融合OVR-SVM和PSNR相似度的图像标签匹配方法及系统技术方案

本发明专利技术公开了融合OVR

【技术实现步骤摘要】
融合OVR
‑
SVM和PSNR相似度的图像标签匹配方法及系统


[0001]本专利技术属于图像匹配的
，特别是涉及一种融合OVR
‑
SVM和PSNR相似度的图像标签匹配方法及系统。

技术介绍

[0002]图像模板匹配指的是通过模板图像与测试图像之间的比较，找到测试图像上与模板图像相似的部分，再通过计算模板图像与测试图像中目标的相似度来实现。
[0003]现有技术中，通过计算样本的“距离”估算不同样本之间的相似性度量，一般有欧式距离、曼哈顿距离、切比雪夫距离、马氏距离、夹角余弦、汉明距离等。基于灰度值的模板匹配是最经典的模板匹配算法，其通过计算模板图像与检测图像之间的像素灰度差的绝对值总和(SAD)或者平方差总和方法(SSD)；另一种常用的模板匹配方法是使用归一化的互相关信息来衡量匹配的概率，具备较好的光照不变性；另外基于形状的模板匹配也是一种常用的匹配算法，以物体的边缘梯度相关性作为匹配标准，例如aprilTag中检测标签的算法。
[0004]基于像素灰度的模板匹配技术受灰度值的影响很大，只适用于光照稳定的情况，只有少数简单图像的匹配才适合；而基于相关性的匹配无法解决旋转和尺度变化，基于形状的模板匹配虽然匹配精确度高，但其对图像的处理复杂导致计算时间较长，无法满足实际情况下对实时性要求较高的场景。

技术实现思路

[0005]本专利技术为解决上述
技术介绍
中存在的技术问题，提供了一种融合OVR
‑
SVM和PSNR相似度的图像标签匹配方法及系统。
[0006]本专利技术采用以下技术方案来实现：融合OVR
‑
SVM和PSNR相似度的图像标签匹配方法，至少包括以下步骤：
[0007]将预定数量的标签按照指定形式生成模板标签，得到标签信息列表；所述标签信息列表至少包括：模板标签的索引号、以及对应的模板标签顶点集；
[0008]对输入图像进行实时处理，识别出带有标签的输入图像，并进入图像标签匹配模式：
[0009]对所述输入图像进行预处理得到缩小版的二值图像，确定二值图像内的多边形区域，获取多边形区域的每个顶点，生成关于二值图像的顶点列表；
[0010]遍历所述顶点列表提取得到外接顶点集，通过所述外接顶点集得到关于多边形区域的外接矩形，基于外接顶点集和外接矩形计算得到透视变换矩阵；利用透视变换矩阵将二值图像进行变换得到变换图像，将二值图像与变换图像之间的重叠部分抠出得到矩形区域；
[0011]按照所述指定形式获取矩形区域的标签ID和矩形顶点集，将所述矩形顶点集内的顶点坐标对应放大至输入图像内，得到对应的实际顶点坐标集；基于实际顶点坐标集生成关于输入图像的标签区域，对所述标签区域重新获取测试标签顶点集；
[0012]基于所述标签ID和测试标签顶点集于标签信息列表中完成匹配。
[0013]在进一步的实施例中，所述模板标签的生成方式如下：
[0014]将每个标签进行矩形化得到对应的矩形标签，获取矩形标签的索引号以及模板标签顶点集；
[0015]所述模板标签顶点集内的元素包括原点、长边端点、短边端点和对角点。
[0016]在进一步的实施例中，还包括：
[0017]对所述模板标签使用SVM学习算法进行分类训练，训练得到SVM训练模型；
[0018]SVM训练模型时将预定数量的标签作为正样本，非预定数量的标签作为负样本。
[0019]在进一步的实施例中，所述输入图像的预处理包括以下流程：
[0020]采用轮廓提取和四边形拟合的方法确定标签的矩形区域，基于标签的尺寸大小对应的标签像素面积进行筛选得到感兴趣区域，基于所述感兴趣区域获取标签信息；
[0021]还包括：对所述输入图像按照预定比例进行缩小，对缩小后的输入图像采用自适应阈值的处理方法进行二值化处理得到二值图像。
[0022]在进一步的实施例中，利用透视变换矩阵将二值图像进行变换得到变换图像的具体流程如下：
[0023]定义二值图像中的点坐标为则经变换之后的对应点在变换图像中的坐标为预先给定透视变换矩阵为其中，k为对应图像中点的序号，k为大于等于2的整数；h1、h2、h3、h4、h5、h6、h7、h8和h9均为透视变换矩阵的矩阵参数；
[0024]则，
[0025]在进一步的实施例中，矩形区域的标签ID和矩形顶点集的获取方式如下：
[0026]所述矩形区域具有横向标签或竖向标签，将具有竖向标签的矩形区域进行翻转统一为横向标签，将横向标签对应的矩形区域进行水平翻转，使得每个横向标签对应有两个横向且反向矩形区域；
[0027]使用SVM学习算法进行分类于标签信息列表中匹配出两个索引号，以及对应的模板标签；通过计算所述正矩形区域与匹配出的模板标签的峰值信噪比相似度，取相似度高的正矩形区域对应的索引号为矩形区域的标签ID，与对应的索引号相适配的模板标签顶点集为矩形顶点集。
[0028]在进一步的实施例中，定义二值图像的大小为输入图像大小的1/n，则实际顶点坐标集内的数值为正矩形顶点集内数值的n倍。
[0029]在进一步的实施例中，所述多边形区域、标签区域均是通过轮廓提取和多边拟合得到。
[0030]在进一步的实施例中，所述峰值信噪比相似度采用以下计算公式：
[0031][0032]其中，
[0033]式中，MSE代表图像像素值的平方误差，i，j代表像素位置；I，K代表图像的对应位置像素值；m，n代表图像的宽和高。
[0034]融合OVR
‑
SVM和PSNR相似度的图像标签匹配系统，包括：
[0035]第一模块，被设置为将预定数量的标签按照指定形式生成模板标签，得到标签信息列表；所述标签信息列表至少包括：对应模板标签的索引号和模板标签顶点集；
[0036]第二模块，被设置为对输入图像进行实时处理，识别出带有标签的输入图像，并进入图像标签匹配模式：
[0037]第三模块，被设置为对所述输入图像进行预处理得到缩小版的二值图像，确定二值图像内的多边形区域，获取多边形区域的每个顶点，生成关于二值图像的顶点列表；
[0038]第四模块，被设置为遍历所述顶点列表提取得到外接顶点集，通过所述外接顶点集得到关于多边形区域的外接矩形，基于外接顶点集和外接矩形计算得到透视变换矩阵；利用透视变换矩阵将二值图像进行变换得到变换图像，将二值图像与变换图像之间的重叠部分抠出得到正矩形区域；
[0039]第五模块，被设置为按照所述指定形式获取正矩形区域的标签ID和正矩形顶点集，将所述正矩形顶点集内的顶点坐标对应放大至输入图像内，得到对应的实际顶点坐标集；基于实际顶点坐标集生成关于输入图像的标签区域，对所述标签区域重新获取测试标签顶点集；
[0040]第六模块，被设置为基于所述标签ID和测试标签顶点集于标签信息列表中完成匹配。
[0041]本专利技术的有益效果：本专利技术在模板匹配时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.融合OVR
‑
SVM和PSNR相似度的图像标签匹配方法，其特征在于，至少包括以下步骤：将预定数量的标签按照指定形式生成模板标签，得到标签信息列表；所述标签信息列表至少包括：模板标签的索引号、以及对应的模板标签顶点集；对输入图像进行实时处理，识别出带有标签的输入图像，并进入图像标签匹配模式：对所述输入图像进行预处理得到缩小版的二值图像，确定二值图像内的多边形区域，获取多边形区域的每个顶点，生成关于二值图像的顶点列表；遍历所述顶点列表提取得到外接顶点集，通过所述外接顶点集得到关于多边形区域的外接矩形，基于外接顶点集和外接矩形计算得到透视变换矩阵；利用透视变换矩阵将二值图像进行变换得到变换图像，将二值图像与变换图像之间的重叠部分抠出得到矩形区域；基于所述标签ID和测试标签顶点集于标签信息列表中完成匹配。2.根据权利要求1所述的融合OVR
‑
SVM和PSNR相似度的图像标签匹配方法，其特征在于，所述模板标签的生成方式如下：将每个标签进行矩形化得到对应的矩形标签，获取矩形标签的索引号以及模板标签顶点集；所述模板标签顶点集内的元素包括原点、长边端点、短边端点和对角点。3.根据权利要求1所述的融合OVR
‑
SVM和PSNR相似度的图像标签匹配方法，其特征在于，还包括：对所述模板标签使用SVM学习算法进行分类训练，训练得到SVM训练模型；SVM训练模型时将预定数量的标签作为正样本，非预定数量的标签作为负样本。4.根据权利要求1所述的融合OVR
‑
SVM和PSNR相似度的图像标签匹配方法，其特征在于，所述输入图像的预处理包括以下流程：采用轮廓提取和四边形拟合的方法确定标签的矩形区域，基于标签的尺寸大小对应的标签像素面积进行筛选得到感兴趣区域，基于所述感兴趣区域获取标签信息；还包括：对所述输入图像按照预定比例进行缩小，对缩小后的输入图像采用自适应阈值的处理方法进行二值化处理得到二值图像。5.根据权利要求1所述的融合OVR
‑
SVM和PSNR相似度的图像标签匹配方法，其特征在于，利用透视变换矩阵将二值图像进行变换得到变换图像的具体流程如下：定义二值图像中的点坐标为则经变换之后的对应点在变换图像中的坐标为预先给定透视变换矩阵为其中，k为对应图像中点的序号，k为大于等于2的整数；h1、h2、h3、h4、h5、h6、h7、h8和h9均为透视变换矩阵的矩阵参数；则，6.根据权利要求1所述的融合OVR
‑
SVM和PSNR相似度的图像标签匹配方法，...

【专利技术属性】
技术研发人员：张兆东，王博，陈波，范镒，张凯凯，何云迪，李军，
申请(专利权)人：磅客策上海智能医疗科技有限公司，
类型：发明
国别省市：