CN108256566A - 一种基于余弦相似度的自适应模版匹配方法及装置 - Google Patents
一种基于余弦相似度的自适应模版匹配方法及装置 Download PDFInfo
- Publication number
- CN108256566A CN108256566A CN201810022319.2A CN201810022319A CN108256566A CN 108256566 A CN108256566 A CN 108256566A CN 201810022319 A CN201810022319 A CN 201810022319A CN 108256566 A CN108256566 A CN 108256566A
- Authority
- CN
- China
- Prior art keywords
- matching
- starting point
- recognized
- images
- value
- 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
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
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
本申请公开了一种基于余弦相似度的自适应模版匹配方法,包括:根据计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储;根据相似度值的增减趋势以反向趋势更新平移距离;根据平移距离和预设平移方向更新匹配起始点;判断更新后的匹配起始点的坐标是否满足预设终止条件;若否,则继续计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储;若是,则确定所有相似度值中的极大值,进而确定待识别图像中的匹配目标。本申请根据余弦相似度来自适应调整平移距离,可同时提高匹配精度和速度。本申请还公开了一种基于余弦相似度的自适应模版匹配装置、设备及计算机可读存储介质,也具有上述有益效果。
Description
技术领域
本申请涉及图像识别技术领域,特别涉及一种基于余弦相似度的自适应模版匹配方法、装置、设备及计算机可读存储设备。
背景技术
在图像识别技术领域,模板匹配是一种最基础、最原始的模式识别方法。它通过在待识别图像中选取与模板图像形状、大小一致的局部区域与模板图像进行匹配比较,再通过评判计算得到的相异度或者相似度,来确定待识别图像中的匹配目标。
在模板匹配的过程中,匹配速度和匹配精度是衡量该算法优良性的两个重要指标。然而,现有技术中的模板匹配方法要么匹配速度不高,要么匹配精度不高。这是因为,现有技术中并没有一种科学合理的控制策略来调节局部区域在待识别图像中的平移速度。这里所说的平移速度实际上是指每次平移的平移距离,平移距离过小,会降低匹配速度,平移距离过大,在一些靠近匹配目标的区域内,会造成对匹配目标的漏检。
由此可见,采用何种模板匹配方法,以便有效地同时提高匹配精度和匹配速度,是本领域技术人员所需要解决的重要技术问题。
发明内容
本申请的目的在于提供一种基于余弦相似度的自适应模版匹配方法、装置、设备及计算机可读存储介质,以便有效地同时提高匹配精度和匹配速度。
为解决上述技术问题,本申请提供一种基于余弦相似度的自适应模版匹配方法,包括:
根据预设的余弦相似度函数,计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储;所述余弦相似度函数为:
或者
其中,所述模板图像的像素大小为a×b;p(i,j)为所述模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为所述待识别图像的所述匹配起始点的坐标;q(x+i,y+j)为所述待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与所述匹配起始点(x,y)对应的所述相似度值;
根据与所述匹配起始点对应的所述相似度值的增减趋势以反向趋势更新平移距离;
根据更新后的所述平移距离和预设平移方向对所述匹配起始点的坐标进行更新;
判断更新后的所述匹配起始点的坐标是否满足预设终止条件;
若否,则继续执行所述计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储的后续步骤;
若是,则确定所有所述相似度值中的极大值,并根据预设识别依据确定待识别图像中的所述匹配目标。
可选地,所述根据与所述匹配起始点对应的所述相似度值的增减趋势以反向趋势更新平移距离包括:
根据公式对所述平移距离进行更新;其中,h为更新后的所述平移距离,h′为更新前的所述平移距离,h和h′均为正整数;c1为增速调节参数,1<c1;c2为减速调节参数,0<c2<1;预设阈值;[]表示取整数部分。
可选地,所述预设阈值为:
其中,β为含有所述匹配目标的样本图像与所述模板图像进行匹配所得到的相似度值的均值;l为阈值系数。
可选地,所述预设平移方向为列向平移。
可选地,所述平移距离满足条件:
1≤h≤a。
可选地,所述根据预设识别依据确定待识别图像中的所述匹配目标包括:
判断相邻两个所述极大值所对应的匹配起始点之间的距离是否低于预设距离阈值;
若是,则判定所述待识别图像在所述相邻两个极大值中的较大值所对应的匹配起始点处存在一个所述匹配目标;
若否,则判定所述待识别图像在所述相邻两个极大值各自对应的匹配起始点处分别存在一个所述匹配目标。
可选地,所述预设距离阈值包括预设横向距离阈值和预设纵向距离阈值;
所述判断相邻两个极大值所对应的匹配起始点之间的距离是否低于预设距离阈值包括:
判断是否所述相邻两个极大值所对应的匹配起始点之间的横向距离低于所述预设横向距离阈值,或者所述相邻两个极大值所对应的匹配起始点之间的纵向距离低于所述预设纵向距离阈值。
本申请还提供了一种基于余弦相似度的自适应模版匹配装置,包括:
计算模块:用于根据预设的余弦相似度函数,计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储;所述余弦相似度函数为:
或者
其中,所述模板图像的像素大小为a×b;p(i,j)为所述模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为所述待识别图像的所述匹配起始点的坐标;q(x+i,y+j)为所述待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与所述匹配起始点(x,y)对应的所述相似度值;
更新模块:用于根据与所述匹配起始点对应的所述相似度值的增减趋势以反向趋势更新平移距离;并根据更新后的所述平移距离和预设平移方向对所述匹配起始点的坐标进行更新;
判断模块:用于判断更新后的所述匹配起始点的坐标是否满足预设终止条件;以便所述计算模块在更新后的所述匹配起始点的坐标不满足所述预设终止条件时,继续用于计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储;
识别模块:用于在所述匹配起始点的坐标满足所述预设终止条件时,确定所有所述相似度值中的极大值,并根据预设识别依据确定待识别图像中的所述匹配目标。
本申请还提供了一种基于余弦相似度的自适应模版匹配设备,包括:
存储器:用于存储计算机指令;
处理器:用于执行所述计算机指令以实现如上所述的任一种基于余弦相似度的自适应模版匹配方法的步骤。
本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的任一种基于余弦相似度的自适应模版匹配方法的步骤。
本申请所提供的基于余弦相似度的自适应模版匹配方法包括:
根据预设的余弦相似度函数,计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储;所述余弦相似度函数为:
或者
其中,所述模板图像的像素大小为a×b;p(i,j)为所述模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为所述待识别图像的所述匹配起始点的坐标;q(x+i,y+j)为所述待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与所述匹配起始点(x,y)对应的所述相似度值;
根据与所述匹配起始点对应的所述相似度值的增减趋势以反向趋势更新平移距离的大小;根据更新后的所述平移距离和预设平移方向对所述匹配起始点的坐标进行更新;判断更新后的所述匹配起始点的坐标是否满足预设终止条件;若否,则继续执行所述计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储的后续步骤;若是,则确定所有所述相似度值中的极大值,并根据预设识别依据确定待识别图像中的所述匹配目标。
可见,相比于现有技术,本申请所提供的基于余弦相似度的自适应模版匹配方法中,采用了统计学中常使用的余弦相似度来评判待识别图像的局部区域与模板图像的匹配相似度,进而根据该匹配程度即相似度值的大小来自适应反趋势调整对局部区域的匹配起始点进行平移时的平移距离,以便在相似度值高的区域减小平移距离,而在相似度值低的区域增大平移距离。由此可见,本申请可以有效地同时提高匹配精度和匹配速度。本申请所提供的基于余弦相似度的自适应模版匹配装置、设备及计算机可读存储介质可以实现上述基于余弦相似度的自适应模版匹配方法,同样具有上述有益效果。
附图说明
为了更清楚地说明现有技术和本申请实施例中的技术方案,下面将对现有技术和本申请实施例描述中需要使用的附图作简要的介绍。当然,下面有关本申请实施例的附图描述的仅仅是本申请中的一部分实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图,所获得的其他附图也属于本申请的保护范围。
图1为本申请实施例所提供的一种基于余弦相似度的自适应模版匹配方法的流程图;
图2为本申请实施例所提供的列向移动方向的示意图;
图3为本申请实施例所提供的行向移动方向的示意图;
图4为本申请实施例所提供的另一种基于余弦相似度的自适应模版匹配方法的流程图;
图5为本申请实施例所提供的一种基于余弦相似度的自适应模版匹配装置的结构框图。
具体实施方式
本申请的核心在于提供一种基于余弦相似度的自适应模版匹配方法、装置、设备及计算机可读存储设备,以便有效地同时提高匹配精度和匹配速度。
为了对本申请实施例中的技术方案进行更加清楚、完整地描述,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介绍。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。
请参考图1,图1为本申请实施例所提供的一种基于余弦相似度的自适应模版匹配方法的流程图,主要包括以下步骤:
步骤11:根据预设的余弦相似度函数,计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储;余弦相似度函数为:
或者
其中,模板图像的像素大小为a×b;p(i,j)为模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为待识别图像的匹配起始点的坐标;q(x+i,y+j)为待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与匹配起始点(x,y)对应的相似度值。
具体地,本申请所提供的模板匹配方法在进行待识别图像与模板图像的匹配比较过程中时,所采用的相似度具体是采用基于余弦来计算的相似度,尤其适用于灰度值夹角特性显著的图像识别场合。当从待识别图像中所选取的局部区域中各个像素点的灰度值与模板图像相应像素点的灰度值经计算得到的相似度越大,该局部区域存在匹配目标的可能性就越高。
从余弦相似度函数的计算表达式也可以看出,在进行相似度计算时,具体是从匹配起始点处开始,在选取的局部区域内以1个像素为单位进行遍历,将局部区域内的所有像素点的灰度值与模板图像的像素点的灰度值进行余弦相似度计算。在进行模板匹配时,为了依次将从待识别图像中选取的局部区域与模板图像的各个像素点依次进行比较,需要分别为待识别图像和模板图像设定原点和统一的坐标轴方向。一般地,可将待识别图像和模板图像的左上顶点分别设为各自的原点,继而将水平向右和竖直向下分别设为横坐标方向和纵坐标方向。由于局部区域涵盖了多个像素点,所以一般可以用匹配起始点来衡量局部区域的位置。类似地,一般会将该局部区域的左上顶点的像素点作为其匹配起始点。
步骤12:根据与匹配起始点对应的相似度值的增减趋势以反向趋势更新平移距离。
具体地,本申请所提供的模板匹配方法在进行对匹配起始点即局部区域的平移时,是根据当前匹配起始点所对应的匹配结果即相似度值来自适应反趋势调整的。在当前匹配起始点所对应的相似度值较大时,说明此时选取的局部区域与模板图像较为接近,存在匹配目标的可能性较高,因此,可以适当地减小每次进行平移时的平移距离,以便防止错过相似度更高的局部区域,进而可有效提高匹配精度。而在当前匹配起始点所对应的相似度值较小时,说明此时选取的局部区域与模板图像相差很大,存起匹配目标的可能性较低,因此,可以适当地增大每次进行平移时的平移距离,以便提高匹配速度。
步骤13:根据更新后的平移距离和预设平移方向对匹配起始点的坐标进行更新。
具体地,匹配起始点是按照平移距离和预设平移方向来进行平移变换的。当选定原点为左上顶点时,预设平移方向既可以为逐行向右平移,也可以逐列向下平移,而具体平移多少个像素点,取决于更新后的平移距离。
步骤14:判断更新后的匹配起始点的坐标是否满足预设终止条件:若否,进入步骤11;若是,进入步骤15。
具体地,如前所述,模板匹配算法在执行过程中,对匹配起始点即对局部区域的平移是按照预设平移方向进行的、有计划、有序的平移,平移的目的是令所有出现过的局部区域叠加起来能尽量覆盖待识别图像。当预设平移方向确定之后,平移的终止条件也就确定了,该终止条件具体可与匹配起始点的坐标有关,因为匹配起始点的坐标就代表了相应局部区域的范围。例如,即当模板图像的像素大小为a×b、待识别图像的匹配起始点的坐标为(x,y)时,该匹配起始点对应的局部区域即为以像素点(x,y)为左上顶点、纵长为a而横长为b的区域。
例如,若待识别图像的像素大小为A×B,则为避免局部区域超出待识别图像的范围,可令匹配起始点在待识别图像中(A-a)×(B-b)的有效范围内按照预设平移方向进行平移。具体地,可令匹配起始点从原点处逐列地列向平移,也可以逐行地行向平移。列向平移是指将匹配起始点在列内从上向下(以左上顶点为原点时)进行平移,当平移到该列的底部时再换到下一列的顶部继续向下平移,如图2所示;行向平移是指将匹配起始点在行内从左向右(以左上顶点为原点时)进行平移,当平移到该列的右端时再换到下一行继续向右平移,如图3所示。当匹配起始点在(A-a)×(B-b)的有效范围内平移结束之后,再次对其进行平移后的坐标必然会落在该有效范围之外,因此,具体可将匹配起始点的坐标不在该有效范围之内作为预设终止条件。
步骤15:确定所有相似度值中的极大值,并根据预设识别依据确定待识别图像中的匹配目标。
具体地,当结束了匹配起始点在有效范围内的平移之后,即可根据平移过程中所得到的所有相似度值来确定其中的极大值,以便根据极大值和预设识别依据来确定待识别图像中的匹配目标。
可见,本申请实施例所提供的基于余弦相似度的自适应模版匹配方法中,采用了统计学中常使用的余弦相似度来评判待识别图像的局部区域与模板图像的匹配相似度,进而根据该匹配程度即相似度值的大小来自适应反趋势调整对局部区域的匹配起始点进行平移时的平移距离,以便在相似度值高的区域减小平移距离,而在相似度值低的区域增大平移距离。由此可见,本申请可以有效地同时提高匹配精度和匹配速度。
本申请所提供的基于余弦相似度的自适应模版匹配方法,在上述实施例的基础上:
作为一种优选实施例,根据与匹配起始点对应的相似度值更新平移距离包括:
根据公式对平移距离进行更新。
其中,h为更新后的平移距离,h′为更新前的平移距离,h和h′均为正整数;c1为增速调节参数,1<c1;c2为减速调节参数,0<c2<1;预设阈值;[]表示取整数部分。
具体地,在依据相似度值对平移距离进行自适应反趋势调整时,具体可分别利用增速调节参数c1和减速调节参数c2来对平移距离进行调整。至于具体的参数取值,可由本领域技术人员自行选择并设置。
此外,本申请实施例在对平移距离进行更新时,相似度值f(x,y)是否较大的评判结合采用了两种评判标准:即与预设阈值比较和变化率的正负比较。当相似度值大于预设阈值或处于增大状态时,说明此时与模板图像匹配的可能性很高,或者相对于上一次的匹配结果的可能性更高,因此可以对平移距离进行减小调节以提高匹配精度;而当相似度值小于预设阈值或处于减小状态时,说明此时与模板图像匹配的可能性很低,或者相对于上一次的匹配结果的可能性更低,因此可以对平移距离进行增大调节以提高匹配速度。
作为一种优选实施例,预设阈值为:
其中,β为含有匹配目标的样本图像与模板图像进行匹配所得到的相似度值的均值;l为阈值系数。
具体地,该预设阈值可结合样本图像与模板图像的匹配结果的一般平均水平来选取。当然,所说的样本图像为含有该匹配目标的样本图像,并且一般应为随机选取的。
作为一种优选实施例,预设平移方向为列向平移。
如前所述,可按照计算机逐列处理数据的***移,以使对应的各个局部区域覆盖待识别图像。当然,本领域内技术人员也可以采用其他方式,本申请实施例对此并不进行限定。
作为一种优选实施例,平移距离满足条件:
1≤h≤a。
当采用列向平移方式时,可以对每次更新后的平移距离h进行大小限定,以防止该平移距离h过大而跳过部分含有匹配目标的区域,影响匹配精度。具体地,可将平移距离h设置为不大于模板图像的纵长a,即1≤h≤a。在确保平移距离h大小时,具体可采用饱和函数,即:
其中,hbef为饱和处理前的平移距离h,haft为饱和处理后的平移距离h。
作为一种优选实施例,根据预设识别依据确定待识别图像中的匹配目标包括:
判断相邻两个极大值所对应的匹配起始点之间的距离是否低于预设距离阈值;
若是,则判定待识别图像在相邻两个极大值中的较大值所对应的匹配起始点处存在一个匹配目标;
若否,则判定待识别图像在相邻两个极大值各自对应的匹配起始点处分别存在一个匹配目标。
具体地,本申请实施例所提供的基于余弦相似度的自适应模版匹配方法在根据各个相似度值进行匹配目标的确定时,具体是基于极大值来判定的。根据极大值的物理含义可知,待识别图像可能在某个极大值所对应的匹配起始点处(局部区域处)存在着一个匹配目标;也有可能是在多个极大值所对应的匹配起始点之间的区域处存在着一个匹配目标。
为了对此进行区分,本申请实施例对相邻两个极大值所对应的匹配起始点之间的距离进行了判断,若该距离小于预设距离阈值,则说明这两个匹配起始点相距很近,应当是属于上述第二种情况。而这两个极大值所共同描述的这个匹配目标的具***置,可由这两个相邻极大值中的较大值来确定,即该较大值对应的匹配起始点处存在着匹配目标。假设该较大值对应的匹配起始点坐标为(x1,y1),则匹配目标的中心的位置坐标即可被认为是(x1+a/2,y1+b/2)。
若该相邻两个极大值所对应的匹配起始点之间的距离不小于预设距离阈值,则说明这两个匹配起始点相距较远,应当是属于上述第一种情况。因此可判定待识别图像在两个极大值所对应的匹配起始点处分别存在一个匹配目标。
此外,这里所说的预设距离阈值的具体取值,可由本领域技术人员自行选择并设置,本申请实施例对此均不进行限定。
作为一种优选实施例,预设距离阈值包括预设横向距离阈值和预设纵向距离阈值;
判断相邻两个极大值所对应的匹配起始点之间的距离是否低于预设距离阈值包括:
判断是否相邻两个极大值所对应的匹配起始点之间的横向距离低于预设横向距离阈值,或者相邻两个极大值所对应的匹配起始点之间的纵向距离低于预设纵向距离阈值。
具体地,本申请实施例所采用的预设距离阈值包括两个:预设横向距离阈值和预设纵向距离阈值,分别用于评判两个极大值对应匹配起始点的横向距离和纵向距离。并且,具体地,该预设横向距离阈值和预设纵向距离阈值可分别设置为模板图像的纵长a和横长b。当然,本领域技术人员还可以自行选择并设置其他阈值,本申请实施例对此均不进行限定。
请参阅图4,图4为本申请实施例所提供的另一种基于余弦相似度的自适应模版匹配方法的流程图;包括:
步骤21:根据公式计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储。
其中,模板图像的像素大小为a×b;p(i,j)为模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为待识别图像的匹配起始点的坐标;q(x+i,y+j)为待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与匹配起始点(x,y)对应的相似度值。
具体地,本申请实施例所提供的自适应模板匹配方法根据公式来计算相似度。并且,匹配起始点(x,y)的初始值为(1,1)。
步骤22:根据公式更新平移距离。
其中,h为更新后的平移距离,h′为更新前的平移距离,h和h′均为正整数;c1为增速调节参数,1<c1;c2为减速调节参数,0<c2<1;预设阈值,[]表示取整数部分。
步骤23:将x+h重新赋值给x,y保持不变。
具体地,本申请实施例所提供的自适应模板匹配方法采用列向平移匹配起始点的平移方式,每次向右平移的平移距离h根据相似度值f(x,y)和增速调节参数c1或者减速调节参数c2确定。
步骤24:判断x>A-a是否成立:若是,进入步骤25;若否,进入步骤26。
具体地,在将匹配起始点的坐标列向向下平移之后,可以先判断下平移后的匹配起始点的纵坐标是否超出了有效范围,即是否需要换列。当x>A-a成立时,则需要进行换列处理。当x>A-a不成立时,则不需要进行换列处理,直接进行是否满足预设终止条件的判断。
步骤25:令y+1重新赋值给y,x取为1;进入步骤26。
具体地,在进行换列处理时,即将匹配起始点的横坐标加1,而纵坐标取为初始值1。换列之后,即可进行是否满足预设终止条件的判断。
步骤26:判断y>B-b是否成立:若否,进入步骤21;若是,进入步骤27。
当y>B-b成立时,说明匹配起始点的横坐标超出了有效范围,则说明此时已经完成了在有效范围内的平移过程,可以进入步骤27进行匹配目标的确定。否则,则继续返回步骤21计算新匹配起始点的相似度。
步骤27:确定所有相似度值中的极大值;进入步骤28。
步骤28:判断相邻两个极大值所对应的匹配起始点之间的距离是否低于预设距离阈值:若是,则判定待识别图像在相邻两个极大值中的较大值所对应的匹配起始点处存在一个匹配目标;若否,则判定待识别图像在相邻两个极大值各自对应的匹配起始点处分别存在一个匹配目标。
下面对本申请实施例所提供的基于余弦相似度的自适应模版匹配装置进行介绍。
请参阅图5,图5为本申请所提供的一种基于余弦相似度的自适应模版匹配装置的结构框图;包括计算模块1、更新模块2、判断模块3和识别模块4;
计算模块1用于根据预设的余弦相似度函数,计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储;余弦相似度函数为:
或者
其中,模板图像的像素大小为a×b;p(i,j)为模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为待识别图像的匹配起始点的坐标;q(x+i,y+j)为待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与匹配起始点(x,y)对应的相似度值;
更新模块2用于根据与匹配起始点对应的相似度值的增减趋势以反向趋势更新平移距离;并根据更新后的平移距离和预设平移方向对匹配起始点的坐标进行更新;
判断模块3用于判断更新后的匹配起始点的坐标是否满足预设终止条件;以便计算模块在更新后的匹配起始点的坐标不满足预设终止条件时,继续用于计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储;
识别模块4用于在匹配起始点的坐标满足预设终止条件时,确定所有相似度值中的极大值,并根据预设识别依据确定待识别图像中的匹配目标。
可见,本申请所提供的基于余弦相似度的自适应模版匹配装置,采用了统计学中常使用的余弦相似度来评判待识别图像的局部区域与模板图像的匹配相似度,进而根据该匹配程度即相似度值的大小来自适应反趋势调整对局部区域的匹配起始点进行平移时的平移距离,以便在相似度值高的区域减小平移距离,而在相似度值低的区域增大平移距离。由此可见,本申请可以有效地同时提高匹配精度和匹配速度。
本申请还提供了一种基于余弦相似度的自适应模版匹配设备,包括:
存储器:用于存储计算机指令;
处理器:用于执行该计算机指令以实现以上所介绍的任一种基于余弦相似度的自适应模版匹配方法的步骤。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序被处理器执行时实现以上所介绍的任一种基于余弦相似度的自适应模版匹配方法的步骤。
本申请所提供的基于余弦相似度的自适应模版匹配装置、设备及计算机可读存储介质的具体实施方式与上文所描述的基于余弦相似度的自适应模版匹配方法可相互对应参照,这里就不再赘述。
本申请中各个实施例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部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需说明的是,在本申请文件中,诸如“第一”和“第二”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者操作区分开来,而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。此外,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。
以上对本申请所提供的技术方案进行了详细介绍。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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种基于余弦相似度的自适应模版匹配方法,其特征在于,包括:
根据预设的余弦相似度函数,计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储;所述余弦相似度函数为:
或者
其中,所述模板图像的像素大小为a×b;p(i,j)为所述模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为所述待识别图像的所述匹配起始点的坐标;q(x+i,y+j)为所述待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与所述匹配起始点(x,y)对应的所述相似度值;
根据与所述匹配起始点对应的所述相似度值的增减趋势以反向趋势更新调整平移距离;
根据更新后的所述平移距离和预设平移方向对所述匹配起始点的坐标进行更新;
判断更新后的所述匹配起始点的坐标是否满足预设终止条件;
若否,则继续执行所述计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储的后续步骤;
若是,则确定所有所述相似度值中的极大值,并根据预设识别依据确定待识别图像中的所述匹配目标。
2.根据权利要求1所述的自适应模版匹配方法,其特征在于,所述根据与所述匹配起始点对应的所述相似度值的增减趋势以反向趋势更新平移距离包括:
根据公式对所述平移距离进行更新;其中,h为更新后的所述平移距离,h′为更新前的所述平移距离,h和h′均为正整数;c1为增速调节参数,1<c1;c2为减速调节参数,0<c2<1;预设阈值;[]表示取整数部分。
3.根据权利要求2所述的自适应模版匹配方法,其特征在于,所述预设阈值为:
其中,β为含有所述匹配目标的样本图像与所述模板图像进行匹配所得到的相似度值的均值;l为阈值系数。
4.根据权利要求2所述的自适应模版匹配方法,其特征在于,所述预设平移方向为列向平移。
5.根据权利要求4所述的自适应模版匹配方法,其特征在于,所述平移距离满足条件:
1≤h≤a。
6.根据权利要求1至5任一项所述的自适应模版匹配方法,其特征在于,所述根据预设识别依据确定待识别图像中的所述匹配目标包括:
判断相邻两个所述极大值所对应的匹配起始点之间的距离是否低于预设距离阈值;
若是,则判定所述待识别图像在所述相邻两个极大值中的较大值所对应的匹配起始点处存在一个所述匹配目标;
若否,则判定所述待识别图像在所述相邻两个极大值各自对应的匹配起始点处分别存在一个所述匹配目标。
7.根据权利要求6所述的自适应模板匹配方法,其特征在于,所述预设距离阈值包括预设横向距离阈值和预设纵向距离阈值;
所述判断相邻两个极大值所对应的匹配起始点之间的距离是否低于预设距离阈值包括:
判断是否所述相邻两个极大值所对应的匹配起始点之间的横向距离低于所述预设横向距离阈值,或者所述相邻两个极大值所对应的匹配起始点之间的纵向距离低于所述预设纵向距离阈值。
8.一种基于余弦相似度的自适应模版匹配装置,其特征在于,包括:
计算模块:用于根据预设的余弦相似度函数,计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储;所述余弦相似度函数为:
或者
其中,所述模板图像的像素大小为a×b;p(i,j)为所述模板图像在点坐标(i,j)处的灰度值;a、b、i和j均为正整数,且1≤i≤a,1≤j≤b;(x,y)为所述待识别图像的所述匹配起始点的坐标;q(x+i,y+j)为所述待识别图像在点坐标(x+i,y+j)处的灰度值;f(x,y)为与所述匹配起始点(x,y)对应的所述相似度值;
更新模块:用于根据与所述匹配起始点对应的所述相似度值的增减趋势以反向趋势更新平移距离;并根据更新后的所述平移距离和预设平移方向对所述匹配起始点的坐标进行更新;
判断模块:用于判断更新后的所述匹配起始点的坐标是否满足预设终止条件;以便所述计算模块在更新后的所述匹配起始点的坐标不满足所述预设终止条件时,继续用于计算待识别图像从匹配起始点处与匹配目标的模板图像进行匹配的相似度值并存储;
识别模块:用于在所述匹配起始点的坐标满足所述预设终止条件时,确定所有所述相似度值中的极大值,并根据预设识别依据确定待识别图像中的所述匹配目标。
9.一种基于余弦相似度的自适应模版匹配设备,其特征在于,包括:
存储器:用于存储计算机指令;
处理器:用于执行所述计算机指令以实现如权利要求1至7任一项所述的基于余弦相似度的自适应模版匹配方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于余弦相似度的自适应模版匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810022319.2A CN108256566A (zh) | 2018-01-10 | 2018-01-10 | 一种基于余弦相似度的自适应模版匹配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810022319.2A CN108256566A (zh) | 2018-01-10 | 2018-01-10 | 一种基于余弦相似度的自适应模版匹配方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256566A true CN108256566A (zh) | 2018-07-06 |
Family
ID=62724925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810022319.2A Pending CN108256566A (zh) | 2018-01-10 | 2018-01-10 | 一种基于余弦相似度的自适应模版匹配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256566A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410255A (zh) * | 2018-10-17 | 2019-03-01 | 中国矿业大学 | 一种基于改进的sift与哈希算法的图像配准方法及装置 |
CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
CN110688926A (zh) * | 2019-09-19 | 2020-01-14 | Oppo广东移动通信有限公司 | 主体检测方法和装置、电子设备、计算机可读存储介质 |
CN113127670A (zh) * | 2019-12-31 | 2021-07-16 | 飞书数字科技(上海)有限公司 | 目标颜色搜索的方法、装置、存储介质与处理器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901334A (zh) * | 2009-05-31 | 2010-12-01 | 汉王科技股份有限公司 | 静态目标检测方法 |
CN103617625A (zh) * | 2013-12-13 | 2014-03-05 | 中国气象局北京城市气象研究所 | 一种图像匹配方法及图像匹配装置 |
CN103886760A (zh) * | 2014-04-02 | 2014-06-25 | 李涛 | 实时的基于交通视频的车型检测*** |
US8855373B2 (en) * | 2010-01-08 | 2014-10-07 | Nec Corporation | Similarity calculation device, similarity calculation method, and program |
CN104484868A (zh) * | 2014-10-08 | 2015-04-01 | 浙江工业大学 | 一种结合模板匹配和图像轮廓的运动目标航拍跟踪方法 |
CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
CN107194341A (zh) * | 2017-05-16 | 2017-09-22 | 西安电子科技大学 | Maxout多卷积神经网络融合人脸识别方法和*** |
-
2018
- 2018-01-10 CN CN201810022319.2A patent/CN108256566A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901334A (zh) * | 2009-05-31 | 2010-12-01 | 汉王科技股份有限公司 | 静态目标检测方法 |
US8855373B2 (en) * | 2010-01-08 | 2014-10-07 | Nec Corporation | Similarity calculation device, similarity calculation method, and program |
CN103617625A (zh) * | 2013-12-13 | 2014-03-05 | 中国气象局北京城市气象研究所 | 一种图像匹配方法及图像匹配装置 |
CN103886760A (zh) * | 2014-04-02 | 2014-06-25 | 李涛 | 实时的基于交通视频的车型检测*** |
CN104484868A (zh) * | 2014-10-08 | 2015-04-01 | 浙江工业大学 | 一种结合模板匹配和图像轮廓的运动目标航拍跟踪方法 |
CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
CN107194341A (zh) * | 2017-05-16 | 2017-09-22 | 西安电子科技大学 | Maxout多卷积神经网络融合人脸识别方法和*** |
Non-Patent Citations (1)
Title |
---|
刘冰等: "基于余弦相似度的指纹匹配算法的室内定位方法", 《科技通报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410255A (zh) * | 2018-10-17 | 2019-03-01 | 中国矿业大学 | 一种基于改进的sift与哈希算法的图像配准方法及装置 |
CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
CN110688926A (zh) * | 2019-09-19 | 2020-01-14 | Oppo广东移动通信有限公司 | 主体检测方法和装置、电子设备、计算机可读存储介质 |
CN110688926B (zh) * | 2019-09-19 | 2022-12-13 | Oppo广东移动通信有限公司 | 主体检测方法和装置、电子设备、计算机可读存储介质 |
CN113127670A (zh) * | 2019-12-31 | 2021-07-16 | 飞书数字科技(上海)有限公司 | 目标颜色搜索的方法、装置、存储介质与处理器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256566A (zh) | 一种基于余弦相似度的自适应模版匹配方法及装置 | |
CN108257185A (zh) | 多棋盘格角点检测方法及摄像机标定方法 | |
KR900006886A (ko) | 디지탈 활자체의 시각축소를 최소화하기 위한 방법 및 장치 | |
CN108748149B (zh) | 一种复杂环境下基于深度学习的无标定机械臂抓取方法 | |
CN109086727A (zh) | 一种确定人体头部的运动角度的方法、装置及电子设备 | |
CN107330214A (zh) | 基于离散化与启发式进化算法的空间布局优化方法 | |
CN107452028B (zh) | 一种确定目标图像位置信息的方法及装置 | |
CN110443778A (zh) | 一种检测工业品不规则缺陷的方法 | |
CN115601365B (zh) | 用于数控机床的轴承检测方法 | |
CN108256564A (zh) | 一种基于距离度量相异度的自适应模版匹配方法及装置 | |
CN101727177A (zh) | 鼠标模拟***及其应用方法 | |
CN105512438B (zh) | 一种等时延布线方法及装置 | |
CN114313892A (zh) | 多种类直型耐火砖自动化码垛方法及装置 | |
CN112434640A (zh) | 确定文档图像的旋转角度方法、装置及存储介质 | |
CN110181504A (zh) | 一种控制机械臂移动的方法、装置及控制设备 | |
CN108257174A (zh) | 基于亚像素级图像的图像块匹配方法及焊球位置识别*** | |
CN108256565A (zh) | 一种基于交叉熵相异度的自适应模版匹配方法及装置 | |
CN113538582B (zh) | 一种工件抓取顺序的确定方法、装置、计算机设备及介质 | |
CN109299743A (zh) | 手势识别方法及装置、终端 | |
CN115744094A (zh) | 基于物料分拣设备的物料抓取方法和装置 | |
CN111767981B (zh) | Mish激活函数的近似计算方法 | |
CN109657577A (zh) | 一种基于熵和运动偏移量的动物检测方法 | |
WO2009074003A1 (fr) | Procédé, système et dispositif permettant d'insérer automatiquement des éléments dans des cartes de circuits imprimés | |
CN108537813A (zh) | 基于区域生长的目标检测方法 | |
CN113363024A (zh) | 一种线缆发泡层充氮控制方法及*** |
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: 20180706 |
|
RJ01 | Rejection of invention patent application after publication |