买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：一种基于局部‑整体视角的模板匹配方法属于计算机视觉领域。本发明通过形状上下文描述子和形状度量描述子分别计算模板和目标物体的局部和整体相似度，结合局部和整体视角的信息完成模板匹配。本发明首先需要构建模板库，之后进行模板匹配，匹配过程包括以下步骤：轮廓提取、轮廓特征描述以及特征匹配。首先从原始图片中提取目标轮廓，之后轮廓的局部和整体特征将用的两个特征描述子形状上下文特征、形状度量特征代表。最后根据特征描述子将目标轮廓与我们构建的模板库中的花粉模板相匹配，形成目标轮廓与模板间的对应关系，筛选强对应关系的目标轮廓区域作为匹配结果。本发明通过两个特征描述子，并通过细节和整体角度提高匹配准确度。

主权项：1.一种基于局部-整体视角的模板匹配方法，其特征在于：步骤1：构建模板库构建一套目标物体模板库，提取包含完整物体轮廓特征的区域作为模板图像；定位图像中的目标物体，之后通过Canny算子提取目标物体的外层边缘线条，形成M类每类数量为N的轮廓模板库，即总模版数量为M×N；步骤2：轮廓提取首先对图像做迁移均值滤波和高斯滤波处理，弱化内部纹理的影响并平滑图像边缘；之后将图像转为灰度图后利用Canny算子提取图像中所有的边缘线条；最后经过一个边缘过滤的步骤，这一步骤保留最外层封闭线条作为样本轮廓结果；步骤3：形状上下文特征提取利用形状上下文特征描述子统计了轮廓点集中每一个点的局部上下文信息；步骤3.2.1轮廓点采样：对于单个轮廓的n个轮廓点，统计了其中每个点与其余n-1个点之间的距离，得到一个n×n的相对距离矩阵；每次剔除最短距离点对中的任意一个点，并解除它与其他点之间的距离关系，重复此步骤直至点对只剩下m个轮廓点完成采样；m＝n；步骤3.2.2计算形状上下文特征描述子：在m个轮廓采样点中，对于其中的一个点pi，构建以其为中心的极对数坐标系，为了保证描述符具有旋转不变性，定义pi与轮廓重心点g的连线方向为坐标系X轴的正方向；求重心点g如公式1所示： 其中m表示轮廓采样点总数，xi，yi分别表示第i个点的横纵坐标；将坐标系划分为12个角度区域和5个距离区域bin，即共生成60个极坐标区域，记为K；统计样本点落入不同区域的个数，最后进行归一化处理，即可得到形状上下文描述子FSC；如公式2所示： 式子#{U:V}表示，在U条件下V的数目；p￠表示剩余的边界样本点，bink表示pi点的第k个极坐标区域；每个轮廓采样点均会生成一个形状上下文直方图表示该直方图中第k个极坐标区域对应的值，图像中m个采样点得到的m个直方图被定义为该图像的形状上下特征；步骤4：形状度量特征提取提出了形状度量特征，包含四个特征维度，分别为圆度比、圆方差、矩形度和凹度，对目标轮廓提取以上四维度的特征计算得到其形状度量特征；步骤4.1计算圆度比：圆度比度量轮廓圆的程度，定义为轮廓包围面积与周长相同的圆的面积之间的比值，记为Fcr，如公式3所示； 其中A表示面积，P表示周长，Aboundary、Acircle、Pboundary分别为目标轮廓包围的面积、圆的面积、目标轮廓周长；步骤4.2计算圆方差：圆方差度量轮廓圆的程度，被定义轮廓点和重心之间距离集合的标准差与平均值之间的比值，记为Fcv，如公式45所示；ri＝||pi-g||4 其中式‖‖表示径向距离，g表示重心点通过公式1计算得出，pi表示第i个做轮廓点，ri表示第i个点和重心点的径向距离，sr表示径向距离的标准差，μr表示径向距离的平均值；步骤4.3计算矩形度：矩形度度量外接矩形内形状的密度，即轮廓和矩形的相似度，定义为轮廓包围面积与其最小外接矩形面积之间的比值，记为Fre，如公式6所示； 其中Abox表示最小外接矩形的面积；步骤4.4计算凹度：凹度衡量轮廓的凹陷程度，定义为轮廓的凸包周长和轮廓周长之间的比值，记为Fco，如公式7所示； 其中Phull表示凸包周长；步骤4.5计算形状度量特征描述子：对样本轮廓点计算如上四个特征值，集成得到形状度量特征描述子FSM，如公式8；FSM＝[Fcr,Fcv,Fre,Fco]8步骤5：特征匹配对模板轮廓和目标轮廓分别计算两个特征描述子，根据特征距离将提取的目标轮廓与模板像匹配，选取匹配度高的轮廓区域，经过轮廓过滤和K-NN分类之后，得到匹配结果；步骤5.1计算形状上下文特征的距离：通过形状上下文特征描述子为第一个轮廓上的每个点pi，在第二个轮廓上找到“最佳”匹配点qj；所有匹配点之间的特征距离作为轮廓之间的特征距离度量；对于目标轮廓上的一个点pi和模板轮廓上的一个点qj，利用卡方统计Cpi,qj，来表示这两个点之间的特征距离；每两个点之间的特征距离组成了m×m的特征距离矩阵C，如公式9所示；用F表示目标轮廓的特征，T表示模板轮廓的特征； 和分别表示第i个目标轮廓点和第j个模板轮廓点的第k个极坐标区域的特征值，K表示极坐标区域总数；形状上下文特征距离度量值DSC表示目标轮廓和模板轮廓上最佳匹配点的特征距离之和，通过对特征距离矩阵对称加和得到，如公式10； 表示在U条件下V的最小值，m表示样本点个数，pi和qj分别表示第i个目标轮廓样本点和第j个模板轮廓样本点；步骤5.2计算形状度量特征的距离：对于轮廓的形状度量特征，用目标轮廓与模板轮廓特征之间的欧氏距离表示形状度量特征距离DSM，如公式11表示； 其中Ftype和Ttype分别表示目标轮廓和模板轮廓的type特征，type取ce,cv,re或co；步骤5.3计算联合距离表示：将目标轮廓与模板轮廓之间的形状距离D定义为形状上下文距离DSC与形状度量特征距离DSM的加权和，如公式12所示：D＝w×DSC+1-w×DSM12式中，w是两种距离所对应的加权参数，定义为0.8；步骤5.4K-NN分类：对于每个从图片中提取的目标轮廓，均与M×N张模板生成M×N个距离特征，利用K-NN分类的思想，统计与样本轮廓距离最为接近即距离特征最小的N个模板中各类别的占比，将占比最大的类别作为此轮廓的类别。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于局部-整体视角的模板匹配方法