图像匹配方法及装置制造方法及图纸

本发明专利技术公开图像匹配方法及装置，该图像匹配方法包括特征提取、初步匹配、建立备选图像集、聚类筛选、最终匹配等步骤。本发明专利技术各步骤各司其职，采用初步匹配为最终匹配奠定基础，大大降低了聚类筛选步骤的计算复杂度，计算速度更快，而引用的聚类操作，提高了本方法的鲁棒性，匹配精度更高。

【技术实现步骤摘要】
图像匹配方法及装置
本专利技术属于图像识别领域，具体涉及一种图像匹配方法及装置。
技术介绍
图像匹配是计算机视觉中一个非常重要的研究课题，广泛应用于图像配准、目标检测、目标识别和图像检索等领域中。图像匹配技术主要在两幅或多幅图中识别出同名点。现图像匹配技术可应用于如下场景中，譬如在火车站利用摄像机从拍摄到的人群中寻找与通缉犯照片相近的人。再比如生产线上利用摄像机拍摄工件，检查它们是否存在与残次品库中保存图案相近的。再譬如在手机等移动设备上进行拍照，与数据库内照片进行对比，找出最接近的图像。然而，现有的图像匹配方法其鲁棒性差，精度也达不到要求。
技术实现思路
为了解决上述技术问题，本专利技术提出了一种图像匹配方法及装置。为了达到上述目的，本专利技术的技术方案如下：图像匹配方法包括以下步骤：1)特征提取，用于对待匹配图像及图像库内的图像进行特征提取；2)初步匹配，用于将特征提取后的待匹配图像与特征提取后图像库内的图像进行逐一特征匹配，并对两者匹配度打分；3)建立备选图像集，根据匹配度得分情况，对图像库内的图像进行排序，将排序后匹配度得分前L个图像作为备选图像集；4)聚类筛选，对备选图像集内的图像进行聚类操作，获取多个聚类子集，选取其中一个聚类子集作为目标图像集；5)最终匹配，在目标图像集内，选取距离聚类中心最近的图像，该图像即为与待匹配图像相匹配的图像。本专利技术一种图像匹配方法从特征提取、初步匹配、建立备选图像集、聚类筛选到最终匹配，各步骤各司其职，采用初步匹配为最终匹配奠定基础，大大降低了聚类筛选步骤的计算复杂度，计算速度更快，而引用的聚类操作，提高了本方法的鲁棒性，匹配精度更高。在上述技术方案的基础上，还可做如下改进：作为优选的方案，步骤1)中的特征提取可采用SIFT算法或HOG算法或SURF算法。采用上述优选的方案，SIFT算法对光照变化，图像尺寸变化，目标位置变化等鲁棒性较高，能有效的在各种变化场景下实现图像的匹配。HOG算法对人体特征提取更为敏感且高效。SURF算法是加快版本的SIFT算法，其运行更快。在具体操作的过程中，可根据具体的需要选择合适的特征提取算法。作为优选的方案，步骤2)中，采用差值函数实现匹配度打分，具体为以下公式：score＝||b-a||2；其中，a为待匹配图像的特征，b为图像库内某一图像的特征，||●||2表示求二范数。采用上述优选的方案，对于匹配度的打分，采用差值函数来实现，即将图像库内某一图像的特征和待匹配图像的特征作差，得到一个差值矩阵，对该差值矩阵进行平方和，即为最后得分。采用该种匹配度打分方法，其运行速度较快，得到的备选图像集更精准。作为优选的方案，在步骤4中，采用DBSCAN算法实现聚类操作，具体为最小化以下公式：其中，P为总聚类数目；L为备选图像集内图像数目；xl为第l个图像；up为第p个聚类的聚类中心；rl，p为二值函数，用于表征xl是否属于第p个聚类。采用上述优选的方案，聚类筛选操作采用DBSCAN算法进行完成，相比于传统聚类算法，DBSCAN算法是一个比较有代表性的基于密度的聚类算法。与划分和层次的聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。DBSCAN算法具有聚类数目不必固定的特点，更适合本申请的技术方案。作为优选的方案，在步骤4)中，当获取两个聚类子集时，人工选取其中一个聚类子集作为目标图像的图像集。采用上述优选的方案，固定了聚类的数目，当获取两个聚类子集时，由于无法判定哪个聚类子集是正确聚类集，哪个是异值点聚类集，因此把两个聚类集的聚类中心图像都输出，输出后人工去选择出正确的输出图像，操作更便捷快速，且匹配误差率小。采用固定聚类数目的方法，更加简便，聚类效率更高，时间更短。作为优选的方案，在步骤4)和5)中，当获取两个聚类子集时，将该两个聚类子集的聚类中心图像输出，聚类中心图像即为距离其所属聚类子集的聚类中心最近的图像，人工选取其中一个图像，该图像即为与待匹配图像相匹配的图像。采用上述优选的方案，便于人工去选择出正确的图像，匹配精度高，匹配速度快。作为优选的方案，在步骤4)中，当获取三个以上的聚类子集时，选取容积最大的聚类子集作为目标图像的图像集。采用上述优选的方案，当聚类的数目不确定时，可能为三个、四个或五个以上的聚类子集时，其聚类结果将会是正确的聚类集在一类，其他异值点每类异值在一类。基于此，每类异值理论上容积都会较小，远小于正确聚类集。因此，本申请取容积最大的聚类子集作为目标图像的图像集。作为优选的方案，步骤5)中，目标图像集的聚类中心通过对目标图像集内的图像求取平均值来获得。采用上述优选的方案，操作简单，运行速度快。图像匹配装置，包括：第一采集模块，用于采集多个图像，形成用于匹配的图像库；第二采集模块，用于采集待匹配图像；图像匹配模块，分别与第一采集模块和第二采集模块连接，图像匹配模块利用图像匹配方法将待匹配图像与图像库内的图像进行匹配，从图像库内找出与待匹配图像相匹配的图像。本专利技术公开一种图像匹配装置，其结构简单，可以有效将图像进行匹配，匹配速度快，匹配精度高。作为优选的方案，第一采集模块为扫地机器人，第二采集模块为移动客户端。采用上述优选的方案，移动客户端可以有效便捷的利用图像匹配技术对扫地机器人进行控制。附图说明图1为本专利技术实施例提供的图像匹配方法的流程图。图2为本专利技术实施例提供的图像匹配装置的结构示意图。图3为本专利技术实施例提供的手机和扫地机器人的图像匹配流程图。其中：1第一采集模块、2第二采集模块、3图像匹配模块。具体实施方式下面结合附图详细说明本专利技术的优选实施方式。为了达到本专利技术的目的，一种图像匹配方法及装置的其中一些实施例中，如图1所示，图像匹配方法包括以下步骤：1)特征提取，用于对待匹配图像及图像库内的图像进行特征提取；2)初步匹配，用于将特征提取后的待匹配图像与特征提取后图像库内的图像进行逐一特征匹配，并对两者匹配度打分；3)建立备选图像集，根据匹配度得分情况，对图像库内的图像进行排序，将排序后匹配度得分前L个图像作为备选图像集；4)聚类筛选，对备选图像集内的图像进行聚类操作，获取多个聚类子集，选取其中一个聚类子集作为目标图像集；5)最终匹配，在目标图像集内，选取距离聚类中心最近的图像，该图像即为与待匹配图像相匹配的图像。本专利技术一种图像匹配方法从特征提取、初步匹配、建立备选图像集、聚类筛选到最终匹配，各步骤各司其职，采用初步匹配为最终匹配奠定基础，大大降低了聚类筛选步骤的计算复杂度，计算速度更快，而引用的聚类操作，提高了本方法的鲁棒性，匹配精度更高。为了进一步地优化本专利技术的实施效果，在另外一些实施方式中，其余特征技术相同，不同之处在于，步骤1)中的特征提取采用SIFT算法。采用上述优选的方案，SIFT算法对光照变化，图像尺寸变化，目标位置变化等鲁棒性较高，能有效的在各种变化场景下实现图像的匹配。为了进一步地优化本专利技术的实施效果，在另外一些实施方式中，其余特征技术相同，不同之处在于，步骤1)中的特征提取采用HOG算法。采用上述优选的方案，HOG算法对人体特征提取更为敏感且高效。为了进一步地优化本专利技术的实施效果，在另外一些实施方式中，其余特征技术相本文档来自技高网...

【技术保护点】
1.图像匹配方法，其特征在于，包括以下步骤：1)特征提取，用于对待匹配图像及图像库内的图像进行特征提取；2)初步匹配，用于将特征提取后的待匹配图像与特征提取后图像库内的图像进行逐一特征匹配，并对两者匹配度打分；3)建立备选图像集，根据匹配度得分情况，对图像库内的图像进行排序，将排序后匹配度得分前L个图像作为备选图像集；4)聚类筛选，对备选图像集内的图像进行聚类操作，获取多个聚类子集，选取其中一个聚类子集作为目标图像集；5)最终匹配，在目标图像集内，选取距离聚类中心最近的图像，该图像即为与待匹配图像相匹配的图像。

【技术特征摘要】
1.图像匹配方法，其特征在于，包括以下步骤：1)特征提取，用于对待匹配图像及图像库内的图像进行特征提取；2)初步匹配，用于将特征提取后的待匹配图像与特征提取后图像库内的图像进行逐一特征匹配，并对两者匹配度打分；3)建立备选图像集，根据匹配度得分情况，对图像库内的图像进行排序，将排序后匹配度得分前L个图像作为备选图像集；4)聚类筛选，对备选图像集内的图像进行聚类操作，获取多个聚类子集，选取其中一个聚类子集作为目标图像集；5)最终匹配，在目标图像集内，选取距离聚类中心最近的图像，该图像即为与待匹配图像相匹配的图像。2.根据权利要求1所述的图像匹配方法，其特征在于，所述步骤1)中的特征提取可采用SIFT算法或HOG算法或SURF算法。3.根据权利要求1所述的图像匹配方法，其特征在于，所述步骤2)中，采用差值函数实现匹配度打分，具体为以下公式：score＝||b-a||2；其中，a为待匹配图像的特征，b为图像库内某一图像的特征，||●||2表示求二范数。4.根据权利要求1所述的图像匹配方法，其特征在于，在所述步骤4中，采用DBSCAN算法实现聚类操作，具体为最小化以下公式：其中，P为总聚类数目；L为备选图像集内图像数目；xl为第l个图像；up为第p个聚类的聚类中心；rl，p为二值函数，用于表征xl...

【专利技术属性】
技术研发人员：潘景良，
申请(专利权)人：炬大科技有限公司，
类型：发明
国别省市：江苏,32