨率;
计算每个邻域中各个像素点的梯度,并选取梯度最大值的像素点作为所述像素点所在邻域的特征点;
选取所述候选图像中与每个所述特征点各自对应的相似点,其中所述相似点是以对应的所述特征点为圆心,以R为半径得到的圆形邻域中,梯度数值与所述特征点的梯度数值最接近的像素点;
计算每个所述特征点和对应的所述相似点的相似度;
对同一个候选图像中的相似度进行求和,得到该候选图像和目标图像的相似度。
优选地,所述计算每个领域中各个像素点的梯度包括:
依据公式:
得到每个领域中各个像素点的梯度GRAD=(GRAD(x),GRAD(y)),其中P(x,y)表示像素点,x为横向分辨率,y为横向分辨率。
优选地,计算每个所述特征点和对应的所述相似点的相似度包括:
计算所述特征点和对应的所述相似点的均值相似度DEX(P1,P2)=WEX×|EX1-EX2|,其中P1为所述特征点,P2为所述特征点对应的所述相似点,WEX为均值权值,EX1为P1的均值:EX2为P2的均值:
计算所述特征点和对应的所述相似点的方差相似度DDX(P1,P2)=WDX×|DX1-DX2|,其中,WDX为方差权值,DX1为P1的方差: DX2为P2的方差:
计算所述特征点和对应的所述相似点的梯度相似度DGRAD(P1,P2)=WGRAD×|GRAD1-GRAD2|,其中,WGRAD为梯度权值,GRAD1为P1的梯度,GRAD2为P2的梯度;
依据公式S(P1,P2)=DEX(P1,P2)+DDX(P1,P2)+DGRAD(P1,P2)得到所述特征点和对应的所述相似点的相似度。
优选地,所述计算所述目标图像和所述相似度最大的候选图像的弹性参数包括:
依据公式得到所述弹性参数的位置偏移,其中Ti-1是前一时刻,Ti是当前时刻,是前一时刻指定物体的目标图像中所有特征点的中心: 是当前时刻指定物体的候选图像中所有相似点的中心:n是特征点和相似点的总个数,Pk是特征点,P′k是相似点;
优选地,依据所述弹性参数调整所述相似度最大的候选图像,得到当前时刻指定物体的目标图像包括:
调整所述相似度最大的候选图像的横向分辨率为M×Z(Ti-1,Ti),纵向分辨率为N×Z(Ti-1,Ti),其中M为前一时刻指定物体的目标图像的横向分辨率,N为前一时刻指定物体的目标图像的纵向分辨率;
调整后的所述相似度最大的候选图像作为当前时刻指定物体的目标图像。
另一方面,本申请还提供一种图像匹配***,包括:
构建模块,用于将前一时刻指定物体的目标图像的中心点作为当前时刻图像的中心点,构建当前时刻一种尺度下搜索区域图像,其中所述搜索区域图像可能包含指定物体,所述搜索区域图像的横向分辨率大于所述目标图像的横向分辨率和/或所述搜索区域图像的纵向分辨率大于所述目标图像的纵向分辨率;
划分模块,用于以所述目标图像为划分模板划分所述图像,得到与所述目标图像的横向分辨率和纵向分辨率相同的至少两个候选图像;
第一计算模块,用于计算每个所述候选图像和所述目标图像的相似度,选取相似度最大的候选图像;
第二计算模块,用于计算所述目标图像和所述相似度最大的候选图像的弹性参数;
调整模块,用于依据所述弹性参数调整所述相似度最大的候选图像;
图像获取模块,用于将调整后的候选图像作为当前时刻指定物体的目标图像。
优选地,所述第一计算模块包括:
划分单元,用于以m*m邻域对所述目标图像进行划分,其中m是领域的分辨率;
第一计算单元,用于计算每个邻域中各个像素点的梯度,并选取梯度最大值的像素点作为所述像素点所在邻域的特征点;
选取单元,用于选取所述候选图像中与每个所述特征点各自对应的相似点,其中所述相似点是以对应的所述特征点为圆心,以R为半径得到的圆形邻域中,梯度数值与所述特征点的梯度数值最接近的像素点;
第二计算单元,用于计算每个所述特征点和对应的所述相似点的相似度;
求和单元,用于对同一个候选图像中的相似度进行求和,得到该候选图像和目标图像的相似度。
优选地,所述第一计算单元具体用于:
依据公式:
得到每个领域中各个像素点的梯度GRAD=(GRAD(x),GRAD(y)),其中P(x,y)表示像素点,x为横向分辨率,y为横向分辨率。
优选地,所述第二计算单元包括:
第一计算子单元,用于计算所述特征点和对应的所述相似点的均值相似度DEX(P1,P2)=WEX×|EX1-EX2|,其中P1为所述特征点,P2为所述特征点对应的所述相似点,WEX为均值权值,EX1为P1的均值:EX2为P2的均值:
第二计算子单元,用于计算所述特征点和对应的所述相似点的方差相似度DDX(P1,P2)=WDX×|DX1-DX2|,其中,WDX为方差权值,DX1为P1的方差: DX2为P2的方差:
第三计算子单元,用于计算所述特征点和对应的所述相似点的梯度相似度DGRAD(P1,P2)=WGRAD×|GRAD1-GRAD2|,其中,WGRAD为梯度权值,GRAD1为P1的梯度,GRAD2为P2的梯度;
第四计算子单元,用于依据公式S(P1,P2)=DEX(P1,P2)+DDX(P1,P2)+DGRAD(P1,P2)得到所述特征点和对应的所述相似点的相似度。
优选地,所述第二计算模块包括:
位置偏移计算单元,用于依据公式得到所述弹性参数的位置偏移,其中Ti-1是前一时刻,Ti是当前时刻,是前一时刻指定物体的目标图像中所有特征点的中心: 是当前时刻指定物体的候选图像中所有相似点的中心:n是特征点和相似点的总个数,Pk是特征点,P′k是相似点;
优选地,所述调整模块包括:
分辨率调整单元,用于调整所述相似度最大的候选图像的横向分辨率为M×Z(Ti-1,Ti),纵向分辨率为N×Z(Ti-1,Ti),其中M为前一时刻指定物体的目标图像的横向分辨率,N为前一时刻指定物体的目标图像的纵向分辨率。
与现有技术相比,本申请包括以下优点:
在本申请中,首先得到当前时刻一种尺度下可能包含指定物体的搜索区域图像,该图像的中心点为前一时刻指定物体的目标图像的中心点,然后以所述目标图像为划分模板划分所述搜索区域图像,得到与所述目标图像的横向分辨率和纵向分辨率相同的至少两个候选图像,再从多个候选图像中选取出相似度最大的候选图像,依据目标图像和相似度最大的候选图像的弹性参数调整相似度最大的候选图像,将调整后的候选图像作为当前时刻指定物体的目标图像。因此在得到当前时刻指定物体的目标图像过程中,可以将前一时刻指定物体的目标图像和当前时刻一种尺度下指定物体的图像进行匹配,相对于现有多尺度特征提取匹配算法来说,降低匹配复杂度和匹配数据量,从而提高匹配实时性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的一种图像匹配方法的流程图;
图2是图像划分的一种示意图;
图3是图像划分的另一种示意图;
图4是本申请提供的一种图像匹配方法的子流程图;
图5是图像划分的再一种示意图;
图6是相似点选取的示意图;
图7是本申请提供的一种图像匹配***的结构示意图;
图8是本申请提供的一种图像匹配***的子结构示意图。
具体实施方式
首先对本申请提供的一种图像匹配方法进行说明,该方法可以包括以下步骤:
将前一时刻指定物体的目标图像的中心点作为当前时刻图像的中心点,得到当前时刻一种尺度下可能搜索区域图像,其中所述搜索区域图像包含指定物体,所述搜索区域图像的横向分辨率大于所述目标图像的横向分辨率,所述搜索区域图像的纵向分辨率大于所述目标图像的纵向分辨率;
以所述目标图像为划分模板划分所述搜索区域图像,得到与所述目标图像的横向分辨率和纵向分辨率相同的至少两个候选图像;
计算每个所述候选图像和所述目标图像的相似度,选取相似度最大的候选图像;
计算所述目标图像和所述相似度最大的候选图像的弹性参数;
依据所述弹性参数调整所述相似度最大的候选图像;
将调整后的候选图像作为当前时刻指定物体的目标图像。
该方法提出了匹配当前时刻单一尺度下指定物体的图像与前一时刻的目标图像,以得到当前时刻的目标图像的图像匹配方法,与现有多尺度特征提取匹配算法来说,匹配复杂度和匹配数据量降低,从而提高匹配的实时性。
进一步在匹配过程中,选取目标图像的每个邻域中梯度最大值的像素点作为特征点进行匹配,再次降低了匹配数据量,提高匹配的实时性。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,其示出了本申请实施例提供的一种图像匹配方法的一种流程图,可以包括以下步骤:
步骤101:将前一时刻指定物体的目标图像的中心点作为当前时刻图像的中心点,得到当前时刻一种尺度下搜素区域图像。
在本实施例中,指定物体是视频分析过程中所跟踪的物体,跟踪视频中该指定物体需要匹配到当前时刻该指定物体所在区域,并获取到该区域的图像作为指定物体的目标图像。
在获取当前时刻指定物体的目标图像时,需要选取一个匹配基准。本申请的一种可行方式是:以前一时刻指定物体的目标图像的中心点作为当前时刻图像的中心点,构建当前时刻一种尺度下搜索区域图像。其中该搜索区域图像可能包含指定物体。
在本申请的另一种可行方式中:还可以以其他时刻指定物体的目标图像的中心点作为当前时刻图像的中心点,构建当前时刻一种尺度下可能包含指定物体的搜索区域图像。由于当前时刻指定物体的轨迹和状态更加接近于前一时刻目标图像中指定物体的轨迹和状态,所以本实施例优选以前一时刻指定物体的目标图像的中心点作为当前时刻图像的中心点,构建当前时刻一种尺度下可能包含指定物体的搜索区域图像。
需要注意的一点是:实际视频中,指定物体会不断移动,所以为了跟踪该指定物体,构建的可能包含指定物体的搜索区域图像要比前一时刻的目标图像大。如搜索区域图像的横向分辨率大于目标图像的横向分辨率,或者搜索区域图像的纵向分辨率大于目标图像的纵向分辨率。当然搜索区域图像的横向分辨率和纵向分辨率可以分别大于目标图像的横向分辨率和纵向分辨率。
步骤102:以目标图像为划分模板划分图像,得到与目标图像的横向分辨率和纵向分辨率相同的至少两个候选图像。
为了便于以目标图像为划分模板划分图像,当前时刻搜索区域图像的横向分辨率优选是目标图像的横向分辨率的整数倍,搜索区域图像的纵向分辨率优选是目标图像的纵向分辨率的整数倍,两者的关系是Mc*Nc=(F*M)*(F*N)。其中Mc是搜索区域图像的横向分辨率,Nc是搜索区域图像的纵向分辨率,M是目标图像的横向分辨率,N是目标图像的纵向分辨率。
在目标跟踪中,相邻帧间指定物体移动的范围有限,所以在本申请中F的取值优选2,如目标图像的尺寸是M*N,则指定物体的图像的尺寸是2M*2N。使用目标图像对该种尺寸的图像进行划分时,可以将该种尺寸的图像进行均分,得到4个与目标图像的横向分辨率和纵向分辨率相同的候选图像。
在划分图像时,目标图像需要全部位于搜索区域图像内,而不能使目标图像部分位于搜索区域图像外,如图2所示示意图,其中填充有白色的图像是目标图像,未填充颜色的图像是搜索区域图像。当目标图像对搜索区域图像划分后,如果剩余图像区域不能全部包括目标图像,则将目标图像向指定物体的图像内部移动直至目标图像全部包括在搜索区域图像中,如图3所示。
步骤103:计算每个候选图像和目标图像的相似度,选取相似度最大的候选图像。
其中相似度是指候选图像和目标图像的相似程度。相似度越大,说明候选图像和目标图像含有更多相同的内容,候选图像中包括指定物体的可能性也越大。
在本实施例中,计算候选图像和目标图像的相似度的过程请参阅图4所示,包括:
步骤1031:以m*m邻域对目标图像进行划分,其中m是领域的分辨率。
在对目标图像进行邻域划分时,需要将目标图像划分成多个m*m的邻域,如图5所示,12*9的目标图像被均分成12个3*3的邻域。
需要说明的是:目标图像若不能被均分成多个m*m的邻域,则在目标图像划分过程中,选择使未能划分至邻域的边缘部分越少的邻域划分。如7*7的目标图像,可以被均分成4个3*3的邻域,相对于被分成1个4*4邻域来说,被划分为3*3的邻域的目标图像中未划分至邻域的边缘部分小于采用4*4方式划分。
进一步舍弃目标图像的边缘部分。由于舍弃的边缘部分在目标图像内所占比例较小,不会影响匹配过程。
步骤1032:计算每个邻域中各个像素点的梯度,并选取梯度最大值的像素点作为像素点所在邻域的特征点。
其中像素点采用P(x,y)表示,梯度的表示方式是GRAD=(GRAD(x),GRAD(y)),x为横向分辨率,y为横向分辨率,GRAD(x)表示x方向的梯度,GRAD(y)表示y方向的梯度。计算公式如下:
步骤1033:选取候选图像中与每个特征点各自对应的相似点,其中相似点是以对应的特征点为圆心,以R为半径得到的圆形邻域中,梯度数值与特征点的梯度数值最接近的像素点。
下面结合附图6对选取过程进行说明,左边为前一时刻的目标图像,右边为当前时刻的候选图像,对于前一时刻目标图像的特征点Pi,在对应当前时刻的候选图像中,以Pi为中心、R为半径得到圆形邻域。其中R的取值根据不同应用场景可以取不同数值,对此本实施例不加以限制。
计算该圆形邻域中各个像素点的梯度,然后匹配出梯度数值与特征点Pi的梯度数值最接近的像素点,如图6中的像素点p′i为特征点Pi的相似点。圆形邻域中各个像素点的梯度计算公式可以参阅特征点的梯度计算公式。
步骤1034:计算每个特征点和对应的相似点的相似度。具体过程如下:
计算特征点和对应的相似点的方差相似度DDX(P1,P2)=WDX×|DX1-DX2|,其中,WDX为方差权值,DX1为P1的方差: DX2为P2的方差:
计算特征点和对应的相似点的梯度相似度DGRAD(P1,P2)=WGRAD×|GRAD1-GRAD2|,其中,WGRAD为梯度权值,GRAD1为P1的梯度,GRAD2为P2的梯度。
依据公式S(P1,P2)=DEX(P1,P2)+DDX(P1,P2)+DGRAD(P1,P2)得到特征点和对应的相似点的相似度。
步骤1035:对同一个候选图像中的相似度进行求和,得到该候选图像和目标图像的相似度。
步骤104:计算目标图像和相似度最大的候选图像的弹性参数。
其中弹性参数包括位置偏移和尺度变化。位置偏移的计算公式是:其中Ti-1是前一时刻,Ti是当前时刻,是前一时刻指定物体的目标图像中所有特征点的中心: 是当前时刻指定物体的候选图像中所有相似点的中心:n是特征点和相似点的总个数,Pk是特征点,P′k是相似点。
步骤105:依据弹性参数调整相似度最大的候选图像。
在本实施例中,调整候选图像主要包括调整候选图像的中心点、横向分辨率和纵向分辨率,具体过程可以是:
调整所述相似度最大的候选图像的中心点为其中CTi-1(xi,yi)为前一时刻指定物体的目标图像的中心点;调整所述相似度最大的候选图像的横向分辨率为M×Z(Ti-1,Ti),纵向分辨率为N×Z(Ti-1,Ti),其中M为前一时刻指定物体的目标图像的横向分辨率,N为前一时刻指定物体的目标图像的纵向分辨率。
步骤106:将调整后的候选图像作为当前时刻指定物体的目标图像。
应用本申请实施例提供的图像匹配方法,首先得到当前时刻一种尺度下搜索区域图像,该图像的中心点为前一时刻指定物体的目标图像的中心点,然后以所述目标图像为划分模板划分所述图像,得到与所述目标图像的横向分辨率和纵向分辨率相同的至少两个候选图像,再从多个候选图像中选取出相似度最大的候选图像,依据目标图像和相似度最大的候选图像的弹性参数调整相似度最大的候选图像,调整后的候选图像作为当前时刻指定物体的目标图像。因此在得到当前时刻指定物体的目标图像过程中,可以将前一时刻指定物体的目标图像和当前时刻一种尺度下指定物体的图像进行匹配,相对于现有多尺度特征提取匹配算法来说,降低匹配复杂度和匹配数据量,从而提高匹配实时性。
进一步,在具体匹配过程中,通过单一特征点和相似点的相似度计算得到最有可能包括指定物体的候选图像,再次降低匹配数据量和匹配复杂度,提高匹配实时性。
与上述方法实施例相对应,本申请实施例还提供一种图像匹配***,其结构示意图请参阅7所示,可以包括:构建模块11、划分模块12、第一计算模块13、第二计算模块14、调整模块15和图像获取模块16。其中,
构建模块11,用于将前一时刻指定物体的目标图像的中心点作为当前时刻图像的中心点,构建当前时刻一种尺度下搜索区域图像,其中所述搜索区域图像可能包含指定物体,所述搜索区域图像的横向分辨率大于所述目标图像的横向分辨率和/或所述图像的纵向分辨率大于所述目标图像的纵向分辨率。
划分模块12,用于以所述目标图像为划分模板划分所述图像,得到与所述目标图像的横向分辨率和纵向分辨率相同的至少两个候选图像。
第一计算模块13,用于计算每个所述候选图像和所述目标图像的相似度,选取相似度最大的候选图像。其中相似度是指候选图像和目标图像的相似程度。相似度越大,说明候选图像和目标图像含有更多相同的内容,候选图像中包括指定物体的可能性也越大。
在本实施例中,第一计算模块13的结构示意图请参阅图8所示,可以包括:划分单元131、第一计算单元132、选取单元133、第二计算单元134和求和单元135。其中,
划分单元131,用于以m*m邻域对所述目标图像进行划分,其中m是领域的分辨率。
第一计算单元132,用于计算每个邻域中各个像素点的梯度,并选取梯度最大值的像素点作为所述像素点所在邻域的特征点。具体第一计算单元132具体用于:
依据公式:
得到每个领域中各个像素点的梯度GRAD=(GRAD(x),GRAD(y)),其中P(x,y)表示像素点,x为横向分辨率,y为横向分辨率。
选取单元133,用于选取所述候选图像中与每个所述特征点各自对应的相似点,其中所述相似点是以对应的所述特征点为圆心,以R为半径得到的圆形邻域中,梯度数值与所述特征点的梯度数值最接近的像素点。
第二计算单元134,用于计算每个所述特征点和对应的所述相似点的相似度。求和单元135,用于对同一个候选图像中的相似度进行求和,得到该候选图像和目标图像的相似度。
在本实施例中,第二计算单元134可以包括:第一计算子单元、第二计算子单元、第三计算子单元和第四计算子单元。其中,
第一计算子单元,用于计算所述特征点和对应的所述相似点的均值相似度DEX(P1,P2)=WEX×|EX1-EX2|,其中P1为所述特征点,P2为所述特征点对应的所述相似点,WEX为均值权值,EX1为P1的均值:EX2为P2的均值:
第二计算子单元,用于计算所述特征点和对应的所述相似点的方差相似度DDX(P1,P2)=WDX×|DX1-DX2|,其中,WDX为方差权值,DX1为P1的方差: DX2为P2的方差:
第三计算子单元,用于计算所述特征点和对应的所述相似点的梯度相似度DGRAD(P1,P2)=WGRAD×|GRAD1-GRAD2|,其中,WGRAD为梯度权值,GRAD1为P1的梯度,GRAD2为P2的梯度。
第四计算子单元,用于依据公式S(P1,P2)=DEX(P1,P2)+DDX(P1,P2)+DGRAD(P1,P2)得到所述特征点和对应的所述相似点的相似度。
第二计算模块14,用于计算所述目标图像和所述相似度最大的候选图像的弹性参数。其中第二计算模块14可以包括:位置偏移计算单元和尺度变化计算单元。其中,
位置偏移计算单元,用于依据公式得到所述弹性参数的位置偏移,其中Ti-1是前一时刻,Ti是当前时刻,是前一时刻指定物体的目标图像中所有特征点的中心: 是当前时刻指定物体的候选图像中所有相似点的中心:n是特征点和相似点的总个数,Pk是特征点,P′k是相似点。
调整模块15,用于依据所述弹性参数调整所述相似度最大的候选图像。在本实施例中,所述调整模块15包括:中心点调整单元和分辨率调整单元。
分辨率调整单元,用于调整所述相似度最大的候选图像的横向分辨率为M×Z(Ti-1,Ti),纵向分辨率为N×Z(Ti-1,Ti),其中M为前一时刻指定物体的目标图像的横向分辨率,N为前一时刻指定物体的目标图像的纵向分辨率。
图像获取模块16,用于将调整后的候选图像作为当前时刻指定物体的目标图像。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于***类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便,描述以上装置时以功能分为各种模块/单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
以上对本申请所提供的一种图像匹配方法和***进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种图像匹配方法,其特征在于,包括:
将前一时刻指定物体的目标图像的中心点作为当前时刻图像的中心点,构建当前时刻一种尺度下搜索区域图像,其中所述搜索区域图像可能包含指定物体,所述搜索区域图像的横向分辨率大于所述目标图像的横向分辨率和/或所述搜索区域图像的纵向分辨率大于所述目标图像的纵向分辨率;
以所述目标图像为划分模板划分所述搜索区域图像,得到与所述目标图像的横向分辨率和纵向分辨率相同的至少两个候选图像;
计算每个所述候选图像和所述目标图像的相似度,选取相似度最大的候选图像;
计算所述目标图像和所述相似度最大的候选图像的弹性参数;
依据所述弹性参数调整所述相似度最大的候选图像;
将调整后的候选图像作为当前时刻指定物体的目标图像。
2.根据权利要求1所述的图像匹配方法,其特征在于,所述计算每个所述候选图像和所述目标图像的相似度包括:以m*m邻域对所述目标图像进行划分,其中m是领域的分辨率;
计算每个邻域中各个像素点的梯度,并选取梯度最大值的像素点作为所述像素点所在邻域的特征点;
选取所述候选图像中与每个所述特征点各自对应的相似点,其中所述相似点是以对应的所述特征点为圆心,以R为半径得到的圆形邻域中,梯度数值与所述特征点的梯度数值最接近的像素点;
计算每个所述特征点和对应的所述相似点的相似度;
对同一个候选图像中的相似度进行求和,得到该候选图像和目标图像的相似度。
3.根据权利要求2所述的图像匹配方法,其特征在于,所述计算每个领域中各个像素点的梯度包括:
依据公式:
得到每个领域中各个像素点的梯度GRAD=(GRAD(x),GRAD(y)),其中P(x,y)表示像素点,x为横向分辨率,y为横向分辨率。
4.根据权利要求3所述的图像匹配方法,其特征在于,计算每个所述特征点和对应的所述相似点的相似度包括:
计算所述特征点和对应的所述相似点的均值相似度DEX(P1,P2)=WEX×|EX1-EX2|,其中P1为所述特征点,P2为所述特征点对应的所述相似点,WEX为均值权值,EX1为P1的均值:EX2为P2的均值:
计算所述特征点和对应的所述相似点的方差相似度DDX(P1,P2)=WDX×|DX1-DX2|,其中,WDX为方差权值,DX1为P1的方差: DX2为P2的方差:
计算所述特征点和对应的所述相似点的梯度相似度DGRAD(P1,P2)=WGRAD×|GRAD1-GRAD2|,其中,WGRAD为梯度权值,GRAD1为P1的梯度,GRAD2为P2的梯度;
依据公式S(P1,P2)=DEX(P1,P2)+DDX(P1,P2)+DGRAD(P1,P2)得到所述特征点和对应的所述相似点的相似度。
7.一种图像匹配***,其特征在于,包括:
构建模块,用于将前一时刻指定物体的目标图像的中心点作为当前时刻图像的中心点,构建当前时刻一种尺度下搜索区域图像,其中所述搜索区域图像可能包含指定物体,所述搜索区域图像的横向分辨率大于所述目标图像的横向分辨率和/或所述搜索区域图像的纵向分辨率大于所述目标图像的纵向分辨率;
划分模块,用于以所述目标图像为划分模板划分所述图像,得到与所述目标图像的横向分辨率和纵向分辨率相同的至少两个候选图像;
第一计算模块,用于计算每个所述候选图像和所述目标图像的相似度,选取相似度最大的候选图像;
第二计算模块,用于计算所述目标图像和所述相似度最大的候选图像的弹性参数;
调整模块,用于依据所述弹性参数调整所述相似度最大的候选图像;
图像获取模块,用于将调整后的候选图像作为当前时刻指定物体的目标图像。
8.根据权利要求7所述的图像匹配***,其特征在于,所述第一计算模块包括:
划分单元,用于以m*m邻域对所述目标图像进行划分,其中m是领域的分辨率;
第一计算单元,用于计算每个邻域中各个像素点的梯度,并选取梯度最大值的像素点作为所述像素点所在邻域的特征点;
选取单元,用于选取所述候选图像中与每个所述特征点各自对应的相似点,其中所述相似点是以对应的所述特征点为圆心,以R为半径得到的圆形邻域中,梯度数值与所述特征点的梯度数值最接近的像素点;
第二计算单元,用于计算每个所述特征点和对应的所述相似点的相似度;
求和单元,用于对同一个候选图像中的相似度进行求和,得到该候选图像和目标图像的相似度。
9.根据权利要求8所述的图像匹配***,其特征在于,所述第一计算单元具体用于:
依据公式:
得到每个领域中各个像素点的梯度GRAD=(GRAD(x),GRAD(y)),其中P(x,y)表示像素点,x为横向分辨率,y为横向分辨率。
10.根据权利要求9所述的图像匹配***,其特征在于,所述第二计算单元包括:
第一计算子单元,用于计算所述特征点和对应的所述相似点的均值相似度DEX(P1,P2)=WEX×|EX1-EX2|,其中P1为所述特征点,P2为所述特征点对应的所述相似点,WEX为均值权值,EX1为P1的均值:EX2为P2的均值:
第二计算子单元,用于计算所述特征点和对应的所述相似点的方差相似度DDX(P1,P2)=WDX|×DX1-DX2|,其中,WDX为方差权值,DX1为P1的方差: DX2为P2的方差:
第三计算子单元,用于计算所述特征点和对应的所述相似点的梯度相似度DGRAD(P1,P2)=WGRAD×|GRAD1-GRAD2|,其中,WGRAD为梯度权值,GRAD1为P1的梯度,GRAD2为P2的梯度;
第四计算子单元,用于依据公式S(P1,P2)=DEX(P1,P2)+DDX(P1,P2)+DGRAD(P1,P2)得到所述特征点和对应的所述相似点的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310367577.1A CN103400393B (zh) | 2013-08-21 | 2013-08-21 | 一种图像匹配方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310367577.1A CN103400393B (zh) | 2013-08-21 | 2013-08-21 | 一种图像匹配方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103400393A true CN103400393A (zh) | 2013-11-20 |
CN103400393B CN103400393B (zh) | 2016-07-20 |
Family
ID=49564005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310367577.1A Active CN103400393B (zh) | 2013-08-21 | 2013-08-21 | 一种图像匹配方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103400393B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970906A (zh) * | 2014-05-27 | 2014-08-06 | 百度在线网络技术(北京)有限公司 | 视频标签的建立方法和装置、视频内容的显示方法和装置 |
CN105631803A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 滤镜处理的方法和装置 |
CN105719305A (zh) * | 2016-01-25 | 2016-06-29 | 成都国铁电气设备有限公司 | 接触网中组件脱落缺陷识别方法及*** |
CN105744171A (zh) * | 2016-03-30 | 2016-07-06 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
CN109685142A (zh) * | 2018-12-25 | 2019-04-26 | 国信优易数据有限公司 | 一种图像匹配方法及装置 |
CN115393405A (zh) * | 2021-05-21 | 2022-11-25 | 北京字跳网络技术有限公司 | 一种图像对齐方法及装置 |
CN116091504A (zh) * | 2023-04-11 | 2023-05-09 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050180611A1 (en) * | 2004-02-13 | 2005-08-18 | Honda Motor Co., Ltd. | Face identification apparatus, face identification method, and face identification program |
CN101231755A (zh) * | 2007-01-25 | 2008-07-30 | 上海遥薇实业有限公司 | 运动目标跟踪及数量统计方法 |
CN101763633A (zh) * | 2009-07-15 | 2010-06-30 | 中国科学院自动化研究所 | 基于显著性区域的可见光图像配准方法 |
-
2013
- 2013-08-21 CN CN201310367577.1A patent/CN103400393B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050180611A1 (en) * | 2004-02-13 | 2005-08-18 | Honda Motor Co., Ltd. | Face identification apparatus, face identification method, and face identification program |
CN101231755A (zh) * | 2007-01-25 | 2008-07-30 | 上海遥薇实业有限公司 | 运动目标跟踪及数量统计方法 |
CN101763633A (zh) * | 2009-07-15 | 2010-06-30 | 中国科学院自动化研究所 | 基于显著性区域的可见光图像配准方法 |
Non-Patent Citations (2)
Title |
---|
杨小冈,曹菲,缪栋,张云鹏: "基于相似度比较的图像灰度匹配算法研究", 《***工程与电子技术》 * |
陈宇: "人脸检测与跟踪技术的研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970906A (zh) * | 2014-05-27 | 2014-08-06 | 百度在线网络技术(北京)有限公司 | 视频标签的建立方法和装置、视频内容的显示方法和装置 |
CN103970906B (zh) * | 2014-05-27 | 2017-07-04 | 百度在线网络技术(北京)有限公司 | 视频标签的建立方法和装置、视频内容的显示方法和装置 |
CN105631803A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 滤镜处理的方法和装置 |
CN105631803B (zh) * | 2015-12-17 | 2019-05-28 | 小米科技有限责任公司 | 滤镜处理的方法和装置 |
CN105719305A (zh) * | 2016-01-25 | 2016-06-29 | 成都国铁电气设备有限公司 | 接触网中组件脱落缺陷识别方法及*** |
CN105719305B (zh) * | 2016-01-25 | 2018-10-19 | 成都国铁电气设备有限公司 | 接触网中组件脱落缺陷识别方法及*** |
CN105744171B (zh) * | 2016-03-30 | 2019-03-08 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
CN105744171A (zh) * | 2016-03-30 | 2016-07-06 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
CN109685142A (zh) * | 2018-12-25 | 2019-04-26 | 国信优易数据有限公司 | 一种图像匹配方法及装置 |
CN115393405A (zh) * | 2021-05-21 | 2022-11-25 | 北京字跳网络技术有限公司 | 一种图像对齐方法及装置 |
CN116091504A (zh) * | 2023-04-11 | 2023-05-09 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
CN116091504B (zh) * | 2023-04-11 | 2023-08-11 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
CN116091504B8 (zh) * | 2023-04-11 | 2023-09-15 | 重庆大学 | 基于图像处理的连接管连接头质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103400393B (zh) | 2016-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400393A (zh) | 一种图像匹配方法和*** | |
CN102999913A (zh) | 一种基于可信点传播的局部立体匹配方法 | |
CN101400001B (zh) | 一种视频帧深度图的生成方法及*** | |
CN102184540B (zh) | 基于尺度空间的亚像素级立体匹配方法 | |
CN110705448A (zh) | 一种人体检测方法及装置 | |
CN104036488B (zh) | 一种基于双目视觉的人体姿态动作研究方法 | |
CN109377530A (zh) | 一种基于深度神经网络的双目深度估计方法 | |
CN106875443B (zh) | 基于灰度约束的三维数字散斑的整像素搜索方法及装置 | |
US11551364B2 (en) | Multi-target tracking method and related device | |
CN103236160A (zh) | 基于视频图像处理技术的路网交通状态监测*** | |
CN104902254A (zh) | 用于立体图像的视差图估计的方法、装置及计算机程序产品 | |
CN103900583A (zh) | 用于即时定位与地图构建的设备和方法 | |
CN107578430A (zh) | 一种基于自适应权值和局部熵的立体匹配方法 | |
CN103150740A (zh) | 一种基于视频的运动目标跟踪方法和*** | |
CN107170008A (zh) | 一种深度图创建方法、***以及图像虚化方法、*** | |
CN108596975A (zh) | 一种针对弱纹理区域的立体匹配算法 | |
CN110567398A (zh) | 双目立体视觉三维测量方法及***、服务器及存储介质 | |
CN106600632A (zh) | 一种改进匹配代价聚合的立体匹配算法 | |
CN103384343B (zh) | 一种填补图像空洞的方法及其装置 | |
CN106355608A (zh) | 基于可变权重代价计算与S‑census变换的立体匹配方法 | |
CN112418084A (zh) | 一种基于点云时序信息融合的三维目标检测方法 | |
CN104881640A (zh) | 一种获取向量的方法及装置 | |
CN102740096A (zh) | 一种基于时空结合的动态场景立体视频匹配方法 | |
CN102096919A (zh) | 一种基于双向加权聚合的实时立体匹配方法 | |
CN111141294B (zh) | 一种基于位置编码运动轨迹比对的方法 |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: Room 101-105, floor 1, Chuangda building, No. 9, Qinghua East Road, Haidian District, Beijing 100083 (Dongsheng District) Patentee after: Thunder Software Technology Co., Ltd. Address before: 100191 Beijing Haidian District Lung Cheung Road No. 1 Tai Xiang business building 4 layer 401-409 Patentee before: Thunder Software Technology Co., Ltd. |