CN111079802A - 一种基于梯度信息的匹配方法 - Google Patents
一种基于梯度信息的匹配方法 Download PDFInfo
- Publication number
- CN111079802A CN111079802A CN201911211877.4A CN201911211877A CN111079802A CN 111079802 A CN111079802 A CN 111079802A CN 201911211877 A CN201911211877 A CN 201911211877A CN 111079802 A CN111079802 A CN 111079802A
- Authority
- CN
- China
- Prior art keywords
- point
- matched
- template
- point set
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/248—Aligning, centring, orientation detection or correction of the image by interactive preprocessing or interactive shape modelling, e.g. feature points assigned by a user
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于梯度信息的匹配方法，包括：提取模板图像的边缘梯度信息，筛选关键点集；提取待匹配图像的边缘梯度信息；得到目标边缘点的梯度方向；获取待匹配点集；以待匹配点集内单个点为中心点，确定邻域，将中心点的梯度方向分别复制到其邻域内其他点上；将单个点所对应的梯度方向组成的集合记为集合A；遍历待匹配点集内所有点，得到各点的特征数，最大值记为匹配值，判断匹配值是否大于预设值，若否，匹配失败；若是，匹配值所对应的待匹配点集内具体点为匹配结果，完成待匹配图像的匹配；当待测目标存在旋转、缩放、遮挡等问题时，本方法具有准确性高，实时性好的特点。
Description
技术领域
本发明涉及图像定位识别技术领域，具体涉及一种基于梯度信息的匹配方法。
背景技术
模板匹配是根据模板图像到另一幅图像中寻找与模板图像相似的子区域的过程；在实际应用中，由于待匹配图像中的物体产生旋转、缩放、被遮挡等问题，导致模板图像和待匹配图像不能完全吻合，为了处理上述模板匹配问题，现阶段常用的处理方法是，逐角度生成一系列模板图像集，然后在模板匹配时，分别使用模板图像集中的每个图像对待匹配图像进行匹配，这种方法需要使用多个模板进行匹配，逐一比较，过程繁琐，耗时较长，大大限制了模板匹配技术的应用。
发明内容
使用图像梯度作为几何特征进行相似度匹配，具有抗非线性光照变化的能力、鲁棒性强，在机器视觉、目标追踪、物体识别等诸多领域有重要应用：基于图像梯度的模板匹配方法是：在模板图像中提取边缘点作为匹配的几何特征，并基于模板图像的边缘点梯度与待匹配图像各像素点梯度进行最佳相似度位置搜索，可辅助图像金字塔分层处理的方式对匹配进行加速。
本发明提出一种基于梯度信息的匹配方法，适用于各类型图像的目标匹配、查找，特别是当待测目标存在旋转、缩放、遮挡等问题时，本方法相比于现有方法具有准确性高，实时性好的特点。
具体方案如下：
一种基于梯度信息的匹配方法，包括以下步骤：
1)提取模板图像的边缘梯度信息，得到模板图像中各个模板边缘点的幅度值和梯度方向；将全部模板边缘点或筛选出的部分模板边缘点记为关键点集；
提取待匹配图像的边缘梯度信息，得到待匹配图像中各个边缘点的幅度值和梯度方向，将所有待匹配图像中边缘点所组成的集合记为待匹配点集；以待匹配点集内单个点为中心点，确定邻域，将中心点所对应的梯度方向分别复制到其邻域内其他点上；遍历待匹配点集内所有点；将所述待匹配点集内的单个点所对应的原有梯度方向和复制来的梯度方向组成的集合记为集合A；
2)分别计算待匹配点集内某一点所对应的集合A内所有梯度方向与关键点集内某一点所对应的梯度方向的余弦相似度，取最大值，标记为分数值；采用相同方法分别计算待匹配点集内同一点与关键点集内其余点的分数值；将所有分数值加和、求取平均值，记为该待匹配点集内具体点的特征数；
遍历待匹配点集内所有点，得到各点所对应的特征数，取最大值，标记为匹配值，判断所述匹配值是否大于预设值，若否，匹配失败；若是，匹配值所对应的待匹配点集内具体点为匹配结果，完成待匹配图像的匹配。
为了防止待匹配图像的旋转、缩放对匹配结果的影响；以下方案对模板图像进行了旋转、缩放，利用多张模板图像进行匹配，检测结果不仅能够输出待匹配图像中的最佳匹配像素点的坐标位置，还能够输出待匹配图像的旋转、缩放信息；技术方案如下：
一种基于梯度信息的匹配方法，包括以下步骤：
1)提取待匹配图像的边缘梯度信息，得到待匹配图像中各个边缘点的幅度值和梯度方向，将所有待匹配图像中边缘点所组成的集合记为待匹配点集；
以待匹配点集内单个点为中心点，确定邻域，将中心点所对应的梯度方向分别复制到其邻域内其他点上；遍历待匹配点集内所有点；将所述待匹配点集内的单个点所对应的原有梯度方向和复制来的梯度方向组成的集合记为集合A；
2)对模板图像进行旋转和/或缩放；得到多张模板图像，对每张模板图像进行以下处理分别获取多个模板图像与待匹配点集的匹配值：
①提取模板图像的边缘梯度信息，得到模板图像中各个模板边缘点的幅度值和梯度方向；将全部模板边缘点或筛选出的部分模板边缘点记为此张模板图像所对应的关键点集；
②利用以下步骤计算待匹配点集内某一具体点的特征数：
分别计算待匹配点集内某一点所对应的集合A内所有梯度方向与单个模板图像所对应的关键点集内某一点所对应的梯度方向的余弦相似度，取最大值，标记为分数值；采用相同方法分别计算待匹配点集内同一点与单个模板图像所对应的关键点集内其余点的分数值；将所有分数值加和、求取平均值，记为该待匹配点集内具体点的特征数；
③遍历待匹配点集内所有点，得到各点所对应的特征数，取最大值，标记为匹配值，判断所述匹配值是否大于预设值，若否，则匹配失败；若是，则将该匹配值进行存储；
3)将所有被存储的匹配值排序，取最大值所对应的待匹配点集内具体点作为匹配结果、其对应的模板图像的旋转角度和/或缩放比例记为待匹配图像的旋转角度和/或缩放比例。
进一步，为了加速匹配进程，以下方案对关键点集中的点进行分组，具体为：将步骤2)替换为：
对模板图像进行旋转和/或缩放；得到多张模板图像，对每张模板图像进行以下处理获取模板图像与待匹配点集的匹配值：
a)提取模板图像的边缘梯度信息，得到模板图像中各个模板边缘点的幅度值和梯度方向；将全部模板边缘点或筛选出的部分模板边缘点记为此张模板图像所对应的关键点集；
b)将a)得到的关键点集中梯度方向相同的点划分为同一组，得到多组点；依据组内点数量从大到小排序，依次利用单个组内点计算待匹配点集内某一具体点的特征数：
分别计算待匹配点集内某一点所对应的集合A内所有梯度方向与当前组内某一点所对应的梯度方向的余弦相似度，取最大值，标记为分数值；采用相同方法分别计算待匹配点集内同一点与当前组内其余点的分数值；将所有分数值加和、求取平均值，记为该待匹配点集内具体点的特征数；
c)遍历待匹配点集内所有点，得到各点所对应的特征数，取最大值，判断该最大值是否大于预设值；
若是，则将该最大值存储为备选值，继续利用关键点集内下一组点计算特征数，直到遍历到最后一组，将各备选值中的最大值，记为匹配值并将其存储；
若否，则当前模板图像匹配失败，继续对下一张模板图像进行步骤a)～c)。
进一步，筛选部分模板边缘点记为关键点集的方式为：
遍历模板图像中每个模板边缘点，若当前遍历到的模板边缘点在所处的八邻域内，幅度值均大于其他模板边缘点，或，当前遍历到的模板边缘点的幅度值大于与其相邻的上下左右各模板边缘点的幅度值，则将该模板边缘点记为关键点，存储在关键点集中。
进一步，根据待匹配图像采集情况，设置旋转角度的变化范围(θmin,θmax)和旋转步长θstep；缩放变化范围(αmin,αmax)和缩放步长αstep；对模板图像进行旋转和缩放；θstep＜10°；0.2≤αmin＜1、1≤αmax＜5、αstep≤0.5。
优选，在进行步骤1)之前，先对模板图像和待匹配图像进行预处理，所述预处理包括：高斯滤波平滑图像边缘、剔除图像中的噪声。
优选，提取边缘梯度采用Sobel算子。
优选，以待匹配点集内单个点为中心点，确定邻域的方式为：以待匹配点集内单个点为中心点的八邻域。
本发明方法适用于各类型图像的目标匹配、查找，当待测目标存在遮挡时，本方法通过将中心点的梯度方向分别复制到选区的其他边缘点处；进行了“梯度扩散”，有效避免像点被遮挡，而出现误匹配的问题；
对于旋转、缩放问题时，本方法通过将待匹配图像进行旋转、缩放，适配不同情形的待匹配图像，且可以输出当前目标物的旋转角度、缩放比例；
此外，本方法还针对计算过程进行了优化，如对关键边缘点进行分组匹配，缩短了处理时间，具有准确性高，耗时短、实时性好的特点。
附图说明
图1为梯度方向复制过程示意图；
图2为关键点集内单点与集合A计算分数值过程示意图。
具体实施方式
以下结合附图和具体实施方式对本发明的技术方案进行详细描述。
实施例1
一种基于梯度信息的匹配方法，包括以下步骤：
1)提取模板图像的边缘梯度信息，得到模板图像中各个模板边缘点的幅度值和梯度方向；将全部模板边缘点或筛选出的部分模板边缘点记为关键点集；
提取待匹配图像的边缘梯度信息，得到待匹配图像中各个边缘点的幅度值和梯度方向，将所有待匹配图像中边缘点所组成的集合记为待匹配点集；
如图1所示，以待匹配点集内单个点为中心点，确定邻域，将中心点所对应的梯度方向分别复制到其邻域内其他点上；遍历待匹配点集内所有点；将待匹配点集内的单个点所对应的原有梯度方向和复制来的梯度方向组成的集合记为集合A；
本实施例中，提取边缘梯度采用Sobel算子、邻域设置为：以待匹配点集内单个点为中心点的八邻域。
2)如图2所示，分别计算待匹配点集内某一点所对应的集合A内所有梯度方向与关键点集内某一点所对应的梯度方向的余弦相似度，取最大值，标记为分数值；采用相同方法分别计算待匹配点集内同一点与关键点集内其余点的分数值；将所有分数值加和、求取平均值，记为该待匹配点集内具体点的特征数；
遍历待匹配点集内所有点，得到各点所对应的特征数，取最大值，标记为匹配值，判断匹配值是否大于预设值，若否，匹配失败；若是，匹配值所对应的待匹配点集内具体点为匹配结果，完成待匹配图像的匹配。
为了简化计算，减少耗时，筛选部分模板边缘点记为关键点集，具体为：
遍历模板图像中每个模板边缘点，若当前遍历到的模板边缘点在所处的八邻域内，幅度值均大于其他模板边缘点，或，当前遍历到的模板边缘点的幅度值大于与其相邻的上下左右各模板边缘点的幅度值，则将该模板边缘点记为关键点，存储在关键点集中。
为了得到较为清晰的图像，本实施例中，在进行步骤1)之前，先对模板图像和待匹配图像进行预处理，预处理包括：高斯滤波平滑图像边缘、剔除图像中的噪声。
实施例2
为了防止待匹配图像的旋转、缩放对匹配结果的影响；本实施例中，对模板图像进行了旋转、缩放，利用多张模板图像进行匹配，检测结果不仅能够输出待匹配图像中的最佳匹配像素点的坐标位置，还能够输出待匹配图像的旋转、缩放信息；
技术方案如下：
一种基于梯度信息的匹配方法，包括以下步骤：
1)提取待匹配图像的边缘梯度信息，得到待匹配图像中各个边缘点的幅度值和梯度方向，将所有待匹配图像中边缘点所组成的集合记为待匹配点集；
如图1所示，以待匹配点集内单个点为中心点，确定邻域，将中心点所对应的梯度方向分别复制到其邻域内其他点上；遍历待匹配点集内所有点；将待匹配点集内的单个点所对应的原有梯度方向和复制来的梯度方向组成的集合记为集合A；
本实施例中，提取边缘梯度采用Sobel算子、邻域设置为：以待匹配点集内单个点为中心点的八邻域。
2)对模板图像进行旋转和/或缩放；得到多张模板图像，对每张模板图像进行以下处理分别获取多个模板图像与待匹配点集的匹配值：
①提取模板图像的边缘梯度信息，得到模板图像中各个模板边缘点的幅度值和梯度方向；将全部模板边缘点或筛选出的部分模板边缘点记为此张模板图像所对应的关键点集；
②利用以下步骤计算待匹配点集内某一具体点的特征数：
如图2所示，分别计算待匹配点集内某一点所对应的集合A内所有梯度方向与单个模板图像所对应的关键点集内某一点所对应的梯度方向的余弦相似度，取最大值，标记为分数值；采用相同方法分别计算待匹配点集内同一点与单个模板图像所对应的关键点集内其余点的分数值；将所有分数值加和、求取平均值，记为该待匹配点集内具体点的特征数；
③遍历待匹配点集内所有点，得到各点所对应的特征数，取最大值，标记为匹配值，判断匹配值是否大于预设值，若否，则匹配失败；若是，则将该匹配值进行存储；
3)将所有被存储的匹配值排序，取最大值所对应的待匹配点集内具体点作为匹配结果、其对应的模板图像的旋转角度和/或缩放比例记为待匹配图像的旋转角度和/或缩放比例。
为了加速匹配进程，本实施例中，还对关键点集中的点进行了分组，此时步骤2)的过程为：
对模板图像进行旋转和/或缩放；得到多张模板图像，对每张模板图像进行以下处理获取模板图像与待匹配点集的匹配值：
a)提取模板图像的边缘梯度信息，得到模板图像中各个模板边缘点的幅度值和梯度方向；将全部模板边缘点或筛选出的部分模板边缘点记为此张模板图像所对应的关键点集；
b)将a)得到的关键点集中梯度方向相同的点划分为同一组，得到多组点；依据组内点数量从大到小排序，依次利用单个组内点计算待匹配点集内某一具体点的特征数：
分别计算待匹配点集内某一点所对应的集合A内所有梯度方向与当前组内某一点所对应的梯度方向的余弦相似度，取最大值，标记为分数值；采用相同方法分别计算待匹配点集内同一点与当前组内其余点的分数值；将所有分数值加和、求取平均值，记为该待匹配点集内具体点的特征数；
c)遍历待匹配点集内所有点，得到各点所对应的特征数，取最大值，判断该最大值是否大于预设值；
若是，则将该最大值存储为备选值，继续利用关键点集内下一组点计算特征数，直到遍历到最后一组，将各备选值中的最大值，记为匹配值并将其存储；
若否，则当前模板图像匹配失败，不再进行其他关键边缘点的匹配；提前将匹配终止，节约时间；继续对下一张模板图像进行步骤a)～c)。
其中，具体的旋转、缩放方法为：根据待匹配图像采集情况，设置旋转角度的变化范围(θmin,θmax)和旋转步长θstep；缩放变化范围(αmin,αmax)和缩放步长αstep；对模板图像进行旋转和缩放；θstep＜10°；0.2≤αmin＜1、1≤αmax＜5、αstep≤0.5。
以角度步长θstep＝1°，度变化范围设置为[0°,3°)为例，将旋转得到3副模板图像，对应的旋转角度分别为0°、1°、2°；
再将得到的3副模板图像分别进行缩放，变化范围为[1.0,1.5)，缩放步长为αstep＝0.2，；得到9张模板图像；对应的缩放比例1.0、1.2、1.4；
为了简化计算，减少耗时，筛选部分模板边缘点记为关键点集，具体为：
遍历模板图像中每个模板边缘点，若当前遍历到的模板边缘点在所处的八邻域内，幅度值均大于其他模板边缘点，或，当前遍历到的模板边缘点的幅度值大于与其相邻的上下左右各模板边缘点的幅度值，则将该模板边缘点记为关键点，存储在关键点集中。
为了得到较为清晰的图像，本实施例中，在进行步骤1)之前，先对模板图像和待匹配图像进行预处理，预处理包括：高斯滤波平滑图像边缘、剔除图像中的噪声。
前面对本发明具体示例性实施方案所呈现的描述是出于说明和描述的目的。前面的描述并不想要成为毫无遗漏的，也不是想要把本发明限制为所公开的精确形式，显然，根据上述教导很多改变和变化都是可能的。选择示例性实施方案并进行描述是为了解释本发明的特定原理及其实际应用，从而使得本领域的其它技术人员能够实现并利用本发明的各种示例性实施方案及其不同选择形式和修改形式。本发明的范围旨在由所附权利要求书及其等价形式所限定。
Claims (8)
1.一种基于梯度信息的匹配方法，其特征在于，包括以下步骤：
1)提取模板图像的边缘梯度信息，得到模板图像中各个模板边缘点的幅度值和梯度方向；将全部模板边缘点或筛选出的部分模板边缘点记为关键点集；
提取待匹配图像的边缘梯度信息，得到待匹配图像中各个边缘点的幅度值和梯度方向，将所有待匹配图像中边缘点所组成的集合记为待匹配点集；以待匹配点集内单个点为中心点，确定邻域，将中心点所对应的梯度方向分别复制到其邻域内其他点上；遍历待匹配点集内所有点；将所述待匹配点集内的单个点所对应的原有梯度方向和复制来的梯度方向组成的集合记为集合A；
2)分别计算待匹配点集内某一点所对应的集合A内所有梯度方向与关键点集内某一点所对应的梯度方向的余弦相似度，取最大值，标记为分数值；采用相同方法分别计算待匹配点集内同一点与关键点集内其余点的分数值；将所有分数值加和、求取平均值，记为该待匹配点集内具体点的特征数；
遍历待匹配点集内所有点，得到各点所对应的特征数，取最大值，标记为匹配值，判断所述匹配值是否大于预设值，若否，匹配失败；若是，匹配值所对应的待匹配点集内具体点为匹配结果，完成待匹配图像的匹配。
2.一种基于梯度信息的匹配方法，其特征在于，包括以下步骤：
1)提取待匹配图像的边缘梯度信息，得到待匹配图像中各个边缘点的幅度值和梯度方向，将所有待匹配图像中边缘点所组成的集合记为待匹配点集；
以待匹配点集内单个点为中心点，确定邻域，将中心点所对应的梯度方向分别复制到其邻域内其他点上；遍历待匹配点集内所有点；将所述待匹配点集内的单个点所对应的原有梯度方向和复制来的梯度方向组成的集合记为集合A；
2)对模板图像进行旋转和/或缩放；得到多张模板图像，对每张模板图像进行以下处理分别获取多个模板图像与待匹配点集的匹配值：
①提取模板图像的边缘梯度信息，得到模板图像中各个模板边缘点的幅度值和梯度方向；将全部模板边缘点或筛选出的部分模板边缘点记为此张模板图像所对应的关键点集；
②利用以下步骤计算待匹配点集内某一具体点的特征数：
分别计算待匹配点集内某一点所对应的集合A内所有梯度方向与单个模板图像所对应的关键点集内某一点所对应的梯度方向的余弦相似度，取最大值，标记为分数值；采用相同方法分别计算待匹配点集内同一点与单个模板图像所对应的关键点集内其余点的分数值；将所有分数值加和、求取平均值，记为该待匹配点集内具体点的特征数；
③遍历待匹配点集内所有点，得到各点所对应的特征数，取最大值，标记为匹配值，判断所述匹配值是否大于预设值，若否，则匹配失败；若是，则将该匹配值进行存储；
3)将所有被存储的匹配值排序，取最大值所对应的待匹配点集内具体点作为匹配结果、其对应的模板图像的旋转角度和/或缩放比例记为待匹配图像的旋转角度和/或缩放比例。
3.如权利要求2所述基于梯度信息的匹配方法，其特征在于：将步骤2)替换为：
对模板图像进行旋转和/或缩放；得到多张模板图像，对每张模板图像进行以下处理获取模板图像与待匹配点集的匹配值：
a)提取模板图像的边缘梯度信息，得到模板图像中各个模板边缘点的幅度值和梯度方向；将全部模板边缘点或筛选出的部分模板边缘点记为此张模板图像所对应的关键点集；
b)将a)得到的关键点集中梯度方向相同的点划分为同一组，得到多组点；依据组内点数量从大到小排序，依次利用单个组内点计算待匹配点集内某一具体点的特征数：
分别计算待匹配点集内某一点所对应的集合A内所有梯度方向与当前组内某一点所对应的梯度方向的余弦相似度，取最大值，标记为分数值；采用相同方法分别计算待匹配点集内同一点与当前组内其余点的分数值；将所有分数值加和、求取平均值，记为该待匹配点集内具体点的特征数；
c)遍历待匹配点集内所有点，得到各点所对应的特征数，取最大值，判断该最大值是否大于预设值；
若是，则将该最大值存储为备选值，继续利用关键点集内下一组点计算特征数，直到遍历到最后一组，将各备选值中的最大值，记为匹配值并将其存储；
若否，则当前模板图像匹配失败，继续对下一张模板图像进行步骤a)～c)。
4.如权利要求1～3中任一项所述基于梯度信息的匹配方法，其特征在于：筛选部分模板边缘点记为关键点集的方式为：
遍历模板图像中每个模板边缘点，若当前遍历到的模板边缘点在所处的八邻域内，幅度值均大于其他模板边缘点，或，当前遍历到的模板边缘点的幅度值大于与其相邻的上下左右各模板边缘点的幅度值，则将该模板边缘点记为关键点，存储在关键点集中。
5.如权利要求2或3所述基于梯度信息的匹配方法，其特征在于：根据待匹配图像采集情况，设置旋转角度的变化范围(θmin,θmax)和旋转步长θstep；缩放变化范围(αmin,αmax)和缩放步长αstep；对模板图像进行旋转和缩放；θstep＜10°；0.2≤αmin＜1、1≤αmax＜5、αstep≤0.5。
6.如权利要求1～3中任一项所述基于梯度信息的匹配方法，其特征在于：在进行步骤1)之前，先对模板图像和待匹配图像进行预处理，所述预处理包括：高斯滤波平滑图像边缘、剔除图像中的噪声。
7.如权利要求1～3中任一项所述基于梯度信息的匹配方法，其特征在于：提取边缘梯度采用Sobel算子。
8.如权利要求1或2所述基于梯度信息的匹配方法，其特征在于：以待匹配点集内单个点为中心点，确定邻域的方式为：以待匹配点集内单个点为中心点的八邻域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911211877.4A CN111079802B (zh) | 2019-12-02 | 2019-12-02 | 一种基于梯度信息的匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911211877.4A CN111079802B (zh) | 2019-12-02 | 2019-12-02 | 一种基于梯度信息的匹配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111079802A true CN111079802A (zh) | 2020-04-28 |
| CN111079802B CN111079802B (zh) | 2023-04-07 |
Family
ID=70312327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911211877.4A Active CN111079802B (zh) | 2019-12-02 | 2019-12-02 | 一种基于梯度信息的匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111079802B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111816281A (zh) * | 2020-06-23 | 2020-10-23 | 无锡祥生医疗科技股份有限公司 | 超声影像查询装置 |
| CN113378886A (zh) * | 2021-05-14 | 2021-09-10 | 珞石（山东）智能科技有限公司 | 一种自动训练形状匹配模型的方法 |
| CN114240984A (zh) * | 2021-12-22 | 2022-03-25 | 易思维（杭州）科技有限公司 | 一种圆形标志点边缘提取方法及其应用 |
| CN114821123A (zh) * | 2022-03-30 | 2022-07-29 | 苏州华兴源创科技股份有限公司 | 产品定位方法、装置及可读存储介质 |
| CN114913351A (zh) * | 2022-04-28 | 2022-08-16 | 东声(苏州)智能科技有限公司 | 图像多模板匹配方法、存储介质和计算机 |
| CN115019069A (zh) * | 2021-03-04 | 2022-09-06 | 株式会社理光 | 模板匹配方法、模板匹配装置以及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080273800A1 (en) * | 2005-01-11 | 2008-11-06 | Nec Corporation | Template Matching Method, Template Matching Apparatus, And Recording Medium That Records Program For It |
| CN102043960A (zh) * | 2010-12-03 | 2011-05-04 | 杭州淘淘搜科技有限公司 | 一种结合图像灰度与梯度的改进sift特征提取方法 |
| JP2012022518A (ja) * | 2010-07-14 | 2012-02-02 | Purex:Kk | マーク読み取り装置、および方法 |
| US20140355886A1 (en) * | 2013-05-31 | 2014-12-04 | Omron Corporation | Image matching method, image matching device, model template generation method, model template generation device, and program |
| CN104252711A (zh) * | 2014-09-17 | 2014-12-31 | 华中科技大学 | 一种基于图像梯度方向码的匹配方法 |
| CN104598910A (zh) * | 2015-01-16 | 2015-05-06 | 科大讯飞股份有限公司 | 基于梯度方向匹配算法的智能电视台标识别方法及系统 |
| CN105023021A (zh) * | 2015-07-09 | 2015-11-04 | 厦门理工学院 | 一种基于主方向模板的特征匹配方法 |
| WO2017070923A1 (zh) * | 2015-10-30 | 2017-05-04 | 厦门中控生物识别信息技术有限公司 | 一种人脸识别方法和装置 |
| CN110197232A (zh) * | 2019-06-05 | 2019-09-03 | 中科新松有限公司 | 基于边缘方向和梯度特征的图像匹配方法 |
| CN110472674A (zh) * | 2019-07-31 | 2019-11-19 | 苏州中科全象智能科技有限公司 | 一种基于边缘和梯度特征的模板匹配算法 |
-
2019
- 2019-12-02 CN CN201911211877.4A patent/CN111079802B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080273800A1 (en) * | 2005-01-11 | 2008-11-06 | Nec Corporation | Template Matching Method, Template Matching Apparatus, And Recording Medium That Records Program For It |
| JP2012022518A (ja) * | 2010-07-14 | 2012-02-02 | Purex:Kk | マーク読み取り装置、および方法 |
| CN102043960A (zh) * | 2010-12-03 | 2011-05-04 | 杭州淘淘搜科技有限公司 | 一种结合图像灰度与梯度的改进sift特征提取方法 |
| US20140355886A1 (en) * | 2013-05-31 | 2014-12-04 | Omron Corporation | Image matching method, image matching device, model template generation method, model template generation device, and program |
| CN104252711A (zh) * | 2014-09-17 | 2014-12-31 | 华中科技大学 | 一种基于图像梯度方向码的匹配方法 |
| CN104598910A (zh) * | 2015-01-16 | 2015-05-06 | 科大讯飞股份有限公司 | 基于梯度方向匹配算法的智能电视台标识别方法及系统 |
| CN105023021A (zh) * | 2015-07-09 | 2015-11-04 | 厦门理工学院 | 一种基于主方向模板的特征匹配方法 |
| WO2017070923A1 (zh) * | 2015-10-30 | 2017-05-04 | 厦门中控生物识别信息技术有限公司 | 一种人脸识别方法和装置 |
| CN110197232A (zh) * | 2019-06-05 | 2019-09-03 | 中科新松有限公司 | 基于边缘方向和梯度特征的图像匹配方法 |
| CN110472674A (zh) * | 2019-07-31 | 2019-11-19 | 苏州中科全象智能科技有限公司 | 一种基于边缘和梯度特征的模板匹配算法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴晓军等: "基于边缘几何特征的高性能模板匹配算法", 《仪器仪表学报》 * |
| 高智等: "基于梯度方向角量化的匹配新算法", 《计算机工程》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111816281A (zh) * | 2020-06-23 | 2020-10-23 | 无锡祥生医疗科技股份有限公司 | 超声影像查询装置 |
| CN111816281B (zh) * | 2020-06-23 | 2024-05-14 | 无锡祥生医疗科技股份有限公司 | 超声影像查询装置 |
| CN115019069A (zh) * | 2021-03-04 | 2022-09-06 | 株式会社理光 | 模板匹配方法、模板匹配装置以及存储介质 |
| CN113378886A (zh) * | 2021-05-14 | 2021-09-10 | 珞石（山东）智能科技有限公司 | 一种自动训练形状匹配模型的方法 |
| CN114240984A (zh) * | 2021-12-22 | 2022-03-25 | 易思维（杭州）科技有限公司 | 一种圆形标志点边缘提取方法及其应用 |
| CN114240984B (zh) * | 2021-12-22 | 2024-05-31 | 易思维(杭州)科技股份有限公司 | 一种圆形标志点边缘提取方法及其应用 |
| CN114821123A (zh) * | 2022-03-30 | 2022-07-29 | 苏州华兴源创科技股份有限公司 | 产品定位方法、装置及可读存储介质 |
| CN114913351A (zh) * | 2022-04-28 | 2022-08-16 | 东声(苏州)智能科技有限公司 | 图像多模板匹配方法、存储介质和计算机 |
| CN114913351B (zh) * | 2022-04-28 | 2024-11-12 | 东声(苏州)智能科技有限公司 | 图像多模板匹配方法、存储介质和计算机 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111079802B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111079803B (zh) | 基于梯度信息的模板匹配方法 | |
| CN111079802B (zh) | 一种基于梯度信息的匹配方法 | |
| CN113095385B (zh) | 一种基于全局和局部特征描述的多模图像匹配方法 | |
| CN104933434A (zh) | 一种结合LBP特征提取和surf特征提取方法的图像匹配方法 | |
| CN111008961A (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
| CN107464252A (zh) | 一种基于混合特征的可见光与红外异源图像识别方法 | |
| CN104036244B (zh) | 一种适用于低质量图像的棋盘格角点检测方法及装置 | |
| CN106709500B (zh) | 一种图像特征匹配的方法 | |
| CN108537732B (zh) | 基于pca-sift的快速图像拼接方法 | |
| CN115601379B (zh) | 一种基于数字图像处理的表面裂纹精确检测技术 | |
| CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
| CN113011498B (zh) | 基于彩色图像的特征点提取与匹配方法、系统及介质 | |
| CN104036480A (zh) | 基于surf算法的快速消除误匹配点方法 | |
| CN114937004B (zh) | 一种基于计算机视觉的机械零件表面气孔缺陷检测方法 | |
| CN112085708B (zh) | 产品外轮廓中的直线边缘的缺陷检测方法及设备 | |
| CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
| CN101488224A (zh) | 基于相关性度量的特征点匹配方法 | |
| CN112560839A (zh) | 指针式仪表读数的自动识别方法及系统 | |
| CN110827189B (zh) | 一种数字图像或视频的水印去除方法及系统 | |
| CN107862319B (zh) | 一种基于邻域投票的异源高分光学影像匹配误差剔除方法 | |
| CN110599509A (zh) | 一种基于八方向分数阶微分算子的边缘检测方法 | |
| CN107689058A (zh) | 一种基于surf特征提取的图像配准算法 | |
| CN113989308B (zh) | 一种基于霍夫变换与模板匹配的多边形目标分割方法 | |
| CN105224941A (zh) | 对象辨识与定位方法 | |
| CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051 Patentee after: Yi Si Si (Hangzhou) Technology Co.,Ltd. Address before: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051 Patentee before: ISVISION (HANGZHOU) TECHNOLOGY Co.,Ltd. |