CN113658253B - 模板匹配定位方法、装置、图像采集设备及存储介质 - Google Patents

模板匹配定位方法、装置、图像采集设备及存储介质 Download PDF

Info

Publication number
CN113658253B
CN113658253B CN202110852802.5A CN202110852802A CN113658253B CN 113658253 B CN113658253 B CN 113658253B CN 202110852802 A CN202110852802 A CN 202110852802A CN 113658253 B CN113658253 B CN 113658253B
Authority
CN
China
Prior art keywords
image
matched
matching
template
outer contour
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
Application number
CN202110852802.5A
Other languages
English (en)
Other versions
CN113658253A (zh
Inventor
郭羽鹏
薛静
邢彦文
刘建
许汉荆
王云
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.)
Guangdong Greater Bay Area Institute of Integrated Circuit and System
Original Assignee
Guangdong Greater Bay Area Institute of Integrated Circuit and System
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 Guangdong Greater Bay Area Institute of Integrated Circuit and System filed Critical Guangdong Greater Bay Area Institute of Integrated Circuit and System
Priority to CN202110852802.5A priority Critical patent/CN113658253B/zh
Publication of CN113658253A publication Critical patent/CN113658253A/zh
Application granted granted Critical
Publication of CN113658253B publication Critical patent/CN113658253B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种模板匹配定位方法、装置、图像采集设备及存储介质，该方法包括：分别获取目标图像的外轮廓模板和内部图案模板；使用第一阈值对待匹配图像进行特征提取，得到待匹配图像的初始特征，使用第二阈值对待匹配图像的外轮廓以内的部分进行特征提取，得到内部图案特征，第一阈值大于第二阈值；将初始特征与外轮廓模板进行匹配，得到外轮廓匹配定位结果；在外轮廓匹配定位结果的基础上，将内部图案特征与内部图案模板进行匹配，得到待匹配图像的模板匹配定位结果。本申请通过两级模板匹配的定位方式，在目标图像内部为弱对比度图案的情况下，大幅减少待匹配图像特征提取时生成的干扰特征，有效提升匹配定位的实时性和鲁棒性。

Description

模板匹配定位方法、装置、图像采集设备及存储介质
技术领域
本申请属于图像处理技术领域，具体涉及一种模板匹配定位方法、装置、图像采集设备及存储介质。
背景技术
目前，在工业生产过程中，尤其是进行产品自动化分拣、对位贴合等工序时，通常会先对视觉目标产品进行匹配定位，以获取产品位置，再引导机械结构运动至产品位置，执行相应动作来完成相关任务。其中，对视觉目标产品进行匹配定位一般采用模板匹配方法来实现，模板匹配方法主要包含定位模板生成、待匹配图像特征提取、匹配搜索定位等三部分内容。
当目标产品的图像的外形为圆形、方形、椭圆等对称形状时，确定目标产品的位置及旋转角度时还需要参考目标产品图像的内部图案特征来确定产品的具***置与旋转角度。通常情况下，对目标图像进行边缘特征提取时，都是按照一个整体进行模板生成，目标内部图案成像对比度较为明显时，使用较高阈值对目标图像进行边缘特征提取时，能够获取得到目标内部图案的较为完整的边缘特征，待匹配图像特征提取时使用高阈值滤除待匹配图像中的干扰特征，匹配定位时能够准确得到目标位置信息。
但在产品内部图案成像对比度较弱、产品背景图像复杂的情况下，诸如纸盒、金属制品、化妆产品、半导体元器件等工业产品，一般会含有如取模压花、激光镭射、印刷、腐蚀、钻刻等工艺加工制成的图案，由于产品加工工艺、产品材质等差异化因素，产品图案在视觉成像中存在如亮暗不均、材质纹理干扰、对比度弱、图像偏暗等情况，这些复杂情况不利于产品图像的特征提取，如果使用低阈值对待匹配图像进行边缘特征提取，则容易提取到大量干扰特征，影响匹配定位实时性及定位准确性，进而影响产品视觉定位的精度及可靠性。
发明内容
本申请提出一种模板匹配定位方法、装置、图像采集设备及存储介质，能够通过两级模板匹配的定位方式，在目标图像内部为弱对比度图案的情况下，大幅减少待匹配图像特征提取时生成的干扰特征，有效提升匹配定位的实时性能以及鲁棒性。
本申请第一方面实施例提出了一种模板匹配定位方法，所述方法包括：
分别获取目标图像的外轮廓模板和内部图案模板；
使用第一阈值对待匹配图像进行特征提取，得到所述待匹配图像的初始特征，使用第二阈值对所述待匹配图像的外轮廓以内的部分进行特征提取，得到内部图案特征，所述第一阈值大于所述第二阈值；
将所述初始特征与所述外轮廓模板进行匹配，得到外轮廓匹配定位结果；
在所述外轮廓匹配定位结果的基础上，将所述内部图案特征与所述内部图案模板进行匹配，得到所述待匹配图像的模板匹配定位结果。
可选地，所述使用第一阈值对待匹配图像进行特征提取，得到所述待匹配图像的初始特征，包括：
基于所述待匹配图像的水平方向梯度图和竖直方向梯度图，确定所述待匹配图像的梯度幅值图和梯度方向图；
使用第一阈值对所述待匹配图像的梯度幅值图和梯度方向图进行特征提取，并得到所述待匹配图像的初始特征。
可选地，所述使用第一阈值对所述待匹配图像进行特征提取之前，还包括：
对所述待匹配图像进行降采样，得到比所述待匹配图像分辨率低的第一图像，基于所述第一图像得到所述待匹配图像的低分辨率初始特征；
获取所述目标图像的低分辨率外轮廓模板；
将所述低分辨率初始特征与所述低分辨率外轮廓模板进行匹配，得到低分辨率外轮廓匹配定位结果。
可选地，所述基于所述第一图像得到所述待匹配图像的低分辨率初始特征，包括：
基于所述第一图像的水平方向梯度图和竖直方向梯度图，确定所述第一图像的第一梯度幅值图和第一梯度方向图；
采用第三阈值对所述第一梯度幅值图和所述第一梯度方向图进行特征提取，以得到所述待匹配图像的低分辨率初始特征；所述第三阈值小于所述第一阈值。
可选地，所述使用第一阈值对所述待匹配图像进行特征提取，包括：
在所述低分辨率外轮廓匹配定位结果的基础上，线性获取低分辨率外轮廓配定位对应区域的新待匹配图像；
使用所述第一阈值对所述新待匹配图像进行特征提取。
可选地，所述获取目标图像的外轮廓模板和内部图案模板，包括：
使用第一阈值对所述目标图像的外轮廓进行特征提取，以获得所述目标图像的外轮廓模板，使用第二阈值对所述目标图像的外轮廓以内的部分进行特征提取，以获得所述目标图像的内部图案模板。
可选地，所述使用第一阈值对所述目标图像的外轮廓进行特征提取，包括：
在所述低分辨率外轮廓匹配定位结果的基础上，线性获取低分辨率外轮廓配定位对应区域的新目标图像；
使用所述第一阈值对所述新目标图像的外轮廓进行特征提取。
本申请第二方面的实施例提供了一种模板匹配定位装置，所述装置包括：
模板获取模块，用于分别获取目标图像的外轮廓模板和内部图案模板；
特征提取模块，用于使用第一阈值对待匹配图像进行特征提取，得到所述待匹配图像的初始特征，使用第二阈值对所述待匹配图像的外轮廓以内的部分进行特征提取，得到内部图案特征；
第一匹配模块，用于将所述初始特征与所述外轮廓模板进行匹配，得到外轮廓匹配定位结果；
第二匹配模块，用于在所述外轮廓匹配定位结果的基础上，将所述内部图案特征与所述内部图案模板进行匹配，得到所述待匹配图像的模板匹配定位结果。
本申请第三方面的实施例提供了一种图像处理设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序以实现如第一方面所述的方法。
本申请第四方面的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现如第一方面所述的方法。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
本申请实施例提供的模板匹配定方法，先使用第一阈值对待匹配图像进行特征提取，然后在提取初始特征之后，采用比第一阈值小的第二阈值对待匹配图像的外轮廓以内的部分进行特征提取，此时由于特征提取范围为待匹配图像的外轮廓以内，则即使在待匹配图像内部为弱对比度图案的情况下，使用数值较低的第二阈值进行特征提取，既能保证内部图案特征的完整性，还能大幅减少待匹配图像特征提取时生成的干扰特征，从而有效提升匹配定位的实时性能以及鲁棒性。然后先将初始特征与外轮廓模板进行匹配，并在外轮廓匹配定位结果的基础上，将内部图案特征与内部图案模板进行匹配，以得到待匹配图像的模板匹配定位结果，以在内部图案特征与内部图案模板的匹配过程中，有效降低匹配定位过程中的数据处理和计算量，从而进一步提高模板匹配定位的速度和准确率。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
在附图中：
图1示出了本申请实施例提供的一种模板匹配定位方法的流程示意图；
图2示出了既包括目标图像也包括非目标图像的整体图像(也是待匹配图像)的示意图；
图3示出了各种图像模板的示意图；
图4示出了对待匹配图像进行初始特征提取的原理示意图；
图5示出了对待匹配图像进行内部图案特征提取的原理示意图；
图6示出了本申请实施例提供的一种模板匹配定位装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
下面结合附图来描述根据本申请实施例提出的一种模板匹配定位方法、装置、图像采集设备及存储介质。
本申请实施例提供了一种模板匹配定位方法，该方法可运行于模板匹配装置上，应用于工业产品中的自动化设备，以实现对目标产品的匹配定位，从而获取产品位置，且该方法通过两级模板匹配的定位方式，在目标图像内部为弱对比度图案的情况下，可以大幅减少待匹配图像特征提取时干扰特征的生成，从而提升匹配定位的实时性能以及鲁棒性。如图1所示，该方法可以包括以下步骤：
步骤S1，分别获取目标图像的外轮廓模板和内部图案模板。
其中，目标图像可以理解为目标产品的图像，目标产品可以理解为众多产品中的一个，而目标产品的图像可以理解为整体图像中表示目标产品的图像。具体地，可以采用工业相机并配合光源对待检测产品(即目标产品)进行采图，获取合格产品图像，通常为整体图像，如图2所示，既包括目标图像(包含字母A和A外的圆)，也包括非目标图像(字母B和B外的圆)，可以采用图像处理技术从该整体图像截取上述目标图像作为模板图像。
在本实施例中，进行工业产品自动化生产时，通常是批量生产，一般对于每批次的产品都要进行模板匹配定位(可以是一个批次产品匹配定位一次，也可以是每个产品匹配定位一次)，而至少对于该批次的产品而言，目标图像及其外轮廓模板和内部图案模板是相同的，即，针对一个目标图像往往会进行多次模板匹配定位，而获取目标图像的外轮廓模板和内部图案模板，仅在首次需要从产品图像(也可以理解为下面的待匹配图像)中获得目标图像(如图3中左侧的图像)，并分别生成外轮廓模板和内部图案模板(如图3中右侧下面较大的圆和字母A)，然后可以将首次生成的外轮廓模板和内部图案模板进行保存，而在非首次的模板匹配定位过程中，可直接调取保存的外轮廓模板和内部图案模板，以节省模板生成的时间。
步骤S2，使用第一阈值对待匹配图像进行特征提取，得到待匹配图像的初始特征，使用第二阈值对待匹配图像的外轮廓以内的部分进行特征提取，得到内部图案特征，第一阈值大于第二阈值。
其中，待匹配图像可以理解为上述包括目标图像的产品整体图。阈值通常为幅值的阈值，幅值通常为待匹配图像的梯度幅值(图像处理中把梯度的模简称为梯度，由图像梯度构成的图像成为梯度图像)，可基于待匹配图像对应的梯度幅值图进行确定。初始特征可以理解为使用第一阈值对待匹配图像进行特征提取所得到的边缘特征集合，其包括但不限于待匹配图像中候选目标的外轮廓边缘特征。
在本实施例中，进行特征提取时，往往能提取到幅值大于或等于第一阈值的特征，而使用数值较大的第一阈值能够提取到待匹配图像的具有较强对比度的初始特征，且不会有较多的干扰特征，如图4所示。然后在提取初始特征之后，采用比第一阈值小的第二阈值对待匹配图像的外轮廓以内的部分进行特征提取，如图5所示，此时由于特征提取范围为待匹配图像的外轮廓以内，则即使在待匹配图像内部为弱对比度图案的情况下，使用数值较低的第二阈值进行特征提取，也不会提取到太多的干扰特征，且能保证内部图案特征的完整性，从而大幅减少待匹配图像特征提取时生成的干扰特征，能有效提升匹配定位的实时性能以及鲁棒性。
于本实施例一具体实施方式中，步骤S2可以包括以下处理：基于待匹配图像的水平方向梯度图和竖直方向梯度图，确定待匹配图像的梯度幅值图和梯度方向图；使用第一阈值对待匹配图像的梯度幅值图和梯度方向图进行特征提取，并得到待匹配图像的初始特征。本实施例采用梯度图进行特征提取，可以减少一定的计算量，从而进一步提升模板匹配定位速度。
具体地，可按照下述公式计算待匹配图像的梯度幅值图和梯度方向图：
Dm(x，y)＝arctan(Gx(x，y)/Gm(x，y))
其中，Gm(x，y)表示待匹配图像的梯度幅值，Dm(x，y)表示待匹配图像的梯度方向，Gx(x，y)表示待匹配图像的水平方向梯度，Gy(x，y)表示待匹配图像的竖直方向梯度。
可以理解的是，上述获取目标图像的外轮廓模板和内部图案模板的原理与待匹配图像的特征提取原理类似，可以包括以下处理：使用第一阈值对目标图像的外轮廓进行特征提取，以获得目标图像的外轮廓模板，使用第二阈值对目标图像的外轮廓以内的部分进行特征提取，以获得目标图像的内部图案模板。同样地，在进行模板生成时，先获得外轮廓模板，然后在外轮廓内部提取内部图案特征，可以减少特征提取时的遍历查询动作，从而提高匹配效率。
与上述特征提取的原理类似，上述使用第一阈值对目标图像的外轮廓进行特征提取也可以包括以下处理：基于目标图像的水平方向梯度图和竖直方向梯度图，确定目标图像的梯度幅值图和梯度方向图；使用第一阈值对目标图像的梯度幅值图和梯度方向图进行特征提取，并得到目标图像的外轮廓特征。同样，在对目标图像的外轮廓进行特征提取时采用梯度图进行特征提取，可以减少一定的计算量，从而进一步提升模板匹配定位速度。
相应地，也可按照下述公式计算目标图像的梯度幅值图和梯度方向图：
Dm(x，y)＝arctan(Gx(x，y)/Gm(x，y))
其中，Gm(x，y)表示目标图像的梯度幅值，Dm(x，y)表示目标图像的梯度方向，Gx(x，y)表示目标图像的水平方向梯度，Gy(x，y)表示目标图像的竖直方向梯度。
步骤S3，将初始特征与外轮廓模板进行匹配，得到外轮廓匹配定位结果。
步骤S4，在外轮廓匹配定位结果的基础上，将内部图案特征与内部图案模板进行匹配，得到待匹配图像的模板匹配定位结果。
在本实施例中，先进行初始特征与外轮廓模板的匹配，在外轮廓匹配定位的基础上，再进行内部图案特征与内部图案模板的匹配，如此，在内部图案特征与内部图案模板的匹配过程中，可有效降低匹配定位过程中的数据处理和计算量，从而进一步提高模板匹配定位的速度和准确率。
于本实施例另一具体实施方式中，可以在进行初始特征与外轮廓模板的匹配之前，先进行外轮廓的粗定位，相应地，在将初始特征与外轮廓模板进行匹配之前，还可以包括以下处理：对待匹配图像进行降采样，得到比待匹配图像分辨率低的第一图像，基于第一图像得到待匹配图像的低分辨率初始特征；获取目标图像的低分辨率外轮廓模板；对目标图像进行降采样，得到比目标图像分辨率低的第二图像，基于第二图像得到目标图像的低分辨率外轮廓模板；将低分辨率初始特征与低分辨率外轮廓模板进行匹配，得到低分辨率外轮廓匹配定位结果。
在本实施例中，与外轮廓模板和内部图案模板的设置原理类似，通常也仅需在首次使用时生成低分辨率外轮廓模板，然后将该低分辨率外轮廓模板进行保存，后续应用只需调取该保存好的外轮廓模板即可。具体地，首次生成低分辨率外轮廓模板时，可以先对目标图像进行降采样，得到比目标图像分辨率低的第一图像，然后基于该第一图像得到目标图像的低分辨率初始特征，如图3所示，并生成目标图像的低分辨率外轮廓模板(如图3中右侧最上面的小圆)，以供后续进行模板匹配定位时使用。同理，对待匹配图像进行降采样，得到比待匹配图像分辨率低的第二图像，基于第二图像提取待匹配图像的低分辨率初始特征(如图5所示)。然后，在将初始特征与外轮廓模板进行匹配之前，可以先将低分辨率初始特征与低分辨率外轮廓模板进行匹配，即对目标图像和待匹配图像进行粗定位，如此，在分辨率外轮廓匹配定位结果的基础上再进行外轮廓匹配定位(初始特征与外轮廓模板进行匹配)，则仅需在粗定位的基础上进一步进行精定位即可，可大幅度减少计算数据，节省大量的计算资源和计算时间。
在进行低分辨率外轮廓匹配定位的情况下，可以在低分辨率外轮廓匹配定位结果的基础上进行待匹配图像的特征提取，相应地，使用第一阈值对待匹配图像进行特征提取可以包括以下处理：在低分辨率外轮廓匹配定位结果的基础上，线性获取低分辨率外轮廓配定位对应区域的新待匹配图像；使用第一阈值对新待匹配图像进行特征提取。以及，上述使用第一阈值对目标图像的外轮廓进行特征提取，也可以包括以下处理：在低分辨率外轮廓匹配定位结果的基础上，线性获取低分辨率外轮廓配定位对应区域的新目标图像；使用第一阈值对新目标图像的外轮廓进行特征提取。
低分辨率外轮廓配定位对应区域可以理解为根据低分辨率外轮廓配定位结果确定的包括目标图像的外轮廓、外轮廓内部区域以及少量外轮廓外周图案(以保证选取的)的图像，在进行特征提取时，无需遍历整个图像，仅对选定的新待匹配图像进行遍历，以提取初始特征和内部图案特征，从而进一步减少计算量。
需要说明的是，上述本实施例对生成降采样模板以和外轮廓模板的先后顺序，以及进行降采样特征提取和待匹配图像的特征提取的先后顺序，均不作具体限定，只要，在进行初始特征与外轮廓模板匹配之前，先进行低分辨率初始特征与外轮廓模板匹配即可。
具体地，与待匹配图像的特征提取原理类似，上述基于第一图像得到待匹配图像的低分辨率初始特征可以包括以下处理：基于第一图像的水平方向梯度图和竖直方向梯度图，确定第一图像的第一梯度幅值图和第一梯度方向图；采用第三阈值对第一梯度幅值图和第一梯度方向图进行特征提取，以得到待匹配图像的低分辨率初始特征。其中，第三阈值通常小于第一阈值。
相应地，也可按照下述公式计算第一图像的梯度幅值图和梯度方向图：
Dm(x，y)＝arctan(Gx(x，y)/Gm(x，y))
其中，Gm(x，y)表示第一图像的梯度幅值，Dm(x，y)表示第一图像的梯度方向，Gx(x，y)表示第一图像的水平方向梯度，Gy(x，y)表示第一图像的竖直方向梯度。
本实施例提供的模板匹配定方法，先使用第一阈值对待匹配图像进行初始特征的提取，然后在提取初始特征之后，采用比第一阈值小的第二阈值对待匹配图像的外轮廓以内的部分进行特征提取，此时由于特征提取范围为待匹配图像的外轮廓以内，则即使在待匹配图像内部为弱对比度图案的情况下，使用数值较低的第二阈值进行特征提取，既能保证内部图案特征的完整性，还能大幅减少待匹配图像特征提取时生成的干扰特征，从而有效提升匹配定位的实时性能以及鲁棒性。然后先将初始特征与外轮廓模板进行匹配，并在外轮廓匹配定位结果的基础上，将内部图案特征与内部图案模板进行匹配，以得到待匹配图像的模板匹配定位结果，以在内部图案特征与内部图案模板的匹配过程中，有效降低匹配定位过程中的数据处理和计算量，从而进一步提高模板匹配定位的速度和准确率。
基于模板匹配定位方法相同的构思，本实施例还提供一种模板匹配定位装置，该装置包括：
模板获取模块，用于基于目标图像分别获取目标图像的外轮廓模板和内部图案模板；
特征提取模块，用于使用第一阈值对待匹配图像进行特征提取，得到待匹配图像的初始特征，使用第二阈值对待匹配图像的外轮廓以内的部分进行特征提取，得到内部图案特征；
第一匹配模块，用于将初始特征与外轮廓模板进行匹配，得到外轮廓匹配定位结果；
第二匹配模块，用于在外轮廓匹配定位结果的基础上，将内部图案特征与内部图案模板进行匹配，得到待匹配图像的模板匹配定位结果。
本实施例提供的模板匹配定位装置，能够实现上述模板匹配定位方法，故至少可以实现上述模板匹配定位方法所能够实现的有益效果。
于本实施例一具体实施方式中，特征提取模块，具体用于：
基于待匹配图像的水平方向梯度图和竖直方向梯度图，确定待匹配图像的梯度幅值图和梯度方向图；
使用第一阈值对待匹配图像的梯度幅值图和梯度方向图进行特征提取，并得到待匹配图像的初始特征。
于本实施例另一具体实施方式中，该装置还包括降采样定位模块，降采样定位模块包括：
特征提取单元，用于对待匹配图像进行降采样，得到比待匹配图像分辨率低的第一图像，基于第一图像得到待匹配图像的低分辨率初始特征；
模板获取单元，用于获取目标图像的低分辨率外轮廓模板；
匹配定位单元，用于将低分辨率初始特征与低分辨率外轮廓模板进行匹配，得到低分辨率外轮廓匹配定位结果。
进一步地，上述特征提取单元具体用于：
基于第一图像的水平方向梯度图和竖直方向梯度图，确定第一图像的第一梯度幅值图和第一梯度方向图；
采用第三阈值对第一梯度幅值图和第一梯度方向图进行特征提取，以得到待匹配图像的低分辨率初始特征；第三阈值小于第一阈值。
更进一步地，特征提取模块具体用于：
在低分辨率外轮廓匹配定位结果的基础上，线性获取低分辨率外轮廓配定位对应区域的新待匹配图像；
使用第一阈值对新待匹配图像进行特征提取。
更进一步地，上述模板获取模块具体用于：
使用第一阈值对目标图像的外轮廓进行特征提取，以获得目标图像的外轮廓模板，使用第二阈值对目标图像的外轮廓以内的部分进行特征提取，以获得目标图像的内部图案模板。
更进一步地，上述特征提取模块具体用于：
在低分辨率外轮廓匹配定位结果的基础上，线性获取低分辨率外轮廓配定位对应区域的新目标图像；
使用第一阈值对新目标图像的外轮廓进行特征提取。
基于模板匹配定位方法相同的构思，本实施例还提供一种图像处理设备，包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序，处理器运行计算机程序以实现上述任一的方法。
本实施例提供的图像处理设备，能够实现上述模板匹配定位方法，故至少可以实现上述模板匹配定位方法所能够实现的有益效果。
基于模板匹配定位方法相同的构思，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行实现如上述任一实施例的方法。
本实施例提供的计算机可读存储介质，能够实现上述模板匹配定位方法，故至少可以实现上述模板匹配定位方法所能够实现的有益效果。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种模板匹配定位方法，其特征在于，所述方法包括：
分别获取目标图像的外轮廓模板和内部图案模板；
对待匹配图像进行降采样，得到比所述待匹配图像分辨率低的第一图像，基于所述第一图像得到所述待匹配图像的低分辨率初始特征；
获取所述目标图像的低分辨率外轮廓模板；
将所述低分辨率初始特征与所述低分辨率外轮廓模板进行匹配，得到低分辨率外轮廓匹配定位结果；
在低分辨率外轮廓匹配定位结果的基础上，使用第一阈值对待匹配图像进行特征提取，得到所述待匹配图像的初始特征，使用第二阈值对所述待匹配图像的外轮廓以内的部分进行特征提取，得到内部图案特征，所述第一阈值大于所述第二阈值；所述初始特征至少包括所述待匹配图像的外轮廓边缘特征；
将所述初始特征与所述外轮廓模板进行匹配，得到外轮廓匹配定位结果；
在所述外轮廓匹配定位结果的基础上，将所述内部图案特征与所述内部图案模板进行匹配，得到所述待匹配图像的模板匹配定位结果。
2.根据权利要求1所述的方法，其特征在于，所述使用第一阈值对待匹配图像进行特征提取，得到所述待匹配图像的初始特征，包括：
基于所述待匹配图像的水平方向梯度图和竖直方向梯度图，确定所述待匹配图像的梯度幅值图和梯度方向图；
使用第一阈值对所述待匹配图像的梯度幅值图和梯度方向图进行特征提取，并得到所述待匹配图像的初始特征。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一图像得到所述待匹配图像的低分辨率初始特征，包括：
基于所述第一图像的水平方向梯度图和竖直方向梯度图，确定所述第一图像的第一梯度幅值图和第一梯度方向图；
采用第三阈值对所述第一梯度幅值图和所述第一梯度方向图进行特征提取，以得到所述待匹配图像的低分辨率初始特征；所述第三阈值小于所述第一阈值。
4.根据权利要求1所述的方法，其特征在于，所述使用第一阈值对所述待匹配图像进行特征提取，包括：
在所述低分辨率外轮廓匹配定位结果的基础上，线性获取低分辨率外轮廓配定位对应区域的新待匹配图像；
使用所述第一阈值对所述新待匹配图像进行特征提取。
5.根据权利要求1所述的方法，其特征在于，所述获取目标图像的外轮廓模板和内部图案模板，包括：
使用第一阈值对所述目标图像的外轮廓进行特征提取，以获得所述目标图像的外轮廓模板，使用第二阈值对所述目标图像的外轮廓以内的部分进行特征提取，以获得所述目标图像的内部图案模板。
6.根据权利要求5所述的方法，其特征在于，所述使用第一阈值对所述目标图像的外轮廓进行特征提取，包括：
在所述低分辨率外轮廓匹配定位结果的基础上，线性获取低分辨率外轮廓配定位对应区域的新目标图像；
使用所述第一阈值对所述新目标图像的外轮廓进行特征提取。
7.一种模板匹配定位装置，其特征在于，所述装置包括：
模板获取模块，用于分别获取目标图像的外轮廓模板和内部图案模板；
特征提取模块，用于对待匹配图像进行降采样，得到比所述待匹配图像分辨率低的第一图像，基于所述第一图像得到所述待匹配图像的低分辨率初始特征；获取所述目标图像的低分辨率外轮廓模板；将所述低分辨率初始特征与所述低分辨率外轮廓模板进行匹配，得到低分辨率外轮廓匹配定位结果；在低分辨率外轮廓匹配定位结果的基础上，使用第一阈值对待匹配图像进行特征提取，得到所述待匹配图像的初始特征，使用第二阈值对所述待匹配图像的外轮廓以内的部分进行特征提取，得到内部图案特征；所述初始特征至少包括所述待匹配图像的外轮廓边缘特征；
第一匹配模块，用于将所述初始特征与所述外轮廓模板进行匹配，得到外轮廓匹配定位结果；
第二匹配模块，用于在所述外轮廓匹配定位结果的基础上，将所述内部图案特征与所述内部图案模板进行匹配，得到所述待匹配图像的模板匹配定位结果。
8.一种图像处理设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1-6任一项所述的方法。
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，所述程序被处理器执行实现如权利要求1-6中任一项所述的方法。
CN202110852802.5A 2021-07-27 2021-07-27 模板匹配定位方法、装置、图像采集设备及存储介质 Active CN113658253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110852802.5A CN113658253B (zh) 2021-07-27 2021-07-27 模板匹配定位方法、装置、图像采集设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110852802.5A CN113658253B (zh) 2021-07-27 2021-07-27 模板匹配定位方法、装置、图像采集设备及存储介质

Publications (2)

Publication Number Publication Date
CN113658253A CN113658253A (zh) 2021-11-16
CN113658253B true CN113658253B (zh) 2024-06-21

Family

ID=78478826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110852802.5A Active CN113658253B (zh) 2021-07-27 2021-07-27 模板匹配定位方法、装置、图像采集设备及存储介质

Country Status (1)

Country Link
CN (1) CN113658253B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242240A (zh) * 2020-02-13 2020-06-05 深圳市联合视觉创新科技有限公司 物料检测方法、装置及终端设备
CN113128554A (zh) * 2021-03-10 2021-07-16 广州大学 一种基于模板匹配的目标定位方法、***、装置及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102654902B (zh) * 2012-01-16 2013-11-20 江南大学 基于轮廓向量特征的嵌入式实时图像匹配方法
CN110689535B (zh) * 2019-09-29 2022-05-17 歌尔股份有限公司 一种工件识别方法、装置及电子设备和存储介质
CN111612767B (zh) * 2020-05-21 2022-10-28 西南交通大学 一种基于视觉的精密结构件识别方法
CN112085033B (zh) * 2020-08-19 2024-04-09 浙江华睿科技股份有限公司 一种模板匹配方法、装置、电子设备及存储介质
CN112767426B (zh) * 2021-01-07 2023-11-17 珠海格力电器股份有限公司 一种目标匹配方法、装置和机器人

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242240A (zh) * 2020-02-13 2020-06-05 深圳市联合视觉创新科技有限公司 物料检测方法、装置及终端设备
CN113128554A (zh) * 2021-03-10 2021-07-16 广州大学 一种基于模板匹配的目标定位方法、***、装置及介质

Also Published As

Publication number Publication date
CN113658253A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
Nie et al. Inshore ship detection based on mask R-CNN
US10108856B2 (en) Data entry from series of images of a patterned document
US10937168B2 (en) System and method for finding and classifying lines in an image with a vision system
US9715724B2 (en) Registration of CAD data with SEM images
CN113808108B (zh) 一种印刷膜缺陷视觉检测方法和***
CN104778653A (zh) 一种图像配准的方法
CN113658253B (zh) 模板匹配定位方法、装置、图像采集设备及存储介质
Qi et al. Center detection algorithm for printed circuit board circular marks based on image space and parameter space
CN115546219B (zh) 检测板式生成方法、板卡缺陷检测方法、装置及产品
US11113522B2 (en) Segment-based pattern matching algorithm
JP2011107878A (ja) 位置検出装置、位置検出方法
Kumar et al. Fuzzy inference system based edge detection using fuzzy membership functions
JP2008052598A (ja) 画像位置計測方法、画像位置計測装置、および画像位置計測プログラム
JP2007140729A (ja) 物品の位置及び姿勢を検出する方法および装置
JP5993100B2 (ja) 画像処理装置および特定図形検出方法
Konishi et al. Fast and precise template matching based on oriented gradients
JP2002175528A (ja) 画像情報抽出方法および画像情報抽出装置
JP2009289189A (ja) 学習モデル生成装置及びプログラム並びに対象物検出装置及びプログラム
JP2008097309A (ja) 画像処理方法、画像処理装置、画像処理プログラムおよび画像処理プログラムを記録する記録媒体
CN116109891B (zh) 图像数据扩增方法、装置、计算设备及存储介质
Ali et al. Performance Analysis of Computer Vision Based Feature Detectors for 3D Laser Rasterized Images
Surekha et al. A survey of trends in local invariant feature detectors
Yıldırım et al. Recognition of Single-Land Countries on Outline Images by Using BAS Feature
DEAK et al. IMPROVING SIFT FOR IMAGE FEATURE EXTRACTION.
Li et al. Target detection algorithm based on chamfer distance transform and random template

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