一种模板匹配的方法及装置制造方法及图纸

本发明专利技术公开了一种模板匹配的方法及装置，所述方法包括：分别将模板图像及待匹配图像输入到预先训练完成的卷积神经网络的卷积层，获得所述模板图像的第一特征图，及所述待匹配图像的第二特征图；在所述第二特征图的每个位置上，使所述第一特征图与该位置对应的第二子特征图进行特征向量匹配，根据匹配的特征向量的数量，确定每个位置对应的匹配分值；在所述第二特征图的每个位置，确定所述第一特征图在该位置时覆盖的第二特征图的范围，确定该范围内每个位置对应的匹配分值和，将匹配分值和最大时对应范围确定的在所述待匹配图像中的子图像与所述模板图像匹配，这样可以能够提高模板匹配精准度。

A Method and Device for Template Matching

【技术实现步骤摘要】
一种模板匹配的方法及装置
本专利技术涉及图像检索
，尤其涉及一种模板匹配的方法及装置。
技术介绍
模板匹配是研究某一特定对象物的模板图像位于待匹配图像的位置，进而识别对象物，它是图像处理中最基本、最常用的匹配方法。目前常见的模板匹配技术方案包括：基于像素级信息进行匹配的技术方案，即直接将模板图像与待匹配图像遍历逐像素相减，计算均方误差，其中均方误差最小的那个区域就是最终匹配到的位置；基于边缘信息进行匹配的技术方案，即计算模板图像和待匹配图像的边缘信息，通过边缘信息匹配的方式，得到最佳匹配位置。但是，现有的这些模板匹配的技术方案存在一些局限性，例如当待匹配图像的成像质量发生很大变化，如光线发生很大变化时，现有算法的匹配精度会直线下降，甚至匹配不到；由于现有算法均是先通过对模板图像中物体的描述，然后在待匹配图像上寻找最佳特定对象物位置，只关注是否找到特定对象物，输出结果中大多都是待匹配的特定对象物位于中间位置，定位不够精准；当待匹配图像中的特定对象物相对于模板图像发生形变的时候，将无法匹配成功；若模板图像中的某一特定对象物是实际工业应用中出现复杂的部件，如中文字符，这种情况很难用现有技术进行模板匹配。
技术实现思路
本专利技术实施例提供了一种模板匹配的方法及装置，用以解决待匹配图像因光线变换、物体形变等变化的影响，导致模板匹配精准度下降的问题。本专利技术实施例提供了一种模板匹配的方法，所述方法包括：分别将模板图像及待匹配图像输入到预先训练完成的卷积神经网络的卷积层，获得所述模板图像的第一特征图，及所述待匹配图像的第二特征图；在所述第二特征图的每个位置使所述第一特征图与该位置对应的第二子特征图进行匹配，根据匹配的特征向量的数量，确定每个位置对应的匹配分值；在所述第二特征图的每个位置，确定所述第一特征图在该位置时覆盖的第二特征图的范围，确定该范围内每个位置对应的匹配分值和，确定匹配分值和最大时对应范围确定的在所述待匹配图像中的子图像与所述模板图像匹配。进一步地，预先确定所述卷积神经网络的卷积层包括：将VGG-19网络中的设定的卷积层作为确定的所述卷积神经网络的卷积层。进一步地，所述设定的卷积层包括所述VGG-19网络中的第二个卷积层，位于所有卷积层中间的卷积层，以及倒数第二个卷积层。进一步地，预先确定所述卷积神经网络的卷积层中的每个目标卷积核包括：针对所述设定的卷积层中的每个卷积层中的每个卷积核，确定该卷积核各个幅度值绝对值的和；对每个卷积核对应的和按照从大到小的顺序排序，将排序在前的设定数量的卷积核作为该卷积层的目标卷积核。进一步地，所述根据匹配的特征向量的数量，确定每个位置对应的匹配分值包括：针对该范围内的每个像素点，根据该像素点在第一特征图中对应的特征向量，以及在第二子特征图中对应的特征向量，识别相同的特征向量的数量；根据该范围内每个像素点对应的特征向量的数量，确定该位置对应的匹配分值。进一步地，所述根据该范围内每个像素点对应的特征向量的数量，确定该位置对应的匹配分值包括：将该范围内的每个像素点对应的特征向量的数量的倒数的和，确定为该位置对应的匹配分值。本专利技术实施例提供了一种模板匹配的装置，所述装置包括：获得模块，用于分别将模板图像及待匹配图像输入到预先训练完成的卷积神经网络的卷积层，获得所述模板图像的第一特征图，及所述待匹配图像的第二特征图；第一确定模块，用于在所述第二特征图的每个位置使所述第一特征图与该位置对应的第二子特征图进行匹配，根据匹配的特征向量的数量，确定每个位置对应的匹配分值；匹配模块，用于在所述第二特征图的每个位置，确定所述第一特征图在该位置时覆盖的第二特征图的范围，确定该范围内每个位置对应的匹配分值和，确定匹配分值和最大时对应范围确定的在所述待匹配图像中的子图像与所述模板图像匹配。进一步地，所述装置还包括：选择模块，用于将VGG-19网络中的设定的卷积层作为确定的所述卷积神经网络的卷积层。进一步地，所述装置还包括：第二确定模块，用于针对所述设定的卷积层中的每个卷积层中的每个卷积核，确定该卷积核各个幅度值绝对值的和；对每个卷积核对应的和按照从大到小的顺序排序，将排序在前的设定数量的卷积核作为该卷积层的目标卷积核。进一步地，所述第一确定模块，具体用于针对该范围内的每个像素点，根据该像素点在第一特征图中对应的特征向量，以及在第二子特征图中对应的特征向量，识别相同的特征向量的数量；根据该范围内每个像素点对应的特征向量的数量，确定该位置对应的匹配分值。进一步地，所述第一确定模块，具体用于将该范围内的每个像素点对应的特征向量的数量的倒数的和，确定为该位置对应的匹配分值。本专利技术实施例提供了一种模板匹配的方法及装置，所述方法包括：分别将模板图像及待匹配图像输入到预先训练完成的卷积神经网络的卷积层，获得所述模板图像的第一特征图，及所述待匹配图像的第二特征图；在所述第二特征图的每个位置上，使所述第一特征图与该位置对应的第二子特征图进行特征向量匹配，根据匹配的特征向量的数量，确定每个位置对应的匹配分值；在所述第二特征图的每个位置，确定所述第一特征图在该位置时覆盖的第二特征图的范围，确定该范围内每个位置对应的匹配分值和，将匹配分值和最大时对应范围确定的在所述待匹配图像中的子图像与所述模板图像匹配。由于本专利技术实施例中基于卷积神经网络，获取待匹配图像及模板图像的特征图，采用模板图像和待匹配图像的特征图进行匹配，可以有效避免光线变换、形变等变化的影响，根据每个位置对应的匹配范围内包含的特征向量的数量，确定每个位置对应的匹配分值，并将匹配分值和最大时对应范围确定的在该待匹配图像中的子图像与该模板图像匹配，从而有效提高模板匹配精准度。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，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为本专利技术实施例1提供的一种模板匹配的方法流程图；图2(a)为本专利技术实施例2提供的飞机原图；图2(b)～图2(f)为本专利技术实施例2提供的飞机在不同卷积层的特征图；图3为本专利技术实施例3提供的5个幅度值间隔相同的卷积核输出的特征图；图4为本专利技术实施例3提供的卷积层conv1_2中卷积核的响应强度统计图；图5为本专利技术实施例4提供的一种模板匹配的方法流程图；图6A为本专利技术实施例4提供的显示模板图像匹配位置的得分热力图；图6B为本专利技术实施例4提供的显示模板图像实际匹配位置的示意图；图6C为本专利技术实施例4提供的模板匹配结果示意图；图7为本专利技术实施例4提供的本专利技术与现有技术中模板匹配的效果显示图；图8为本专利技术实施例4提供的本专利技术与现有技术中模板匹配的效果显示图；图9为本专利技术实施例4提供的本专利技术与现有技术中模板匹配的效果显示图；图10为本专利技术实施例5提供的一种模板匹配的装置结构示意图。具体实施方式下面将结合附图对本专利技术作进一步地详细描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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它实施例，都属于本专利技术保护的范围。实施例1：图1为本专利技术实施例提供的一种模板匹配本文档来自技高网...

【技术保护点】
1.一种模板匹配的方法，其特征在于，所述方法包括：分别将模板图像及待匹配图像输入到预先训练完成的卷积神经网络的卷积层，获得所述模板图像的第一特征图，及所述待匹配图像的第二特征图；在所述第二特征图的每个位置使所述第一特征图与该位置对应的第二子特征图进行匹配，根据匹配的特征向量的数量，确定每个位置对应的匹配分值；在所述第二特征图的每个位置，确定所述第一特征图在该位置时覆盖的第二特征图的范围，确定该范围内每个位置对应的匹配分值和，确定匹配分值和最大时对应范围确定的在所述待匹配图像中的子图像与所述模板图像匹配。

【技术特征摘要】
1.一种模板匹配的方法，其特征在于，所述方法包括：分别将模板图像及待匹配图像输入到预先训练完成的卷积神经网络的卷积层，获得所述模板图像的第一特征图，及所述待匹配图像的第二特征图；在所述第二特征图的每个位置使所述第一特征图与该位置对应的第二子特征图进行匹配，根据匹配的特征向量的数量，确定每个位置对应的匹配分值；在所述第二特征图的每个位置，确定所述第一特征图在该位置时覆盖的第二特征图的范围，确定该范围内每个位置对应的匹配分值和，确定匹配分值和最大时对应范围确定的在所述待匹配图像中的子图像与所述模板图像匹配。2.如权利要求1所述的方法，其特征在于，预先确定所述卷积神经网络的卷积层包括：将VGG-19网络中的设定的卷积层作为确定的所述卷积神经网络的卷积层。3.如权利要求2所述的方法，其特征在于，所述设定的卷积层包括所述VGG-19网络中的第二个卷积层，位于所有卷积层中间的卷积层，以及倒数第二个卷积层。4.如权利要求2或3所述的方法，其特征在于，预先确定所述卷积神经网络的卷积层中的每个目标卷积核包括：针对所述设定的卷积层中的每个卷积层中的每个卷积核，确定该卷积核各个幅度值绝对值的和；对每个卷积核对应的和按照从大到小的顺序排序，将排序在前的设定数量的卷积核作为该卷积层的目标卷积核。5.如权利要求1所述的方法，其特征在于，所述根据匹配的特征向量的数量，确定每个位置对应的匹配分值包括：针对该范围内的每个像素点，根据该像素点在第一特征图中对应的特征向量，以及在第二子特征图中对应的特征向量，识别相同的特征向量的数量；根据该范围内每个像素点对应的特征向量的数量，确定该位置对应的匹配分值。6.如权利要求5所述的方法，其特征在于，所述根据该范围内每个像素点对应的特征向量的数量，确...

【专利技术属性】
技术研发人员：王枫，毛礼建，孙海涛，任馨怡，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江,33