CN105844290B - 匹配图像中多个相同对象的方法及装置 - Google Patents
匹配图像中多个相同对象的方法及装置 Download PDFInfo
- Publication number
- CN105844290B CN105844290B CN201610153710.7A CN201610153710A CN105844290B CN 105844290 B CN105844290 B CN 105844290B CN 201610153710 A CN201610153710 A CN 201610153710A CN 105844290 B CN105844290 B CN 105844290B
- Authority
- CN
- China
- Prior art keywords
- point
- match
- image
- point set
- given object
- 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.)
- Active
Links
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请是关于一种匹配图像中多个相同对象的方法及装置。一种匹配图像中多个相同对象的方法包括:提取给定对象的特征点集作为第一特征点集,提取待匹配图像的特征点集作为第二特征点集;将所述第一特征点集与所述第二特征点集中的特征点进行匹配,得到所述待匹配图像上的匹配点集;利用聚类算法对所述匹配点集按照分布密度进行分类,形成多个匹配点子集。本申请的技术方案能够使分类更加准确。
Description
技术领域
本公开涉及图像识别领域,尤其涉及匹配图像中多个相同对象的方法及装置。
背景技术
在图像中查找图像中的对象等应用非常广泛。例如当图形用户界面中具有多个极为相似甚至相同的给定对象时,往往需要将图形用户界面所包含的所有匹配目标查询出来。
相关技术提供了一种多目标识别算法,该算法用SUSAN角点形成SIFT特征点,采用阶梯图像金字塔结构实现尺度不变,为所有匹配点建立统一的超定线性方程组并对该方程组系数矩阵进行简化使其维数降低一半,得到增广矩阵。对增广矩阵进行列变换,依据坐标转换的特性可从中提取多目标的稳定正常点,实现了快速分离多目标的匹配点。但是上述方法鲁棒性不足。另外,对于分离后的匹配点没有涉及相关的范围获取处理。
发明内容
本公开提供一种匹配图像中多个相同对象的方法及装置,能够获得带有分类标签的匹配点,分类更准确。
根据本公开实施例的第一方面,提供一种匹配图像中多个相同对象的方法,包括:提取给定对象的特征点集作为第一特征点集,提取待匹配图像的特征点集作为第二特征点集;
将所述第一特征点集与所述第二特征点集中的特征点进行匹配,得到所述待匹配图像上的匹配点集;
利用聚类算法对所述匹配点集按照分布密度进行分类,形成多个匹配点子集。
于一实施例中,该方法还包括:遍历所述多个匹配点子集,分别根据每个匹配点子集及所述给定对象的尺寸得到所述待匹配图像中与所述给定对象相匹配的目标对象的范围。
于一实施例中,遍历所述多个匹配点子集,分别根据每个匹配点子集及所述给定对象的尺寸得到所述待匹配图像中与所述给定对象相匹配的目标对象的范围包括:
从匹配点子集Q中任意选取两个匹配点A和B,计算所述匹配点A与B之间的距离作为第一距离;
分别获取所述给定对象中与所述匹配点A和B对应的匹配点C和D,计算所述匹配点C与D之间的距离作为第二距离;
计算所述第一距离与所述第二距离之间的比值作为第一匹配比例;
根据所述第一匹配比例、所述匹配点A及所述给定对象中与所述匹配点A对应的所述匹配点C的坐标值、以及所述给定对象的尺寸,得到与所述给定对象相匹配的目标对象的范围。
于一实施例中,所述目标对象的范围通过如下公式确定:
RectA=(xa-xc*p,ya-yc*p,w*p,h*p);
其中RectA对应一矩形范围,RectA中四个元素依次为:矩形范围的左下角横坐标、矩形范围的左下角纵坐标,矩形范围的宽度、以及矩形范围的高度;
xa为所述匹配点A在x轴上的坐标;
xc为所述匹配点C在x轴上的坐标;
ya为所述匹配点A在y轴上的坐标;
yc为所述匹配点C在y轴上的坐标;
p为所述匹配比例;
w为所述给定对象的宽度像素值;
h为所述给定对象的高度像素值。
于一实施例中,所述给定对象包括图标和按钮。
于一实施例中,所述聚类算法包括DBSCAN算法、OPTICS算法或DENCLUE算法。
于一实施例中,采用SIFT算法提取给定对象的特征点集作为第一特征点集,以及提取待匹配图像的特征点集作为第二特征点集。
于一实施例中,SIFT算法包括:利用高斯卷积核对所述给定图像进行处理,得到多尺度空间图像;对所述多尺度空间图像进行高斯差分处理,构建高斯差分尺度空间图像;检测所述高斯差分尺度空间图像的局部极值点,利用拟合三维二次函数将所述局部极值点精确到亚像素级,采用阈值法和Hessian矩阵法对所述局部极值点进行筛选得到特征点集。
根据本公开实施例的第二方面,提供一种匹配图像中多个相同对象的装置,包括:
特征点集提取单元,用于提取给定对象的特征点集作为第一特征点集,提取待匹配图像的特征点集作为第二特征点集;
匹配点集获取单元,用于将所述第一特征点集与所述第二特征点集中的特征点进行匹配,得到所述待匹配图像上的匹配点集;
分类单元,用于利用聚类算法对所述匹配点集按照分布密度进行分类,形成多个匹配点子集。
于一实施例中,该装置还包括:范围获取单元,用于遍历所述多个匹配点子集,分别根据每个匹配点子集及所述给定对象的尺寸得到所述待匹配图像中与所述给定对象相匹配的目标对象的范围。
于一实施例中,所述范围获取单元配置为:从匹配点子集Q中任意选取两个匹配点A和B,计算所述匹配点A与B之间的距离作为第一距离;
分别获取所述给定对象中与所述匹配点A和B对应的匹配点C和D,计算所述匹配点C与D之间的距离作为第二距离;
计算所述第一距离与所述第二距离之间的比值作为第一匹配比例;
根据所述第一匹配比例、所述匹配点A及所述给定对象中与所述匹配点A对应的所述匹配点C的坐标值、以及所述给定对象的尺寸,得到与所述给定对象相匹配的目标对象的范围。
于一实施例中,所述聚类算法包括DBSCAN算法、OPTICS算法或DENCLUE算法。
于一实施例中,所述特征点集提取单元配置为执行SIFT算法。
于一实施例中,所述特征点集提取单元配置为:利用高斯卷积核对所述给定图像进行处理,得到多尺度空间图像;对所述多尺度空间图像进行高斯差分处理,构建高斯差分尺度空间图像;检测所述高斯差分尺度空间图像的局部极值点,利用拟合三维二次函数将所述局部极值点精确到亚像素级,采用阈值法和Hessian矩阵法对所述局部极值点进行筛选得到特征点集。
根据本公开实施例的技术方案,能有效减少噪点的干扰,可以使分类更加准确。另外,根据其他实施例的技术方案,提供根据分离的匹配点获取目标对象范围的方法,更符合对象识别的目的。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的匹配图像中多个相同对象的方法的流程图;
图2是根据一示例性实施例示出的匹配图像中多个相同对象的示意图;
图3是根据一示例性实施例示出的匹配图像中多个相同对象的方法的流程图;
图4是根据一示例性实施例示出的计算目标对象范围的方法的流程图;
图5是根据一示例性实施例示出的匹配图像中多个相同对象的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的匹配图像中多个相同对象的方法的流程图。本实施例可适用于从待匹配图像中匹配出多个与给定的给定对象形状内容一致的对象的情况。如图1所示,本实施例所述的匹配图像中多个相同对象的方法包括:
在步骤S110中,提取给定对象的特征点集作为第一特征点集,提取待匹配图像的特征点集作为第二特征点集。
需要说明的是,所述给定对象可为任意具有明确轮廓的图像元素,例如图标、按钮等。所述待匹配图像是包含了多个所述给定对象的图像,可以为图形用户界面等,例如具有图像或文字的按钮或图标。
本领域普通技术人员需要明确的是,提取给定对象的特征点集作为第一特征点集,以及提取待匹配图像的特征点集作为第二特征点集可采用多种方法执行。例如,可基于SIFT算法、SURF算法、小波变换的边缘点算法、以及Harris角点检测算法等,本公开对此并不作限制。
下面以采用SIFT算法为例进行说明。
采用SIFT算法提取给定图像的特征点集可包括:利用高斯卷积核对所述给定图像进行处理,得到多尺度空间图像;对所述多尺度空间图像进行高斯差分处理,构建高斯差分尺度空间图像;检测所述高斯差分尺度空间图像的局部极值点,利用拟合三维二次函数将所述局部极值点精确到亚像素级,采用阈值法和Hessian矩阵法对所述局部极值点进行筛选得到特征点集。
在步骤S120中,将所述第一特征点集与所述第二特征点集中的特征点进行匹配,得到所述待匹配图像上的匹配点集。
本实施例可采用任何特征点匹配,本公开对此不做限制。例如,可计算两个特征点的特征向量的欧氏距离作为两幅图像(如给定对象与待匹配图像)中特征点的相似性判定度量。例如,取给定对象的特征点A,通过遍历待匹配图像计算所有有效特征点对应的欧式距离,如果距离小于某个阈值,则判定该点是点A的匹配点。
对于SIFT算法而言,由于SIFT特征点的平移、缩放不变性可以解决不同分辨率显示内容相同图像的兼容性问题,对于不同分辨率但显示内容相同或极为相似的待匹配图像和给定对象都能获得相应匹配点,从而能够实现不同分辨率图像的兼容性。
在步骤S130中,对所述匹配点集进行分类可形成多个匹配点子集。有多种聚类算法可用于对匹配点集进行分类,例如划分法、层次法、密度算法等。
划分聚类法大部分是基于距离的,并且需要给定一个分区数K,对于分区数不确定的情况则需要进行迭代分析,从而获取最优解。对于给定的K,算法首先给出一个初始的分组方法,以后通过反复迭代的方法改变分组,使得每一次改进之后的分组方案都较前一次好。而所谓好的标准就是:同一分组中的记录越近越好,而不同分组中的记录越远越好。划分法的相关算法包括K-MEANS算法、K-MEDOIDS算法、CLARANS算法等。
层次聚类方法(hierarchical methods)可以是基于距离的或基于密度或连通性的。这种方法对给定的数据集进行层次似的分解,直到某种条件满足为止。层次聚类方法的一些扩展也考虑了子空间聚类。层次方法的缺陷在于,一旦一个步骤(合并或***)完成,它就不能被撤销,因此它不能更正错误的决定。层次法的相关算法包括BIRCH算法、CURE算法、CHAMELEON算法等。
密度算法的指导思想就是,只要一个区域中的点的密度大过某个阈值,就把它加到与之相近的聚类中去。密度算法包括DBSCAN算法、OPTICS算法、DENCLUE算法等。基于密度的方法与其它方法的一个根本区别是:它不是基于各种各样的距离的,而是基于密度的。密度算法可以克服基于距离的算法只能发现“类圆形”的聚类的缺点,对于一些远离聚类的噪点有很好的排除作用,可在有噪声的空间数据库中发现任意形状的聚类。下面以DBSCAN算法为例说明根据本发明一实施例的分类过程。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
根据一实施例,利用DBSCAN算法对匹配点进行分类得到多个匹配点子集的过程如下。
从待匹配图像上的匹配点集中任取一个未处理的点。
以该选取的点为中心,在半径E范围内进行搜索。将匹配点集在半径E范围内的点的数量与一阈值MinPts(MinPts>1)进行比较。如果搜索到的点的数量大于该阈值,则该选取的点为核心点,该核心点及半径E内搜索到的所有点形成一个簇。对簇内除该核心点外的其他点重复上述步骤,进行扩簇,以此类推,直至完成所有点的扩簇。然后,选取下一个未处理的点,重复上述步骤。半径E及阈值MinPts可根据具体应用进行选取,例如可以是经验值。
如果搜索到的点的数量小于该阈值,该选取的点为边缘点,则选取下一个未处理的点,重复上述步骤。
在所有点被处理之后,匹配点已经根据它们的在图像上分布密度被分类划分出来,得到多个匹配点子集。
根据本发明的实施例,特征提取算法与聚类算法结合,能有效提高算法鲁棒性,减少噪点带来的干扰,分类更准确。
例如,图2是根据一示例性实施例示出的匹配图像中多个相同对象的示意图,图2的左侧虚框中的部分210为待匹配图像,右上角虚框中的小“抢夺”按钮220为给定对象,待匹配图像210与“抢夺”按钮220匹配后,根据分布密度其匹配点可被分为三类,分别位于所述待匹配图像中三个“抢夺”按钮所在位置。
根据一实施例,本公开的方法还可包括步骤S140。在步骤140,遍历所述多个匹配点子集,分别根据每个匹配点子集及所述给定对象的尺寸得到所述待匹配图像中与所述给定对象相匹配的目标对象的范围。本步骤的方法可有各种实现方式,本公开并不作限制。
例如,下面以所述多个匹配点子集中的一个匹配点子集Q为例进行说明。
从匹配点子集Q中任意选取两个匹配点A和B,计算所述匹配点A与B之间的距离作为第一距离。
分别获取所述给定对象中与所述匹配点A和B对应的匹配点C和D,计算所述匹配点C与D之间的距离作为第二距离。易于理解,在对给定对象(例如,图2所示右侧小的“抢夺”按钮)进行运算操作时,选取该给定对象的左下顶点作为坐标原点。对于待匹配图像而言,对于坐标原点的选取没有特别限制。
计算所述第一距离与所述第二距离之间的比值作为第一匹配比例。
根据所述第一匹配比例、所述匹配点A及所述给定对象中与所述匹配点A对应的所述匹配点C的坐标值、以及所述给定对象的尺寸,得到与所述给定对象相匹配的目标对象的范围。
这样,可以得到所述待匹配图像中与所述给定对象相匹配的目标对象的范围。
遍历所述多个匹配点子集,对各匹配点子集执行如上操作,即可分别获取所述待匹配图像中与所述给定对象相匹配的目标对象的范围。
图3是根据一示例性实施例示出的一种匹配图像中多个相同对象的方法的流程图。
如图3所示,本实施例所述的匹配图像中多个相同对象的方法包括:
在步骤S301中,输入待匹配图像。
在步骤S303中,提取SIFT特征点。
本实施例以采用SIFT算法为例,可具体采用如下操作:利用高斯卷积核对所述给定图像进行处理,得到多尺度空间图像;对所述多尺度空间图像进行高斯差分处理,构建高斯差分尺度空间图像;检测所述高斯差分尺度空间图像的局部极值点,利用拟合三维二次函数将所述局部极值点精确到亚像素级,采用阈值法和Hessian矩阵法对所述局部极值点进行筛选得到特征点集。
在步骤S305中,输入给定对象。
在步骤S307中,提取SIFT特征点。本步骤采用SIFT算法提取特征点可与步骤S303相同,在此不作赘述。
需要说明的是,在实际操作中,可等待步骤S303与步骤S307均执行结束后才能执行步骤S309。即,步骤S303执行结束后,需等待步骤S307执行结束后,再进行步骤S309。同样,步骤S307执行结束后,需等待步骤S303执行结束后,再进行步骤S309。
另外,还需说明的是,步骤S301-步骤S303,与步骤S305-步骤S307,两组步骤之间,并不限定其先后顺序,也可并行执行。
在步骤S309中,匹配待匹配图像和给定对象的特征点。
在步骤S311中,得到待匹配图像上的匹配点。
在步骤S313中,对匹配点进行分类,形成多个匹配点子集。
在步骤S315中,遍历所述多个匹配点子集。
在步骤S317中,对每一匹配点子集的特征点,计算匹配比例。
在步骤S319中,计算与前述匹配点相应的目标对象的范围。
计算目标对象的范围的方法可包括多种,本公开对此不作限制。
例如,可采用如图4所示的算法进行计算。图4是根据一示例性实施例示出的计算目标对象范围的流程图。如图4所示,根据本实施例的计算目标对象范围的方法包括:
在步骤S410中,从匹配点子集Q中任意选取两个匹配点A和B,计算所述匹配点A与B之间的距离作为第一距离;
在步骤S420中,分别获取所述给定对象中与所述匹配点A和B对应的匹配点C和D,计算所述匹配点C与D之间的距离作为第二距离;
在步骤S430中,计算所述第一距离与所述第二距离之间的比值作为第一匹配比例。
匹配比例计算可采用如下方式计算,例如:
p=Euclidean(a(x,y),b(x,y))/Euclidean(c(x,y),d(x,y))
a(x,y)为待匹配图像中从匹配点子集Q中任意一个匹配点;
b(x,y)为待匹配图像中从匹配点子集Q中取除a(x,y)以外的任意一个匹配点;
c(x,y)为给定对象中与a(x,y)匹配的对应匹配点;
d(x,y)为给定对象中与b(x,y)匹配的对应匹配点;
Euclidean(a(x,y),b(x,y))为a(x,y)与b(x,y)的欧式距离;
Euclidean(c(x,y),d(x,y))为c(x,y)与d(x,y)的欧式距离;
p为匹配比例。
在步骤S440中,根据所述第一匹配比例、所述匹配点A及所述给定对象中与所述匹配点A对应的匹配点C的坐标值、以及所述给定对象的尺寸,得到所述待匹配图像中与所述给定对象相匹配的目标对象的范围。
具体地,本步骤可采用如下方法:
RectA=(xa-xc*p,ya-yc*p,w*p,h*p);
其中RectA对应一矩形范围,RectA中四个元素依次为:矩形范围的左下角横坐标、矩形范围的左下角纵坐标,矩形范围的宽度、以及矩形范围的高度;
xa为所述匹配点A在x轴上的坐标;
xc为所述匹配点C在x轴上的坐标;
ya为所述匹配点A在y轴上的坐标;
yc为所述匹配点C在y轴上的坐标;
p为所述匹配比例;
w为所述给定对象的宽度像素值;
h为所述给定对象的高度像素值。
这样,根据该匹配点子集可得到所述待匹配图像中与所述给定对象相匹配的目标对象的范围。同样地,对于其他的匹配点子集也可按照此方法执行,即也可对各匹配点子集执行如上操作,以分别获取所述待匹配图像中与所述给定对象相匹配的目标对象的范围。
根据本公开的技术方案能有效去除匹配点中的噪点。另外,基于匹配点的密度对处于图像中不同位置匹配点进行分类,可以定位出位置不同但显示内容相同的图标的范围。
图5是根据一示例性实施例示出的匹配图像中多个相同对象的装置的框图。如图5所示,本实施例所述的匹配图像中多个相同对象的装置包括特征点集提取单元510、匹配点集获取单元520、分类单元530。
特征点集提取单元510用于提取给定对象的特征点集作为第一特征点集,提取待匹配图像的特征点集作为第二特征点集。
匹配点集获取单元520用于将所述第一特征点集与所述第二特征点集中的特征点进行匹配,得到所述待匹配图像上的匹配点集。
分类单元530用于对所述匹配点集进行分类,形成多个匹配点子集。
根据本公开的一实施例,匹配图像中多个相同对象的装置还可包括范围获取单元540。范围获取单元540用于遍历所述多个匹配点子集,分别根据每个匹配点子集及所述给定对象的尺寸得到所述待匹配图像中与所述给定对象相匹配的目标对象的范围。
根据一实施例,范围获取单元540配置为:从匹配点子集Q中任意选取两个匹配点A和B,计算所述匹配点A与B之间的距离作为第一距离;分别获取所述给定对象中与所述匹配点A和B对应的匹配点C和D,计算所述匹配点C与D之间的距离作为第二距离;计算所述第一距离与所述第二距离之间的比值作为第一匹配比例;根据所述第一匹配比例、所述匹配点A及所述给定对象中与所述匹配点A对应的所述匹配点C的坐标值、以及所述给定对象的尺寸,得到所述待匹配图像中与所述给定对象相匹配的目标对象的范围。
根据一实施例,目标对象的范围可通过如下公式确定:
RectA=(xa-xc*p,ya-yc*p,w*p,h*p);
其中RectA对应一矩形范围,RectA中四个元素依次为:矩形范围的左下角横坐标、矩形范围的左下角纵坐标,矩形范围的宽度、以及矩形范围的高度;
xa为所述匹配点A在x轴上的坐标;
xc为所述匹配点C在x轴上的坐标;
ya为所述匹配点A在y轴上的坐标;
yc为所述匹配点C在y轴上的坐标;
p为所述匹配比例;
w为所述给定对象的宽度像素值;
h为所述给定对象的高度像素值。
如前所述,所述给定对象可为任意具有明确轮廓的图像元素,例如图标、按钮等。所述待匹配图像是包含了多个所述给定对象的图像,可以为图形用户界面等。
根据示例实施例,分类单元530配置为利用聚类算法对所述匹配点集按照分布密度进行分类,形成多个匹配点子集,所述聚类算法包括DBSCAN算法、OPTICS算法或DENCLUE算法。
根据示例实施例,所述特征点集提取单元510配置为执行SIFT算法。
根据示例实施例,所述特征点集提取单元510配置为:利用高斯卷积核对所述给定图像进行处理,得到多尺度空间图像;对所述多尺度空间图像进行高斯差分处理,构建高斯差分尺度空间图像;检测所述高斯差分尺度空间图像的局部极值点,利用拟合三维二次函数将所述局部极值点精确到亚像素级,采用阈值法和Hessian矩阵法对所述局部极值点进行筛选得到特征点集。
关于上述实施例中的装置,其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本实施例提供的匹配图像中多个相同对象的装置可执行本发明各方法实施例所提供的匹配图像中多个相同对象的方法,具备执行方法相应的功能模块和有益效果。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (12)
1.一种匹配图像中多个相同对象的方法,其特征在于,包括:
提取给定对象的特征点集作为第一特征点集,提取待匹配图像的特征点集作为第二特征点集;其中,所述待匹配图像是包含了多个所述给定对象的图像;
将所述第一特征点集与所述第二特征点集中的特征点进行匹配,得到所述待匹配图像上的匹配点集;
利用聚类算法对所述匹配点集按照分布密度进行分类,形成多个匹配点子集;
从匹配点子集Q中任意选取两个匹配点A和B,计算所述匹配点A与B之间的距离作为第一距离;
分别获取所述给定对象中与所述匹配点A和B对应的匹配点C和D,计算所述匹配点C与D之间的距离作为第二距离;
计算所述第一距离与所述第二距离之间的比值作为第一匹配比例;
根据所述第一匹配比例、所述匹配点A及所述给定对象中与所述匹配点A对应的所述匹配点C的坐标值、以及所述给定对象的尺寸,得到与所述给定对象相匹配的目标对象的范围。
2.根据权利要求1所述的方法,其特征在于,所述目标对象的范围通过如下公式确定:
RectA=(xa-xc*p,ya-yc*p,w*p,h*p);
其中RectA对应一矩形范围,RectA中四个元素依次为:矩形范围的左下角横坐标、矩形范围的左下角纵坐标,矩形范围的宽度、以及矩形范围的高度;
xa为所述匹配点A在x轴上的坐标;
xc为所述匹配点C在x轴上的坐标;
ya为所述匹配点A在y轴上的坐标;
yc为所述匹配点C在y轴上的坐标;
p为所述匹配比例;
w为所述给定对象的宽度像素值;
h为所述给定对象的高度像素值。
3.根据权利要求1所述的方法,其特征在于,所述给定对象包括图标和/或按钮。
4.根据权利要求1所述的方法,其特征在于,所述聚类算法包括DBSCAN算法、OPTICS算法或DENCLUE算法。
5.根据权利要求1所述的方法,其特征在于,采用SIFT算法提取给定对象的特征点集作为第一特征点集以及提取待匹配图像的特征点集作为第二特征点集。
6.根据权利要求5所述的方法,其特征在于,所述SIFT算法包括:
利用高斯卷积核对所述给定图像进行处理,得到多尺度空间图像;
对所述多尺度空间图像进行高斯差分处理,构建高斯差分尺度空间图像;
检测所述高斯差分尺度空间图像的局部极值点,利用拟合三维二次函数将所述局部极值点精确到亚像素级,采用阈值法和Hessian矩阵法对所述局部极值点进行筛选得到特征点集。
7.一种匹配图像中多个相同对象的装置,其特征在于,包括:
特征点集提取单元,用于提取给定对象的特征点集作为第一特征点集,提取待匹配图像的特征点集作为第二特征点集;其中,所述待匹配图像是包含了多个所述给定对象的图像;
匹配点集获取单元,用于将所述第一特征点集与所述第二特征点集中的特征点进行匹配,得到所述待匹配图像上的匹配点集;
分类单元,用于利用聚类算法对所述匹配点集按照分布密度进行分类,形成多个匹配点子集;
范围获取单元,用于从匹配点子集Q中任意选取两个匹配点A和B,计算所述匹配点A与B之间的距离作为第一距离;
分别获取所述给定对象中与所述匹配点A和B对应的匹配点C和D,计算所述匹配点C与D之间的距离作为第二距离;
计算所述第一距离与所述第二距离之间的比值作为第一匹配比例;
根据所述第一匹配比例、所述匹配点A及所述给定对象中与所述匹配点A对应的所述匹配点C的坐标值、以及所述给定对象的尺寸,得到与所述给定对象相匹配的目标对象的范围。
8.根据权利要求7所述的装置,其特征在于,所述目标对象的范围通过如下公式确定:RectA=(xa-xc*p,ya-yc*p,w*p,h*p);
其中RectA对应一矩形范围,RectA中四个元素依次为:矩形范围的左下角横坐标、矩形范围的左下角纵坐标,矩形范围的宽度、以及矩形范围的高度;
xa为所述匹配点A在x轴上的坐标;
xc为所述匹配点C在x轴上的坐标;
ya为所述匹配点A在y轴上的坐标;
yc为所述匹配点C在y轴上的坐标;
p为所述匹配比例;
w为所述给定对象的宽度像素值;
h为所述给定对象的高度像素值。
9.根据权利要求7所述的装置,其特征在于,所述给定对象包括图标和/或按钮。
10.根据权利要求7所述的装置,其特征在于,所述聚类算法包括DBSCAN算法、OPTICS算法或DENCLUE算法。
11.根据权利要求7所述的装置,其特征在于,所述特征点集提取单元配置为执行SIFT算法。
12.根据权利要求11所述的装置,其特征在于,所述特征点集提取单元配置为:
利用高斯卷积核对所述给定图像进行处理,得到多尺度空间图像;
对所述多尺度空间图像进行高斯差分处理,构建高斯差分尺度空间图像;
检测所述高斯差分尺度空间图像的局部极值点,利用拟合三维二次函数将所述局部极值点精确到亚像素级,采用阈值法和Hessian矩阵法对所述局部极值点进行筛选得到特征点集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610153710.7A CN105844290B (zh) | 2016-03-16 | 2016-03-16 | 匹配图像中多个相同对象的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610153710.7A CN105844290B (zh) | 2016-03-16 | 2016-03-16 | 匹配图像中多个相同对象的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105844290A CN105844290A (zh) | 2016-08-10 |
CN105844290B true CN105844290B (zh) | 2019-10-25 |
Family
ID=56587272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610153710.7A Active CN105844290B (zh) | 2016-03-16 | 2016-03-16 | 匹配图像中多个相同对象的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844290B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778781B (zh) * | 2016-12-14 | 2018-08-17 | 维沃移动通信有限公司 | 一种图片处理方法及装置 |
CN108268881A (zh) * | 2016-12-30 | 2018-07-10 | 中兴通讯股份有限公司 | 电子设备、目标图像识别方法及装置 |
CN109543536B (zh) * | 2018-10-23 | 2020-11-10 | 北京市商汤科技开发有限公司 | 图像标识方法及装置、电子设备和存储介质 |
CN113743424B (zh) * | 2021-09-15 | 2023-06-27 | 昆明理工大学 | 全尾砂动态絮凝沉降中絮体动态沉降分散程度定量表征方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855473A (zh) * | 2012-08-21 | 2013-01-02 | 中国科学院信息工程研究所 | 一种基于相似性度量的图像多目标检测方法 |
CN102982528A (zh) * | 2008-09-25 | 2013-03-20 | 佳能株式会社 | 图像处理装置及图像处理方法 |
CN104766084A (zh) * | 2015-04-10 | 2015-07-08 | 南京大学 | 一种多目标匹配的近复制图像检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8295651B2 (en) * | 2008-09-23 | 2012-10-23 | Microsoft Corporation | Coherent phrase model for efficient image near-duplicate retrieval |
-
2016
- 2016-03-16 CN CN201610153710.7A patent/CN105844290B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982528A (zh) * | 2008-09-25 | 2013-03-20 | 佳能株式会社 | 图像处理装置及图像处理方法 |
CN102855473A (zh) * | 2012-08-21 | 2013-01-02 | 中国科学院信息工程研究所 | 一种基于相似性度量的图像多目标检测方法 |
CN104766084A (zh) * | 2015-04-10 | 2015-07-08 | 南京大学 | 一种多目标匹配的近复制图像检测方法 |
Non-Patent Citations (2)
Title |
---|
《一种基于点匹配的图像重复区域检测方法》;甘玲等;《微电子学与计算机》;20150831;第32卷(第8期);第62-66页 * |
一种基于特征点集的图像匹配算法;杨小影等;《计算机与网络》;20091231(第17期);第63-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105844290A (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105894047B (zh) | 一种基于三维数据的人脸分类*** | |
Gelfand et al. | Robust global registration | |
CN105844290B (zh) | 匹配图像中多个相同对象的方法及装置 | |
US20110273442A1 (en) | Recognition and pose determination of 3d objects in 3d scenes | |
CN109035207B (zh) | 密度自适应的激光点云特征检测方法 | |
CN105718552A (zh) | 基于服装手绘草图的服装图像检索方法 | |
CN110147841A (zh) | 基于弱监督及无监督部件检测和分割的细粒度分类方法 | |
Alidoost et al. | Knowledge based 3D building model recognition using convolutional neural networks from LiDAR and aerial imageries | |
Li et al. | Hierarchical semantic parsing for object pose estimation in densely cluttered scenes | |
CN113484875B (zh) | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
CN109463003A (zh) | 对象识别 | |
CN114358133B (zh) | 一种基于语义辅助双目视觉slam检测回环帧的方法 | |
CN106203446B (zh) | 用于增强现实辅助维修***的三维对象识别定位方法 | |
CN115588178B (zh) | 一种高精地图要素自动化提取的方法 | |
Li et al. | Pole-like street furniture decompostion in mobile laser scanning data | |
Liu et al. | An improved local descriptor based object recognition in cluttered 3D point clouds | |
CN113723468A (zh) | 一种三维点云的物体检测方法 | |
Tan et al. | Local features and manifold ranking coupled method for sketch-based 3D model retrieval | |
Krueger | Model based object classification and localisation in multiocular images | |
Díaz et al. | Cluster-wise ratio tests for fast camera localization | |
Demir | VARIOUS BUILDING DETECTION METHODS WITH THE USE OF IMAGE AND LIDAR DATA. | |
Bughin et al. | Planar patch detection for disparity maps | |
Decrouez et al. | Extracting planar structures efficiently with revisited BetaSAC | |
Bobkov et al. | Noise-resistant Unsupervised Object Segmentation in Multi-view Indoor Point Clouds. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |