一种相似度度量方法、装置、设备和存储介质制造方法及图纸

本申请公开了一种相似度度量方法、装置、设备和存储介质。该方法包括：根据目标的三维模型和相机参数，确定所述目标的虚拟图像；确定用于强化所述虚拟图像中的所述目标的外部轮廓的特征加权矩阵；将所述虚拟图像和所述目标的真实图像分别划分成多个固定尺度的网格；基于所述特征加权矩阵，确定所述虚拟图像和所述真实图像中每个网格的特征向量；基于所述虚拟图像和所述真实图像每个网格的特征向量，对所述虚拟图像和所述真实图像进行相似度的度量。本技术方案解决了传统相似性度量方法无法用于虚拟图像与真实图像的相似度度量的问题。

A Similarity Measurement Method, Device, Equipment and Storage Media

【技术实现步骤摘要】
一种相似度度量方法、装置、设备和存储介质
本公开一般涉及图像处理
，尤其涉及一种相似度度量方法、装置、设备和存储介质。
技术介绍
在智慧机场的建设中，一个基础需求是需要通过监控视频确定机场中飞机的姿态和位置，只有得到了这个信息，后续才能在此基础上完成其它智慧应用。为实现该功能，一种可行的方案是利用相机的内外参信息，将飞机的3D模型反向投影回图像中，形成一个虚拟的飞机，再与照片中实际的飞机进行对比，相似度最高的投影，其投影参数就是所要求的飞机的姿态和位置。因此，该方案是否可行完全依赖于相似度度量方法是否有效，是否稳定。图像处理领域中，常见的相似度评估方法包括基于直方图的方法，基于特征点的方法和基于结构相似性的方法。基于直方图的方法的原理是统计图像中灰度值的直方图，然后通过某种距离度量的标准进行相似度的度量，该方法实现简单，速度快，但由于直方图本质上反映的只是灰度值的概率分布信息，丢失了图像的空间位置信息，所以用来作为相似性度量常常会出现误判。基于特征点的方法是从图像中提取若干个特征点，这样就将相似性的度量转化为特征点匹配，但这种方法的计算速度比较慢，当目标图像比较模糊时，会出现检测不到特征点的情况，同时也会出现错误匹配的情况。基于结构相似性的方法是将图像从亮度、对比度和结构三个方面进行度量，得到一个相似度的指数，该方法在图像出现平移、缩放、旋转情况时效果比较差。在机场的应用场景下，相机的标定和使用过程中，由于人工安装或长时间使用等不可控因素，相机位置出现细微偏移是不可避免的，这会导致飞机模型通过安装时标定的参数反向投影回图像中时，虚拟成像和实际成像产生一些误差。这就要求相似性度量方法具备平移、缩放、旋转不变性，否则就可能产生错误匹配。基于直方图的方法具备平移、缩放、旋转不变性，但是由于损失了空间位置信息，所以不能满足应用需求。基于特征点的方法也满足上述3个特征，但是需要图像细节清晰，由于投影模型仅仅能反映外部轮廓，内部细节其实是没有的，所以也不能满足需求。基于结构相似性的方法不具备平移、缩放、旋转不变性，更不能满足需求。除此之外，还有一个最重要的因素，就是模型投影的虚拟图像的纹理和实际图像相差巨大，这会导致传统的相似度度量方法全部无法满足需求。
技术实现思路
鉴于现有技术中的上述缺陷或不足，期望提供一种能够对虚拟图像和真实图像之间的相似度进行度量的方案。第一方面，本申请实施例提供了一种相似度度量方法，所述方法包括：根据目标的三维模型和相机参数，确定所述目标的虚拟图像；根据所述虚拟图像，生成用于强化所述虚拟图像中的所述目标的外部轮廓的特征加权矩阵；将所述虚拟图像和所述目标的真实图像分别划分成多个固定尺度的网格；基于所述特征加权矩阵，确定所述虚拟图像和所述真实图像中每个网格的特征向量；基于所述虚拟图像和所述真实图像每个网格的特征向量，对所述虚拟图像和所述真实图像进行相似度的度量。第二方面，本申请实施例提供了一种相似度度量装置，该装置包括：虚拟图像确定模块，用于根据目标的三维模型和相机参数，确定所述目标的虚拟图像；特征加权矩阵生成模块，用于根据所述虚拟图像，生成用于强化所述虚拟图像中的所述目标的外部轮廓的特征加权矩阵；网格划分模块，用于将所述虚拟图像和所述目标的真实图像分别划分成多个固定尺度的网格；特征向量确定模块，用于基于所述特征加权矩阵，确定所述虚拟图像和所述真实图像中每个网格的特征向量；相似度度量模块，用于基于所述虚拟图像和所述真实图像每个网格的特征向量，对所述虚拟图像和所述真实图像进行相似度的度量。第三方面，本申请实施例提供了一种设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如上所述的相似度度量方法。第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现如上所述的相似度度量方法。本申请实施例提供的相似度度量方案，通过使用特征加权矩阵增强了目标的外部轮廓，从而减弱了由于虚拟图像和真实图像的纹理不一致以及背景不一致造成的不利影响，并基于该特征加权矩阵确定出虚拟图像和真实图像中每个网格的特征向量，进而计算出虚拟图像和真实图像的相似度，这种方式具备一定程度的平移不变性和旋转不变性，减弱了由于相机的参数误差导致虚拟图像与真实图像存在一定偏差的影响。本技术方案解决了传统相似性度量方法无法用于虚拟图像与真实图像的相似度度量的问题。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1示出了本申请实施例提供的一种相似度度量方法的流程示意图；图2示出了本申请实施例提供的一种相似度度量装置的结构框图；图3示出了适于用来实现本申请实施例的服务器的计算机系统300的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。请参考图1，示出了本申请实施例提供的一种相似度度量方法的流程示意图。如图1所示，该相似度度量方法包括如下步骤：步骤110，根据目标的三维模型和相机参数，确定目标的虚拟图像。在实际应用中，本申请实施例提供的相似度度量方法可以应用在机场中飞机的姿态和位置的确定过程中，上述“目标”可以但不限于为飞机，飞机的三维模型可以是依据飞机图纸使用三维建模软件构建出的。相机可以是机场中对飞机进行监控的相机，相机参数可以包括内参数和外参数。根据目标的三维模型和相机参数确定目标的虚拟图像，实际就是将目标的三维模型进行反向投影得到的图像，该实现过程为公知技术，在此不再赘述。步骤120，确定用于强化虚拟图像中的目标的外部轮廓的特征加权矩阵。本申请实施例中，可以先从虚拟图像中提取目标的外部轮廓，得到包含外部轮廓的二值边缘图像，再对二值边缘图像进行高斯模糊计算，生成特征加权矩阵。按照上述方法生成的特征加权矩阵可以标识为W(x，y)，这个特征加权矩阵同时作用于虚拟图像和真实图像，可以降低边缘位置偏差的影响，去除背景和图像纹理对相似度评估的不利影响。步骤130，将虚拟图像和目标的真实图像分别划分成多个固定尺度的网格。其中，目标的真实图像即为使用上述相机对目标进行拍摄获得。还需要说明的是，在将虚拟图像和目标的真实图像进行网格化的过程中，对于剩余的不能被网格完整覆盖的部分，可以根据虚拟图像和真实图像的边缘像素进行填充后再覆盖。步骤140，基于特征加权矩阵，确定虚拟图像和真实图像中每个网格的特征向量。具体的，针对每个网格分别执行：首先，计算网格中每个像素点的梯度边缘值；具体的，通过公式(1)和公式(2)分别计算出每个像素点在X方向和Y方向的梯度边缘值。其中，X方向为：在以该网格左上角定点为原点的坐标系中的水平方向，Y方向为：在以该网格左上角定点为原点的坐标系中的竖直方向。Gx(x,y)＝Pi(x+1,y)-Pi(x-1,y)(1)Gy(x,y)＝Pi(x,y+本文档来自技高网...

【技术保护点】
1.一种相似度度量方法，其特征在于，所述方法包括：根据目标的三维模型和相机参数，确定所述目标的虚拟图像；确定用于强化所述虚拟图像中的所述目标的外部轮廓的特征加权矩阵；将所述虚拟图像和所述目标的真实图像分别划分成多个固定尺度的网格；基于所述特征加权矩阵，确定所述虚拟图像和所述真实图像中每个网格的特征向量；基于所述虚拟图像和所述真实图像每个网格的特征向量，对所述虚拟图像和所述真实图像进行相似度的度量。

【技术特征摘要】
1.一种相似度度量方法，其特征在于，所述方法包括：根据目标的三维模型和相机参数，确定所述目标的虚拟图像；确定用于强化所述虚拟图像中的所述目标的外部轮廓的特征加权矩阵；将所述虚拟图像和所述目标的真实图像分别划分成多个固定尺度的网格；基于所述特征加权矩阵，确定所述虚拟图像和所述真实图像中每个网格的特征向量；基于所述虚拟图像和所述真实图像每个网格的特征向量，对所述虚拟图像和所述真实图像进行相似度的度量。2.根据权利要求1所述的方法，其特征在于，确定用于强化所述虚拟图像中的所述目标的外部轮廓的特征加权矩阵，包括：从所述虚拟图像中提取所述目标的外部轮廓，得到包含所述外部轮廓的二值边缘图像；对所述二值边缘图像进行高斯模糊计算，生成所述特征加权矩阵。3.根据权利要求1所述的方法，其特征在于，基于所述特征加权矩阵，确定所述虚拟图像和所述真实图像中每个网格内的图像的特征向量，包括：针对每个网格分别执行：计算所述网格中每个像素点的梯度边缘值；基于所述网格中每个像素点的梯度边缘值，计算所述网格中每个像素点的梯度方向；基于所述特征加权矩阵和所述网格中每个像素点的梯度方向，确定所述网格的特征向量。4.根据权利要求3所述的方法，其特征在于，基于所述特征加权矩阵和所述网格中每个像素点的梯度方向，确定所述网格的特征向量，包括：根据所述特征加权矩阵和所述网格中每个像素点的梯度方向，对所述网格中所有像素点的梯度方向在各个方向区间进行直方图统计，得到所述网格对应的n维向量；其中，所述梯度方向的总方向区间为0-180°，所述梯度方向被平均划分为n个方向区间；所述n维向量中的每个分量按照公式表示；Vij为第i个网格对应的n维向量中的第j个分量，Pi为第i个网格内的图像，wi(x,y)为第i个网格中坐标为(x，y)的像素点对应的特征加权矩阵，为第i个网格中坐标为(x，y)的像素点在第j个方向区间的梯度方向；所述j的取值范围为0至n，所述n为大于0的整数；对所述n维向量中的每个分量进行归一化处理，得到处理后的特征向量。5.根据权利要求4所述的方法，其特征在于，对所述n维向量中的每个分量进行归一化处理，得到处理后的特征向量，包括：按照公式对所述...

【专利技术属性】
技术研发人员：胡志恒，宋翔，杨小平，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：广东,44