一种应用于多图像融合的图像识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种应用于多图像融合的图像识别方法、装置、电子设备及存储介质，属于图像识别技术领域。本方法避开了融合图像的过程，先提取图像特征并匹配；再分别使用图像原始输入做目标检测，然后将检测后得到目标边界框位置和特征匹配位置作比较，筛选后留下目标物体；以此最大程度的保留图像的原始特征信息，便于输入机器学习模型中提取图像的原始特征，提高图像识别的精度，解决了因训练图像与实际使用的图像的样本上有差异，导致图像目标提取的算法不过精确的问题。

【技术实现步骤摘要】
一种应用于多图像融合的图像识别方法、装置、电子设备及存储介质
本专利技术属于图像识别
，具体地说，涉及一种应用于多图像融合的图像识别方法、装置、电子设备及存储介质。
技术介绍
近年来，深度学习方法在图像的目标检测和识别应用中已经比较成熟，算法精度也相比较于传统特征提取有很大的提升。对于，在遥感图像和航拍应用中，摄像头往往无法一次性捕捉所有的物体，会拍摄大量的目标物重复叠加的照片后，做拼接融合处理。再将拼接后的图像做为输入深度学习的网络模型。这样做的好处是能够一张图像补全所有的目标物体，但是随着拍摄的图像的质量和镜头角度影响，很多情况下的图像拼接融合后的图像效果并不好，以至于这种融合效果很差的图像在输入到网络中做特征提起的时候很难保证检测结果的有效性。其次，由于深度学习算法是基于样本训练的，在训练的时候使用的图像都是单张拍摄的原始图像。而在拼接融合以后的图像，都是采用加权叠加的方式。这样就造成了训练图像和实际使用的图像的样本获取差异，导致检测的结果受到拼接融合效果的影响，因此这种融合后提取目标的算法有很大的不确定性。本文档来自技高网...

【技术保护点】
1.一种应用于多图像融合的图像识别方法，其特征在于，所述方法包括：/nS102：获取待识别图像，将所述待识别图像标定为模板图像和目标图像，通过特征提取算法分别提取所述模板图像和所述目标图像的特征点；/nS104：遍历所述模板图像的特征点，通过距离筛选所述特征点信息，根据筛选后的特征点信息，绘制特征匹配区域；/nS106：通过目标检测算法检测所述模板图像和目标图像，获取所述模板图像和目标图像中目标物的检测框；/nS108：计算所述检测框与所述特征匹配区域的相对位置，根据所述相对位置裁剪所述待识别图像。/n

【技术特征摘要】
1.一种应用于多图像融合的图像识别方法，其特征在于，所述方法包括：
S102：获取待识别图像，将所述待识别图像标定为模板图像和目标图像，通过特征提取算法分别提取所述模板图像和所述目标图像的特征点；
S104：遍历所述模板图像的特征点，通过距离筛选所述特征点信息，根据筛选后的特征点信息，绘制特征匹配区域；
S106：通过目标检测算法检测所述模板图像和目标图像，获取所述模板图像和目标图像中目标物的检测框；
S108：计算所述检测框与所述特征匹配区域的相对位置，根据所述相对位置裁剪所述待识别图像。


2.根据权利要求1所述的应用于多图像融合的图像识别方法，其特征在于，所述获取待识别图像，将所述待识别图像标定为模板图像和目标图像的步骤之前，还包括：
获取两张待识别图像，计算所述两张待识别图像的宽度和高度；
在水平方向上，将所述两张待识别图像中高度的最大值，作为拼接的高度；在上下方向上，将所述两张待识别图像中宽度相加，作为拼接的宽度；
根据拼接的高度和宽度，构建图像画板，并随机标定一个图像作为模板图像，另一个作为目标图像。


3.根据权利要求2所述的应用于多图像融合的图像识别方法，其特征在于，所述通过特征提取算法分别提取所述模板图像和所述目标图像的特征点的步骤包括：
通过AKAZE算法提取所述模板图像和所述目标图像的特征，并将提取好的特征点信息分别存储为矩阵数据结构。


4.根据权利要求3所述的应用于多图像融合的图像识别方法，其特征在于，所述遍历模板图像的特征点，通过距离筛选所述特征点信息的步骤包括：
通过临近算法遍历所述模板图像的特征点，获得接近距离和次接近距离；
计算所述接近距离和次接近距离的比值，将所述比值符合预定数值范围的特征点作为匹配值保留在所述矩阵数据结构中；将所述比值不符合预定数值范围的特征点从所述矩阵数据结构中删减。


5.根据权利要求4所述的应用于多图像融合的图像识别方法，其特征在于，所述根据筛选后的特征点信息，绘制特征匹配区域的步骤包括：
获取所述的特征点对应的像素坐标，根据所述目标图像与模板图像的拼接方向与像素坐标绘制特征匹配区域。


...

【专利技术属性】
技术研发人员：薛峰，张万友，夏炎，
申请(专利权)人：江苏提米智能科技有限公司，
类型：发明
国别省市：江苏;32