CN110880003A - 一种图像匹配方法、装置、存储介质及汽车 - Google Patents

一种图像匹配方法、装置、存储介质及汽车 Download PDF

Info

Publication number
CN110880003A
CN110880003A CN201910968183.9A CN201910968183A CN110880003A CN 110880003 A CN110880003 A CN 110880003A CN 201910968183 A CN201910968183 A CN 201910968183A CN 110880003 A CN110880003 A CN 110880003A
Authority
CN
China
Prior art keywords
image
matching
sub
target image
feature vector
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
Application number
CN201910968183.9A
Other languages
English (en)
Other versions
CN110880003B (zh
Inventor
曹容川
王祎男
关瀛洲
付振
王宇
白天晟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Group Corp
Original Assignee
FAW Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FAW Group Corp filed Critical FAW Group Corp
Priority to CN201910968183.9A priority Critical patent/CN110880003B/zh
Publication of CN110880003A publication Critical patent/CN110880003A/zh
Application granted granted Critical
Publication of CN110880003B publication Critical patent/CN110880003B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像匹配方法、装置、存储介质及汽车。该方法包括：获取目标图像，并将所述目标图像划分为至少两个子图像；确定各个所述子图像的特征向量和灰度平均值；基于所述特征向量和灰度平均值匹配所述目标图像与预先获取的匹配图像，根据匹配结果确定所述匹配图像中与所述目标图像匹配的匹配区域，由于特征向量的光照、平移、旋转不变性，采用特征向量结合像素灰度平均值的方式进行匹配，弥补基于单个像素点的灰度值匹配误差较大的缺点，使图像匹配结果更稳定，进而，可以使VSLAM在场景明暗差距变化较大的情景运用，并提高了VSLAM的精度。

Description

一种图像匹配方法、装置、存储介质及汽车
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种图像匹配方法、装置、存储介质及汽车。
背景技术
VSLAM技术，指利用视觉***实现自主定位与地图创建。随着计算机视觉技术的迅猛发展，各种基于计算机视觉的算法被不断地创新和改进，基于视觉的机器人定位方法因其信息量大、适应范围广而受到人们的普遍重视，已经成为机器人导航、无人车室内导航定位等方向的研究热点。然而，相关技术中的VLSM技术是基于像素点进行匹配，在一些场景下误匹配率较高，在很大程度上限制了VSLAM的场景选择范围。
发明内容
本发明提供种图像匹配方法、装置、存储介质及汽车，可以提供图像匹配的准确度。
第一方面，本发明实施例提供了一种图像匹配方法，包括：
获取目标图像，并将所述目标图像划分为至少两个子图像；
确定各个所述子图像的特征向量和灰度平均值，其中，所述特征向量与图像尺度缩放、旋转及亮度变化无关；
基于所述特征向量和灰度平均值匹配所述目标图像与预先获取的匹配图像，根据匹配结果确定所述匹配图像中与所述目标图像匹配的匹配区域。
可选的，获取目标图像，并将所述目标图像划分为至少两个子图像，包括：
获取设置于汽车上的摄像头拍摄的行驶路线上的环境图像，作为目标图像；
基于分辨率将所述目标图像划分为至少两个子图像。
可选的，确定各个所述子图像的特征向量和灰度平均值，包括：
采用滑动窗口法计算各个所述子图像的第一尺度不变特征变换(SIFT)特征向量；
确定所述目标图像的灰度图像，分别计算各个所述子图像内像素的第一灰度平均值。
可选的，在获取目标图像之前，还包括：
获取匹配图像，基于分辨率将所述匹配图像划分为至少两个匹配子图像；
确定各个所述匹配子图像的第二尺度不变特征变换(SIFT)特征向量和第二灰度平均值。
可选的，基于所述特征向量和灰度平均值匹配所述目标图像与预先获取的匹配图像，根据匹配结果确定所述匹配图像中与所述目标图像匹配的匹配区域，包括：
计算所述第一尺度不变特征变换(SIFT)特征向量与所述第二尺度不变特征变换(SIFT)特征向量的第一差值；
计算所述第一灰度平均值和所述第二灰度平均值的第二差值；
根据所述第一差值和第二差值确定所述目标图像中子图像与所述匹配图像中匹配子图像的匹配度；
根据所述匹配度确定所述匹配图像中与所述目标图像匹配的匹配子图像。
可选的，根据所述第一差值和第二差值采用如下公式计算所述目标图像中子图像与所述匹配图像中匹配子图像的匹配度：
P＝Cx+λTx
其中，P是匹配度，Cx是所述目标图像中第x块子图像的第一尺度不变特征变换(SIFT)特征向量与所述匹配图像中对应匹配子图像的第二尺度不变特征变换(SIFT)特征向量的差值，Tx是所述目标图像中第x块子图像内像素的第一灰度平均值与所述匹配图像中对应匹配子图像内像素的第二灰度平均值的差值，λ∈(0,1)。
可选的，根据所述匹配度确定所述匹配图像中与所述目标图像匹配的匹配子图像，包括：
比较所述匹配度的数值，确定匹配度最小的匹配子图像；
将所述匹配度最小的匹配子图像作为所述匹配图像中与所述目标图像匹配的匹配子图像。
第二方面，本发明实施例还提供了一种图像匹配装置，该装置包括：
图像划分模块，用于获取目标图像，并将所述目标图像划分为至少两个子图像；
特征向量确定模块，用于确定各个所述子图像的特征向量和灰度平均值，其中，所述特征向量与图像尺度缩放、旋转及亮度变化无关；
图像匹配模块，用于基于所述特征向量和灰度平均值匹配所述目标图像与预先获取的匹配图像，根据匹配结果确定所述匹配图像中与所述目标图像匹配的匹配区域。
可选的，图像划分模块具体用于：
获取设置于汽车上的摄像头拍摄的行驶路线上的环境图像，作为目标图像；
基于分辨率将所述目标图像划分为至少两个子图像。
可选的，特征向量确定模块具体用于：
采用滑动窗口法计算各个所述子图像的第一尺度不变特征变换(SIFT)特征向量；
确定所述目标图像的灰度图像，分别计算各个所述子图像内像素的第一灰度平均值。
可选的，还包括：
子图像确定模块，用于在获取目标图像之前，获取匹配图像，基于分辨率将所述匹配图像划分为至少两个匹配子图像；
平均值确定模块，用于确定各个所述匹配子图像的第二尺度不变特征变换(SIFT)特征向量和第二灰度平均值。
可选的，图像匹配模块具体用于：
计算所述第一尺度不变特征变换(SIFT)特征向量与所述第二尺度不变特征变换(SIFT)特征向量的第一差值；
计算所述第一灰度平均值和所述第二灰度平均值的第二差值；
根据所述第一差值和第二差值确定所述目标图像中子图像与所述匹配图像中匹配子图像的匹配度；
根据所述匹配度确定所述匹配图像中与所述目标图像匹配的匹配子图像。
可选的，根据所述第一差值和第二差值采用如下公式计算所述目标图像中子图像与所述匹配图像中匹配子图像的匹配度：
P＝Cx+λTx
其中，P是匹配度，Cx是所述目标图像中第x块子图像的第一尺度不变特征变换(SIFT)特征向量与所述匹配图像中对应匹配子图像的第二尺度不变特征变换(SIFT)特征向量的差值，Tx是所述目标图像中第x块子图像内像素的第一灰度平均值与所述匹配图像中对应匹配子图像内像素的第二灰度平均值的差值，λ∈(0,1)。
可选的，根据所述匹配度确定所述匹配图像中与所述目标图像匹配的匹配子图像，包括：
比较所述匹配度的数值，确定匹配度最小的匹配子图像；
将所述匹配度最小的匹配子图像作为所述匹配图像中与所述目标图像匹配的匹配子图像。
第三方面，本发明实施例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，该程序被处理器执行时实现如上述第一方面所述的图像匹配方法。
第四方面，本发明实施例还提供了一种汽车，包括一个或多个处理器；存储装置，用于存储一个或多个程序；摄像头，用于采集图像；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述第一方面所述的图像匹配方法。
本发明实施例提供一种图像匹配方案，通过将目标图像划分为至少两个子图像，基于与图像尺度缩放、旋转及亮度变化无关的特征向量和灰度平均值匹配目标图像与预先获取的匹配图像，根据匹配结果确定匹配图像中与目标图像匹配的匹配区域，由于特征向量的光照、平移、旋转不变性结合像素灰度平均值，弥补基于单个像素点的灰度值匹配误差较大的缺点，使图像匹配结果更稳定，进而，可以使VSLAM在场景明暗差距变化较大的情景运用，并提高了VSLAM的精度。
附图说明
图1为本发明实施例一提供的一种图像匹配方法的方法流程图；
图2为本发明实施例提供的一种摄像头设置示意图；
图3为本发明实施例二提供的另一种图像匹配方法的方法流程图；
图4为本发明实施例提供的一种汽车自动驾驶流程示意图；
图5为本发明实施例三提供的一种图像匹配装置的结构示意图；
图6为本发明实施例四提供的一种汽车示意图。
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。
目前的VSLAM技术，对于图像匹配的经典做法是以每个像素点为单位，然后，取图像中的每个像素点的灰度值作为特征实现图像的匹配，从而达到VSLAM绘制地图以及定位的目的。但仅基于像素点灰度值的匹配的可靠性较低，且对亮度变换较大的图像检测容易出现较多的误匹配，很大程度上限制了VSLAM的场景选择范围。
为解决上述技术问题，本发明实施例提供一种图像匹配方法，可以更好的提取图像的有效信息，从而，提升图像匹配的准确度和鲁棒性。
实施例一
图1为本发明实施例一提供的一种图像匹配方法的方法流程图，本实施例可适用于无人驾驶的情况，该方法可以由图像匹配装置来执行，该装置可以由软件和/或硬件实现，并且通常配置于汽车中。如图1所示，该方法包括：
步骤110、获取目标图像，并将所述目标图像划分为至少两个子图像。
需要说明的是，目标图像是汽车行驶过程中，通过设置于汽车上的摄像头采集的图像。其中，摄像头可以是普通高清摄像头，也可以是鱼眼摄像头等。可选的，摄像头设置于汽车的顶部，以采集汽车行驶过程中的环境图像。需要说明的是，摄像头的设置位置和数目可以根据实际需求设置，本发明实施例并不作具体限定。图2为本发明实施例提供的一种摄像头设置示意图，如图2所述，两个摄像头平行设置，且摄像头的底部距离汽车顶部的距离是d＝20厘米，两个摄像头之间的间隔是35厘米，将摄像头设置于汽车顶部可以实现拍摄更大范围的环境图像的效果，且采用两个摄像头可以拍摄景深信息。
示例性的，获取设置于汽车上的摄像头拍摄的行驶路线上的环境图像，作为目标图像，基于分辨率将所述目标图像划分为至少两个子图像。需要说明的是，目标图像的划分方式有很多种，本发明实施例并不作具体限定。可选的，根据图像的分辨率确定，每个子图像包含的像素点，从而确定将图像划分成多少份，其中，图像可以是目标图像，也可以是匹配图像。例如，基于目标图像的分辨率将该目标图像划分为至少两个子图像，每个子图像包括m*n个像素点。其中，m和n的数量可相同，也可以不相同。例如，子图像是多个3*3的区域，或者，子图像是多个3*5的区域等。或者，基于图像内容将目标图像划分为至少两个子图像。例如，基于目标图像中包含的诸如树木、电线杆、人物等对象，将目标图像划分为至少两个子图像。
步骤120、确定各个所述子图像的特征向量和灰度平均值。
其中，所述特征向量与图像尺度缩放、旋转及亮度变化无关。例如，特征向量可以是尺度不变特征转换向量(Scale-invariant feature transform，简称SIFT)。
示例性的，采用滑动窗口法依次求取每个小区域内的SIFT特征向量，用公式X＝[x1...,xn]∈Rs×n表示目标图像中所有小区域的SIFT特征向量，其中，Xn代表目标图像中第n块小区域的SIFT特征向量。
此外，对目标图像进行二值化处理，得到目标图像的灰度图，使目标图像中每个像素点的值均在0-255的范围内。可选的，还可以对目标图像的灰度图作归一化处理。根据目标图像中每个子区域中的像素点的灰度值计算每个子区域的灰度平均值。
本发明实施例中，各个子图像的特征向量可以是各个子图像的特征向量。需要说明的是，各个子图像的灰度平均值可以通过每个子图像中各个像素点的灰度值求平均的方式获得。
步骤130、基于所述特征向量和灰度平均值匹配所述目标图像与预先获取的匹配图像，根据匹配结果确定所述匹配图像中与所述目标图像匹配的匹配区域。
需要说明的是，匹配图像可以是预先通过摄像头采集的，也可以是通过其它的途径存储的，诸如，通过网络下载或外部存储介质导入等。其中，预先通过摄像头采集可以是汽车在首次行驶于某条路上时，通过摄像头采集行驶中的环境图像，作为匹配图像。
可选的，可以对匹配图像进行预处理。例如，根据匹配图像的分辨率将其划分成多个小区域。采用滑动窗口法依次求取每个小区域内的SIFT特征向量，用公式Y＝[y1...,yn]∈Rs×n表示匹配图像中所有小区域的SIFT特征向量，其中，Yn代表匹配图像中第n块小区域的SIFT特征向量。此外，对匹配图像进行二值化处理，得到匹配图像的灰度图，使匹配图像中每个像素点的值均在0-255的范围内。可选的，还可以对匹配图像的灰度图作归一化处理。根据匹配图像中每个子区域中的像素点的灰度值计算每个子区域的灰度平均值。
在匹配过程中，计算待匹配的目标图像与预先获取的匹配图像中的SIFT特征向量之间的差值。例如，分别计算对应位置的小区域的SIFT特征向量的差值，即X1-Y1,X2-Y2,……,Xn-Yn。同时，还需要计算对应位置的小区域内的灰度平均值的差值。根据上述SIFT特征向量的差值以及灰度平均值的差值，得到匹配图像中各块小区域(即匹配子图像)的匹配度。根据匹配度确定匹配图像中与目标图像匹配的小区域。可选的，可以将匹配度最小的匹配图像中最小的子图像，作为与匹配图像中该小区域匹配的匹配区域。即将匹配度最小的小区域在目标图像中的区域作为匹配图像的匹配区域。
本实施例的技术方案，通过将目标图像划分为至少两个子图像，基于与图像尺度缩放、旋转及亮度变化无关的特征向量和灰度平均值匹配目标图像与预先获取的匹配图像，根据匹配结果确定匹配图像中与目标图像匹配的匹配区域，由于特征向量的光照、平移、旋转不变性结合像素灰度平均值，弥补基于单个像素点的灰度值匹配误差较大的缺点，使图像匹配结果更稳定，进而，可以使VSLAM在场景明暗差距变化较大的情景运用，并提高了VSLAM的精度。
实施例二
图3为本发明实施例二提供的另一种图像匹配方法的方法流程图，如图3所示，该方法包括：
步骤310、获取设置于汽车上的摄像头拍摄的行驶路线上的环境图像，作为目标图像。
图4为本发明实施例提供的一种汽车自动驾驶流程示意图。如图4所示，两个摄像头410与电子控制单元(Electronic Control Unit，ECU)420通信连接。汽车通过两个摄像头拍摄环境图像，并发送至ECU420。通过ECU420进行图像匹配，根据匹配结果生成控制信息，并将控制信息发送给执行单元430。
需要说明的是，在汽车首次在某一处行驶的过程中，摄像头拍摄的环境图像可以作为匹配图像，也可以作为目标图像。在获取到匹配图像之后，可以对匹配图像进行处理。例如，基于分辨率将所述匹配图像划分为至少两个匹配子图像；确定各个所述匹配子图像的第二尺度不变特征变换特征向量和第二灰度平均值。匹配图像的划分、SIFT特征向量的计算和灰度平均值的计算方式均与上述实施例相同，此处不再赘述。
步骤320、基于分辨率将所述目标图像划分为至少两个子图像。
例如，以分辨率为768*1025的图像为例，可以设置每个子图像的分辨率是3*5，从而，得到多个子图像。
步骤330、确定各个所述子图像的特征向量和灰度平均值。
示例性的，采用滑动窗口法计算各个所述子图像的第一尺度不变特征变换特征向量；确定所述目标图像的灰度图像，分别计算各个所述子图像内像素的第一灰度平均值。
步骤340、基于所述特征向量和灰度平均值匹配所述目标图像与预先获取的匹配图像，根据匹配结果确定所述匹配图像中与所述目标图像匹配的匹配区域。
示例性的，计算所述第一尺度不变特征变换特征向量与所述第二尺度不变特征变换特征向量的第一差值。延续使用上述实施例中的示例，以X＝[x1...,xn]∈Rs×n表示目标图像中所有小区域的SIFT特征向量，以Y＝[y1...,yn]∈Rs×n表示匹配图像中所有小区域的SIFT特征向量，那么，第一差值Cx可以表示为X1-Y1,X2-Y2,……,Xn-Yn，其中，x＝1,2，……,n，n表示小区域的数量。
计算所述第一灰度平均值和所述第二灰度平均值的第二差值。其中，第一灰度平均值包括目标图像中每块子区域内的像素点的灰度平均值，第二灰度值包括匹配图像中每块子区域内的像素点的灰度平均值，相应的，第二差值Tx可以表示为上述两类灰度平均值的差值。
根据所述第一差值和第二差值确定所述目标图像中子图像与所述匹配图像中匹配子图像的匹配度。例如，根据所述第一差值和第二差值采用如下公式计算所述目标图像中子图像与所述匹配图像中匹配子图像的匹配度：
P＝Cx+λTx
其中，P是匹配度，Cx是所述目标图像中第x块子图像的第一尺度不变特征变换特征向量与所述匹配图像中对应匹配子图像的第二尺度不变特征变换特征向量的差值，Tx是所述目标图像中第x块子图像内像素的第一灰度平均值与所述匹配图像中对应匹配子图像内像素的第二灰度平均值的差值，λ∈(0,1)。
根据所述匹配度确定所述匹配图像中与所述目标图像匹配的匹配子图像。
例如，比较所述匹配度的数值，确定匹配度最小的匹配子图像；将所述匹配度最小的匹配子图像作为所述匹配图像中与所述目标图像匹配的匹配子图像。
需要说明的是，还可以深度学习的方法构建图像匹配模型，从而提升图像匹配的精度。
本发明实施例，利用SIFT特征向量具有光照、平移、旋转不变的特性，弥补基于像素灰度进行图像匹配导致误差较大的缺陷，使图像匹配的结果更加稳定，通过本发明实施例的技术方案可以使VSLAM在场景明暗差距变化较大的情景下运用，并提高了VSLAM的精度，为无人车技术的早日实现提供了技术支撑。
实施例三
图5为本发明实施例三提供的一种图像匹配装置的结构示意图，该装置可由软件和/或硬件实现，一般可集成在汽车中，可以通过执行图像匹配方法实现提升匹配精度的效果。如图5所示，该装置包括：
图像划分模块510，用于获取目标图像，并将所述目标图像划分为至少两个子图像；
特征向量确定模块520，用于确定各个所述子图像的特征向量和灰度平均值，其中，所述特征向量与图像尺度缩放、旋转及亮度变化无关；
图像匹配模块530，用于基于所述特征向量和灰度平均值匹配所述目标图像与预先获取的匹配图像，根据匹配结果确定所述匹配图像中与所述目标图像匹配的匹配区域。
可选的，图像划分模块510具体用于：
获取设置于汽车上的摄像头拍摄的行驶路线上的环境图像，作为目标图像；
基于分辨率将所述目标图像划分为至少两个子图像。
可选的，特征向量确定模块520具体用于：
采用滑动窗口法计算各个所述子图像的第一尺度不变特征变换(SIFT)特征向量；
确定所述目标图像的灰度图像，分别计算各个所述子图像内像素的第一灰度平均值。
可选的，还包括：
子图像确定模块，用于在获取目标图像之前，获取匹配图像，基于分辨率将所述匹配图像划分为至少两个匹配子图像；
平均值确定模块，用于确定各个所述匹配子图像的第二尺度不变特征变换(SIFT)特征向量和第二灰度平均值。
可选的，图像匹配模块具体用于：
计算所述第一尺度不变特征变换(SIFT)特征向量与所述第二尺度不变特征变换(SIFT)特征向量的第一差值；
计算所述第一灰度平均值和所述第二灰度平均值的第二差值；
根据所述第一差值和第二差值确定所述目标图像中子图像与所述匹配图像中匹配子图像的匹配度；
根据所述匹配度确定所述匹配图像中与所述目标图像匹配的匹配子图像。
可选的，根据所述第一差值和第二差值采用如下公式计算所述目标图像中子图像与所述匹配图像中匹配子图像的匹配度：
P＝Cx+λTx
其中，P是匹配度，Cx是所述目标图像中第x块子图像的第一尺度不变特征变换(SIFT)特征向量与所述匹配图像中对应匹配子图像的第二尺度不变特征变换(SIFT)特征向量的差值，Tx是所述目标图像中第x块子图像内像素的第一灰度平均值与所述匹配图像中对应匹配子图像内像素的第二灰度平均值的差值，λ∈(0,1)。
可选的，根据所述匹配度确定所述匹配图像中与所述目标图像匹配的匹配子图像，包括：
比较所述匹配度的数值，确定匹配度最小的匹配子图像；
将所述匹配度最小的匹配子图像作为所述匹配图像中与所述目标图像匹配的匹配子图像。
本发明实施例所提供的图像匹配装置可执行本发明任意实施例所提供的图像匹配方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6为本发明实施例四提供的一种汽车示意图。下面参考图6，其示出了适于用来实现本发明实施例的汽车。如图6所示，汽车600包括存储器，处理器620及存储在存储器上并可在处理器620运行的计算机程序，所述处理器620执行所述计算机程序时实现如本发明任一实施例所述的图像匹配方法。
需要说明的是，图6示出的汽车仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，汽车600可以包括处理器620，其可以根据存储在只读存储器(ROM)630中的程序或者从存储装置610加载到随机访问存储器(RAM)640中的程序而执行各种适当的动作和处理。在RAM640中，还存储有汽车600操作所需的各种程序和数据。需要说明的是，存储器包括ROM630、RAM640和存储装置610等。
处理器620、ROM630以及RAM640通过总线650彼此相连。输入/输出(I/O)接口660也连接至总线650。存储装置610、输出装置680和输入装置670连接至I/O接口660。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种图像匹配方法，该方法包括：
获取目标图像，并将所述目标图像划分为至少两个子图像；
确定各个所述子图像的特征向量和灰度平均值，其中，所述特征向量与图像尺度缩放、旋转及亮度变化无关；
基于所述特征向量和灰度平均值匹配所述目标图像与预先获取的匹配图像，根据匹配结果确定所述匹配图像中与所述目标图像匹配的匹配区域。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的图像匹配方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述图像匹配装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
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 (10)

1.一种图像匹配方法，其特征在于，包括：
获取目标图像，并将所述目标图像划分为至少两个子图像；
确定各个所述子图像的特征向量和灰度平均值，其中，所述特征向量与图像尺度缩放、旋转及亮度变化无关；
基于所述特征向量和灰度平均值匹配所述目标图像与预先获取的匹配图像，根据匹配结果确定所述匹配图像中与所述目标图像匹配的匹配区域。
2.根据权利要求1所述方法，其特征在于，获取目标图像，并将所述目标图像划分为至少两个子图像，包括：
获取设置于汽车上的摄像头拍摄的行驶路线上的环境图像，作为目标图像；
基于分辨率将所述目标图像划分为至少两个子图像。
3.根据权利要求1所述方法，其特征在于，确定各个所述子图像的特征向量和灰度平均值，包括：
采用滑动窗口法计算各个所述子图像的第一尺度不变特征变换特征向量；
确定所述目标图像的灰度图像，分别计算各个所述子图像内像素的第一灰度平均值。
4.根据权利要求3所述方法，其特征在于，在获取目标图像之前，还包括：
获取匹配图像，基于分辨率将所述匹配图像划分为至少两个匹配子图像；
确定各个所述匹配子图像的第二尺度不变特征变换特征向量和第二灰度平均值。
5.根据权利要求4所述方法，其特征在于，基于所述特征向量和灰度平均值匹配所述目标图像与预先获取的匹配图像，根据匹配结果确定所述匹配图像中与所述目标图像匹配的匹配区域，包括：
计算所述第一尺度不变特征变换特征向量与所述第二尺度不变特征变换特征向量的第一差值；
计算所述第一灰度平均值和所述第二灰度平均值的第二差值；
根据所述第一差值和第二差值确定所述目标图像中子图像与所述匹配图像中匹配子图像的匹配度；
根据所述匹配度确定所述匹配图像中与所述目标图像匹配的匹配子图像。
6.根据权利要求5所述方法，其特征在于，根据所述第一差值和第二差值采用如下公式计算所述目标图像中子图像与所述匹配图像中匹配子图像的匹配度：
P＝Cx+λTx
其中，P是匹配度，Cx是所述目标图像中第x块子图像的第一尺度不变特征变换特征向量与所述匹配图像中对应匹配子图像的第二尺度不变特征变换特征向量的差值，Tx是所述目标图像中第x块子图像内像素的第一灰度平均值与所述匹配图像中对应匹配子图像内像素的第二灰度平均值的差值，λ∈(0,1)。
7.根据权利要求5所述方法，其特征在于，根据所述匹配度确定所述匹配图像中与所述目标图像匹配的匹配子图像，包括：
比较所述匹配度的数值，确定匹配度最小的匹配子图像；
将所述匹配度最小的匹配子图像作为所述匹配图像中与所述目标图像匹配的匹配子图像。
8.一种图像匹配装置，其特征在于，包括：
图像划分模块，用于获取目标图像，并将所述目标图像划分为至少两个子图像；
特征向量确定模块，用于确定各个所述子图像的特征向量和灰度平均值，其中，所述特征向量与图像尺度缩放、旋转及亮度变化无关；
图像匹配模块，用于基于所述特征向量和灰度平均值匹配所述目标图像与预先获取的匹配图像，根据匹配结果确定所述匹配图像中与所述目标图像匹配的匹配区域。
9.一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，该程序被处理器执行时实现如权利要求1-7中任一所述的图像匹配方法。
10.一种汽车，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
摄像头，用于采集图像；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的图像匹配方法。
CN201910968183.9A 2019-10-12 2019-10-12 一种图像匹配方法、装置、存储介质及汽车 Active CN110880003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910968183.9A CN110880003B (zh) 2019-10-12 2019-10-12 一种图像匹配方法、装置、存储介质及汽车

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910968183.9A CN110880003B (zh) 2019-10-12 2019-10-12 一种图像匹配方法、装置、存储介质及汽车

Publications (2)

Publication Number Publication Date
CN110880003A true CN110880003A (zh) 2020-03-13
CN110880003B CN110880003B (zh) 2023-01-17

Family

ID=69727967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910968183.9A Active CN110880003B (zh) 2019-10-12 2019-10-12 一种图像匹配方法、装置、存储介质及汽车

Country Status (1)

Country Link
CN (1) CN110880003B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112887598A (zh) * 2021-01-25 2021-06-01 维沃移动通信有限公司 图像处理方法、装置、拍摄支架、电子设备及可读存储介质
CN113111883A (zh) * 2021-03-23 2021-07-13 浙江大华技术股份有限公司 车牌检测方法、电子设备及存储介质

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101196979A (zh) * 2006-12-22 2008-06-11 四川川大智胜软件股份有限公司 利用数字图像处理技术识别车辆类型的方法
CN101251926A (zh) * 2008-03-20 2008-08-27 北京航空航天大学 一种基于局部轮廓协方差矩阵的遥感图像配准方法
CN102567979A (zh) * 2012-01-20 2012-07-11 南京航空航天大学 车载红外夜视***及其多源图像融合方法
CN103604417A (zh) * 2013-11-15 2014-02-26 南京师范大学 物方信息约束的多视影像双向匹配策略
CN103606151A (zh) * 2013-11-15 2014-02-26 南京师范大学 基于影像点云的大范围虚拟地理场景自动构建方法
US20140211989A1 (en) * 2013-01-31 2014-07-31 Seiko Epson Corporation Component Based Correspondence Matching for Reconstructing Cables
US20140334727A1 (en) * 2013-05-08 2014-11-13 Peking University Founder Group Co., Ltd. Method and apparatus for describing image
US20150036933A1 (en) * 2013-07-31 2015-02-05 Peking University Founder Group Co., Ltd. Method and apparatus for matching key pixels, and method and apparatus for matching images
CN104376529A (zh) * 2014-11-25 2015-02-25 深圳北航新兴产业技术研究院 一种基于glcm的灰度图像彩色化***和方法
CN104537649A (zh) * 2014-12-16 2015-04-22 厦门雅迅网络股份有限公司 一种基于图像模糊度比较的车辆转向判断方法及***
CN105588439A (zh) * 2014-10-20 2016-05-18 宝山钢铁股份有限公司 烧结机台车篦条检测方法
CN105827963A (zh) * 2016-03-22 2016-08-03 维沃移动通信有限公司 一种拍照过程中场景变化检测方法及移动终端
CN105956596A (zh) * 2016-04-26 2016-09-21 百度在线网络技术（北京）有限公司 图片反作弊方法及装置
US20170132451A1 (en) * 2015-11-06 2017-05-11 Fanuc Corporation Image processing device and method for detecting image of object to be detected from input data
CN106952393A (zh) * 2017-03-28 2017-07-14 深圳怡化电脑股份有限公司 纸币识别方法和装置、电子设备和存储介质
CN107480727A (zh) * 2017-08-28 2017-12-15 荆门程远电子科技有限公司 一种sift和orb相结合的无人机影像快速匹配方法
CN107610164A (zh) * 2017-09-11 2018-01-19 北京空间飞行器总体设计部 一种基于多特征混合的高分四号影像配准方法
CN108012080A (zh) * 2017-12-04 2018-05-08 广东欧珀移动通信有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN108256456A (zh) * 2018-01-08 2018-07-06 杭州电子科技大学 一种基于多特征阈值融合的手指静脉识别方法
CN108287833A (zh) * 2017-01-09 2018-07-17 北京艺鉴通科技有限公司 一种用于艺术品鉴定的以图搜图方法
CN108364263A (zh) * 2018-02-05 2018-08-03 苏州沃科汽车科技有限公司 一种标清输入高清输出的车载图像处理方法
CN109101867A (zh) * 2018-06-11 2018-12-28 平安科技（深圳）有限公司 一种图像匹配方法、装置、计算机设备及存储介质
CN109241985A (zh) * 2017-07-11 2019-01-18 普天信息技术有限公司 一种图像识别方法及装置
CN109523505A (zh) * 2018-09-18 2019-03-26 深圳市智信精密仪器有限公司 一种基于机器视觉的陶瓷砖表面花纹缺陷检测方法

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101196979A (zh) * 2006-12-22 2008-06-11 四川川大智胜软件股份有限公司 利用数字图像处理技术识别车辆类型的方法
CN101251926A (zh) * 2008-03-20 2008-08-27 北京航空航天大学 一种基于局部轮廓协方差矩阵的遥感图像配准方法
CN102567979A (zh) * 2012-01-20 2012-07-11 南京航空航天大学 车载红外夜视***及其多源图像融合方法
US20140211989A1 (en) * 2013-01-31 2014-07-31 Seiko Epson Corporation Component Based Correspondence Matching for Reconstructing Cables
US20140334727A1 (en) * 2013-05-08 2014-11-13 Peking University Founder Group Co., Ltd. Method and apparatus for describing image
US20150036933A1 (en) * 2013-07-31 2015-02-05 Peking University Founder Group Co., Ltd. Method and apparatus for matching key pixels, and method and apparatus for matching images
CN103604417A (zh) * 2013-11-15 2014-02-26 南京师范大学 物方信息约束的多视影像双向匹配策略
CN103606151A (zh) * 2013-11-15 2014-02-26 南京师范大学 基于影像点云的大范围虚拟地理场景自动构建方法
CN105588439A (zh) * 2014-10-20 2016-05-18 宝山钢铁股份有限公司 烧结机台车篦条检测方法
CN104376529A (zh) * 2014-11-25 2015-02-25 深圳北航新兴产业技术研究院 一种基于glcm的灰度图像彩色化***和方法
CN104537649A (zh) * 2014-12-16 2015-04-22 厦门雅迅网络股份有限公司 一种基于图像模糊度比较的车辆转向判断方法及***
US20170132451A1 (en) * 2015-11-06 2017-05-11 Fanuc Corporation Image processing device and method for detecting image of object to be detected from input data
CN105827963A (zh) * 2016-03-22 2016-08-03 维沃移动通信有限公司 一种拍照过程中场景变化检测方法及移动终端
CN105956596A (zh) * 2016-04-26 2016-09-21 百度在线网络技术（北京）有限公司 图片反作弊方法及装置
CN108287833A (zh) * 2017-01-09 2018-07-17 北京艺鉴通科技有限公司 一种用于艺术品鉴定的以图搜图方法
CN106952393A (zh) * 2017-03-28 2017-07-14 深圳怡化电脑股份有限公司 纸币识别方法和装置、电子设备和存储介质
CN109241985A (zh) * 2017-07-11 2019-01-18 普天信息技术有限公司 一种图像识别方法及装置
CN107480727A (zh) * 2017-08-28 2017-12-15 荆门程远电子科技有限公司 一种sift和orb相结合的无人机影像快速匹配方法
CN107610164A (zh) * 2017-09-11 2018-01-19 北京空间飞行器总体设计部 一种基于多特征混合的高分四号影像配准方法
CN108012080A (zh) * 2017-12-04 2018-05-08 广东欧珀移动通信有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN108256456A (zh) * 2018-01-08 2018-07-06 杭州电子科技大学 一种基于多特征阈值融合的手指静脉识别方法
CN108364263A (zh) * 2018-02-05 2018-08-03 苏州沃科汽车科技有限公司 一种标清输入高清输出的车载图像处理方法
CN109101867A (zh) * 2018-06-11 2018-12-28 平安科技（深圳）有限公司 一种图像匹配方法、装置、计算机设备及存储介质
CN109523505A (zh) * 2018-09-18 2019-03-26 深圳市智信精密仪器有限公司 一种基于机器视觉的陶瓷砖表面花纹缺陷检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PRASHANT SRIVASTAVA等: "Content-Based Image Retrieval using Scale Invariant Feature Transform and Gray Level Cooccurrence Matrix", 《SECOND INTERNATIONAL WORKSHOP ON PATTERN RECOGNITION》 *
吴微等: "基于灰度曲面匹配的快速手掌静脉识别", 《光学学报》 *
贺晓佳: "灰度图像快速匹配算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
郭健: "基于局部特征的图像匹配算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112887598A (zh) * 2021-01-25 2021-06-01 维沃移动通信有限公司 图像处理方法、装置、拍摄支架、电子设备及可读存储介质
CN113111883A (zh) * 2021-03-23 2021-07-13 浙江大华技术股份有限公司 车牌检测方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN110880003B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN106920245B (zh) 一种边界检测的方法及装置
CN109658454B (zh) 一种位姿信息确定方法、相关装置及存储介质
CN110807491A (zh) 车牌图像清晰度模型训练方法、清晰度检测方法及装置
CN113269163B (zh) 基于鱼眼图像的立体泊车位检测方法及装置
CN113313763A (zh) 一种基于神经网络的单目相机位姿优化方法及装置
CN113052907B (zh) 一种动态环境移动机器人的定位方法
CN110880003B (zh) 一种图像匹配方法、装置、存储介质及汽车
CN113112542A (zh) 一种视觉定位方法、装置、电子设备及存储介质
CN112348116A (zh) 利用空间上下文的目标检测方法、装置和计算机设备
CN111797715A (zh) 车位检测方法、装置、电子设备及存储介质
CN111191482B (zh) 一种刹车灯识别方法、装置及电子设备
CN112837384B (zh) 车辆标记方法、装置和电子设备
CN109523570B (zh) 运动参数计算方法及装置
Zhang et al. Data association between event streams and intensity frames under diverse baselines
CN114882115B (zh) 车辆位姿的预测方法和装置、电子设备和存储介质
CN114267076B (zh) 一种图像识别方法、装置、设备及存储介质
CN115115530B (zh) 一种图像去模糊的方法、装置、终端设备及介质
CN116363628A (zh) 标志检测方法、装置、非易失性存储介质及计算机设备
CN113033578B (zh) 基于多尺度特征匹配的图像校准方法、***、终端及介质
CN116128919A (zh) 基于极线约束的多时相图像异动目标检测方法及***
CN115902977A (zh) 基于视觉和gps的变电站机器人双重定位方法及***
CN110751163A (zh) 目标定位方法及其装置、计算机可读存储介质和电子设备
US11227166B2 (en) Method and device for evaluating images, operating assistance method, and operating device
US10380463B2 (en) Image processing device, setting support method, and non-transitory computer-readable media
CN109242894B (zh) 一种基于移动最小二乘法的图像对齐方法及***

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant