CN112966725A - 匹配模板图像的方法、装置及终端设备 - Google Patents
匹配模板图像的方法、装置及终端设备 Download PDFInfo
- Publication number
- CN112966725A CN112966725A CN202110182529.XA CN202110182529A CN112966725A CN 112966725 A CN112966725 A CN 112966725A CN 202110182529 A CN202110182529 A CN 202110182529A CN 112966725 A CN112966725 A CN 112966725A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- description information
- matched
- template
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims description 152
- 238000001514 detection method Methods 0.000 claims description 67
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 238000013136 deep learning model Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请提供的一种匹配模板图像的方法，包括：获取待匹配图像中的第一特征点的第一描述信息；针对至少两个模板图像中的每一个模板图像，获取所述模板图像中的预设特征点的第二描述信息；根据所述待匹配图像中的第一特征点的第一描述信息和所述模板图像中的预设特征点的第二描述信息，确定所述待匹配图像和所述模板图像之间的匹配点对；根据所述待匹配图像与各个所述模板图像所分别对应的匹配点对，从所述至少两个模板图像中，确定所述待匹配图像所对应的目标模板图像。通过上述方法，可以从多个模板图像中，准确地确定待匹配图像所对应的目标模板图像。
Description
技术领域
本申请属于图像匹配技术领域，尤其涉及匹配模板图像的方法、装置、终端设备及计算机可读存储介质。
背景技术
在诸如智能识别仪表盘度数等应用场景中，需要对图像中的数据进行识别。而为了对图像中的数据进行高效识别，在一些情况下，可以通过模板匹配的方式来进行识别，其中，可以将待匹配图像中的特征点匹配到相应的模板图像中，以根据模板图像中的预先设置的信息，快速识别该待匹配图像中的信息。
因此，亟需一种从多个模板图像中，准确地确定待匹配图像所对应的目标模板图像的方法。
发明内容
本申请实施例提供了匹配模板图像的方法、装置、终端设备及计算机可读存储介质，可以从多个模板图像中，准确地确定待匹配图像所对应的目标模板图像。
第一方面，本申请实施例提供了一种匹配模板图像的方法，包括：
获取待匹配图像中的第一特征点的第一描述信息，所述第一描述信息通过图神经网络基于所述第一特征点的第一初始描述信息而得到；
针对至少两个模板图像中的每一个模板图像，获取所述模板图像中的预设特征点的第二描述信息，所述第二描述信息通过所述图神经网络基于所述预设特征点的第二初始描述信息而得到；
根据所述待匹配图像中的第一特征点的第一描述信息和所述模板图像中的预设特征点的第二描述信息，确定所述待匹配图像和所述模板图像之间的匹配点对；
根据所述待匹配图像与各个所述模板图像所分别对应的匹配点对，从所述至少两个模板图像中，确定所述待匹配图像所对应的目标模板图像。
第二方面，本申请实施例提供了一种匹配模板图像的装置，包括：
第一获取模块，用于获取待匹配图像中的第一特征点的第一描述信息，所述第一描述信息通过图神经网络基于所述第一特征点的第一初始描述信息而得到；
第二获取模块，用于针对至少两个模板图像中的每一个模板图像，获取所述模板图像中的预设特征点的第二描述信息，所述第二描述信息通过所述图神经网络基于所述预设特征点的第二初始描述信息而得到；
第一确定模块，用于根据所述待匹配图像中的第一特征点的第一描述信息和所述模板图像中的预设特征点的第二描述信息，确定所述待匹配图像和所述模板图像之间的匹配点对；
第二确定模块，用于根据所述待匹配图像与各个所述模板图像所分别对应的匹配点对，从所述至少两个模板图像中，确定所述待匹配图像所对应的目标模板图像。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如第一方面上述的匹配模板图像的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如第一方面上述的匹配模板图像的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中上述的匹配模板图像的方法。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例中，所述第一描述信息通过图神经网络基于所述第一特征点的第一初始描述信息而得到，其中，图神经网络可以建立所述待匹配图像中的各个像素点之间的图网络关系，从而可以通过图神经网络，确定所述第一特征点与诸如相邻特征点等关联特征点之间的关联关系，使得所述第一描述信息能准确反映对应的第一特征点在待匹配图像的特性。而针对至少两个模板图像中的每一个模板图像，获取所述模板图像中的预设特征点的第二描述信息通过所述图神经网络基于所述预设特征点的第二初始描述信息而得到，因此，所述第二描述信息也能准确反映对应的预设特征点在模板图像的特性。因此，可以根据所述待匹配图像中的第一特征点的第一描述信息和所述模板图像中的预设特征点的第二描述信息，准确地确定所述待匹配图像和所述模板图像之间的匹配点对，然后根据准确识别得到的各个匹配点对，从所述至少两个模板图像中，确定所述待匹配图像所对应的目标模板图像，提升了待匹配图像与模板图像的匹配准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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是本申请一实施例提供的一种匹配模板图像的方法的流程示意图；
图2是本申请一实施例提供的所述待匹配图像和所述模板图像之间的匹配点对的一种示例性示意图；
图3是本申请一实施例提供的第一数据子集中的第一训练图像的示例性示意图；
图4是本申请一实施例提供的一种匹配模板图像的装置的结构示意图；
图5是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
具体地，图1示出了本申请实施例提供的一种匹配模板图像的方法的流程图，该匹配模板图像的方法可以应用于终端设备。
示例性的，所述终端设备可以为机器人、服务器、台式电脑、手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等。本申请实施例对终端设备的具体类型不作任何限制。
在一些实施例中，所述终端设备可以为电力巡检机器人，该电力巡检机器人可以获取到包含待读取仪表盘的图像以作为待匹配图像。而通过本申请实施例，可以快速准确地匹配到该待匹配图像所对应的目标模板图像，以根据目标模板图像中的预先设置的预设仪表盘信息，识别该待匹配图像中的待读取仪表盘的指针读数。
如图1所示，该匹配模板图像的方法可以包括：
步骤S101，获取待匹配图像中的第一特征点的第一描述信息，所述第一描述信息通过图神经网络基于所述第一特征点的第一初始描述信息而得到。
本申请实施例中，所述待匹配图像可以是预先存储于所述终端设备中的本地图像，或者也可以是与所述终端设备通信连接的其他终端传输至所述终端设备中的。所述待匹配图像的具体来源以及具体的图像类型在此不做限制。
所述待匹配图像中可以包含目标物体，该目标物体可以用于与模板图像中的预设物体进行匹配。该目标物体的类型可以根据具体应用场景来确定。
示例性的，在一些应用场景中，需要对仪表盘度数进行智能识别。此时，该目标物体为待读取仪表盘，也即是说，待匹配图像中包括待读取仪表盘，而各个模板图像中可以包含不同类型的预设仪表盘，此时，所述待匹配图像所对应的目标模板图像中的预设仪表盘的类型与所述待读取仪表盘的类型相同，从而可以根据目标模板图像中的预先设置的预设仪表盘的信息，快速识别该待匹配图像中的待读取仪表盘的信息。
所述第一特征点的个数在此不做限定。在一些示例中，可以有至少部分第一特征点用于标识所述待匹配图像中的目标物体。
本申请实施例中，所述第一特征点的第一初始描述信息的具体获取方式可以有多种，示例性的，可以通过人工标注、尺度不变特征转换(Scale-invariant featuretransform，SIFT)算法、Speeded Up Robust Features(SURF)算法、Oriented Fast andRotated Brief(ORB)算法和/或诸如卷积神经网络等机器学习模型获取得到。所述第一描述信息以及所述第一初始描述信息的具体形式在此也不做限制，示例性的，所述第一描述信息以及所述第一初始描述信息可以为描述子等形式。
在一些示例中，所述第一初始描述信息可以基于传统的描述符检测算法检测得到。在传统的描述信息检测算法的数据处理中，数据节点之间彼此独立。因此，所述第一初始描述信息中，可以包含所述第一特征点的描述信息，但缺少所述第一特征点的环境信息。
传统的深度学习方法被应用在提取欧氏空间数据的特征方面取得了巨大的成功，但许多实际应用场景中的数据是从非欧式空间生成的，传统的深度学习方法在处理非欧式空间数据上的表现却仍难以使人满意。而图神经网络(Graph Neural Networks，GNN)所构建的图中，每个数据节点都可以有边与图中的其他数据节点相关，这些信息可用于捕获节点时间的相互关系。
在本申请实施例中，图神经网络的数据节点可以为待匹配图像中的各个像素点，从而可以通过图神经网络，建立所述待匹配图像中的各个像素点之间的图网络关系，即识别多个像素点之间构成的结构特性，从而可以针对任一像素点，获得该像素点在图像环境中的信息。
其中，所述图神经网络的具体结构和参数设置方式可以根据实际场景来确定。示例性的，所述图神经网络可以为图卷积网络(Graph Convolution Networks，GCN)、图注意力网络(Graph Attention Networks)、图自编码器(Graph Autoencoders)、图生成网络(Graph Generative Networks)或者图时空网络(Graph Spatial-temporal Networks)等等。
通过所述图神经网络，可以针对任一第一特征点，聚合该第一特征点的第一初始描述信息与诸如邻居特征点等关联特征点的关联特征信息，来生成该第一特征点的新的特征表示(即所述第一描述信息)。可见，通过图神经网络，可以确定所述第一特征点与诸如相邻特征点等关联特征点之间的关联关系，此时，相比于第一初始描述信息，所述第一描述信息更能准确反映对应的第一特征点在待匹配图像的特性。
在一些实施例中，所述图神经网络可以部署于GPU中，以实现高效地并行运算，提升处理速度。
在获取待匹配图像中的第一特征点的第一描述信息之前，还包括：
通过摄像头，获取原始图像；
确定所述原始图像中的第二特征点，所述第二特征点用于标识所述原始图像中的目标物体上的第一指定位置；
根据所述第二特征点与第三特征点的坐标差异信息，对所述摄像头的位姿和/或焦距进行调整，所述第三特征点用于标识所述原始图像的第二指定位置；
通过调整后的所述摄像头，获取所述待匹配图像。
本申请实施例中，所述第一指定位置可以根据所述目标物体的形态结构等来确定。示例性的，所述第一指定位置可以为所述目标物体的中点，也可以为所述目标物体上的指定顶点等等。所述第二特征点的个数可以不止一个，而不同的第二特征点所对应的第一指定位置可以相同，也可以不同。
所述第二指定位置可以根据所述第一指定位置等来确定。示例性的，若所述第一指定位置为所述目标物体的中点，那么所述第二指定位置可以为所述原始图像的中点；若所述第一指定位置为所述目标物体的指定顶点，那么所述第二指定位置可以为所述原始图像的指定边缘点。所述第三特征点的个数可以不止一个，而不同的第三特征点所对应的第二指定位置可以相同，也可以不同。
需要说明的是，若所述第二特征点的个数不止一个，那么，各个第二特征点分别存在对应的第三特征点。
此时，根据第二特征点与第三特征点的坐标差异信息，可以确定所述原始图像中的目标物体相对于所述原始图像的偏移情况以及图像占比情况，从而根据所述第二特征点与第三特征点的坐标差异信息，对所述摄像头的位姿和/或焦距进行调整，再通过调整后的所述摄像头，获取所述待匹配图像。
其中，对所述摄像头的位姿进行调整的方法可以有多种。示例性的，可以通过诸如基于比例-积分-微分(Proportion Integral Differential，PID)算法、线性二次型调节器(Linear-Quadratic-Regulator，LQR)、模型预测控制(Model Predictive Control，MPC)算法等来实现。
本申请实施例中，通过调整后的所述摄像头，获取到的所述待匹配图像中，目标物体往往位于中心等期望位置，此外，通过调整焦距，还可以使得所述目标物体在待匹配图像中的占比较为合理，从而提升了待匹配图像中目标物体的呈现效果，为后续的特征提取以及特征匹配等建立良好的基础。
在一些应用场景中，执行本申请实施例的终端设备可以为机器人，所述摄像头设置于所述机器人上；
所述通过摄像头，获取原始图像可以包括：
若所述机器人的当前位置符合预设位置条件，和/或，所述摄像头的当前设置参数符合预设设置条件，则通过所述摄像头，获取原始图像。
其中，示例性的，所述预设位置条件可以指所述当前位置位于预设位置区域内，所述当前设置参数可以包括摄像头的当前位姿和/或当前焦距等等。所述预设设置条件可以基于摄像头采集模板图像时的设置参数来确定。
若所述机器人的当前位置符合预设位置条件，和/或，所述摄像头的当前设置参数符合预设设置条件，则获取到的原始图像中目标物体的呈现状态(如偏移情况以及尺寸占比情况等)往往与期望状态差别较小，从而减小了后续对摄像头进行调整的难度。
步骤S102，针对至少两个模板图像中的每一个模板图像，获取所述模板图像中的预设特征点的第二描述信息，所述第二描述信息通过所述图神经网络基于所述预设特征点的第二初始描述信息而得到。
本申请实施例中，所述模板图像可以是预先存储于所述终端设备中的本地图像，或者也可以是与所述终端设备通信连接的其他终端传输至所述终端设备中的。所述模板图像的具体来源以及具体的图像类型在此不做限制。
所述模板图像中可以包含预设物体，该预设物体可以用于与待匹配图像中的目标物体进行匹配。该预设物体的类型可以根据具体应用场景来确定。
所述预设特征点的个数在此不做限定。在一些示例中，可以有至少部分预设特征点用于标识对应的所述目标图像中的预设物体。
本申请实施例中，所述预设特征点的第二初始描述信息的具体获取方式可以有多种，示例性的，可以通过人工标注、尺度不变特征转换(Scale-invariant featuretransform，SIFT)算法、Speeded Up Robust Features(SURF)算法、Oriented Fast andRotated Brief(ORB)算法和/或诸如卷积神经网络等机器学习模型获取得到。所述第二描述信息以及所述第二初始描述信息的具体形式在此也不做限制，示例性的，所述第二描述信息以及所述第二初始描述信息可以为描述子等形式。
本申请实施例中，图神经网络可以建立所述待匹配图像中的各个像素点之间的图网络关系。此时，针对至少两个模板图像中的每一个模板图像，可以通过图神经网络，确定所述模板图像中的第二特征点与诸如相邻特征点等关联特征点之间的关联关系，使得所获取到的所述第二描述信息能准确反映对应的预设特征点在模板图像的特性。
步骤S103，根据所述待匹配图像中的第一特征点的第一描述信息和所述模板图像中的预设特征点的第二描述信息，确定所述待匹配图像和所述模板图像之间的匹配点对。
本申请实施例中，针对每一个第一特征点，确定所述第一特征点分别与各个预设特征点之间分别对应的特征匹配结果，以判断所述预设特征点中是否存在所述第一特征点的匹配点，若存在所述预设特征点中存在所述第一特征点的匹配点，则将所述第一特征点与相匹配的预设特征点作为一组匹配点对。其中，所述特征匹配结果可以根据所述第一特征点的第一描述信息和预设特征点的第二描述信息得到。示例性的，可以将所述第一描述信息中的第一描述符与所述第二描述信息中的第二描述符进行内积运算，以获得内积运算结果，然后，根据该内积运算结果确定所述第一特征点与相应的预设特征点是否相匹配。
如图2所示，为一种具体示例中，所述待匹配图像和所述模板图像之间的匹配点对的一种示例性示意图。
其中，所述第一特征点为所述待匹配图像中的待读取仪表盘上的特征点，所述预设特征点可以为模板图像中的预设仪表盘上的特征点，此时，可以识别所述待匹配图像和所述模板图像之间的多个匹配点对。
步骤S104，根据所述待匹配图像与各个所述模板图像所分别对应的匹配点对，从所述至少两个模板图像中，确定所述待匹配图像所对应的目标模板图像。
本申请实施例中，可以根据所述待匹配图像与各个所述模板图像所分别对应的匹配点对，确定所述待匹配图像分别与各个模板图像之间的匹配结果，从而从所述至少两个模板图像中，确定所述待匹配图像所对应的目标模板图像。该匹配结果可以指示所述待匹配图像与对应的模板图像相匹配的概率。
在一些示例中，所述步骤S103以及所述步骤S104中的至少部分步骤可以通过预设神经网络来实现，
此时，可以预先构建并训练得到包括所述图神经网络和所述预设神经网络的目标网络结构。然后，针对每一个模板图像，可以将携带有所述第一特征点的第一初始描述信息的待匹配图像，以及携带有所述预设特征点的第二初始描述信息的模板图像，输入该目标网络结构，获得所述目标网络结构的输出结果，该输出结果可以包含所述待匹配图像分别与各个模板图像之间的匹配结果。接着，再根据所述待匹配图像分别与各个模板图像的匹配结果，确定从所述至少两个模板图像中，确定所述待匹配图像所对应的目标模板图像。
而在另一些示例中，可以根据所述待匹配图像与各个所述模板图像所分别对应的匹配点对的个数、坐标分布情况以及匹配概率值等等信息中的至少一种，确定所述待匹配图像分别与各个模板图像之间的匹配结果。
本申请实施例中，所述第一描述信息通过图神经网络基于所述第一特征点的第一初始描述信息而得到，其中，图神经网络可以建立所述待匹配图像中的各个像素点之间的图网络关系，从而可以通过图神经网络，确定所述第一特征点与诸如相邻特征点等关联特征点之间的关联关系，使得所述第一描述信息能准确反映对应的第一特征点在待匹配图像的特性。而针对至少两个模板图像中的每一个模板图像，获取所述模板图像中的预设特征点的第二描述信息通过所述图神经网络基于所述预设特征点的第二初始描述信息而得到，因此，所述第二描述信息也能准确反映对应的预设特征点在模板图像的特性。因此，可以根据所述待匹配图像中的第一特征点的第一描述信息和所述模板图像中的预设特征点的第二描述信息，准确地确定所述待匹配图像和所述模板图像之间的匹配点对，然后根据准确识别得到的各个匹配点对，从所述至少两个模板图像中，确定所述待匹配图像所对应的目标模板图像，提升了待匹配图像与模板图像的匹配准确率。
在一些实施例中，在获取待匹配图像中的第一特征点的第一描述信息之前，还包括：
通过训练完成的深度学习模型，确定所述待匹配图像中的第一特征点以及所述第一特征点的第一初始描述信息，所述深度学习模型包含特征检测子模型和描述符检测子模型。
本申请实施例中，所述特征检测子模型用于检测所述待匹配图像中的第一特征点，所述描述符检测子模型用于检测所述待匹配图像中的第一特征点的第一初始描述信息。
所述特征检测子模型和描述符检测子模型的结构在此不做限制。所述特征检测子模型与所述描述符检测子模型可以为两个基本独立的分支模型，也可以存在共享的结构。
例如，在一种示例中，所述特征检测子模型包括编码器和第一解码器，所述编码器的输出用于输入所述第一解码器，而所述描述符检测子模型包括第二解码器，所述第二解码器的输入也为所述编码器的输出。可见，所述特征检测子模型与所述描述符检测子模型可以共享所述编码器，从而提高数据利用率和处理效率，减小计算资源的消耗。
在一些实施例中，所述训练完成的深度学习模型可以部署于GPU中，以实现高效地并行运算，提升处理速度。
在一些实施例中，在通过训练完成的深度学习模型，确定所述待匹配图像中的第一特征点以及所述第一特征点的第一初始描述信息之前，还包括：
通过第一数据集，对所述特征检测子模型进行训练，获得初始训练完成的特征检测子模型；
基于所述初始训练完成的特征检测子模型和所述描述符检测子模型，构建得到待训练深度学习模型；
通过第二数据集，对所述待训练深度学习模型进行训练，获得训练完成的待训练深度学习模型，并将所述训练完成的待训练深度学习模型作为所述训练完成的深度学习模型。
本申请实施例中，可以将所述深度学习模型的训练分为至少两个阶段，其中第一阶段获得初始训练完成的特征检测子模型，然后再基于所述初始训练完成的特征检测子模型和所述描述符检测子模型，构建得到待训练深度学习模型，并通过第二数据集，对所述待训练深度学习模型进行训练，此时，由于初始训练完成的特征检测子模型已初步收敛，因此，对所述待训练深度学习模型进行训练时，所述待训练深度学习模型达到收敛的难度也较小。
可见，本申请实施例中，可以对所述深度学习模型进行分阶段的训练，此时，分阶段训练中的每个阶段中，模型达到收敛的难度较小，提升了模型训练效率。
在一些实施例中，所述第一数据集包括第一数据子集以及第二数据子集，所述第一数据子集中包含至少一个第一训练图像，每一所述第一训练图像中包含基于基本图形元素生成的图形，所述第二数据子集中包含至少一组训练图像集合，每一组训练图像集合中，包括一个第二训练图像和对所述第二训练图像进行单应变换所得到的至少一个拓展训练图像，不同训练图像集合所对应的第二训练图像不同；
所述通过第一数据集，对所述特征检测子模型进行训练，获得初始训练完成的特征检测子模型，包括：
通过所述第一数据子集，对所述特征检测子模型进行第一训练，获得第一训练完成的特征检测子模型；
通过所述第二数据子集，对所述第一训练完成的特征检测子模型进行第二训练，获得第二训练完成的特征检测子模型，并将所述第二训练完成的特征检测子模型作为所述初始训练完成的特征检测子模型。
本申请实施例中，所述基本图形元素可以包括构成诸如四边形、三角形、线、椭圆等基本图形的元素。所述第一数据子集中的每一个第一训练图像可以基于一个或至少两个基本图形而得到。由于基本图形的端点等特征点十分易于确定，因此，相比于目前的具有特征点标注的数据集，所述第一数据子集的数据采集以及特征点标注等操作的工作量以及处理难度大大降低。
如图3所示，为第一数据子集中的第一训练图像的示例性示意图。
其中，所述第一训练图像中可以包括诸如梯形、多边形、三角形等基本图像，其中的端点、交点等特征点十分易于识别。
此外，目前，在诸如仪表盘度数识别等应用场景中，待识别的特征点中有许多特征点与线段端点等特征点的特性较为相似。但是诸如SIFT算法等目前传统的特征点提取算法通常关注的是图像的局部极值点，并没有特别关注线段的端点等情况。而本申请实施例中，通过所述第一数据子集，对所述特征检测子模型进行第一训练，可以大大提升特征检测子模型针对端点等元素的识别准确性。
但是由于第一数据子集的特征形式较为单一，且与真实图像存在一定差别，导致所述第一训练完成的特征检测子模型针对真实图像的特征点检测准确性较低，且泛化能力较差。
因此，本申请实施例中，通过所述第二数据子集，对所述第一训练完成的特征检测子模型进行进一步的训练。为了减小工作量，所述第二数据子集可以为未标注特征点的数据集。所述第二数据子集中，可以包含至少一组训练图像集合，每一组训练图像集合中，包括一个第二训练图像和对所述第二训练图像进行单应变换所得到的至少一个拓展训练图像，不同训练图像集合所对应的第二训练图像不同。
在一些实施例中，针对一组训练图像集合中的每一个拓展训练图像，所述拓展训练图像为基于单应变换矩阵对相应的第二训练图像进行单应变换后得到，所述拓展训练图像所对应的单应变换矩阵用于指示对所对应的所述第二训练图像进行平移处理、旋转处理、裁剪处理和/或缩放处理。
一组训练图像集合中的每一个拓展训练图像所对应的单应变化矩阵可以是随机确定的，也可以是预先设定的。
其中，拓展训练图像为对应的第二训练图像进行单应变换后得到，因此，所述第二训练图像和对应的拓展训练图像之间的像素映射关系是确定的。在通过所述第二数据子集，对所述第一训练完成的特征检测子模型进行第二训练时，一组训练图像集合中的所述第二训练图像和对应的拓展训练图像中识别得到的特征点可以用于相互印证，并用于计算训练损失，以对训练中的特征检测子模型进行不断迭代优化，从而获得第二训练完成的特征检测子模型，并且在所述第二训练过程中，实现了无监督学习，减少了对标注数据集的依赖。
本申请实施例中，基于单应变换，每一组训练图像集合中的特征点的特征表达方式较为丰富，从而使得通过所述第二数据子集获得的所述第二训练完成的特征检测子模型的泛化能力较好，鲁棒性更好，在真实场景图像中的特征提取结果更为准确。
在一些实施例中，所述第二数据集中包括至少一个第三训练图像，所述第三训练图像中标注有预设特征点真值，并且针对每一个第三训练图像，所述第三训练图像基于一组所述训练图像集合而得到，所述第三训练图像中的预设特征点真值基于目标输出而得到，所述目标输出为所述第二训练完成的特征检测子模型对所述第三训练图像所对应的所述训练图像集合的输出，不同的第三训练图像所对应的训练图像集合不同。
其中，所述第三训练图像可以为对应的训练图像集合中的第二训练图像、拓展训练图像，也可以是基于所述对应的训练图像集合中的第二训练图像以及拓展训练图像合成得到。
在所述第二训练过程中，可以实现无监督学习，减少了对标注数据集的依赖，同时，第二训练完成的特征检测子模型还可以用于获得所述所述第二数据子集中的训练图像(即第二训练图像以及拓展训练图像)的预设特征点真值，从而大大提升了具有特征点标注的训练数据集的获取效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例上述的匹配模板图像的方法，图4示出了本申请实施例提供的一种匹配模板图像的装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图4，该匹配模板图像的装置4包括：
第一获取模块401，用于获取待匹配图像中的第一特征点的第一描述信息，所述第一描述信息通过图神经网络基于所述第一特征点的第一初始描述信息而得到；
第二获取模块402，用于针对至少两个模板图像中的每一个模板图像，获取所述模板图像中的预设特征点的第二描述信息，所述第二描述信息通过所述图神经网络基于所述预设特征点的第二初始描述信息而得到；
第一确定模块403，用于根据所述待匹配图像中的第一特征点的第一描述信息和所述模板图像中的预设特征点的第二描述信息，确定所述待匹配图像和所述模板图像之间的匹配点对；
第二确定模块404，用于根据所述待匹配图像与各个所述模板图像所分别对应的匹配点对，从所述至少两个模板图像中，确定所述待匹配图像所对应的目标模板图像。
可选的，所述匹配模板图像的装置4还包括：
第三确定模块，用于通过训练完成的深度学习模型，确定所述待匹配图像中的第一特征点以及所述第一特征点的第一初始描述信息，所述深度学习模型包含特征检测子模型和描述符检测子模型。
可选的，所述匹配模板图像的装置4还包括：
第一训练模块，用于通过第一数据集，对所述特征检测子模型进行训练，获得初始训练完成的特征检测子模型；
构建模块，用于基于所述初始训练完成的特征检测子模型和所述描述符检测子模型，构建得到待训练深度学习模型；
第二训练模块，用于通过第二数据集，对所述待训练深度学习模型进行训练，获得训练完成的待训练深度学习模型，并将所述训练完成的待训练深度学习模型作为所述训练完成的深度学习模型。
可选的，所述第一数据集包括第一数据子集以及第二数据子集，所述第一数据子集中包含至少一个第一训练图像，每一所述第一训练图像中包含基于基本图形元素生成的图形，所述第二数据子集中包含至少一组训练图像集合，每一组训练图像集合中，包括一个第二训练图像和对所述第二训练图像进行单应变换所得到的至少一个拓展训练图像，不同训练图像集合所对应的第二训练图像不同；
所述第一训练模块包括：
第一训练单元，用于通过所述第一数据子集，对所述特征检测子模型进行第一训练，获得第一训练完成的特征检测子模型；
第二训练单元，用于通过所述第二数据子集，对所述第一训练完成的特征检测子模型进行第二训练，获得第二训练完成的特征检测子模型，并将所述第二训练完成的特征检测子模型作为所述初始训练完成的特征检测子模型。
可选的，所述第二数据集中包括至少一个第三训练图像，所述第三训练图像中标注有预设特征点真值，并且针对每一个第三训练图像，所述第三训练图像基于一组所述训练图像集合而得到，所述第三训练图像中的预设特征点真值基于目标输出而得到，所述目标输出为所述第二训练完成的特征检测子模型对所述第三训练图像所对应的所述训练图像集合的输出，不同的第三训练图像所对应的训练图像集合不同。
可选的，针对一组训练图像集合中的每一个拓展训练图像，所述拓展训练图像为基于单应变换矩阵对相应的第二训练图像进行单应变换后得到，所述拓展训练图像所对应的单应变换矩阵用于指示对所对应的所述第二训练图像进行平移处理、旋转处理、裁剪处理和/或缩放处理。
可选的，所述匹配模板图像的装置4还包括：
第三获取模块，用于通过摄像头，获取原始图像；
第四确定模块，用于确定所述原始图像中的第二特征点，所述第二特征点用于标识所述原始图像中的目标物体上的第一指定位置；
调整模块，用于根据所述第二特征点与第三特征点的坐标差异信息，对所述摄像头的位姿和/或焦距进行调整，所述第三特征点用于标识所述原始图像的第二指定位置；
第四获取模块，用于通过调整后的所述摄像头，获取所述待匹配图像。
本申请实施例中，所述第一描述信息通过图神经网络基于所述第一特征点的第一初始描述信息而得到，其中，图神经网络可以建立所述待匹配图像中的各个像素点之间的图网络关系，从而可以通过图神经网络，确定所述第一特征点与诸如相邻特征点等关联特征点之间的关联关系，使得所述第一描述信息能准确反映对应的第一特征点在待匹配图像的特性。而针对至少两个模板图像中的每一个模板图像，获取所述模板图像中的预设特征点的第二描述信息通过所述图神经网络基于所述预设特征点的第二初始描述信息而得到，因此，所述第二描述信息也能准确反映对应的预设特征点在模板图像的特性。因此，可以根据所述待匹配图像中的第一特征点的第一描述信息和所述模板图像中的预设特征点的第二描述信息，准确地确定所述待匹配图像和所述模板图像之间的匹配点对，然后根据准确识别得到的各个匹配点对，从所述至少两个模板图像中，确定所述待匹配图像所对应的目标模板图像，提升了待匹配图像与模板图像的匹配准确率。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图5为本申请一实施例提供的终端设备的结构示意图。如图5所示，该实施例的终端设备5包括：至少一个处理器50(图5中仅示出一个)、存储器51以及存储在上述存储器51中并可在上述至少一个处理器50上运行的计算机程序52，上述处理器50执行上述计算机程序52时实现上述任意各个匹配模板图像的方法实施例中的步骤。
上述终端设备5可以是机器人、服务器、手机、可穿戴设备、增强现实(augmentedreality，AR)/虚拟现实(virtual reality，VR)设备、桌上型计算机、笔记本、台式电脑以及掌上电脑等计算设备。该终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的举例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入设备、输出设备、网络接入设备等。其中，上述输入设备可以包括键盘、触控板、指纹采集传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风、摄像头等，输出设备可以包括显示器、扬声器等。
上述处理器50可以是中央处理单元(Central Processing Unit，CPU)，该处理器50还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器51在一些实施例中可以是上述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。上述存储器51在另一些实施例中也可以是上述终端设备5的外部存储设备，例如上述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，上述存储器51还可以既包括上述终端设备5的内部存储单元也包括外部存储设备。上述存储器51用于存储操作***、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如上述计算机程序的程序代码等。上述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
另外，尽管未示出，上述终端设备5还可以包括网络连接模块，如蓝牙模块Wi-Fi模块、蜂窝网络模块等等，在此不再赘述。
本申请实施例中，上述处理器50执行上述计算机程序52以实现上述任意各个匹配模板图像的方法实施例中的步骤时，所述第一描述信息通过图神经网络基于所述第一特征点的第一初始描述信息而得到，其中，图神经网络可以建立所述待匹配图像中的各个像素点之间的图网络关系，从而可以通过图神经网络，确定所述第一特征点与诸如相邻特征点等关联特征点之间的关联关系，使得所述第一描述信息能准确反映对应的第一特征点在待匹配图像的特性。而针对至少两个模板图像中的每一个模板图像，获取所述模板图像中的预设特征点的第二描述信息通过所述图神经网络基于所述预设特征点的第二初始描述信息而得到，因此，所述第二描述信息也能准确反映对应的预设特征点在模板图像的特性。因此，可以根据所述待匹配图像中的第一特征点的第一描述信息和所述模板图像中的预设特征点的第二描述信息，准确地确定所述待匹配图像和所述模板图像之间的匹配点对，然后根据准确识别得到的各个匹配点对，从所述至少两个模板图像中，确定所述待匹配图像所对应的目标模板图像，提升了待匹配图像与模板图像的匹配准确率。
本申请实施例还提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种匹配模板图像的方法，其特征在于，包括：
获取待匹配图像中的第一特征点的第一描述信息，所述第一描述信息通过图神经网络基于所述第一特征点的第一初始描述信息而得到；
针对至少两个模板图像中的每一个模板图像，获取所述模板图像中的预设特征点的第二描述信息，所述第二描述信息通过所述图神经网络基于所述预设特征点的第二初始描述信息而得到；
根据所述待匹配图像中的第一特征点的第一描述信息和所述模板图像中的预设特征点的第二描述信息，确定所述待匹配图像和所述模板图像之间的匹配点对；
根据所述待匹配图像与各个所述模板图像所分别对应的匹配点对，从所述至少两个模板图像中，确定所述待匹配图像所对应的目标模板图像。
2.如权利要求1所述的方法，其特征在于，在获取待匹配图像中的第一特征点的第一描述信息之前，还包括：
通过训练完成的深度学习模型，确定所述待匹配图像中的第一特征点以及所述第一特征点的第一初始描述信息，所述深度学习模型包含特征检测子模型和描述符检测子模型。
3.如权利要求2所述的方法，其特征在于，在通过训练完成的深度学习模型，确定所述待匹配图像中的第一特征点以及所述第一特征点的第一初始描述信息之前，还包括：
通过第一数据集，对所述特征检测子模型进行训练，获得初始训练完成的特征检测子模型；
基于所述初始训练完成的特征检测子模型和所述描述符检测子模型，构建得到待训练深度学习模型；
通过第二数据集，对所述待训练深度学习模型进行训练，获得训练完成的待训练深度学习模型，并将所述训练完成的待训练深度学习模型作为所述训练完成的深度学习模型。
4.如权利要求3所述的方法，其特征在于，所述第一数据集包括第一数据子集以及第二数据子集，所述第一数据子集中包含至少一个第一训练图像，每一所述第一训练图像中包含基于基本图形元素生成的图形，所述第二数据子集中包含至少一组训练图像集合，每一组训练图像集合中，包括一个第二训练图像和对所述第二训练图像进行单应变换所得到的至少一个拓展训练图像，不同训练图像集合所对应的第二训练图像不同；
所述通过第一数据集，对所述特征检测子模型进行训练，获得初始训练完成的特征检测子模型，包括：
通过所述第一数据子集，对所述特征检测子模型进行第一训练，获得第一训练完成的特征检测子模型；
通过所述第二数据子集，对所述第一训练完成的特征检测子模型进行第二训练，获得第二训练完成的特征检测子模型，并将所述第二训练完成的特征检测子模型作为所述初始训练完成的特征检测子模型。
5.如权利要求4所述的方法，其特征在于，所述第二数据集中包括至少一个第三训练图像，所述第三训练图像中标注有预设特征点真值，并且针对每一个第三训练图像，所述第三训练图像基于一组所述训练图像集合而得到，所述第三训练图像中的预设特征点真值基于目标输出而得到，所述目标输出为所述第二训练完成的特征检测子模型对所述第三训练图像所对应的所述训练图像集合的输出，不同的第三训练图像所对应的训练图像集合不同。
6.如权利要求4所述的方法，其特征在于，针对一组训练图像集合中的每一个拓展训练图像，所述拓展训练图像为基于单应变换矩阵对相应的第二训练图像进行单应变换后得到，所述拓展训练图像所对应的单应变换矩阵用于指示对所对应的所述第二训练图像进行平移处理、旋转处理、裁剪处理和/或缩放处理。
7.如权利要求1至6任意一项所述的方法，其特征在于，在获取待匹配图像中的第一特征点的第一描述信息之前，还包括：
通过摄像头，获取原始图像；
确定所述原始图像中的第二特征点，所述第二特征点用于标识所述原始图像中的目标物体上的第一指定位置；
根据所述第二特征点与第三特征点的坐标差异信息，对所述摄像头的位姿和/或焦距进行调整，所述第三特征点用于标识所述原始图像的第二指定位置；
通过调整后的所述摄像头，获取所述待匹配图像。
8.一种匹配模板图像的装置，其特征在于，包括：
第一获取模块，用于获取待匹配图像中的第一特征点的第一描述信息，所述第一描述信息通过图神经网络基于所述第一特征点的第一初始描述信息而得到；
第二获取模块，用于针对至少两个模板图像中的每一个模板图像，获取所述模板图像中的预设特征点的第二描述信息，所述第二描述信息通过所述图神经网络基于所述预设特征点的第二初始描述信息而得到；
第一确定模块，用于根据所述待匹配图像中的第一特征点的第一描述信息和所述模板图像中的预设特征点的第二描述信息，确定所述待匹配图像和所述模板图像之间的匹配点对；
第二确定模块，用于根据所述待匹配图像与各个所述模板图像所分别对应的匹配点对，从所述至少两个模板图像中，确定所述待匹配图像所对应的目标模板图像。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的匹配模板图像的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的匹配模板图像的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110182529.XA CN112966725B (zh) | 2021-02-08 | 2021-02-08 | 匹配模板图像的方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110182529.XA CN112966725B (zh) | 2021-02-08 | 2021-02-08 | 匹配模板图像的方法、装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112966725A true CN112966725A (zh) | 2021-06-15 |
| CN112966725B CN112966725B (zh) | 2024-01-16 |
Family
ID=76284745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110182529.XA Active CN112966725B (zh) | 2021-02-08 | 2021-02-08 | 匹配模板图像的方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112966725B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657528A (zh) * | 2021-08-24 | 2021-11-16 | 湖南国科微电子股份有限公司 | 图像特征点提取方法、装置、计算机终端及存储介质 |
| CN113689397A (zh) * | 2021-08-23 | 2021-11-23 | 湖南视比特机器人有限公司 | 工件圆孔特征检测方法和工件圆孔特征检测装置 |
| CN113688928A (zh) * | 2021-08-31 | 2021-11-23 | 禾多科技（北京）有限公司 | 图像匹配方法、装置、电子设备和计算机可读介质 |
| CN114037742A (zh) * | 2021-10-24 | 2022-02-11 | 西北工业大学 | 一种结合surf描述子与自编码器的位姿估计方法 |
| CN114120309A (zh) * | 2022-01-27 | 2022-03-01 | 树根互联股份有限公司 | 一种仪表读数识别方法、装置及计算机设备 |
| CN114612531A (zh) * | 2022-02-22 | 2022-06-10 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104464079A (zh) * | 2014-12-29 | 2015-03-25 | 北京邮电大学 | 基于模板特征点及其拓扑结构的多币种面值识别方法 |
| CN110148178A (zh) * | 2018-06-19 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 相机定位方法、装置、终端及存储介质 |
| CN110633629A (zh) * | 2019-08-02 | 2019-12-31 | 广东电网有限责任公司清远供电局 | 基于人工智能的电网巡检方法、装置、设备及存储介质 |
| CN111160477A (zh) * | 2019-12-31 | 2020-05-15 | 哈工汇智(深圳)科技有限公司 | 一种基于特征点检测的图像模板匹配方法 |
| CN111709434A (zh) * | 2020-06-28 | 2020-09-25 | 哈尔滨工业大学 | 一种鲁棒的基于最近邻特征点匹配的多尺度模板匹配方法 |
| CN111814905A (zh) * | 2020-07-23 | 2020-10-23 | 上海眼控科技股份有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-02-08 CN CN202110182529.XA patent/CN112966725B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104464079A (zh) * | 2014-12-29 | 2015-03-25 | 北京邮电大学 | 基于模板特征点及其拓扑结构的多币种面值识别方法 |
| CN110148178A (zh) * | 2018-06-19 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 相机定位方法、装置、终端及存储介质 |
| CN110633629A (zh) * | 2019-08-02 | 2019-12-31 | 广东电网有限责任公司清远供电局 | 基于人工智能的电网巡检方法、装置、设备及存储介质 |
| CN111160477A (zh) * | 2019-12-31 | 2020-05-15 | 哈工汇智(深圳)科技有限公司 | 一种基于特征点检测的图像模板匹配方法 |
| CN111709434A (zh) * | 2020-06-28 | 2020-09-25 | 哈尔滨工业大学 | 一种鲁棒的基于最近邻特征点匹配的多尺度模板匹配方法 |
| CN111814905A (zh) * | 2020-07-23 | 2020-10-23 | 上海眼控科技股份有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113689397A (zh) * | 2021-08-23 | 2021-11-23 | 湖南视比特机器人有限公司 | 工件圆孔特征检测方法和工件圆孔特征检测装置 |
| CN113657528A (zh) * | 2021-08-24 | 2021-11-16 | 湖南国科微电子股份有限公司 | 图像特征点提取方法、装置、计算机终端及存储介质 |
| CN113657528B (zh) * | 2021-08-24 | 2024-02-13 | 湖南国科微电子股份有限公司 | 图像特征点提取方法、装置、计算机终端及存储介质 |
| CN113688928A (zh) * | 2021-08-31 | 2021-11-23 | 禾多科技（北京）有限公司 | 图像匹配方法、装置、电子设备和计算机可读介质 |
| CN113688928B (zh) * | 2021-08-31 | 2022-09-27 | 禾多科技（北京）有限公司 | 图像匹配方法、装置、电子设备和计算机可读介质 |
| CN114037742A (zh) * | 2021-10-24 | 2022-02-11 | 西北工业大学 | 一种结合surf描述子与自编码器的位姿估计方法 |
| CN114120309A (zh) * | 2022-01-27 | 2022-03-01 | 树根互联股份有限公司 | 一种仪表读数识别方法、装置及计算机设备 |
| CN114612531A (zh) * | 2022-02-22 | 2022-06-10 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN114612531B (zh) * | 2022-02-22 | 2024-07-16 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112966725B (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112966725B (zh) | 匹配模板图像的方法、装置及终端设备 | |
| US11670071B2 (en) | Fine-grained image recognition | |
| CN109658455B (zh) | 图像处理方法和处理设备 | |
| CN113704531A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| EP3649574A1 (en) | Object detection based on deep neural network | |
| CN111290684B (zh) | 图像显示方法、图像显示装置及终端设备 | |
| Thabet et al. | Image processing on mobile devices: An overview | |
| CN111476096A (zh) | 一种人脸图像关键点方法、装置、计算机设备及存储介质 | |
| Tan et al. | Distinctive accuracy measurement of binary descriptors in mobile augmented reality | |
| CN113569968A (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 | |
| CN112102404A (zh) | 物体检测追踪方法、装置及头戴显示设备 | |
| CN112966719B (zh) | 识别仪表盘读数的方法、装置及终端设备 | |
| Tang et al. | Image dataset creation and networks improvement method based on CAD model and edge operator for object detection in the manufacturing industry | |
| Liao et al. | Multi-scale saliency features fusion model for person re-identification | |
| Jian et al. | Saliency detection using multiple low-level priors and a propagation mechanism | |
| CN112348008A (zh) | 证件信息的识别方法、装置、终端设备及存储介质 | |
| CN117315090A (zh) | 基于跨模态风格学习的图像生成方法及装置 | |
| CN113139617B (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
| CN112464753B (zh) | 图像中关键点的检测方法、检测装置及终端设备 | |
| CN114821062A (zh) | 基于图像分割的商品识别方法及装置 | |
| Vaquero et al. | SiamMT: Real-time arbitrary multi-object tracking | |
| CN113762059A (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
| Yang et al. | Dynamic attention-based detector and descriptor with effective and derivable loss for image matching | |
| Xiong et al. | PC-SuperPoint: interest point detection and descriptor extraction using pyramid convolution and circle loss | |
| CN116402090B (zh) | 神经网络计算图的处理方法、装置和设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |